Правила ймовірності

Основи байєсівського аналізу даних у R

Rasmus Bååth

Data Scientist

Погані та хороші новини

• Погана новина
  • Метод обчислень, який ми використовували, дуже погано масштабується.
• Хороші новини
  • Байєсівські обчислення — активна тема досліджень.
  • Є багато методів, щоб ефективніше навчати байєсівські моделі.
  • Результат буде тим самим, просто ви отримаєте його швидше.

Теорія ймовірностей

• Ймовірність
  • Число між 0 і 1.
  • Твердження про певність/непевність.
• Математичні позначення:
  • P(n_visitors = 13) — це ймовірність
  • P(n_visitors) — це розподіл ймовірності
  • P(n_visitors = 13 | prop_clicks = 10%) — це умовна ймовірність
  • P(n_visitors | prop_clicks = 10%) — це умовний розподіл ймовірності

P(n_visitors | prop_clicks = 10%)

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

Оперування ймовірностями

Оперування ймовірностями

• Правило суми

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3)

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3) = 1/6 + 1/6 + 1/6 = 0,5

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3) = 1/6 + 1/6 + 1/6 = 0,5
• Правило добутку

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3) = 1/6 + 1/6 + 1/6 = 0,5
• Правило добутку
  • p(6 і 6)

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3) = 1/6 + 1/6 + 1/6 = 0,5
• Правило добутку
  • p(6 і 6) = 1/6 * 1/6 = 1 / 36 = 2,8%

Оперування ймовірностями

• Правило суми
  • p(1 або 2 або 3) = 1/6 + 1/6 + 1/6 = 0,5
• Правило добутку
  • p(6 і 6) = 1/6 * 1/6 = 1 / 36 = 2,8%

 

• Foundations of Probability in R

Спробуймо ці правила!

Основи байєсівського аналізу даних у R