跳转至

概率基础⚓︎

约 734 个字 预计阅读时间 2 分钟 总阅读量

这个链接对于撰写贝叶斯定理和应用的部分有较大帮助,置顶感谢🙏;

全概率 / 贝叶斯公式⚓︎

  • 全概率公式: \(P(A) = \sum \limits^{n}_{i = 1} P(B_i | A) P(B_i)\)
  • 条件概率公式: \(P(B_i | A ) = \dfrac{P(A B_i)}{P(A)}\)

\(A\) 是实验中的一个事件,\(B_i\) 是样本空间的一个划分,规定其概率均不为0;有:

  • 贝叶斯公式: \(P(B_i | A) = \dfrac{P(B_i) P(A | B_i)}{ \sum \limits^{n}_{j=1} P(B_j) P(A | B_j)}\)
    • \(P(B_i)\)先验概率
    • \(P(A | B_i)\)是已知B_i发生后A的后验概率
    • \(P(B_i | A)\)是已知A发生后B_i的后验概率
    • \(Pr(B)\)【分母】是B的先验概率或边缘概率,也作标准化常量(normalized constant)。
先验概率
若事件\(B1, B2, …, Bn\) 是引起事件 \(A\) 发生的 \(n\) 个原因,它们的概率 \(P(Bi) (i=1, 2, …, n)\) 是在对 \(A\) 观察前就已知的,因此通常叫做==先验概率==。
后验概率
如果在一次试验中,事件 \(A\)(结果)发生了,那么反过来:\(A\) 的发生==是由第 \(i\)个原因引起的概率 \(P(Bi|A)\) 是==多少?这就是贝叶斯公式解决的问题。通常称 \(P(Bi|A) (i=1, 2, …, n)\)后验概率
分析
全概率公式是“由因导果”的一个过程,贝叶斯公式则是“由果溯因”的一个推断公式。

独立性⚓︎

  • \(P(AB) = P(A) P(B)\) ,也就是,\(P(B | A) = P(B)\)
  • 两事件共同发生的概率 \(= A\)发生的概率 $* B $发生的概率,那么两个事件相互独立;
  • 事件独立性:对于\(A_1, ... ,A_n\),一共n个事件,如果对于其中任意\(2/3/4/5.../n\)个事件的积事件的概率等于他们发生的概率的积,那么这\(n\)个事件相互独立;
  • 随机变量的独立性:
    • 对于连续的随机变量\((X,Y)\),如果他们的联合分布函数 = X的分布函数 * Y的分布函数,就说他们是相互独立的;
    • 上述同样可以表述为,如果他们的联合概率密度 = X的边缘概率密度 * Y的边缘概率密度,那么说他们相互独立;

区分一下相关性和独立性:⚓︎

  • 独立一定不相关,表明多个随机变量之间没有关系
  • 但是不相关不一定独立,因为不相关只是说明了两随机变量之间没有线性关系,还有可能有其他关系,比如\(X \sim N(0,1), Y = X^2\),此时两者不独立,但是他们的相关性系数 = 0;
  • 相关是一种线性关系,而独立是一种一般关系

边缘概率分布/概率密度⚓︎

  • 在多维随机变量中,仅考虑其中部分变量的概率分布;可以起到一个降维的作用。