機率論-條件機率,全機率,機率乘法公式,貝葉斯公式
1. 條件機率
在事件A已經發生的前提下事件B發生的機率,我們記為 P ( B ∣ A ) P(B|A) P(B∣A)
定義 設 A , B A,B A,B為随機試驗 E E E的兩個事件,且 P ( A ) > 0 P(A)>0 P(A)>0,則稱
P ( B ∣ A ) = P ( A B ) P ( A ) P(B|A)=\frac{P(AB)}{P(A)} P(B∣A)=P(A)P(AB)
為事件A發生的條件下事件B發生的條件機率,或稱為 B B B關于 A A A的條件機率
2. 機率乘法公式
機率乘法公式就是由條件機率公式得來的
定理(機率乘法定理):對于任意的事件 A , B A,B A,B,
(1)若 P ( A ) > 0 P(A)>0 P(A)>0,則有
P ( A B ) = P ( B ∣ A ) P ( A ) P(AB)=P(B|A)P(A) P(AB)=P(B∣A)P(A)
(2)若 P ( B ) > 0 P(B)>0 P(B)>0,則有
P ( A B ) = P ( A ∣ B ) P ( B ) P(AB)=P(A|B)P(B) P(AB)=P(A∣B)P(B)
注意這裡如果事件 A 和 B A 和B A和B獨立那麼
P ( A B ) = P ( A ) P ( B ) P(AB)=P(A)P(B) P(AB)=P(A)P(B)
3.全機率公式
定理(全機率公式):設試驗 E E E的樣本空間為 Ω ; B 1 , b 2 . . . , B n \Omega;B_1,b_2...,B_n Ω;B1,b2...,Bn,為 Ω \Omega Ω的一個劃分,且 P ( B i ) > 0 ( i = 1 , 2 , 3... n ) P(B_i)>0(i=1,2,3...n) P(Bi)>0(i=1,2,3...n),則對E的任一事件A有
P ( A ) = ∑ i = 1 n P ( A ∣ B i ) P ( B i ) P(A)=\sum_{i=1}^{n}P(A|B_i)P(B_i) P(A)=i=1∑nP(A∣Bi)P(Bi)
4.貝葉斯公式
定理(貝葉斯公式):設試驗 E E E的樣本空間為 Ω \Omega Ω, A A A為 E E E的事件, B 1 , B 2 , B 3 , . . . B n B_1,B_2,B_3,...B_n B1,B2,B3,...Bn為樣本空間 Ω \Omega Ω的一個劃分,且 P ( A ) > 0 , P ( B i ) > 0 , i = 1 , 2 , 3... n P(A)>0,P(B_i)>0,i=1,2,3...n P(A)>0,P(Bi)>0,i=1,2,3...n,則
P ( B j ∣ A ) = P ( B j A ) P ( A ) = P ( A ∣ B j ) P ( B j ) ∑ i = 1 n P ( A ∣ B i ) P ( B i ) , j = 1 , 2 , 3... n P(B_j|A)=\frac{P(B_jA)}{P(A)}=\frac{P(A|B_j)P(B_j)}{\sum_{i=1}^{n}P(A|B_i)P(B_i)},j=1,2,3...n P(Bj∣A)=P(A)P(BjA)=∑i=1nP(A∣Bi)P(Bi)P(A∣Bj)P(Bj),j=1,2,3...n
5. 關于模式識别的貝葉斯決策
對于模式識别貝葉斯決策,是引入随機變量以後,将上面的條件機率變成類條件機率密度函數,先驗機率變成類别的先驗機率(實際上這兩個合在一起就是聯合機率密度函數,某類 ω i \omega_i ωi和随機變量的取值 x i x_i xi的函數,但是在模式識别分類中,這個類别 w i w_i wi的機率 P ( ω i ) P(\omega_i) P(ωi)是離散的, P ( x ∣ ω i ) P(x|\omega_i) P(x∣ωi)是連續的),聯合機率(有沒有都可以判别,因為各個類别的分母都一樣,變成系數)就變成了邊緣機率積分。這裡注意,貝葉斯決策重要的是要估計類條件機率密度,估計出來的是連續的機率密度函數,将樣本值代入機率密度函數中進行判别類别。
引入随機變量以後,貝葉斯公式就變成了分子是聯合機率分布,分母是邊緣分布。