概率 随机变量 条件概率 贝叶斯定理

这篇具有很好参考价值的文章主要介绍了概率 随机变量 条件概率 贝叶斯定理。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

概率和随机变量

随机变量x是一个变化的量,它的变化是由于偶然/随机性引起的。可以将随机变量看成一个函数,它由实验结果赋值。例如:在抛硬币的实验中把正面朝上定义为x1=0,反面朝上为x2=1。
一般用小写字母表示随机变量,如 x \text x x。一旦试验完成,它的取值就用斜体的 x x x表示。
如果一个随机变量的值是离散的,就用一组概率来描述它,如果它的值位于实轴(不可数无限集)的一个区间内,就用概率密度函数(PDF)来表示。

1. 概率

1.1 相对频率定义

事件A的概率P(A)是极限
P ( A ) = lim ⁡ n − > ∞ n A n P(A)=\lim_{n->\infty}\frac{n_A}{n} P(A)=n>limnnA

1.2 公理化定义

● 公理一:一个事件的概率是非负数
P ( A ) ≥ 0 P(A)\ge 0 P(A)0
● 公理二:必然事件的概率是1
对于必然事件C, P ( C ) = 1 P(C)=1 P(C)=1.
● 公理三:两个相互独立事件的和事件的概率等于两个独立事件的概率之和
如果A,B是互斥事件,则
P ( A ∪ B ) = P ( A ) + P ( B ) P(A \cup B) = P(A) + P(B) P(AB)=P(A)+P(B)

2. 离散随机变量

离散随机变量x可以去有限集或可数无限集 X \mathcal{X} X中的任意值。集合 X \mathcal{X} X也称为样本空间或状态空间。事件“ x = x ∈ X \text x = x\in \mathcal{X} x=xX”的概率表示为
P ( x = x ) 或简单的表示为 P ( x ) . P(\text x = x) \text{或简单的表示为} P(x). P(x=x)或简单的表示为P(x).
函数 P P P称为概率质量函数(PMF)

2.1 联合概率和条件概率

两个事件A和B的联合概率为两个事件同时发生的概率,记为 P ( A , B ) P(A,B) P(AB)。现在考虑分别在两个样本空间 X = x 1 , . . . , x n x , Y = y 1 , . . . , y n y \mathcal{X} ={x_1,...,x_{n_x}},\mathcal{Y}={y_1,...,y_{n_y}} X=x1,...,xnx,Y=y1,...,yny中的随机变量 x , y \text x, \text y x,y

  • 求和法则
    P ( x ) = ∑ y ∈ Y P ( x , y ) P(x)=\sum_{y \in \mathcal{Y}}P(x,y) P(x)=yYP(x,y)

  • 条件概率
    P ( A ∣ B ) = P ( A , B ) P ( B ) , 其中要求 P ( B ) ≠ 0 P(A|B) = \frac{P(A,B)}{P(B)},其中要求P(B) \ne 0 P(AB)=P(B)P(A,B),其中要求P(B)=0.
    从相对频率的角度能很好的理解其中的实际意义。设 n A B n_{AB} nAB为两个事件同时发生的次数, n B n_B nB为n次实验中事件B发生的次数,则有:
    P ( A ∣ B ) = n A B n n n B = n A B n B P(A|B)=\frac{n_{AB}}{n} \frac{n}{n_B}=\frac{n_{AB}}{n_B} P(AB)=nnABnBn=nBnAB
    也就是在给定一个事件B的情况下,事件A的条件概率是A事件相对于B事件发生次数的相对频率

  • 乘积法则
    从随机变量的角度看,条件概率的定义也称为概率的乘积法则
    P ( x , y ) = P ( x ∣ y ) P ( y ) P(x,y) = P(x|y)P(y) P(x,y)=P(xy)P(y)
    P ( x ) , P ( y ) P(x),P(y) P(x),P(y)称为边际概率。

  • 统计独立
    两个随机变量称为统计独立的,当且仅当它们的联合概率可以写成各自边际概率的乘积。
    P ( x , y ) = P ( x ) P ( y ) P(x,y)=P(x)P(y) P(x,y)=P(x)P(y)

