机器学习|全概率公式和贝叶斯公式及其关系(由原因推结果和由结果推原因)|20mins入门|概统学习笔记(十五)

全概率公式和贝叶斯公式

  • 两者实质:是加法公式和乘法公式的综合运用

    • 加法公式 P ( A + B ) = P ( A ) + P ( B ) P(A+B)=P(A)+P(B) P(A+B)=P(A)+P(B),A、B互斥

    • 乘法公式 P ( A B ) = P ( A ) P ( B ∣ A ) ,   P ( A ) > 0 P(AB)=P(A)P(B|A),\space P(A)>0 P(AB)=P(A)P(BA), P(A)>0

1. 全概率公式-”由原因推结果“

  • 定义:设 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An是两两互斥的事件,且 P ( A i ) > 0 ,   i = 1 , 2 , . . . , n P(A_i)>0,\space i=1,2,...,n P(Ai)>0, i=1,2,...,n,另有一事件B,它总是与 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An之一同时发生,则
    P ( B ) = ∑ i = 1 n P ( A i ) P ( B ∣ A i ) P(B)=\sum_{i=1}^nP(A_i)P(B|A_i) P(B)=i=1nP(Ai)P(BAi)
    若S为随机试验的样本空间,有 ⋃ i = 1 n A i = S \bigcup_{i=1}^nA_i=S i=1nAi=S,则称满足上述条件的 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An为完备事件组。

  • 意义:在较复杂情况下直接计算 P ( B ) P(B) P(B)不易,但B总是伴随着某个 A i A_i Ai出现,适当地去构造这一组 A i A_i Ai往往可以简化计算

  • 新角度理解:某一事件B的发生有各种可能的原因 ( i = 1 , 2 , . . . . , n ) (i=1,2,....,n) (i=1,2,....,n),如果B是由原因 A i A_i Ai所引起,则B发生的概率是
    P ( B A i ) = P ( A i ) P ( B ∣ A i ) P(BA_i)=P(A_i)P(B|A_i) P(BAi)=P(Ai)P(BAi)
    每一原因都可能导致B发生,故B发生的概率是各原因引起B发生概率的总和,即全概率公式

    由此,可以形象地把全概率公式看成为”由原因推结果“,每个原因对结果的发生有一定的”作用“,即结果发生的可能性与各种原因的”作用“大小有关。而全概率表达了他们之间的关系

  • e.g

    有三个箱子,分别编号为 1, 2, 3,1 号箱装有 1 个红球 4 个白球,2 号箱装有 2 红 3 白球,3 号箱装有 3 红球. 某人从三箱中任取一箱,从中任意摸出一球,求取得红球的概率。

    解:记 A i = A_i= Ai={球取自i号箱}, i = 1 , 2 , 3 ; B = i=1,2,3;B= i=1,2,3;B={取得红球}

    B发生总是随着 A 1 , A 2 , A 3 A_1,A_2,A_3 A1,A2,A3之一同时发生,即 B = A 1 B + A 2 B + A 3 B B=A_1B+A_2B+A_3B B=A1B+A2B+A3B,且 A 1 B 、 A 2 B 、 A 3 B A_1B、A_2B、A_3B A1BA2BA3B两两互斥

    ∴ P ( B ) = P ( A 1 B ) + P ( A 2 B ) + P ( A 3 B ) = ∑ i = 1 3 P ( A i ) P ( B ∣ A I ) \therefore P(B)=P(A_1B)+P(A_2B)+P(A_3B)=\sum_{i=1}^3P(A_i)P(B|A_I) P(B)=P(A1B)+P(A2B)+P(A3B)=i=13P(Ai)P(BAI)

    代入数据得: P ( B ) = 8 15 P(B)=\frac{8}{15} P(B)=158

2. 贝叶斯公式-”已知结果求原因“

  • 定义:设 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An是两两互斥的事件,且 P ( A i ) > 0 , i = 1 , 2 , . . . , n P(A_i)>0,i=1,2,...,n P(Ai)>0,i=1,2,...,n另有一事件B,它总是与 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An之一同时发生,则
    P ( A i ∣ B ) = P ( A i ) P ( B ∣ A i ) ∑ j = 1 n P ( A j ) P ( B ∣ A j ) i = 1 , 2 , . . . , n P(A_i|B)=\frac{P(A_i)P(B|A_i)}{\sum_{j=1}^nP(A_j)P(B|A_j)} \quad i=1,2,...,n P(AiB)=j=1nP(Aj)P(BAj)P(Ai)P(BAi)i=1,2,...,n
    它是在观察到事件B已发生的条件下,寻找导致B发生的每个原因的概率。

    在贝叶斯公式中, P ( A i ) P(A_i) P(Ai) P ( A i ∣ B ) P(A_i|B) P(AiB)分别称为原因的验前概率和验后概率

    P ( A i ) ( i = 1 , 2 , . . . , n ) P(A_i)(i=1,2,...,n) P(Ai)(i=1,2,...,n)是在没有进一步信息(不知道事件B是否发生)的情况下,人们对诸事件发生可能性大小的认识。

    当有了新的信息(知道B发生),人们对诸事件发生可能性大小 P ( A i ∣ B ) P(A_i|B) P(AiB)有了新的估计

  • e.g

    有三个箱子,分别编号为 1, 2, 3,1 号箱装有 1 个红球 4 个白球,2 号箱装有 2 红 3 白球,3 号箱装有 3 红球. 某人从三箱中任取一箱,从中任意摸出一球,发现是红球,求该球是取自1号箱的概率。

    解:记 A i = A_i= Ai={球取自i号箱}, i = 1 , 2 , 3 ; B = i=1,2,3;B= i=1,2,3;B={取得红球}

    求: P ( A 1 ∣ B ) P(A_1|B) P(A1B)

    P ( A 1 ∣ B ) = P ( A 1 B ) P ( B ) = P ( A 1 ) P ( B ∣ A 1 ) ∑ k = 1 3 P ( A k ) P ( B ∣ A k ) P(A_1|B)=\frac{P(A_1B)}{P(B)}=\frac{P(A_1)P(B|A_1)}{\sum_{k=1}^3P(A_k)P(B|A_k)} P(A1B)=P(B)P(A1B)=k=13P(Ak)P(BAk)P(A1)P(BA1)

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
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