<ruby id="bdb3f"></ruby>

    <p id="bdb3f"><cite id="bdb3f"></cite></p>

      <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
        <p id="bdb3f"><cite id="bdb3f"></cite></p>

          <pre id="bdb3f"></pre>
          <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

          <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
          <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

          <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                <ruby id="bdb3f"></ruby>

                ??碼云GVP開源項目 12k star Uniapp+ElementUI 功能強大 支持多語言、二開方便! 廣告
                ## 11.3 進行貝葉斯估計 我們最終希望使用貝葉斯統計來測試假設,但是在我們這樣做之前,我們需要估計測試假設所需的參數。這里我們將介紹貝葉斯估計的過程。讓我們用另一個篩選示例:機場安全篩選。如果你像我一樣經常飛行,那么在隨機爆炸物篩選結果恢復正常之前只是個時間問題;2001 年 9 月 11 日之后不久,當機場保安人員特別緊張時,我有過這種特別不幸的經歷。 安全人員想知道的是,考慮到機器進行了正面測試,一個人攜帶爆炸物的可能性是多少。讓我們來介紹一下如何使用貝葉斯分析計算這個值。 ### 11.3.1 規定 為了使用貝葉斯定理,我們首先需要為假設指定先驗概率。在這種情況下,我們不知道實數,但我們可以假設它很小。根據[聯邦航空局](https://www.faa.gov/air_traffic/by_the_numbers/media/Air_Traffic_by_the_Numbers_2018.pdf),2017 年美國有 971595898 名乘客。在這個例子中,假設有一個旅行者的包里裝著炸藥 ```r prior <- 1/971595898 ``` ### 11.3.2 收集一些數據 數據由炸藥篩選試驗結果組成。讓我們假設安全人員通過他們的測試設備運行了 10 次袋子,它給出了 10 次測試中 9 次的正讀數。 ```r nTests <- 10 nPositives <- 9 ``` ### 11.3.3 計算可能性 我們要在假設袋中有炸藥的情況下計算數據的可能性。假設我們知道測試的靈敏度是 0.99——也就是說,當一個設備存在時,它將 99%的時間檢測到它。為了確定在設備存在的假設下數據的可能性,我們可以將每個測試視為伯努利試驗(即結果為真或假的試驗),成功概率為 0.99,我們可以使用二項式分布來建模。 ```r likelihood <- dbinom(nPositives, nTests, 0.99) likelihood ``` ```r ## [1] 0.091 ``` ### 11.3.4 計算邊際可能性 我們還需要知道數據的總體可能性——也就是說,在 10 個測試中找出 9 個陽性。計算邊際似然性通常是貝葉斯分析中最困難的方面之一,但對于我們的例子來說,這很簡單,因為我們可以利用我們在[3.7 節](#bayestheorem)中介紹的貝葉斯定理的具體形式: ![](https://img.kancloud.cn/84/7e/847ea2faa1b981e5c89be6e956e5d36b_375x44.jpg) 在這種情況下,邊際可能性是存在或不存在爆炸物時數據可能性的加權平均值,乘以存在爆炸物的概率(即先驗概率)。在這種情況下,假設我們知道測試的特異性是 0.9,這樣當沒有爆炸物時,陽性結果的可能性是 0.1。 我們可以用 r 計算,如下所示: ```r marginal_likelihood <- dbinom( x = nPositives, size = nTests, prob = 0.99 ) * prior + dbinom( x = nPositives, size = nTests, prob = .1 ) * (1 - prior) sprintf("marginal likelihood = %.3e", marginal_likelihood) ``` ```r ## [1] "marginal likelihood = 9.094e-09" ``` ### 11.3.5 計算后部 我們現在有了所有需要計算炸藥存在后驗概率的部分,假設在 10 個測試中觀察到 9 個陽性結果。 ```r posterior <- (likelihood * prior) / marginal_likelihood posterior ``` ```r ## [1] 0.01 ``` 這一結果表明,袋中爆炸物的概率遠高于之前的概率,但幾乎不確定,再次強調了一個事實,即測試罕見事件幾乎總是容易產生大量的假陽性。
                  <ruby id="bdb3f"></ruby>

                  <p id="bdb3f"><cite id="bdb3f"></cite></p>

                    <p id="bdb3f"><cite id="bdb3f"><th id="bdb3f"></th></cite></p><p id="bdb3f"></p>
                      <p id="bdb3f"><cite id="bdb3f"></cite></p>

                        <pre id="bdb3f"></pre>
                        <pre id="bdb3f"><del id="bdb3f"><thead id="bdb3f"></thead></del></pre>

                        <ruby id="bdb3f"><mark id="bdb3f"></mark></ruby><ruby id="bdb3f"></ruby>
                        <pre id="bdb3f"><pre id="bdb3f"><mark id="bdb3f"></mark></pre></pre><output id="bdb3f"></output><p id="bdb3f"></p><p id="bdb3f"></p>

                        <pre id="bdb3f"><del id="bdb3f"><progress id="bdb3f"></progress></del></pre>

                              <ruby id="bdb3f"></ruby>

                              哎呀哎呀视频在线观看