条件概率、全概率公式

2023-11-09

条件概率

定义:
设A,B为两个事件,,且P(B)>0,则称P(A|B)= P ( A B ) P ( B ) \frac {P(AB)}{P(B)} P(B)P(AB)为事件B已经发生的条件下,事件A发生的概率,即 P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac {P(AB)}{P(B)} P(AB)=P(B)P(AB)

条件概率有如下性质:
1.任意A,P(AB)≥0
2.P(Ω|B)=1
3. A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An两两互斥,则 P ( ∪ i = 1 ∞ A i ) = ∑ i = 1 ∞ P ( A i ) P(\overset{∞}{\underset{i=1}{∪}}A_i)=\overset{∞}{\underset{i=1}{∑}}P(A_i) P(i=1Ai)=i=1P(Ai)
4.P(∅|B)=0
5.P( A − \overset{-}{A} A|B)=1-P(A|B)

两种计算方法:
1.定义法
P ( A ∣ B ) = P ( A B ) P ( B ) P(A|B)=\frac {P(AB)}{P(B)} P(AB)=P(B)P(AB)
可以通过求的P(AB)和P(B)来求得A在B条件下的概率

2.样本空间缩减法
列出A和B的样本空间,并求的A和B中共同的样本C,并计算C在B中占的比例。

注:
一般情况下,P(A|B)≥P(AB),因为条件概率有约束条件,分母可能比1要小。

乘法定理:

设P(B)>0,有P(AB)=P(A|B)P(B)

可以在此进行推广:

三个事件 P(AB)>0 P(ABC)=P(A|BC)P(BC)=P(A|BC)P(B|C)P(C)
可以推广到n个事件:

P( A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An)>0
则有
P( A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An)= P ( A 1 ) P ( A 2 ∣ A 1 ) . . . P ( A n ∣ A n − 1 . . . A 1 ) P(A_1)P(A_2|A_1)...P(A_n|A_{n-1}...A_1) P(A1)P(A2A1)...P(AnAn1...A1)

全概率公式和贝叶斯公式

划分:
定义:
设Ω, A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An是Ω中的一组事件,若满足:
1. A i , A j A_i,A_j Ai,Aj两两互质
2. ∪ i = 1 ∞ A i \overset{∞}{\underset{i=1}{∪}}A_i i=1Ai
则称 A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An是Ω的一组划分。

全概率公式(全局操作)(化整为零,逐个击破)(由因到果)
在这里插入图片描述

设B是Ω中一个事件, A 1 , A 2 , . . . A n A_1,A_2,...A_n A1,A2,...An是一个划分,且P( A i A_i Ai)>0(i=1,2,…n),则有
全概率公式: P ( B ) = P ( A 1 ) P ( B ∣ A 1 ) + P ( A 2 ) P ( B ∣ A 2 ) + . . . + P ( A n ) P ( B ∣ A n ) = ∑ i = 1 ∞ P ( A i ) P ( B ∣ A i ) P(B)=P(A_1)P(B|A_1)+P(A_2)P(B|A_2)+...+P(A_n)P(B|A_n)=\overset{∞}{\underset{i=1}{∑}}P(A_i)P(B|A_i) P(B)=P(A1)P(BA1)+P(A2)P(BA2)+...+P(An)P(BAn)=i=1P(Ai)P(BAi)

本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)

条件概率、全概率公式 的相关文章

  • [概率论与数理统计-5]:一元连续随机变量=>几何图形=>样本空间=>组合样本=>长度/面积/体积=>几何概率

    作者主页 文火冰糖的硅基工坊 文火冰糖 王文兵 的博客 文火冰糖的硅基工坊 CSDN博客 本文网址 https blog csdn net HiWangWenBing article details 123727473 目录 第1章 什么是
  • 全概率公式习题

