Введение

Байесовские измерения продолжают оставаться неизмеримыми в светлых личностях многочисленных исследователей. Ошеломлённые невероятной интенсивностью ИИ, многие из нас оказались неверны прозрениям. Наш центр ограничился расследованием ИИ. Это правда, что это недействительно? Мы пренебрегаем пониманием того, что ИИ – не лучший способ решить настоящие проблемы. В некоторых обстоятельствах, он не помогает нам в решении проблем бизнеса, несмотря на то, что есть информация, связанная с этими проблемами. Определенно, изучение прозрений позволит вам взглянуть на сложные логические вопросы, независимо от объема информации. В 1770-х годах Томас Байес представил “Гипотезу Байеса”. Действительно, даже спустя сотни лет после этого, значение “Байесовских измерений” не размыто. На самом деле, сегодня этот вопрос изучается в невероятных глубинах в части мировых автошкол.  С этой мыслью, я сделал этого подарка помощником новичка на Байесовских Инсайтах. Я попытался прояснить идеи в упрощенном виде с помощью моделей. Раннее изучение фундаментальной вероятности и измерений привлекательно. Вам следует взглянуть на этот курс, чтобы получить исчерпывающую информацию о проницательности и вероятности. Перед завершением этой статьи вы получите полное представление о Байесовских измерениях и связанных с ними идеях

bayesian statistics, probability

Содержание

Частая статистика

Некорректные ошибки в статистике частотных случаев

байесовская статистика

Условная вероятность

Байес Теорема

Байесовский вывод

вероятностная функция Бернулли

Распределение приоритетов

Апостериорное убеждение Распределение

Тест на значимость – Частотерпица против Байесиана

р-значение

Интервалы доверия

фактор Байеса

Интервал высокой плотности (HDI)

1. Частые инсайты

Дискуссии между часто посещающими и байесами довольно долгое время посещали нежные ноги. Следовательно, необходимо понять различие между ними и то, как существует тонкая линия очертания!

Это самая распространенная преференциальная процедура в фактическом мире. На самом деле, по большому счету, это основной способ мышления, при котором человек, входящий в мир измерений, проходит мимо. Частые измерения проверяют, происходит ли случай (спекуляция) или нет. Он показывает вероятность того, что событие произойдет в течение долгого времени анализа (т.е. тест перепроверяется при аналогичных условиях для получения результата). Здесь берутся пробные тиражи фиксированного размера. В этот момент тест гипотетически пересматривается неограниченное количество раз, но в основном завершается с ожиданием остановки. Например, я разыгрываю исследование в свете ожидания остановки теста, когда он будет перерефразирован несколько раз или я вижу по крайней мере 300 голов в броске монеты.

Как насчет того, чтобы пойти дальше на этом этапе.

В настоящее время, мы рассмотрим частотные озарения, используя случай броска монеты. Цель – оценить приличия монеты. Ниже приведена таблица, говорящая о рецидиве голов:

frequentist vs bayesian, bayesian statistics, example

Мы понимаем, что вероятность получить голову при подбрасывании разумной монеты составляет 0.5. Нет. Головы говорят о реальном количестве приобретенных голов. Различием является контраст между 0.5*(No. of hurls) – нет. голов.

Необходимо отметить, что, однако, различие между реальным количеством голов и предполагаемым количеством голов (половина от количества бросков) увеличивается по мере увеличения количества бросков, степень увеличения количества голов в сумме с количеством бросков приближается к 0,5 (для разумной монеты).

Этот тест показывает нам исключительно регулярный дефект, обнаруженный при частотном подходе, например, Reliance of the aftereffect of a investigation on the occasions the test is rehashed (Зависимость от последствий расследования в случаях, когда тест перепроверяется).

Чтобы узнать о стратегиях, измеряемых врачом-частотомером, вы можете посетить этот превосходный семинар по льготным измерениям.

2. Характерные имперфекты при частотных измерениях.

До сих пор мы видели только одно несовершенство в измерениях частот. Все, что было учтено, это просто начало.

В двадцатом веке произошел огромный всплеск в области частотных измерений, применяемых к числовым моделям, чтобы проверить, является ли один пример уникальным по отношению к другому, параметр является достаточно значительным, чтобы быть сохраненным в модели и различные другие появления тестирования теории. Как бы то ни было, измерения частоты выдержал некоторые чрезвычайные недостатки в его структуре и понимании, которые представляют собой подлинную озабоченность во всех подлинных вопросов. Например:

1. p-значение, оцененное по сравнению с примером (фиксированный размер) измерения с некоторыми изменениями цели остановки с изменением прицела и тестового размера, т.е. если два человека стреляют по сходной информации и имеют отличительную цель остановки, они могут получить два различных p-значения для похожей информации, что вызывает беспокойство.

Например: Человек А может перестать бросать монету, когда суммарный подсчет достигает 100, в то время как человек Б останавливается на 1000. Например, для различных размеров мы получаем различные t-значения и отличительные p-значения. Таким образом, цель предотвращения может измениться от фиксированного числа подбрасываний к сроку подбрасывания. И в этой ситуации мы, несомненно, получим разнообразные p-значения. 2-Периодическая неопределенность (C.I.), как и p-оценка, сильно зависит от размера примера. Это делает остановочный потенциал совершенно нелепым, так как независимо от того, какое количество людей разыгрывает тесты на подобную информацию, результаты должны быть предсказуемыми. 3-Промежуточные неопределенности (C.I) не являются вероятностными тиражами, соответственно, они не дают наиболее правдоподобного стимула для параметра и наиболее вероятных качеств. Этих трех причин достаточно, чтобы заставить вас задуматься о недостатках частотного подхода и о том, почему это должно быть требованием байесовской методологии. Мы должны выяснить это.

Отсюда мы сначала постигнем зачатки байесовских инсайтов.