情報科学 › 機械学習の数学 › 確率論とベイズ統計

ベイズの定理

定理 2.2(「確率論とベイズ統計」§2) ・ ✓公理まで証明済み

θ\theta と D\mathcal{D} の同時密度 p(θ,D)p(\theta, \mathcal{D}) が存在し、p(D)>0p(\mathcal{D}) > 0 であるとする。このとき

p(θ∣D)=p(D∣θ) p(θ)p(D)=p(D∣θ) p(θ)∫p(D∣θ′) p(θ′) dθ′p(\theta \mid \mathcal{D}) = \frac{p(\mathcal{D} \mid \theta)\, p(\theta)}{p(\mathcal{D})} = \frac{p(\mathcal{D} \mid \theta)\, p(\theta)}{\displaystyle\int p(\mathcal{D} \mid \theta')\, p(\theta')\, d\theta'}

が成り立つ。とくに D\mathcal{D} を固定すれば分母は θ\theta に依存しない定数なので、

p(θ∣D)∝p(D∣θ) p(θ)p(\theta \mid \mathcal{D}) \propto p(\mathcal{D} \mid \theta)\, p(\theta)

すなわち「事後分布 ∝\propto 尤度 ×\times 事前分布」である。

本文で読む(証明と前後の説明)→

閉包の状態

✓ 公理まで証明済み

証明が使う定理を 前提 としてたどると、Rikai の中の証明だけで定義・公理(物理では基本仮定)までつながっています(前提の定理類 0 件、定義なども含めて 1 件)。

印の意味: ✓公理まで証明済み ・ △証明あり(閉包未完)・ ※主張のみ。テーマごとの集計は 閉包の状況。

前提をたどる 証明が使う定理・定義(直接 1 件)

▸ を開くと、その項目の証明が使う前提が出ます。深い先は各項目のページでたどれます。

これを使っている定理 証明で参照している 2 件

関連するノック 2 問