    简单的记录下关于全概率公式的习题 我们可以先看下抓阄不分先后的一个例子 设袋中装有10个阄 其中8个是白阄 2个是有物之阄 甲 乙二人依次抓取一个 求没人抓得有物之阄的概率 设A B分别为甲 乙抓得有物之阄的事件 显然P A 2 10 下面
  • 一维随机变量的常见分布、期望、方差及其性质与推导过程

    文章目录 必须知道的概率论知识 一维变量 离散随机变量 def 常见分布 几何分布 期望 方差 二项分布 b n p 期望 方差 泊松分布 P
  • 4.抽样分布的概念与Python实现抽样

    1 总体与样本 在实际中 总体的分布一般是未知的 或只知道它具有某种形式而其中包含着未知参数 这时 常用的办法就是根据样本来推断总体 总体 个体 样本 总体 通常把研究对象的全体称为总体 一个总体对应于一个随机变量X 个体 把组成总体的每个
  • 似然场模型初识

    slam 激光雷达的数学模型之似然场模型 光束模型的缺点 计算量大 每一个位姿需要进行N次raytracing N为每一帧激光的激光束数量 在非结构化环境中 比较杂乱的环境中 使用光束模型会导致当位姿发生微小变化时 得分从非常高一下改变为趋
  • 【机器学习系列】变分推断第三讲:基于随机梯度上升法SGD的变分推断解法

    作者 CHEONG 公众号 AI机器学习与知识图谱 研究方向 自然语言处理与知识图谱 阅读本文之前 首先注意以下两点 1 机器学习系列文章常含有大量公式推导证明 为了更好理解 文章在最开始会给出本文的重要结论 方便最快速度理解本文核心 需要
  • 泊松分布的矩母函数与特征函数

    矩母函数与特征函数 矩 母 函 数 与 特 征 函 数
  • 深度学习——时间序列模型评价指标总结

    大Y老师 小X 你做的这个时间序列模型用什么指标评价啊 小X 直接把这篇甩给老师 老师您看哪个指标顺眼 就选哪个指标 最近在实现基于深度学习的时间序列模型时 需要对模型进行评价 总结了一些常用的和不常用的评价指标 还有相关概念的辨析 上面是
  • 人工智能数学基础--概率与统计9:概率运算、加法公理、事件的独立性、概率乘法定理、条件概率、全概率公式以及贝叶斯公式

    一 概述 这大半年都很忙 学习时间太少 导致概率论的学习停滞不前 期间AI大佬herosunly推荐了陈希孺老先生的概率论教材 与最开始学习的美版M R 斯皮格尔等著作的 概率与统计 表示差异比较大 具体请见 人工智能数学基础 概率与统计7
  • VAE(变分自编码器) 详解

    近期看论文要用到VAE 看了很多资料 有这样一种感觉 要么过度过于偏向数学原理 要么只是讲了讲网络结构 本文将两者结合 以简洁易懂的语言结合代码实现来介绍VAE 1 解决问题 VAE是变分推断 variational inference 以
  • 朴素贝叶斯基本原理和预测过程、先验概率、后验概率、似然概率概念

    贝叶斯原理是英国数学家托马斯 贝叶斯提出的 贝叶斯原理 建立在主观判断的基础上 在我们不了解所有客观事实的情况下 同样可以先估计一个值 然后根据实际结果不断进行修正 举例 一个袋子里有10个球 其中6个黑球 4个白球 那么随机抓一个黑球的概
  • KaTeX数学公式输入

    序号 运算符 输入 举例 举例代码 1 x y
  • 方差分析(ANOVA)的基本原理及R实现(单因素)

    方差分析 analysis of variance ANOVA 几乎是在统计学分析中最常用的方法 通过分析各变量的主效应 main effect 和交互效应 interaction effect 从而发现因变量 dependent vari
  • 【概率论】非连续型随机变量及概率分布

