등가성

등가성은 각각 동일한 발생 확률을 갖는 사건의 집합에 대한 속성이다.통계와 확률론에서 그것은 이산형 균일분포와 합리적 숫자에 대한 등분포 정리에 적용된다.고려 중인 이벤트가 ${\textstyle n}$ ${\textstyle n}$ ${\textstyle n}$ 개일 경우 각 발생 확률은 ${\textstyle {\frac {1}{n}}.}$ . ${\textstyle {\frac {1}{n}$ 이다. $}$

철학에서 그것은 어떤 의미에서는 가능하거나 "가능성이 동등하다"고 판단될 때 결과에 동일한 확률을 할당할 수 있는 개념에 해당한다.규칙의 가장 잘 알려진 공식은 라플레이스의 무관심 원칙(또는 불충분한 사유에 대한 원리)으로, $정확히$ N{\ $displaystyle$ N $}$ 상호 $N$ 배타적 사건이 발생할 수 있다는 "다른 정보가 없을 때" ${\textstyle {\frac {1}{N}}.}$ ${\textstyle {\frac {1}{N}}.}$ N ${\textstyle {\frac {1}{N}}.}$ ${\textstyle$ {\ $frac$ {1 $}{N}$ 을 각자에게 할당하는 것이 정당하다고 명시되어 있다. $}}$ 이러한 ${\textstyle {\frac {1}{N}}.}$ 주관적인 확률 배정은 이러한 실험들이 대칭 구조를 가지고 있기 때문에 굴러다니는 주사위나 복권과 같은 상황에 특히 정당하며, 그 대칭하에서는 자신의 지식 상태가 분명히 불변해야 한다.

비슷한 논거라면 내일 아침 해가 뜨지 않을 것 같다는 황당한 결론이 나올 수도 있다.그러나 태양이 떠오르지 않는 것과 똑같이 떠오를 가능성이 높다는 결론은 중력의 법칙이나 태양의 역사 등 추가 정보가 알려질 때만 황당하기 짝이 없다.유사한 개념의 적용은 효과적으로 순환 추론의 예로서, "가능성이 동일한" 사건들이 동일한 확률을 할당받으며, 이는 곧 그것들이 동등하게 발생한다는 것을 의미한다.그럼에도 불구하고, 그 개념은 확률론적이고 통계적인 모델링에서 여전히 유용하다.

베이지안 확률에서는 베이지의 정리를 적용하기 전에 여러 가설들에 대한 사전 확률을 설정할 필요가 있다.한 가지 절차는 이러한 사전 확률이 실험의 전형적인 일부 대칭을 가지고 있다고 가정하고, 그 전에 대칭군에 대한 Haar 측정에 비례하는 대칭성을 할당하는 것이다: 이 장비성의 일반화는 변환 그룹의 원리로 알려져 있으며, 다음에서 모델로서의 장비성의 오용으로 이어진다.확신

참고 항목

참조

외부 링크

고전적 확률의 등가성에 대한 인용구

Search

등가성

네임스페이스

더

참고 항목

참조

외부 링크