条件期望--对条件概率的讨论

摘要:
计算条件分量P{X˃5|Y=5}的概率方法1:即前4次无5分和6分的概率,第5次5分的概率。首先计算P{X˃5,Y=5},并考虑前5次中第五次出现5个点的概率为4*4*4*1/(6*6*6*6*6)P{Y=5}是几何分布概率为(1-1/6)^4*1/6=,那么前4次只有5分

条件期望--对条件概率的讨论第1张

条件期望--对条件概率的讨论第2张

计算条件件概率P{X>5|Y=5}

方式1:即在前4次中没有出现5点6点在5次出现5点的概率, 首先计算P{X>5,Y=5} ,考虑前5次 中第5次出现5点的概率是  4 * 4 *4 *4 *1/(6*6*6*6*6)

P{Y=5}是几何分布概率是 (1-1/6)^4 * 1/6=(5/6)^4 * 1/6  , P{X>5,Y=5}/P{Y=5}= (4/5)^4

方式2:考虑第5次出现5点情况下,前4次不出现6点,那么前4次只有5个点数(1,2,3,4,6)可选,并且4次实验不出现6点那么就是(4/5)^4 ---这种方式使用条件概率的条件要直观先

计算条件概率P{X=2|Y=5}

方式1:首先计算P{X=2,Y=5}  4*1*5*5*1/(6 *6 *6 *6 *6),P{Y=5}同上结果是(4/5)*(1/5)

方式2:考虑第5次出现5点情况下,第1次不出现6点第2次出现6点接着2次可以是5点中的任意点数,那么概率是 4 * 1 *5*5/(5*5*5*5)= (4/5)*(1/.5)--注意这里使用5点在第5次出现的条件

方式3:考虑P{Y=5|X=2}*P{X=2} 明显P{X=2}=(5/6)*(1/6),  采用方式2考虑P{Y=5|X=2}考虑第1步只有5种选择(使用了条件),而且不能为5点,那么有 (4/5) 第2步使用条件是1,第3步开始

跟条件明显无关了,那么在第5次出现第1个5点的情况下式  5*5*1/(6*6*6)  那么p{Y=5|X=2}=   4*1*5*5*1/(5*1*6*6*6) 这个乘以P{X=2} 结果是41551/66666=P{X=2,Y=5}

免责声明:文章转载自《条件期望--对条件概率的讨论》仅用于学习参考。如对内容有疑问,请及时联系本站处理。

上篇使用selenium模拟登陆12306以及滑块验证Zookeeper(1)---初识下篇

宿迁高防,2C2G15M,22元/月;香港BGP,2C5G5M,25元/月 雨云优惠码:MjYwNzM=

相关文章

概率与期望在oi中的有关公式及其应用

考完THUSC2019回来的我发现自己对概率与期望一无所知... 因此这一篇应该是填一个(给自己)挖了差不多两年的坑... 接下来详细介绍概率与期望问题: (接下来所有内容均是按个人理解进行的表述,如有问题请不吝指出!) 一.概率 定义:在大量进行的实验中,一个事件发生的频率会稳定在一个定值,这个定值称为这个事件的概率 古典概型:如果可能发生的结果数量为$...

AUC指标深度理解

AUC 指标 直观意义 AUC 指标用于评价分类器对于正、负样例的辨别能力,对出结果的排序位置(按照预测为正例的概率)敏感。 为什么提出这个指标? 一般来讲,精确率、召回率等指标,都需要设定一个阈值去判别是属于正类还是负类,例如预测分大于等于0.5判别为正类,小于0.5判别为负类。如何设定这个阈值,是个问题。而AUC这个指标则不需要设阈值。(或者说,每种...

机器学习--用朴素贝叶斯分类法辨别男女声音

和前面介绍到的kNN,决策树一样,贝叶斯分类法也是机器学习中常用的分类方法。贝叶斯分类法主要以概率论中贝叶斯定理为分类依据,具有很广泛的应用。本文通过一个完整的例子,来介绍如何用朴素贝叶斯分类法实现分类。主要内容有下:     1、条件概率与贝叶斯定理介绍     2、数据集选择及处理     3、朴素贝叶斯分类器实现     4、测试分类效果     5...

统计学习方法 李航---第5章 决策树

第5章 决策树 决策树(decision tree)是一种基本的分类与回归方法。本章主要讨论用于分类的决策树。决策树模型呈树形结构,在分类问题中,表示基于特征对实例进行分类的过程。它可以认为是if-then规则的集合,也可以认为是定义在特征空间与类空间上的条件概率分布。其主要优点是模型具有可读性,分类速度快。学习时,利用训练数据,根据损失函数最小化的原则建...

机器学习 —— 概率图模型(贝叶斯网络)

  概率图模型(PGM)是一种对现实情况进行描述的模型。其核心是条件概率,本质上是利用先验知识,确立一个随机变量之间的关联约束关系,最终达成方便求取条件概率的目的。 1.从现象出发---这个世界都是随机变量   这个世界都是随机变量。   第一,世界是未知的,是有多种可能性的。   第二,世界上一切都是相互联系的。   第三,随机变量是一种映射,把观测到的...

机器学习 -- 统计与分布

      机器学习中用到的一些统计方面的概念。 1. 标准差     公式:       假设一个班有30个学生,每个学生的语文课的考试成绩是 Xi, 平均分是80,标准差 不是每个学生的成绩减去平均分的平方的和,再除以学生数,然后再开方。     意义: 标准差越大,表示学生之间的水平相差较大。 2. 加权均值     平均值计算时,按照权重的。比如...