条件概率条件概率P(A | B)表示在偶数B发生的情况下偶数“ A”发生的概率。
我们可以使用下图轻松理解以上公式。由于B已经发生,因此样本空间减小为B。因此A发生的概率变为P(A∩B)除以P(B)
以下是条件概率的贝叶斯公式。
该公式提供了P(A | B)和P(B | A)之间的关系。它主要是从先前文章中讨论的条件概率公式得出的。
考虑以下条件概率公式P(A | B)和P(B | A)
由于P(B∩A)= P(A∩B),我们可以将第一个公式中的P(A∩B)替换为P(B | A)P(A)
替换后,我们得到给定的公式。有关贝叶斯公式的示例,请参考此内容。
随机变量:
随机变量实际上是一个映射一个随机事件(如掷硬币)的结果提供给真正的价值函数。
例子 :
Coin tossing game :
A player pays 50 bucks if result of coin
toss is "Head"
The person gets 50 bucks if the result is
Tail.
A random variable profit for person can
be defined as below :
Profit = +50 if Head
-50 if Tail
Generally gambling games are not fair for players,
the organizer takes a share of profit for all
arrangements. So expected profit is negative for
a player in gambling and positive for the organizer.
That is how organizers make money.
随机变量的期望值:
随机变量R的期望值可以定义如下
E[R] = r1*p1 + r2*p2 + ... rk*pk
ri ==> Value of R with probability pi
期望值基本上是以下两个条件的乘积之和(对于所有可能的事件)
a)事件的概率。
b)R在那个偶数上的值
Example 1:
In above example of coin toss,
Expected value of profit = 50 * (1/2) +
(-50) * (1/2)
= 0
Example 2:
Expected value of six faced dice throw is
= 1*(1/6) + 2*(1/6) + .... + 6*(1/6)
= 3.5
期望线性:
令R 1和R 2是在某个概率空间上的两个离散随机变量,则
E[R1 + R2] = E[R1] + E[R2]
例如,掷3个骰子的总和的期望值为= 3 * 7/2 = 7
请参阅此以获得更详细的解释和示例。
直至成功的预期试验次数
如果每个试验的成功概率为p,则直到成功的预期试验次数为1 / p。例如,考虑掷出6个面临的公平骰子,直到掷骰子结果为“ 5”为止。在看到5之前,预期的投掷次数为6。请注意,1/6是在每个试验中获得5的概率。因此,试验次数为1 /(1/6)= 6。
再举一个例子,考虑一个QuickSort版本,该版本一直在寻找枢轴,直到选择了中间的n / 2个元素之一。寻找中间枢轴的预期试验次数为2,因为选择中间n / 2个元素之一的概率为1/2。第1组中将更详细地讨论此示例。
请参阅此以获得更详细的解释和示例。
有关随机算法的更多信息:
- 随机算法|第一组(介绍和分析)
- 随机算法|第2组(分类和应用)
- 随机算法|组合3(1/2近似中位数)
所有随机算法主题