条件概率分布与边缘概率分布
1.条件概率分布
这是理解马尔科夫链的重要概念，单独成文
参考百科：http://baike.baidu.com/view/1969485.htm?fr=aladdin
大家都能理解概率分布，但加了条件二字，就难理解了。我比较讨厌官方的定义，术语太绕，我的理解如下：
设X和Y分别是概率分布（如正态分布那种直观的），那么(X,Y)就是联合概率分布，又称为二维随机变量。这种联合概率分布就不那么直观了。但用条件概率分布这个概念定义，可以把抽象变为形象。
具体这样做，假设X是均匀分布，1-10这个数字出现的可能性都是0.1，而Y也是均匀分布，21-30数组出现的可能性都是0.1。
把Y取一个固定值，如：1，这样Y就是100%出现了，只需要考虑X的概率分布。21出现的可能性是X21，即0.1的概率。但是如果想得到联合概率(X21,Y1),要怎么做？这时把X1的概率也算进去就可以了，用P(X=1)*P(Y=21)，就可以算出P(X=1,Y=21)。
可见，条件概率分布，作用是简化“联合概率分布”，这样，联合概率分布成为可以被“数学运算”的概念。这是处理复杂随机过程的一个基本理念，虽然简单（就是把复杂的概率概念，转化为简单的概率概念，是一个化繁为简的思想），但要铭记于心。
可见，要处理复杂问题，关键是掌握化繁为简的能力，从简单概念入手是掌握随机过程的诀窍。想到马尔科夫链，首先要想到条件概率，然后要想到普通的概率分布。
2.边缘概率分布
下文写的不错，就不画蛇添足了。
下文转自：http://www.baike.com/wiki/边缘分布
某一组概率的加和，叫边缘概率。边缘概率的分布情况，就叫边缘分布。和“边缘”两个字本身没太大关系，因为是求和，在表格中往往将这种值放在margin（表头）的位置，所以叫margin distribution。
marginal distribution，边缘分布（有时也翻译成边界分布）。
如果我们把每一个变量的概率分布称为一个概率分布，那么边缘分布就是若干个变量的概率加和所表现出的分布。举个例子，假设P(B),P(C),P(A|B),P(A|C)已知，求P(A)。那么P(A)=sum(P(B)*P(A|B),P(C)*P(A|C))。
再举个简单的例子：对于一个任意大小(n*n)的概率矩阵X，每一个元素表示一个概率，对于其中任一行或任一列求和，得到的概率就是边缘概率。如果写成式子，就是第i行有以下边缘分布：P(i)=sum(P(i,j),for each j in n)。
对，定义就是这么简单。就是指的某一些概率的加和值的分布，其实就对应一个等式，让它等于某种概率加和运算。
为什么叫"marginal"呢？是因为这个值曾经用于表示某一个概率矩阵中某一行或某一列的概率加和，而这个加和在table中往往放在margin（表头）的位置，所以叫marginal distribution，翻译过来变成了边缘概率，汗…偶还以为很边缘……
条件概率分布与边缘概率分布相关推荐
- 概率分布--------离散概率分布和连续概率分布
解释关键词: 概率分布:离散概率分布和连续概率分布 随机变量:量化的随机世界的函数 分布:数据在统计图中的形状 概率分布:用统计图来表示随机变量所有可能的结果和对应结果发生的概率 离散的概率计算是体积 ...
- 条件触发和边缘触发 及 epoll 的长处
条件触发: 仅仅要输入缓冲有数据就会一直通知该事件 边缘触发: 输入缓冲收到数据时仅注冊1次该事件.即使输入缓冲中还留有数据,也不会再进行注冊 水平触发(level-triggered.也被称为条件触 ...
- tensorflow如何做幂律分布_离散概率分布与连续概率分布
随机变量:随机变量(random variable)表示随机试验各种结果的实值单值函数.随机事件不论与数量是否直接有关,都可以数量化,即都能用数量化的方式表 概率:,它反映随机事件出现的可能性(lik ...
- python 概率分布_python实现概率分布
伯努利分布 from scipy import stats import numpy as np import matplotlib.pyplot as plt x=np.arange(0,2,1) ...
- 数据科学中的离散概率分布与连续概率分布
First lets define some terms for clarity 首先让我们定义一些术语以使其清晰 The sample space ΩThe sample space is the ...
- 朴素贝叶斯、贝叶斯网络分类器
目录 贝叶斯定理 贝叶斯分类 朴素贝叶斯分类器 ...
- 线性动态系统LDS（别名:卡尔曼滤波）
1.概率图模型加上时间维度,变成动态系统 2.HMM是一个典型的动态系统,它的隐状态是离散的 3.线性动态系统(LDS)是隐变量为连续时的动态系统 4.LDS又称卡尔曼滤波,它更关心滤波问题 5.利用 ...
- 贝叶斯网专题4：概率推理中的变量消元方法
文章目录 第一部分:贝叶斯网基础 [1.1 信息论基础](https://blog.csdn.net/deepbodhi/article/details/119823055) [1.2 贝叶斯网基本概 ...
- CS188 Project 4: Inference in Bayes Nets(4-6)
CS188 Project 4: Inference in Bayes Nets Question 4 (4 points): Eliminate 原理 方法 代码 结果 Question 5 (4 ...
最新文章
- Calendar使用方法
- Spring 建立简单的示例
- xfce中的window manager
- 【Vegas原创】恢复Oracle Package的笨方法
- P3711 仓鼠的数学题（伯努利数）
- iRobot 公司招聘，机器人、SLAM、视觉感知、路径规划方向
- 电学 —— 库仑定律
- Beyond Compare可以进行二进制比较
- mysql java 查寻用户_mysql 查询不同用户 最新的一条记录
- Disease Ontology:人类疾病分类数据库
- 真正的即插即用！盘点11种CNN网络设计中精巧通用的“小”插件
- mm1排队论编程c语言,完整版MM1排队系统仿真matlab实验报告
- 抽象类、接口、内部类和枚举
- React简介--尚硅谷react全家桶笔记总结
- Python --- Numpy 创建n维数组基本方法
- BackupManagerService分析 基于Android 8.0
- 网页整体放大/缩小的实现
- 有n个人围成一圈 顺序排号 java_java有n个人围成一圈,顺序排号。从第一个人开始报数(从1到3报数),凡报到3的人退出...
- python爬虫实现豆瓣模拟登录
- 微信内点击链接或扫描二维码直接打开手机默认浏览器打开指定网页