联合概率、边缘概率、条件概率
1. 联合概率
假设有随机变量A与B,所谓联合概率,就是既满足 A 条件,又满足 B条件的概率,因为你是2维变量,所以需要考虑(A,B)两个变量一起变的情况。
A与B的联合概率表示为P(A∩B)P(A\cap B)P(A∩B)或者P(A,B)P(A,B)P(A,B)或者P(AB)P(AB)P(AB)
这类包含多个条件且所有条件同时成立的概率成为联合概率。
2.边缘概率
边缘概率是相对于联合概率而言的的,虽然你有两个变量(x,y)但是你可以只考虑x或者y的分部,好像另外一个不存在一样,写作f(x)或者f(y)。
P(X=a)P(X=a)P(X=a)或P(Y=b)P(Y=b)P(Y=b)这类仅与单个随机变量有关的概率,称为边缘概率。
3. 条件概率
通常,我们想知道某些事件发生时其它事件也发生的概率。我们将事件 B 发生时事件 A 也发生的条件概率写为 P(A∣B)P(A | B)P(A∣B),读作“在B的条件下A的概率”。
如果一个事件的概率不以任何方式影响另一个事件,则该事件被称为独立事件。以掷骰子且连续两次掷得 2 的概率为例。这些事件是独立的。
根据文氏图,可以清楚地看到,在事件B发生的情况下,事件A发生的条件概率就是:
P(A∣B)=P(AB)P(B)P(A|B)=\frac{P(AB)}{P(B)}P(A∣B)=P(B)P(AB)
所以,P(AB)=P(A∣B)P(B)P(AB)=P(A|B)P(B)P(AB)=P(A∣B)P(B)
同理可得,P(B∣A)=P(AB)P(A)P(B|A)=\frac{P(AB)}{P(A)}P(B∣A)=P(A)P(AB)
所以,P(AB)=P(B∣A)P(A)P(AB)=P(B|A)P(A)P(AB)=P(B∣A)P(A)
所以,P(A∣B)P(B)=P(B∣A)P(A)P(A|B)P(B)=P(B|A)P(A)P(A∣B)P(B)=P(B∣A)P(A)
所以,P(A∣B)=P(B∣A)P(A)P(B)P(A|B)=\frac {P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(B∣A)P(A)
4. 全概率定理
事件A1,A2,...,AnA_1,A_2,...,A_nA1,A2,...,An形成样本空间的一个分割;
事件BBB可以分解成不相交的nnn个事件的并,即:B=(A1⋂B)⋃(A2⋂B)...⋃(An⋂B)B=(A_1\bigcap B) \bigcup(A_2 \bigcap B)...\bigcup(A_n \bigcap B)B=(A1⋂B)⋃(A2⋂B)...⋃(An⋂B)
利用可加公理,得到:P(B)=P(A1⋂B)⋃P(A2⋂B)...⋃P(An⋂B)P(B)=P(A_1\bigcap B)\bigcup P(A_2 \bigcap B)...\bigcup P(A_n \bigcap B)P(B)=P(A1⋂B)⋃P(A2⋂B)...⋃P(An⋂B)
利用条件概率定义,我们知道,P(Ai⋂B)=P(Ai)P(B∣Ai)P(A_i\bigcap B)=P(A_i)P(B|A_i)P(Ai⋂B)=P(Ai)P(B∣Ai),将之代入上式,得到:
P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+...+P(An)P(B∣An)P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+...+P(A_n)P(B|A_n)P(B)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+...+P(An)P(B∣An)
这个定理的主要应用是直接计算B的概率有点难度,但是若条件概率P(B∣Ai)P(B|A_i)P(B∣Ai)是已知的或者很容易推导时,全概率定理就成了计算P的有力工具。
5. 贝叶斯准则
通常,事件AAA在事件BBB发生的条件下的概率,与事件BBB在事件AAA发生的条件下的概率是不一样的!然而这两者是有确定的关系,贝叶斯准则就是这种关系的描述。
全概率定理是与贝叶斯准则联系在一起的,贝叶斯准则将形如P(A∣B)P(A|B)P(A∣B)的条件概率与形如P(B∣A)P(B|A)P(B∣A)的条件概率联系了起来。
贝叶斯准则可以用来因果推理。比如,有许多原因,造成了某一结果。现在,假设我们能够观测到某一结果,希望推断出造成这个结果出现的原因。
现在设事件A1,A2,...,AnA_1,A_2,...,A_nA1,A2,...,An是原因,而BBB代表由原因引起的结果:
- P(B∣Ai)P(B|A_i)P(B∣Ai)表示由原因AiA_iAi造成结果BBB出现的概率;
- 当观察到结果BBB的时候,我们希望反推出结果BBB是由原因AiA_iAi造成的概率P(Ai∣B)P(A_i|B)P(Ai∣B);
- P(Ai∣B)P(A_i|B)P(Ai∣B)为新近得到的信息BBB之后,AiA_iAi出现的概率,称之为后验概率,而原来的AiA_iAi就成为先验概率。
联合概率、边缘概率、条件概率相关推荐
- 概率基础 · 联合概率 边缘概率 prior posterior likelihood
概率基础 · 联合概率 边缘概率 prior posterior likelihood 联合概率 (Joint Probability) 边缘概率(margin probability) 贝叶斯定理( ...
