Tim

一枚野生程序员~

  • 主页
  • 分类
  • 标签
  • 归档
  • 关于
所有文章 工具

Tim

一枚野生程序员~

  • 主页
  • 分类
  • 标签
  • 归档
  • 关于

全概率公式与贝叶斯公式

阅读数:次 2018-07-15
字数统计: 1.1k字   |   阅读时长≈ 4分

一、条件概率公式

举个例子,比如让你背对着一个人,让你猜猜背后这个人是女孩的概率是多少?直接猜测,肯定是只有50%的概率,假如现在告诉你背后这个人是个长头发,那么女的概率就变为90%。所以条件概率的意义就是,当给定条件发生变化后,会导致事件发生的可能性发生变化。

条件概率由文氏图出发,比较容易理解:

mark

P(A|B)表示B发生后A发生的概率,由上图可以看出B发生后,A再发生的概率就是P(AnB)/P(B),因此P(A|B)=P(AnB)/P(B),由P(A|B)=P(AnB)/P(B)又可以得到P(AnB) = P(A|B)*P(B),则可以得到P(AnB) = P(B|A)*P(A) ,由此可得:P(A|B) = P(AnB)/P(B) = P(B|A) * P(A)/P(B)这就是条件概率公式。

假如事件A与B相互独立,那么:

P(AnB) = P(A)*P(B) 相互独立:表示两个事件发生互不影响。而互斥:表示两个事件不能同时发生,(两个事件肯定没有交集)。互斥事件一定不独立(因为一件事的发生导致了另一件事不能发生);独立事件一定不互斥,(如果独立事件互斥, 那么根据互斥事件一定不独立,那么就矛盾了),但是在概率形式上具有一些巧合性,一般地:但是,对于两个独立事件,P(A|B)依然可以等于0,因为事件A或者事件B发生的概率可能为0.所以P(AB) = 0,并不是一定表示互斥。互斥和独立的理解还是要究其真正意义,而不是表达形式。

二、全概率公式

先举个例子,小张从家到公司上班总共有三条路可以直达(如下图),但是每条路每天拥堵的可能性不太一样,由于路的远近不同,选择每条路的概率如下:

P(L1) = 0.5 、P(L2) = 0.3、P(L3) = 0.2

每天上述三条路不拥堵的概率分别为:

P(C1) = 0.3、P(C2) = 0.4、P(C3) = 0.7

假设遇到拥堵会迟到,那么小张从Home到Company不迟到的概率是多少?

mark

其实不迟到就是对应着不拥堵,设事件C为到公司不迟到,事件Li为选择第i条路,则

1
2
3
P(C) = P(L1) * P(C|L1) + P(L2) * P(C|L2) + P(L3) * P(C|L3)
P(C) = P(L1) * P(C1) + P(L2) * P(C2) + P(L3) * P(C3)
P(C) = 0.5 * 0.2 + 0.3 * 0.4 + 0.2 * 0.7 = 0.36

全概率就是表示达到某个目的,有多种方式(或者造成某种结果,有多种原因),问达到目的的概率是多少(造成这种结果的概率是多少)?

全概率公式: 设事件L1、L2…是一个完备事件组,则对于任意一个事件C,若有如下公式成立:

1
P(C) = P(L1)P(C1|L1)….P(Ln)P(Cn|Ln) = ∑P(Li)P(C|Li)

这就是全概率公式

三、贝叶斯公式

仍旧借用上述的例子,但是问题发生了改变,问题修改为:到达公司未迟到选择第1条路的概率是多少?

