This HTML5 document contains 95 embedded RDF statements represented using HTML+Microdata notation.

The embedded RDF content will be recognized by any processor of HTML5 Microdata.

Namespace Prefixes

PrefixIRI
n19http://www.cimat.mx/reportes/enlinea/
n26http://digital.library.adelaide.edu.au/dspace/handle/2440/
dctermshttp://purl.org/dc/terms/
yago-reshttp://yago-knowledge.org/resource/
dbohttp://dbpedia.org/ontology/
foafhttp://xmlns.com/foaf/0.1/
n11http://su.dbpedia.org/resource/
n24http://www.economics.soton.ac.uk/staff/aldrich/fisherguide/
n17https://global.dbpedia.org/id/
yagohttp://dbpedia.org/class/yago/
dbpedia-ruhttp://ru.dbpedia.org/resource/
dbthttp://dbpedia.org/resource/Template:
rdfshttp://www.w3.org/2000/01/rdf-schema#
dbpedia-ukhttp://uk.dbpedia.org/resource/
n23http://jeff560.tripod.com/
freebasehttp://rdf.freebase.com/ns/
n25http://www.phil.vt.edu/dmayo/personal_website/
rdfhttp://www.w3.org/1999/02/22-rdf-syntax-ns#
owlhttp://www.w3.org/2002/07/owl#
n13http://projecteuclid.org/euclid.lnms/
wikipedia-enhttp://en.wikipedia.org/wiki/
n14https://archive.org/details/
dbphttp://dbpedia.org/property/
dbchttp://dbpedia.org/resource/Category:
provhttp://www.w3.org/ns/prov#
xsdhhttp://www.w3.org/2001/XMLSchema#
wikidatahttp://www.wikidata.org/entity/
dbrhttp://dbpedia.org/resource/

