Sự khác biệt giữa khả năng và khả năng của người khác là gì?


474

Các trang wikipedia khẳng định rằng khả năng và khả năng là những khái niệm khác nhau.

Theo cách nói phi kỹ thuật, "khả năng" thường là từ đồng nghĩa với "xác suất", nhưng trong sử dụng thống kê có một sự phân biệt rõ ràng trong quan điểm: số đó là xác suất của một số kết quả quan sát được đưa ra một tập hợp các giá trị tham số được coi là khả năng của tập hợp các giá trị tham số cho các kết quả quan sát được.

Ai đó có thể đưa ra một mô tả thực tế hơn về điều này có nghĩa là gì? Ngoài ra, một số ví dụ về cách "xác suất" và "khả năng" không đồng ý sẽ tốt đẹp.


9
Câu hỏi tuyệt vời. Tôi cũng sẽ thêm "tỷ lệ cược" và "cơ hội" vào đó :)
Neil McGuigan

5
Tôi nghĩ bạn nên xem thống kê câu hỏi này.stackexchange.com/questions/665/ vì vì khả năng là mục đích thống kê và xác suất xác suất.
cướp girard

3
Wow, đây là một số câu trả lời thực sự tốt. Vì vậy, một lời cảm ơn lớn cho điều đó! Một số điểm sớm, tôi sẽ chọn một câu tôi đặc biệt thích là câu trả lời "được chấp nhận" (mặc dù có một số câu mà tôi nghĩ là xứng đáng như nhau).
Douglas S. Stones

1
Cũng lưu ý rằng "tỷ lệ khả năng" thực sự là "tỷ lệ xác suất" vì đây là một chức năng của các quan sát.
JohnRos

Câu trả lời:


321

Câu trả lời phụ thuộc vào việc bạn đang xử lý các biến ngẫu nhiên rời rạc hay liên tục. Vì vậy, tôi sẽ chia câu trả lời của tôi cho phù hợp. Tôi sẽ giả định rằng bạn muốn một số chi tiết kỹ thuật và không nhất thiết phải là một lời giải thích bằng tiếng Anh.

Biến ngẫu nhiên rời rạc

Giả sử rằng bạn có một quy trình ngẫu nhiên có các giá trị riêng biệt (ví dụ: kết quả của việc tung đồng xu 10 lần, số lượng khách hàng đến cửa hàng trong 10 phút, v.v.). Trong các trường hợp như vậy, chúng ta có thể tính xác suất quan sát một tập hợp kết quả cụ thể bằng cách đưa ra các giả định phù hợp về quy trình ngẫu nhiên cơ bản (ví dụ: xác suất của các đầu hạ cánh là và việc tung đồng xu là độc lập).p

Biểu thị các kết quả quan sát được bằng và tập hợp các tham số mô tả quá trình ngẫu nhiên là . Do đó, khi nói về xác suất, chúng tôi muốn tính . Nói cách khác, với giá trị cụ thể cho , là xác suất mà chúng ta sẽ quan sát các kết quả thể hiện bằng .OθP(O|θ)θP(O|θ)O

Tuy nhiên, khi chúng ta mô hình hóa một quá trình ngẫu nhiên ngoài đời thực, chúng ta thường không biết . Chúng tôi chỉ đơn giản là quan sát và mục tiêu sau đó là để đi đến một ước tính cho đó sẽ là một sự lựa chọn đáng tin cậy cho các kết quả quan sát . Chúng tôi biết rằng với giá trị , xác suất quan sát là . Do đó, một quá trình lập dự toán 'tự nhiên' là chọn mà giá trị của đó sẽ phát huy tối đa khả năng mà chúng tôi thực sự sẽ quan sát . Nói cách khác, chúng tôi tìm thấy các giá trị tham số tối đa hóa hàm sau:θOθOθOP(O|θ)θOθ

L(θ|O)=P(O|θ)

L(θ|O) được gọi là hàm khả năng. Lưu ý rằng theo định nghĩa, hàm khả năng được điều hòa trên được quan sát và đó là hàm của các tham số chưa biết .Oθ

Biến ngẫu nhiên liên tục

Trong trường hợp liên tục, tình huống tương tự với một sự khác biệt quan trọng. Chúng ta không còn có thể nói về xác suất mà chúng ta quan sát thấy cho vì trong trường hợp liên tục . Không đi sâu vào kỹ thuật, ý tưởng cơ bản như sau:OθP(O|θ)=0

