機率規則

R 的 Bayesian 資料分析基礎

Rasmus Bååth

Data Scientist

壞消息與好消息

• 壞消息
  • 我們用的計算方法延展性很差。
• 好消息
  • 貝葉斯計算是熱門研究主題。
  • 有許多方法能更有效率地擬合貝葉斯模型。
  • 結果一樣，只是會更快得到。

機率理論

• 機率
  • 介於 0 到 1 的數。
  • 表達確定性／不確定性。
• 數學記號：
  • P(n_visitors = 13) 是一個機率
  • P(n_visitors) 是機率「分配」
  • P(n_visitors = 13 | prop_clicks = 10%) 是「條件」機率
  • P(n_visitors | prop_clicks = 10%) 是「條件」機率「分配」

P(n_visitors | prop_clicks = 10%)

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

操作機率

操作機率

• 加法規則

操作機率

• 加法規則
  • p(1 or 2 or 3)

操作機率

• 加法規則
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5

操作機率

• 加法規則
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 乘法規則

操作機率

• 加法規則
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 乘法規則
  • p(6 and 6)

操作機率

• 加法規則
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 乘法規則
  • p(6 and 6) = 1/6 * 1/6 = 1 / 36 = 2.8%

操作機率

• 加法規則
  • p(1 or 2 or 3) = 1/6 + 1/6 + 1/6 = 0.5
• 乘法規則
  • p(6 and 6) = 1/6 * 1/6 = 1 / 36 = 2.8%

 

• Foundations of Probability in R

來試試這些規則！

R 的 Bayesian 資料分析基礎