J R Auk skrev:Upp till bevis då, gör din sannolikhetskalkyl av exemplet. Låt det gälla att från en till synes normal serie så har det uppstått en serie av 98732 utfall av svart på rouletten. Du har inte sett något fuffens.
Visa mig hur Cox hjälper oss i det här sammanhanget. Och skriv tydligt vad det är som du "stoppar in i modellen".
Att du har principer för dina sannolikhetsbedömningar är dock inte vad jag talar om. Problemet jag rest handlar enbart om bakgrundsinformationen, och hur dessas enhet utgör identifieringar inför sannolikhetsberäkningarna.
Men med det sagt så kan vi fortsätta i det du talar om. För jag skulle vilja säga att det är en relevant skillnad i att stipulera en formel som kräver kunskaper och kunna visa på formelns resultat praktiskt. Exakt vad menar du står i den där formeln?
Vi kan testa tre olika hypoteser samtidigt och se hur de far i detta fallet (notera att det inte finns några begränsningar, det är ofta enklare att testa oändligt många).
-------
Axiomen:
(1.1) p(X|I) + p(~X|I) = 1
(1.2) p(X,Y|I) = p(X|Y, I) * p(Y|I)
-------
Bayes Teorem:
p(Y,X|I) = p(Y|X,I)*p(X|I)
p(Y,X|I) = p(X,Y|I)
p(X|Y,I)*p(Y|I) = p(Y|X,I)*p(X|I)
p(X|Y,I) = [p(Y|X,I)*p(X|I)]/p(Y|I) (Bayes Teorem)
Första termen kallas för posterior, andra termen för likelihood, tredje för prior och fjärde för evidence.
-------
Odds:
p(A|D,I)/p(B|D,I) = [ p(A|I)*p(D|A,I) / p(D|I) ] / [ p(B|I)*p(D|B,I) / p(D|I) ]
O(A|D,I) = p(A|I)*p(D|A,I) / p(B|I)*p(D|B,I)
Posterior odds = prior odds * likelihood ratio
e(A|D,I) = 10log_10[O(A|D,I)]
-------------
Vi vill nu pröva ett antal hypoteser (A,B,C). VI kan ta 3 stycken för enkelhetens skull, det är dock i
regel enklare matematiskt om mängden hypoteser går mot oändligheten.
A = 1/2 kommer på svart
B = 3/4 kommer på svart
C = 95/100 kommer på svart
Vi tror antagligen på A ganska mycket, B något mindre och C extremt lite:
p(A|I) = 8/10(1-10^-6)
p(B|I) = 2/10(1-10^-6)
p(C|I) = (10^-6)
Vi spelar nu roulette och får in Data (D) i formen att av alla 97832 vi gjorde så kom alla på svart. Hur
uppdaterar vi nu sannoliheten för de olika hypoteserna? Vi tittar på posterior evidence (en variant av
Bayes Teorem):
e(A|D,I) = e(A|I) + 10log_10[p(D|A,I)/p(D|~A,I)]
e(B|D,I) = e(B|I) + 10log_10[p(D|B,I)/p(D|~B,I)]
e(C|D,I) = e(C|I) + 10log_10[p(D|C,I)/p(D|~C,I)]
Vi kan nu titta på alla termer för sig:
e(A|I) = +6db
e(B|I) = -6db
e(C|I) = -60db
p(D|A,I) = (1/2)^n
p(D|B,I) = (3/4)^n
p(D|C,I) = (95/100)^n
(D|~CI) = (D|I)(~C|DI) / (~C|I)
(~C|I) = (A+B|I) = (A|I) + (B|I)
(~C|DI) = (A+B|DI) = (A|DI) + (B|DI)
(A|DI)(D|I) = (AD|I) = (A|I)(D|AI)
(B|DI)(D|I) = (BD|I) = (B|I)(D|BI)
(A|DI) = (A|I)(D|AI) / (D|I)
(B|DI) = (B|I)(D|BI) / (D|I)
(D|~CI) = (D|I)*[(A|I)(D|AI) / (D|I) + (B|I)(D|BI) / (D|I)] / [(A|I) + (B|I)]
= [(A|I)(D|AI) + (B|I)(D|BI)] / [(A|I) + (B|I)]
p(D|~CI) = [ 8/10(1-10^-6)(1/2)^n + 2/10(1-10^-6)(3/4)^n ] / [ (8/10)(1-10^-6) + (2/10)(1-10^-6) ]
= (8/10)(1/2)^n + (2/10)(3/4)^n
e(A|DX) = 6 + 10log_10[ (1/2)^n / [ (3/4)^n + (10/2)(10^-6)(95/100)^n ]]
e(B|DX) = -6 + 10log_10[ (3/4)^n / [ (1/2)^n + (10/8)(10^-6)(95/100)^n ]]
e(C|DX) = -60 + 10log_10[ (95/100)^n / [ (8/10)(1/2)^n + (2/10)(3/4)^n ]]
(Jag ber om ursäkt i förväg om ett mindre fel slank in någonstans).
Vi kan se hur den från början osannolika hypotesen "besegrar" de andra två när vi fått drygt 50 svarta på rad och sedan sticker den iväg och de andra två blir mer och mer osannolika. Det motsvarar hur vi människor resonerar intuitivt i sådana scenarios, vi blir mer och mer skeptiska kring att sannolikheten för svart skulle vara 1/2, och även hypotesen som förutspådde 3/4 svarta får på nöten av den som var ännu mer specifik i sitt omdöme.
Thou shalt not sit with statisticians nor commit a social science.