2.2 贝叶斯定理

由概率的乘积法则和联合概率的对称性 P ( x , y ) = P ( y , x ) P(x,y)=P(y,x) P(x,y)=P(y,x)可以直接得到:
P ( y ∣ x ) = P ( x ∣ y ) P ( y ) P ( x ) :贝叶斯定理 P(y|x)=\frac{P(x|y)P(y)}{P(x)} :贝叶斯定理 P(yx)=P(x)P(xy)P(y):贝叶斯定理
其中边际概率 P ( x ) P(x) P(x)可以写成:
P ( x ) = ∑ y ∈ Y P ( x , y ) = ∑ y ∈ Y P ( x ∣ y ) P ( y ) P(x)=\sum_{y\in \mathcal Y}P(x,y)=\sum_{y\in \mathcal Y}P(x|y)P(y) P(x)=yYP(x,y)=yYP(xy)P(y)

3. 连续随机变量

定义随机变量 x \text x x累计分布函数(CDF)为:
F x ( x ) = P ( x ≤ x ) F_{\text x}(x)=P(\text x \le x) Fx(x)=P(xx)
这里的 F x F_{\text x} Fx是一个单调递增的函数,如果 F x F_{\text x} Fx连续,则称随机变量 x \text x x连续型随机变量。假设 F x F_{\text x} Fx也是可微的,则定义 x \text x x概率密度函数(PDF)
p x ( x ) = d F x ( x ) d x p_{\text x}(x)=\frac{dF_{\text x}(x)}{dx} px(x)=dxdFx(x)
这样可以得到:
P ( x 1 < x ≤ x 2 ) = ∫ x 1 x 2 p x ( x ) d x P(x_1<\text x \le x_2)=\int_{x_1}^{x_2}p_{\text x}(x)dx P(x1<xx2)=x1x2px(x)dx
同时有:
F x ( x ) = ∫ − ∞ x p x ( z ) d z F_{\text x}(x)=\int_{-\infty}^{x}p_{\text x}(z)dz Fx(x)=xpx(z)dz
从微积分的角度来看,PDF可以解释为:
Δ P ( x < x ≤ x + Δ x ) Δ x ≈ p x ( x ) \frac{\Delta P(x<\text x \le x + \Delta x)}{ \Delta x} \approx p_{\text x}(x) ΔxΔP(x<xx+Δx)px(x)
“一段小区间中的概率除以这段区间的长度”,这就是一种“密度”。(类似于质量除以体积)。
注意当区间趋近于0时, p x ( x ) Δ x p_{\text x}(x)\Delta x px(x)Δx也趋近于0,所以,连续随机变量任意取单个值的概率为0.文章来源地址https://www.toymoban.com/news/detail-498764.html

到了这里,关于概率 随机变量 条件概率 贝叶斯定理的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • [学习笔记] [机器学习] 9. 朴素贝叶斯(概率基础、联合概率、条件概率、贝叶斯公式、情感分析)

    视频链接 数据集下载地址:无需下载 学习目标: 4. 说明条件概率与联合概率 5. 说明贝叶斯公式、以及特征独立的关系 6. 记忆贝叶斯公式 7. 知道拉普拉斯平滑系数 8. 应用贝叶斯公式实现概率的计算 9. 会使用朴素贝叶斯对商品评论进行情感分析 朴素贝叶斯算法主要还是用来

    2024年02月09日
    浏览(44)
  • 条件概率、贝叶斯公式理解

    1、 条件概率 条件概率是指事件A在事件B发生的条件下发生的概率, 记作:P(A|B)。如下图所示:整个样本空间为Ω,事件A和事件B包含在Ω中。事件A和事件B同时发生的情况,即A、B交集记作AB。事件A的概率记作:P(A)=A/Ω,事件B的概率记作P(B)=B/Ω。AB交集部分的概率记作:P(A

