条件概率,乘法公式,全概率公式及贝叶斯公式的推导
条件概率,乘法公式,全概率公式及贝叶斯公式的推导
- 条件概率
- 乘法公式
- 全概率公式
- 贝叶斯公式
- 推导过程
条件概率
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)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(AB)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(AB)P(A)P(B\mid A) = \frac{P(AB)}{P(A)}P(B∣A)=P(A)P(AB)
乘法公式
1.由上面的条件概率公式得:
P(AB)=P(A∣B)∗P(B)=P(B∣A)∗P(A)P(AB) = P(A \mid B) * P(B)=P(B \mid A ) * P(A)P(AB)=P(A∣B)∗P(B)=P(B∣A)∗P(A)
全概率公式
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(Bi)P(A∣Bi)P(A)= \sum\limits_{i=1}^\infty {P(B_i)}{P(A\mid B _i)}P(A)=i=1∑∞P(Bi)P(A∣Bi)
因为P(A)=P(AΩ)=P(A(B1+B2+B3+...))P(A) = P(A\Omega)=P(A(B_1+B_2+B_3+...))P(A)=P(AΩ)=P(A(B1+B2+B3+...))
又因为BiB_iBi之间互斥,所以P(A)=P(AB1)+P(AB2)+P(AB3)+...P(A)=P(AB_1)+P(AB_2)+P(AB_3)+...P(A)=P(AB1)+P(AB2)+P(AB3)+...
根据上面的乘法公式我们可以得到:
P(AB1)=P(B1)∗P(A∣B1)P(AB_1)=P(B_1)*P(A\mid B_1)P(AB1)=P(B1)∗P(A∣B1)
P(AB2)=P(B2)∗P(A∣B2)P(AB_2)=P(B_2)*P(A\mid B_2)P(AB2)=P(B2)∗P(A∣B2)
P(AB3)=P(B3)∗P(A∣B3)P(AB_3)=P(B_3)*P(A\mid B_3)P(AB3)=P(B3)∗P(A∣B3)
由此可得=P(AΩ)=P(A)=∑i=1∞P(Bi)P(A∣Bi)= 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(Bi)P(A∣Bi)
贝叶斯公式
P(Bi∣A)=P(A∣Bi)∗P(Bi)∑j=1∞P(Bj)P(A∣Bj)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(Bi∣A)=j=1∑∞P(Bj)P(A∣Bj)P(A∣Bi)∗P(Bi)
推导过程
- 利用条件概率公式得到
P(Bi∣A)=P(ABi)P(A)P(B_i\mid A)=\frac{P(AB_i)}{P(A)}P(Bi∣A)=P(A)P(ABi) - 利用乘法公式得到变形 P(ABi)=P(A∣Bi)∗P(Bi)P(AB_i) = P(A \mid B_i) * P(B_i)P(ABi)=P(A∣Bi)∗P(Bi)
即:
P(Bi∣A)=P(A∣Bi)∗P(Bi)P(A)P(B_i\mid A)=\frac{P(A\mid B_i)*P(B_i)}{P(A)} P(Bi∣A)=P(A)P(A∣Bi)∗P(Bi) - 再利用全概率公式 P(AΩ)=P(A)=∑j=1∞P(Bj)P(A∣Bj)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(Bj)P(A∣Bj)
即:
P(Bi∣A)=P(A∣Bi)∗P(Bi)∑j=1∞P(Bj)P(A∣Bj)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(Bi∣A)=j=1∑∞P(Bj)P(A∣Bj)P(A∣Bi)∗P(Bi)
条件概率,乘法公式,全概率公式及贝叶斯公式的推导相关推荐
- 条件概率公式 || 乘法公式 || 全概率公式 || 【贝叶斯公式】
阅读目录 一.条件概率公式.乘法公式 二.全概率公式 三.贝叶斯公式(回顾) 四.练习 注:下述几个公式,理解时 可以"步步为营".这里对于本人来讲,是为了 回顾 贝叶斯公式. 一 ...
- 概率论与数理统计之条件概率乘法公式
1.条件概率 定义:设为样本空间,A,B为两个事件,,在B事件已经发生的前提下,A事件发生的概率,就是A对B的条件概率.记为: P(A)是无条件概率,则样本空间为全集 P(A|B)是条件概率,则样本空 ...
- 乘法公式全概率公式贝叶斯公式
- 全概率公式与贝叶斯公式-机器学习
转载自:点击打开链接 在概率论与数理统计中,有两个相当重要的公式--全概率公式与贝叶斯公式.然而很多人对这两个公式感到非常迷茫.一来不知道公式背后的意义所在,二来不知道这些冰冷的公式能有什么现实应用. ...
- 条件概率及与其有关的三个概率公式:乘法公式、全概率公式、贝叶斯公式
1.条件概率 设A.B为任意两个事件,若P(A)>0,称在已知事件A发生的条件下,事件B发生的概率为条件概率,记为P(B|A) 理解为:条件概率就是在附加了一定的条件之下所计算的概率,当我们说到 ...
- 条件概率,乘法公式、全概率公式、贝叶斯公式的解释(概率论)
条件概率 公式: 设A, B为任意两个事件,若P(A)>0,我们称在已知事件A发生的条件下,事件B发生的概率为条件概率,记为 P(B∣A)P(B|A)P(B∣A),并定义: P(B∣A)=P(A ...
- 条件概率,乘法公式,全概率公式,贝叶斯公式的关系
1. 条件概率 定义:条件概率是指在某事件B发生的条件下,求另一事件A的概率,记为P(A|B).它与P(A)是两类不同的概率. P(A∣B)=P(AB)P(B)P(A|B)=\frac{P(AB)}{ ...
- 关于条件概率公式,乘法公式,全概率公式,贝叶斯概率公式
参考: https://blog.csdn.net/qq_31073871/article/details/81077386 以下这四个公式的研究对象,都是"同一实验下的不同的结果集合&qu ...
- 联合概率密度,条件概率,乘法公式,求和公式,边缘分布,链式法则,贝叶斯公式...
联合概率密度 P(A^B) 条件概率 从面积比例看出,P(A|B)等于B中A的面积(P(A^B))除以B的面积(P(B)). 乘法公式(乘积法则) 假如事件A与B相互独立,那么: 相互独立:表示两个事 ...
最新文章
- Android 仿微信小视频录制
- 学习笔记(十四)——MySQL(CRUD)
- 李国杰(1943-),男,博士,中国工程院院士。
- 软件开发工程师证书有用吗_bim工程师证书有用吗
- C# 使用List泛型读取和保存文本文件(转载)
- 数据:DOGE近24小时交易额约为107.91亿美元
- JAVA程序打包成exe文件详细图解
- MS08067红队攻防第三期 今晚7点 不见不散~
- electron图标
- todos app简单编写(web)
- Datawhale组队学习周报(第025周)
- 【教3妹学java】JVM调优有哪些工具?
- 超百万人用它生成3D头像,这项技术刚刚中选了SIGGRAPH Asia 2022
- 【一点唐城】15个未来高科技产品会让你无法想象、这些开脑洞的设计太牛了
- xampp 64位 php5.2,XAMPP 64位
- Tikz 画图技巧二
- Mysql技术-innodb引擎-笔记
- k8s学习-kubectl命令常用选项详解与实战
- Blender:Lowpoly人物模型
- Blender:Lowpoly头部建模流程 第二部分(附blender源文件下载)