多个变量影响概率计算
在理解贝叶斯之前需要先了解一下条件概率和全概率,这样才能更好地理解贝叶斯定理
一丶条件概率
条件概率定义:已知事件A发生的条件下,另一个事件B发生的概率成为条件概率,即为P(B|A)
如图A∩B那一部分的发生的概率即为P(AB),
P(AB)=发生A的概率*发生A之后发生B的概率=发生B的概率*发生B之后发生A的概率
1
即:
P(AB)=P(A)*P(B|A)=P(B)*P(A|B)
1
所以条件概率公式:
P(B|A)=P(AB)/P(A)=P(B)*P(A|B)/P(A)
1
二丶全概率公式
全概率公式就是在样本空间E中,有一个事件A,而样本空间被划分为多个子空间B1,B2,B3…….,对于每一个子空间Bi,发生A事件的概率为:
P(A)=P(Bi)*P(A|Bi) i=1,2,3......n
也就是:发生Bi的概率*Bi中发生A的概率
1
2
那么整个样本空间E中发生A的概率即为:每一个样本子空间中发生A的概率的总和:
P(A)=P(B1)*P(A|B1)+P(B2)*P(A|B2)+.............+P(Bn)*P(A|Bn)
1
以上就是全概率公式,也可以写作:
全概率公式就是求一个事件在整个样本中发生的概率
三丶贝叶斯定理
贝叶斯定理不同的是,他是已知一个事件在整个样本中发生的概率之后,然后求另一个时间发生的概率
比如在A时间发生的情况下,它属于Bi子样本空间的概率P(Bi|A),那么我们就可以根据条件概率公式来求
发生a事件概率*发生a事件且a时间发生在Bi子样本的概率=发生Bi的概率*发生Bi之后发生a的概率
即为:**P(Bi|A)*P(A)=P(Bi)*P(A|Bi)**
1
2
然后根据全概率公式:
所以:
P(Bi/A)=P(Bi)*P(A|Bi)/P(A)
1
把P(A)带入上面的式子,可得贝叶斯公式:
下面我们举个例子:
在这一系列数据中计算出在第三个子数据集中发生1事件的概率:
python实现:
#创建一个虚拟的数据
def c_data():
dataset=[
[1,2,3,5,1],#数据中包含四个子数据
[1,2,1,1,8,8],
[1,7,2,3,5],
[4,8,9,1,1,8,9,3]
]
return dataset
#计算某一事件A发生的全概率
def compute_prob(dataset,event):
#发生的概率
prob_event=0.0
for sub_dataset in dataset:
prob_sub=1/len(dataset)#该子集发生的概率
num=len(sub_dataset)#子集的数据个数
data_dict = {}#创建一个字典
for data in sub_dataset:
prob=0.0
if data in data_dict:
data_dict[data]+=1
else:
data_dict[data]=1
if event in data_dict:
prob+=data_dict[event]/num#事件在该子集中的出现概率
data_dict.clear()#清空字典用于下一个子集
else:
print("没有该事件")
prob_event+=prob*prob_sub #子集发生概率*自己中事件发生概率
return prob_event#返回事件的全概率
#计算事件A发生条件下第几个子空间sub_dataset发生的概率
def comnpute_prob_sub_dataset(dataset,sub_dataset_id,event):
prob_sub_dataset=1/len(dataset)#发生在该子空间的概率
print("发生在该子空间中的概率:%f"%prob_sub_dataset)
event_num=dataset[sub_dataset_id].count(event)#该事件在子空间中出现的次数
prob_sub_dataset_event=event_num/len(dataset[sub_dataset_id])#事件在子空间中发生的概率
print("在改子空间中发生事件的概率:%f"%prob_sub_dataset_event)
prob_event=compute_prob(dataset,event=event)
print("整个样本发生事件的概率:%f"%prob_event)
prob_sub_dataset=(prob_sub_dataset*prob_sub_dataset_event)/prob_event#事件发生在某一子集中的概率
print("概率为:%f"%prob_sub_dataset)
return prob_sub_dataset
dataset=c_data()
comnpute_prob_sub_dataset(dataset,sub_dataset_id=2,event=1)#1出现在第三个子集中的概率
多个变量影响概率计算相关推荐
- python计算数据百分比_概率计算:定义概率分布数据结构,Python实现概率分布计算...
