概率基础

概率

 

定义

假设随机试验E的空间样本为S,如果对于每一个S中的事件A都有一个实数P(A)与之对应,且满足以下3条公理,则称实数P(A)为事件A的概率。

公理1 

P(A)0

 

公理2 

P(S)=1

 

公理3 若事件A1A2A3...An...互不相容,则 

P(A1+A2+A3+...+An+...)

 

=P(A1)+P(A2)+P(A3)+...+P(An)+...

 

由以上3条公理可得出如下3条推论:

推论1 

P(Ø)=0

 

推论2 
若事件A1A2A3...An互不相容,则 

P(A1+A2+A3+...+An)=P(A1)+P(A2)+P(A3)+...+P(An)

 

推论3 

0P(A)1

 

注意推论2与公理3的不同,把公理3从无穷推广到有穷。

 

条件概率

 

定义

设A和B为任意两个事件,且有P(B)>0,则称P(AB)P(B)为事件A在事件B发生条件下的条件概率 

P(A|B)=P(AB)P(B)

 

 

定理

 
定理1(满足公理)

条件概率满足概率的3个公理:

  1. P(A|B)=P(AB)P(B)0

  2. P(S|B)=P(SB)P(B)=P(B)P(B)=1

  3. A1A2...An...互不相容,则A1BA2B...AnB...也互不相容,所以有 

    P((A1+A2+...+An+...)|B)

    =P(A1B+A2B+...+AnB+...)P(B)

    =P(A1|B)+P(A1|B)+...+P(An|B)+...
 
定理2(乘法定理)

 

P(A)P(B|A)=P(AB)=P(B)P(A|B)

 

 
定理3(乘法定理推广)

假设A1A2A3...An为n个事件,并且P(A1A2A3...An1)>0,则有 

P(A1A2A3...An)=P(A1)P(A2|A1)P(A3|A1A2)...P(An|A1A2A3...An1)

转载于:https://www.cnblogs.com/rcgn/p/4451977.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
目标检测(Object Detection)是计算机视觉领域的一个核心问题,其主要任务是找出图像中所有感兴趣的目标(物体),并确定它们的类别和位置。以下是对目标检测的详细阐述: 一、基本概念 目标检测的任务是解决“在哪里?是什么?”的问题,即定位出图像中目标的位置并识别出目标的类别。由于各类物体具有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具挑战性的任务之一。 二、核心问题 目标检测涉及以下几个核心问题: 分类问题:判断图像中的目标属于哪个类别。 定位问题:确定目标在图像中的具体位置。 大小问题:目标可能具有不同的大小。 形状问题:目标可能具有不同的形状。 三、算法分类 基于深度学习的目标检测算法主要分为两大类: Two-stage算法:先进行区域生成(Region Proposal),生成有可能包含待检物体的预选框(Region Proposal),再通过卷积神经网络进行样本分类。常见的Two-stage算法包括R-CNN、Fast R-CNN、Faster R-CNN等。 One-stage算法:不用生成区域提议,直接在网络中提取特征来预测物体分类和位置。常见的One-stage算法包括YOLO系列(YOLOv1、YOLOv2、YOLOv3、YOLOv4、YOLOv5等)、SSD和RetinaNet等。 四、算法原理 以YOLO系列为例,YOLO将目标检测视为回归问题,将输入图像一次性划分为多个区域,直接在输出层预测边界框和类别概率。YOLO采用卷积网络来提取特征,使用全连接层来得到预测值。其网络结构通常包含多个卷积层和全连接层,通过卷积层提取图像特征,通过全连接层输出预测结果。 五、应用领域 目标检测技术已经广泛应用于各个领域,为人们的生活带来了极大的便利。以下是一些主要的应用领域: 安全监控:在商场、银行
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