君，已阅读到文档的结尾了呢~~
建筑工程管理与实务4,二建建筑实务教材,专业工程管理与实务,建设工程施工管理,建筑工程管理,机电工程管理与实务,公路工程管理与实务,矿业工程管理与实务,铁路工程管理与实务,市政工程管理与实务
扫扫二维码，随身浏览文档
手机或平板扫扫即可继续访问
建筑工程管理与实务4
举报该文档为侵权文档。
举报该文档含有违规或不良信息。
反馈该文档无法正常浏览。
举报该文档为重复文档。
推荐理由：
将文档分享至：
分享完整地址
文档地址：
粘贴到BBS或博客
flash地址：
支持嵌入FLASH地址的网站使用
html代码：
&embed src='/DocinViewer-4.swf' width='100%' height='600' type=application/x-shockwave-flash ALLOWFULLSCREEN='true' ALLOWSCRIPTACCESS='always'&&/embed&
450px*300px480px*400px650px*490px
支持嵌入HTML代码的网站使用
您的内容已经提交成功
您所提交的内容需要审核后才能发布，请您等待！
3秒自动关闭窗口扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
下载作业帮安装包
扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
概率论与数理统计 证明题：若事件A、B、C相互独立,则AUB与C独立.
扫二维码下载作业帮
拍照搜题，秒出答案，一键查看所有搜题记录
只需证明:P[(AUB)C]=P(AUB) *P(C).P[(AUB)C]=P[ACUBC]= P(AC)+P(BC)- P[(AC)(BC)] (加法公式)= P(AC)+P(BC)- P[(ABC)]=P(A)*P(C) +P(B)*P(C) -P(A)*P(B)*P(C) (由已知条件得)=[P(A) +P(B) -P(A)*P(B)]*P(C) (提出公因子)=P(AUB)*P(C) (加法公式)即确有:P[(AUB)C]=P(AUB) *P(C).即知:AUB与C独立
为您推荐：
其他类似问题
扫描下载二维码以下试题来自：
单项选择题A，B，C为随机事件，A发生必导致B与C最多有一个发生，则有
)．A．ABC．B．ABC．C．D．
为您推荐的考试题库
你可能感兴趣的试题
1A．N(1，1)．B．C．D．N(0，1).2A．t=-1时，必有r(Ａ)=1．B．t=-1时，必有r(Ａ)=2．C．t≠-1时，必有r(Ａ)=1．D．t≠-1时，必有r(Ａ)=2．3A．1．B．2．C．3．D．4．45
热门相关试卷
最新相关试卷已知P(A|B),P(A|C),可以求P（A|BC）?【人工智能吧】_百度贴吧
&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&&签到排名：今日本吧第个签到，本吧因你更精彩，明天继续来努力！
本吧签到人数：0成为超级会员，使用一键签到本月漏签0次！成为超级会员，赠送8张补签卡连续签到：天&&累计签到：天超级会员单次开通12个月以上，赠送连续签到卡3张
关注：59,190贴子：
已知P(A|B),P(A|C),可以求P（A|BC）?收藏
A、B、C是相互独立事件
百度众包可为您采集文字,图片,视频等多种类型数据.高效高质,获取训练数据好选择!作为人工智能或其他算法训练数据,为您构建有效数据模型提供有力数据支持!
刚看了这个，觉得很扯淡
我想知道table1和table2两个矩阵怎么叠加的，算法是什么
看不懂viterbi算法
一个一个回答，1楼：首先，要明白独立的意思，两个随机变量A,B独立指的是一个的变化不会影响到另一个，也就是说不管A如何变，B该是多少还是多少，B取值的可能只按照它自己的概率分布出现。其次，类似于这样的表达：P(A|B)意思是当B出现的条件下，A的概率，也就是条件概率。这样就很清晰了， 因为ABC是独立的，所以，B，C是多少不会影响到A的概率分布。换句话说就是P(A|B)=P(A),P(A|C)=P(A),P(A|BC)=P(A).举个不是很准确的例子就好比，美国某个城市现在下不下雨，都不会影响你现在的心情。。这2件事情就是独立的。当然，这些都是理想情况，理论就是构造了这样一个模型。
额，我犯了个白痴错误。这和独立事件没关系。viterbi算法是把马尔可夫链的转移矩阵，和另一个概率转换矩阵的影响合到一起，这是怎么做到的？这是否等同于P(A|B),P(A|C),求P（A|BC）的问题？
8到11楼哪去了？
哥们。。我也很奇怪。。我发了4次全都看不到。。BUG了？
我擦，怎么不显示。。
百度云天智提供语音技术,文字识别,人脸识别,深度学习PaddlePaddle和自然语言NLP等人工智能产品及解决方案[使用场景]:智能客服/智能推荐/身份认证/内容审核/增强现实等.
