Bayesian inference (original) (raw)
La inferència bayesiana és una inferència estadística en la qual les proves o observacions es fan servir per actualitzar o novament per inferir la probabilitat que una hipòtesi pugui ser certa. El terme «bayesiana» prové del freqüent ús que es fa del teorema de Bayes dins el procés d'inferència.
| Property | Value |
|---|---|
| dbo:abstract | في فرع الإحصاء، الاستدلال البايزي هو نوع من الاستدلال الذي يستخدم عامل بايز لتطوير تقييم احتمالات فرضية ما بسبب اكتشاف دليل جديد. يُعتبر التطوير البايزي تقنيةً هامَّة في علم الإحصاء، وخاصةً في الإحصاء الرياضي: وتقديم الاستدلال البايزي لمنهج إحصائي يؤكد على أن هذا المنهج فعَّال كأي منهج آخر منافس له في بعض الحالات. ويُعد التطوير البايزي ذا أهمية خاصة في التحليل الديناميكي لتسلسل البيانات. والاستدلال البايزي له عدة تطبيقات في مجالات مختلفة منها: العلوم، الهندسة، الطب، وأيضًا القانون. وفي فلسفة نظرية القرار، يرتبط الاستدلال البايزي بشكل مباشر بمناظرات عن الاحتمال الذاتي، والذي غالبًا ما يطلق عليه اسم "الاحتمال البايزي." الاحتمال البايزي." الاحتمال البايزي يُقدِّم منهجًا منطقيًا لتطوير المُعتقدات؛ لكن، عوامل التطوير اللابايزي تتوافق مع مفهوم المنطقية، وذلك وفقًا لكل من إيان هاكنج (Ian Hacking)وأيضًا باس فان فراسين (Bas van Fraassen). (ar) La inferència bayesiana és una inferència estadística en la qual les proves o observacions es fan servir per actualitzar o novament per inferir la probabilitat que una hipòtesi pugui ser certa. El terme «bayesiana» prové del freqüent ús que es fa del teorema de Bayes dins el procés d'inferència. (ca) Το Συμπέρασμα του Μπέυζ είναι μια μέθοδος στη στην οποία ο χρησιμοποιείται για να αναβαθμίσει την πιθανότητα για την υπόθεση αφού η απόδειξη αποκτιέται. Το συμπέρασμα του Μπέυζ είναι αρκετά σημαντικό για τη Στατιστική, και συγκεκριμένα για τη . Η αναβάθμιση του Μπέυζ είναι αρκετά σημαντική στην . Το συμπέρασμα του Μπέυζ εφαρμόζεται σε ένα μεγάλο εύρος δραστηριοτήτων, συμπεριλαμβανομένου της επιστήμης,της μηχανικής, της φιλοσοφίας, της φαρμακευτικής, και της νομικής. Στη στη φιλοσοφία, το συμπέρασμα του Μπέυζ σχετίζεται αρκετά με την αντικειμενική πιθανότητα, και συχνά αποκαλούμενη . Η Πιθανότητα κατά Μπέυζ παρέχει μια για αναβάθμιση του διαστήματος εμπιστοσύνης. (el) Bayesian inference is a method of statistical inference in which Bayes' theorem is used to update the probability for a hypothesis as more evidence or information becomes available. Bayesian inference is an important technique in statistics, and especially in mathematical statistics. Bayesian updating is particularly important in the dynamic analysis of a sequence of data. Bayesian inference has found application in a wide range of activities, including science, engineering, philosophy, medicine, sport, and law. In the philosophy of decision theory, Bayesian inference is closely related to subjective probability, often called "Bayesian probability". (en) Inferentzia bayestarra inferentzia estatistiko mota bat da, non ebidentzia edo behaketak erabiltzen diren hipotesi bat egia izateko probabilitatea eguneratzeko edo ondorioztatzeko. «Bayestar» izena inferentzia prozesuan, Bayesen teorema maiz egiten den erabileratik dator. Bayesen teorema Thomas Bayes matematikariak egindako lanetatik atera da. Gaur egun, aplikazio-eremuetako bat erabakien teorian, ikusmen automatikoan (pertzepzioaren simulazioa orokorrean) eta ordenagailu bidezko patroien ezagutzan dago. (eu) La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia. El teorema de Bayes se ha derivado del trabajo realizado por el matemático Thomas Bayes. