900字范文,内容丰富有趣,生活中的好帮手!
900字范文 > 概率与统计进阶(1)——概率统计的基础概念:条件概率 全概率 贝叶斯公式

概率与统计进阶(1)——概率统计的基础概念:条件概率 全概率 贝叶斯公式

时间:2019-08-05 01:52:53

相关推荐

概率与统计进阶(1)——概率统计的基础概念:条件概率 全概率 贝叶斯公式

文章目录

1. 基本(核心)概念事件与样本点 2. 通理和思维2.1 通理概率的加法法则概率的乘法法则 2.2 思维(经验/技巧) 3. 条件概率4. 全概率5. 贝叶斯公式总结

从本质上理一下概率的基本概念,以及几个重要的公式。

1. 基本(核心)概念

事件与样本点

2. 通理和思维

2.1 通理

概率的加法法则

定理:设A、B是互不相容事件(AB=φ),则:

P(A∪B)=P(A)+P(B)

推论1:设A1、 A2、…、 An互不相容,则:P(A1+A2+…+ An)= P(A1) +P(A2) +…+ P(An)

推论2:设A1、 A2、…、 An构成完备事件组,则:P(A1+A2+…+An)=1

推论3:

为事件A的对立事件。

推论4:若B包含A,则P(B-A)= P(B)-P(A)

推论5(广义加法公式):

任意两个事件A与B,有P(A∪B)=P(A)+P(B)-P(AB)

概率的乘法法则

(乘法法则由条件概率公式推到而来)

条件概率计算公式:

当P(A)>0,P(B|A)=P(AB)/P(A)

可以推出乘法公式:

P(AB)=P(A)×P(B|A)=P(B)×P(A|B)

2.2 思维(经验/技巧)

样本空间

不同的角度看待——不同的事物/事件——不同的样本空间:无论什么问题,一定要先搞清当前问题的空间是什么

所谓条件概率,本质上就是更换了"样本空间“

一切概率皆可看做条件概率

比如,P(A) = P(A|Ω)

条件(概率):以谁为条件则我们认为谁先发生

条件概率公式中隐含了一个非常重要的约定,既是一种先后顺序,因为 𝐵 是相对于 𝐴 的条件概率,那么就是说 𝐴 是 𝐵 的前提,或者说 𝐴 比 𝐵 先发生。(不过实质上,这个“先“和”后”并没有实际意义)

先验后验

先验:调查“原因”本身——Bi的概率:P(Bi)

后验:调查“原因”本身(Bi)与“结果”(A)的关系——P(A|Bi)

注:① “结果”表示我们一开始直接得知的情况,“原因”指的是可能导致结果的可能事件 ② 这里用Bi表示所有可能原因中的一个

3. 条件概率

概念:

大学教科书上的定义:条件概率既是指当某个事件发生的前提下,另一个事件发生的概率;

条件概率是指某个事件 B 对样本空间 Ω 的某个子集 𝑆 的概率,而与其它某个事件是否真的发生与否无关,唯一变化的是计算概率的样本空间发生了改变而已。

比如,通常情况下,我们有事件 B 的概率 𝑃(𝐵)= B Ω \frac{B}{Ω} ΩB​,但是如果我们将事件 B 所参照的样本空间 Ω 变为 𝑆,且 𝑆 是 Ω 的子集,B 与 𝑆 存在交集 BS,这时 B 相对于前提条件 𝑆 的概率为:

数学上,将上式中的 𝑃(𝐵)′ 表示为 𝑃(𝐵|𝑆),所以我们有:

令上式 S 为 A,则推导出乘法公式:

实际上,𝑃(𝐴)⋅𝑃(𝐵|𝐴) 求解的就是 𝐴∩𝐵 相对于 Ω 的概率;而 𝑃(𝐵|𝐴) 实际上求解的是 𝐴∩𝐵 相对于 𝑆 的概率。

4. 全概率

书中全概率公式的定义:

其实,其本质就是将样本空间Ω分为互斥的事件𝐵1,𝐵2,⋯,𝐵𝑛 ,再利用互斥事件的加法,配合乘法规则(条件概率公式)推导得到。

即:

P(A)

=P(AΩ)

=P(B1)P(A|B1) + P(B2)P(A|B2 )+ … + P(Bn)P(A|Bn)

5. 贝叶斯公式

概念

高等教育出版社出版的《概率论与数理统计教程》第二版中的定义:

以上公式不是糊弄人的是什么?

钟开莱所著《初等概率论》中对贝叶斯公式的定义:

实际上贝叶斯公式的定义有如下两种方式:

贝叶斯公式 1

这种方式和钟开莱所定义一致,只是笔者换种数学形式对其进行描述,

解读:

A 事件发生了,比如出现了杀人事件 A,正常情况下我们可以把 A 叫”结果“,这时,我们要去找导致 A 发生的原因了,这个“原因”是什么我们是无法得知的,但是我们可以从诸多可能中,即从可能的凶手𝐵1,𝐵2,⋯,𝐵𝑛 中找出可能性最大的那个。即,我们的目标是求得所有嫌疑人 Bi参与这起案件的概率P(Bi|A),并找出最大的那个。结合上面的图,即找出”瓜分“阴影 A范围最大的那个 Bi。

但是怎么找?按照正常的思路,我们首先要去评估每种可能本身的某种**“性质”,比方说,直接去调查𝐵1,𝐵2,⋯,𝐵𝑛人的品性很坏的概率或者作案动机的大小等等 即P(Bi),这个就叫做先验概率。接着,我们需要将这些嫌疑人与案件关联起来,即将这起杀人案件 A 与嫌疑人 Bi 放在一起进行关联分析**,即以A为条件来分析Bi是凶手的可能性,即P(A|Bi),这也就是我们所说的后验概率

至此,也就从本质上理解了贝叶斯公式。

博主还提出了贝叶斯公式的另外一种解释

贝叶斯公式 2

等有时间再深究。

总结

经验1:要顺着条件概率和全概率去理解贝叶斯公式:贝叶斯公式 = 条件概率 + 全概率(作分母部)

经验2:从两个变量的条件概率P(B|A)开始去理解多变量的条件概率P(Bi|A)。

1.条件概率:理解为“占比”

已经存在的或者先发生的叫做“结果”,作为分母

两个变量的条件概率(B是Ω的一部分)

多变量的条件概率(B将Ω完全划分,且独立)

2.全概率:将一切概率理解为条件概率(B将Ω完全划分,且独立)

3.贝叶斯公式:条件概率 + 全概率(作分母部)

在公式结构上,贝叶斯可以简单的理解为 由全概率作为分母部分的条件概率;

在公式理解上,贝叶斯公式可以看做是 先验概率(“原因”) 与 后验概率(“结果”)的乘积 与 ”结果“全概率的比值!

本文参考系列博客:

概率学系列 一:基础介绍

概率学系列 四:深入浅出 - 理解条件概率、全概率公式和贝叶斯公式

本内容不代表本网观点和政治立场,如有侵犯你的权益请联系我们处理。
网友评论
网友评论仅供其表达个人看法,并不表明网站立场。