不确定性
不确定性可以表示为多个事件以及每个事件发生的可能性或概率。
可能的世界
可以将所有可能的情况视为·一个世界,用小写的希腊字母ω表示。
概率公理
· 0 <P(ω)<1:每个表示概率的值都必须在0到1之间。
o 零是不可能的事件,例如滚动标准骰子并获得7。
o 一个是肯定会发生的事件,例如滚动标准模具并获得小于10的值。
o 通常,值越高,事件发生的可能性就越大。
· 每个可能事件的概率加起来等于1。
无条件概率
无条件概率是在没有任何其他证据的情况下对命题的信任程度。到目前为止,我们提出的所有问题都是无条件概率的问题,因为掷骰的结果并不取决于先前的事件。
条件概率
条件概率是在给定一些证据已经被揭示的情况下对一个命题的信任程度。如引言中所述,人工智能可以使用部分信息来对未来进行有根据的猜测。要使用此信息,该信息会影响事件在将来发生的概率,我们依靠条件概率。
条件概率是使用下面的符号表示:P(A | B),意思是“大概率事件一发生因为我们知道事件b已经发生”,或者,更简洁,“概率一个给定的b。”
在数学上,有条件概率
随机变量
随机变量是概率论中的变量,具有可能取值的范围。例如,为了表示滚动模具时可能的结果,我们可以定义一个随机变量Roll,其值可以为{ 0*,1,2,3,4,5,*6 }。为了表示航班状态,我们可以定义一个变量Flight,该变量采用{ 准时,延迟,取消}值。
通常,我们会对每个值出现的概率感兴趣。我们用概率分布来表示。例如,
· P(飞行*=*准点)= 0.6
· P(飞行*=*延迟)= 0.3
· P(航班*=*取消)= 0.1
要用单词解释概率分布,这意味着航班准点率有60%,航班准点率有30%,而航班取消则有10%。请注意,如前所示,所有可能结果的概率之和为1。
概率分布可以更简洁地表示为向量。例如,P(Flight)= < 0.6*,0.3,*0.1 >。为了使这种表示法易于解释,值具有固定的顺序(在我们的情况下,准时,延迟,取消)。
独立
独立是一种事件的发生不会影响另一事件发生的可能性的知识。例如,滚动两个骰子时,每个骰子的结果彼此独立。使用第一个骰子滚动4不会影响我们滚动的第二个骰子的值。这与依赖事件相反,例如早晨有云,下午有雨。如果早晨多云,则早上可能下雨,因此这些事件取决于情况。
独立性可以用数学定义:事件a和b是独立的,当且仅当a和b的概率等于a的概率乘以b的概率:P(a∧b)= P(a)P(b) 。
贝叶斯法则
贝叶斯规则在概率论中通常用于计算条件概率。在词语,贝叶斯规则说的概率b给出一个等于的概率一个给定的b,倍的概率b,通过的概率除以