使用Python实现马尔科夫随机场.蒙特卡洛采样等随机过程算法的前提,就是用Python实现概率的计算.并不只是数值计算,而是能够将随机模拟中常用的各种概率相关的操作,都能用计算机的数据结构来表达,其 ...
- matlab第八章概率计算ppt,Matlab来解决概率统计学ppt
PPT内容 这是一个关于Matlab来解决概率统计学ppt,主要介绍将利用Matlab来解决概率统计学中的概率分布.数字特征.参数估计以及假设检验等问题.欢迎点击下载哦. 本章将利用Matlab来解决 ...
- 高中不学就可以证伪数学公式?(概率计算)
高中不学就可以证伪数学公式?(概率计算) 条件概率说的是多个事件有先后顺序的发生,前一个事件的已知发生会影响到后面事件发生的概率.并且如果已知的事件在是中间的事件,那么中间的事件不仅会影响前面事件发生 ...
- 【数据挖掘】高斯混合模型 ( 与 K-Means 每个步骤对比 | 初始参数设置 | 计算概率 | 计算平均值参数 | 计算方差参数 | 计算高斯分布概率参数 | 算法终止条件 )
文章目录 I . 高斯混合模型 ( 样本 -> 模型 ) II . 高斯混合模型 ( 模型 -> 样本 ) III . 高斯混合模型 与 K-Means 迭代过程对比 IV . 高斯混合模 ...
- SQL Server-聚焦事务对本地变量、临时表、表变量影响以及日志文件存满时如何收缩(三十一)...
前言 接下来我们将SQL Server基础系列还剩下最后几节内容结束,后续再来讲解SQL Server性能调优,我们开始进入主题. SQL Server事务对本地变量影响 事务对变量影响具体是指什么意 ...
- 统计学习方法第十一章作业:随机条件场—概率计算问题、IIS/GD学习算法、维特比预测算法 代码实现
随机条件场-概率计算问题.IIS/GD学习算法.维特比预测算法 这一章的算法不是很好写,整整研究了好几天,代码还是有点小问题,仅供参考. 用的是书上定义的特征函数. import numpy as n ...
- 统计学习方法第十章作业:HMM模型—概率计算问题、Baum-Welch学习算法、维特比预测算法 代码实现
HMM模型 import numpy as npclass HMM:def __init__(self,A=None,B=None,Pi=None,O = None):if A:self.A = np ...
- (四)JS基础知识一(深入分析变量类型和计算)【不会变量,别说你会JS】
JS基础知识一(变量类型和计算) 提问 变量类型 值类型 vs 引用类型 (堆栈模型) 值类型 引用类型 typeof 运算符 深拷贝 变量计算 字符串拼接 == if语句和逻辑运算 if语句 逻辑判 ...
- php概率计算_PHP指定概率算法
PHP指定概率算法,可用于刮刮卡,大转盘等抽奖算法. 假设:有一个二维数组,记录了所有本次抽奖的奖项信息: $test_arr =array('a'=>20,'b'=>30,'c'=> ...
最新文章
- CSS之布局(盒子模型--外边距)
- git学习:关于origin和master,自己增加一部分
- Android 6.0 权限管理最佳实践
- Fiori launchpad里Enter Group name这个tile是怎么配置出来的
- pca主成分分析_降维:主成分分析(PCA)
- 【报告分享】2020数字人民币发展研究报告.pdf(附下载链接)
- python网易云_python 网易云音乐
- java实现选择排序(思路与实现)
- mcu AD采样值和物理值
- 微信发送文件卡死或黑屏
- Ubiquitous Religions
- html鼠标悬停模糊,模糊效果鼠标悬停清晰
- 亚马逊kindle设置_在亚马逊Kindle上追逐活跃的社会工程欺诈
- android性能测试自动化,Android App自动化性能测试探究
- java实现空格替换
- 人脸检测:人脸检测算法综述
- 软件限时使用功能实现
- 2022年全国大学生数学建模竞赛E题目-小批量物料生产安排详解+思路+Python代码时序预测模型(三)
- 大数据24小时:Salesforce拟65亿美元收购Mulesoft,林志颖加盟小黑鱼科技任首席体验官
- 【AD】Altium Designer Filter(过滤器)使用技巧