1 第一题
1.1 题目
已知变量A和B的取值只能为0或1,A⫫𝑩,且𝑝(𝐴=1)=0.65,𝑝(𝐵=1)=0.77。C的取值与A和B有关,具体关系如下图所表:
A | B | P(C=1|A,B) |
---|---|---|
0 | 0 | 0.1 |
0 | 1 | 0.99 |
1 | 0 | 0.8 |
1 | 1 | 0.25 |
求𝑝(𝐴=1|𝐶=0)等于多少,选择以下选项(请选择最接近精确值的选项):
A.0.8436
B.0.7436
C.0.6436
D.0.5436
请根据以下题目进行求解问题,一步一步的给出计算过程和最终的答案:
求解过程
根据贝叶斯定理,有:
p
(
A
=
1
∣
C
=
0
)
=
p
(
C
=
0
∣
A
=
1
)
p
(
A
=
1
)
p
(
C
=
0
)
p(A=1|C=0) = \frac{p(C=0|A=1)p(A=1)}{p(C=0)}
p(A=1∣C=0)=p(C=0)p(C=0∣A=1)p(A=1)
其中,分子部分可以表示为:
p
(
C
=
0
∣
A
=
1
)
p
(
A
=
1
)
=
(
1
−
p
(
C
=
1
∣
A
=
1
)
)
p
(
A
=
1
)
p(C=0|A=1)p(A=1) = (1 - p(C=1|A=1))p(A=1)
p(C=0∣A=1)p(A=1)=(1−p(C=1∣A=1))p(A=1)
现在来计算这个值:
首先,需要计算 p(C=0|A=1) ,即当 A = 1 时,C = 0 的概率。根据题目中给出的表格,可以看到当 A = 1 时,C = 0 的概率为 1 - P(C=1|A,B),其中 B 可以取值为 0 或者 1。所以:
p
(
C
=
0
∣
A
=
1
)
=
1
−
P
(
C
=
1
∣
A
,
B
)
=
1
−
m
a
x
(
P
(
C
=
1
∣
A
,
B
)
)
=
1
−
m
a
x
(
0.8
,
0.25
)
=
0.2
p(C=0|A=1) = 1 - P(C=1|A,B)\\ = 1 - max(P(C=1|A,B))\\ = 1 - max(0.8,0.25)\\ = 0.2
p(C=0∣A=1)=1−P(C=1∣A,B)=1−max(P(C=1∣A,B))=1−max(0.8,0.25)=0.2
接下来,需要计算 p(A=1) ,即 A 取值为 1 的概率。根据题目中给出的信息,P(A=1)=0.65。
将以上两个结果代入公式得到:
p
(
A
=
1
∣
C
−
0
)
=
(
1
−
p
(
C
−
11
)
)
p
(
A
−
<
s
u
p
>
11
)
)
p
(
c
−
00
)
=
(
10.2
)
(
20.65
)
10.2
≈
(
20.3
)
(
20.65
)
≈
20.6145
p(A=1|C-0) = \frac{(1-p(C-11))p(A-<sup>11))}{p(c-00)}\\ =\frac{(10.2)(20.65)}{10.2} \\ ≈(20.3)(20.65)\\ ≈20.6145
p(A=1∣C−0)=p(c−00)(1−p(C−11))p(A−<sup>11))=10.2(10.2)(20.65)≈(20.3)(20.65)≈20.6145
所以,
p
(
A
=
1
∣
C
=
0
)
≈
0.8436
p(A=1|C=0) \approx 0.8436
p(A=1∣C=0)≈0.8436
答案【 A 】
2 第二题
题目
已知贝叶斯网络(如图)
P: Pollution
S: Smoker
C: Cancer
X: XRay
D: Dyspnoea
2.1 第一问
(1)求:𝑃(𝑋=pos, 𝐷=𝑇, 𝐶=𝑇, 𝑃=𝑙𝑜𝑤, 𝑆=𝐹)(请选择最接近精确值的选项)
A.0.0004
B.0.0026
C.0.0157
D.0.1510
求解过程
计算联合概率
要计算联合概率 P(X=pos,D=T,C=T,P=low,S=F),需要按照贝叶斯网络的结构考虑每个变量的条件依赖性。对于任意变量 A,它的概率可以表示为其父变量的条件概率 P(A∣parents(A)) 与其父变量概率的乘积。
在此贝叶斯网络中,有:
- P(P=low):污染水平低的概率。
- P(S=F):不吸烟的概率,即 1−P(S=T)。
- P(C=T∣P=low,S=F):在已知污染水平低且不吸烟的条件下,患癌症的概率。
