Einführung

Bayes’sche Messungen bleiben in den erleuchteten Persönlichkeiten zahlreicher Ermittler unermesslich. Von der unglaublichen Intensität der KI verblüfft, haben sich viele von uns als den Erkenntnissen untreu erwiesen. Unser Zentrum hat sich auf die Untersuchung der KI beschränkt. Ist es wahr, dass sie nicht gültig ist? Wir versäumen es zu begreifen, dass KI nicht der beste Weg ist, um sich um echte Probleme zu kümmern. In einigen wenigen Fällen hilft sie uns nicht bei der Behandlung von Geschäftsfragen, obwohl es Informationen zu diesen Themen gibt. Das Erlernen von Einsichten wird es Ihnen mit Sicherheit ermöglichen, sich mit komplexen logischen Fragen auseinanderzusetzen, unabhängig von der Größe der Informationen. In den 1770er Jahren stellte Thomas Bayes die “Bayes-Hypothese” vor. In der Tat ist die Bedeutung der “Bayes’schen Messungen” auch nach Hunderten von Jahren noch nicht verschwommen. Tatsächlich wird dieser Punkt heute in einem Teil der Fahrschulen der Welt in unglaublicher Tiefe gelehrt.  Mit diesem Gedanken habe ich diesen jungen Mann zum Berater für Bayesianische Einsichten gemacht. Ich habe versucht, die Ideen in einer allzu vereinfachten Weise mit Modellen zu verdeutlichen. Ein früheres Erlernen grundlegender Wahrscheinlichkeiten und Messungen ist attraktiv. Sie sollten sich diesen Kurs ansehen, um ein erschöpfendes böses Gut über Einsichten und Wahrscheinlichkeiten zu erhalten. Vor dem Ende dieses Artikels werden Sie ein solides Verständnis der Bayes’schen Messungen und der damit verbundenen Ideen haben.

bayesian statistics, probability

Inhaltsverzeichnis

Frequentistische Statistik

Die inhärenten Mängel in der Statistik der Vielzahnärzte

Bayessche Statistik

Bedingte Wahrscheinlichkeit

Bayes-Theorem

Bayessche Schlussfolgerung

Bernoulli-Wahrscheinlichkeitsfunktion

Verteilung von Prior Belief

Nachrangige Überzeugung Verteilung

Signifikanztest – Frequentisten vs. Bayesianer

p-Wert

Vertrauensintervalle

Bayes-Faktor

Intervall hoher Dichte (HDI)

1. Frequentistische Einblicke

Die Diskussion zwischen Vielbesuchern und Bayesianern ist schon seit langem in aller Munde. Daher ist es unerlässlich, den Unterschied zwischen den beiden zu verstehen, und wie kann es eine schlanke Linie von Umrissen geben!

Es handelt sich um das am häufigsten angewandte inferentielle Verfahren in der Tatsachenwelt. Tatsächlich ist es im Großen und Ganzen die hauptsächliche Denkweise, die eine Person, die sich in die Welt der Messungen begibt, durchläuft. Frequentist Measurements testet, ob eine Gelegenheit (Spekulation) eintritt oder nicht. Sie beziffert die Wahrscheinlichkeit eines Ereignisses über die lange Dauer der Analyse (d.h. der Test wird unter ähnlichen Bedingungen aufbereitet, um das Ergebnis zu erhalten). Hier werden die Testkreisläufe fester Größe genommen. Zu diesem Zeitpunkt wird der Test hypothetisch eine unbegrenzte Anzahl von Malen aufbereitet, aber im Grunde genommen mit einer anhaltenden Erwartung beendet. Zum Beispiel spiele ich eine Untersuchung in der Erwartung durch, dass ich den Test abbrechen werde, wenn er mehrmals wiederholt wird oder ich mindestens 300 Köpfe in einem Münzwurf sehe.

Wie wäre es, wenn wir an diesem Punkt weitergehen würden.

