Introducción
Las mediciones bayesianas siguen siendo inconmensurables en las personalidades iluminadas de numerosos investigadores. Aturdidos por la increíble intensidad de la IA, muchos de nosotros hemos resultado ser infieles a las ideas. Nuestro centro se ha limitado a investigar la IA. ¿Es verdad que no es válida? No comprendemos que la IA no es la mejor manera de ocuparse de los asuntos genuinos. En algunas circunstancias, no nos ayuda a abordar los asuntos de negocios, a pesar de que hay información relacionada con estos asuntos. Definitivamente, el aprendizaje de los conocimientos le permitirá tomar un tiro en los asuntos lógicos complejos, independientemente del tamaño de la información. En la década de 1770, Thomas Bayes presentó la “Hipótesis Bayes”. De hecho, incluso después de cientos de años, el significado de las “Medidas Bayesianas” no ha desaparecido. En realidad, hoy en día este punto está siendo instruido en increíbles profundidades en una parte de las universidades de conducción del mundo. Con este pensamiento, he hecho este presente de ayudante de novato en “Perspectivas Bayesianas”. He tratado de aclarar las ideas de una manera muy simplificada con modelos. El aprendizaje temprano de las probabilidades y medidas fundamentales es atractivo. Deberías mirar este curso para obtener un conocimiento exhaustivo de las ideas y la probabilidad. Antes de terminar este artículo, tendrás una sólida comprensión de las Medidas Bayesianas y sus ideas relacionadas.
Índice
Estadísticas de Frequencia
Los defectos inherentes a las estadísticas de los frecuentadores
Estadísticas bayesianas
Probabilidad condicional
Teorema de Bayes
Inferencia Bayesiana
Función de probabilidad de Bernoulli
Distribución de creencias previas
Creencias posteriores Distribución
Prueba de Significación – Frecuentista vs Bayesiano
Valor p
Intervalos de confianza
Factor Bayes
Intervalo de alta densidad (IDH)
1. 1. Perspectivas de los Frecuentadores
La discusión entre el frecuentador y el bayesiano han frecuentado los pies tiernos durante mucho tiempo. Por lo tanto, es imperativo comprender la distinción entre ambos y cómo existe una línea delgada de contorno!
Es el procedimiento inferencial más generalmente utilizado en el mundo de los hechos. De hecho, por lo general, es la principal forma de pensar que un individuo que entra en el mundo de las mediciones se pasa. Mediciones de Frecuencias prueba si una ocasión (especulación) ocurre o no. Calcula la probabilidad de una ocasión a lo largo del análisis (es decir, la prueba se repite en condiciones similares para adquirir el resultado). Aquí se toman las circulaciones de prueba de tamaño fijo. En ese momento, la prueba se repite hipotéticamente un número ilimitado de veces, pero básicamente se termina con una expectativa vacilante. Por ejemplo, realizo una investigación a la luz de una expectativa vacilante de que detendré la prueba cuando se repita varias veces o vea al menos 300 cabezas en un lanzamiento de monedas.
¿Qué tal si vamos más lejos en este punto.
En este momento, comprenderemos las ideas de los frecuentadores utilizando un caso de lanzamiento de moneda. El objetivo es evaluar la decencia de la moneda. La siguiente tabla habla de la recurrencia de las cabezas:
Nos damos cuenta de que la probabilidad de conseguir una cabeza en el lanzamiento de una moneda razonable es de 0,5. El número de cabezas habla del número real de cabezas adquiridas. La distinción es el contraste entre 0,5*(Nº de lanzamientos) – Nº de cabezas.
Algo imperativo es tomar nota de ello, sin embargo la distinción entre el número real de cabezas y el número anticipado de cabezas (la mitad del número de huracanes) aumenta a medida que se amplía el número de huracanes, la extensión del número de cabezas para sumar el número de huracanes se aproxima a 0,5 (para una moneda razonable).
Esta prueba nos presenta un defecto excepcionalmente regular que se encuentra en el enfoque del frecuentador, por ejemplo, la dependencia de las secuelas de una investigación en las ocasiones en que la prueba se repite.
Para conocer las estrategias de medición de los frecuentadores, puede ir a este magnífico seminario sobre mediciones inferenciales.
2. Las imperfecciones características en las mediciones de los frecuentadores
Hasta aquí, sólo hemos visto una imperfección en las mediciones de los frecuentadores. Considerando todas las cosas, es simplemente el comienzo.
En el siglo XX se produjo un enorme auge de las ideas de los frecuentadores que se aplicaban a los modelos numéricos para comprobar si un ejemplo es único en relación con el siguiente, si un parámetro es lo suficientemente significativo como para mantenerse en el modelo y otras varias apariciones de pruebas teóricas. Sea como fuere, las mediciones de los frecuentadores soportaron algunas extraordinarias imperfecciones en su estructura y comprensión, lo que representó una verdadera preocupación en todas las cuestiones genuinas. Por ejemplo:
3. Valores p estimados frente a una medición de ejemplo (tamaño fijo) con algunos cambios de objetivo de detención con cambio de objetivo y tamaño de la prueba. Es decir, si dos personas disparan a una información similar y tienen un objetivo de detención distintivo, pueden obtener dos valores p diversos para una información similar, lo que resulta molesto.
Por ejemplo: El individuo A puede dejar de tirar una moneda cuando la cuenta total llega a 100 mientras que B se detiene en 1000. Para varios tamaños de ejemplo, obtenemos diversos t-scores y p-valores distintivos. Por lo tanto, el objetivo de prevenir puede cambiar del número fijo de tiradas para sumar un término de tirada. Para esta situación también, sin duda obtendremos diversos valores p. 2-Certidumbre Interina (C.I) como p-estima depende intensamente del tamaño del ejemplo. Esto hace que el potencial de paro sea completamente ridículo ya que, independientemente del número de personas que realicen las pruebas con información similar, los resultados deben ser predecibles. 3-Los Intervalos de Certeza (I.C.) no son circulaciones de probabilidad, por lo tanto no dan el incentivo más plausible a un parámetro y las cualidades más plausibles. Estas tres razones son suficientes para hacer que se contemplen las desventajas del enfoque frecuencial y por qué sería un requisito de la metodología bayesiana. Deberíamos descubrirlo.
A partir de aquí, comprenderemos inicialmente los rudimentos de las ideas bayesianas.
You may also like
Falso negativo
A la hora de entender la hipótesis, hay dos errores que pueden resultar bastante confusos. Estos dos errores son el falso negativo y el falso positivo. También puedes referirte al error falso negativo como error de tipo II y al falso positivo como error de tipo I. Mientras aprendes, puedes pensar que estos errores no […]
Revisión del gráfico de caja
Un gráfico de caja o un gráfico de caja y bigotes le ayudan a mostrar la distribución de la base de datos en un resumen de cinco números. El primer cuartil Q1 será el mínimo, el tercer cuartil Q3 será la mediana y el quinto cuartil Q5 será el máximo. Puede encontrar los valores atípicos […]
Redes Bayesianas
Crear un modelo probabilístico puede ser un reto, pero resulta útil en el aprendizaje automático. Para crear un modelo gráfico de este tipo, es necesario encontrar las relaciones probabilísticas entre las variables. Supongamos que está creando una representación gráfica de las variables. Hay que representar las variables como nodos y la independencia condicional como la […]
