Бейсова вероятност - Редакционна история

Detelina Staneva: /* Подход */

2014-01-03T14:14:15Z

Подход

Detelina Staneva: /* История */

2014-01-03T14:12:38Z

История

Detelina Staneva в 14:11, 3 януари 2014

2014-01-03T14:11:25Z

Показване на промените

Detelina Staneva: /* Същност на бейсовия подход */

2014-01-03T14:08:43Z

Същност на бейсовия подход

Detelina Staneva в 14:06, 3 януари 2014

2014-01-03T14:06:30Z

Detelina Staneva в 13:54, 3 януари 2014

2014-01-03T13:54:32Z

Показване на промените

Detelina Staneva: /* Вижте още */

2014-01-03T13:42:52Z

Вижте още

Detelina Staneva: /* Вижте още */

2014-01-03T13:35:01Z

Вижте още

Detelina Staneva: /* Вижте още */

2014-01-03T13:26:42Z

Вижте още

Detelina Staneva: /* История */

2012-05-23T17:37:01Z

История

@@ Ред 25: / Ред 25: @@
 където ∝ е знак за [[пропорционалност]].
-Този запис  на формулата на Бейс съдържа ключовите елементи за анализа. Членът f(x|µ) е добре познатата ни функция на правдоподобие, която в разглеждания от нас пример се задава с първата [[формула]] която въведохме. Членът f(µ) се нарича ''[[априорна плътност]] ''на параметъра µ. Априорната плътност съдържа предварителната (преди провеждане на експеримента) [[информация]] за стойнoстите на параметъра µ. Тази информация може да отразява чисто субективни убеждения (подобно на дадените по-горе примери), но може да бъде формирана например и на база теоретични резултати или информация от подобни експерименти, които са били провеждани в миналото. Условната плътност f(µ|x) се нарича ''апостериорно разпределение ''на µ. [[Апостериорно разпределение|Апостериорното разпределение]] посредством формулата на Бейс обединява експерименталната и неексперименталната информация за стойностите на параметъра µ и именно оттам са влезли в употреба понятия като „Бейсов анализ” и „Бейсова статистика”. Изразът в (3) отдясно на знака за пропорционалност понякога се нарича ''ядро ''на апостериорната плътност. Ясно е, че горните принципи остават в сила и за многомерния случай. Последната формула може да се разглежда като формален [[механизъм]] за ревизиране на някаква [[извънекспериментална информация]] с помощта на емпирични данни. [[алтернатива|Алтернативно]] тя може да бъде интерпретирана и като начин в емпиричния статистически анализ да бъде вкарана допълнителна информация като [[теория|теоретични]] резултати или експертен опит. И в двата случая основен проблем е как наличната информация да бъде [[код]]иранa с помощта на априорната плътност. За това съществуват различни варианти, по-сложните от които например са базирани на итеративни сесии с групи от експерти, чиито мнения последователно се [[ревизия|ревизират]] и обобщават. В най-стандартния случай се действа по-просто, като се избира клас разпределения според типа [[параметър]] (например нормално за параметър без [[ограничение|ограничения]], гама за положителен параметър, бета за параметър между 0 и 1 и т.н.) и от този клас се избира представител с необходимите [[характеристикa|характеристики]] (например подходяща средна, която да отразява стойността на параметъра, считана от нас за най-достоверна, и подходяща дисперсия, която да отразява несигурността ни за достоверността на нашата преценка).
+Този запис  на формулата на Бейс съдържа ключовите елементи за анализа. Членът f(x|µ) е добре познатата ни функция на правдоподобие, която в разглеждания от нас пример се задава с първата [[формула]] която въведохме. Членът f(µ) се нарича ''[[априорна плътност]] ''на параметъра µ. Априорната плътност съдържа предварителната (преди провеждане на експеримента) [[информация]] за стойнoстите на параметъра µ.
 ==История==