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión, visión artificial(simulación de la percepción en general) y reconocimiento de patrones por ordenador. (es) L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. Le raisonnement bayésien construit, à partir d'observations, une probabilité de la cause d'un type d'événements. On attribue à toute proposition de cause une valeur de sa probabilité, prise dans l'intervalle ouvert allant de 0 (contradiction, faux à coup sûr) à 1 (tautologie, vraie à coup sûr). Quand un événement possède plus de deux causes possibles, on considère une distribution de probabilité pour ces causes. Cette distribution est révisée à chaque nouvelle observation et s'affine de plus en plus. Ainsi, un diagnostic médical indique-t-il qu'une maladie plus qu'une autre est probablement à l'origine des symptômes d'un patient, et des examens renforcent ou infirment cette hypothèse. On révise de même, au vu des résultats de chaque sondage d'une campagne de prospection, la probabilité qu'il existe un gisement de pétrole à un certain endroit. Le théorème de Cox-Jaynes formalise la notion intuitive de plausibilité sous une forme numérique. Il démontre que, si les plausibilités satisfont à l'ensemble d'hypothèses qu'il propose, la seule façon cohérente de les manipuler est d'utiliser un système isomorphe à la théorie des probabilités, induisant alors une interprétation « logique » des probabilités indépendante de celle de fréquence et une base rationnelle au mécanisme d'induction logique. L'inférence bayésienne produit une probabilité qui s'interprète comme le degré de confiance à accorder à une cause hypothétique. On l'utilise pour l'apprentissage automatique en intelligence artificielle. (fr) Analisis Bayes Kerugian karena ketidakpastian biasanya dapat diperkecil bila informasi dapat dikumpulkan, sehingga pengambil keputusan dapat melakukan ramalan lebih baik. itulah sebabnya orang melakukan survei pasar, ramalan penjualan, analisis investasi, dll. kegiatan semacam itu. Berdasarkan teori keputusan, informasi tambahan yang diperoleh akan memungkinkan orang menilai kembali probabilitas, adar kerugian karena ketidakpastian dapat diperkecil. Probabilitas sebelum ada informasi tambahan disebut prior probabilities, sedangkan probabilitas yang ditentukan berdasarkan informasi tambahan disebut posterior probabilities. Untuk mengubah prior probabilities menjadi posterior probabilities diperlukan suatu mekanisme, yang disebut rumus Bayes, yaitu rumus yang dikembangkan oleh seorang biarawan Inggris bernama pada abad XVII. Rumus tersebut dapat dituliskan sebagai berikut: P adalah probabilitas, Aj sampai An adalah rangkaian kemungkinan kejadian dan B adalah tambahan informasi baru. Rumus Bayes dapat digambarkan dalam bentuk analisis tabular. Contoh: seseorang merasa bahwa probabilitas pembelian suatu saham akan menguntungkan adalah 0,4 sehingga P(menguntungkan) = 0,4, dan P(merugikan) = 0,6. Sebuah perusahan pialang saham yang kebenaran ramalannya rata-rata 80% menganjurkan agar saham tersebut dibeli. Berdasarkan informasi baru tersebut, berapakah probabilitas posterior bahwa pembeli saham tersebut akan menguntungkan. Data tersebut dapat disusun dalam bentuk tabel berikut. Dari tabel di atas dapat dilihat bahwa hanya ada dua kemungkinan hasil pembelian saham, yaitu untung atau rugi. Berdasarkan pengalaman yang lalu, hasil dari sampling menunjukkan bahwa anjuran pialang 80% benar. Dari contoh ini disimpulkan, bahwa pembelian saham ini akan rugi adalah 20%. Probabilitas semacam itu disebut probabilitas sampling. Langkah selanjutnya adalah mengalihkan setiap unsur dalam kolom 2 dengan masing-masing unsur di kolom 3. (in) ベイズ推定（ベイズすいてい、英: Bayesian inference）とは、ベイズ確率の考え方に基づき、観測事象（観測された事実）から、推定したい事柄（それの起因である原因事象）を、確率的な意味で推論することを指す。 