收藏

查看我的收藏

820 有用+1 已投票

135

条件概率

语音 编辑 锁定 讨论4 上传视频

本词条由“科普中国”科学百科词条编写与应用工作项目 审核 。
条件概率是指事件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），读作“在B的条件下A的概率”。条件概率可以用决策树进行计算。条件概率的谬论是假设 P(A|B) 大致等于 P(B|A)。数学家John Allen Paulos 在他的《数学盲》一书中指出医生、律师以及其他受过很好教育的非统计学家经常会犯这样的错误。这种错误可以通过用实数而不是概率来描述数据的方法来避免。
中文名
条件概率
外文名
Conditional probability
分    类
数学
表    示
P（A|B）
计    算
决策树
定    理
贝叶斯公式

目录

  1. 1 基本概念
  2. 2 基本定理
  1. 3 统计独立性
  2. 4 互斥性
  1. 5 其它
  2. 6 著名谬论

条件概率基本概念

编辑 语音

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：P（A|B），读作“A在B发生的条件下发生的概率”。若只有两个事件A，B，那么，

。

概率测度
如果事件 B 的概率 P(B) > 0，那么 Q(A) = P(A | B) 在所有事件 A 上所定义的函数 Q 就是概率测度。 如果 P(B) = 0，P(A | B) 没有定义。 条件概率可以用决策树进行计算。 [1]
联合概率
表示两个事件共同发生的概率。A与B的联合概率表示为 P(AB) 或者P(A,B),或者P(A∩B)。 [2]
边缘概率
是某个事件发生的概率，而与其它事件无关。边缘概率是这样得到的：在联合概率中，把最终结果中不需要的那些事件合并成其事件的全概率而消失（对离散随机变量用求和得全概率，对连续随机变量用积分得全概率）。这称为边缘化（marginalization）。A的边缘概率表示为P(A)，B的边缘概率表示为P(B)。
条件概率公式

需要注意的是，在这些定义中A与B之间不一定有因果或者时间顺序关系。A可能会先于B发生，也可能相反，也可能二者同时发生。A可能会导致B的发生，也可能相反，也可能二者之间根本就没有因果关系。例如考虑一些可能是新的信息的概率条件性可以通过贝叶斯定理实现。 [3]

条件概率基本定理

编辑 语音

定理1
设A，B 是两个事件，且A不是不可能事件，则称

为在事件A发生的条件下，事件B发生的条件概率。一般地，

，且它满足以下三条件：

（1）非负性；（2）规范性；（3）可列可加性。
定理2
设E 为随机试验，Ω 为样本空间，A，B 为任意两个事件，设P(A)>0，称

为在“事件A 发生”的条件下事件B 的条件概率。

上述乘法公式可推广到任意有穷多个事件时的情况。
设

，

，…

为任意n 个事件（n≥2）且

，则

定理3(全概率公式)
定义：（完备事件组/样本空间的划分）
设B1，B2，…Bn是一组事件,若
（1）

（2）B1∪B2∪…∪Bn=Ω
则称B1，B2，…Bn样本空间Ω的一个划分，或称为样本空间Ω 的一个完备事件组。
定理（全概率公式）：
设事件组

是样本空间Ω 的一个划分，且P（Bi）>0（i=1，2，…n）

则对任一事件B，有

定理4(贝叶斯公式)
设B1，B2，…Bn…是一完备事件组，则对任一事件A，P（A）>0，有

条件概率统计独立性

编辑 语音

当且仅当两个随机事件A与B满足
P(A∩B)=P(A)P(B)
的时候，它们才是统计独立的，这样联合概率可以表示为各自概率的简单乘积。
同样，对于两个独立事件A与B有
P(A|B)=P(A)
以及
P(B|A)=P(B)
换句话说，如果A与B是相互独立的，那么A在B这个前提下的条件概率就是A自身的概率；同样，B在A的前提下的条件概率就是B自身的概率。

条件概率互斥性

编辑 语音

当且仅当A与B满足
P(A∩B)=0
且P(A)≠0，P(B)≠0
的时候，A与B是互斥的。
因此，
P(A|B)=0
P(B|A)=0
换句话说，如果B已经发生，由于A不能和B在同一场合下发生，那么A发生的概率为零；同样，如果A已经发生，那么B发生的概率为零。

