Bayes 'प्रमेय रेखांकन क्यों काम करता है?


9

एक गणितीय दृष्टिकोण से बेयस का प्रमेय मेरे लिए सही अर्थ रखता है (यानी, व्युत्पन्न और सिद्ध करना), लेकिन मुझे नहीं पता कि क्या एक अच्छा ज्यामितीय या चित्रमय तर्क है जो बेयस के प्रमेय को समझाने के लिए दिखाया जा सकता है। मैंने इसके उत्तर के लिए गुग्लिंग के चारों ओर कोशिश की और आश्चर्यजनक रूप से मुझे इस पर कुछ भी नहीं मिला।


2
मैं तुम्हें "प्रमेय में वेन आरेख Bayes" के लिए खोज का सुझाव
Alecos पापाडोपौलोस

6
यह कोशिश करो ।
सियान

जवाबों:


1

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।


0

यह समझाने के लिए एक भौतिक तर्क बहुत स्पष्ट रूप से गैल्टन द्वारा 1800 के अंत में दो चरण के क्विनकुंक्स में दर्शाया गया था।

स्टिगलर, स्टीफन एम। 2010 में आंकड़ा 5 देखें। डार्विन, गैल्टन और सांख्यिकीय ज्ञान। रॉयल स्टैटिस्टिकल सोसायटी का जर्नल: सीरीज़ ए 173 (3): 469-482।

मेरे पास इसका एक अल्पविकसित एनीमेशन है ( इसे चलाने के लिए पर्याप्त पीडीएफ समर्थन की आवश्यकता है)।

मैंने इसे गेल्टन के सिर पर गिरने वाले नारंगी के बारे में एक रूपक में बदल दिया है जिसे मैं भविष्य में अपलोड करने की कोशिश करूंगा।

या शायद आप यहां एबीसी अस्वीकृति चित्र पसंद कर सकते हैं ।

इस पर आधारित एक अभ्यास यहाँ है


0

मध्यम पर यह 10 जनवरी 2020 का लेख सिर्फ एक तस्वीर के साथ समझाता है! मान लीजिए कि

  • एक दुर्लभ बीमारी केवल संक्रमित करती है 1/1000 लोग।
  • टेस्ट 99% सटीकता के साथ बीमारी की पहचान करते हैं।

यहाँ छवि विवरण दर्ज करें

अगर १००,००० लोग हैं, १०० लोग जिन्हें दुर्लभ बीमारी है और बाकी ९९, ९ ०० लोगों के पास नहीं है। यदि इन 100 रोगग्रस्त लोगों का परीक्षण हो जाता है,99 परीक्षण सकारात्मक होगा और 1नकारात्मक परीक्षण करें। लेकिन जो हम आम तौर पर अनदेखा करते हैं, वह यह है कि अगर 99,900 स्वस्थ स्वस्थ हैं, तो उनमें से 1% (जो है)999) झूठी सकारात्मक परीक्षण करेंगे।

अब, यदि आप सकारात्मक परीक्षण करते हैं, तो आपके लिए यह बीमारी होनी चाहिए 1 का 99रोगग्रस्त लोग जिन्होंने सकारात्मक परीक्षण किया। सकारात्मक परीक्षण करने वाले व्यक्तियों की कुल संख्या है99+999। तो जब आप सकारात्मक परीक्षण किया है कि आप बीमारी की संभावना है9999+999=0.0901

हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.