Introduction

Bayesian Measurements reste incommensurable dans les personnalités éclairées de nombreux enquêteurs. Stupéfaits par l’incroyable intensité de l’IA, beaucoup d’entre nous se sont révélés infidèles aux intuitions. Notre centre s’est limité à enquêter sur l’IA. Est-il vrai qu’elle n’est pas valable ? Nous négligeons de comprendre que l’IA n’est pas le meilleur moyen de s’occuper des problèmes réels. Dans certaines circonstances, elle ne nous aide pas à aborder les questions commerciales, malgré le fait qu’il existe des informations sur ces questions. Il est certain que l’apprentissage des connaissances vous permettra de vous attaquer à des questions logiques complexes, indépendamment de la taille des informations. Dans les années 1770, Thomas Bayes a présenté l'”hypothèse de Bayes”. En effet, même après des centaines d’années, la signification des “mesures bayésiennes” ne s’est pas estompée. En fait, aujourd’hui, ce point est enseigné avec une incroyable profondeur dans une partie des auto-écoles du monde.  C’est en pensant à cela que j’ai fait le présent article sur les perspectives bayésiennes. J’ai tenté de clarifier les idées de manière trop simplifiée à l’aide de modèles. L’apprentissage précoce des probabilités et des mesures fondamentales est intéressant. Vous devriez consulter ce cours pour obtenir un aperçu exhaustif et détaillé des idées et des probabilités. Avant la fin de cet article, vous aurez une solide compréhension des mesures bayésiennes et des idées qui s’y rapportent

bayesian statistics, probability

Table des matières

Statistiques sur les fréquentistes

Les défauts inhérents aux statistiques fréquentistes

Statistiques bayésiennes

Probabilité conditionnelle

Théorème de Bayes

Inférence bayésienne

Fonction de vraisemblance de Bernoulli

Distribution des croyances préalables

Croyance postérieure Distribution

Test de signification – Fréquentiste vs Bayésien

p-value

Intervalles de confiance

Facteur Bayes

Intervalle de haute densité (IDH)

1. Aperçu des fréquences

La discussion entre fréquentistes et bayésiens fréquente tenderfoots depuis longtemps. Il est donc impératif de comprendre la distinction entre les deux et comment il existe une mince ligne de contour !

C’est la procédure d’inférence la plus utilisée dans le monde factuel. En fait, dans l’ensemble, c’est la principale façon de penser qu’un individu qui entre dans le monde des mesures passe par-dessus. Les mesures fréquentistes permettent de vérifier si une occasion (spéculation) se présente ou non. Il s’agit d’évaluer la probabilité qu’une occasion se produise sur le long terme (c’est-à-dire que le test est répété dans des conditions similaires pour obtenir le résultat). Ici, on prend les circulations de test de taille fixe. À ce stade, le test est hypothétiquement répété un nombre illimité de fois, mais il se termine en principe avec une attente d’arrêt. Par exemple, je mène une enquête en pensant que je vais arrêter le test lorsqu’il est répété plusieurs fois ou que je vois au moins 300 têtes dans un tirage au sort.

Et si nous allions plus loin à ce stade ?

Pour l’instant, nous allons comprendre des aperçus fréquentistes en utilisant un cas de lancer de pièce de monnaie. L’objectif est d’évaluer la décence de la pièce. Voici un tableau qui traite de la récurrence des têtes:

frequentist vs bayesian, bayesian statistics, example

Nous savons que la probabilité d’obtenir une tête à pile ou face raisonnable est de 0,5. Le nombre de têtes correspond au nombre réel de têtes acquises. La distinction est le contraste entre 0,5*(Nbre de lancers) – Nbre de têtes.

Il est impératif d’en tenir compte, mais la distinction entre le nombre réel de têtes et le nombre de têtes prévu (la moitié du nombre de lancers) augmente au fur et à mesure que le nombre de lancers augmente, le nombre de têtes à additionner au nombre de lancers s’approche de 0,5 (pour une pièce raisonnable).

Ce test nous présente un défaut exceptionnellement régulier constaté dans l’approche fréquentiste ; par exemple la dépendance de l’effet secondaire d’une enquête aux occasions où le test est répété.

Pour en savoir plus sur les stratégies mesurables fréquentistes, vous pouvez vous rendre à ce superbe séminaire sur les mesures inférentielles.

2. Les imperfections caractéristiques des mesures fréquentistes

Jusqu’ici, nous n’avons vu qu’une seule imperfection dans les mesures fréquentistes. Tout bien considéré, ce n’est qu’un début.

Le XXe siècle a vu un énorme essor des connaissances fréquentistes appliquées aux modèles numériques pour vérifier si un exemple est unique par rapport au suivant, si un paramètre est suffisamment significatif pour être conservé dans le modèle et diverses autres apparences de tests théoriques. Quoi qu’il en soit, les mesures fréquentistes ont subi des imperfections extraordinaires dans leur structure et leur compréhension, ce qui a représenté une véritable préoccupation dans toutes les questions réelles. Par exemple :

1. valeurs p estimées par rapport à une mesure d’exemple (taille fixe) avec quelques changements de but d’arrêt avec changement de but et de taille du test. C’est-à-dire que si deux personnes s’attaquent à des informations similaires et ont un but d’arrêt distinct, elles peuvent obtenir deux valeurs p différentes pour des informations similaires, ce qui est gênant.

Par exemple, si deux personnes tirent sur des informations similaires et ont un but précis, elles peuvent obtenir deux valeurs p différentes pour des informations similaires, ce qui est gênant : La personne A peut arrêter de tirer à pile ou face lorsque le total atteint 100, tandis que B s’arrête à 1000. Pour diverses tailles d’exemple, nous obtenons des t-scores différents et des p-valeurs distinctes. Ainsi, l’objectif de prévention peut changer par rapport au nombre fixe de tirages pour aboutir à un terme de tirage. Pour cette situation également, nous obtiendrons sans aucun doute des p-valeurs différentes. 2-Certainty Interim (C.I) comme p-esteem dépend intensément de la taille de l’exemple. Cela rend le potentiel d’arrêt complètement ridicule, car quel que soit le nombre de personnes qui passent les tests sur des informations similaires, les résultats devraient être prévisibles. 3-Les Interims de certitude (C.I) ne sont pas des circulations de probabilité ; en conséquence, ils ne donnent pas l’incitation la plus plausible à un paramètre et aux qualités les plus plausibles. Ces trois raisons sont suffisantes pour vous faire réfléchir aux inconvénients de l’approche fréquentiste et aux raisons pour lesquelles elle serait nécessaire à la méthodologie bayésienne. Nous devrions le découvrir.

A partir de là, nous allons d’abord comprendre les rudiments de la méthode bayésienne.