Bayesians ยอมรับความจริงของ Kolmogorov หรือไม่?


24

โดยทั่วไปแล้วทฤษฎีความน่าจะเป็นนั้นถูกสอนด้วยสัจพจน์ของ Kolgomorov Bayesians ยอมรับความจริงของ Kolmogorov หรือไม่?


8
ทฤษฎีแบบเบส์ต่อจากสัจพจน์มาตรฐานของความน่าจะเป็นดังนั้นจากสัจพจน์ Kolmogorov
ซีอาน

3
@ ซีอาน: ระดับความเชื่อแบบอัตนัยนั้นสามารถแสดงได้โดยความน่าจะเป็นที่ไม่ชัดเจนดังนั้นจึงเป็นคำถามและงานของ Ramsey & de Finetti
Scortchi - Reinstate Monica

2
นั่นเป็นเหตุผลที่ฉันเป็น "วัตถุประสงค์" Bayesian และเริ่มต้นด้วยการแจกแจงก่อนกำหนดตามมาตรฐานของทฤษฎีความน่าจะเป็น ...
ซีอาน

2
ฉันเชื่อว่าการตีความความน่าจะเป็นของ Cox-Jaynes นั้นเป็นรากฐานที่เข้มงวดสำหรับความน่าจะเป็นแบบเบย์ (ดูคำตอบของฉัน) อย่างไรก็ตามมันจะดีถ้ามีความเห็นของซีอานในเรื่องนั้น
ประชุมสุดยอด

1
@Summit: ขอบคุณ แต่ฉันเกรงว่าฉันไม่สนใจเรื่องนี้มาก ... !
ซีอาน

คำตอบ:


25

ในความเห็นของฉันการตีความความน่าจะเป็นของค็อกซ์ - เจย์เน่เป็นรากฐานที่เข้มงวดสำหรับความน่าจะเป็นแบบเบย์:

  • Cox, Richard T. "ความน่าจะเป็น, ความถี่และความคาดหวังที่สมเหตุสมผล" วารสารอเมริกันของฟิสิกส์ 14.1 (1946): 1-13
  • Jaynes, Edwin T. ทฤษฎีความน่าจะเป็น: ตรรกะของวิทยาศาสตร์ สำนักพิมพ์มหาวิทยาลัยเคมบริดจ์, 2003
  • เบ็คเจมส์แอล "การระบุระบบแบบเบย์ตามตรรกะความน่าจะเป็น" การควบคุมโครงสร้างและการตรวจสอบสุขภาพ 17.7 (2010): 825-847

สัจพจน์ของตรรกะความน่าจะเป็นที่ได้รับจาก Cox คือ:

  1. Pr[b|a]0
  2. (P2): (ฟังก์ชั่นการปฏิเสธ)Pr[b¯|a]=1Pr[b|a]
  3. (P3): (ฟังก์ชั่นร่วม)Pr[bc|a]=Pr[c|ba]Pr[b|a]

Axioms P1-P3 บ่งบอกถึงสิ่งต่อไปนี้ (เบ็ค, เจมส์แอล "การระบุระบบเบย์ตามตรรกะความน่าจะเป็น" การควบคุมโครงสร้างและการตรวจสอบสุขภาพ 17.7 (2010): 825-847):

  1. (P4): a) ; b) ; c)Pr [ ¯ b | b c ] = 0 Pr [ b | c ] [ 0 , 1 ]Pr[b|bc]=1Pr[b¯|bc]=0Pr[b|c][0,1]
  2. (P5): a) , b) Pr [ a | c ( a b ) ] = Pr [ b | ( ) ]ซึ่งหมายความว่ามีอยู่ในและหมายความว่าเทียบเท่ากับขa b a c a b a bPr[a|c(ab)]Pr[b|c(ab)]Pr[a|c(ab)]=Pr[b|c(ab)]abacabab
  3. (P6):Pr[ab|c]=Pr[a|c]+Pr[b|c]Pr[ab|c]
  4. (P7): สมมติว่าข้อเสนอระบุว่าข้อเสนอเพียงหนึ่งข้อนั้นเป็นจริงแล้ว: b 1 , , b Ncb1,,bN
    • a) ทฤษฎีการทำให้เป็นชายขอบ:Pr[a|c]=n=1NP[abn|c]
    • b) ทฤษฎีความน่าจะเป็นรวม:Pr[a|c]=n=1NPr[a|bnc]Pr[bn|c]
    • ทฤษฎีบทของ Bayes: สำหรับ :Pr [ b k | a c ] = Pr [ a | b kc ] Pr [ b k | ]k=1,,NPr[bk|ac]=Pr[a|bkc]Pr[bk|c]n=1NPr[a|bnc]Pr[bn|c]

