ReThink4e1

probability

bayes

schoice

Published

November 16, 2023

Aufgabe

Welche der folgenden Zeilen zeigt den Likelihood?

Answerlist

\(\mu \sim \mathcal{N}(0, 10)\)
\(\sigma \sim \mathcal{U}(0, 1)\)
\(y_i = \beta_0 + \beta_1\cdot x\)
\(y_i \sim \mathcal{N}(\mu, \sigma)\)

Quelle: McElreath, R. (2020). Statistical rethinking: A Bayesian course with examples in R and Stan (2. Aufl.). Taylor and Francis, CRC Press.

Lösung

Answerlist

Falsch. Priori-Verteilung.
Falsch. Priori-Verteilung.
Falsch. Regressionsformel.
Wahr. Likelihood.

Man könnte den Likelihood auch so schreiben:

$L = y_i| , N(, ) $,

was noch deutlicher macht, dass die Likelihood die Wahrscheinlichkeit der Daten (y) ausdrückt, gegeben der Modellparameter (\(\mu, \sigma)\).

Categories:

probability
bayes
schoice

---
exname: ReThink4e1
extype: schoice
exsolution: 1
exshuffle: no
categories:
- probability
- bayes
- schoice
date: '2023-11-16'
slug: ReThink4e1
title: ReThink4e1

---




```{r libs, include = FALSE}
library(tidyverse)
library(printr)
```


```{r global-knitr-options, include=FALSE}
knitr::opts_chunk$set(fig.pos = 'H',
                      fig.asp = 0.618,
                      fig.width = 4,
                      fig.cap = "", 
                      fig.path = "",
                      echo = FALSE,
                      message = FALSE,
                      fig.show = "hold")
```






# Aufgabe

Welche der folgenden Zeilen zeigt den Likelihood?



Answerlist
----------
* $\mu \sim \mathcal{N}(0, 10)$
* $\sigma \sim \mathcal{U}(0, 1)$
* $y_i = \beta_0 + \beta_1\cdot x$
* $y_i \sim \mathcal{N}(\mu, \sigma)$



*Quelle*: McElreath, R. (2020). *Statistical rethinking: A Bayesian course with examples in R and Stan* (2. Aufl.). Taylor and Francis, CRC Press.





</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>
</br>

# Lösung


Answerlist
----------


* Falsch. Priori-Verteilung.
* Falsch. Priori-Verteilung.
* Falsch. Regressionsformel.
* Wahr. Likelihood.

Man könnte den Likelihood auch so schreiben:

$L = y_i| \mu, \sigma \sim N(\mu, \sigma) $,

was noch deutlicher macht, dass die Likelihood die Wahrscheinlichkeit der Daten (y) ausdrückt, gegeben der Modellparameter ($\mu, \sigma)$.





---

Categories: 

- probability
- bayes
- schoice