-
联合概率,边缘概率 and 条件概率
有事件
A={a1,a2,…,am} 和事件
B={b1,b2,…,bn}:
∙ 条件概率 为
P(B=bj∣A=ai),表示在事件
A=ai 发生的条件下,事件
B=bj 发生的概率。
∙ 联合概率 为
P(A=ai,B=bj),表示事件
A=ai 和事件
B=bj 同时发生的概率。其中:
P(A,B)={P(A)∗P(B),P(A)与P(B)相互独立P(A∣B)P(B)=P(B∣A)P(A),P(A)与P(B)不独立
∙ 边缘概率 为
P(A=ai),表示在不考虑事件
B 的情况,只需满足
A=ai 的概率。
-
先验概率 and 后验概率
∙ 先验概率
是指根据以往经验和分析得到的概率,如全概率公式,它往往作为"由因求果"问题中的"因"出现的概率。
∙ 后验概率
是指在得到“结果”的信息后重新修正的概率,是“执果寻因”问题中的"果"。先验概率与后验概率有不可分割的联系,后验概率的计算要以先验概率为基础。可通过贝叶斯公式求得。
先验概率是通过现有历史资料计算得到,而不是根据有关自然状态的全部资料测定的。后验概率是在历史数据上又添加了新的资料,使用了有关自然状态更加全面的资料的基础上,对先验概率的修正。
-
全概率公式
∙ 设
Y={c1,c2,…,cn},
Y 包含有限或无限个事件,这些事件两两互斥且在每次试验中至少发生一个,它们将样本空间进行了划分,把具有这些性质的一组事件称为一个 完备事件组。
图中,样本空间被完备事件组
Y={c1,c2,c3,c4,c5} 划分成 5 各区域。
∙ 设
X={x1,x2,…,xm} 为另一个事件(
X 同样也可把某一样本空间进行区域划分,在这里不予展示)。且在此假设
Y={c1,c2,c3,c4,c5} 对事件
X 的发生会产生影响。
全概率公式:
P(X)=∑kP(Yk=ck)P(X∣Y=ck)
在图所示的例子中,
P(X)=∑k=15P(Y=ck)P(X∣Y=ck)
全概率公式的意义在于,当直接计算
P(A) 较为困难,而
P(Y=ck),P(X∣Y=ck)的计算较为简单时,可以利用全概率公式计算
P(A)。将事件
X 分解成若干个小事件,通过求每个小事件的概率,然后相加从而求得事件
A 的概率。
P(X)=P(X,Y=c1)+P(X,Y=c2)+....+P(X,Y=ck)
=P(Y=c1)P(X∣Y=c1)+P(Y=c2)P(X∣Y=c2)+....+P(Y=ck)P(X∣Y=ck)
-
贝叶斯公式
贝叶斯公式可以用来计算后验概率。计算过程中使用条件概率与联合概率的关系,以及全概率公式。
假设此时
Y={c1,c2,…,cn}
根据
P(X∣Y)P(Y)=P(Y∣X)P(X) (条件概率与联合概率的关系)
得
P(Y∣X)=P(X)P(X∣Y)P(Y)
又因
P(X)=∑kP(Yk=ck)P(X∣Y=ck) (全概率公式)
得 贝叶斯公式:
P(Y∣X)=∑kP(Yk=ck)P(X∣Y=ck)P(X∣Y)P(Y)
其中,先验概率为
P(Y) ,条件概率
P(X∣Y) 是“新的有关自然状态”的资料。利用贝叶斯公式求后验概率,是通过
P(X∣Y) 对先验概率
P(Y) 进行修正。