- 条件概率 联合概率 边缘概率
P(A+B)表示A B至少一个发生的发生概率 P(AB)表示同时发生的发生概率 P(A/B)表示在A发生的条件下B发生的概率 条件概率 条件概率是指事件A在事件B发生的条件下发生的概率.条件概率表示为 ...
- 概率论与数理统计学习笔记(2)——联合概率、条件概率与边缘概率
这篇文章主要是从一个直观的概念上讲解联合概率.条件概率与边缘概率. 主要是之前看了篇论文,用的SO-PMI算法,然后我就恶补了一下联合概率. 本篇博客采用的参考书是<程序员的数学2概率统计> ...
- 联合概率和边缘概率的区分
举个例子,丢两枚硬币,正面为1,反面为0 联合概率:P1(1,0),P2(0,1),P3(1,1),P4(0,0),分别代表4个联合概率 边缘概率:P1+P3表示不管第二个硬币的值,第一个硬币是正面的 ...
- 概率论与数理统计(一)—— 联合概率、条件概率与边缘概率
0. 联合概率.条件概率与边缘概率的关系 假定已知联合概率分布 p(x,y)p(x,y),现求 p(y|x0)p(y|x_0), p(y|x0)=p(x0,y)p(x0)=p(x0,y)∑yp(x0, ...
- 5分钟理解边缘概率,联合概率,条件概率,随机事件独立,随机事件依赖
在隐马尔可夫(HMM)和条件随机场(CRF)中有很多概率计算问题,要想理解他们,必须先把概率的一些概念及计算公式搞清楚.本文旨在用形象的图形和具体事例来讲解这些概念和公式,以帮助理解.这里讲的部分内容 ...
- 概率——联合概率,边缘概率,条件概率
一.关于概率的两个流派 频率派概率:抛硬币,可重复事件的频率 贝叶斯派概率:病人患病,不可重复事件的信念 二.联合概率 比如,一手抛硬币,一手掷骰子 ,它们相互独立,它们的联合概率就是把各自的概率相乘 ...
- 联合概率、边缘概率、条件概率之间的关系贝叶斯公式
前言 有挺长一段时间没有更新博客了,一方面是学校期末考试,后来又看了一些很基础的编程数学思想的东西(<程序员的数学>第一卷),大多数东西都在之前的学习和使用中都有注意到,所以没有什么特别值 ...
- 联合概率、边缘概率和条件概率
联合概率 概念:包含多个条件且所有条件同时成立的概率 P(X =A, Y=B)表示X=A且Y=B的概率 P(X=A) = P(X =A, Y=0) + P(X =A, Y=1) + ··· ··· + ...
最新文章
- 值得期待的.Net Micro Framework 3.0
- html body 边框,html – 如何在表的tbody / thead部分创建边框?
- 简单的python流回显服务器与客户端
- base64 转文件_PHP伪协议与文件包含
- django class类即视图类添加装饰器的几种方法
- 树形动规_(战略游戏)
- Django:ORM模型类,字段选项,Meta内部类,常见问题处理
- Coprime Sequence
- Git详解(2)——Git基础
- url 获取 geoserver 中对应的style
- VS2012注册密钥
- matlab输出动态gif图片
- java设置excel表头_设置Java导出Excel表头
- 离散数学——容斥原理
- Java_String_Arrays_Character_BigDecimal_Calendar_Math_System
- vue项目查看脚手架版本报错
- SpringBoot @Around环绕通知错误
- Vi编辑器的常用命令3(其他操作)
- java实现短链接得到长链接!!!
- 英国小学生记忆英语单词的方法