Vad är tidigare sannolikhet?
Prioriterad sannolikhet, i Bayesian statistisk inferens, är sannolikheten för en händelse innan ny data samlas in. Detta är den bästa rationella bedömningen av sannolikheten för ett resultat baserat på den nuvarande kunskapen innan ett experiment genomförs.
Tidigare förklaringar
Den tidigare sannolikheten för en händelse kommer att revideras när nya data eller information blir tillgänglig för att ge ett mer exakt mått på ett potentiellt resultat. Den reviderade sannolikheten blir den bakre sannolikheten och beräknas med hjälp av Bayes teorem. I statistiska termer är den bakre sannolikheten sannolikheten för att händelse A inträffar med tanke på att händelse B har inträffat.
Till exempel har tre tunnland mark etiketterna A, B och C. En tunnland har reserver av olja under ytan, medan de andra två inte. Den tidigare sannolikheten för att olja hittas på tunnland C är en tredjedel, eller 0, 333. Men om ett borrtest genomförs på tunnland B, och resultaten indikerar att ingen olja finns på platsen, då blir den bakre sannolikheten för olja på tunnland A och C 0, 5, eftersom varje tunnland har en av två chanser.
Bayes teorem är ett mycket vanligt och grundläggande teorem som används vid dataanvinning och maskininlärning.
P (A∣B) = P (B) P (A∩B) = P (B) P (A) × P (BAA) där: P (A) = den tidigare sannolikheten för att A inträffarP (A∣B) = den villkorade sannolikheten för A med tanke på att B inträffarP (B∣A) = den villkorade sannolikheten för B med tanke på att A inträffar
Om vi är intresserade av sannolikheten för en händelse som vi har tidigare observationer; vi kallar detta den tidigare sannolikheten. Vi anser att händelsen A och dess sannolikhet P (A). Om det finns en andra händelse som påverkar P (A), som vi kommer att kalla händelse B, vill vi veta vad sannolikheten för A ges B har uppstått. I probabilistisk notation är detta P (A | B) och kallas bakre sannolikhet eller reviderad sannolikhet. Detta beror på att det har inträffat efter den ursprungliga händelsen, därmed posten i posterior. Så här gör Bayes sats unikt för oss att kunna uppdatera våra tidigare trosuppfattningar med ny information.
