概率图模型-原理与技术 第二章 基础知识 学习笔记

概率图模型-原理与技术 第二章 基础知识 学习笔记

概率图模型-原理与技术 总目录


    本章主要回顾了概率论与图论的基础知识,是后面学习的基石。

1.概率论

1.1 空间与事件

形式上,假定存在一个可能结果的约定空间来定义事件,空间用 Ω 表示,事件集合用S表示,代表着所有可能的事件。
比如掷色子,可能出现1,2,3,4,5,6。那么空间 Ω 就可以表示成{1,2,3,4,5,6}。
事件集合S中任何一个事件都是 Ω 的子集:
事件1:抛出的结果是1,即α={1} αSΩ
事件2:抛出的结果奇数,即 β={1,3,5} βSΩ
特别的,还有平凡事件 Ω

事件空间满足的三个性质:
1. ΩSS

2.如果 αSβS ,那么 αβS
如上例1,2 αβ={1}S

3.如果 αS ,那么 ΩαS
如上例2, βS ,那么 Ωβ={2,4,6}S ,即事件抛出的结果偶数。

1.2 概率与分布

事件 α 的概率 P(α) 量化了事件 α 发生的可信度,当 P(α)=1 时,可以确定事件 α 中总有一个结果会发生,但如果 P(α)=0 ,就认为 α 中的所有结果都不会发生。

定义在事件空间 (Ω,S) 的概率分布是事件集合S到实数R上的一个映射,且满足:
1.对所有 αSP(α)0
概率为0就已经表示一定不会发生,所以概率为负数没有意义。

2. P(Ω)=1
平凡事件包括了所有可能的结果,其中有且只有一个必然会发生,所以概率为1。

3.如果 α,βS αβ= ,那么 P(αβ)=P(α)+P(β)
一般情况下 P(αβ)=P(α)+P(β)+P(αβ) ,由于 P(αβ)=P()=0 ,所以写成上式。

假设色子是均匀的,即抛出1-6的可能性是相同的,上述性质如下表:

事件描述概率解释
{1} α 1/6包含6种中的1种可能
{3,5} β 1/3包含6种中的2种可能
{1,2,3,4,5,6}Ω1包含所有可能,必然发生其中一种
{} 0不包含任何可能,永远不会发生
{1,3,5} αβ 1/2包含6种中的3种可能

1.3 条件概率与贝叶斯法则

条件概率考虑两个事件的相关性,如果一个事件已经发生了,那么是否会改变另一个事件发生的概率呢?
用一个实例来解释一下,比如黑盒子中有3个球,两个黑球一个白球,采用 的方式摸球。
事件:第一次摸出黑球。
事件 β :第二次摸出黑球。

那么:
P(α)=23
P(β)=2312+1322=23
事件 αβ :第一次摸出黑球且第二次也摸出黑球
P(αβ)=2312=13

下面的问题是,如果已知第一次摸出的是黑球,那么第二次摸出黑球的概率是多少?
即事件 β|α :已知第一次摸出的是黑球,第二次摸出黑球\
依常识老分析,既然已知第一次摸的是黑球,那么可以假设袋子中只有一个黑球和一个白球,那么从袋子中摸出黑球的概率就应该是 12

考虑如下表:

事件第一次第二次概率
10
2 1/3
3 1/3
4 1/3

当已知第一次摸出黑球,对应着上表事件3、4,此时第二次摸出黑球,对应事件4,那么此时的条件概率应该就是 P(β|α)=P(4)P(3)+P(4)=P(αβ)P(α)=12

条件概率也满足概率的三点性质,具体看习题2.4

可以看出,如果一个事件已经发生,是有可能影响另一个事件发生的概率的。

由条件概率公式可以得到
P(αβ)=P(β|α)P(α)
交换事件的位置
P(αβ)=P(α|β)P(β)

由此推出贝叶斯规则
P(α|β)=P(β|α)P(α)P(β)
贝叶斯规则的重点在已知某条件概率 P(β|α) 可以推出它的逆条件概率P(\alpha | \beta)。
这里书上的例子十分清楚,即讲述了计算方法,也解释了逆条件概率可能包涵的意义。

1.4 随机变量

上面讨论概率时都是用的事件,但是用事件描述时十分麻烦,每个事件都需要一个符号。如果用一种泛化的表示,在表示时不再去注重具体值,而是某一种属性,这样会使得描述时更加简洁,这就是随机变量。

考虑上面的例子,用随机变量X表示第一次摸出球的颜色,随机变量Y表示第一次摸出球的颜色。
那么当X=黑球时,代表着第一次摸出了黑球,Y=黑球时,代表着第二次摸出了黑球。
此时用X,Y两个符号就能描述摸两次球的所有可能事件。

1.4.1 随机变量的联合分布

很多情况下,我们对多个随机变量同时的取值有兴趣,这个时候就要用到联合分布。
如上例随机变量X,Y的联合分布

联合分布X=黑球X=白球P(Y)
Y=黑球1/31/32/3
Y=白球1/301/3
P(X)2/31/3

其中我们对每一行求和来计算Y的边缘分布,对每一列求和来计算X的边缘分布。
当给出联合分布时,可以直接查出所有随机变量在任何取值下的概率,但是由于联合分布表太大,一般情况分布表不会以全部属性的联合分布给出。

1.4.2 随机变量的条件分布

和事件的条件概率一样,随机变量也有条件分布,即在某一些随机变量在特定取值时,其他随机变量的概率分布。
条件分布公式 P(X|Y)=P(X,Y)P(Y)

条件分布X=黑球(条件)X=白球(条件)
Y=黑球1/21
Y=白球1/20

这里与事件不同的是,随机变量用P(X,Y)来表示联合分布,而事件用 P(αβ) 来表示两个事件同时发生。

1.5 独立性

如果一个事件(随机变量)的发生对另一个事件(随机变量)发生概率不产生影响,则认为这两个事件(随机变量)相互独立。
对于事件 P(α|β)=P(α) ,事件 α β 独立。
对于随机变量 P(X|Y)=P(X) ,随机变量X与Y独立。

独立是一个很有用的性质,但是现实中很少碰见独立的事件。更普遍的情况是,在给定额外的事件时,两个事件相互独立,即事件(随机变量)的条件独立。

随机变量条件独立的几点性质

这里写图片描述

具体描述见习题2.7

2 图

2.1 有向与无向

图由节点和边组成,每条边连接着两个节点,记作 κ{χ,ε} 。边可能有方向。也可能没方向,如果一个图包含有向的边,那么这个图就是有向图,否则就是无向图。

一个图的例子

这里写图片描述

2.2 子图与团

对任意的 Xχ ε 表示对任意 x,yX 的所有边,那么 κ{X,ε} κ{χ,ε} 在X上的导出子图。

如果X中任意两个节点都有一条边,则称X上的子图为完全子图。集合X称为团;对于节点的任意超集 YX ,如果Y不是团,那么X称为一个极大团。
若团中节点个数为n个,那么边数应该是 C2n

2.3 路径与迹

在考虑边的方向时(仅能沿着有向边方向和无向边移动),如果一个节点X能沿着边到达节点Y,则称X到Y经过的所有节点的顺序为一条路径。
在不考虑边的方向时,如果一个节点X能沿着边到达节点Y,则称X到Y经过的所有节点的顺序为一条迹。
所以路径一定是一条迹,但迹不一定是路径。

如果一条路径的首尾节点是相同的,则说明图中有圈,如果图不包含圈,那么这个图是一个无圈图。
一个包含有向边和无向边的无圈图叫做部分有向无圈图,部分有向无圈图的具体介绍在习题2.23

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值