ベイズの定理が基本的な方法論として用いられ、名前の由来となっている。統計学に応用されてベイズ統計学の代表的な方法となっている。 ベイズ推定においては、パラメータの点推定を求めることは、ベイズ確率（分布関数）を求めた後に、決められた汎関数：の値（平均値もしくは中央値など）を派生的に計算することと見なされる。 標語的には、「真値は分布する」、「点推定にはこだわらない」などの考え方に依拠している。 (ja) 베이즈 추론(Bayesian inference)은 통계적 추론의 한 방법으로, 추론 대상의 사전 확률과 추가적인 정보를 통해 해당 대상의 사후 확률을 추론하는 방법이다. 베이즈 추론은 베이즈 확률론을 기반으로 하며, 이는 추론하는 대상을 확률변수로 보아 그 변수의 확률분포를 추정하는 것을 의미한다. (ko) L'inferenza bayesiana è un approccio all'inferenza statistica in cui le probabilità non sono interpretate come frequenze, proporzioni o concetti analoghi, ma piuttosto come livelli di fiducia nel verificarsi di un dato evento. Il nome deriva dal teorema di Bayes, che costituisce il fondamento di questo approccio. Il teorema di Bayes prende a sua volta il nome dal reverendo Thomas Bayes. Ad ogni modo non è chiaro se Bayes stesso sottoscriverebbe l'interpretazione della teoria della probabilità che oggi chiamiamo bayesiana. (it) Wnioskowanie bayesowskie (statystyka bayesowska) – metoda wnioskowania statystycznego, w której korzysta się z twierdzenia Bayesa do aktualizowania prawdopodobieństwa subiektywnego hipotez w oparciu o dotychczasowe prawdopodobieństwo oraz nowe dane. Wnioskowanie bayesowskie znajduje zastosowanie w wielu dziedzinach, takich jak badania naukowe, inżynieria, filozofia, medycyna, sport czy prawo. (pl) A inferência bayesiana (IB) consiste na avaliação de hipóteses pela máxima verossimilhança, uma decorrência imediata da fórmula de Bayes, e é fundamental para métodos computacionais relacionados à inteligência, mineração de dados, ou linguística histórica, sejam eles métodos bayesianos de aprendizado de máquina (AM) ou não-bayesianos. A IB é uma extensão da estatística bayesiana e da inferência estatística para a inteligência computacional (IC), onde é sinônimo de aprendizado bayesiano (ou aprendizado de máquina bayesiano), e encontra aplicações em domínios igualmente genéricos, e.g. na biomedicina, computação em nuvem, pesquisa de algoritmos, criatividade computacional. Os resultados, em termos de classificação e regressão, por exemplo, são em muito casos satisfatórios e até difíceis de serem aprimorados, de propriedades convenientes e bem conhecidas, e constituem . As implementações básicas são adaptadas a muitos casos elaborados de IA, em detrimento do valor como baseline, mas muitas vezes com modelos já bem desenvolvidos e teoria estabelecida e profunda. Além da utilidade singular para implementações e lida com problemas reais (através da modelagem e da consideração dos dados), a IB é a simples aplicação do teorema de Bayes a hipóteses h e evidências e, i.e. do relacionamento entre as probabilidades condicionais e absolutas: (pt) Bayesiansk statistik eller bayesiansk inferens behandlar hur empiriska observationer förändrar vår kunskap om ett osäkert/okänt fenomen. Det är en gren av statistiken som använder Bayes sats för att kombinera insamlade data med andra informationskällor, exempelvis tidigare studier och expertutlåtanden, till en samlad slutledning. Metodiken har fått sitt namn efter den engelske pastorn Thomas Bayes, som presenterade satsen i en postumt utgiven artikel. Teorin bygger på ett subjektivt sannolikhetsbegrepp, där en sannolikhet representerar personlig grad av tilltro. Det gör det möjligt att använda sannolikheter för händelser som inte kan upprepas (till exempel en specifik kärnkraftsolycka) eller till och med ansätta sannolikheter till fixa naturkonstanter eller modellparametrar. Det enda som spelar roll är användarens kunskap om ett fenomen; om man