贝叶斯公式推导

贝叶斯定理用来描述两个条件概率之间的关系,比如 P(A|B) 和 P(B|A)。按照乘法法则:P(A∩B) = P(A)*P(B|A)=P(B)*P(A|B),可以立刻导出。如上公式也可变形为:P(B|A) = P(A|B)*P(B) / P(A)。










通常,事件A在事件B(发生)的条件下的概率,与事件B在事件A的条件下的概率是不一样的;然而,这两者是有确定的关系,贝叶


斯法则就是这种关系的陈述


全概率公式
由于后面要用到,所以除了条件概率以外,这里还要推导全概率公式。

假定样本空间S,是两个事件A与A'的和。






  • 1
    点赞
  • 3
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
贝叶斯网络是一种用图形模型表示随机变量之间依赖关系的方法。在贝叶斯网络中,每个节点表示一个随机变量,每条有向边表示变量之间的依赖关系。通过联合概率分布来描述所有节点之间的联合概率关系。在这个框架下,可以通过推导来得到多元贝叶斯公式。 假设有一个贝叶斯网络 G,包含 n 个节点 {X1, X2, ..., Xn}。每个节点 Xi 表示一个随机变量,取值范围为 Xi 的域。节点之间的有向边表示变量之间的依赖关系。假设节点 Xi 的父节点集合为 Pi,那么节点 Xi 的联合概率分布可以表示为: P(X1, X2, ..., Xn) = ∏i=1^n P(Xi | Pi) 多元贝叶斯公式可以用来计算在给定多个随机变量 X1, X2, ..., Xn 的条件下,目标变量 Y 出现的概率。假设节点 Y 的父节点集合为 PY,那么可以使用贝叶斯网络来表示这个问题: ``` X1 X2 ... Xn | | | v v v Y PY PY ``` 其中,有向边从 Xi 指向 Y,表示 Xi 对 Y 有影响,有向边从 PY 指向 Y,表示 PY 对 Y 有影响。 根据贝叶斯网络的定义,我们可以得到: P(Y, X1, X2, ..., Xn) = P(Y | X1, X2, ..., Xn) * P(X1, X2, ..., Xn) 将上述联合概率分布代入上式中,我们可以得到: P(Y, X1, X2, ..., Xn) = P(Y | X1, X2, ..., Xn) * ∏i=1^n P(Xi | Pi) 将上式变形,可以得到: P(Y | X1, X2, ..., Xn) = P(Y, X1, X2, ..., Xn) / P(X1, X2, ..., Xn) 将上式进一步展开,可以得到: P(Y | X1, X2, ..., Xn) = [P(Y | PY) * ∏j=1^k P(Pj | Y)] * ∏i=1^n P(Xi | Pi) 其中,k 表示节点 PY 的父节点个数,P(Pj | Y) 表示在给定 Y 的条件下节点 PY 的父节点 Pj 出现的概率。 这个公式就是多元贝叶斯公式贝叶斯网络中的推导结果。它可以用来计算在多个随机变量同时存在的情况下,目标变量 Y 出现的概率。
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