Biểu thị hàm mật độ xác suất (pdf) liên quan đến kết quả là: . Do đó, trong trường hợp liên tục, chúng tôi ước tính đưa ra kết quả quan sát bằng cách tối đa hóa chức năng sau:Of(O|θ)θO

L(θ|O)=f(O|θ)

Trong tình huống này, chúng ta không thể về mặt kỹ thuật khẳng định rằng chúng tôi đang tìm kiếm các giá trị tham số nhằm tối đa hóa khả năng mà chúng ta quan sát như chúng ta tối đa hóa PDF gắn liền với kết quả quan sát .OO


35
Sự khác biệt giữa các biến rời rạc và biến liên tục biến mất khỏi quan điểm của lý thuyết đo lường.
whuber

24
@whuber có nhưng một câu trả lời sử dụng lý thuyết đo lường không phải ai cũng có thể truy cập được.

16
@Srikant: Đồng ý. Nhận xét này là vì lợi ích của OP, một nhà toán học (nhưng có lẽ không phải là một nhà thống kê) để tránh bị nhầm lẫn khi nghĩ rằng có một cái gì đó cơ bản về sự khác biệt.
whuber

6
Bạn có thể diễn giải mật độ liên tục giống như trường hợp rời rạc nếu được thay thế bằng , theo nghĩa là nếu chúng ta yêu cầu (nghĩa là xác suất dữ liệu được chứa trong một vùng cực tiểu về ) và câu trả lời là ( làm rõ rằng chúng ta đang tính diện tích của một "thùng" mỏng vô hạn của biểu đồ ). d O P r ( O ( O ' , O ' + d O ' ) | q ) O O ' f ( O ' | q ) d O ' d O 'OdOPr(O(O,O+dO)|θ)OOf(O|θ)dOdO
xác suất

9
Tôi đến bữa tiệc muộn hơn 5 năm, nhưng tôi nghĩ rằng phần tiếp theo rất quan trọng cho câu trả lời này sẽ là số liệu thống kê.stackexchange.com/questions/31238/ , nhấn mạnh vào thực tế rằng khả năng chức năng là không phải là pdf đối với . ) thực sự là một pdf dữ liệu được cung cấp giá trị tham số, nhưng vì là một hàm của (với dữ liệu được giữ dưới dạng hằng số), nên là một pdf không liên quan dữ liệu đã cho . θ L ( θ L θ L ( θ ) θL(θ)θL(θLθL(θ)θ
Shobhit

135

Đây là loại câu hỏi mà mọi người sẽ trả lời và tôi hy vọng tất cả các câu trả lời sẽ tốt. Nhưng bạn là một nhà toán học, Douglas, vì vậy hãy để tôi đưa ra một câu trả lời toán học.

Một mô hình thống kê phải kết nối hai thực thể khái niệm riêng biệt: dữ liệu , là các phần tử của một số tập hợp (chẳng hạn như không gian vectơ) và mô hình định lượng có thể có của hành vi dữ liệu. Các mô hình thường được biểu diễn bằng các điểm trên đa tạp chiều hữu hạn, đa tạp có biên hoặc không gian hàm (cái sau được gọi là vấn đề "không tham số").xθθ

Dữ liệu được kết nối với các mô hình có thể bằng hàm . Đối với bất kỳ , được dự định là xác suất (hoặc mật độ xác suất) của . Mặt khác, đối với bất kỳ cho nào , có thể được xem là một hàm của và thường được coi là có các thuộc tính đẹp nhất định, chẳng hạn như liên tục thứ hai khác biệt. Ý định xem theo cách này và gọi ra các giả định này được thông báo bằng cách gọi là "khả năng".xθΛ(x,θ)θΛ(x,θ)xxΛ(x,θ)θΛΛ

Nó khá giống sự khác biệt giữa các biến và tham số trong phương trình vi phân: đôi khi chúng tôi muốn nghiên cứu giải pháp (nghĩa là chúng tôi tập trung vào các biến làm đối số) và đôi khi chúng tôi muốn nghiên cứu cách giải pháp thay đổi theo các tham số. Sự khác biệt chính là trong thống kê, chúng ta hiếm khi cần nghiên cứu sự biến đổi đồng thời của cả hai bộ đối số; không có đối tượng thống kê tự nhiên tương ứng với việc thay đổi cả dữ liệu và tham số mô hình . Đó là lý do tại sao bạn nghe nhiều về sự phân đôi này hơn là trong các cài đặt toán học tương tự.xθ