@@ Ред 29: / Ред 29: @@
 ==История==
-Откривател на Бейсовата верочтност е [[Пиер-Симон Лаплас]] (1749-1827), който въвежда обща версия на теоремата и я използва за подход при проблемите в небесната механика , медицинска статистика, надеждността , както и съдебната практика . Изводът на Бейс, се нарича "обратна вероятност "(тъй като той прави извод назад от наблюдения на параметрите, свързани с последствията ).  След 1920 година, "обратната вероятност" до голяма степен измества останалите [[метод]]и и започва да се нарича обикновена (frenquentist) [[статистика]] .
+Откривател на Бейсовата верочтност е [[Пиер Симон Лаплас]] (1749-1827), който въвежда обща версия на теоремата и я използва за подход при проблемите в небесната механика , медицинска статистика, надеждността , както и съдебната практика . Изводът на Бейс, се нарича "обратна вероятност "(тъй като той прави извод назад от наблюдения на параметрите, свързани с последствията ).  След 1920 година, "обратната вероятност" до голяма степен измества останалите [[метод]]и и започва да се нарича обикновена (frenquentist) [[статистика]] .
 През 20-ти век, идеите на Лаплас са доразвити в две различни посоки, което води до обективни и субективни течения в Бейс практиката.  В обективния поток  на статистическия анализ зависимостта е от самия модел и анализираните данни. Никакви субективни решения не трябва да бъдат включвани.  За разлика от "subjectivist" (субективистите), статистиците отричат съществуването на изцяло обективен [[анализ]] за общия случай.

@@ Ред 17: / Ред 17: @@
 През 1980 г.  има значително нарастване на научните изследвания и приложения на Бейс, което се дължи  най-вече на откриването на  веригата от [[Монте Карло]] методи, с която се премахват много от изчислителните проблеми и интересът към нестандартните, сложни приложения става все по-голям. Въпреки растежа на популярността на Бейс [[изследване|изследванията]], при повечето студенти обучението е все още на базата на стандартната статистика. Независимо от това, Бейс методите са широко признати и използвани (например в областта на машинното обучение).
-===Същност на бейсовия подход===
+===Подход===
 Щом за наблюдаваните данни се приема, че са [[генериране|генерирани]] от някакъв вероятностен механизъм, а неизвестният [[параметър]] (параметри) на модела се третира като случайна [[величина]] поради използването на субективна вероятност, то за наличната [[извадка]]

@@ Ред 1: / Ред 1: @@
 [[Image:thomas_bayes_1.jpg|thumb|right|alt=Thomas Bayes.|Томас Бейс]]
-'''Бейсовата вероятност''' е една от '''типичните представители на [[теория]]та на вероятностите''' за изчисляване степента на определеност на твърденията.
+'''Бейсовата вероятност''' е една от '''типичните представители на теорията на [[вероятност]]ите''' за изчисляване степента на определеност на твърденията.
 ==Същност==

@@ Ред 280: / Ред 280: @@
 * [[Вероятност]]
 *[[Бейс формула]]
 ==Източници ==

@@ Ред 277: / Ред 277: @@
 ==Вижте още ==
-* [[Бейс експеримент]]
+* [[Томас Бейс]]
 * [[Бейс извод]] - статистическия извод и методите, които използват Бейс вероятност
 * [[Бейс Кеплер periodogram]] - метод, използван за намиране на нови екзопланети
 * [[Бейс мрежа]] - Бейс мотивите за множество променливи в присъствието на условно independencies
 * [[Бертран парадокс]] : парадокс в класическата вероятност, решен с Bayesian методи
 * [[Очаквана полезност]]
 * [[De Finetti игра]] - процедура за оценка на субективните вероятности
 * [[Честота на вероятностите]] - основната алтернатива на Бейс

@@ Ред 23: / Ред 23: @@
 През 20-ти век, идеите на Лаплас са доразвити в две различни посоки, което води до обективни и субективни течения в Бейс практиката.  В обективния поток  на статистическия анализ зависимостта е от самия модел и анализираните данни. Никакви субективни решения не трябва да бъдат включвани.  За разлика от "subjectivist" (субективистите), статистиците отричат съществуването на изцяло обективен [[анализ]] за общия случай.
-През 1980 г.  има значително нарастване на научните изследвания и приложения на Бейс, което се дължи  най-вече на откриването на  веригата от [[Монте Карло]] методи, с която се премахват много от изчислителните проблеми и интересът към нестандартните, сложни приложения става все по-голям. Въпреки растежа на популярността на Бейс [[изследвания]]та,при повечето студенти обучението е все още на базата на стандартната статистика. Независимо от това, Бейс методите са широко признати и използвани (например в областта на машинното обучение).
+През 1980 г.  има значително нарастване на научните изследвания и приложения на Бейс, което се дължи  най-вече на откриването на  веригата от [[Монте Карло]] методи, с която се премахват много от изчислителните проблеми и интересът към нестандартните, сложни приложения става все по-голям. Въпреки растежа на популярността на Бейс [[изследване|изследванията]], при повечето студенти обучението е все още на базата на стандартната статистика. Независимо от това, Бейс методите са широко признати и използвани (например в областта на машинното обучение).
 ===Обосновка на Бейс вероятностите ===