ทฤษฎีบทของเบย์


22

ฉันได้รับการพยายามที่จะพัฒนาสัญชาตญาณพื้นฐานของการทำความเข้าใจทฤษฎีบท Bayes' ในแง่ของก่อน , หลัง , ความน่าจะเป็นและร่อแร่ความน่าจะเป็น ด้วยเหตุนี้ฉันจึงใช้สมการต่อไปนี้: โดยที่แทนสมมติฐานหรือความเชื่อและแทนข้อมูลหรือหลักฐาน ฉันเข้าใจแนวคิดของคนหลัง - มันเป็นเอนทิตี้แบบรวมที่รวมความเชื่อก่อนหน้านี้และความน่าจะเป็นของเหตุการณ์ สิ่งที่ฉันไม่เข้าใจคือโอกาสที่จะมีความหมายอะไร และทำไมถึงเป็นชายขอบ

P(B|A)=P(A|B)P(B)P(A)
AB
น่าจะเป็นในส่วนหรือไม่
หลังจากตรวจสอบแหล่งข้อมูลสองสามข้อฉันพบคำพูดนี้:

ความน่าจะเป็นคือน้ำหนักของเหตุการณ์กำหนดโดยการเกิดของ ...คือความน่าจะเป็นหลังของเหตุการณ์เนื่องจากเหตุการณ์เกิดขึ้นBAP(B|A)BA

ข้อความ 2 ข้อข้างต้นดูเหมือนกับฉันเพิ่งเขียนในรูปแบบที่แตกต่างกัน ใครช่วยอธิบายความแตกต่างระหว่างสองคนนี้ได้ไหม?


4
คุณพิมพ์ผิด (หรือเข้าใจผิด) ควรเป็น "สมมติฐานหรือความเชื่อ" และAควรเป็น "ข้อมูลหรือหลักฐาน" ในสูตรของคุณ BA
gung - Reinstate Monica

1
ดูคำตอบของฉันที่math.stackexchange.com/a/1943255/1505นั่นคือวิธีที่ฉันสิ้นสุดการทำความเข้าใจมันอย่างสังหรณ์ใจ
Lyndon White

คำตอบ:


27

แม้ว่าจะมีสี่องค์ประกอบที่ระบุไว้ในกฎหมายของ Bayes ฉันชอบคิดในแง่ของสามองค์ประกอบความคิด:

P(B|A)2=P(A|B)P(A)3P(B)1
  1. ก่อนคือสิ่งที่คุณเชื่อเกี่ยวกับก่อนที่จะมีการพบชิ้นใหม่และมีความเกี่ยวข้องของข้อมูล (เช่น) B A
  2. คนหลังคือสิ่งที่คุณเชื่อ (หรือควรถ้าคุณมีเหตุผล) เกี่ยวกับหลังจากได้รับข้อมูลใหม่และมีความเกี่ยวข้อง B
  3. หารโอกาสหารด้วยความน่าจะเป็นชายขอบของชิ้นใหม่ของข้อมูลดัชนีinformativenessของข้อมูลใหม่สำหรับความเชื่อของคุณเกี่ยวกับB B

19

มีคำตอบที่ดีอยู่แล้วหลายประการ แต่อาจจะเพิ่มสิ่งใหม่ ...

ฉันมักจะคิดถึงกฎของเบย์ในแง่ของความน่าจะเป็นขององค์ประกอบซึ่งสามารถเข้าใจได้ในเชิงเรขาคณิตในแง่ของเหตุการณ์และBดังที่แสดงด้านล่างAB

Event Sets

P(A)P(B)P(AB)=1AB P(AB)AB

ABBAB

P(A|B)=P(AB)P(B)
BAAAB
P(B|A)=P(AB)P(A)

P(B|A)P(A)=P(AB)=P(A|B)P(B)
p(A)p(B)

(อีกวิธีหนึ่งในการทำความเข้าใจการอภิปรายข้างต้นได้รับคำตอบของคำถามนี้จากมุมมอง "สเปรดชีตการบัญชี" เพิ่มเติม)


9

@ gung มีคำตอบที่ดี ฉันจะเพิ่มหนึ่งตัวอย่างเพื่ออธิบาย "การเริ่มต้น" ในตัวอย่างโลกแห่งความจริง

HAEB

ดังนั้นสูตรคือ

P(H|E)=P(E|H)P(H)P(E)

หมายเหตุสามารถเขียนสูตรเดียวกันได้

P(H|E)P(E|H)P(H)

P(E|H)P(H)P(E)E

H{0,1}

11000P(H=1)=0.001P(H=0)=0.999

P(H|E)

E{0,1}

P(E=1|H=0)P(E=1|H=1)

E=1


P(H=0)0.999P(H=1)=0.001

1

โปรดทราบว่ากฎของ Bayes คือ

P(a|b)=P(b,a)P(b)=P(b,a)P(b)P(a)P(a)

สังเกตอัตราส่วน

P(,a)P()P(a).

ถ้า BAจากนั้น P(,a)=P()P(a). มันเกือบจะเหมือนกับบอกเราว่าข้อต่อเบี่ยงเบนไปจากความเป็นอิสระอย่างเต็มที่หรือข้อมูลที่มีร่วมกัน

ที่น่าสนใจบันทึกของอัตราส่วนนี้ยังปรากฏในข้อมูลร่วมกัน:

I(A|B)=a,bP(a,b)logP(b,a)P(b)P(a)


0

I often find viewing the theorem as a table, with the possible outcomes for "B" as the rows, and the possible outcomes for "A" as the columns. The joint probabilities P(A,B) are the values for each cell. In this table we have

likelihood = row proportions posterior = column proportions

The prior and marginal are analogously defined, but based on "totals" instead of a particular column

marginal = row total proportions prior = column total proportions

I find this helps me.

โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.