मूल रूप से सिर्फ दो अतिव्यापी हलकों के वेन आरेख खींचते हैं जो घटनाओं के सेट का प्रतिनिधित्व करने वाले होते हैं। उन्हें ए और बी कहें। अब दोनों का चौराहा P (A, B) है जिसे A और B की प्रायिकता पढ़ी जा सकती है। प्रायिकता के मूल नियमों से, P (A, B) = P (A | B) P | (बी)। और चूँकि A बनाम B के बारे में कुछ विशेष नहीं है, यह P (B | A) P (A) भी होना चाहिए। इन दोनों की बराबरी करने पर आपको बेयस प्रमेय मिलता है।
बेयस प्रमेय वास्तव में काफी सरल है। दो कारणों से बायेसियन सांख्यिकी कठिन है। एक यह है कि यह पासा की यादृच्छिक भूमिकाओं के बारे में बात करने की संभावना से थोड़ा अमूर्त होता है कि कुछ तथ्य सत्य है। इसके लिए आवश्यक है कि आपको पहले और इस पूर्व प्रभाव के बाद की संभावना जो आपको अंत में मिले। और जब आपको रास्ते में बहुत सारे मापदंडों को हाशिए पर रखना पड़ता है, तो यह देखना कठिन है कि यह कैसे प्रभावित होता है।
कुछ पाते हैं कि यह एक तरह का गोलाकार है। लेकिन वास्तव में, इसके आसपास होने का कोई तरीका नहीं है। किसी मॉडल के साथ विश्लेषण किया गया डेटा आपको सीधे सत्य की ओर नहीं ले जाता है। कुछ नहीं करता। यह आपको एक सुसंगत तरीके से अपनी मान्यताओं को अपडेट करने की अनुमति देता है।
बेयसियन आंकड़ों के बारे में दूसरी कठिन बात यह है कि सरल समस्याओं को छोड़कर गणना काफी कठिन हो जाती है और यही कारण है कि इससे निपटने के लिए सभी गणित लाया जाता है। हमें हर समरूपता का लाभ उठाने की आवश्यकता है जिसे हम गणनाओं को आसान बनाने के लिए कर सकते हैं या मोंटे कार्लो सिमुलेशन का सहारा ले सकते हैं।
इसलिए बायेसियन आँकड़े कठिन हैं लेकिन बेयस प्रमेय वास्तव में कठिन नहीं है। यह मत सोचो! यह सीधे इस तथ्य से है कि "और" ऑपरेटर, एक संभाव्य संदर्भ में, सममित है। ए और बी, बी एंड ए के समान है और हर कोई इसे सहज रूप से समझने लगता है।
