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的概率,也会影响后续事件发生的概率。
事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为:P ( A ∣ B ) P(A\mid B )P(A∣B),读作“在B的条件下A发生的概率”
条件概率公式为:
P ( A ∣ B ) = P ( A B ) P ( B ) P(A\mid B) = \frac{P(AB)}{P(B)}
P(A∣B)=
P(B)
P(AB)
同理可得出在A条件下B发生的概率为
P ( B ∣ A ) = P ( A B ) P ( A ) P(B\mid A) = \frac{P(AB)}{P(A)}
P(B∣A)=
P(A)
P(AB)
P(A|B)=P(AB)/P(B)为事件A在B发生的条件下的条件概率。
积概率说的是多个事件同时发生的概率。
对应套用我们的乘法公式
由条件概率公式可知:P(AB)=P(A|B)P(B),这就是乘法定理,通俗讲就是AB同时发生的概率就是B发生了的概率乘以B发生的情况下A发生的概率。
P(AB)=P(A∣B)∗P(B)=P(B∣A)∗P(A)
举个例子。
三个小偷去偷村庄,此时三个小偷都站在村口,那么他们去偷村庄的概率是一样的,都是1/3。如果某天已知了村庄被偷了(小偷得手了),那么在已知被偷情况下,求三个小偷分别偷盗的概率,必然是能力强(小偷得手概率)的小偷概率最大,警察也会优先怀疑这个人。就好像,如果一开始村庄没有被盗的时候,警察指的刑满释放的江洋大盗(小偷得手概率大)说别去那个村庄,你偷盗的可能性最大,这其实是不太科学的,因为就算是普通人也有去偷得可能性,每个人偷得可能性一样大。此例子中事件的步骤:选小偷去偷村庄——小偷得手的概率(能力问题)要点:如果出现了三件以上的事儿:H——A1——A2 如果A2已知,这个时候,已知的A2会影响H和A1两个发生的概率。而且因为只是已知A2发生,不知道A1是发生了,还是A1反面发生了,即此时A2的概率不受A1影响,所以求P(A2)直接等于P(A2) = P(H)P(A2/H)即可。比如:Hi 选地区——A1第一个抽到男生——A2 第二个抽到男生如果只有A2已知,Hi,A1未知,求P(A2) = P(H1)P(A2/H),那么因为A1未知,第二次抽到男生A2就变成了抓阄模型,比如十个人,五个男生,此时P(A2/H) = 1/2,乘以H1 = 1/3,就可以算出选择第一个区域而第二次抽到男生(在第一个未知)的情况下的概率了。
其余未知情况,序列中随便一个发生的可能(本质还是同时发生,用积事件然后正反相加可证)——抓阄模型
已知情况但未发生的可能(同时发生的可能)——积事件
已知情况且已经发生的可能——条件概率(这个就是题目中出现的“已知”)
完备事件组:把样本空间分成几个事件,每个事件互不相交,全加起来就是样本空间,这就叫完备事件组。或者叫样本空间的划分。
如果事件组B1,B2,… 满足
B1,B2…两两互斥,即 Bi ∩ Bj = ∅ ,i≠j , i,j=1,2,…,且P(Bi)>0,i=1,2,…;
B1∪B2∪…=Ω ,则称事件组 B1,B2,…是样本空间Ω的一个划分,也称B为完备事件组
设 B1,B2,…是样本空间Ω的一个划分,A为任一事件,则:
P ( A ) = ∑ i = 1 ∞ P ( B i ) P ( A ∣ B i ) P(A)= \sum\limits_{i=1}^\infty {P(B_i)}{P(A\mid B _i)}
P(A)=
i=1
∑
∞
P(B
i
)P(A∣B
i
)
因为P ( A ) = P ( A Ω ) = P ( A ( B 1 + B 2 + B 3 + . . . ) ) P(A) = P(A\Omega)=P(A(B_1+B_2+B_3+…))P(A)=P(AΩ)=P(A(B
1
+B
2
+B
3
+…))
又因为B i B_iB
i
之间互斥,所以P ( A ) = P ( A B 1 ) + P ( A B 2 ) + P ( A B 3 ) + . . . P(A)=P(AB_1)+P(AB_2)+P(AB_3)+…P(A)=P(AB
1
)+P(AB
2
)+P(AB
3
)+…
根据上面的乘法公式我们可以得到:
P ( A B 1 ) = P ( B 1 ) ∗ P ( A ∣ B 1 ) P(AB_1)=P(B_1)*P(A\mid B_1)P(AB
1
)=P(B
1
)∗P(A∣B
1
)
P ( A B 2 ) = P ( B 2 ) ∗ P ( A ∣ B 2 ) P(AB_2)=P(B_2)*P(A\mid B_2)P(AB
2
)=P(B
2
)∗P(A∣B
2
)
P ( A B 3 ) = P ( B 3 ) ∗ P ( A ∣ B 3 ) P(AB_3)=P(B_3)*P(A\mid B_3)P(AB
3
)=P(B
3
)∗P(A∣B
3
)
由此可得= P ( A Ω ) = P ( A ) = ∑ i = 1 ∞ P ( B i ) P ( A ∣ B i ) = P(A \Omega)=P(A)= \sum\limits_{i=1}^\infty {P(B_i)}{P(A\mid B _i)}=P(AΩ)=P(A)=
i=1
∑
∞
P(B
i
)P(A∣B
i
)
利用条件概率公式得到