6
+1, thật là một câu trả lời tuyệt vời. Tương tự với các phương trình vi phân có vẻ rất phù hợp.
mpiktas

3
Là một nhà kinh tế, mặc dù câu trả lời này không liên quan chặt chẽ như trước đây với các khái niệm tôi đã học, nó là câu hỏi nhiều thông tin nhất theo nghĩa trực quan. Cảm ơn nhiều.
Robson

1
Trên thực tế, tuyên bố này không thực sự đúng "không có đối tượng thống kê nào tự nhiên tương ứng với việc thay đổi cả dữ liệu x và tham số mô hình θ.". Có, nó được gọi là "làm mịn, lọc và dự đoán", trong các mô hình tuyến tính, bộ lọc Kalman, trong các mô hình phi tuyến, chúng có các bộ lọc phi tuyến đầy đủ, en.wikipedia.org/wiki/Kushner_equation , v.v.
crow

1
Vâng, câu trả lời tuyệt vời! Nghe có vẻ khập khiễng, bằng cách chọn thay vì ký hiệu chuẩn của , tôi dễ dàng nhận ra rằng chúng ta dễ dàng hơn bắt đầu với một xác suất chung có thể được xác định là khả năng hoặc xác suất có điều kiện. Thêm vào đó, bình luận "một số tính chất tốt đẹp" đã giúp. Cảm ơn! P ( x , θ )Λ(x,θ)P(x,θ)
Mike Williamson

2
@whuber Vâng, tôi biết không phải là ký hiệu thông thường. Đó chính xác là lý do tại sao nó giúp! Tôi đã ngừng suy nghĩ rằng nó phải có một ý nghĩa đặc biệt và thay vào đó chỉ tuân theo logic. ;-pΛ
Mike Williamson

110

Tôi sẽ cố gắng và giảm thiểu toán học trong lời giải thích của tôi vì đã có một số giải thích toán học tốt.

Như Robin Girand chỉ ra sự khác biệt giữa xác suất và khả năng có liên quan chặt chẽ với sự khác biệt giữa xác suất và thống kê . Trong một ý nghĩa xác suất và thống kê liên quan đến chính họ với các vấn đề trái ngược hoặc nghịch đảo với nhau.

Hãy xem xét một đồng xu tung. (Câu trả lời của tôi sẽ tương tự như Ví dụ 1 trên Wikipedia .) Nếu chúng ta biết đồng tiền là công bằng ( ), một câu hỏi xác suất điển hình là: Xác suất để có được hai đầu liên tiếp là gì. Câu trả lời là .P ( H H ) = P ( H ) × P ( H ) = 0,5 × 0,5 = 0,25p=0.5P(HH)=P(H)×P(H)=0.5×0.5=0.25

Một câu hỏi thống kê điển hình là: Đồng xu có công bằng không? Để trả lời điều này, chúng ta cần hỏi: mẫu của chúng ta hỗ trợ cho giả thuyết nào?P(H)=P(T)=0.5

Điểm đầu tiên cần lưu ý là hướng của câu hỏi đã đảo ngược. Trong xác suất, chúng tôi bắt đầu với một tham số giả định ( ) và ước tính xác suất của một mẫu nhất định (hai đầu liên tiếp). Trong thống kê, chúng tôi bắt đầu bằng việc quan sát (hai đầu liên tiếp) và thực hiện THAM GIA về tham số của chúng tôi ( ).p = P ( H ) = 1 - P ( T ) = 1 - qP(head)p=P(H)=1P(T)=1q

Ví dụ 1 trên Wikipedia cho chúng ta thấy rằng ước tính khả năng tối đa của sau 2 đầu liên tiếp là . Nhưng dữ liệu không loại trừ giá trị tham số thực (chúng ta đừng quan tâm đến các chi tiết tại thời điểm này). Thật vậy, chỉ có thể loại bỏ các giá trị rất nhỏ của và đặc biệt là sau khi (hai lần ném đồng xu). Sau lần ném thứ ba xuất hiện, bây giờ chúng ta có thể loại bỏ khả năng (nghĩa là nó không phải là đồng xu hai đầu), nhưng hầu hết các giá trị ở giữa có thể được hỗ trợ một cách hợp lý bởi dữ liệup M L E = 1 p ( H ) = 0,5 p ( H ) p ( H ) = 0 n = 2 P ( H ) = 1,0 p ( H )P(H)pMLE=1p(H)=0.5p(H)p(H)=0n=2P(H)=1.0. (Khoảng tin cậy nhị phân chính xác 95% cho là 0,094 đến 0,992.p(H)

