Lý do mà hàm khả năng không phải là pdf (hàm mật độ xác suất) là gì?
Lý do mà hàm khả năng không phải là pdf (hàm mật độ xác suất) là gì?
Câu trả lời:
Chúng ta sẽ bắt đầu với hai định nghĩa:
Hàm mật độ xác suất (pdf) là hàm không âm tích hợp với .
Khả năng được định nghĩa là mật độ chung của dữ liệu được quan sát như là một hàm của tham số. Nhưng, như được chỉ ra bởi tham chiếu đến Lehmann được tạo bởi @whuber trong một bình luận bên dưới, hàm khả năng chỉ là một hàm của tham số, với dữ liệu được giữ dưới dạng hằng số cố định. Vì vậy, thực tế rằng nó là một mật độ như là một chức năng của dữ liệu là không liên quan.
Do đó, hàm khả năng không phải là pdf vì tích phân của nó đối với tham số không nhất thiết phải bằng 1 (và thực tế có thể không thể tích hợp được, như được chỉ ra bởi một nhận xét khác từ @whuber).
Để thấy điều này, chúng tôi sẽ sử dụng một ví dụ đơn giản. Giả sử bạn có một quan sát duy nhất, , từ phân phối B e r n o u l l i ( θ ) . Sau đó, chức năng khả năng là
Đó là một thực tế là . Cụ thể, nếu x = 1 , sau đó L ( θ ) = θ , vì vậy ∫ 1 0 L ( θ ) d θ = ∫ 1 0 θ d θ = 1 / 2
và một phép tính tương tự được áp dụng khi . Do đó, L ( θ ) không thể là hàm mật độ.
Có lẽ thậm chí còn quan trọng hơn ví dụ kỹ thuật này cho thấy tại sao khả năng không phải mật độ xác suất là chỉ ra rằng khả năng đó không phải là xác suất của giá trị tham số là chính xác hay bất cứ điều gì tương tự - đó là xác suất (mật độ) của dữ liệu đưa ra giá trị tham số , đó là một điều hoàn toàn khác. Do đó, người ta không nên mong đợi hàm khả năng hoạt động giống như mật độ xác suất.
Được rồi nhưng hàm likelihood là mật độ xác suất chung cho các dữ liệu quan sát được các tham số . Vì vậy, nó có thể được chuẩn hóa để tạo thành một hàm mật độ xác suất. Vì vậy, nó về cơ bản giống như một pdf.
Tôi không phải là một nhà thống kê, nhưng tôi hiểu rằng mặc dù chức năng khả năng không phải là một tệp PDF liên quan đến (các) tham số, nhưng nó có liên quan trực tiếp đến PDF theo Quy tắc Bayes. Hàm khả năng, P (X | theta) và phân phối sau, f (theta | X), được liên kết chặt chẽ; hoàn toàn không phải là "một điều hoàn toàn khác".
Khả năng được xác định là , trong đó nếu f (x; θ) là hàm khối lượng xác suất , thì khả năng luôn luôn nhỏ hơn một, nhưng nếu f (x;) là hàm mật độ xác suất, thì khả năng có thể lớn hơn một, vì mật độ có thể lớn hơn một.
Thông thường các mẫu được xử lý iid, sau đó:
Hãy xem hình thức ban đầu của nó:
Theo suy luận Bayes, giữ, đó là . Lưu ý rằng ước tính khả năng tối đa coi tỷ lệ bằng chứng là trước một hằng số (xem câu trả lời của câu hỏi này ), bỏ qua những niềm tin trước đó. Khả năng có một mối tương quan tích cực với hậu thế dựa trên các thông số ước tính. có thể là pdf nhưng không phải vì chỉ là một phần của có thể truy cập được. L LL L
Ví dụ, tôi không biết phương sai trung bình và tiêu chuẩn của phân phối Gaussian và muốn có được chúng bằng cách đào tạo sử dụng nhiều mẫu từ phân phối đó. Trước tiên tôi khởi tạo ngẫu nhiên trung bình và phương sai chuẩn (xác định phân phối Gaussian), sau đó tôi lấy một mẫu và phù hợp với phân phối ước tính và tôi có thể nhận được xác suất từ phân phối ước tính. Sau đó, tôi tiếp tục đặt mẫu vào và nhận được nhiều xác suất và sau đó tôi nhân các xác suất này và nhận được điểm. Loại điểm này là khả năng. Hầu như không thể là một xác suất của một pdf nhất định.