1. 程式人生 > >離散概率初步 一、全概率公式

離散概率初步 一、全概率公式

前天看了下離散初步,打算寫下了,這是第一部分,之後的不確定什麼時候會上線。。。

一、全概率公式:

PA=P(A|B1)*P(B1)+P(A|B2)*P(B2)*……P(A|Bn)*P(Bn)   P(B1)+P(B2)+……P(Bn)=1

注:P(A|B1)表示在B1的條件下A發生的概率。

直觀的理解就是將樣本空間不遺漏不重複劃分成可能事件B1、B2、B3……Bn,那麼事件A在樣本空間內可能發生的概率就等於事件A在B1、B2、B3……Bn事件中可能發生的概率之和。

運用全概率公式首先有兩個前提步驟:

1、 樣本空間的劃分及概率的確定。

2、 事件A在劃分出的各事件中發生概率的確立。

應該是非常容易理解的,下面講幾個簡單的例題:

例一:UVA10491 奶牛和轎車

有這麼一個電視節目:你的面前有3個門,其中兩扇門裡會是奶牛,另外一扇門裡則藏著獎品——一輛豪華的小轎車。在你選擇一扇門後,門並不會立即開啟,這時,主持人會給你一個提示,具體的方法是開啟一扇有奶牛的門(不會開啟你已經選擇的那個門,即使裡面是牛)。接下來你有兩種選擇:保持先前的選擇,或者換另外一扇未開的門。當然,你最終選擇開啟的那扇門的後面的東西就歸你了。

現在把這個問題推廣一下,假設有a頭牛,b輛車(門的總數為a+b),在最終選擇前主持人會為你開啟c扇有牛的門(1<=a,b<=10000,0<=c<a),輸出總是換門的策略下,贏得車的概率。

題目分析:

根據蒙提霍爾問題(未接觸過的可以自行百度瞭解)我們可以確定改變之前的選擇更容易勝出,那麼我們開始分析題意

首先確定排除前總共有a+b扇門,排除了c扇門,排除後還有a+b-c扇門,可選的門就有a+b-c-1。我們將贏得車設為事件A。

第一步:樣本空間的劃分及概率的確定。

很明顯第一次選的門後面不是車就是牛。那麼將樣本空間劃分為B1和B2。事件B1為第一次選的門後面為車,P(B1)=b/(a+b);事件B2為第一次選的門後面為牛,P(B2)=a/(a+b)。

第二步:事件A在劃分出的各事件中發生概率的確立。

在B1的情況下,因為第一次選的是車,所以再次選中車的情況為b-1,所以P(A|B1)=(b-1)/(a+b-c-1)

在B2的情況下,因為第一次選的是牛,所以再次選中車的情況仍為b,所以P(A|B2)=b/(a+b-c-1)。

最後運用公式即可:

P(A)=P(A|B1)*P(B1)+P(A|B2)*P(B2)=(b*b-b+a*b)/[(a+b)*(a+b-c-1)]

相關推薦

離散概率初步 概率公式

前天看了下離散初步,打算寫下了,這是第一部分,之後的不確定什麼時候會上線。。。 一、全概率公式: P(A)=P(A|B1)*P(B1)+P(A|B2)*P(B2)*……P(A|Bn)*P(Bn)   P(B1)+P(B2)+……P(Bn)=1 注:P(A|B1)表示在B1

概率與數理統計學習總結三--條件概率概率貝葉斯離散型隨機變數

老師課堂總結,請勿轉載 條件概率 設試驗E的樣本空間為S,  A,  B是事件, 要考慮在A已經發生的條件下B發生的概率, 這就是條件概率問題. 1. 定義:    設A, B是兩個事件, 且P(A)>0, 稱 為在事件A發生的條件下事件B發生的條件概率 條件概率滿

聯合概率及其分佈邊緣概率及其分佈條件概率及其分佈和貝葉斯定理

文章目錄 聯合概率及其分佈、邊緣概率及其分佈、條件概率及其分佈 聯合概率與聯合概率分佈 邊緣概率與邊緣概率分佈 條件概率與條件概率分佈 聯合概率、邊緣概率、條件概率之間的關係 離散型分佈的情況 連

概率公式貝葉斯公式(二)

(1)條件概率公式         設A,B是兩個事件,且P(B)>0,則在事件B發生的條件下,事件A發生的條件概率(conditional probability)為:             &n

概率公式貝葉斯公式推導過程(在原博文的基礎上有補充)

(1)條件概率公式 設A,B是兩個事件,且P(B)>0,則在事件B發生的條件下,事件A發生的條件概率(conditional probability)為: P(A|B)=P(AB)/P(B) (2)乘法公式 1.由條件概率公式得: P(A