再发一次试试。。2L的链接看到了，很不错，把抽象的理论讲到比较通俗易懂，但是这只是为了理解上容易一些。之前接触过马尔可夫过程，但是之前研究中没有太涉及到隐形马尔可夫过程，印象也不是很深。刚才，看了看链接的文档，感觉讲的还是不错的，有道理的。如果你想了解马尔可夫过程，你首先需要了解随机过程，给你一个链接下下来学习学习
然后，4L的问题：2个TABEL不是叠加在一起的，1个是状态矩阵，另一个是观测矩阵。一般来说，我们关心的是对象的状态，然而实际当中能够测量到的通常只有部分信息，这里处理的问题就是如何通过这有限的部分信息，寻找最可能的对象状态。你知道了目的，再来看这个问题思路就明确多了，是不是？再举个例子，有一碗汤，其实里边放了一些“盐”，这个“盐”就是对象“汤”的一个状态矩阵；而观测矩阵就是你不知道有没有放盐，然后尝试的喝了一口，发现是“咸的”，这观测就出来了，因此推测放盐了，就是这么个过程。
分开就能发了。。
还是不明白隐马尔可夫方程：最终状态向量x1（T时的状态的概率）=初始状态向量（T-1时的状态） X 转移矩阵另外一个概率是根据观测值推出来的：最终状态向量x2（概率）=观测值向量 X 观测值对应的状态矩阵viterbi算法的目的是把x1和x2取平均，这何以可能？
不是取平均，你理解错了。核心公式4个：其实就是2个主要步骤：1是求解到达当前各种状态的概率2是选取最可能(概率最大)的路径。第一个公式是初始化时计算第一步状态为k的概率；第二个公式是迭代过程中计算每一步到达状态k的概率，这个是依据前一次迭代的概率，状态转移矩阵和观测矩阵计算的；第3，4个公式都是记录路径用的。举个例子：比如我们知道了前一个时刻有3种状态A,B,C以及他们各自的概率，那么从前一个时刻的A,B,C到这一个时刻的A1,B1,C1的转移概率可以从状态转移矩阵中得到，那么这一个实际观测到的是a1,b1,c1，又观测矩阵又可以得到这一个时刻某种观测的概率，这样就计算出这一时刻从最开始到这一刻某一观测的概率。这里就很容易发现，每一个时刻需要计算的次数是Y*Y次，Y是每个时刻的状态数，如果时刻数是T的话，计算的次数就是T*Y*Y。这也就是为什么该算法的复杂度是的原因了。
想给你个链接竟然发不了。。这上边写的很清楚，算法的思想很简单，只是由于数学的严密性和准确性，使得公式看起来比较复杂
链接贴不上去，英文的WEIJI上有详细的解释
A=t时刻状态（未知）B=t-1时刻状态C=t时刻观测值状态转移矩阵=sigema P(A|B)观测推算出的概率矩阵=sigema P（A|C）我原来误以为viterbi算法可以这样表示：已知P(A|B)和P(A|C)，求P（A|BC）。这种理解显然是错误的。viterbi只是求所有P(A|BC)矩阵中的最大项或者说最佳路径，而非求P（A|BC）的确切值，后者是不可能求出来的。wiki上那个数学公式根本没讲明白。V和y不知道是什么。其实你也没真理解，你就明说了吧。
不过还是谢谢你
Suppose we are given a Hidden Markov Model (HMM) with states YHere Vt,k is the probability of the most probable state sequence responsible for the first t + 1 observations (we add one because indexing started at 0) that has k as its final state.Y是状态，Vt,k是时刻t，状态K的概率。viterbi算法每次迭代求的是多个确定的概率值，选取概率最大的路径认为是最可能出现的路径我举例说的A,B,C不是一楼的3个随机变量，是3个状态。马尔科夫链是个随机过程。
leeds.ac.uk/roger/HiddenMarkovModels/html_dev/viterbi_algorithm/s3_pg3.html
我已经不想知道原理了，能用就行
应用的话按照算法流程走就行了，如果要创新的话还是要搞清楚算法的思想，不过这个算法还是很简单的，不过比穷举法的复杂度大大降低了很多。
ABC为相互独立事件则P(A|B)=P(A)P(A|C)=P(A)P（A|BC）=P(A)您们是怎么通过这三东西想到那么复杂的程度……
哈哈，看着复杂思想其实挺简单
理论知识还是很重要的 在生物学方面没有重大突破之前 搞人工智能还是先好好学习概率 统计 随机过程等等基础的数学工具比较好
已知P(A|B),P(A|C)；B和C是相互独立事件，求P（A|BC）。————————————————解：根据贝叶斯定理：P(A|BC)=P(BC|A)*P(A)/P(BC)
【1】因为B和C是相互独立事件，P(BC|A)=P(B|A)*P(C|A)【2】且P(BC)=P(B)*P(C)【3】将【2】【3】带入【1】然后化简P(A|BC)=P(B|A)*P(C|A)*P(A)/P(B)/P(C)=P(AB)/P(A)*P(AC)/P(A)*P(A)/P(B)/P(C)=P(A|B)*P(B)/P(A)*P(A|C)*P(C)/P(B)/P(C)=P(A|B)*P(A|C)/P(A)因为不知道P(A)，所以无法准确求出P(A|BC)在viterbi算法中，每次计算的其实是P(A|BC)*P(A)。因为每条链上的每个节点的边缘概率都会被重复乘进去，因此仍然可以做横向比较，求出可能性最大的组合。
求指教一道题目二综合题的第一题，里面有答案但是我都看不懂，其中有求类似和你所说的概率的地方，题目很简单，可是我看不懂，求指教啊，感激不尽，我是一个大三的学生，这一题是一道普通的课后习题，真心求教，希望你能帮帮我。。。这是答案一部分，题目只是要求求简单的符号熵，里面的概率P（X3/X2 X1）要怎么求啊。。
题目：答案：其中的P（X3/X2 X1）是如何求的？？求指教啊。。
登录百度帐号推荐应用}