斯坦福-随机图模型-week1.4_

---

title: 斯坦福-随机图模型-week1.4
tags: note
notebook: 6- 英文课程-9-Probabilistic Graphical Models 1: Representation
---

斯坦福-随机图模型-week1.4

独立性 preliminaries 初步

独立的数学描述

对于事建 a, b 如果是独立的那么使用如下的符号进行描述

独立的事件有以下的性质：

对于随机变量有相似的表示

一个例子

还是用之前的成绩问题作为例子：

我们可以看到P（I，D）的矩阵中，i0，d0是0.42,正好是P(i0)于P(d0)的乘积，这说明两个变量有可能是独立的。

条件独立

对于有三个随机变量的情况，可以定义条件独立，可以描述为

这个条件表述，在Z条件下，x，y是独立的

条件概率有如下的性质

也就是事建X和事件Z的条件下发生Y同事发生的概率等于 Z的条件下发生Y 乘以 Z的条件下发生Y

条件独立的例子

如果你选取一个硬币并且投掷他，假设你不知道者个硬币是什么样的，如果你第一次得到的是正面，那么你对这个硬币的得到正面的概率的估计是什么样的呢？他应该会变得更高。因为你的观测证明他向上的，而你不知道这个硬币是不是均匀的，所以你会倾向于认为这个硬币更容易得到正面。
所以说下次投掷同样得到正面的概率会增加。如果我告诉你，我们的硬币是平均的，那么我们说这两次的投掷就会变得独立，这就是条件独立的例子。

贝叶斯网络

独立和分解

根据我们上面的解释，我们讨论了两种独立的现象，他们分别是独立和条件独立：

可以看到两种独立性都意味着一种因式分解的可能，我们可以根据这种性质将逗号式拆开，变成乘法式。

提出问题：如果我们的公式p可以写成因式分解的形式，那么是不是说明 G的结构式独立的呢？

影响的流动和 d-separation d分离

定义： 如果在G（Z）中是D分离的，那么在Z的X和Y中没有active trail(活跃的轨迹)

我们可以使用D分离的理论对独立性进行证明。

定理：如果P可以因式分解G，并且在G上有X，Y是D分离的，那么我们认为有X，Y在Z上是条件独立的。

比如我们可以证明在上述图中的D和s是相互独立的：

证明的过程是这样的，我们先写出P（D，S）是多少。我们就可以进行因式分解，从而得到：独立的证明式。

D-Separation是一种用来判断变量是否条件独立的图形化方法。相比于非图形化方法，D-Separation更加直观，且计算简单。对于一个DAG（有向无环图）E，D-Separation方法可以快速的判断出两个节点之间是否是条件独立的。
对于较为复杂的DAG图，我们可以给出一个普遍意义上的结论，也就是D-Seperation。对于DAG图E，如果A，B，C是三个集合（可以是单独的节点或者是节点的集合），为了判断A和B是否是C条件独立的，我们考虑E中所有A和B之间的无向路径。对于其中的一条路径，如果她满足以下两个条件中的任意一条，则称这条路径是阻塞（block）的：
（1）路径中存在某个节点X是head-to-tial或者tail-to-tail节点（情况一和情况二），并且X是包含在C中的；
（2）路径中存在某个节点X是head-to-head节点（情况三），并且X或X的儿子是不包含在C中的；
如果A，B间所有的路径都是阻塞的，那么A，B就是关于C条件独立的；否则，A，B不是关于C条件独立的。

I-maps 无关图，

如果在G图中是d分离的，那么P就会符合条件独立的陈述。

我们就可以使用Imap的形式对整个的图像进行描述。

如果我们发现对于所有的P都是条件无关的我们说，P是一个无关图。

比如对于下面的图中：

也就是在D，I没有链接的情况下，G1的无关图是

有了上述的基础我们就可以对我们的因式分解的过程进行解释了，我们刚才只是在使用这个公式，并没有有效的证明他，大家可以看到下面的这一部分。