-
17-6 α＝2，β＝2的例子
17-6 α＝2，β＝2的例子 17-6 α＝2，β＝2的例子 17-2中已经讲过，当α＝2、β＝2时，贝塔分布为以下二次函数： y＝（常数）×x （1-x ） （0≤x ≤1） …（5） 如图表17-5 所示，图像为抛物线（二次函数图像）的一部分。在概率分布图中，由于概率通过面积来表示，故所有事件的概率p（0≤x ≤1）与抛物线和x 轴围成的图形... -
K 知识与创新Knowledge——论述知识学习中的高效与创新
K 知识与创新Knowledge——论述知识学习中的高效与创新 知识，以千变万化的形式充盈于各种各样的学习之中，真可谓无所不在。那些“已学会”的知识帮助人们解读分析新信息，而“后习得”的知识则帮助人们打开想象的空间，把以往的不可能变为可能。正因为知识本身的核心地位，我们决定打破以往的章节形式，通过论述来讲解知识所能带来的深远影响。本章的目标是探讨人们对于传... -
7-3 贝叶斯推理无论在何种条件下，都能得出一个暂时的结果
7-3 贝叶斯推理无论在何种条件下，都能得出一个暂时的结果 7-3 贝叶斯推理无论在何种条件下，都能得出一个暂时的结果 正如大家所看到的，贝叶斯推理并没有像内曼－皮尔逊统计学的假设检验那样，有关于显著水平的设定。贝叶斯推理的强项是“无论在何种条件下，都能得出一个暂时的结果” 。但是，这个结果并不像内曼－皮尔逊统计学那样，得出一个单方面的判断（非A即B）... -
20-3 正态分布由“μ”和“б”决定
20-3 正态分布由“μ”和“б”决定 20-3 正态分布由“μ”和“б”决定 一般的正态分布，可以从标准正态分布中轻而易举地获得，只要把图表按照以下步骤进行变形即可。 步骤1： 以y轴为中心，向左右两侧延伸б倍（б希腊字母，读作“西格马”）。为了满足标准化条件（面积之和为1），各部分的高度需为б分之1。 步骤2： 横向平行移动，直到对应函数顶... -
3-6 计算“信念的程度”也可以使用贝叶斯推理
3-6 计算“信念的程度”也可以使用贝叶斯推理 3-6 计算“信念的程度”也可以使用贝叶斯推理 在本讲的最后，对于“概率”的定义进行简要说明。 我们在初中、高中阶段学习的概率，是一个客观的概念。也就是说，对于“某现象的概率是多少”的问题来说，答案是唯一的，无论是谁回答，都会给出一个唯一、客观的数值。在“掷骰子出现1的概率为六分之一”的情况下，概率表示... -
第5讲·小结
第5讲·小结 第5讲·小结 1．逻辑性推理（自然演绎）是由逻辑学演绎法经过严密推导得出的结论。 2．在已知的事实中如果存在不确定的部分，则需要概率推理。 3．概率推理一般会得出“大概是**”这样的结论。 4．概率推理包括标准统计学推理和贝叶斯推理两种方法。 5．标准统计推理是在一定风险上以“是**”这样的形式将结论集中到一点。 6．贝叶斯推理... -
第2部 完全自学！从“概率论”到“正态分布”
第2部 完全自学！从“概率论”到“正态分布” 第2部 完全自学！从“概率论”到“正态分布” 第1部仅停留在描述贝叶斯统计学本质的阶段。但由于没有使用概率符号，因而语言表述不够精确。而如果想要真正地深入掌握使用“贝塔分布”等概率分布的复杂推算，必须要通过算式来理解。在前面，我们已经通过“面积图”的方法积累了扎实的基础，所以，再复杂的概率符号，也能够轻松理... -
3-2 主观上设定你是否是“真命天子”的“先验概率”
3-2 主观上设定你是否是“真命天子”的“先验概率” 3-2 主观上设定你是否是“真命天子”的“先验概率” 按上节所述，这一事例的特殊性在于，通过客观统计数据无法获得先验概率。先验概率 的概念在第一讲中曾涉及，是指：事前能够判断的各个类别的相应概率。 在这个案例中，有两种类别：一种是“把你视为最喜欢的人”，另一种是“没有把你列入考虑范围之内”。以下，简... -
第8讲 贝叶斯推理的基础：极大似然原理
第8讲 贝叶斯推理的基础：极大似然原理 8-1 贝叶斯统计学与内曼－皮尔逊统计学的共通点 第8讲 贝叶斯推理的基础：极大似然原理 贝叶斯统计学与内曼－皮尔逊统计学的衔接点 8-1 贝叶斯统计学与内曼－皮尔逊统计学的共通点 在第5讲与第8讲中，已经对比了标准统计学（内曼－皮尔逊统计学）与贝叶斯统计学在思考方式、逻辑等方面的不同之处。由此可知，这两... -
9-6 结论因模型的设定自身而发生变化
9-6 结论因模型的设定自身而发生变化 9-6 结论因模型的设定自身而发生变化 那么，在蒙蒂霍尔问题中，“应该改变最初的选择”这一结论，似乎已经是板上钉钉的结论了。但实际上，笔者并不这样认为。因为“A帘的后验概率为1/3，C帘的后验概率为2/3”的结果，毫无疑问依存于模型的设定 。 当然，将A、B、C的先验概率都设定为1/3，这一点是没有异议的。问题...