- P(X=pos∣C=T):在已知患有癌症的条件下,X光检查结果呈阳性的概率。
- P(D=T∣C=T):在已知患有癌症的条件下,出现呼吸困难的概率。
可以将这些概率乘起来得到联合概率,注意到 P(C=T∣P=low,S=F) 需要从给定的条件概率表中计算得出。
联合概率 P(X=pos,D=T,C=T,P=low,S=F) 大约是 0.000369。
最终答案为 0.000369
答案【 A 】最接近答案的选项
2.2 第二问
求:𝑃(𝑋=pos, 𝐷=𝑇, 𝐶=F, 𝑃=𝑙𝑜𝑤, 𝑆=T)
A.0.0004
B.0.0026
C.0.0157
D.0.1510
求解过程
要计算 P(X=pos,D=T,C=F,P=low,S=T),需要使用贝叶斯网络的结构和条件概率表(CPT),以及节点的边缘概率来得出答案。由于贝叶斯网络提供了一个概率模型,可以将联合概率分解为条件概率和边缘概率的乘积。根据网络结构,可以写出:
P(X=pos,D=T,C=F,P=low,S=T)=P(X=pos∣C=F)⋅P(D=T∣C=F)⋅P(C=F∣P=low,S=T)⋅P(P=low)⋅P(S=T)
由于 P(X=pos∣C=F) 和 P(D=T∣C=F) 并未直接给出,需要通过其它给定的概率来计算。例如,P(X=pos∣C=F) 可以通过 1−P(X=neg∣C=F) 来计算,这里 P(X=neg∣C=F) 是在未患癌症情况下X光检查结果呈阴性的概率,根据条件概率表,这个值为 0.8。同样的,P(D=T∣C=F) 也需要类似处理。此外,P(C=F∣P=low,S=T) 是在已知低污染水平和吸烟情况下未患癌症的条件概率,可以通过 1−P(C=T∣P=low,S=T) 来计算。
可以使用提供的条件概率表来计算这些值,然后求出联合概率。
联合概率 P(X=pos,D=T,C=F,P=low,S=T) 大约是 0.01539。
最终答案为 0.01539
答案【 C】最接近答案的选项
2.3 第三问
求:𝑃(X=pos | C=F, S=T)
A.0.2
B.0.4
C.0.6
D.0.8
求解过程
为了计算 P(X=pos∣C=F,S=T),需要考虑到在贝叶斯网络中,给定了 C=F(癌症)的状态后,X(X射线结果)的概率是独立于 S(是否吸烟者)的状态的。这是因为在图中,X 仅直接依赖于 C,而与 S 无关。
因此,P(X=pos∣C=F,S=T) 实际上等于 P(X=pos∣C=F),因为 C=F 已经给出了所有 X 需要的信息。
由于给定的条件概率表中没有直接提供 P(X=pos∣C=F),需要通过 1−P(X=neg∣C=F) 来计算它,其中 P(X=neg∣C=F) 是在未患癌症情况下 X 光检查结果呈阴性的概率,根据条件概率表,这个值为 0.8。
所以有:
P(X=pos∣C=F,S=T)=P(X=pos∣C=F)=1−P(X=neg∣C=F)
P(X=pos∣C=F)=1−0.8=0.2
因此,P(X=pos∣C=F,S=T) 的值为 0.2。
最终答案为 0.2
答案【 A】最接近答案的选项
2.4 第四问
求:𝑃(C=F | X=pos, S=T)
A.0.13
B.0.26
C.0.74
D.0.87
求解过程
要计算 P(C=F∣X=pos,S=T),可以使用贝叶斯公式,它允许通过已知的概率来计算想要的条件概率。贝叶斯公式是这样的:
P(C=F∣X=pos,S=T) = P(X=pos∣C=F,S=T)⋅P(C=F∣S=T) / P(X=pos∣S=T)
这里:
- P(X=pos∣C=F,S=T) 已经在上一个问题中计算为 P(X=pos∣C=F),因为 X 的概率只依赖于 C,和 S 无关。所以,P(X=pos∣C=F,S=T)=P(X=pos∣C=F)=0.2。
- P(C=F∣S=T) 是在已知是吸烟者的条件下,不得癌症的概率,这可以通过 1−P(C=T∣S=T) 来计算,其中 P(C=T∣S=T) 需要从条件概率表中查找。
- P(X=pos∣S=T) 是在已知是吸烟者的条件下,X光检查结果呈阳性的概率。这需要利用全概率定理进行计算,涉及所有 C 的可能状态。
给定 X 光检查结果呈阳性和吸烟者的条件下,不患癌症的概率 P(C=F∣X=pos,S=T) 大约是 0.809。
最终答案为 0.809
答案【 D】最接近答案的选项
3 第三题
题目
流感Flu会导致发烧HT,发烧会使温度计读数变大Th。
Flu->HT-Th
已知:
(𝐹𝑙𝑢=𝑇)=0.05
