当透过过滤子群的比例视角来看待时,贝叶斯定理的结构解释是什么?
适用条件
- 证据 E 已经发生(条件化)
- 边缘概率
理解与推导
- 过滤总样本空间,仅保留存在证据 E 的情况。
- 在这个受限的全集中,识别出假设 H 也为真的子集。
- 计算相对于总 E 实例的 H 真值比例。
- 将其正式表达为比率 。
- 将结果解释为纳入新数据后的更新信念。
例子
“回到贝叶斯定理本身,通过比例的镜头审视使其含义几乎不言自明。公式指出后验概率 等于联合概率 除以证据的边缘概率 。翻译成通俗语言:首先,只关注那些证据 已发生的案例。然后,在那个过滤后的子群中,计算同样满足假设 的比例。”
容易误解的地方
- 仅仅将该公式视为符号操作而不理解过滤过程。
- 忘记条件化需要正的迹象区域概率。
观看对应讲解
相关概念
继续追问
相关问题
从等式 (B|A) = (A|B) 出发,你可以通过除以相应的边缘概率来解出任何一个条件概率。两边除以 可分离出 P(A|B),得到 P(A|B) = (B|A)/P(B)。
适用条件:此处使用的普通条件概率要求 A 和 B 都具有正概率。;代数重排要求分母 和 非零。
当个体判断组合事件(既是银行出纳员又是女权运动积极分子)的概率高于其组成部分之一(是银行出纳员)的概率时,合取谬误就表现出来了。从数学上看,第二个事件是第一个事件的子集,因此 。
适用条件:比较子集事件与其超集事件的概率;事件的定义使得一个包含在另一个之中
事件“A 和 B”在逻辑上与“B 和 A”完全相同,因此对其概率的任何有效分解都必须一致。这种对称性迫使两个乘积公式相等:(B|A) = (A|B)。
适用条件:该论证使用了事件的逻辑合取的交换律。;此处使用的普通条件概率要求 A 和 B 都具有正概率。
公式 P(A 且 B) = 被划掉是因为它仅对独立事件有效。视频强调了一般乘法法则 P(A 且 B) = (B|A),该法则对独立和非独立事件都适用。
适用条件:事件 A 和 B 可能是相关的。;一般乘法法则 P(A 且 B) = (B|A) 无论是否独立都适用(假设 )。
计算假设总人口为210人:10名图书管理员和200名农民。已知40%的图书管理员符合描述(产生4名匹配的图书管理员),而10%的农民符合描述(产生20名匹配的农民),总共有24个匹配项。
适用条件:总体仅由比例为1:20的图书管理员和农民组成;似然率设定为图书管理员40%,农民10%;条件化要求
答案依据视频资料生成并经过独立核验。若有疑问,请核对原视频或联系原作者。