Inleiding

Bayesiaanse metingen blijven onmeetbaar in de verlichte persoonlijkheden van talrijke onderzoekers. Verbaasd over de ongelofelijke intensiteit van AI zijn velen van ons ontrouw gebleken aan inzichten. Ons centrum heeft zich beperkt tot het onderzoeken van AI. Is het waar dat het niet geldig is? We verzuimen te begrijpen dat AI niet de beste manier is om echte problemen op te lossen. In een aantal gevallen helpt het ons niet bij het aanpakken van zakelijke problemen, ondanks het feit dat er informatie is die met deze problemen te maken heeft. Het staat buiten kijf dat het aanleren van inzichten u in staat zal stellen om complexe logische vraagstukken aan te pakken, onafhankelijk van de grootte van de informatie. In de jaren 1770 presenteerde Thomas Bayes de ‘Bayes Hypothese’. Inderdaad, zelfs na honderden jaren is de betekenis van ‘Bayesiaanse Metingen’ niet vervaagd. Eigenlijk wordt dit punt vandaag de dag in ongelooflijke dieptes onderwezen in een deel van de rijschool van de wereld. Met deze gedachte heb ik de huidige jonge assistent van Bayesian Insights gemaakt. Ik heb geprobeerd de ideeën te verduidelijken op een overdreven simplistische manier met modellen. Eerder leren van fundamentele waarschijnlijkheid en metingen is aantrekkelijk. Je zou naar deze cursus moeten kijken om een uitputtend goed te krijgen over inzichten en waarschijnlijkheid. Voor het einde van dit artikel heeft u een goed begrip van Bayesiaanse metingen en de bijbehorende ideeën.

Inhoudstafel

Frequentiestatistieken

De inherente fouten in de frequentiestatistieken

Bayesiaanse statistieken

Voorwaardelijke waarschijnlijkheid

Bayes Stelling

Bayesiaanse gevolgtrekking

Bernoulli waarschijnlijkheidsfunctie

Voorafgaande Geloofsverdeling

Posterieure geloofsovertuiging Verdeling

Test voor Betekenis – Frequentist vs Bayesiaanse

p-waarde

Vertrouwensintervallen

Bayes Factor

Hoge Dichtheidsinterval (HDI)

1. 1. Frequentie-inzichten

De discussie onder frequentisten en bajesklanten is al geruime tijd aan de orde van de dag. Daarom is het noodzakelijk om het onderscheid tussen de twee te begrijpen en hoe er een slanke lijn bestaat!

Het is de meest gebruikte inferentiële procedure in de feitelijke wereld. In feite is het over het algemeen de belangrijkste manier van denken dat een individu die de meetwereld ingaat, overloopt. Frequentiemetingen testen of een gelegenheid (speculatie) gebeurt of niet. Het geeft aan hoe groot de kans is dat een gelegenheid zich voordoet tijdens de lange duur van de analyse (d.w.z. dat de test onder vergelijkbare omstandigheden opnieuw wordt uitgevoerd om het resultaat te verkrijgen). Hier worden de testcircuits van vaste grootte genomen. Op dat moment wordt de test hypothetisch een onbepaald aantal keren herhaald, maar in principe wordt de test beëindigd met een stopzetting van de verwachting. Ik speel bijvoorbeeld een onderzoek uit in het licht van een stopverwachting dat ik de test zal stoppen wanneer deze meerdere keren wordt gerehasht of ik zie minstens 300 koppen in een muntstuk slingeren.

Wat dacht je ervan om op dit punt verder te gaan?

Op dit moment zullen we de meest frequente inzichten begrijpen door gebruik te maken van een geval van muntgeld. Het doel is om het fatsoen van de munt te evalueren. Het volgende is een tabel die spreekt tot de herhaling van koppen:

We beseffen dat de kans op het opgooien van een redelijke munt 0,5 is. Nee. van hoofden spreekt tot het werkelijke aantal verworven hoofden. Het onderscheid is het contrast tussen 0,5*(aantal koppen) – aantal koppen.

Het onderscheid tussen het werkelijke aantal koppen en het verwachte aantal koppen (de helft van het aantal koppen) neemt echter toe naarmate het aantal koppen groter wordt, zodat het aantal koppen oploopt tot 0,5 (voor een redelijke munt).

Deze test stelt ons voor een uitzonderlijk regelmatig defect te vinden in de frequentste aanpak, bijvoorbeeld het vertrouwen in het nawerking van een onderzoek bij de gelegenheden dat de test opnieuw wordt geasfalteerd.

Om meer te weten te komen over de meest frequente meetbare strategieën, kunt u naar dit prachtige seminar over inferentiële metingen gaan.

2. 2. De kenmerkende onvolkomenheden in de frequentiemetingen

Tot nu toe hebben we slechts één onvolkomenheid in de frequentiemetingen gezien. Alles bij elkaar genomen, is het gewoon het begin.

In de twintigste eeuw werd een enorme toename van de frequentistische inzichten toegepast op numerieke modellen om na te gaan of het ene voorbeeld uniek is ten opzichte van het andere, een parameter significant genoeg is om in het model te blijven en diverse andere verschijningsvormen van de theorietoetsing. Hoe dan ook, de frequentiemetingen hebben een aantal buitengewone onvolkomenheden in de structuur en het begrip ervan doorstaan, die een echte zorg waren in alle echte kwesties. Bijvoorbeeld:

3. p-waarden geschat ten opzichte van een voorbeeldmeting (vaste grootte) met enige veranderingen in het stopdoel bij verandering van het doel en de testgrootte. d.w.z. Als twee mensen een schot nemen op vergelijkbare informatie en een onderscheidend stopdoel hebben, kunnen ze twee verschillende p-waarden krijgen voor vergelijkbare informatie, wat vervelend is.

Bijvoorbeeld: Individuele A kan stoppen met het opgooien van een munt wanneer het totaalbedrag op 100 komt, terwijl B stopt op 1000. Voor verschillende voorbeeldafmetingen krijgen we diverse t-scores en onderscheidende p-waarden. Zo kan het doel om te voorkomen dat het vaste aantal flips verandert om een term van flipping op te tellen. Ook in deze situatie krijgen we ongetwijfeld diverse p-waarden. 2-Certainty Interim (C.I) zoals p-esteem hangt sterk af van de voorbeeldgrootte. Dit maakt het stoppotentieel compleet belachelijk, want ongeacht het aantal mensen dat de tests op vergelijkbare informatie uitvoert, zouden de uitkomsten voorspelbaar moeten zijn. 3-Kernenzekere interims (C.I) zijn geen waarschijnlijkheidscirculaties en geven dus niet de meest plausibele prikkel aan een parameter en de meest plausibele kwaliteiten. Deze drie redenen zijn voldoende om de nadelen van de frequentistenaanpak in overweging te nemen en waarom zou dat een vereiste zijn voor de bajesiaanse methodologie. We zouden het moeten ontdekken.

Vanaf hier zullen we in eerste instantie de basisprincipes van Bayesian Insights begrijpen.