![帶你瞭解馬爾科夫鏈和條件概率](http://p2.ttnews.xyz/loading.gif)
馬爾科夫鏈
馬爾可夫鏈(Markov Chain),描述了一種狀態序列,其每個狀態值取決於前面有限個狀態。馬爾可夫鏈是具有馬爾可夫性質的隨機變量X_1,X_2,X_3...的一個數列。這些變量的範圍,即它們所有可能取值的集合,被稱為“狀態空間”,而X_n的值則是在時間n的狀態。
- 馬爾科夫鏈模型
⑴ 因概率值過小,計算機的精度難以保障而出現下溢,若層次多,這一 問題更為突出.雖然可以通過取對數的方法將接近於 0 的小值轉換成大的負值,但若層次過多、概率值過小,該 方法也難以奏效,且為了這些轉換所採用的技巧又增加了不少計算量;
⑵ 當圖像較大而導致層次較多時,逐層 的計算甚為繁瑣下溢現象肯定會出現,存儲中間變量也會佔用大量空間,在時間空間上都有更多的開銷 ;
⑶ 分層模型存在塊效應,即區域邊界可能出現跳躍,因為在該模型中,同一層隨機場中相鄰的像素不一定有同 一個父節點,同一層的相鄰像素間又沒有交互,從而可能出現邊界不連續的現象。
![帶你瞭解馬爾科夫鏈和條件概率](http://p2.ttnews.xyz/loading.gif)
- 馬爾科夫鏈描述
(1) 具有初始狀態和終結狀態的馬爾科夫鏈描述如下:
(2) 沒有初始狀態和終結狀態的馬爾科夫鏈描述如下:
在一個一階馬爾可夫鏈中,我們假設一個特定的概率只與它前面一個狀態有關,馬爾可夫假設可以表示如下:
從一個狀態i出發的所有弧的概率之和為1,即:
- 馬爾科夫鏈應用實例
無初始狀態和終結狀態下,天氣事件(1)hot hot hot hot 和(2)cold hot cold hot的馬爾科夫鏈的序列概率:
(1) hot hot hot hot =0.5*0.5*0.5*0.5=0.0625
(2) cold hot cold hot=0.3*0.2*0.2*0.2=0.0024
條件概率
條件概率是指事件A在另外一個事件B已經發生條件下的發生概率。條件概率表示為:P(A|B),讀作“在B的條件下A的概率”。條件概率可以用決策樹進行計算。條件概率的謬論是假設 P(A|B) 大致等於 P(B|A)。數學家John Allen Paulos 在他的《數學盲》一書中指出醫生、律師以及其他受過很好教育的非統計學家經常會犯這樣的錯誤。這種錯誤可以通過用實數而不是概率來描述數據的方法來避免。
- 定理
定理1
設A,B 是兩個事件,且A不是不可能事件,則稱 P(A|B)=P(AB)/P(B)為在事件A發生的條件下,事件B發生的條件概率。一般地P(B/A)≠P(B) 且它滿足以下三條件:
(1)非負性;(2)規範性;(3)可列可加性。
定理2(貝葉斯定理)
設B1,B2,…Bn…是一完備事件組,則對任一事件A,P(A)>0,有
- 應用實例
給定一個球,它擊中了紅色架子(A事件),而後擊中藍色架子(B事件)的概率會是多少呢?可以通過給定A的條件概率,即P(B | A)來回答這個問題。
閱讀更多 咱小二 的文章