Think Bayes, 2. Auflage

Kapitel 3. Verteilungen

Diese Arbeit wurde mithilfe von KI übersetzt. Wir freuen uns über dein Feedback und deine Kommentare: [e-mail]

Im vorigen Kapitel haben wir das Theorem von Bayes verwendet, um ein Cookie-Problem zu lösen; dann haben wir es noch einmal mit einer Bayes-Tabelle gelöst. Auch auf die Gefahr hin, deine Geduld zu strapazieren, werden wir es in diesem Kapitel noch einmal mit einem Pmf Objekt lösen, das eine "Wahrscheinlichkeits-Massenfunktion" darstellt. Ich erkläre dir, was das bedeutet und warum es für die Bayessche Statistik nützlich ist.

Wir werden Pmf Objekte verwenden, um einige anspruchsvollere Probleme zu lösen und einen weiteren Schritt in Richtung Bayes'sche Statistik zu machen. Aber wir fangen mit Verteilungen an.

Ausschüttungen

In der Statistik ist eine Verteilung eine Menge möglicher Ergebnisse und ihreentsprechenden Wahrscheinlichkeiten. Wenn du zum Beispiel eine Münze wirfst, gibt es zwei mögliche Ergebnisse mit ungefähr gleicher Wahrscheinlichkeit. Wenn du einen sechsseitigen Würfel wirfst, besteht die Menge der möglichen Ergebnisse aus den Zahlen 1 bis 6, und die Wahrscheinlichkeit für jedes Ergebnis beträgt 1/6.

Um Verteilungen darzustellen, verwenden wir eine Bibliothek namensempiricaldist . Eine "empirische" Verteilung basiert auf Daten, wieim Gegensatz zu einer theoretischen Verteilung. Wir werden diese Bibliothek während des gesamten Buches verwenden. In diesem Kapitel stelle ich dir die grundlegenden Funktionen vor ...