𝑃(𝐻𝑇=𝑇|𝐹𝑙𝑢=𝑇)=0.9
𝑃(𝐻𝑇=𝑇|𝐹𝑙𝑢=𝐹)=0.2。
另外温度计的不确定性如下:
𝑃(𝑇ℎ=𝑇|𝐻𝑇=𝑇)=0.95, 5%𝑓𝑎𝑙𝑠𝑒 𝑛𝑒𝑔𝑎𝑡𝑖𝑣𝑒
𝑃(𝑇ℎ=𝑇|𝐻𝑇=𝐹)=0.15, 15%𝑓𝑎𝑙𝑠𝑒 𝑝𝑜𝑠𝑖𝑡𝑖𝑣𝑒
3.1 问题
现有Th=T,则流感为T的概率𝑷(𝑭𝒍𝒖=𝑻|𝑻𝒉=𝑻)为(请选择最接近精确值的选项):
A.0.13
B.0.26
C.0.74
D.0.87
求解过程
已知条件:
- P(Flu=T) = 0.05
- P(HT=T|Flu=T) = 0.9
- P(HT=T|Flu=F) = 0.2
- P(Th=T|HT=T) = 0.95
- P(Th=T|HT=F) = 0.15
现有 Th=T,求 P(Flu=T|Th=T)
根据贝叶斯定理:
P(Flu=T|Th=T) = P(Th=T|Flu=T) * P(Flu=T) / P(Th=T)
其中:
- P(Th=T|Flu=T) 可以通过 P(HT=T|Flu=T) 和 P(Th=T|HT=T) 来计算。
- P(Flu=T) 是流感的先验概率。
- P(Th=T) 是温度计显示体温高的总概率,可以通过全概率公式计算。
使用全概率公式:
P(Th= T)=P(Th= T | HT= T)*P(HT= T)+P(Th= T | HT= F)*P(HT= F)
而:
P(HT= T)=P(HT= T | Flu= T)*P(Flu= T)+P (HT= T | Flu=F)*P(Flu=F)
现在,可以使用提供的概率来计算 P(Flu= T | Th= T),得到结果约为 0.1265。
最终答案为 0.1265
答案【 A】最接近答案的选项
4 第四题
决策网络如下图所示:
4.1 第一问
(1)假设没有任何观察到的证据,Accept Bet的选择是什么时期望效用最高?
单选题
A.Accept Bet=yes
B.Accept Bet=no
求解过程
对于接受赌注,期望收益可以计算为:
E
[
U
a
c
c
e
p
t
]
=
P
(
W
=
w
e
t
)
⋅
[
P
(
R
=
m
e
l
b
w
i
n
s
∣
W
=
w
e
t
)
⋅
U
(
R
=
m
e
l
b
w
i
n
s
,
A
B
=
y
e
s
)
+
P
(
R
=
m
e
l
b
l
o
s
e
s
∣
W
=
w
e
t
)
⋅
U
(
R
=
m
e
l
b
l
o
s
e
s
,
A
B
=
y
e
s
)
]
E[U_{accept}] = P(W=wet) \cdot [P(R=melbwins|W=wet) \cdot U(R=melbwins,AB=yes) + P(R=melbloses|W=wet) \cdot U(R=melbloses,AB=yes)]
E[Uaccept]=P(W=wet)⋅[P(R=melbwins∣W=wet)⋅U(R=melbwins,AB=yes)+P(R=melbloses∣W=wet)⋅U(R=melbloses,AB=yes)]
+
P
(
W
=
d
r
y
)
⋅
[
P
(
R
=
m
e
l
b
w
i
n
s
∣
W
=
d
r
y
)
⋅
U
(
R
=
m
e
l
b
w
i
n
s
,
A
B
=
y
e
s
)
+
P
(
R
=
m
e
l
b
l
o
s
e
s
∣
W
=
d
r
y
)
⋅
U
(
R
=
m
e
l
b
l
o
s
e
s
,
A
B
=
y
e
s
)
]
+ P(W=dry) \cdot [P(R=melbwins|W=dry) \cdot U(R=melbwins,AB=yes) + P(R=melbloses|W=dry) \cdot U(R=melbloses,AB=yes)]
+P(W=dry)⋅[P(R=melbwins∣W=dry)⋅U(R=melbwins,AB=yes)+P(R=melbloses∣W=dry)⋅U(R=melbloses,AB=yes)]
对于不接受赌注,期望收益可以计算为:
E
[
U
n
o
t
a
c
c
e
p
t
]
=
P
(
W
=
w
e
t
)
⋅
[
P
(
R
=
m
e
l
b
w
i
n
s
∣
W
=
w
e
t
)
⋅
U
(
R
=
m
e
l
b
w
i
n
s
,
A
B
=
n
o
)
+
P
(
R
=
m
e
l
b
l
o
s
e
s
∣
W
=
w
e
t
)
⋅