Statements

Subject Item
dbr:Likelihood_principle
rdf:type
yago:PsychologicalFeature100023100 yago:Content105809192 yago:WikicatStatisticalPrinciples yago:Generalization105913275 yago:Principle105913538 yago:Cognition100023271 yago:Abstraction100002137 yago:Idea105833840
rdfs:label
Likelihood principle Принцип правдоподібності
rdfs:comment
In statistics, the likelihood principle is the proposition that, given a statistical model, all the evidence in a sample relevant to model parameters is contained in the likelihood function. A likelihood function arises from a probability density function considered as a function of its distributional parameterization argument. For example, consider a model which gives the probability density function of observable random variable as a function of a parameter Then for a specific value of the function is a likelihood function of it gives a measure of how "likely" any particular value of is, if we know that has the value The density function may be a density with respect to counting measure, i.e. a probability mass function. У статистиці при́нцип правдоподі́бності (англ. likelihood principle) полягає в тім, що для заданої статистичної моделі все свідчення у вибірці, що має відношення до параметрів моделі, міститься у функції правдоподібності.
dcterms:subject
dbc:Likelihood dbc:Estimation_theory dbc:Statistical_principles
dbo:wikiPageID
17905
dbo:wikiPageRevisionID
1084319664
dbo:wikiPageWikiLink
dbr:P-values dbr:Probability_mass_function dbr:Statistical_power dbr:Censoring_(statistics) dbr:A._W._F._Edwards dbc:Likelihood dbr:Bayes_factor dbr:Neyman–Pearson_lemma dbr:Bernoulli_trial dbr:Likelihoodist_statistics dbr:Statistics dbr:Likelihood-ratio_test dbr:Likelihood_function dbr:Deborah_Mayo dbr:Sufficient_statistic dbr:Statistical_independence dbr:Likelihood_ratio dbr:Statistical_model dbr:Sufficiency_principle dbr:Optional_stopping dbr:Ian_Hacking dbr:Frequentist_inference dbr:Statistical_hypothesis_testing dbr:Bayes'_rule dbr:Stopping_rule dbr:Probability_density_function dbc:Estimation_theory dbr:Null_hypothesis dbr:Significance_level dbr:Ronald_A._Fisher dbr:Sampling_(statistics) dbr:Design_of_experiments dbr:Allan_Birnbaum dbr:Conditionality_principle dbr:Pearson's_chi-squared_test dbr:Fisher's_exact_test dbr:Maximum_likelihood dbc:Statistical_principles dbr:Frequentist dbr:Simple_hypothesis dbr:Bayesian_statistics dbr:P-value dbr:Projective_space dbr:Random_variable dbr:Philosophical_Transactions_of_the_Royal_Society_A dbr:Philosophy_of_science
dbo:wikiPageExternalLink
n13:1215466210 n14:likelihoodaccoun0000edwa n14:statisticalevide0000roya n19:D-99-10.html n23:l.html n24:prob+lik.htm n25:ch%207%20mayo%20birnbaum%20proof.pdf n26:15172
owl:sameAs
dbpedia-uk:Принцип_правдоподібності n11:Prinsip_likelihood wikidata:Q13200161 n17:LAMZ yago-res:Likelihood_principle freebase:m.04j_v
dbp:wikiPageUsesTemplate
dbt:Cite_book dbt:Sfrac dbt:Refbegin dbt:= dbt:Notelist dbt:Reflist dbt:Refend dbt:Efn dbt:Sub dbt:Cite_journal dbt:Mvar dbt:Math
dbo:wikiPageInterLanguageLink
dbpedia-ru:Принцип_максимального_правдоподобия
dbo:abstract
У статистиці при́нцип правдоподі́бності (англ. likelihood principle) полягає в тім, що для заданої статистичної моделі все свідчення у вибірці, що має відношення до параметрів моделі, міститься у функції правдоподібності. Функція правдоподібності виникає з функції густини ймовірності, яку розглядають як функцію від її аргументу розподілового параметризування. Наприклад, розгляньмо модель, яка дає функцію густини ймовірності ƒX(x | θ) спостережуваної випадкової змінної X як функцію від параметра θ. Тоді для конкретного значення x змінної X функція (θ | x) = ƒX(x | θ) є функцією правдоподібності θ: вона дає міру того, наскільки «правдоподібним» є певне значення θ, якщо ми знаємо, що X має значення x. Функція густини може бути густиною по відношенню до зліченної міри, тобто, функцією маси ймовірності. Дві функції правдоподібності є еквівале́нтними (англ. equivalent), якщо одна з них є добутком іншої на скаляр. При́нцип правдоподі́бності (англ. likelihood principle) полягає в наступному: вся інформація з даних, доречна для висновувань про значення параметрів моделі, міститься в класі еквівалентності, до якого належить функція правдоподібності. Си́льний при́нцип правдоподі́бності (англ. strong likelihood principle) застосовує той самий критерій до таких випадків, як послідовні експерименти, де вибірка даних є результатами, доступними від ранішого застосування до спостережень в експерименті правила зупину. In statistics, the likelihood principle is the proposition that, given a statistical model, all the evidence in a sample relevant to model parameters is contained in the likelihood function. A likelihood function arises from a probability density function considered as a function of its distributional parameterization argument. For example, consider a model which gives the probability density function of observable random variable as a function of a parameter Then for a specific value of the function is a likelihood function of it gives a measure of how "likely" any particular value of is, if we know that has the value The density function may be a density with respect to counting measure, i.e. a probability mass function. Two likelihood functions are equivalent if one is a scalar multiple of the other.The likelihood principle is this: All information from the data that is relevant to inferences about the value of the model parameters is in the equivalence class to which the likelihood function belongs. The strong likelihood principle applies this same criterion to cases such as sequential experiments where the sample of data that is available results from applying a stopping rule to the observations earlier in the experiment.
prov:wasDerivedFrom
wikipedia-en:Likelihood_principle?oldid=1084319664&ns=0
dbo:wikiPageLength
21241
foaf:isPrimaryTopicOf
wikipedia-en:Likelihood_principle