inte känner till värdet av en naturkonstant så beskrivs denna osäkerhet med en sannolikhetsfördelning, oavsett om till exempel någon annan känner till värdet på naturkonstanten. Den snabba datorutvecklingen i kombination med effektiva simuleringsalgoritmer, till exempel Markov Chain Monte Carlo (MCMC), har bidragit till den bayesianska inferensens växande popularitet i praktiskt statistiskt arbete. Metodiken gör det även möjligt att använda a priori-fördelningar som regulariserar flexibla modeller för att undvika överanpassning, till exempel kan så kallade ridge- och lassoregression förklaras som bayesiansk inferens baserat på specifika a priori-fördelningar. Bayesiansk inferens leder till ett naturligt tillvägagångssätt för prediktion och beslutsfattande under osäkerhet, något som har gjort bayesianska metoder populära inom maskininlärning och artificiell intelligens. (sv) Байесовский вывод — статистический вывод, в котором свидетельство и/или наблюдение используются, чтобы обновить или вновь вывести вероятность того, что гипотеза может быть верной; название байесовский происходит от частого использования в процессе вывода теоремы Байеса, которая была выведена из работ преподобного Томаса Байеса. (ru) Ба́єсове висно́вування (англ. Bayesian inference) — це метод статистичного висновування, за яким для уточнення ймовірності гіпотези при отриманні додаткових або інформації застосовують правило Баєса. Баєсове висновування є важливим прийомом у статистиці, особливо в математичній. Баєсове уточнення є особливо важливим у динамічному аналізі послідовностей даних. Баєсове висновування знайшло застосування в широкому діапазоні галузей, включно із наукою, інженерією, філософією, медициною, спортом та правом. У філософії теорії рішень баєсове висновування тісно пов'язано із суб'єктивною ймовірністю, що її часто називають «баєсовою ймовірністю». (uk) 贝叶斯推断（英語：Bayesian inference）是推論統計的一种方法。这种方法使用贝叶斯定理，在有更多證據及信息時，更新特定假设的概率。贝叶斯推断是统计学（特別是数理统计学）中很重要的技巧之一。贝叶斯更新（Bayesian updating）在序列分析中格外的重要。贝叶斯推断應用在許多的領域中，包括科學、工程學、哲學、醫學、體育運動、法律等。在决策论的哲學中，贝叶斯推断和主觀概率有密切關係，常常稱為贝叶斯概率。 贝叶斯定理是由統計學家托馬斯·貝葉斯（Thomas Bayes）根據許多特例推導而成，後來被許多研究者推廣為一普遍的定理 (zh) |
| dbo:thumbnail | wiki-commons:Special:FilePath/Bayes_theorem_visualisation.svg?width=300 |
| dbo:wikiPageExternalLink | http://cocosci.berkeley.edu/tom/bayes.html http://webuser.bus.umich.edu/plenk/downloads.htm http://www-biba.inrialpes.fr/Jaynes/prob.html http://www.dcs.qmw.ac.uk/%7Enorman/BBNs/BBNs.htm http://www.faqs.org/faqs/ai-faq/neural-nets/part3/section-7.html https://web.archive.org/web/20060711151352/http:/psychology.berkeley.edu/faculty/profiles/tgriffiths.html https://web.archive.org/web/20110728055439/http:/stephanhartmann.org/HajekHartmann_BayesEpist.pdf https://web.archive.org/web/20110728055519/http:/stephanhartmann.org/HartmannSprenger_BayesEpis.pdf https://web.archive.org/web/20150905093734/http:/faculty-staff.ou.edu/H/James.A.Hawthorne-1/Hawthorne--Bayesian_Confirmation_Theory.pdf http://www.crcpress.com/product/isbn/9781439880326 http://jim-stone.staff.shef.ac.uk/BookBayes2012/BayesRuleBookMain.html https://archive.org/details/probabilitystati00degr_0%7Cauthor-link=Morris http://www.scholarpedia.org/article/Bayesian_statistics http://plato.stanford.edu/entries/logic-inductive/ |
| dbo:wikiPageID | 49571 (xsd:integer) |
| dbo:wikiPageLength | 64631 (xsd:nonNegativeInteger) |
| dbo:wikiPageRevisionID | 1121819128 (xsd:integer) |
