事件间的条件独立(三个事件之间)条件弱于两个事件间的独立。
条件有时为不独立的事件之间带来独立(gain independence),有时也会把本来独立的事件,因为此条件的存在,而失去独立性(lose independence),如下(本身, P(XY)=P(X)P(Y) P ( X Y ) = P ( X ) P ( Y ) ,二者独立);
P(X,Y∣∣C)≠P(X|C)P(Y|C) P ( X , Y | C ) ≠ P ( X | C ) P ( Y | C )
事件独立时,联合概率等于概率的乘积。这是一个非常好的数学性质,然而不幸的是,无条件的独立是十分稀少的,因为大部分情况下,事件之间都是互相影响的。然而,通常这种影响又往往依赖于其他变量而不是直接产生。由此我们引入条件独立(conditional independent,CI)。给定 Z Z 下, 与 Y Y 是条件独立的当且仅当:
也即 X X 与 的依赖关系借由 Z Z 产生。
例如,定义如下事件:
- :明天下雨;
- Y Y :今天的地面是湿的;
- :今天是否下雨;
Z Z 事件的成立,对 和 Y Y 均有影响,然而,在 事件成立的前提下,今天的地面情况对明天是否下雨没有影响。
1. 相关证明
X⊥Y|Z⇔p(x,y|z)=h(x,z)⋅g(y,z) X ⊥ Y | Z ⇔ p ( x , y | z ) = h ( x , z ) ⋅ g ( y , z )等式两边同时对 x x 积分(对称地,对 进行积分):
⎧⎩⎨p(y|z)⋅1h(z)=g(y,z)p(x|z)⋅1g(z)=h(x,z) { p ( y | z ) ⋅ 1 h ( z ) = g ( y , z ) p ( x | z ) ⋅ 1 g ( z ) = h ( x , z )两式相乘 h(x,z)⋅g(y,z)=p(y|z)⋅1h(z)⋅p(x|z)⋅1g(z) h ( x , z ) ⋅ g ( y , z ) = p ( y | z ) ⋅ 1 h ( z ) ⋅ p ( x | z ) ⋅ 1 g ( z ) ,又由题设可知, h(x,z)⋅g(y,z)=p(x,y|z) h ( x , z ) ⋅ g ( y , z ) = p ( x , y | z ) ,因此,
p(x,y|z)=p(y|z)⋅1h(z)⋅p(x|z)⋅1g(z) p ( x , y | z ) = p ( y | z ) ⋅ 1 h ( z ) ⋅ p ( x | z ) ⋅ 1 g ( z )等式两边同时对 x,y x , y 进行积分,则可得:
1h(z)1g(z)=1 1 h ( z ) 1 g ( z ) = 1
因此等式成立。2. 离散型随机变量独立性的判断
P(A,B)=P(A)⋅P(B) P ( A , B ) = P ( A ) ⋅ P ( B )独立性的判断即是判断上述等式是否成立。
两随机变量的联合概率分布以及各个概率分布(marginalized):
由此可知, P(i0,d0)=P(i0)⋅P(d0),… P ( i 0 , d 0 ) = P ( i 0 ) ⋅ P ( d 0 ) , … ,可知事件彼此独立。
3. 条件独立举例
比如两枚硬币,一枚均匀(fair),一枚(biased,0.9 的概率为正,0.1 的概率为反面)。做如下操作,首先随机选择一枚硬币,然后投掷两次(tosses),现定义如下三个随机变量:
- C C :随机选择一枚硬币;
- :第一次投掷的正反面情况;
- X2 X 2 :第二次投掷的正反面情况;
考虑现在做第一次投掷, X1 X 1 ,如果为正面,则第二次投掷为正面的概率。如果知道选中的是哪一种硬币,显然第二次投掷与第一次投掷彼此是独立的。因此, P⊨(X1⊥X2∣∣C) P ⊨ ( X 1 ⊥ X 2 | C )
4. 条件独立与马尔科夫性
-
P(AB|C)=P(A|C)P(B|C)
P
(
A
B
|
C
)
=
P
(
A
|
C
)
P
(
B
|
C
)
⇒
- P(B|AC)=P(B|C) P ( B | A C ) = P ( B | C ) ,条件中有 C,则 B 的出现不受 A 的影响。
- P(A|BC)=P(A|C) P ( A | B C ) = P ( A | C )
- C:事件表示现在;A:事件表示过去;B:事件表示未来;
- 这样在条件独立的前提下, P(B|AC)=P(B|C) P ( B | A C ) = P ( B | C ) 未来发生的概率只有现在有关,而与过去无关;