Coursera Learner working on a presentation with Coursera logo and

Introdução

Coursera Learner working on a presentation with Coursera logo and

Bayesian Measurements continua a permanecer imensurável nas personalidades iluminadas de numerosos investigadores. Ficando atordoados com a inacreditável intensidade da IA, muitos de nós revelamos ser infiéis a insights. Nosso centro tem se limitado a investigar a IA. É verdade que não é válido? Nós negligenciamos a compreensão de que a IA não é a melhor maneira de cuidar de questões genuínas. Em algumas circunstâncias, isso não nos ajuda a lidar com questões de negócios, apesar do fato de que há informação envolvida com essas questões. Definitivamente, a aprendizagem de insights permitirá que você dê um tiro em questões lógicas complexas, independente do tamanho da informação. Na década de 1770, Thomas Bayes apresentou a “Hipótese Bayes”. De fato, mesmo depois de centenas de anos, o significado das “Medidas Bayesianas” não se esbateu. Na verdade, hoje este ponto está sendo instruído em incríveis profundidades em uma parte das faculdades de condução do mundo. Com este pensamento, eu fiz deste presente calouro um ajudante no Bayesian Insights. Eu tentei esclarecer as idéias de uma forma simplificada com modelos. A aprendizagem anterior da probabilidade fundamental e das medidas é atraente. Você deve olhar para este curso para obter um bem exaustivo e perverso em insights e verosimilhança. Antes de terminar este artigo, você terá uma compreensão sólida das Medidas Bayesianas e suas idéias relacionadas.

Tabela de Conteúdos

Estatísticas dos Frequentistas

As Falhas Inerentes nas Estatísticas dos Frequentistas

Estatísticas Bayesianas

Probabilidade Condicional

Teorema de Bayes

Inferência Bayesiana

função de probabilidade de Bernoulli

Distribuição de Crenças Prévias

Distribuição de crenças posteriores

Teste de significância – Frequentista vs Bayesian

p-valor

Intervalos de Confiança

Fator Bayes

Intervalo de Alta Densidade (HDI)

1. Insights do Freqüentista

A discussão entre freqüentadores e bayesianos tem freqüentado os pés ternos por bastante tempo. Portanto, é imperativo compreender a distinção entre os dois e como existe uma linha de contorno esbelta!

É o procedimento inferencial mais geralmente utilizado no mundo factual. Na verdade, em geral, é a principal maneira de pensar que um indivíduo que entra no mundo das medições passa por cima. As medições frequentes testam se uma ocasião (especulação) acontece ou não. Ele calcula a probabilidade de uma ocasião no longo curso da análise (ou seja, o teste é repetido em condições semelhantes para se obter o resultado). Aqui, são tomadas as circulações de teste de tamanho fixo. Nesse ponto, o teste é hipotéticamente refazido um número ilimitado de vezes, mas basicamente terminado com uma expectativa de parada. Por exemplo, eu faço uma investigação à luz de uma expectativa de parada de que vou parar o teste quando ele for repetido várias vezes ou quando eu vir pelo menos 300 cabeças em uma moeda atirada.

Que tal irmos mais longe nesta altura.

Actualmente, vamos compreender as percepções dos frequentadores utilizando um caso de lançamento de moedas. O objetivo é avaliar a decência da moeda. O seguinte é uma tabela falando sobre a recorrência de cabeças:

Percebemos que a probabilidade de conseguirmos uma cabeça a virar uma moeda razoável é de 0,5. O número de cabeças fala do número real de cabeças adquiridas. A distinção é o contraste entre 0,5*(N.º de lançamentos) – N.º de cabeças.

Algo imperativo é tomar nota disso, no entanto a distinção entre o número real de cabeças e o número previsto de cabeças (metade do número de hurls) aumenta à medida que o número de hurls é expandido, a extensão do número de cabeças para somar o número de hurls aproxima-se de 0,5 (para uma moeda razoável).

Este teste apresenta-nos um defeito excepcionalmente regular encontrado na abordagem do frequentista, por exemplo Confiança no efeito secundário de uma investigação, nas ocasiões em que o teste é repetido.

Para conhecer as estratégias mensuráveis dos freqüentadores, você pode ir a este magnífico seminário sobre medidas inferenciais.

2. As Imperfeições Características nas Medidas Freqüentes

Até aqui, só vimos uma imperfeição nas medições dos frequentistas. Tudo considerado, é simplesmente o começo.

O século XX assistiu a um enorme recrudescimento dos conhecimentos dos frequentadores dos modelos numéricos para verificar se um exemplo é único em relação ao seguinte, se um parâmetro é suficientemente significativo para ser mantido no modelo e se existem várias outras aparências de testes teóricos. Seja como for, as medições dos frequentistas sofreram algumas imperfeições extraordinárias na sua estrutura e compreensão que representaram uma preocupação genuína em todas as questões genuínas. Por exemplo:

3. valores de p estimados contra uma medida de exemplo (tamanho fixo) com algumas mudanças de baliza de paragem com mudança de pontaria e tamanho do teste. ou seja, se duas pessoas dispararem contra informação semelhante e tiverem uma pontaria de paragem distinta, podem obter dois valores de p diferentes para informação semelhante, o que é incómodo.

Por exemplo: O indivíduo A pode parar de atirar uma moeda ao ar quando o total chegar aos 100, enquanto o B pára aos 1000. Para vários tamanhos de exemplo, obtemos diversos t-scores e p-valores distintos. Assim, o objetivo de evitar pode mudar a partir do número fixo de fichas para somar a um termo de virada. Também para esta situação, sem dúvida, obteremos diversos p-valores. 2-Certeza Interina (C.I) como p-estima depende intensamente do tamanho do exemplo. Isto torna o potencial de interrupção completamente ridículo, uma vez que independentemente do número de pessoas que fazem os testes com informações semelhantes, os resultados devem ser previsíveis. 3-Certeza Intermédios (C.I) não são circulações de probabilidade em conformidade, eles não dão o incentivo mais plausível para um parâmetro e as qualidades mais plausíveis. Estas três razões são suficientes para fazer com que se considere as desvantagens da abordagem frequentista e porque é que isso seria um requisito para a metodologia Bayesiana. Devemos descobrir isso.

A partir daqui, vamos inicialmente compreender os rudimentos do Bayesian Insights.