贝叶斯网络(基础知识)
1 基本概率公理
1)命题
我们已经学过用命题逻辑和一阶谓词逻辑表达命题。在概率论中我们采用另外一种新的表达能力强于命题逻
辑的命题表达方式,其基本元素是随机变量。
如:Weather=snow; Temperature=high, etc。
在概率论中,每个命题赋予一个信度,即概率
2)在随机现象中,表示事件发生可能性大小的一个实数称为事件的概率用 P(A)表示.
如 P(硬币=正面)=0。5。
3)在抛硬币这个随机现象中,落地后硬币的所有可能结果的集合构成样本空间。
4)P(A)具有以下性质:
0 ≤ P(
A
) ≤ 1, P(
)+P(
)=1
P(
true
) = 1 and P(
false
) = 0
P(
A
Ú
B
) = P(
A
) + P(
B
) — P(
A
Ù
B
)
(or, P(
A
∨
B
)=P(
A
)+P(
B
), if
A
∩
B=
,即 A,B 互斥
)
2 随机变量
随机变量是构成语言的基本元素:如本书提到的天气、骰子、花粉量、产品、Mary,公共汽车,火车等等。
1)典型情况下,随机变量根据定义域的类型分成 3 类:
布尔随机变量:如:牙洞 Cavity 的定义域是〈true, false>
离散随机变量:如:天气 Weather 的定义域是<sunny, rainy, cloudy, snow>
连续随机变量:如:温度 Temperature 的定义域是[0, 100]。
这里我们主要侧重于离散随机变量。
2)随机变量的性质
✓ 每个随机变量都有有限个状态,(即状态有限的定义域),且定义域中的值必须互斥。
如天气变量的状态有:〈晴朗、多云、雨、雪>
,
✓ 并且每个状态都同一个实数相联系,该实数表明变量处于该状态时的概率。
如今天的天气情况:P(天气=晴)=0。8
P(天气=多云)=0.1
P(天气=雨)=0。1
P(天气=雪)=0.
或简单的写作:P(Weather)=<0。8,0.1,0。1,0〉
✓ 变量的所有状态的概率取值构成这些状态的概率分布:
))(),(),(()(
21 n
vvvVP
���
��
每个变量状态的概率值为 0~1 的实数,所有状态的概率和为 1。
✓
3)很多情况下,许多随机事件的发生,是由多个因素决定的,即由多个随机变量确定。如: