Probabilidad condicional La probabilidad condicional P(A | B) indica la probabilidad de que suceda incluso ‘A’ dado que ocurrió el par B.
Podemos entender fácilmente la fórmula anterior usando el diagrama a continuación. Como B ya sucedió, el espacio muestral se reduce a B. Entonces, la probabilidad de que A suceda se convierte en P(A ∩ B) dividida por P(B)
A continuación se muestra la fórmula de Bayes para la probabilidad condicional.
La fórmula proporciona una relación entre P(A|B) y P(B|A). Se deriva principalmente de la fórmula de probabilidad condicional discutida en la publicación anterior .
Considere las siguientes fórmulas para las probabilidades condicionales P(A|B) y P(B|A)
Dado que P(B ∩ A) = P(A ∩ B), podemos reemplazar P(A ∩ B) en la primera fórmula con P(B|A)P(A)
Después de reemplazar, obtenemos la fórmula dada. Consulte esto para ver ejemplos de la fórmula de Bayes.
Variables aleatorias:
una variable aleatoria es en realidad una función que asigna el resultado de un evento aleatorio (como el lanzamiento de una moneda) a un valor real.
Ejemplo :
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.
Valor esperado de la variable aleatoria:
el valor esperado de una variable aleatoria R se puede definir de la siguiente manera
E[R] = r1*p1 + r2*p2 + ... rk*pk ri ==> Value of R with probability pi
El valor esperado es básicamente la suma del producto de los siguientes dos términos (para todos los eventos posibles)
a) Probabilidad de un evento.
b) Valor de R en ese par
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
Linealidad de la expectativa:
Sean R 1 y R 2 dos variables aleatorias discretas en algún espacio de probabilidad, entonces
E[R1 + R2] = E[R1] + E[R2]
Por ejemplo, el valor esperado de la suma de 3 lanzamientos de dados es = 3 * 7/2 = 7
Consulte esto para obtener una explicación más detallada y ejemplos.
Número esperado de intentos hasta el éxito
Si la probabilidad de éxito es p en cada intento, entonces el número esperado de intentos hasta el éxito es 1/p. Por ejemplo, considere que se lanza un dado justo de 6 caras hasta que se ve un ‘5’ como resultado del lanzamiento de dados. El número esperado de lanzamientos antes de ver un 5 es 6. Tenga en cuenta que 1/6 es la probabilidad de obtener un 5 en cada intento. Entonces, el número de intentos es 1/(1/6) = 6.
Como otro ejemplo, considere una versión QuickSort que sigue buscando pivotes hasta que se elige uno de los n/2 elementos del medio. El tiempo esperado de intentos para encontrar el pivote central sería 2, ya que la probabilidad de elegir uno de los n/2 elementos centrales es 1/2. Este ejemplo se analiza con más detalle en el Conjunto 1 .
Consulte esto para obtener una explicación más detallada y ejemplos.
Más sobre algoritmos aleatorios:
- Algoritmos aleatorios | Conjunto 1 (Introducción y Análisis)
- Algoritmos aleatorios | Conjunto 2 (Clasificación y Aplicaciones)
- Algoritmos aleatorios | Conjunto 3 (1/2 mediana aproximada)
Todos los temas de algoritmos aleatorios
Este artículo es una contribución de Shivam Gupta . Escriba comentarios si encuentra algo incorrecto o si desea compartir más información sobre el tema tratado anteriormente.
Publicación traducida automáticamente
Artículo escrito por GeeksforGeeks-1 y traducido por Barcelona Geeks. The original can be accessed here. Licence: CCBY-SA