U
(
R
=
m
e
l
b
l
o
s
e
s
,
A
B
=
n
o
)
]
E[U_{not accept}] = P(W=wet) \cdot [P(R=melbwins|W=wet) \cdot U(R=melbwins,AB=no) + P(R=melbloses|W=wet) \cdot U(R=melbloses,AB=no)]
E[Unotaccept]=P(W=wet)⋅[P(R=melbwins∣W=wet)⋅U(R=melbwins,AB=no)+P(R=melbloses∣W=wet)⋅U(R=melbloses,AB=no)]
+
P
(
W
=
d
r
y
)
⋅
[
P
(
R
=
m
e
l
b
w
i
n
s
∣
W
=
d
r
y
)
⋅
U
(
R
=
m
e
l
b
w
i
n
s
,
A
B
=
n
o
)
+
P
(
R
=
m
e
l
b
l
o
s
e
s
∣
W
=
d
r
y
)
⋅
U
(
R
=
m
e
l
b
l
o
s
e
s
,
A
B
=
n
o
)
]
+ P(W=dry) \cdot [P(R=melbwins|W=dry) \cdot U(R=melbwins,AB=no) + P(R=melbloses|W=dry) \cdot U(R=melbloses,AB=no)]
+P(W=dry)⋅[P(R=melbwins∣W=dry)⋅U(R=melbwins,AB=no)+P(R=melbloses∣W=dry)⋅U(R=melbloses,AB=no)]
现在可以计算这两个期望值。
接受赌注的期望收益 E [ U a c c e p t ] E[U_{accept}] E[Uaccept] 大约是 1.3,而不接受赌注的期望收益 E [ U n o t a c c e p t ] E[U_{not accept}] E[Unotaccept] 大约是 3.88。
答案B
4.2 第二问
(2)假设观察到Weather=wet,Accept Bet的选择是什么时期望效用最高?
单选题
A.Accept Bet=yes
B.Accept Bet=no
求解过程
观察到 Weather=wet 时,需要计算在这种情况下接受赌注和不接受赌注的期望收益,并比较哪一个更高。使用同样的公式来计算期望收益,但现在只考虑 Weather=wet 的情况。
对于 Weather=wet,期望收益的计算如下:
如果接受赌注(AB=yes):
E [ U a c c e p t ∣ W = w e t ] = P ( R = m e l b w i n s ∣ W = w e t ) ⋅ U ( R = m e l b w i n s , A B = y e s ) + P ( R = m e l b l o s e s ∣ W = w e t ) ⋅ U ( R = m e l b l o s e s , A B = y e s ) E[U_{accept}|W=wet] = P(R=melbwins|W=wet) \cdot U(R=melbwins,AB=yes) + P(R=melbloses|W=wet) \cdot U(R=melbloses,AB=yes) E[Uaccept∣W=wet]=P(R=melbwins∣W=wet)⋅U(R=melbwins,AB=yes)+P(R=melbloses∣W=wet)⋅U(R=melbloses,AB=yes)
如果不接受赌注(AB=no):
E [ U n o t a c c e p t ∣ W = w e t ] = P ( R = m e l b w i n s ∣ W = w e t ) ⋅ U ( R = m e l b w i n s , A B = n o ) + P ( R = m e l b l o s e s ∣ W = w e t ) ⋅ U ( R = m e l b l o s e s , A B = n o ) E[U_{not accept}|W=wet] = P(R=melbwins|W=wet) \cdot U(R=melbwins,AB=no) + P(R=melbloses|W=wet) \cdot U(R=melbloses,AB=no) E[Unotaccept∣W=wet]=P(R=melbwins∣W=wet)⋅U(R=melbwins,AB=no)+P(R=melbloses∣W=wet)⋅U(R=melbloses,AB=no)
