ความเป็นไปได้
ปัญหาที่พบบ่อยในทฤษฎีความน่าจะเป็นหมายถึงความน่าจะเป็นของการสังเกตกำหนดรูปแบบที่แน่นอนและกำหนดพารามิเตอร์ (ลองเรียกมันว่า ) ที่เกี่ยวข้อง เช่นความน่าจะเป็นสำหรับสถานการณ์เฉพาะในเกมไพ่หรือเกมลูกเต๋ามักจะตรงไปตรงมามากx1,x2,...,xnθ
อย่างไรก็ตามในสถานการณ์จริงที่เรากำลังเผชิญกับสถานการณ์ผกผัน ( สถิติเชิงอนุมาน ) นั่นคือ: การสังเกตจะได้รับและในขณะนี้รูปแบบเป็นที่ไม่รู้จักหรืออย่างน้อยเราไม่ทราบว่าพารามิเตอร์บาง\x1,x2,...,xkθ
ในประเภทของปัญหาเหล่านี้เรามักจะอ้างถึงคำที่เรียกว่าน่าจะเป็นของพารามิเตอร์ที่ซึ่งเป็นอัตราการเชื่อในเฉพาะพารามิเตอร์สังเกตให้x_k คำนี้แสดงว่าเป็นสัดส่วนกับความน่าจะเป็นสำหรับการสังเกตสมมติว่าพารามิเตอร์ modelน่าจะเป็นจริงตามสมมุติฐาน L(θ)θx1,x2,..xkx1,x2,..xkθL(θ,x1,x2,..xk)∝probability observations x1,x2,..xk given θ
สำหรับค่าพารามิเตอร์ที่กำหนดความน่าจะเป็นที่แน่นอนมากขึ้นการสังเกตคือ (สัมพันธ์กับความน่าจะเป็นกับค่าพารามิเตอร์อื่น ๆ ) ยิ่งการสังเกตสนับสนุนพารามิเตอร์นี้มากขึ้นเท่านั้น (หรือทฤษฎี / สมมติฐานที่ถือว่าพารามิเตอร์นี้) . ความเป็นไปได้สูง (ที่สัมพันธ์กัน) จะช่วยเสริมความเชื่อมั่นของเราเกี่ยวกับค่าพารามิเตอร์นั้น (มีปรัชญามากขึ้นที่จะพูดเกี่ยวกับเรื่องนี้)θx1,x2,..xn
ความเป็นไปได้ในปัญหารถถังเยอรมัน
ตอนนี้สำหรับปัญหารถถังเยอรมันฟังก์ชั่นความน่าจะเป็นสำหรับกลุ่มตัวอย่างคือ:x1,x2,..xk
L(θ,x1,x2,..xk)=Pr(x1,x2,..xk,θ)={0(θk)−1if max(x1,x2,..xk)>θif max(x1,x2,..xk)≤θ,
ไม่ว่าคุณจะสังเกตตัวอย่าง {1, 2, 10} หรือตัวอย่าง {8, 9, 10} ไม่ควรเรื่องเมื่อกลุ่มตัวอย่างได้รับการพิจารณาจากการกระจายชุดพารามิเตอร์\ตัวอย่างทั้งสองมีความเป็นไปได้ที่จะเกิดความเท่าเทียมกันและใช้ความคิดที่เป็นไปได้ตัวอย่างหนึ่งไม่ได้บอกเกี่ยวกับพารามิเตอร์มากกว่าตัวอย่างอื่นθ(θ3)−1θ
ค่าสูง {8, 9, 10} อาจทำให้คุณคิด / เชื่อว่าควรสูงกว่า แต่มันเป็นเพียงค่า {10} ที่ให้ข้อมูลที่เกี่ยวข้องกับคุณอย่างแท้จริงเกี่ยวกับความน่าจะเป็นของ (ค่า 10 บอกคุณว่าจะสิบหรือสูงกว่าค่าอื่น ๆ ที่ 8 และ 9 ไม่ได้มีส่วนร่วมอะไรกับข้อมูลนี้ )θθθ
ทฤษฎีการแยกตัวประกอบฟิชเชอร์เนย์แมน
ทฤษฎีนี้บอกคุณว่าสถิติบางอย่าง (เช่นฟังก์ชั่นบางอย่างของการสังเกตเช่นค่าเฉลี่ยมัธยฐานหรือค่าเฉลี่ยในปัญหารถถังเยอรมัน) มีเพียงพอ (เมื่อมีข้อมูลทั้งหมด) เมื่อ คุณสามารถแยกตัวประกอบในฟังก์ชันความน่าจะเป็นคำที่ขึ้นอยู่กับการสังเกตอื่น ๆซึ่งปัจจัยนี้ไม่ได้ขึ้นอยู่กับทั้งพารามิเตอร์และ (และ ส่วนของฟังก์ชั่นความน่าจะเป็นที่เกี่ยวข้องกับข้อมูลด้วยค่าพารามิเตอร์สมมุติขึ้นอยู่กับสถิติ แต่ไม่ใช่ข้อมูล / การสังเกตทั้งหมด)T(x1,x2,…,xk)x1,x2,…,xkθx1,x2,…,xk
กรณีของปัญหารถถังเยอรมันนั้นง่ายมาก คุณสามารถเห็นได้ว่าการแสดงออกทั้งหมดสำหรับความน่าจะเป็นข้างต้นนั้นขึ้นอยู่กับสถิติและค่าที่เหลือไม่สำคัญmax(x1,x2,..xk)x1,x2,..xk
เกมเล็ก ๆ น้อย ๆ เช่น
สมมติว่าเราเล่นเกมต่อไปนี้ซ้ำ ๆ :ตัวเองเป็นตัวแปรสุ่มและวาดด้วยความน่าจะเป็นอย่างใดอย่างหนึ่งเท่ากับ 100 หรือ 110 แล้วเราวาดตัวอย่างx_1,θx1,x2,...,xk
เราต้องการเลือกกลยุทธ์สำหรับการคาดเดาโดยพิจารณาจากที่เพิ่มความน่าจะเป็นของเราในการคาดเดาอย่างถูกต้องθx1,x2,...,xkθ
กลยุทธ์ที่เหมาะสมคือการเลือก 100 ยกเว้นหนึ่งในตัวเลขในตัวอย่างคือ> 100
เราอาจถูกล่อลวงให้เลือกค่าพารามิเตอร์ 110 แล้วเมื่อหลายมักจะมีค่าสูงเกือบร้อย (แต่ไม่เกินร้อย) แต่นั่นอาจจะผิด ความน่าจะเป็นของการสังเกตดังกล่าวจะใหญ่ขึ้นเมื่อค่าพารามิเตอร์ที่แท้จริงคือ 100 มากกว่าเมื่อมันคือ 110 ดังนั้นหากเราเดาว่าในสถานการณ์เช่นนี้ 100 เป็นค่าพารามิเตอร์เราจะมีโอกาสน้อยที่จะทำผิดพลาด (เนื่องจาก สถานการณ์ที่มีค่าสูงเกือบร้อย แต่ยังต่ำกว่าจะเกิดขึ้นบ่อยครั้งในกรณีที่มูลค่าที่แท้จริงคือ 100 แทนที่จะเป็นกรณีที่มูลค่าที่แท้จริงคือ 110)x1,x2,...,xk