Sau 100 lần tung đồng xu và (nói) 70 đầu, giờ đây chúng ta có cơ sở hợp lý cho sự nghi ngờ rằng đồng tiền này không thực sự công bằng. Tỷ lệ CI chính xác 95% trên hiện là 0,600 đến 0,787 và xác suất quan sát thấy kết quả cực kỳ từ 70 đầu trở lên (hoặc đuôi) từ 100 lần ném là 0,0000785.p ( H ) = 0,5p(H)p(H)=0.5

Mặc dù tôi chưa sử dụng rõ ràng các tính toán khả năng, ví dụ này nắm bắt khái niệm khả năng: Khả năng là một thước đo mức độ mà một mẫu cung cấp hỗ trợ cho các giá trị cụ thể của một tham số trong mô hình tham số .


3
Câu trả lời chính xác! Đặc biệt là ba đoạn cuối rất hữu ích. Làm thế nào bạn sẽ mở rộng này để mô tả trường hợp liên tục?
Demetris

8
Đối với tôi, câu trả lời tốt nhất. Tôi không bận tâm đến toán học, nhưng đối với tôi toán học là một công cụ được cai trị bởi những gì tôi muốn (tôi không thích toán vì lợi ích của riêng nó, nhưng vì những gì nó giúp tôi làm). Chỉ với câu trả lời này tôi mới biết cái sau.
Mörre

73

Tôi sẽ cung cấp cho bạn quan điểm từ quan điểm của Lý thuyết khả năng bắt nguồn từ Fisher - và là cơ sở cho định nghĩa thống kê trong bài viết Wikipedia được trích dẫn.

Giả sử bạn có ngẫu nhiên variates phát sinh từ sự phân bố tham số , nơi là tham số đặc trưng . Khi đó xác suất của sẽ là: , với . F ( X ; θ ) θ F X = x P ( X = x ) = F ( x ; θ ) θXF(X;θ)θFX=xP(X=x)=F(x;θ)θ

Thường xuyên hơn, bạn có dữ liệu và không xác định. Với mô hình giả định , khả năng được xác định là xác suất của dữ liệu được quan sát là hàm của : . Lưu ý rằng được biết, nhưng không xác định; trong thực tế, động lực để xác định khả năng là xác định tham số của phân phối.θ FXθFL ( θ ) = P ( θ ; X = x ) X θθL(θ)=P(θ;X=x)Xθ

Mặc dù có vẻ như chúng ta chỉ đơn giản viết lại hàm xác suất, nhưng hậu quả chính của việc này là hàm khả năng không tuân theo quy luật xác suất (ví dụ: nó không bị ràng buộc với khoảng [0, 1]). Tuy nhiên, hàm khả năng tỷ lệ thuận với xác suất của dữ liệu được quan sát.

Khái niệm về khả năng này thực sự dẫn đến một trường phái tư tưởng khác, "những người có khả năng" (khác với người thường xuyên và người Bayes) và bạn có thể google để tìm kiếm tất cả các cuộc tranh luận lịch sử khác nhau. Nền tảng là Nguyên tắc Khả năng nói về cơ bản nói rằng chúng ta có thể thực hiện suy luận trực tiếp từ chức năng khả năng (cả người Bayes và người thường không chấp nhận điều này vì nó không phải là suy luận dựa trên xác suất). Ngày nay, rất nhiều thứ được dạy là "người thường xuyên" trong trường học thực sự là một sự pha trộn của suy nghĩ thường xuyên và khả năng.

Để hiểu sâu hơn, một khởi đầu tốt đẹp và tài liệu tham khảo lịch sử là Khả năng thích ứng của Edwards . Đối với một hiện đại, tôi muốn giới thiệu chuyên khảo tuyệt vời của Richard Royall, Bằng chứng thống kê: Một mô hình khả năng .