P ( B i ∣ A ) = P ( A B i ) P ( A ) P(B_i\mid A)=\frac{P(AB_i)}{P(A)}
P(B
i
∣A)=
P(A)
P(AB
i
)
利用乘法公式得到变形 P ( A B i ) = P ( A ∣ B i ) ∗ P ( B i ) P(AB_i) = P(A \mid B_i) * P(B_i)P(AB
i
)=P(A∣B
i
)∗P(B
i
)
即:
P ( B i ∣ A ) = P ( A ∣ B i ) ∗ P ( B i ) P ( A ) P(B_i\mid A)=\frac{P(A\mid B_i)*P(B_i)}{P(A)}
P(B
i
∣A)=
P(A)
P(A∣B
i
)∗P(B
i
)
再利用全概率公式 P ( A Ω ) = P ( A ) = ∑ j = 1 ∞ P ( B j ) P ( A ∣ B j ) P(A\Omega)=P(A)= \sum\limits_{j=1}^\infty {P(B_j)}{P(A\mid B _j)}P(AΩ)=P(A)=
j=1
∑
∞
P(B
j
)P(A∣B
j
)
即
贝叶斯公式
:
P ( B i ∣ A ) = P ( A ∣ B i ) ∗ P ( B i ) ∑ j = 1 ∞ P ( B j ) P ( A ∣ B j ) P(B_i\mid A)= \frac{P(A\mid B_i) * P(B_i)}{\sum\limits_{j=1}^\infty{P(B_j)}{P(A\mid B_j)}}
P(B
i
∣A)=
j=1
∑
∞
P(B
j
)P(A∣B
j
)
P(A∣B
i
)∗P(B
i
)
作者:酸奶公园 https://www.bilibili.com/read/cv21755128 出处:bilibili
高中不学就可以证伪数学公式?(概率计算)相关推荐
- 隐马尔可夫模型-概率计算算法
隐马尔可夫模型-概率计算算法 上一篇博客简单介绍了隐马尔科夫模型算法的基本思想,但是没有介绍计算如何区计算它的状态转移概率矩阵,观测概率矩阵和初始状态概率向量如何计算,这节我们就来谈谈. 给出之前讲过 ...
- 【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 ...
- 【机器学习】逻辑斯蒂回归概率计算和手动计算对比
二分类,逻辑斯蒂回归概率计算 import numpy as np from sklearn import datasets from sklearn.linear_model import Logi ...
- 崩坏3卡池模拟器及毕业期望概率计算(含保底)
目录 崩坏3卡池模拟器及毕业期望概率计算(含保底) 简介 程序演示 得出的一些有趣结果 readme code 崩坏3卡池模拟器及毕业期望概率计算(含保底) 简介 最近学概率论要求写论文,没什么好写的 ...
- php概率计算_PHP 真实概率计算(百分比随机分配)
其实随机这个东西,很多人都会做.在PHP中更是存在rand()随机函数,如果只是随机一个数当然不错.但是如果是要呈现出来具体的内容给人选择就是不一样了.当然这个在现在想来,呵呵其实也一样.现实rand ...
- 利用python计算圆球的体积_Python 实例:概率计算
原标题:Python 实例:概率计算 将理想状态绝对无误差的10个同样的小球从1-10标号,然后随机从中选出1个小球.如果选取的次数足够多,就可以计算各个小球被选取出来的概率. 1.Project分析 ...
- NLP --- 条件随机场CRF(概率计算问题)
上一节详解的阐述了条件随机场的定义和简单的学习算法推倒,这里不懂的前翻看前两节的博客,这里不再赘述,本节将主要求期望的问题,为什么要求解期望?本节主要参考的内容是一篇论文和李航的书,论文是<Co ...
- 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 ...
- 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 ...
最新文章
- SpringMVC图片上传
- 微软Azure已开始支持hadoop--大数据云计算
- 码农与UI沟通的日常
- Spark 连接 HBase 入库及查询操作
- docx命令运行Java_使用Java将DOC文件转换为DOCX
- PyCharm安装与配置,python的Hello World
- 巨杉mysql支持临时表_sql server用变量动态命名临时表表名
- ubuntu chmsee出现乱码的解决方法
- 花呗可延后还啦!支付宝“移动花卡”开启预约
- php insert方法,lInsert 命令/方法/函数
- 深入浅出虚拟机-第三版笔记(重点)整理-2022-04-06
- python3 歌词文件krc转lrc
- docker ps3netsrv_QNAP 威联通 NAS TS-212P应用系列 篇一:实践基于QNAP平台搭建PS3NETSRV服务...
- Android学习笔记(四十):Preference的使用
- 逐鹿战神--ios技术支持
- 信用社考试计算机知识点,2017年农村信用社计算机考试模拟题
- 店铺消费短信通知模板
- 洛谷2591BZOJ2298 problem a题解
- 派森学python_派森个人学习笔记------2020.09.06
- 线性代数系列(四)--解方程组