พวกเขาบ่งบอกถึงคำสั่งตรรกะของ Kolmogorov ซึ่งสามารถดูเป็นกรณีพิเศษ

ในการตีความมุมมองแบบเบย์ของฉันทุกอย่างมีเงื่อนไข (โดยปริยาย) อยู่บนความเชื่อและความรู้ของเรา

การเปรียบเทียบต่อไปนี้นำมาจาก Beck (2010): การระบุระบบแบบเบย์ตามตรรกะความน่าจะเป็น

มุมมองแบบเบย์

ความน่าจะเป็นการวัดความน่าเชื่อถือของข้อความตามข้อมูลที่ระบุ

  1. การแจกแจงความน่าจะเป็นแสดงถึงสถานะของความรู้ที่เป็นไปได้เกี่ยวกับระบบและปรากฏการณ์ไม่ใช่คุณสมบัติโดยธรรมชาติของมัน
  2. ความน่าจะเป็นของแบบจำลองเป็นการวัดความน่าเชื่อถือเมื่อเทียบกับรุ่นอื่น ๆ ในชุด
  3. ในทางปฏิบัติเชิงปริมาณปริมาณความไม่แน่นอนเนื่องจากข้อมูลที่ขาดหายไปโดยไม่มีการเรียกร้องใด ๆ ว่านี่เป็นเพราะการสุ่มตามธรรมชาติของธรรมชาติ

มุมมองของผู้ใช้บ่อย

ความน่าจะเป็นความถี่ของการเกิดของสุ่มโดยเนื้อแท้เหตุการณ์ในระยะยาว

  1. การแจกแจงความน่าจะเป็นเป็นคุณสมบัติโดยธรรมชาติของปรากฏการณ์สุ่ม
  2. ขอบเขตที่ จำกัด เช่นไม่มีความหมายต่อความน่าจะเป็นของแบบจำลอง
  3. สันนิษฐานว่าเป็นเรื่องสุ่มแต่ไม่สามารถพิสูจน์ได้

ทำอย่างไรจึงจะได้รับสัจพจน์ของ Kolmogorov จากสัจพจน์ข้างต้น

ในส่วนต่อไปนี้ 2.2 ของ [Beck, James L. "การระบุระบบแบบเบย์ตามตรรกะความน่าจะเป็น" การควบคุมโครงสร้างและการตรวจสอบสุขภาพ 17.7 (2010): 825-847.] ถูกสรุป:

ในต่อไปนี้เราจะใช้: น่าจะเป็นตัวชี้วัดในเซตของ จำกัด ชุด :A XPr(A)AX

  1. [K1]:Pr(A)0,AX
  2. [K2]:Pr(X)=1
  3. [K3]:ถ้าและถูกแยกออกA BPr(AB)=Pr(A)+Pr(B),A,BXAB

เพื่อให้ได้มา (K1-K3) จากหลักการของทฤษฎีความน่าจะเป็น [เบ็ค 2010] แนะนำ propositonที่รัฐและระบุรูปแบบน่าจะเป็นx[เบ็ค 2010] นอกจากแนะนำปี่]x X x Pr ( A ) = Pr [ x A | π ]πxXxPr(A)=Pr[xA|π]

  • P1 หมายถึง K1 ด้วยและb={xA}c=π
  • K2 ดังนี้จาก ; P4 (ก) และระบุว่าXPr[xX|π]=1πxX
  • K3 สามารถหาได้จาก P6:และคือ disjoint หมายความว่าและนั้นไม่เกิดร่วมกัน ดังนั้นK3:ABxAxB Pr(xAB|π)=Pr(xA|π)+Pr(xB|π)

5
จาก K3 ของคุณคุณจะได้รับ (additivity จำกัด ) แต่ไม่ถึงความจริงที่ 3 ของ Kolmogorov, Pr ( ฉัน= 1ฉัน ) = i = 1 Pr ( A i ) (ความไวที่นับได้) เมื่อAคือองค์ประกอบของ a σPr(i=1nAi)=i=1nPr(Ai)Pr(i=1Ai)=i=1Pr(Ai)Aσ- ฟิลด์ & ไม่ใช่แค่เซตย่อยของเซต จำกัด
Scortchi - Reinstate Monica

2
@ Scortchi KRKoch ในบทนำของเขาเกี่ยวกับ Bayesian Statistics อ้างถึง Bernardo and Smith (1994), Bayesian Theory, p. 105 เป็นแหล่งข้อมูลที่แสดงให้เห็นถึงวิธีจัดการกับอนันต์ที่นับได้ ฉันยังไม่ได้ตรวจสอบ แต่เป็นข้อมูลอ้างอิงอาจได้รับที่นี่
gwr