3
Câu trả lời thú vị, tôi thực sự nghĩ rằng "trường học khả năng" về cơ bản là "những người thường xuyên không thiết kế trường mẫu", trong khi "trường thiết kế" là phần còn lại của những người thường xuyên. Tôi thực sự thấy khó khăn khi nói tôi là "trường" nào, vì tôi có một chút kiến ​​thức từ mọi trường. Trường học "Xác suất như logic mở rộng" là sở thích của tôi (duh), nhưng tôi không có đủ kinh nghiệm thực tế trong việc áp dụng nó vào các vấn đề thực tế để giáo điều về nó.
xác suất

5
+1 cho "hàm khả năng không tuân theo quy luật xác suất (ví dụ: nó không bị ràng buộc với khoảng [0, 1]). Tuy nhiên, hàm khả năng tỷ lệ thuận với xác suất của dữ liệu được quan sát."
Walrus the Cat

10
"Hàm khả năng không tuân theo quy luật xác suất" có thể sử dụng một số giải thích rõ hơn, đặc biệt vì được viết là θ: L () = P (; X = x), nghĩa là tương đương với xác suất!
redcalx

Cảm ơn câu trả lời của bạn. Bạn có thể vui lòng giải quyết các bình luận mà @locster đã thực hiện?
Vivek Subramanian

2
Đối với tôi với tư cách là một nhà toán học, điều này đọc giống như toán học tôn giáo, với những niềm tin khác nhau dẫn đến các giá trị khác nhau cho cơ hội các sự kiện xảy ra. Bạn có thể xây dựng nó, để dễ hiểu hơn những niềm tin khác nhau là gì và tại sao tất cả chúng đều có ý nghĩa, thay vì một điều đơn giản là không chính xác và trường học / niềm tin khác là chính xác? (giả định rằng có một cách chính xác để tính toán cơ hội cho các sự kiện xảy ra)
Zelphir Kaltstahl

56

Đưa ra tất cả các câu trả lời kỹ thuật tốt ở trên, hãy để tôi đưa nó trở lại ngôn ngữ: Xác suất định lượng dự đoán (kết quả), khả năng định lượng niềm tin (trong mô hình).

Giả sử ai đó thách thức chúng ta trong một 'trò chơi đánh bạc có lợi nhuận'. Sau đó, xác suất sẽ phục vụ chúng tôi để tính toán những thứ như hồ sơ dự kiến ​​về số tiền bạn thắng và thua (trung bình, chế độ, trung bình, phương sai, tỷ lệ thông tin, giá trị rủi ro, hủy hoại con bạc, v.v.). Ngược lại, khả năng sẽ phục vụ chúng tôi để định lượng xem chúng tôi có tin tưởng những xác suất đó ngay từ đầu không; hoặc liệu chúng ta 'ngửi thấy một con chuột'.


Ngẫu nhiên - vì ai đó ở trên đã đề cập đến các tôn giáo thống kê - tôi tin rằng tỷ lệ khả năng là một phần không thể thiếu của thế giới Bayes cũng như của người thường xuyên: Trong thế giới Bayes, công thức Bayes chỉ kết hợp trước với khả năng tạo ra hậu thế.


Câu trả lời này tổng hợp nó cho tôi. Tôi đã phải suy nghĩ về ý nghĩa của nó khi tôi đọc rằng khả năng đó không phải là xác suất, nhưng trường hợp sau đây xảy ra với tôi. Khả năng một đồng tiền là công bằng, cho rằng chúng ta thấy bốn đầu liên tiếp là gì? Chúng tôi thực sự không thể nói bất cứ điều gì về xác suất ở đây, nhưng từ "tin tưởng" có vẻ thích hợp. Chúng ta có cảm thấy mình có thể tin tưởng vào đồng tiền không?
dnuttle

Ban đầu, điều này có thể là mục đích lịch sử của các khả năng, nhưng ngày nay khả năng là mọi tính toán của người Bayes, và người ta biết rằng xác suất có thể làm xáo trộn niềm tin và tính hợp lý, đó là lý do tại sao lý thuyết Dempster-Shafer được tạo ra, để phân tán cả hai cách giải thích.
gabious

50

Giả sử bạn có một đồng xu có xác suất đến đầu đất và để nối đuôi. Đặt chỉ đầu và chỉ đuôi. Xác định như saup(1p)x=1x=0f

f(x,p)=px(1p)1x

f(x,2/3) là xác suất của x cho , là khả năng của với . Về cơ bản khả năng so với xác suất cho bạn biết tham số nào về mật độ được coi là biếnp=2/3f(1,p)px=1


Đẹp bổ sung cho các định nghĩa lý thuyết được sử dụng ở trên!
Frank Meulenaar

Cknpn(1p)knnkpx(1p)1xkx=n/k

40

Nếu tôi có một đồng tiền công bằng (giá trị tham số) thì xác suất nó sẽ tăng lên là 0,5. Nếu tôi lật một đồng xu 100 lần và nó xuất hiện 52 lần thì nó có khả năng công bằng cao (giá trị số của khả năng có khả năng có một số hình thức).