    非离散型随机变量 非离散型分布函数 设是一个随机变量 是任意实数 随机变量的分布函数 如果已知X的分布函数F x 就可以求出X落在任一区间 x1 x2 内的概率 分布函数的性质 1 2 是单调不减的 3 一维连续型随机变量概率密度 非负函数
  • 舒尔补-边际概率-条件概率

    margin求边际概率的时候喜欢通过舒尔补的形式去操作信息矩阵 如p b c 求积分p a b c da 从上图可知 边缘概率直接看协方差矩阵比较方便 边际概率的方差就是取对应联合分布中相应的协方差块 信息矩阵是由舒尔补的形式计算 此形式也
  • 布隆过滤器(Bloom Filter)

    1 引言 通常我们会遇到很多要判断一个元素是否在某个集合中的业务场景 一般想到的是将集合中所有元素保存起来 然后通过比较确定 链表 树 散列表 又叫哈希表 Hash table 等等数据结构都是这种思路 但是随着集合中元素的增加 我们需要的
  • 交叉熵损失

    什么是交叉熵损失 提起损失 我们最熟悉的可能就是MSE 最小均方误差损失了 MSE通俗理解 就是预测值与真实值之间取个差 再求平方 交叉熵损失也是一种衡量预测值与真实值之间的差异的方式 两者的定义不同 适用的范围也不同 通常来说 交叉熵损失
  • 概率论【离散型二维变量与连续性二维变量(下)】--猴博士爱讲课

    6 连续型二维变量 下 1 7 求边缘分布函数 边缘概率密度 边缘概率密度 2 7 求边缘密度函数 边缘概率密度 3 7 判断连续型二维变量的独立性 F x y Fx X Fy Y 那么X Y互相独立 f x y fx X fy Y 那么X
  • 【杂谈】概率与随机以及手游抽卡机制的科普

    原文 NGA的一篇随机科普 其中包含了对手游抽卡机制的探讨 本文摘选了我自己感兴趣的部分 真随机 先说点题外话 请先看这个问题 一杯热水和一杯冷牛奶哪个热量更高 很显然这个问题从物理学和营养学的层面会得出相反的答案 先不考虑物理学层面说 一
  • 自信息量和一阶熵

    信息论中 自信息量和一阶熵是用来度量信息的重要概念 它们提供了一种方式来理解和量化信息的不确定性和平均量 对于解决信息传输 编码和存储等问题非常有用 首先 让我们来了解一下自信息量 自信息量是用来度量一个事件的信息量或不确定性的大小 假设有

随机推荐

  • windows7 防火墙关于文件共享的设置

    WIN7自带防火墙的设置相较XP下有了较大的变化 近日在设置文件夹共享上遇到了一些小问题 后来解决了 过程如下 首先 在文件夹上右键 属性 共享 里 高级共享 共享此文件夹 然后给Everyone用户以读的权限 这一步和在XP下没什么区别
  • BigDecimal 前后端交互失去精度

    在Controller层通过 ResponseBody将返回数据自动转换成json时 不做任何处理 而直接传给前端的话 在BigDecimal长度大于17位 不包括小数点 会出现精度丢失 在Long长度大于17位时也会出现精度丢失的问题 解
  • C语言实现字典树

    leetcode 208的代码 include
  • 商用密码应用安全性评估测评过程指南_商用密码应用安全性评估的具体评估内容...

    如何合规 正确 有效使用商用密码 充分发挥商用密码在保障网络空间安全中的核心技术和基础支撑作用 关乎国家大局 关乎网络空间安全 关乎用户个人隐私 因此 要在保证商用密码应用大力推进和普及的同时 做好网络与信息系统的商用密码应用安全性评估 确
  • 前端系列之JavaScript(BOM对象)

    什么是BOM BOM browser object model 浏览器对象模型 window对象 全局对象 说明 所有的全局变量和全局方法都被归为window上
  • Mysql日期格式转化问题

    MySQL索引优化 MySQL慢查询优化 一文详解MySQL各种锁及MVCC的使用场景及原理 最近遇到一个需求 大致内容是查询近七天内所有设备每天的工作时间和 里面涉及到日期格式转化 子查询 分组查询等问题 较为复杂 以此记录 数据库内容
  • OpenCV-Python图像直方图计算calcHist函数详解、示例及图形呈现