12

หลังจากการพัฒนาทฤษฎีความน่าจะเป็นมันเป็นสิ่งจำเป็นที่จะแสดงให้เห็นว่าแนวคิดที่หลวมตอบคำถามของ "ความน่าจะเป็น" วัดถึงแนวคิดที่กำหนดไว้อย่างจริงจังพวกเขาได้แรงบันดาลใจ "อัตนัย" ความน่าจะเป็นแบบเบย์ได้รับการพิจารณาโดยแรมซีย์และเด Finetti ซึ่งแสดงให้เห็นอย่างอิสระว่าปริมาณของการศึกษาระดับปริญญาของเรื่องความเชื่อข้อ จำกัด ของการเปรียบเทียบและเชื่อมโยงกัน (ความเชื่อของคุณมีความเชื่อมโยงกันถ้าไม่มีใครสามารถทำให้หนังสือดัตช์กับคุณ) จะสามารถ น่าจะเป็น

ความแตกต่างระหว่าง axiomatizations ส่วนใหญ่เป็นเรื่องของรสนิยมเกี่ยวกับสิ่งที่ควรจะเป็นสิ่งที่กำหนดไว้และสิ่งที่ได้มา แต่สารเติมแต่งที่นับได้เป็นหนึ่งใน Kolmogorov ที่ไม่ได้มาจาก Cox's หรือ Finetti's & ได้รับการโต้เถียง Bayesians บางคน (เช่น de Finetti & Savage) หยุดที่จุดเติมที่ จำกัด & ดังนั้นอย่ายอมรับสัจพจน์ของ Kolmogorov ทั้งหมด พวกเขาสามารถทำให้การแจกแจงความน่าจะเป็นแบบสม่ำเสมอในช่วงเวลาที่ไม่มีที่สิ้นสุดโดยไม่ถูกต้อง คนอื่น ๆ ติดตาม Villegas โดยสมมติว่ามีความต่อเนื่องแบบโมโนโทนและได้รับความสามารถในการนับเพิ่มจากสิ่งนั้น

แรมซีย์ (1926), "ความจริงและความน่าจะเป็น", ในแรมซีย์ (1931), รากฐานของคณิตศาสตร์และบทความเชิงตรรกะอื่น ๆ

เดอ Finetti (2474), "Sul ซิกนาโต soggettivo della probabilità", Fundamenta Mathematicæ , 17 , pp 298 - 329

σ


3
ทำไมคำตอบของฉันควรจัดการเฉพาะกับความน่าจะเป็น 'วัตถุประสงค์แบบเบย์'? งานน้ำเชื้อของ Cox (1946) ได้กล่าวถึงประเด็นเรื่องความเป็นส่วนตัวอย่างชัดเจน! มันเป็นกระดาษที่น่าสนใจมากและง่ายต่อการอ่าน ฉันไม่คิดว่ามันสมเหตุสมผลที่จะแยกแยะความน่าจะเป็นแบบ Bayesian: 'อัตนัย' และ 'วัตถุประสงค์': ทุกอย่างมักจะมีเงื่อนไขโดยนัยสำหรับบุคคลที่ทำการวิเคราะห์ -> และในเรื่องนี้ 'ส่วนตัว'
ประชุมสุดยอด

เกี่ยวกับที่มาของสัจพจน์ดังกล่าว Kolmogorov จากคอคส์: ฉันพอใจกับวิธีที่มันทำในส่วน 2.2 ของเบ็ค, เจมส์ลิตร "การระบุระบบเบส์ตามตรรกะความน่าจะเป็น" การควบคุมโครงสร้างและการตรวจสอบสุขภาพ 17.7 (2010): 825-847
ประชุมสุดยอด

1
@Summit: (1) คุณพูดถูก; มันค่อนข้างที่มุมมอง dispositional ของ Ramsey & de Finetti ทำให้มีความเป็นไปได้ในค่าย "อัตนัย" ในขณะที่ Cox's มีความเหมาะสมมากกว่า (2) คุณกำลังบอกว่าสารเติมแต่งที่นับได้สามารถอนุมานได้จากตำแหน่งของ Cox หรือไม่?
Scortchi - Reinstate Monica

ฉันขยายคำตอบของฉันและหวังว่าความคิดเห็นของคุณ
ประชุมสุดยอด

1
@Summit: ขอบคุณ - ฉันหวังว่าจะหาเวลาที่จะทำให้ฉันแม้ครึ่งอย่างละเอียด ฉันได้ชี้ให้เห็นช่องว่างระหว่างที่คุณสามารถเข้าถึงได้จากทฤษฎีบทของ Cox และสัจธรรม Kolmogorov ที่ "เต็ม" และคิดว่ามันเป็นคำถามที่พิเศษมาก (แม้ว่าฉันจะลืมมันไปหมดเมื่อฉันตอบครั้งแรก) Jaynes มีสิ่งที่น่าสนใจที่จะพูดเกี่ยวกับ BTW นี้
Scortchi - Reinstate Monica
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.