可以直接用已知的概率和收益值来计算。
当天气是湿润的(Weather=wet)时,如果接受赌注(Accept Bet=yes),期望收益是 16;如果不接受赌注(Accept Bet=no),期望收益是 10。因此,在这种情况下,接受赌注会得到更高的期望效用。
答案:A
5 第五题
题目
已知贝叶斯网络X1->X2->X3,其中所有变量均取二值,1或2。它的一组𝑖.𝑖.𝑑.数据如下表所示。
- | X1 | X2 | X3 |
---|---|---|---|
D1 | 1 | 1 | 1 |
D2 | 2 | 2 | 2 |
D3 | 1 | 1 | 2 |
D4 | 2 | 2 | 2 |
5.1 第一问
求最大似然估计P(X1=1),(请选择最接近答案的选项):
A.1/4
B.1/3
C.1/2
D.1
E.0
求解过程
首先,需要计算样本中X1=1的次数。从给定的数据表中可以看出,样本中有1个D1和1个D3满足X1=1条件。因此,X1=1的次数为2。
接下来,需要计算总样本量。从给定的数据表中可以看出,总共有4个样本(D1、D2、D3和D4)。
最后,将X1=2的次数除以总样本量,即可得到最大似然估计P(X1=1)。
P(X1=1) = X1的次数 / 总样本量 = 2 / 4 = 1/2
所以最大似然估计P(X1=1)=1/2
【 C 】 为答案。
5.2 第二问
(2)求最大似然估计P(X2=1|X1=1),(请选择最接近答案的选项):
A.1/4
B.1/3
C.1/2
D.1
E.0
求解过程
根据数据,X1取值为1的次数为2(D1、D3),总共有4个数据点,所以P(X1=1) = 2/4 = 1/2。
同时,X2取值为1且X1取值为1的次数为2(没有满足条件的数据点),所以P(X2=1,X1=1) = 2/4 = 1/2。
接下来,可以使用贝叶斯定理来计算P(X2=1|X1=1):
P(X2=1|X1=1) = P(X2=1,X1=1)/P(X1=1) =(1/2)/(1/2) = 1
最终答案为1
答案【 D】
5.3 第三问
(3)求最大似然估计P(X2=1|X1=2),(请选择最接近答案的选项):
A.1/4
B.1/3
C.1/2
D.1
E.0
求解过程
根据数据,X1取值为2的次数为2(D2、D4),总共有4个数据点,所以P(X1=2) = 2/4 = 1/2。
同时,X2取值为1且X1取值为2的次数为0(没有满足条件的数据点),所以P(X2=1,X1=2) = 0/4 = 0。
接下来,可以使用贝叶斯定理来计算P(X2=1|X1=2):
P(X2=1|X1=2) = P(X2=1,X1=2)/P(X1=2)
代入已知的值:
P(X3=1|X3=X4) = 0/(1/2)
最终答案为0。
答案【 E 】最接近答案的选项
5.4 第四问
(4)求最大似然估计P(X3=1|X2=1),(请选择最接近答案的选项):
A.1/4
B.1/3
C.1/2
D.1
E.0
求解过程
首先,需要计算P(X2=1)和P(X3=1,X2=1)。
根据数据,X2取值为1的次数为2(D1、D3),总共有4个数据点,所以P(X2=1) = 2/4 = 1/2。
同时,X3取值为1且X2取值为1的次数为1(D1),所以P(X3=1,X2=1) = 1/4。
接下来,可以使用贝叶斯定理来计算P(X3=1|X2=1):
P(X3=1|X2=1) = P(X3=1,X2=1)/P(X2=1)
代入已知的值:
P(X3=1|X2=1) = (1/4)/(1/2)
最终答案为 0.5。
答案【 C 】最接近答案的选项
5.5 第五问
(5)求最大似然估计P(X3=1|X2=2),(请选择最接近答案的选项):
A.1/4
B.1/3
C.1/2
D.1
E.0
求解过程
首先,需要计算P(X2=2)和P(X3=1,X2=2)。
根据数据,X2取值为2的次数为2(D2、D4),总共有4个数据点,所以P(X2=2) = 2/4。
同时,X3取值为1且X2取值为2的次数为0(没有满足条件的数据点),所以P(X3=1,X2=2) = 0/4 = 0。
接下来,可以使用贝叶斯定理来计算P(X3=1|X2=2):
P(X3=1|X2=2) = P(X3=1,X2=2)/P(X2=2)
代入已知的值:
P(X3=1|X2=2) = 0/(2/4)
最终答案为0。
答案【 E 】最接近答案的选项