Ця стаття містить перелік посилань але походження окремих тверджень залишається незрозумілим через брак внутрішньотексто

В баєсовій статистиці апостеріо́рна ймові́рність (англ. posterior probability) випадкової події або сумнівного твердження^{[: ком.]} — це умовна ймовірність, присвоювана^{[: ком.]} після врахування відповідного (свідчення) або вихідних даних. Так само апостеріо́рний розпо́діл імові́рності (англ. posterior probability distribution) — це розподіл невідомої величини, яку розглядають як випадкову змінну, обумовлену свідченням, отриманим з експерименту або спостереження. «Апостеріорний» в даному контекст означає — після врахування відповідного свідчення, пов'язаного з певним досліджуваним випадком. Наприклад, існує («неапостеріорна») ймовірність того, що людина знайде скарб, копаючи у випадковому місці, та апостеріорна ймовірність знаходження закопаного скарбу, якщо людина копатиме в місці, де дзвенить її металодетектор.

Визначення

Апостеріорна ймовірність є ймовірністю параметрів $\theta$ за заданого свідчення $X$ : $p(\theta |X)$ .

Вона протиставиться до функції правдоподібності, яка є ймовірністю цього свідчення за заданих параметрів: $p(X|\theta )$ .

Вони пов'язані наступним чином:

Нехай у нас є апріорне переконання, що функція розподілу ймовірності це $p(\theta )$ , і спостереження $X$ з правдоподібністю $p(X|\theta )$ , тоді апостеріорна ймовірність визначається як

p(\theta |X)={\frac {p(\theta )p(X|\theta )}{p(X)}}.

Апостеріорну ймовірність може бути записано в такому зручному для запам'ятовування вигляді:

{\text{Posterior probability}}\propto {\text{Prior probability}}\times {\text{Likelihood}}

.

Приклад

Нехай у школі 60% учнів — хлопці, і 40% — дівчата. Дівчата носять штани та спідниці в рівній кількості, хлопці всі носять штани. Спостерігач здалеку бачить учня (випадкового); все, що може бачити спостерігач, — це те, що учень в штанях. Яка ймовірність того, що цей учень — дівчина? Правильну відповідь може бути обчислено за допомогою теореми Баєса.

Подією $G$ є те, що учень, якого бачить спостерігач, є дівчиною, а подією $T$ є те, що цей учень носить штани. Для обчислення апостеріорної ймовірності $P(G|T)$ , нам спочатку необхідно дізнатися:

$P(G)$ , або ймовірність того, що цей учень є дівчиною незалежно від будь-якої іншої інформації. Оскільки спостерігач бачить випадкового учня, тобто всі учні мають однакову ймовірність бути побаченими, а частка дівчат серед них становить 40%, то ця ймовірність дорівнює 0.4.
$P(B)$ , або ймовірність того, що цей учень не є дівчиною (тобто, хлопець), незалежно від будь-якої іншої інформації ( $B$ є доповнювальною подією до $G$ ). Це є 60%, або 0.6.
$P(T|G)$ , або ймовірність того, що учень носить штани, якщо він є дівчиною. Оскільки вони однаково часто носять штани та спідниці, то це 0.5.
$P(T|B)$ , або ймовірність то, що учень носить штани, якщо він є хлопцем. Це задано як 1.
$P(T)$ , або ймовірність того, що (випадково вибраний) учень носить штани незалежно від будь-якої іншої інформації. Оскільки $P(T)=P(T|G)P(G)+P(T|B)P(B)$ (згідно закону повної ймовірності), це становить $P(T)=0.5\times 0.4+1\times 0.6=0.8$ .

Враховуючи всю цю інформацію, апостеріорна ймовірність того, що спостерігач бачить дівчину, за умови що учень, якого бачить спостерігач, носить штани, може бути обчислено підставленням цих значень до формули

P(G|T)={\frac {P(T|G)P(G)}{P(T)}}={\frac {0.5\times 0.4}{0.8}}=0.25.

Інтуїтивне пояснення цього результату полягає в тім, що з кожної сотні учнів (60 хлопців та 40 дівчат), оскільки ми спостерігаємо штани, цей учень є одним з 80, що їх носять (60 хлопців та 20 дівчат); оскільки 20/80 = 1/4 з них є дівчатами, то ймовірністю того, що учень в штанях є дівчиною, становить 1/4.

Обчислення

Апостеріорний розподіл імовірності однієї випадкової змінної при заданому значенні іншої може бути обчислено за теоремою Баєса шляхом множення (апріорного розподілу ймовірності) на функцію правдоподібності, а потім діленням на ^[en], а саме:

f_{X\mid Y=y}(x)={f_{X}(x)L_{X\mid Y=y}(x) \over {\int _{-\infty }^{\infty }f_{X}(u)L_{X\mid Y=y}(u)\,du}}

дає апостеріорну функцію густини ймовірності випадкової змінної $X$ з урахуванням даних $Y=y$ , де

$f_{X}(x)$ є апріорною густиною $X$ ;
$L_{X\mid Y=y}(x)=f_{Y\mid X=x}(y)$ є функцією правдоподібності як функції від $x$ ;
$\int _{-\infty }^{\infty }f_{X}(u)L_{X\mid Y=y}(u)\,du$ є нормувальною сталою, та
$f_{X\mid Y=y}(x)$ є апостеріорною густиною $X$ з урахуванням даних $Y=y$ .

Імовірний інтервал

Апостеріорна ймовірність є умовною ймовірністю, обумовленою випадково спостережуваними даними. Відтак вона є випадковою змінною. Для випадкової змінної важливо підбивати величину її невизначеності. Одним зі способів досягнення цієї мети є надання (ймовірного інтервалу) апостеріорної ймовірності.

Класифікація

У класифікації апостеріорна ймовірність відображає невизначеність віднесення спостереження до певного класу, див. також (ймовірності приналежності до класів). Хоча методи статистичної класифікації за визначенням і породжують апостеріорні ймовірності, фахівці з машинного навчання зазвичай подають значення приналежності, що не передбачають жодної ймовірнісної довірчості. Бажано перетворювати або перемасштабовувати значення приналежності у ймовірності приналежності до класів, оскільки вони є порівнюваними й на додачу легше застосовними для подальшої обробки.

Див. також

^[en]
^[de]
(Зачада Монті Голла)
^[en]
^[en]
^[en]
(Баєсів структурний часовий ряд)
^[en]

Примітки

Christopher M. Bishop (2006). Pattern Recognition and Machine Learning. Springer. с. 21–24. ISBN . (англ.)

Література

Peter M. Lee (2004). (вид. 3rd). . ISBN . Архів оригіналу за 25 вересня 2015. Процитовано 24 вересня 2015. (англ.)

[1] Christopher M. Bishop (2006). Pattern Recognition and Machine Learning. Springer. с. 21–24. ISBN . (англ.)