확률 규칙

R로 배우는 Bayesian 데이터 분석 기초

Rasmus Bååth

Data Scientist

좋은 소식과 나쁜 소식

• 나쁜 소식
  • 지금까지 사용한 계산 방법은 확장성이 매우 낮습니다.
• 좋은 소식
  • 베이즈 계산은 활발한 연구 분야입니다.
  • 베이즈 모델을 보다 효율적으로 적합하는 다양한 방법이 있습니다.
  • 결과는 동일하며, 더 빠르게 얻을 수 있습니다.

확률 이론

• 확률
  • 0과 1 사이의 수.
  • 확실성/불확실성에 대한 진술.
• 수학적 표기법:
  • P(n_visitors = 13)은 확률입니다
  • P(n_visitors)는 확률 분포입니다
  • P(n_visitors = 13 | prop_clicks = 10%)는 조건부 확률입니다
  • P(n_visitors | prop_clicks = 10%)는 조건부 확률 분포입니다

P(n_visitors | prop_clicks = 10%)

n_visitors <- rbinom(n = 10000, size = 100, prob = 0.1)
hist(n_visitors)

확률 조작

확률 조작

• 합의 규칙

확률 조작

• 합의 규칙
  • p(1 or 2 or 3)

확률 조작

• 합의 규칙
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5

확률 조작

• 합의 규칙
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 곱의 규칙

확률 조작

• 합의 규칙
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 곱의 규칙
  • p(6 and 6)

확률 조작

• 합의 규칙
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 곱의 규칙
  • p(6 and 6) = 1/6 * 1/6 = 1 / 36 = 2.8%

확률 조작

• 합의 규칙
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 곱의 규칙
  • p(6 and 6) = 1/6 * 1/6 = 1 / 36 = 2.8%

 

• Foundations of Probability in R

이 규칙들을 직접 적용해 봅시다!

R로 배우는 Bayesian 데이터 분석 기초