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(BA)

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:

image

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(BA)=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(BA)=ΩXΩZ=P(A)P(AB)

4.如果条件概率 P ( B ∣ A ) P(B|A) P(BA) 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:

image

5.如果条件概率 P ( B ∣ A ) P(B|A) P(BA) 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(BA) 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:

image

6.如果条件概率 P ( B ∣ A ) P(B|A) P(BA) 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:

image

7.还有可能条件概率 P ( B ∣ A ) P(B|A) P(BA) 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(BA) 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:

image

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:

image

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:

image

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:
条 件 : P ( A 1 ) + P ( A 2 ) + . . . + P ( A n ) = 1 条件:P(A_1) + P(A_2) + ... + P(A_n) = 1 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) P(B)=P(BΩ)=P(BA1)+P(BA2)+...+P(BAn)=P(A1)P(BA1)+P(A2)P(BA2)+...+P(An)P(BAn)
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

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

机器学习数学基础 - 概率论

实例复习机器学习数学 - 2. 几种典型离散随机变量分布

机器学习数学基础总结

机器学习:2.机器学习相关数学基础

机器学习数学系列:机器学习与数学基础知识

2.机器学习相关数学基础