概率初步入門(含貝葉斯公式概率公式

n個事件H1,H2,...Hn互相間獨立,且共同組成整個事件空間S,即  ,而且  。這時A的概率可以表示為 例如,一個隨機試驗工具由一個硬幣和2個袋子組成,袋子1裡有5個白球和1個黑球,袋子2裡有3個白球和7個黑球,試驗規則是首先擲骰子,如果硬幣為正面,則袋子1被選擇,如果硬幣反面,則袋子2被選擇,然後在選

概率公式貝葉斯公式推導過程

(1)條件概率公式         設A,B是兩個事件,且P(B)>0,則在事件B發生的條件下,事件A發生的條件概率(conditional probability)為:                      P(A|B)=P(AB)/P(B) (2)乘法公式          1.由條件概率

uva-11021-概率公式

sta mes -- href string 產生 公式 problem scanf https://vjudge.net/problem/UVA-11021     有n個球,每只的存活期都是1天,他死之後有pi的概率產生i個球(0<=i<n),一開始有k

【概率論】條件概率 & 概率公式 & 樸素貝葉斯公式

  0. 說明   條件概率 & 全概率公式 & 樸素貝葉斯公式 學習筆記     參考   scikit-learn機器學習(五)--條件概率,全概率和貝葉斯定理及python實現   1. 條件概率   【定義】   已知 事件A 發

概率公式(二)

1.條件概率公式              上一節講了概率論的定義,這節主要講全概率公式。說到全概率公式,就不得不先把條件概率公式交代清楚了。我們來先看看條件概率公式:   &

2018.11.09【UVA11021】Tribles(概率DP)(不用概率公式

傳送門 強烈譴責: 對於懂全概率公式的人來說這是一道水題。 然而就是這群懂全概率公式的人寫著一篇篇題解與程式碼不符的部落格。連遞推陣列 f

概率論中的條件概率-概率-貝葉斯公式

  1、條件概率公式         設A,B是兩個事件,且P(B)>0,則在事件B發生的條件下,事件A發生的條件概率(conditional probability)為:   

條件概率,乘法公式,概率公式及貝葉斯公式的推導

條件概率,乘法公式,全概率公式及貝葉斯公式的推導 條件概率 乘法公式 全概率公式 貝葉斯公式 推導過程 條件概率 條件概率是指事件A在另外一個事件B已經發生條件下的發生概率。條件概率表示為:

淺談概率公式和貝葉斯公式

一、條件概率公式     舉個例子,比如讓你背對著一個人,讓你猜猜背後這個人是女孩的概率是多少?直接猜測,肯定是隻有50%的概率,假如現在告訴你背後這個人是個長頭髮,那麼女的概率就變為90%。所以條件

概率公式和貝葉斯公式(轉載)

在概率論與數理統計中,有兩個相當重要的公式——全概率公式與貝葉斯公式。然而很多人對這兩個公式感到非常迷茫。一來不知道公式背後的意義所在,二來不知道這些冰冷的公式能有什麼現實應用。 1. 全概率公式 在講全概率公式之前,首先要理解什麼是“完備事件群”。  我們將滿足 

python樸素貝葉斯實現-1( 貝葉斯定理,概率公式 )

樸素貝葉斯 (naive Bayes) 法是基於貝葉斯定理與特徵條件獨立假設的分類方法。 在研究樸素貝葉斯 之前,先回顧下:概率論中的條件概率以及貝葉斯定理。 本部分內容基本來源於 盛驟, 謝

貝葉斯公式先驗概率後驗概率

先驗概率:         在缺少某個前提下的變數概率,在機器學習中就是沒有訓練樣本,在訓練之前的初始概率:P(w) 後驗概率:         在有了樣本資料以後,對變數進行概率的修正,得到的概率就是後驗概率,,例如g是樣本,則後驗概率是:P(w | g) 貝葉斯公式:

關於條件概率概率公式,貝葉斯公式

        今天看到關於貝葉斯公式的一個比較全面的應用,但是在看的時候突然發現自己以前對於貝葉斯公式的記憶已經模糊,故從頭開始把概率論這些基本的公式全部重新學習一般,並記錄下來,希望能以一個淺顯易懂的方式表達出來。下面直接進入正題。         首先說條件概率,我們

概率公式和貝葉斯公式

看了一些PPT,終於明白了全概率公式的含義(其實我是腦殘),總會把東西想複雜化 先來概述一下前期接觸到的概率公式: (1)加法公式:P(A+B) = P(A) + P(B) - P(AB) (2)減法公式:P(A-B)  = P(A) - P(AB) (3)乘法公式:P(A

理解概率公式與貝葉斯公式

在概率論與數理統計中,有兩個相當重要的公式——全概率公式與貝葉斯公式。然而很多人對這兩個公式感到非常迷茫。一來不知道公式背後的意義所在,二來不知道這些冰冷的公式能有什麼現實應用。 1. 全概率公式 在講全概率公式之前,首先要理解什麼是“完備事件群”。  我們將滿足  BiB