概率论基础
条件概率全概率公式
基本贝叶斯公式
产生式规则：
IF E THEN Hi
主观贝叶斯的基本思想
知识不确定性的表示
以下为公式V：
几率函数
取值范围为［0,+∞］
所以几率函数就是把p(x)放大了
证明关于LN的公式推导思路：
LS和LN的性质
LS和LN的关系
证明：
Conclusion：
当证据E愈是支持H为真时，则LS的值应该愈大；当证据E对H愈是重要时，则相应的LN的值应该愈小。
证据不确定性的表示
1、单个证据不确定性的表示方法2、组合证据的不确定性的确定方法
不确定性推理计算
确定性证据以上两个公式的推导过程分别如下：
相关例题：
题解：
P（H1|E1)说明了由于证据E1的发生，使得H1发生的概率由0.03增加到了将近八倍
故选C、0.2362
当然这题还可以继续做下去，如果大家愿意可以继续看下去，如果不感兴趣，可以直接看下面的不确定性证据知识点
(1)如果证据E们确定出现，就用这个公式
那么P(H1|E1) = 0.2362
在R3中，由于LS = 1，表明E3对H3没有影响，即P（H3|E3) = P(H3) = 0.3
(2)若证据E们确定不出现，则用这个公式
再看几个题
由于前面有题解过程，所以这两题很简单，故选D、A
不确定性证据
杜达公式
结论不确定性的合成和更新算法
1、结论不确定性的合成算法相关例题：
答案：
A A A B
题解：
这就涉及到这篇文章前面的内容以及结论不确定的合成算法
解法一：合成法
解法二：更新法
这就是运用了我前面写的公式
2、结论不确定性的更新算法
其思想是，按照顺序使用规则对先验概率进行更新，再把得到的更新概率当做先验概率，更新其他规则，这样继续更新直到所有的规则使用完。
Conclusion
有一定难度的两道题
Pro1、
题解：
注：在R3中H1是证据，所以上图最后一个式子是P(H2) + P(H2|H1) - P(H2) / 1 - P(H1) * …
相关知识：
Pro2、
题解：
