条件概率,乘法公式,全概率公式及贝叶斯公式的推导

条件概率,乘法公式,全概率公式及贝叶斯公式的推导


更多博客内容访问只爱吃火龙果,点击了解详情

条件概率

条件概率是指事件A在另外一个事件B已经发生条件下的发生概率。条件概率表示为: P ( A ∣ B ) P(A\mid B ) P(AB),读作“在B的条件下A发生的概率”
条件概率公式为:
P ( A ∣ B ) = P ( A B ) P ( B ) P(A\mid B) = \frac{P(AB)}{P(B)} P(AB)=P(B)P(AB)
同理可得出在A条件下B发生的概率为
P ( B ∣ A ) = P ( A B ) P ( A ) P(B\mid A) = \frac{P(AB)}{P(A)} P(BA)=P(A)P(AB)

乘法公式

1.由上面的条件概率公式得:
P ( A B ) = P ( A ∣ B ) ∗ P ( B ) = P ( B ∣ A ) ∗ P ( A ) P(AB) = P(A \mid B) * P(B)=P(B \mid A ) * P(A) P(AB)=P(AB)P(B)=P(BA)P(A)

全概率公式

如果事件组B1,B2,… 满足

  • B1,B2…两两互斥,即 Bi ∩ Bj = ∅ ,i≠j , i,j=1,2,…,且P(Bi)>0,i=1,2,…;
  • B1∪B2∪…=Ω ,则称事件组 B1,B2,…是样本空间Ω的一个划分,也称B为完备事件组
    设 B1,B2,…是样本空间Ω的一个划分,A为任一事件,则:
    P ( A ) = ∑ i = 1 ∞ P ( B i ) P ( A ∣ B i ) P(A)= \sum\limits_{i=1}^\infty {P(B_i)}{P(A\mid B _i)} P(A)=i=1P(Bi)P(ABi)
    因为 P ( A ) = P ( A Ω ) = P ( A ( B 1 + B 2 + B 3 + . . . ) ) P(A) = P(A\Omega)=P(A(B_1+B_2+B_3+...)) P(A)=P(AΩ)=P(A(B1+B2+B3+...))
    又因为 B i B_i Bi之间互斥,所以 P ( A ) = P ( A B 1 ) + P ( A B 2 ) + P ( A B 3 ) + . . . P(A)=P(AB_1)+P(AB_2)+P(AB_3)+... P(A)=P(AB1)+P(AB2)+P(AB3)+...
    根据上面的乘法公式我们可以得到:
    P ( A B 1 ) = P ( B 1 ) ∗ P ( A ∣ B 1 ) P(AB_1)=P(B_1)*P(A\mid B_1) P(AB1)=P(B1)P(AB1)
    P ( A B 2 ) = P ( B 2 ) ∗ P ( A ∣ B 2 ) P(AB_2)=P(B_2)*P(A\mid B_2) P(AB2)=P(B2)P(AB2)
    P ( A B 3 ) = P ( B 3 ) ∗ P ( A ∣ B 3 ) P(AB_3)=P(B_3)*P(A\mid B_3) P(AB3)=P(B3)P(AB3)
    由此可得 = P ( A Ω ) = P ( A ) = ∑ i = 1 ∞ P ( B i ) P ( A ∣ B i ) = P(A \Omega)=P(A)= \sum\limits_{i=1}^\infty {P(B_i)}{P(A\mid B _i)} =P(AΩ)=P(A)=i=1P(Bi)P(ABi)

贝叶斯公式

P ( B i ∣ A ) = P ( A ∣ B i ) ∗ P ( B i ) ∑ j = 1 ∞ P ( B j ) P ( A ∣ B j ) P(B_i\mid A)= \frac{P(A\mid B_i) * P(B_i)}{\sum\limits_{j=1}^\infty{P(B_j)}{P(A\mid B_j)}} P(BiA)=j=1P(Bj)P(ABj)P(ABi)P(Bi)

推导过程

  • 利用条件概率公式得到
    P ( B i ∣ A ) = P ( A B i ) P ( A ) P(B_i\mid A)=\frac{P(AB_i)}{P(A)} P(BiA)=P(A)P(ABi)
  • 利用乘法公式得到变形 P ( A B i ) = P ( A ∣ B i ) ∗ P ( B i ) P(AB_i) = P(A \mid B_i) * P(B_i) P(ABi)=P(ABi)P(Bi)
    即:
    P ( B i ∣ A ) = P ( A ∣ B i ) ∗ P ( B i ) P ( A ) P(B_i\mid A)=\frac{P(A\mid B_i)*P(B_i)}{P(A)} P(BiA)=P(A)P(ABi)P(Bi)
  • 再利用全概率公式 P ( A Ω ) = P ( A ) = ∑ j = 1 ∞ P ( B j ) P ( A ∣ B j ) P(A\Omega)=P(A)= \sum\limits_{j=1}^\infty {P(B_j)}{P(A\mid B _j)} P(AΩ)=P(A)=j=1P(Bj)P(ABj)
    即:
    P ( B i ∣ A ) = P ( A ∣ B i ) ∗ P ( B i ) ∑ j = 1 ∞ P ( B j ) P ( A ∣ B j ) P(B_i\mid A)= \frac{P(A\mid B_i) * P(B_i)}{\sum\limits_{j=1}^\infty{P(B_j)}{P(A\mid B_j)}} P(BiA)=j=1P(Bj)P(ABj)P(ABi)P(Bi)
  • 10
    点赞
  • 29
    收藏
    觉得还不错? 一键收藏
  • 1
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
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