条件概率其它

编辑 语音

如果事件B的概率，P(B)>0
那么Q(A)=P(A|B)在所有事件A上所定义的函数Q就是概率测度。
如果P(B)=0，P(A|B)没有定义。

条件概率著名谬论

编辑 语音

条件概率的谬论是假设 P(A|B) 大致等于 P(B|A)。数学家John Allen Paulos 在他的《数学盲》一书中指出医生、律师以及其他受过很好教育的非统计学家经常会犯这样的错误。这种错误可以通过用实数而不是概率来描述数据的方法来避免。
P(A|B) 与 P(B|A)的关系如下所示：
P(B|A)=P(A|B)P(B)/P(A)
下面是一个虚构但现实的例子，P(A|B) 与 P(B|A)的差距可能令人惊讶，同时也相当明显。
若想分辨某些个体是否有重大疾病，以便早期治疗，我们可能会对一大群人进行检验。虽然其益处明显可见，但同时，检验行为有一个地方引起争议，就是有检出假阳性的结果的可能：若有个未得疾病的人，却在初检时被误检为得病，他可能会感到苦恼烦闷，一直持续到更详细的检测显示他并未得病为止。而且就算在告知他其实是健康的人后，也可能因此对他的人生有负面影响。
这个问题的重要性，最适合用条件机率的观点来解释。
假设人群中有1%的人罹患此疾病，而其他人是健康的。我们随机选出任一个体，并将患病以disease、健康以well表示：
P(disease) = 1% = 0.01 and P(well) = 99% = 0.99. 假设检验动作实施在未患病的人身上时，有1%的机率其结果为假阳性（阳性以positive表示）。意即：
P(positive | well) = 1%，而且P(negative | well) = 99%. 最后，假设检验动作实施在患病的人身上时，有1%的机率其结果为假阴性（阴性以negative表示）。意即：
P(negative | disease) = 1%且P(positive | disease) = 99%。由计算可知：P(negative | well) = 99%
是整群人中健康、且测定为阴性者的比率。
P(positive|disease) = 99% 是整群人中得病、且测定为阳性者的比率。
是整群人中被测定为假阳性者的比率。
是整群人中被测定为假阴性者的比率。
进一步得出：
是整群人中被测出为阳性者的比率。
P(disease|positive) = 50% 是某人被测出为阳性时，实际上真的得了病的机率。
这个例子里面，我们很轻易可以看出 P(positive|disease)=99% 与 P(disease|positive)=50% 的差距：前者是你得了病，而被检出为阳性的条件机率；后者是你被检出为阳性，而你实际上真得了病的条件机率。由我们在本例中所选的数字，最终结果可能令人难以接受：被测定为阳性者，其中的半数实际上是假阳性。 [4]
词条图册 更多图册
概述图册(1)

参考资料
  • 1.    （美）别林斯里（Billingsley，P.）．概率与测度(第3版)：世界图书出版公司，2007-05-01
  • 2.    联合概率  ．中国知网[引用日期2013-07-19]
  • 3.    边缘概率  ．中国知网[引用日期2013-07-18]
  • 4.    约翰·艾伦·保罗斯（John Allen Paulos）．数学盲：Hill&WangPub，2001年9月

条件概率与贝叶斯公式相关推荐

  1. 070103_条件概率与贝叶斯公式，独立性

    一.条件概率的计算 一直某个时间A发生的条件下,另一个事件B发生的概率称为条件概率,记为P(B|A) p(B|A)=P(AB)/P(A) 条件概率也符合概率定义的三个条件. 游戏[汽车与山羊] 二.乘 ...

  2. 古典概型，条件概率，贝叶斯公式

    概率的定义,性质 定义 设 EEE 是随机试验,SSS 是它的样本空间.    对于 EEE 的每一个事件 AAA 赋予一个实数,记为 P(A)P(A)P(A),称为事件 AAA 的概率.    如果 ...

