模式识别随机向量的概率.ppt

?????????（1）如果B是事件则贝叶斯公式的形式为：（2）????????如果是两两互斥且完备的事件组A1，A2，…，AM中的一个事件，则（最优模式分类）（2）（3）第30页,共44页，星期六，2024年，5月(3)如果B是事件，A是事件，则贝叶斯公式的形式为：(4)由边缘密度的定义，还可写为下式：(5)第31页,共44页，星期六，2024年，5月上面的几种贝叶斯公式对统计模式识别都是非常重要的如(5)式，称为先验概率，随机向量X和Y间有某种关系，在X发生后Y的密度函数是对先验概率的一种改善，称为后验概率。又如（3）式是一个最佳模式分类规则。是事件类的先验概率，而则是的后验概率。第32页,共44页，星期六，2024年，5月例：一个两维随机向量的密度函数为：另一随机向量X，它和Y有关，其条件密度函数为：第33页,共44页，星期六，2024年，5月求联合密度，并计算后验密度

解：1.联合密度为：后验概率为：第34页,共44页，星期六，2024年，5月注意：1.积分限要注意。

2.上式没有显式解，要用数值方法求解。3.如果Y的先验密度是则有显式解，是一多元高斯密度第35页,共44页，星期六，2024年，5月四.数学期望一个随机向量X的期望（或称均值）是一个常数向量M，定义为上式是一个向量形式，的第个分量为：第36页,共44页，星期六，2024年，5月上式对所有的，的分量积分，有：是边缘密度。对于随机向量的积的期望，将在复习2中讨论。对于随机向量的各个分量，则和随机变量的定义一样：第37页,共44页，星期六，2024年，5月性质：1.随机向量或变量和的期望等于期望的和；

2.相互独立的随机变量和的方差等于方差的和下面考虑只取离散值的随机变量。它没有概率密度函数（除非使用奇异函数）。则期望：若是一随机变量，它取离散值，1，2，…，M。M也可能是无穷的，第38页,共44页，星期六，2024年，5月方差：均值和方差是随机变量分布的重要参数。均值—分布或密度的中心点，方差则表示了离中心点的分散程度。（分布和密度函数完全刻画了随机向量，而期望和方差刻画了它的主要特征。）第39页,共44页，星期六，2024年，5月五.小结这一章复习了随机事件和随机向量的概率，复习了统计独立、贝叶斯公式（由条件概率）、随机向量和变量的均值、方差。第40页,共44页，星期六，2024年，5月应该理解这些定义、概念，理解一些公式推导的思路、思想。理解分布函数、密度函数和事件概率间的关系。理解联合概率和条件概率间的区别。理解独立性及其对概率、分布和密度函数的影响。掌握Bayes公式的各种形式。

第41页,共44页，星期六，2024年，5月第二章统计决策理论最小错误率贝叶斯决策最小风险贝叶斯决策Neyman－Pearson决策（在限定一类错误率的条件下，使另一类错误率最小的两类决策问题）最小最大决策序贯决策（SequentialDecision）第42页,共44页，星期六，2024年，5月关于统计学的一个笑话：有一个从没带过小孩的统计学家，因为妻子出门勉强答应照看三个年幼好动的孩子。妻子回家时，他交出一张纸条，写道：“擦眼泪11次；系鞋带15次；给每个孩子吹玩具气球各5次，累计15次；每个气球的平均寿命10秒钟；警告孩子不要横穿马路26次；孩子坚持要穿马路26次；我还要再过这样的星期六0次”。统计学真的是这样呆板吗？仅仅收集数据，整理分析，累加平均…第43页,共44页，星期六，2024年，5月统计学以数据为研究内容，但仅仅收集数据，决不构成统计学研究的全部。统计学是面对不确定情况寻求决策、制定方法的一门科学人力、财力、时间等的限制，只有部分或少量数据，要推断所有数据的特征不同于叙述统计，要推断统计抽样、试验设计、估计、假设检验、回归分析…..等推断方法.模式识别发展了…第44页,共44页，星期六，2024年，5月一.事件的概率令A、B、C…表示事件，这些事件的概率是[0，1]间的实数，记为Pr[A]、Pr[B]、Pr[C]必然事件的概率是1