条件概率、概率乘法、全概率、贝叶斯公式

概率的几个公式

(1)条件概率:

在条件A发生的条件下,B发生的概率:

\large P(B\mid A) =\frac{P(AB)}{P(A)}

 

(2)概率乘法公式:

如果P(A) > 0,则 \large P(AB) = P(A)P(B\mid A) 

如果P(A_1...A_{n-1}) > 0,则  P(A_1A_2...A_n) = P(A_1)P(A_2\mid A_1)P(A_3\mid A_1A_2)... P(A_n\mid A_1...A_{n-1})

 

(3)全概率公式:

\large P(B) = \sum_{i=1}^{n}P(A_i)P(B\mid A_i)

全概率公式用于计算某个“结果”B发生的可能性大小。

 

(4)贝叶斯公式(又称逆概公式):

如果\bigcup_{i=1}^{n}A_i = \Omega ,\; A_iA_j= \varnothing,\; P(A_i) > 0则对任一事件B,只要 P(B) > 0 ,就有:

P(A_j\mid B) = \frac{P(A_j)P(B\mid A_j)}{\sum_{i=1}^{n}P(A_i)P(B\mid A_i)} \;\;(i,j=1,2,...,n)

可以看到分母就是全概率公式,分子就是分母求和中的某一项。

 

应用

  • P(B)与P(B|A)的区别联系:前者P(B)是指在样本空间\Omega下计算的概率,后者P(B|A)是在A已经发生的条件下计算的概率。
  • 全概率公式用于计算某个“结果”B发生的可能性大小。如果一个结果B的发生总是与某些前提条件A_i相联系,那么在计算P(B)时,我们总是用A_i对B分解:

B= \bigcup_{i=1}^{\infty }A_iB

应该使用全概率公式计算P(B),这叫全集分解法如果在B发生的条件下探求导致这一结果的各种“原因”A_i发生的可能性大小P(A_i\mid B),则要应用贝叶斯公式

 

贝叶斯先验和后验概率

(1)先验概率:是指根据以往经验和分析得到的概率。

比如抛一枚硬币,得到正面的概率为1/2.

(2)后验概率:是指事情已经发生,要求这件事情发生的原因是由某个因素引起的可能性的大小。(贝叶斯公式求解)

 

 


参考:

[1] 张宇概率与数理统计

[2] 贝叶斯公式的直观理解(先验概率/后验概率)

 

  • 0
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
### 回答1: 条件独立性是贝叶斯网络中的一个重要概念,它指的是在已知一些变量的条件下,另外一些变量之间的关系是独立的。贝叶斯网络可以利用这种条件独立性来简化联合概率的计算。 联合概率是指所有变量的联合概率,通常情况下,如果有n个变量,那么计算联合概率需要计算2^n个概率值,这在实际应用中往往是不可行的。而贝叶斯网络可以通过将变量之间的关系表示为有向无环图,利用条件独立性将联合概率分解为多个条件概率的乘积,从而大大简化了计算。 举个例子,假设有三个变量A、B、C,它们之间的关系如下图所示: ![bayesian_network](https://cdn.jsdelivr.net/gh/wangzhebufangqi/gitee_blog_images/bayesian_network.png) 在这个贝叶斯网络中,我们可以利用条件独立性将联合概率分解为以下几个条件概率的乘积: P(A,B,C) = P(A) * P(B|A) * P(C|B) 这样,我们只需要计算每个条件概率的值,就可以得到联合概率的值。这种分解方式可以大大简化计算,特别是在变量数目较多时,计算量会呈指数级增长,贝叶斯网络则可以将这个复杂度降低到线性级别。 因此,可以说条件独立性是贝叶斯网络简化联合概率计算的基础。 ### 回答2: 条件独立性是贝叶斯网络简化联合概率计算的基础。 贝叶斯网络是一种图模型,用于描述随机变量间的依赖关系。在贝叶斯网络中,节点表示随机变量,边表示变量之间的依赖关系。 联合概率计算是指计算所有变量的联合概率分布,即每个变量取值的概率。对于n个变量的贝叶斯网络,联合概率计算需要计算2^n个概率值。当变量数量较大时,联合概率计算变得非常复杂和困难。 条件独立性假设是贝叶斯网络中的核心概念,它指的是给定一些特定变量的取值,某些变量之间的依赖关系可以被简化为独立关系。具体来说,如果在贝叶斯网络中,给定变量A和B的取值,变量C和D之间的依赖关系可以被A和B解释,那么我们可以说C和D在给定A和B的条件下是独立的。 条件独立性在贝叶斯网络中的作用是显著减少联合概率计算的复杂性。通过使用条件独立性,我们可以将联合概率计算分解为一系列局部条件概率计算。这样,我们只需要计算每个变量与其父节点的条件概率,然后根据条件独立性假设将这些局部条件概率相乘得到联合概率。因此,条件独立性大大简化了计算过程,提高了计算效率。 综上所述,条件独立性是贝叶斯网络简化联合概率计算的基础。通过合理利用条件独立性,我们可以将复杂且庞大的联合概率计算问题转化为更简单的局部条件概率计算,更好地描述和推断贝叶斯网络中的概率关系。 ### 回答3: 条件独立性是贝叶斯网络简化联合概率计算的基础,其原因如下: 首先,贝叶斯网络是一种用有向无环图表示随机变量之间依赖关系的概率图模型。其中,每个节点表示一个随机变量,边表示变量之间的依赖关系。有向边从父节点指向子节点,表示子节点依赖于父节点。 其次,贝叶斯网络利用条件独立性假设对联合概率进行简化计算。条件独立性是指在给定一个或多个变量的条件下,另外两个变量之间没有依赖关系。在贝叶斯网络中,节点的依赖关系可以通过条件独立性来确定。当两个节点在给定其父节点的条件下是条件独立的,则可以通过乘法法则将联合概率分解为条件概率的乘积形式。这种计算方式可以大大简化计算的复杂度。 最后,通过贝叶斯网络和条件独立性的结合,可以通过局部计算得到概率分布。这是因为,贝叶斯网络通过节点的父节点将联合概率分解为条件概率的乘积形式,而每个条件概率可以通过给定其父节点条件下的概率计算得到。因此,可以通过一系列的局部计算得到所需的概率分布。 综上所述,条件独立性是贝叶斯网络简化联合概率计算的基础。其通过利用条件独立性假设,将联合概率分解为条件概率的乘积形式,并通过局部计算得到概率分布。这种计算方式大大简化了概率计算的复杂度,提高了贝叶斯网络的计算效率。

“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
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

打赏作者

liguiyuan112

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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