เหตุผลที่ฟังก์ชันความน่าจะเป็นไม่ใช่ pdf (ฟังก์ชันความหนาแน่นของความน่าจะเป็น) คืออะไร
เหตุผลที่ฟังก์ชันความน่าจะเป็นไม่ใช่ pdf (ฟังก์ชันความหนาแน่นของความน่าจะเป็น) คืออะไร
คำตอบ:
เราจะเริ่มด้วยคำจำกัดความสองประการ:
หนาแน่นเป็นฟังก์ชัน (PDF)เป็นฟังก์ชั่นที่ไม่ใช่เชิงลบที่บูรณาการ1
โอกาสถูกกำหนดเป็นความหนาแน่นร่วมของข้อมูลที่สังเกตได้เป็นฟังก์ชั่นของพารามิเตอร์ แต่ดังที่การอ้างอิงถึง Lehmann ที่สร้างโดย @whuber ในความคิดเห็นด้านล่างฟังก์ชันความน่าจะเป็นเป็นฟังก์ชันของพารามิเตอร์เท่านั้นโดยข้อมูลที่จัดขึ้นเป็นค่าคงที่คงที่ ดังนั้นความจริงที่ว่ามันเป็นความหนาแน่นของฟังก์ชั่นของข้อมูลที่ไม่เกี่ยวข้อง
ดังนั้นฟังก์ชั่นความน่าจะเป็นไม่ใช่ pdf เพราะอินทิกรัลที่เกี่ยวกับพารามิเตอร์นั้นไม่จำเป็นต้องเท่ากับ 1 (และอาจไม่สามารถบูรณาการได้เลยจริงๆแล้วตามที่ระบุโดยความคิดเห็นอื่นจาก @whuber)
หากต้องการดูสิ่งนี้เราจะใช้ตัวอย่างง่ายๆ สมมติว่าคุณมีการสังเกตเดียวจากบีอีR n o ยูลิตรลิตรฉัน ( θ )กระจาย แล้วฟังก์ชันความน่าจะเป็นคือ
มันเป็นความจริงที่ว่า 2 โดยเฉพาะถ้าx = 1แล้วL ( θ ) = θดังนั้น∫ 1 0 L ( θ ) d θ = ∫ 1 0 θ d θ = 1 / 2
และการคำนวณที่คล้ายกันใช้เมื่อ 0 ดังนั้นL ( θ )ไม่สามารถใช้เป็นฟังก์ชันความหนาแน่นได้
บางทีอาจมีความสำคัญมากกว่าตัวอย่างทางเทคนิคนี้ที่แสดงว่าโอกาสที่จะไม่ได้เป็นความหนาแน่นของความน่าจะเป็นคือการชี้ให้เห็นว่าโอกาสที่ไม่ใช่ความน่าจะเป็นของค่าพารามิเตอร์ที่ถูกต้องหรือสิ่งใดก็ตาม - ความน่าจะเป็น (ความหนาแน่น) ของข้อมูล กำหนดค่าพารามิเตอร์ซึ่งเป็นสิ่งที่แตกต่างอย่างสิ้นเชิง ดังนั้นจึงไม่ควรคาดหวังว่าฟังก์ชันความน่าจะเป็นจะทำงานเหมือนความหนาแน่นของความน่าจะเป็น
ฉันไม่ใช่นักสถิติ แต่ความเข้าใจของฉันคือในขณะที่ฟังก์ชั่นความเป็นไปได้นั้นไม่ใช่ PDF ที่เกี่ยวข้องกับพารามิเตอร์ แต่เกี่ยวข้องโดยตรงกับ PDF โดย Bayes Rule ฟังก์ชันความน่าจะเป็น, P (X | theta), และการแจกแจงหลัง, f (theta | X), มีการเชื่อมโยงอย่างแน่นหนา; ไม่ใช่ "สิ่งที่แตกต่างอย่างสิ้นเชิง" เลย
ลองดูรูปแบบดั้งเดิม:
ตัวอย่างเช่นฉันไม่ทราบค่าเฉลี่ยและความแปรปรวนมาตรฐานของการแจกแจงแบบเกาส์และต้องการให้พวกเขาได้รับการฝึกอบรมโดยใช้ตัวอย่างจำนวนมากจากการแจกแจงแบบนั้น ฉันเริ่มต้นค่าเฉลี่ยและความแปรปรวนมาตรฐานแบบสุ่ม (ซึ่งกำหนดการแจกแจงแบบเกาส์) จากนั้นฉันใช้ตัวอย่างหนึ่งตัวอย่างและปรับให้เหมาะกับการแจกแจงโดยประมาณและฉันสามารถรับความน่าจะเป็นจากการแจกแจงโดยประมาณ จากนั้นฉันก็ใส่ตัวอย่างต่อไปและรับความน่าจะเป็นจำนวนมากจากนั้นฉันก็คูณความน่าจะเป็นเหล่านี้และได้รับคะแนน คะแนนประเภทนี้น่าจะเป็น มันอาจจะเป็นความน่าจะเป็นของ PDF ที่แน่นอน