  3. 终于有人把条件概率和贝叶斯公式讲明白了

    导读:本文将从条件概率入手,介绍事件之间独立性的相关概念,然后引出全概率公式和贝叶斯公式的基本内容,带领读者通过概率的视角初步认知现实世界. 作者:张雨萌 来源:大数据DT(ID:hzdashuju) ...

  4. 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. 朴素贝叶斯（Naive Bayes），联合概率，条件概率，先验概率，后验概率

    目录 联合概率: 条件概率(条件概率,又叫似然概率): 先验概率: 后验概率: 贝叶斯公式: 主要公式推导 联合概率: 包含多个条件,且所有条件同时成立的概率 a 条件概率(条件概率,又叫似然概率): ...

  6. 人工智能高薪的背后……

    随着人工智能近几年的大火,来咨询人工智能如何学习的小伙伴特别多,小编给大家简单的介绍一下,并且特意准备了一套人工智能学习资料,希望可以帮助到大家. 人工智能是什么? 人工智能(Artificial I ...

  7. 第九课.朴素贝叶斯分类器

    目录 朴素贝叶斯算法原理 朴素贝叶斯参数估计 极大似然估计 贝叶斯估计 朴素贝叶斯算法流程 实验:Numpy实现朴素贝叶斯分类器 朴素贝叶斯算法原理 若P(X)P(X)P(X)表示事件XXX发生的概率 ...

  8. 「AI白身境」入行AI需要什么数学基础：左手矩阵论，右手微积分

    https://www.toutiao.com/a6694018168718885390/ 今天是新专栏<AI白身境>的第九篇,所谓白身,就是什么都不会,还没有进入角色. 咱们这个系列接近 ...

  9. N-gram统计语言模型(总结)

    N-gram统计语言模型 1.统计语言模型 自然语言从它产生開始,逐渐演变成一种上下文相关的信息表达和传递的方式.因此让计算机处理自然语言.一个主要的问题就是为自然语言这样的上下文相关特性建立数学模型 ...

  10. UA MATH564 概率论I 离散型随机变量

    UA MATH564 概率论I 离散型随机变量 古典概型 排列数与组合数 二项式定理,负二项式定理与多项式定理 第二类Stirling数 独立性与条件概率 全概率公式 贝叶斯公式 Bernoulli试 ...

最新文章

  1. python使用matplotlib可视化雷达图(polar函数可视化雷达图、极坐标图、通过径向方向来显示数据之间的关系)
  2. python 语料标注_在python中怎么标记文本？
  3. VTK：图表之VertexSize
  4. 常见跨域解决方案以及Ocelot 跨域配置
  5. 【渝粤教育】电大中专电商运营实操 (15)作业 题库
  6. Office Web Apps安装部署(二)
  7. hive开启kerberos-beeline连接
  8. mysql编译方式查询_源码编译mysql及其各种查询总结
  9. vue-cli搭建项目引入jquery和jquery-weui步骤详解
  10. 如何批量将 Txt 文本文档转换为 docx 格式的 Word 文档
  11. 史上最详细Oracle 10g安装教程
  12. 设置360极速浏览器的模式默认为极速模式
  13. 域远程管理计算机,远程控制局域网电脑 图解局域网怎么远程控制
  14. springboot实现数据库数据导出生成Excel报表
  15. Windows安装最新版Pygame
  16. 思科模拟器 --- 路由器RIP动态路由配置
  17. NAND flash基本概念整理
  18. Vue3 第二十二篇：双向绑定样式style
  19. 网络命令——traceroute、tracert（windows）
  20. 点滴：python数据集的文本标签转换成数值

热门文章

  1. Vue的diff算法原理是什么？
  2. html 页面北京怎么设置,怎么给html设置背景色
  3. win7如何设置通电自动开机_win7系统设置自动开机
  4. 现代新赛道（现代教育）高考日语主编董文彦
  5. word 左侧显示目录
  6. 计算机磁盘100,18个方法解决电脑磁盘占用100%
  7. 服务器上qq打不开网页,能上qq打不开网页的解决方法
  8. 基于 NIOSII 软核的流水灯实验
  9. 【STC单片机学习】第九课：单片机按键使用
  10. 【无标题】123123123