3
Câu trả lời này và của Gypsy nên được đặt lên hàng đầu! Trực giác và sự rõ ràng trên sự chặt chẽ toán học khô khan, không nói điều gì xúc phạm hơn.
Nemanja Radojković

24

P(x|θ)

  • xθθP(x|θ)xP ( x ; θ ) P θ ( x ) θ P ( x | θ ) P ( x θ ) / P ( θ )θP(x;θ)Pθ(x)θP(x|θ)P(xθ)/P(θ)
  • Là một chức năng của , xử lý như quan sát. x θxVí dụ: khi bạn cố gắng tìm một phép gán nhất định cho tối đa hóa , thì được gọi là khả năng tối đa của cho dữ liệu , đôi khi được viết là . Vì vậy, khả năng thuật ngữ chỉ là viết tắt để chỉ xác suất cho một số dữ liệu có kết quả từ việc gán các giá trị khác nhau cho (ví dụ như một lần đi qua không gian tìm kiếm củaθ θ P ( x | θ ) P ( x | θ ) θ x L ( θ | x ) P ( x | θ ) x θ θθ^θP(x|θ)P(x|θ^)θxL(θ^|x)P(x|θ)xθθ cho một giải pháp tốt). Vì vậy, nó thường được sử dụng như một hàm mục tiêu, nhưng cũng là thước đo hiệu suất để so sánh hai mô hình như trong so sánh mô hình Bayes .

Thông thường, biểu thức này vẫn là một chức năng của cả hai đối số của nó, vì vậy nó là một vấn đề cần nhấn mạnh.


Đối với trường hợp thứ hai, tôi nghĩ mọi người thường viết P (theta | x).
yuqian

Ban đầu theo trực giác tôi đã nghĩ rằng cả hai từ này đều giống nhau với sự khác biệt về quan điểm hoặc công thức ngôn ngữ tự nhiên, vì vậy tôi cảm thấy như "Cái gì? Tôi đã đúng?!" Nhưng nếu đây là trường hợp, tại sao phân biệt chúng rất quan trọng? Tiếng Anh không phải là tiếng mẹ đẻ của tôi, tôi lớn lên chỉ với một từ vì dường như cả hai thuật ngữ (hoặc đơn giản là tôi chưa bao giờ gặp phải vấn đề cần phân biệt các thuật ngữ?) Và không bao giờ biết có sự khác biệt nào. Chỉ đến bây giờ, tôi mới biết hai thuật ngữ tiếng Anh, rằng tôi bắt đầu nghi ngờ sự hiểu biết của mình về những điều này.
Zelphir Kaltstahl

3
Câu trả lời của bạn có vẻ rất hấp dẫn và dễ hiểu. Tôi tự hỏi, tại sao nó có rất ít upvote.
Julian

4
θθθθ

tôi nghĩ rằng đây là câu trả lời tốt nhất trong số tất cả
Aaron

4

θ

P(X|θ)θP(X|θ)dθθθ


1
Như câu trả lời từ @Lenar Hoyt chỉ ra, nếu theta là một biến ngẫu nhiên (có thể là vậy), thì khả năng là một xác suất. Vì vậy, câu trả lời thực sự có vẻ là khả năng có thể là một xác suất, nhưng đôi khi không.
Mike Wise

@MikeWise, tôi nghĩ rằng theta luôn có thể được xem là biến "ngẫu nhiên", trong khi rất có thể nó không quá "ngẫu nhiên" ...
Phản

4

Bạn có biết phi công của loạt phim truyền hình "num3ers" trong đó FBI cố gắng xác định vị trí căn cứ của một tên tội phạm nối tiếp dường như chọn ngẫu nhiên các nạn nhân của mình không?

p(x|θ)xθxθpθ(x)=p(x|θ)xθ

xθ

θθp(x|θ)xlx(θ)=p(x|θ)θxxθ^

lx(θ)θpθ(x)xp(x|θ)xθ

Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.