实例复习机器学习数学 - 1. 事件与概率
Posted 干货满满张哈希
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了实例复习机器学习数学 - 1. 事件与概率相关的知识,希望对你有一定的参考价值。
从骰子实验引出的各种概率概念
1.投骰子,出现点数为 6 的概率 1 6 \\frac{1}{6} 61. 投骰子,已知出现点数为偶数,出现点数为 6 的概率则是 1 3 \\frac{1}{3} 31,这个概率即 条件概率。
2.条件概率为:假设我们知道 A 事件已经发生,在此基础上我们想知道 B 事件发生的概率,这个概率为条件概率,记作 P ( B ∣ A ) P(B|A) P(B∣A)
3.古典概率模型:假设一个实验,有 Ω \\Omega Ω 个等可能性的结果,事件 A 包含其中 X X X 个结果,事件 B 包含其中 Y Y Y 个结果, Z Z Z 代表其中交叉的事件:
事件 A 发生的概率:
P
(
A
)
=
X
Ω
P(A) = \\frac{X}{\\Omega}
P(A)=ΩX;事件 B 发生的概率:
P
(
B
)
=
Y
Ω
P(B) = \\frac{Y}{\\Omega}
P(B)=ΩY;事件 A、B 都发生的概率:
P
(
A
B
)
=
Z
Ω
P(AB) = \\frac{Z}{\\Omega}
P(AB)=ΩZ如果事件 A 已经发生,那么事件 B 也发生的概率是
P
(
B
∣
A
)
=
Z
X
P(B|A) = \\frac{Z}{X}
P(B∣A)=XZ,将公式展开: 这个公式就是条件概率公式
P
(
B
∣
A
)
=
Z
Ω
X
Ω
=
P
(
A
B
)
P
(
A
)
P(B|A) = \\frac{\\frac{Z}{\\Omega}}{\\frac{X}{\\Omega}}= \\frac{P(AB)}{P(A)}
P(B∣A)=ΩXΩZ=P(A)P(AB)
4.如果条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 大于 P ( B ) P(B) P(B),代表事件 A 的发生会促进事件 B 的发生,例如上面投骰子的例子。还有可以看下图,本身 P ( B ) P(B) P(B) 的概率是比较小的,在事件 A 已发生的情况下,由于相交部分较多,事件 B 发生的概率也提升了:
5.如果条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 小于 P ( B ) P(B) P(B),代表事件 A 不会促进事件 B 的发生,例如事件 A 为投骰子点数为偶数,事件 B 为投骰子点数小于 < 4,事件 A 和 事件 B 发生的概率都为 1 / 2 1/2 1/2,事件 A、B 同时发生的概率是 1 / 6 1/6 1/6,条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 为 1 / 3 1/3 1/3。还有可以看下图,本身 P ( B ) P(B) P(B) 的概率是比较大的,在事件 A 已发生的情况下,由于相交部分较少,事件 B 发生的概率被降低了:
6.如果条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 等于 0,代表事件 A 与事件 B 完全不相交,即事件 A 发生则事件 B 一定不会发生,事件 A 与事件 B 是不相容事件,或者是互斥事件。如下图所示:
7.还有可能条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 等于 P ( B ) P(B) P(B),在这种情况下其实就是事件 A、B 的发生互不相关,例如有两个骰子,事件 A 为骰子 1 投出点数 6,事件 B 为骰子 2 投出点数 2,事件 A 和 事件 B 发生的概率都为 1 / 6 1/6 1/6,那么事件 A、B 同时发生的概率是 1 36 \\frac{1}{36} 361,条件概率 P ( B ∣ A ) P(B|A) P(B∣A) 等于 1 6 \\frac{1}{6} 61,我们一般称这种为独立事件。如下图所示:
全概率公式与骰子实验验证
假设有 A 1 , A 2 , . . . , A n A_1,A_2,...,A_n A1,A2,...,An 这些互斥事件,包含了实验所有可能的结果:
即有 P ( A 1 ) + P ( A 2 ) + . . . + P ( A n ) = 1 P(A_1) + P(A_2) + ... + P(A_n) = 1 P(A1)+P(A2)+...+P(An)=1。拿刚刚的骰子举例,其实就是抛一次骰子,点数分别为 1,2,3,4,5,6.
假设再有一个事件 B,用古典概率表示如图:
事件 B 的概率,可以通过事件 B 在
A
1
,
A
2
,
.
.
.
,
A
n
A_1,A_2,...,A_n
A1,A2,...,An 这些互斥事件上的条件概率以及这些事件的概率进行计算,即全概率公式: 以上是关于实例复习机器学习数学 - 1. 事件与概率的主要内容,如果未能解决你的问题,请参考以下文章
条
件
:
P
(
A
1
)
+
P
(
A
2
)
+
.
.
.
+
P
(
A
n
)
=
1
条件:P(A_1) + P(A_2) + ... + P(A_n) = 1
条件:P(A1)+P(A2)+...+P(An)=1
结
果
:
P
(
B
)
=
P
(
B
Ω
)
=
P
(
B
A
1
)
+
P
(
B
A
2
)
+
.
.
.
+
P
(
B
A
n
)
=
P
(
A
1
)
P
(
B
∣
A
1
)
+
P
(
A
2
)
P
(
B
∣
A
2
)
+
.
.
.
+
P
(
A
n
)
P
(
B
∣
A
n
)
结果:P(B) = P(B\\Omega) = P(BA_1) + P(BA_2) + ... + P(BA_n) = P(A_1)P(B|A_1) + P(A_2)P(B|A_2) + ... + P(A_n)P(B|A_n)
结果:P(B)=P(BΩ)=P(BA1)+P(BA2)+...+P(BAn)=P(A1)P(B∣A1)+P(A2)P(B∣A2)+...+P(An)P(B∣An)
例如事件 B 就是投出的骰子为偶数,
P
(
B
)
=
1
2
P(B) = \\frac{1}{2}
P(B)=21,
P
(
A
点
数
=
1
)
P
(
B
∣
A
点
数
=
1
)
+
P
(
A
点
数