全概公式和贝叶斯公式的理解
目录(?)[+]
条件概率
首先,理解这两个公式的前提是理解条件概率,因此先复习条件概率。
P(A|B)=P(AB)P(B)
理解这个可以从两个角度来看。
第一个角度:在B发生的基础上,A发生的概率。那么B发生这件事已经是个基础的条件了,现在进入B已经发生的世界,看看A发生的概率是多少。那么分子就是B发生A也发生,分母就是B这个世界发生的概率了。分母如果是1,那么成了什么意思呢?
另一个角度是看韦恩图。这里A在B发生的基础上发生的概率是A和B交集的阴影部分面积占用B的比例。
那么由条件概率出发,看一下变形出来的乘法公式:
P(AB)=P(A)⋅P(B|A)=P(B)⋅P(A|B)
也可以提供上面的两个角度来理解这个公式,虽然可以由上面的直接推导,但是我们认为这是问题的思考的不同角度,不仅仅是公式之间的运算。
一:AB同时发生的概率是在A基础上发生B的概率乘以A本身在外部发生的概率,也是B基础上发生A的概率乘以B本身在外部发生的概率.
二:AB表示的是阴影部分的面积占用A或者B的比例关系。
仅仅从形式上说,竖线后面的要在前面多乘以一个以达到平衡。
全概率
然后再看全概率公式。
一个别人举的例子:
一个村子与三个小偷,小偷偷村子的事件两两互斥,求村子被偷的概率。
解释:假设这三个小偷编号为A1,A2,A2;
偷东西的事件标记为B,不偷的话标记为:B¯¯¯
那么被偷的概率就是:要么是A1,要么是A2,要么是A3,
如果是A1, 概率是什么呢?首先得是A1,其次是村子被偷,也即是两个事件都满足,所以是P(A1B)
同理,可以得到P(A2B),P(A3B)
又因这三个小偷两两互斥,表示不会同时去偷。所以被偷的概率是:
P(B)=P(A1B)+P(A2B)+P(A3B)
当然按照条件概率或者乘法公式展开:
P(B)=P(A1)P(B|A1)+P(A2)P(B|A2)+P(A3)P(B|A3) (*)
PS: P(Ai),P(B|Ai)是已知的
问:是不是有想展开为:
P(B)=P(B)P(A1|B)+P(B)P(A1|B)+P(B)P(A1|B)的冲动?
当然这个式子是没错的,但是体现不了这个问题的解法:分阶段。
(*)式子体现的是问题分为两个阶段:
1)选人,分割问题
2)计算分割的子问题的条件概率
对应的这里来便是:
1)选小偷,谁去偷
2)选定的小偷作为条件,那么他去偷的条件概率是什么
所以将问题拆解为阶段的问题便是全概率公式针对的问题。
贝叶斯公式
贝叶斯公式有意思极了,简单说就是逆全概公式。
前面是问总体看来被偷的概率是多少,现在是知道了总体被偷了这件事,概率并不知道,问你个更有意思的问题,像是侦探断案:是哪个小偷的偷的,计算每个小偷偷的概率。
这个特性用在机器学习,人工智能领域相当好用。
也就是求:P(Ai|B)=P(AiB)P(B)
Ai:小偷i干的;B:村子被偷了
首先是一个淳朴的条件概率的展开。
分母里出现了P(B),刚刚讨论的全概公式拿来用一用!
而P(AiB)=P(Ai)⋅P(B|Ai)
对应到上面的例子就鲜活一些:村子被偷了,求Ai偷的概率。
自然现在条件是P(B),分子变形为P(AiB)=P(Ai)⋅P(B|Ai),是因为假定就是Ai偷的,这是一个已知的概率。
分母P(B)=∑ni=1P(Ai)P(B|Ai)
20161223 update:
除了上面的思路外,通常需要注意的是分阶段意味着时间的先后。在先进行的事件的基础上进行后面的事件,就很容易计算概率:P(AB)=P(A)P(B|A)这种。
所以当我们需要计算先验概率,即先发生的时间的概率时,总是想着用上面的这个类型来计算,且是通过条件概率进行过渡。
全概公式和贝叶斯公式的理解相关推荐
- 全概公式和贝叶斯公式的理解及例题
贝叶斯公式的应用: 参考自: https://blog.csdn.net/u011240016/article/details/52730807?utm_source=blogxgwz1#commen ...
- 概率论考点之概率的性质(全概公式及贝叶斯公式)
如题:2019年10月 分析:虽然说是顺完一遍课本了,但前面的内容自2019年底,就开始弄,到现在有些忘记了,对于重点的知识点,还是需要单列一下,加强记忆的. 本题就是考概率的性质:一共有四条:什么是 ...
