機率筆記 (3) — 互斥和獨立


1.    互斥  mutually exclusive
      P(A∪B) = P(A) + P(B)   ∵ P(A∩B) = Ø

2.    獨立    independence
       P(A∩B) = P(A) ‧ P(B)     (if and ony if)
已知一些information (B)，但對整個條件機率沒有任何幫助或影響。
P(A | B) 還是等於 P(A)，P(B | A) 也還是等於 P(B)

留言

張貼留言

這個網誌中的熱門文章

機率筆記 (1)

1. Probability is based on a repeatable experiment ，其中 experiment = procedure + observation 。例如為了知道買 A 款和 B 款手機的機率，procedure 就是到店裡調查，observation 為觀察下一個客人是買哪款手機。注意即使 procedure 一樣，若 observation 不同 ( 即有興趣的點不同 )，則實驗就不相同。此時所得的 model 屬於 equal likely，因為客人沒有特別偏好， A 和 B 的機率差不多。另外， outcome 為一次實驗所得的特定結果， event 為某一組 outcome 的集合。 2.  (1) Mutually exclusive sets ( 互斥 ) : 代表集合間的交集為空集合。( 重要 , 很多概念由此衍生 )       p.s. 若一事件的發生並不影響另一事件，則稱為獨立事件。      (2) Collectively exhausive sets ( 周延 ) : 代表進行某次實驗所得的結果一定在這些集合裡面。      (3) Partition : mutually exclusive 和 collectively exhausive 同時滿足。 3. Sample space : 把所有 outcome 集合起來，須滿足 3 個條件 —     (1) mutually exclusive     (2) collectively exhausive   (3) finest - grain     finest - grain : all possible distinguishable outcomes are identified separately ( 代表須為最小單位 ) 4. outcome、event、sample space 的關係 :     (1) outcome — element     (2) event...
閱讀完整內容

離散數學筆記 — vertex cut

1.  在圖   G  中，如果去掉一點   v ，剩下的圖   G  產 生比 圖   G  更多   connected component ，那 麼 這個點就 是   cut vertex 。但是在   complete graph 裡，找不到這 麼 一個 點   v  可以生成更多的   connected component ，所以   complete graph  並沒有   cut vertex 。 ( e.x. K4  去掉任一點只會變成  K3 ， 它 還是只有一個連通 圖   ) 2. Vertex cut  則是由點組成的一個集合，去掉這些點，剩下的圖   G  就會變成   disconnected 。 3. Vertex connectivity ，即   k(G) ，則是指最少要去掉幾個點，也就是   vertex cut  的最小數目，剩下的圖   G  會變成   disconnetced ，或是變成只剩單獨一點 。 (  因 為   vertex cut  可能有包含很多點，但其實用不著那 麼 多個點就能讓剩下的 圖   G  變成   disconnected ，所以另外定義   k(G)  ) e.x.  (1) k(K4)=3 — 因 為   complete graph  沒有   vertex cut ，所以   k(Kn) = n-1 ，讓 它 變成單獨一 點         (2) k(C4)=2 — 拿掉對角線兩個點，可另外推得當 n ≧ 3 ， k(Cn)=2         (3) k(W4)=3 — 拿掉中間和對角線兩個點         ...
閱讀完整內容

機率筆記 (4) — 隨機變數

1.       隨機變數 (random variable) 是將一個實數與樣本空間中的每個元素做連結的變數 , 可分為離散 discrete ( 可數 count) 和連續 continuous ( 量測 measured) 2.       對於隨機變數  X, 以 f(x) 表示其所有數值 x 的機率 , 序對 (x, f(x)) 的集合稱為隨機變數  X  的機率 質量函數  PMF (probability mass function) 3.       累積分布函數  CDF (cumulative distribution function) F(x) = P(X  ≦   x) 計算隨機變數 X 的數值小於或等於某實數  x  的機率        是單調不遞減函數 4.       考慮連續 : 探討的是隨機變數的一段區間而不是一個點的數值 , 且區間的末端點是否包含進來並不重要 , 此時 f(x) 稱為機率密度函數  PDF (probability density function) 5.       連續的  CDF F(x) = P(X ≦ x), 所以 P(a<X<b) = F(b) - F(a) 6.       連續的  PDF f(x) 和  CDF F(x) 互為微積分關係 , PDF  積分變  CDF ( 從    -∞  積到  x ) , CDF  微分變  PDF
閱讀完整內容