    前往老猿Python博文目录 https blog csdn net LaoYuanPython 一 引言 在前面几篇直方图相关的文章中介绍了直方图均衡 直方图匹配 局部直方图处理 基于直方图统计信息进行图像增强处理等图像处理与直方图相关的
  • 【面试系列】对称二叉树

    题意 原题链接 代码 Definition for a binary tree node struct TreeNode int val TreeNode left TreeNode right TreeNode val 0 left nu
  • Java集合之NavigableMap与NavigableSet接口

    author lidx 本文接着上篇介绍SortedMap和SortedSet接口 介绍他们的扩展接口NavigableMap与NavigableSet接口 提供了针对给定搜索目标返回最接近匹配项的导航方法 SortedMap和Sorted
  • java.io.IOException: Invalid header signature; rea

    异常 java io IOException Invalid header signature read 4503608217567241 expected 2226271756974174256 資料來源 http hi baidu co
  • 基于SkyWalking实现SpringBoot在K8S中的链路跟踪实践

    一 安装SkyWalking服务 1 下载SkyWalking APM https skywalking apache org downloads 这里下载Distribution的v9 0 0版本tar并解压 2 进入bin目录分别启动o
  • 【linux】ssh 远程执行命令

    1 概述 转载并且补充 ssh 远程执行命令 SSH 是 Linux 下进行远程连接的基本工具 但是如果仅仅用它来登录那可是太浪费啦 SSH 命令可是完成远程操作的神器啊 借助它我们可以把很多的远程操作自动化掉 下面就对 SSH 的远程操作
  • IP包结构

    版本 Version 4位 IP版本号 包头长 IHL 4位 以4字节为单位 如0101表示IP包的包头长度20字节 服务类型 TOS Type of service 1字节 指示路由器如何处理该数据包 总长 Total Length 2字
  • STM32单片机采集模拟电压转换为数字信号(stm32cubemx+keil+proteus+c)

    本文参考了CSDN博主安迪西ADC模数转换的文章代码 作对正弦曲线 or比如温度压强等 的模数转换 0 3 3转0 4096 由于proteus virtual terminal难以输出单精度或双精度实数 故直接输出0 4096 若要转为电
  • 洛必达法则介绍及使用注意点

    洛必达法则是个好法则 我们都很喜欢用它 但稍不注意可能就落入陷阱了 尤其是考研的同学 出题老师可能会故意在细节上考察大家 所以本篇讲一下洛必达法则3大陷阱 提防着点总是好的 1 洛必达法则内容 2 粗略证明 注意 不是严谨证明 主要理解思路
  • ode45求解微分方程(MATLAB)

    首先介绍一下ode45的格式 t y ode45 odefun tspan y0 t y ode45 odefun tspan y0 options t y te ye ie ode45 odefun tspan y0 options so
  • 新手在Ubuntu 20.04系统中编译安装Snort+Barnyard+BASE的难点问题

    1 准备安装软件 准备阶段新手经常会下错版本导致安装失败 2 安装DAQ 2 0 7报错 核心问题 预编译时出现下面的报错信息 解决 apt install bison flex 接着 make编译软件 会继续报错 解决 aclocal a
  • webrtc 常用编译参数列表

    additional target cpus Current value from the default From build config ios ios sdk gni 58 If non empty this list must c
  • web自动化-单选框、复选框、下拉框定位操作

    一 前言 单选框和复选框的话 一般根据单选框按钮和复选框按钮去进行元素定位 如有iframe页面嵌套 则需要切换iframe 一般去定位的话 用八大元素定位的方法差不多就可以满足了 接下来将会讲解下拉框的操作 下拉框里面的元素支持多选 单选
  • 条件概率、全概率公式

    条件概率 定义 设A B为两个事件 且P B gt 0 则称P A B P A B P