He contemplado la posibilidad y las ideas sin encontrarlas. ¿Cuál es la distinción? ¿Qué están intentando hacer?

Esta relación hizo la diferencia:

Probability vs Statistics Diagram

La probabilidad comienza con una criatura y da sentido a las impresiones que causará.

Las estadísticas están viendo una impresión y especulando con la criatura.

La probabilidad es clara: tienes el oso. Mida el tamaño del pie, la longitud de la pierna, y puede obtener las impresiones. “Gracioso, los bolsillos de Mr. Air pesan 400 libras y tienen patas de 3 pies, y harán huellas de esta manera”. Más escolástica: “Tenemos una moneda razonable. Después de 10 lanzamientos, aquí están los resultados potenciales”.

Las ideas son más entusiastas. Medimos las impresiones y necesitamos pensar en qué criatura podría ser. ¿Un oso? ¿Un humano? En el caso de que obtengamos 6 caras y 4 colas, ¿cuáles son las probabilidades de una moneda razonable?

Los sospechosos estándar

Aquí está la manera en que “ubicamos a la criatura” con ideas:

Consigue las pistas. Cada bit de información es un punto en “sacar una conclusión obvia”. Cuanta más información, más clara es la forma (1 ingreso puntual a una conclusión obvia no es útil. Un punto de información hace que sea un patrón difícil de alcanzar).

Mide los atributos fundamentales. Cada impresión tiene una profundidad, ancho y estatura. Cada conjunto de datos tiene una desviación media, media, estándar, etc. Estas representaciones exhaustivas y no exclusivas dan un estrechamiento duro: “La impresión es de 6 pulgadas de ancho: ¿un osito o un hombre enorme?”

Descubre la especie. Hay muchas criaturas potenciales (apropiaciones de probabilidad) a considerar. Lo estamos reduciendo con información anterior sobre el marco. En las zonas boscosas? Piensa en ponis, no en cebras. Gestión de consultas sí / no? Piensa en una apropiación binomial.

Mira a la criatura en particular. Cuando tenemos el transporte (“osos”), analizamos nuestras estimaciones convencionales en una tabla. “Una huella de pata de 6 pulgadas de ancho y 2 pulgadas de profundidad es muy probable que sea un oso de 3 años y 400 libras”. La tabla de consulta se produce a partir de la circulación de probabilidad, por ejemplo, haciendo estimaciones cuando la criatura está en el zoológico.

Haz expectativas extra. Cuando conocemos a la criatura, podemos anticipar una conducta futura y diferentes atributos (“Según nuestros cálculos, los bolsillos de Mr. Air se van a la basura en el bosque”). Insights nos hace obtener datos sobre el comienzo de la información, a partir de la información misma.

¡Bien! La similitud no es inmaculada, pero es más atractiva que “Insights es la investigación de la variedad, asociación, examen y comprensión de la información”. ¿Necesitas evidencia? ¿Qué tal si verificamos si podemos preguntar natural “lo probé” preguntas:

¿Cuáles son las especies más reconocidas? (Diseminaciones regulares)

¿Se encuentran nuevos?

¿Podríamos prever la siguiente impresión? (Extrapolación)

¿Las pistas siguen un camino? (Recaída / línea de patrón)

Aquí hay dos pistas, ¿qué criatura fue más rápida? Mayor? (Información de dos preliminares de medicamentos: ¿cuál fue cada vez más poderoso?)

¿Es correcto decir que una es una criatura que se mueve de manera similar a otra? (Conexión)

¿Dos criaturas siguen una fuente típica? (Causación: dos osos persiguiendo un conejito similar)

Estas consultas van mucho más allá de lo que contemplé cuando aprendí los detalles por primera vez. Cada metodología seca actualmente tiene una circunstancia única: ¿diríamos que estamos aprendiendo otra especie? ¿Cómo tomar las estimaciones de impresión convencionales? ¿Cómo hacer una tabla a partir de una transmisión de probabilidad? ¿Qué buscar como estimaciones en una tabla?

Tener una similitud con el procedimiento de información hace que la información posterior haga clic. Matemáticas optimistas.