淺談全概率公式和貝葉斯公式
一、條件概率公式
舉個例子,比如讓你背對著一個人,讓你猜猜背後這個人是女孩的概率是多少?直接猜測,肯定是隻有50%的概率,假如現在告訴你背後這個人是個長頭髮,那麼女的概率就變為90%。所以條件概率的意義就是,當給定條件發生變化後,會導致事件發生的可能性發生變化。
條件概率由文氏圖出發,比較容易理解:
表示B發生後A發生的概率,由上圖可以看出B發生後,A再發生的概率就是,因此:
由:
得:
這就是條件概率公式。
假如事件A與B相互獨立,那麼:
注:
相互獨立:表示兩個事件發生互不影響。而互斥:表示兩個事件不能同時發生,(兩個事件肯定沒有交集)。互斥事件一定不獨立(因為一件事的發生導致了另一件事不能發生);獨立事件一定不互斥,(如果獨立事件互斥, 那麼根據互斥事件一定不獨立,那麼就矛盾了),但是在概率形式上具有一些巧合性,一般地:
但是,對於兩個獨立事件,依然可以等於0,因為事件A或者事件B發生的概率可能為0.所以,並不是一定表示互斥。互斥和獨立的理解還是要究其真正意義,而不是表達形式。
二、全概率公式
先舉個例子,小張從家到公司上班總共有三條路可以直達(如下圖),但是每條路每天擁堵的可能性不太一樣,由於路的遠近不同,選擇每條路的概率如下:
每天上述三條路不擁堵的概率分別為:
假設遇到擁堵會遲到,那麼小張從Home到Company不遲到的概率是多少?
其實不遲到就是對應著不擁堵,設事件C為到公司不遲到,事件為選擇第i條路,則:
全概率就是表示達到某個目的,有多種方式(或者造成某種結果,有多種原因),問達到目的的概率是多少(造成這種結果的概率是多少)?
全概率公式:
設事件是一個完備事件組,則對於任意一個事件C,若有如下公式成立:
那麼就稱這個公式為全概率公式。
三、貝葉斯公式
仍舊借用上述的例子,但是問題發生了改變,問題修改為:到達公司未遲到選擇第1條路的概率是多少?
可不是,因為0.5這個概率表示的是,選擇第一條路的時候並沒有靠考慮是不是遲到,只是因為距離公司近才知道選擇它的概率,而現在我們是知道未遲到這個結果,是在這個基礎上問你選擇第一條路的概率,所以並不是直接就可以得出的。
故有:
所以選擇第一條路的概率為0.28.
貝葉斯公式就是當已知結果,問導致這個結果的第i原因的可能性是多少?執果索因!
貝葉斯公式:
在已知條件概率和全概率的基礎上,貝葉斯公式是很容易計算的:
相關文章
- 全概率公式、貝葉斯公式公式
- 條件概率、全概率、貝葉斯公式理解公式
- 貝葉斯公式公式
- 貝葉斯公式及其含義公式
- 貝葉斯公式的通俗講解公式
- 條件機率、全機率、貝葉斯公式理解公式
- 機器學習_統計模型之(一)貝葉斯公式機器學習模型公式
- 全概率公式理解公式
- 條件概率與全概率公式公式
- 通過貝葉斯公式來評估功能難度和返工率公式
- chapter6:概率及樸素貝葉斯--樸素貝葉斯APT
- 全概率公式及其含義公式
- 從貝葉斯方法談到貝葉斯網路
- 詳解最大似然估計(MLE)、最大後驗概率估計(MAP),以及貝葉斯公式的理解公式
- 從貝葉斯定理到概率分佈概率分佈
- 貝葉斯推斷 && 概率程式設計初探程式設計
- 貝葉斯思想概述:從貝葉斯定理到貝葉斯網路
- 先驗概率與後驗概率、貝葉斯區別與聯絡
- 前谷歌工程師差點因為不知道貝葉斯公式被拒谷歌工程師公式
- 概率圖模型基礎 - 貝葉斯網路引數學習(貝葉斯估計+碎權更新法)模型
- 從貝葉斯定理到概率分佈:綜述概率論基本定義概率分佈
- 04貝葉斯演算法-貝葉斯網路演算法
- 貝葉斯居然用事件概率,就輕鬆預知了未來?事件
- 斯特林近似公式公式
- §3. 高斯公式與斯托克斯公式公式
- 樸素貝葉斯和半樸素貝葉斯(AODE)分類器Python實現Python
- 【機器學習】--貝葉斯網路機器學習
- 樸素貝葉斯模型模型
- 機器學習|樸素貝葉斯演算法(二)-用sklearn實踐貝葉斯機器學習演算法
- 貝葉斯分類器與貝葉斯網路之間的關係
- 機器學習|樸素貝葉斯演算法(一)-貝葉斯簡介及應用機器學習演算法
- 巧妙演算法背後的直覺:淺談貝葉斯最佳化之美演算法
- [筆記]極大似然估計、最大後驗概率、貝葉斯估計筆記
- 機器學習——貝葉斯演算法機器學習演算法
- 樸素貝葉斯法初探
- 貝葉斯迴歸簡介
- 打分排序系統漫談3 - 貝葉斯更新/平均排序
- 生成擴散模型漫談(三):DDPM = 貝葉斯 + 去噪模型