可不是P(L1) = 0.5 ,因为0.5这个概率表示的是,选择第一条路的时候并没有靠考虑是不是迟到,只是因为距离公司近才知道选择它的概率,而现在我们是知道未迟到这个结果,是在这个基础上问你选择第一条路的概率,所以并不是直接就可以得出的。

故有:

1
2
3
P(L1|C) = P(C|L1) * P(L1) / P(C)
P(L1|C) = P(C|L1) * P(L1) / P(L1)* P(C|L1) +P(L2)* P(C|L2) + P(L3)* P(C|L3)
P(L1|C) = 0.2 * 0.5 / 0.2 * 0.5 + 0.3 * 0.4 + 0.2 * 0.7 = 0.28

所以选择第一条路的概率为0.28

贝叶斯公式就是当已知结果,问导致这个结果的第i原因的可能性是多少?执果索因!

贝叶斯公式:

在已知条件概率和全概率的基础上,贝叶斯公式是很容易推导的:

P(Lk|C) = P(C|Lk)/P(C)于是我们推得出:

1
P(Lk|C) = P(C|Lk)/∑P(Li) * P(C|Li)
赏

谢谢你请我喝咖啡

支付宝
微信
  • 本文作者: Tim
  • 本文链接: https://zouchanglin.cn/525095646.html
  • 版权声明: 本博客所有文章除特别声明外,均采用 CC BY-SA 4.0 许可协议。转载请注明出处!
  • 概率论
  • 数学之美

扫一扫,分享到微信

链表相关问题
可变参数源码剖析
  1. 1. 一、条件概率公式
  2. 2. 二、全概率公式
  3. 3. 三、贝叶斯公式
© 2017-2021 Tim
本站总访问量次 | 本站访客数人
  • 所有文章
  • 工具

tag:

  • 生活
  • Android
  • 索引
  • MySQL
  • 组件通信
  • Nginx
  • JavaSE
  • JUC
  • JavaWeb
  • 模板引擎
  • 前端
  • Linux
  • 计算机网络
  • Docker
  • C/C++
  • JVM
  • 上传下载
  • JavaEE
  • SpringCloud
  • Golang
  • Gradle
  • 网络安全
  • 非对称加密
  • IDEA
  • SpringBoot
  • Jenkins
  • 字符串
  • vim
  • 存储
  • 文件下载
  • Mac
  • Windows
  • NIO
  • RPC
  • 集群
  • 微服务
  • SSH
  • 配置中心
  • XML
  • Chrome
  • 压力测试
  • Git
  • 博客
  • 概率论
  • 排序算法
  • 分布式
  • 异常处理
  • 文件系统
  • 哈希
  • openCV
  • 栈
  • 回溯
  • SpringCore
  • 流媒体
  • rtmp
  • 面向对象
  • Vue
  • ElementUI
  • 软件工程
  • 异步
  • 自定义UI
  • ORM框架
  • 模块化
  • 交互式
  • Jsoup
  • Http Client
  • LRUCache
  • RabbitMQ
  • 消息通信
  • 服务解耦
  • 负载均衡
  • 权限
  • 多线程
  • 单例模式
  • Protobuf
  • 序列化
  • Python
  • m3u8
  • 堆
  • 二叉树
  • 自定义View
  • 观察者模式
  • 设计模式
  • 线程池
  • 动态扩容
  • 高可用
  • GC
  • ffmpeg
  • SpringMVC
  • REST
  • Redis
  • 缓存中间件
  • UML
  • Maven
  • Netty
  • 高性能网络
  • IPC通信
  • IO
  • Stream
  • 发布订阅
  • SQLite
  • Hash
  • 集合框架
  • 链表
  • Lambda
  • 汇编语言
  • 组件化
  • Router
  • 开发工具

    缺失模块。
    1、请确保node版本大于6.2
    2、在博客根目录(注意不是yilia-plus根目录)执行以下命令:
    npm i hexo-generator-json-content --save

    3、在根目录_config.yml里添加配置:

      jsonContent:
        meta: false
        pages: false
        posts:
          title: true
          date: true
          path: true
          text: false
          raw: false
          content: false
          slug: false
          updated: false
          comments: false
          link: false
          permalink: false
          excerpt: false
          categories: false
          tags: true
    

  • 思维导图
  • PDF工具
  • 无损放大
  • 代码转图
  • HTTPS证书