우리는 베이 즈 정리를 다음과 같이 쓸 수 있습니다.
여기서 는 사후, 는 조건부 분포, 는 이전입니다.
또는
여기서 는 사후, 는 우도 함수이고 는 이전 함수 입니다.
내 질문은
- 조건부 분포가 아닌 우도 함수를 사용하여 베이지안 분석을 수행하는 이유는 무엇입니까?
- 가능성과 조건부 분포의 차이점이 무엇인지 말로 표현할 수 있습니까? 가능성은 확률 분포가 아니며 입니다.
우리는 베이 즈 정리를 다음과 같이 쓸 수 있습니다.
여기서 는 사후, 는 조건부 분포, 는 이전입니다.
또는
여기서 는 사후, 는 우도 함수이고 는 이전 함수 입니다.
내 질문은
답변:
가정 당신은 가지고 주어진 조건에 독립적 인 (해당 값이 실험에서 관찰됩니다) 확률 변수를 으로 조건부 밀도 , 입니다. 이것은 당신의 (가정) 통계 (조건부) 모델이며, 조건부 밀도는 각각의 가능한 값을 표현 (임의)의 매개 변수 ,의 값에 대한 당신의 불확실성 의, 전에 당신은 어떤에 액세스 할 수 실제 데이터. 조건부 밀도를 사용하면 예를 들어 다음과 같은 조건부 확률을 계산할 수 있습니다. Θ = θ f X i ∣ Θ (i = 1 , … , n θ Θ X i P { X 1 ∈ B 1 , … , X n ∈ B n ∣ Θ = θ } = ∫ B 1 × ⋯ × B n n ∏ i = 1 f X i ∣ Θ ( x i ∣ θ )
실험의 한 번의 실행에서 관찰 된 의 실제 값 값 (실현) 샘플에 액세스 한 후 상황이 변경됩니다. 관찰 가능한 대한 불확실성이 더 이상 없습니다. . 임의의 가 일부 매개 변수 공간 값을 가정한다고 가정하십시오 . 지금, 당신은 그 알려진 (고정) 값을 정의 함수 에 의한 참고 은 "우도 함수"라고도은의 함수이며
질문에 대답하고 조건부 밀도와 가능성의 개념 간의 차이점을 이해하려면 수학 정의 (명확하게 다릅니다 : 특성이 다른 수학 객체가 다름)를 명심하고 조건부 밀도는 "사전"이라는 점을 기억하십시오. -sample "객체 / 개념, 가능성은"샘플 후 "입니다. 이 모든 것이 또한 베이지안 추론 (이상적으로는 생각하지 않는 방식으로)이 "조건부 분포가 아닌 가능성 함수를 사용하여"수행 된 이유에 답하는 데 도움이되기를 바랍니다. 베이지안 추론의 목표는 다음과 같습니다. 사후 분포를 계산하기 위해 관측 된 (알려진) 데이터를 조건으로합니다 .
베이지안 분석은 일반적으로 베이 즈 정리에 대한 더 간단한 진술 을 통해 수행되며 , 여기서 우리는 관심 매개 변수와 관련하여 비례 측면에서만 작동합니다. 샘플링 밀도가 표준 IID 모델의 경우 다음과 같이 표현할 수 있습니다.
이 Bayesian 업데이트 문은 매개 변수 와 비례하여 작동합니다 . 두 가지 비례 단순화를 사용합니다. 하나는 우도 함수 (샘플링 밀도에 비례)를 사용하고 다른 하나는 사후 (우연과 곱의 결과에 비례)를 사용합니다. 후자는 밀도 함수 (연속적인 경우)이므로 정규 규칙은 유효한 밀도를 산출하는 데 필요한 곱셈 상수를 설정합니다 (즉, 하나에 통합하기 위해).
이 방법으로 비례를 사용하면 매개 변수 에 의존하지 않는 함수의 곱셈 요소를 무시할 수 있다는 장점이 있습니다. 이것은 우리가 수학의 불필요한 부분을 쓸어 내고 업데이트 메커니즘에 대한 간단한 진술을함으로써 문제를 단순화하는 경향이 있습니다. 이것은 Bayes의 규칙이 비 비례 적 형태로 작동하기 때문에 수학적 요구 사항은 아니지만 작은 동물의 두뇌를 위해 일을 더 단순 하게 만듭니다 .
적용 예 : 관찰 된 데이터가 인 IID 모델을 고려하십시오 . 분석을 용이하게하기 위해 통계 및 는 처음 두 샘플 모멘트입니다. 이 모델에는 샘플링 밀도가 있습니다.
원하는 경우이 샘플링 밀도로 직접 작업 할 수 있습니다. 그러나이 밀도의 처음 두 항은 의존하지 않는 곱셈 상수입니다 . 이러한 용어를 추적해야하는 것은 성가신 일이므로 제거해 보도록하겠습니다.
추가 용어를 추적 할 필요가 없기 때문에 약간 단순화합니다. 이제 우리는 정수 분모를 포함한 전체 방정식 버전을 사용하여 Bayes의 규칙을 적용 할 수 있습니다. 그러나 다시, 이것은 우리가 의존하지 않는 또 다른 성가신 곱셈 상수를 추적해야합니다 (우리는 그것을 얻기 위해 적분을 풀어야하기 때문에 더 성가시다). 따라서 베이 즈의 규칙을 비례 형태로 적용 해 봅시다. 알려진 정밀 매개 변수 과 함께 켤레 사전 을 사용 하면 다음과 같은 결과를 얻습니다 ( square 를 완료하여 ).
따라서이 작업을 통해 사후 분포가 정규 밀도에 비례한다는 것을 알 수 있습니다. 후방이해야하기 때문에 수 밀도, 이것은 후부는 것을 의미 인 그 정상 밀도 :
따라서 우리 는 매개 변수 의 후부 가 일반적으로 다음과 같이 주어진 평균과 분산으로 분포됨을 알 수있다.
이제 우리가 도출 한 사후 분포는 그 정면에 일정한 통합이 있습니다 ( 정규 분포 의 형태를 찾아서 쉽게 찾을 수 있습니다 ). 그러나이 곱셈 상수에 대해 걱정할 필요가 없었습니다. 수학이 단순화 될 때마다 모든 곱셈 상수가 제거되었습니다. 곱셈 상수를 추적하면서 동일한 결과를 도출 할 수 있지만 이것은 훨씬 더 복잡합니다.
Zen의 대답은 실제로 확률 함수와 랜덤 변수 값의 결합 밀도가 어떻게 다른지 말해줍니다. 여전히 수학적으로 x s 및 θ 둘 다의 함수로서 그것들은 동일하며, 그런 의미에서 가능성은 확률 밀도로서 볼 수있다. Bayes 사후 분포에 대한 공식에서 지적하는 차이는 단지 표기법의 차이입니다. 그러나 차이점의 미묘함은 Zen의 답변에 잘 설명되어 있습니다.
이 문제는 가능성 기능과 관련하여이 사이트에서 논의 된 다른 질문에서 발생했습니다. kjetil과 Dilip의 다른 의견도 내가 말하는 것을지지하는 것 같습니다.