Wprowadzenie

Pomiary bayesowskie wciąż pozostają niezmierne w świetle osobowości wielu badaczy. Będąc oszołomieni niewiarygodną intensywnością SI, wielu z nas okazało się być niewiernych spostrzeżeniom. Nasze centrum ograniczyło się do zbadania SI. Czy to prawda, że to nie jest ważne? Nie zdajemy sobie sprawy, że SI nie jest najlepszym sposobem na zajęcie się prawdziwymi problemami. W kilku przypadkach nie pomaga nam ona w rozwiązywaniu problemów biznesowych, mimo że istnieją informacje związane z tymi problemami. Zdecydowanie, poznanie spostrzeżeń pozwoli Ci na spróbowanie złożonych problemów logicznych, niezależnie od wielkości informacji. W latach 70. ubiegłego wieku Thomas Bayes przedstawił “Hipotezę Bayesa”. W istocie, nawet po setkach lat od tego momentu, znaczenie “Pomiarów bayesowskich” nie zatarło się. Faktycznie, dziś ten punkt jest pouczany w niewiarygodnych głębiach w części światowych kolegiów nauki jazdy.  Dzięki tej myśli, uczyniłem z tego aktualnego pomocnika na temat Bajesowskich Wglądów. Próbowałem wyjaśnić te pomysły w zbyt uproszczony sposób za pomocą modeli. Wcześniejsza nauka o podstawowym prawdopodobieństwie i pomiarach jest atrakcyjna. Powinieneś przyjrzeć się temu kursowi, aby uzyskać wyczerpujący, nikczemny pożytek ze spostrzeżeń i prawdopodobieństwa. Zanim skończysz ten artykuł, będziesz miał solidne zrozumienie bayesowskich pomiarów i związanych z nimi idei.

bayesian statistics, probability

Spis treści

Statystyki częste

Ukryte wady w statystykach częstych

Statystyki bayesowskie

Prawdopodobieństwo warunkowe

Twierdzenie Bayes’a

Wniosek bayesowski

Funkcja prawdopodobieństwa Bernoullego

Rozpowszechnianie informacji o wyznawaniu wiary (Prior Belief Distribution)

Przekonania tylne Dystrybucja

Test na istotność – Frequentist vs Bayesian

wartość p- wartość

Interwały zaufania

Czynnik Bayes’a

Interwał wysokiej gęstości (HDI)

1. Częste spostrzeżenia

Dyskusja wśród bywalców i bajorantów trwa już od dłuższego czasu. W związku z tym należy koniecznie zrozumieć różnicę między nimi i zrozumieć, że istnieje wąska linia zarysu!

Jest to najbardziej powszechnie stosowana procedura infekcyjna w świecie rzeczywistym. W rzeczywistości, w zasadzie, jest to główny sposób myślenia, że jednostka wchodząca w świat pomiarów przechodzi. Częste pomiary sprawdzają, czy zdarza się okazja (spekulacja), czy też nie. Określa prawdopodobieństwo zajścia zdarzenia na dłuższą metę analizy (tzn. test jest przetasowany w podobnych warunkach, aby uzyskać wynik). Tutaj pobierane są obiegi testowe o stałej wielkości. W tym momencie test jest hipotetycznie przerysowywany nieograniczoną liczbą razy, ale w zasadzie kończy się oczekiwaniem zatrzymania. Na przykład, przeprowadzam badanie w świetle oczekiwania, że zatrzymam test, gdy zostanie on wielokrotnie zahamowany lub zobaczę co najmniej 300 głów w holu monety.

Może w tym momencie pójdziemy dalej.

Obecnie zrozumiemy częste spostrzeżenia wykorzystujące przypadek hurla monet. Celem jest ocena przyzwoitości monety. Poniżej znajduje się tabela mówiąca o powtarzaniu się głów:

frequentist vs bayesian, bayesian statistics, example

Zdajemy sobie sprawę, że prawdopodobieństwo trafienia w głowę przy rzucaniu rozsądną monetą wynosi 0,5. Liczba głów mówi do rzeczywistej liczby nabytych głów. Rozróżnia się kontrast między 0,5*(liczba rzutów) – liczbą głów.

Koniecznie należy zwrócić na to uwagę, jednak rozróżnienie między rzeczywistą liczbą głów a przewidywaną liczbą głów (połowa liczby hurli) zwiększa się w miarę zwiększania się liczby hurli, zakres liczby głów, która ma się sumować z liczbą hurli zbliża się do 0,5 (dla rozsądnej monety).

Test ten przedstawia nam wyjątkowo regularny defekt stwierdzony w podejściu często spotykanym, na przykład zależność od efektu ubocznego badania przy okazji ponownego przeprowadzenia testu.

Aby dowiedzieć się o najczęstszych, możliwych do zmierzenia strategiach, możesz udać się na to wspaniałe seminarium na temat pomiarów infekcji.

2. Charakterystyczne niedoskonałości w częstych pomiarach

Do tej pory widzieliśmy tylko jedną niedoskonałość w pomiarach częstości. Wszystko rozważane, to tylko początek.

W dwudziestym wieku nastąpił ogromny wzrost częstości wglądów stosowanych w modelach numerycznych w celu sprawdzenia, czy jeden przykład jest unikalny w stosunku do drugiego, parametr jest na tyle znaczący, że można go zachować w modelu i różnych innych pozorach testowania teorii. Tak czy inaczej, częste pomiary znosiły pewne nadzwyczajne niedoskonałości w swojej strukturze i zrozumieniu, które stanowiły prawdziwe zmartwienie we wszystkich prawdziwych kwestiach. Na przykład:

1. wartości p oszacowane na podstawie przykładowego (stałego rozmiaru) pomiaru z pewnymi zmianami celu zatrzymującego ze zmianą celu i rozmiaru testu. tj. jeśli dwie osoby strzelają do podobnych informacji i mają charakterystyczny cel zatrzymujący, mogą otrzymać dwie różne wartości p dla podobnych informacji, co jest uciążliwe.

Na przykład: Pojedynczy A może przestać rzucać monetą, gdy suma całkowita osiągnie 100, a B zatrzyma się na 1000. Na przykład, w różnych rozmiarach, otrzymujemy różne t-shirty i charakterystyczne wartości p. Tak więc, cel do uniknięcia może zmienić się ze stałej liczby rzutów, aby dodać do terminu rzutu. Również w tej sytuacji bez wątpienia otrzymamy zróżnicowane wartości p-wyników. 2-Certainty Interim (C.I) jak p-esteem zależy w dużym stopniu od przykładowej wielkości. To sprawia, że zatrzymanie potencjału jest całkowicie absurdalne, ponieważ niezależnie od tego, ile osób przeprowadza testy na podobnych informacjach, wyniki powinny być przewidywalne. 3-Certainty Interims (C.I.) nie są obiegiem prawdopodobieństwa, dlatego też nie dają najbardziej prawdopodobnego bodźca dla danego parametru i najbardziej prawdopodobnych cech. Te trzy powody są wystarczające, aby skłonić Cię do rozważenia wad podejścia typu “frequentist” i dlaczego miałoby to być wymogiem dla metodologii bayesowskiej. Powinniśmy to odkryć.

Od tego momentu, na początku zrozumiemy podstawy Wejścia Bajesarskiego.