- 概率论(三)- 全概公式逆概公式(贝叶斯公式)
全概公式 定义: B是一个事件,则有 证明: 技巧性的问题: 例1 袋中有5个球,其中有3个红球,2个白球,从中每次取出一个球(不放回)用A表示第一次取到红球,B表示第二次取到红球,求 (1)P(A) ...
- 大数据背后的神秘公式:贝叶斯公式(万字长文)
大数据.人工智能.海难搜救.生物医学.邮件过滤,这些看起来彼此不相关的领域之间有什么联系?答案是,它们都会用到同一个数学公式--贝叶斯公式.它虽然看起来很简单.很不起眼,但却有着深刻的内涵.那么贝叶斯 ...
- 先验、后验概率,似然,EM算法,ELBO(Evidence Lower Bound),多变量条件概率公式(多变量贝叶斯公式)
Probability 先验概率.后验概率.似然概率 在学习朴素贝叶斯(Naive Bayes)的时候,总是会混淆先验概率.后验概率和似然概率.通过这篇博客,我将对这三个概率的定义进行详细阐释,以更好 ...
- 全概率公式和逆概率公式(贝叶斯公式)
1.全概率公式和逆概率公式 1.1 全概率公式 A1.A2.⋯.AnA_1.A_2.\cdots.A_nA1.A2.⋯.An是样本空间 Ω\OmegaΩ 的一个完备事件组,且P(Ai)>0 ...
- 【机器学习基本理论】详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
[机器学习基本理论]详解最大似然估计(MLE).最大后验概率估计(MAP),以及贝叶斯公式的理解 https://mp.weixin.qq.com/s/6H0gmMWvTExySMraroLVlQ 最 ...
- 坐标系转换--椭球面多项式拟合公式转换模型变换关系理解
椭球面多项式拟合公式转换模型变换关系理解 {ΔL=a0+a1L+a2B+a3LB+a4L2+a5B2ΔB=b0+b1L+b2B+b3LB+b4L2+b5B2(1)\tag{1} \begin{dcas ...
- hdu 4405 全期望公式
首先确定随机事件X:掷色子到达终点的次数 E[n-n+5] :因为已经到达终点所以,全为0 由全期望公式得,E[i] = sum( E[i+j] ) ( 1<=j<=6 )/6 + 1因为 ...
最新文章
- 在Ubuntu 16.04.6 LTS升级python 3.5.x到3.7.3之后导致gnome-ternimal无法打开的解决办法
- 安徽大学计算机科学与技术复试线,安徽大学计算机考研报录比及分数线
- mysql两张主表person event加上第三张关联表
- 数字转换星期几python_Python基本时间转换
- laravel mysql 悲观锁_Laravel中悲观锁 乐观锁的使用
- android 标签分页,Android之ActivityGroup实现Tab分页标签
- prince2 成功的项目管理_清晖公开课受控环境下的项目管理PRINCE2认证培训(北京)...
- electron ui框架
- c语言结构体stamp是什么意思,stamp是什么意思
- 应用商店优化(ASO)之关键词及描述优化
- 有道词典java下载电脑版下载手机版下载安装_有道词典下载安装_有道词典app下载「官方版」-太平洋下载中心...
- 怎样通过《Sbo维护与开发助手软件》进行Sbo开发和维护(1/3)
- Android permission denied原因归纳和解决办法
- JAVA:事件监听器之Button类中的addActionListener(ActionListener l)方法
- TM1650+DS3231+STC15LE计数数码管小时钟
- 基于线段的激光雷达单目曲面重建(ICRA2021)
- 从头开始做一个智能家居设备:MQTT协议及使用
- 基于Annoy的语义泛化-代码模块化
- 通信人眼里的ABC……
- Vue开发实战十八:官网搭建全过程
热门文章
- 【SIP协议】学习初学笔记
- UI 控件 —UITextFile
- cmd-查看历史命令 重定向
- 平衡二叉树所涉及的一些算法
- 4.day11_包和权限修饰符-1
- python输出重定向到窗口_[python]重定向输出
- 娜璋旅行(三)九月的甘肃新疆:人间之边,天堂之界
- 【数据结构与算法】之深入解析“矩形区域不超过K的最大数值和”的求解思路与算法示例
- 【数据结构与算法】之深入解析“寻找旋转排序数组中的最小值”的求解思路与算法示例
- 我的Go+语言初体验--Go+之环境安装与程序编码初体验