Gegenwärtig werden wir anhand eines Falles von Münzschleudern die Erkenntnisse der Frequentisten nachvollziehen. Das Ziel besteht darin, den Anstand der Münze zu bewerten. Im Folgenden finden Sie eine Tabelle, die sich auf das Wiederauftreten von Köpfen bezieht:

frequentist vs bayesian, bayesian statistics, example

Uns ist klar, dass die Wahrscheinlichkeit, beim Werfen einer vernünftigen Münze einen Kopf zu bekommen, bei 0,5 liegt. Die Anzahl der Köpfe spricht für die tatsächliche Anzahl der erworbenen Köpfe. Der Unterschied ist der Kontrast zwischen 0,5*(Anzahl der Schleudern) – Anzahl der Köpfe.

Es ist unbedingt zu beachten, dass der Unterschied zwischen der tatsächlichen Anzahl der Köpfe und der erwarteten Anzahl der Köpfe (die Hälfte der Anzahl der Schleudern) mit zunehmender Anzahl der Schleudern zunimmt, die Anzahl der Köpfe, die sich zur Anzahl der Schleudern addiert, nähert sich jedoch 0,5 (für eine vernünftige Münze).

Dieser Test stellt uns vor einen außergewöhnlich regelmäßigen Defekt, der im frequentistischen Ansatz zu finden ist, z.B. die Abhängigkeit der Nachwirkung einer Untersuchung von den Gelegenheiten, bei denen der Test aufbereitet wird.

Wenn Sie mehr über messbare Strategien des frequentistischen Ansatzes erfahren möchten, können Sie dieses hervorragende Seminar über inferentielle Messungen besuchen.

2. Die charakteristischen Unvollkommenheiten bei häufigen Messungen

Bis hierher haben wir nur eine Unvollkommenheit in häufigen Messungen gesehen. Alles in allem ist das nur der Anfang.

Im zwanzigsten Jahrhundert gab es einen enormen Aufschwung in der Anwendung der Erkenntnisse des Frequentialisten auf numerische Modelle, um zu prüfen, ob ein Beispiel im Verhältnis zum nächsten einzigartig ist, ob ein Parameter signifikant genug ist, um im Modell beibehalten zu werden, und verschiedene andere Erscheinungen der Theorieprüfung. Wie dem auch sei, wie dem auch sei, die frequentistischen Messungen wiesen einige außerordentliche Unvollkommenheiten in ihrer Struktur und ihrem Verständnis auf, die bei allen echten Fragen eine echte Sorge darstellten. Zum Beispiel

1. p-Werte, die anhand einer Beispielmessung (feste Größe) mit einigen Änderungen des Halteziels bei Änderung des Ziels und der Testgröße geschätzt wurden. d.h. wenn zwei Personen auf ähnliche Informationen schießen und ein ausgeprägtes Halteziel haben, können sie zwei verschiedene p-Werte für ähnliche Informationen erhalten, was lästig ist.

Zum Beispiel: Die Person A kann aufhören, eine Münze zu werfen, wenn die Gesamtzahl bei 100 ankommt, während B bei 1000 aufhört. Für verschiedene Beispielgrößen erhalten wir verschiedene t-Werte und ausgeprägte p-Werte. Das Ziel, das es zu verhindern gilt, kann sich also von der festgelegten Anzahl von Flips zu einem Begriff des Werfens addieren. Auch für diese Situation werden wir zweifellos verschiedene p-Werte erhalten. 2-Certainty Interim (C.I.) wie p-Achtung hängt stark von der Größe des Beispiels ab. Das macht das Stopp-Potenzial völlig lächerlich, denn unabhängig davon, wie viele Personen die Tests mit ähnlichen Informationen durchspielen, sollten die Ergebnisse vorhersehbar sein. 3-Certainty Interims (C.I.) sind keine Wahrscheinlichkeitszirkulationen, dementsprechend geben sie nicht den plausibelsten Anreiz für einen Parameter und die plausibelsten Eigenschaften. Diese drei Gründe reichen aus, um über die Nachteile des frequentistischen Ansatzes nachzudenken, und warum sollte dies eine Voraussetzung für die bayesianische Methodik sein. Wir sollten es herausfinden.

Von hier aus werden wir zunächst die Rudimente der Bayesschen Einsichten nachvollziehen.