    2024年02月11日
    浏览(57)
  • 1-条件概率,联合概率,边缘概率三者关系以及贝叶斯公式

    过去一直没有养成记笔记的习惯,今天开始对所学的知识进行一个记录,以便日后翻阅查看。若有不对之处,欢迎各位网友指出 表示两个事件共同发生的概率。举例:A与B的联合概率表示为 P(AB) 或者P(A,B),或者P(A∩B)。 条件概率是指事件A在事件B发生的条件下发生的概率。条件

    2024年02月05日
    浏览(46)
  • 15、条件概率、全概率公式、贝叶斯公式、马尔科夫链

    定义:设A、B是两个事件,且,P(A) 0 则称 为事件A发生的条件下事件B的条件概率 对这个式子进行变形,即可得到概率的乘法公式: P(A) 0 时,则 P(B) 0 时,则 乍一看,这个式子不就是把除法形式写成了乘法形式嘛,不然不然,这个区别是本质的,分母不为0很关键,而且看法也

    2024年02月13日
    浏览(44)
  • 【人工智能】— 贝叶斯网络、概率图模型、全局语义、因果链、朴素贝叶斯模型、枚举推理、变量消元

    频率学派: 概率是事件发生的长期预期频率。 P(A) = n/N,其中n是事件A在N次机会中发生的次数。 \\\"某事发生的概率是0.1\\\"意味着0.1是在无穷多样本的极限条件下能够被观察到的比例。 在许多情况下,不可能进行重复实验。 例如问题:第三次世界大战发生的概率是多少? 概率是信

    2024年02月05日
    浏览(85)
  • 概率论和随机过程的学习和整理20:条件概率我知道,但什么是条件期望?可用来解决递归问题

    目录 1 目标问题: 什么是条件期望? 条件期望有什么用? 2 条件期望,全期望公式 3 条件期望,全期望公式 和 条件概率,全概率公式的区别和联系 3.1 公式如下 3.2 区别和联系 3.3 概率和随机过程 4 有什么用:---可以解决很多递归的问题 4.1 使用前有个前提:界定清楚你要求

    2024年02月15日
    浏览(44)
  • 概率统计笔记:二维随机变量及其联合概率分布

    定义3 设 ( X , Y ) (X,Y) ( X , Y ) 为二维随机变量,对任意的 ( x , y ) ∈ R 2 (x,y)∈R^2 ( x , y ) ∈ R 2 ,称 F ( x , y ) = P ( X ≤ x , Y ≤ y ) F(x,y)=P(X≤x,Y≤y) F ( x , y ) = P ( X ≤ x , Y ≤ y ) 为随机变量 ( X , Y ) (X,Y) ( X , Y ) 的

    2023年04月08日
    浏览(42)
  • 宋浩概率论笔记(三)随机向量/二维随机变量

    第三更:本章的内容最重要的在于概念的理解与抽象,二重积分通常情况下不会考得很难。此外,本次暂且忽略【二维连续型随机变量函数的分布】这一章节,非常抽象且难度较高,之后有时间再更新。 目录 1.1二维随机变量及其分布函数 1.2二维离散型随机变量的联合分布与

    2024年02月14日
    浏览(40)
  • 【人工智能的数学基础】随机变量的变量替换定理(Change of Variable Theorem)‘

    Change of Variable Theorem. 若随机变量 X ∈ R X in Bbb{R}

    2024年02月16日
    浏览(39)
  • 概率论:多维随机变量及分布

    X X X 为随机变量, ∀ x ∈ R , P { X ≤ x } = F ( x ) forall xin R,P{Xle x}=F(x) ∀ x ∈ R , P { X ≤ x } = F ( x ) 设 F ( x ) F(x) F ( x ) 为 X X X 的分布函数,则 (1) 0 ≤ F ( x ) ≤ 1 0le F(x)le1 0 ≤ F ( x ) ≤ 1 (2) F ( x ) F(x) F ( x ) 不减 (3) F ( x ) F(x) F ( x ) 右连续 (4) F ( − ∞ ) = 0 , F ( +

    2024年02月13日
    浏览(41)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包