版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/u011240016/article/details/84624749
概率往往是反直觉的。
统计数字的概率
第一数字定律(本福特定律):给定正整数N,统计从1到N!的所有数中,首位数字出现1的概率,为2的概率等等,直到为9的概率。
直观猜测可能是各约为KaTeX parse error: Expected '}', got 'EOF' at end of input: \frac{1]{9},通过计算得出,以1为首的数字出现的概率最高,约为
31。
不仅仅是阶乘,还有斐波那契,素数数列等等,且从1到9为首位出现的概率递减。
概率公式
条件概率
P(A∣B)=P(B)P(AB)
全概率公式
P(A)=i∑NP(A∣Bi)P(Bi)
贝叶斯公式
P(Bi∣A)=∑jP(A∣Bj)P(Bj)P(A∣Bi)P(Bi)
是条件概率 + 全概率公式的综合运用。
贝叶斯例题
8支步枪中5支校准过,3支未校准过。射手用校准过的枪射击,中靶概率是0.8,未校准的枪射击,中靶概率0.3。现在随机抽取一把枪射击,结果中靶,那么这把枪是已经校准过的概率是多少。
Ans:
问题描述如下:
P(G=1)=85P(G=0)=83P(A=1∣G=1)=0.8P(A=0∣G=1)=0.2P(A=1∣G=0)=0.3P(A=0∣G=0)=0.7求:P(G=1∣A=1)=?
问题变换:
P(G=1∣A=1)=P(A=1)P(G=1,A=1)=P(A=1)P(A=1∣G=1)P(G=1)=P(A=1∣G=0)P(G=0)+P(A=1∣G=1)P(G=1)P(A=1∣G=1)P(G=1)=0.3×83+0.8×850.8×85=0.8163
机器学习中的贝叶斯
给定若干样本x,计算参数
θ:
P(θ∣x)=P(x)P(x∣θ)P(θ)
其中:
P(θ): 没有数据支持时,
θ发生的概率,称作先验概率。
P(θ∣x): 有数据支持时,
θ发生的概率,称作后验概率。
P(x∣θ): 给定参数
θ时,数据的分布。
END.