条件付き確率とベイズルールの違い

ベイズルールは条件付き確率から導出されていることを知っています。しかし、直感的に、違いは何ですか?方程式は私には同じように見えます。分母は同時確率であり、分母は与えられた結果の確率です。

これは条件付き確率です: $ P(A∣B)= \ frac {P(A \ cap B)} {P(B)} $

これはベイズのルールです: $ P(A∣B )= \ frac {P(B | A)* P(A)} {P(B)} $ 。

ではありません $ P(B | A)* P(A)$ と $ P(A \ cap B)$ は同じですか? $ A $ $ B $ が独立している場合、ベイズの法則を使用する必要はありません。 ?

コメント

  • 同じように見える特定の方程式を質問に追加すると、誰かがあなたを助けることができるかもしれません。私がよく知っている2つは私にはまったく異なって見えますが、stats.SEには長い伝統があり、ベイズの式は$$ P(A \ mid B)= \ frac {P(A \ cap B)} {です。 P(B)} $$は、実際には$ B $が与えられた場合の$ A $の条件付き確率の定義であり、ベイズの公式ではありません。
  • @DilipSarwate、質問を更新しました。
  • 最後の質問へ:はい、これらは同じです!ただし、'ベイズの'ルールが'有用な式ではないことを意味するわけではありません。条件付き確率の式は、Bが与えられた場合のAの確率を'与えません。意味的には、'は常にベイズの'ルールを使用する必要があると言います' 、ただし、ABが独立している場合、ルールははるかに単純な形式に縮小できます。
  • わかりましたベイズの定理は便利です。 AとBが独立していない場合、指定子が基本的に同じである場合、条件付き確率関数とベイズのルールの違いは何ですか(間違っている場合は訂正してください)?
  • 私の答えここは本質的にこの問題の別の見方を提供します。

回答

OK 、質問を更新して2つの数式を含めました。

$$ P(A \ mid B)= \ frac {P(A \ cap B )} {P(B)} ~~ \ text {ただし、} P(B)> 0、\ tag {1} $$ はivid $ A $ の条件付き確率の定義を

定義”math-container”> $ B $ が発生しました。同様に、 $$ P(B \ mid A)= \ frac {P(B \ cap A)} {P(A)} = \ frac {P(A \ cap B) } {P(A)} ~~ \ text {ただし} P(A)> 0、\ tag {2} $$ はivid = $ B $ の条件付き確率の “5db063a4a1″>

定義 math-container “> $ A $ が発生しました。さて、 $ P(A \ cap B)$ の値をから置き換えるのは簡単なことです。 $(2)$ を $(1)$ に入れて、 $$ P(A \ mid B )= \ frac {P(B \ mid A)P(A)} {P(B)} ~~ \ text {ただし、} P(A)、P(B)> 0、\ tag {3} $$ これはベイズ “式ですが、ベイズは式は、実際には2つの異なる条件付き確率 $ P(A \ mid B)$ と $ Pを結び付けます(B \ mid A)$ であり、基本的には"条件を"に変えるための式です。トーマスベイズ牧師はこれを"逆確率"の観点から言及し、今日でも統計的推論が必要かどうかについて活発な議論があります。 $ P(B \ mid A)$ または逆確率(事後確率または事後確率と呼ばれます)

ベイズの定理が $(2)$ の単なる些細な置換であることに最初に気付いたときと同じように、間違いなくあなたにうっとりします。 $(1)$ 。おそらく250年前に生まれた場合は、 (注:私が書いたときにユーザー名AlphaBetaGammaで偽装されたOPこの答えは、その後彼のユーザー名を変更しました)置換を行うことができ、今日の人々はAlphaBetaGamma式とAlphaBetaGammian異端と素朴なAlphaBetaGammaメソッドについて話しているでしょう $ ^ * $ Baを呼び出す代わりにはい」どこでも名前。それでは、ベイズの別のバージョンを指摘して、名声を失ったことを慰めましょう。全確率の法則によると、 $$ P(B )= P(B \ mid A)P(A)+ P(B \ mid A ^ c)P(A ^ c)\ tag {4} $$ これを使用して、 $(3)$ as

$$ P(A \ mid B)= \ frac {P(B \ mid A)P(A)} {P(B \ mid A)P(A)+ P(B \ mid A ^ c)P(A ^ c)}、\ tag {5} $$ または、より一般的には $$ P(A_i \ mid B)= \ frac {P(B \ mid A_i)P(A_i)} {P(B \ mid A_1)P(A_1 )+ P(B \ mid A_2)P(A_2)+ \ cdots + P(B \ mid A_n)P(A_n)}、\ tag {6} $$ ここで、可能な

原因" " $ A_i $

datam " $ B $ $ P( B \ mid A_i)$ 、観測の確率 $ B $ $ A_i $ が真の仮説であり、 $ P(A_i)$ 、仮説 $ A_i $ の事前確率(ホラー!)。


$ ^ * $ 有名な論文R.Alpher、H。Bethe、G。Gamow、"があります of Chemical Elements "、Physical Review、1948年4月1日、一般に $ \ alpha \ beta \ gamma $

コメント

  • こんにちは、お願いします。 'コンディショニングを'に変えるとはどういう意味ですか?
  • @Siddhant $ P(A \ mid B)$から$ P(B \ mid A)$は、"条件を"に変えることを意味します。ベイズの定理が行うことの名前を付けるためにその場で作成したフレーズは無視してください(これは、$ P(A \ mid B)$の式を示します。 $ P(B \ mid A)$)は、混乱を招くためです。

回答

1つベイズの定理を直感的に考える方法は、これらのいずれかが簡単に計算できる場合

$$ P(A∣B)~~ \ text {or } P(B∣A)$$

もう一方は最初は少し難しいように見えますが、もう一方は計算できます

例を考えてみましょう。 $$ P(A∣B)$$ は、私がカーテンを持っていると言っています。カーテンの後ろに動物がいると言いましたが、それは4本足の動物です。その動物が犬である確率は?

その確率を見つけるのは難しいです。

しかし、の答えを見つけることができます。 $$ P(B∣A)$$ カーテンとギの後ろにある4本足の動物の確率はどれくらいですか犬であっても、1に近い値を計算するのは簡単です。ベイズの定理にこれらの値をプラグインすると、 $$ P(A ∣B)$$ は、動物が最初は大変だった犬である確率です。

これは、数式を再配置できる理由を直感的に考えることができる、単純化されたバージョンです。助けて。これがお役に立てば幸いです。

コメントを残す

メールアドレスが公開されることはありません。 * が付いている欄は必須項目です