| dbo:wikiPageWikiLink | dbr:Bayes_factor dbr:Bayesian_Analysis_(journal) dbr:Bayesian_approaches_to_brain_function dbr:Bayesian_epistemology dbr:Bayesian_hierarchical_modeling dbr:Bayesian_inference_in_marketing dbr:Bayesian_inference_in_motor_learning dbr:Bayesian_inference_in_phylogeny dbr:Bayesian_probability dbr:Bayesian_search_theory dbr:Bayesian_statistics dbr:Bayesian_structural_time_series dbr:Bayesian_tool_for_methylation_analysis dbc:Logic_and_statistics dbr:Prediction_interval dbr:Probability_space dbr:Science dbr:Scientific_method dbr:Metropolis–Hastings_algorithm dbr:Open_Court_Publishing_Company dbr:Probabilistic_numerics dbr:Bayes'_theorem dbr:Beyond_a_reasonable_doubt dbr:Almost_surely dbr:Antecedent_(logic) dbr:Hyperparameter dbr:Joseph_L._Doob dbr:Judea_Pearl dbr:Persi_Diaconis dbr:Reliability_(statistics) dbr:Richard_James_Boys dbr:Variance dbr:David_Miller_(philosopher) dbr:Decision_theory dbr:Dutch_book dbr:Inductive_probability dbr:Information_field_theory dbr:Inverse_probability dbr:Confidence_interval dbr:An_Essay_towards_solving_a_Problem_in_the_Doctrine_of_Chances dbc:Bayesian_inference dbr:Mean dbr:Edwin_Thompson_Jaynes dbr:Engineering dbr:George_E._P._Box dbr:Model_selection dbr:Monte_Carlo_method dbr:Monty_Hall_problem dbr:Morris_H._DeGroot dbr:Mozilla dbr:Conjugate_prior dbr:Continuous_Individualized_Risk_Index dbr:Thomas_Bayes dbr:Statistical_inference dbr:Occam's_Razor dbr:Probability_kinematics dbr:Bernstein–von_Mises_theorem dbr:Likelihood_function dbr:Lindley's_paradox dbr:Machine_learning dbr:Bogofilter dbr:Statistical_model dbr:Statistics dbr:Closed-form_expression dbr:Compound_probability_distribution dbr:Empty_set dbr:P-value dbr:Pattern_recognition dbr:Sport dbr:Student's_t-distribution dbr:Mathematical_statistics dbr:Admissible_decision_rule dbr:Central_tendency dbc:Statistical_forecasting dbr:Gambling_and_information_theory dbr:Abraham_Wald dbr:E-mail_spam dbr:Experiment dbr:Expert_witness dbr:Falsifiability dbr:Normal_distribution dbr:Parameter dbr:Celestial_mechanics dbr:Glenn_Shafer dbr:Graphical_model dbr:Gaussian_distribution dbr:Posterior_probability dbr:Prediction dbr:Prior_probability dbr:International_Society_for_Bayesian_Analysis dbr:Hypothesis dbr:Jeffreys_prior dbr:Marginal_likelihood dbr:Sampling_distribution dbr:Artificial_intelligence dbr:Jurisprudence dbr:Karl_Popper dbr:Law dbr:Binomial_distribution dbr:Bioinformatics dbr:Econophysics dbr:SpamAssassin dbr:Marginal_distribution dbr:CRM114_(program) dbr:Philosophy dbr:Phylogenetics dbr:Pierre-Simon_Laplace dbr:Posterior_predictive_distribution dbr:Solomonoff's_theory_of_inductive_inference dbr:SpamBayes dbr:Frequentist_inference dbr:Consequence_relation dbr:Ian_Hacking dbr:Independent_and_identically_distributed_random_variables dbr:Inductive_reasoning dbr:Information dbr:Naïve_Bayes_classifier dbr:Loss_function dbr:Markov_chain_Monte_Carlo dbr:Maximum_a_posteriori_estimation dbr:Maximum_likelihood dbr:Medicine dbr:Risk dbr:Vicious_circle dbr:Statistical_classification dbr:Experimental_data dbr:Expert_system dbr:Confidence_intervals dbr:DSPAM dbr:Robust_statistics dbr:Stock_market_prediction dbr:Evidence dbr:Gibbs_sampling dbr:Bayes'_rule dbr:Sequential_analysis dbr:Predictive_inference dbr:Stochastic_scheduling dbr:Frequentist dbr:Frequentist_statistics dbr:Hypothesis_testing dbr:Statistical_decision_theory dbr:Bayesian_regression dbr:Betting_odds dbr:Parameter_estimation dbr:Independent_and_identically_distributed dbr:David_A._Freedman_(statistician) dbr:Random_vector dbr:Richard_C._Jeffrey dbr:Justificationism dbr:Principle_of_insufficient_reason dbr:Prior_distribution dbr:Prior_predictive_distribution dbr:Regina_versus_Denis_John_Adams dbr:Posterior_distribution dbr:Logical_negation dbr:File:Bayes_theorem_visualisation.svg dbr:File:Bayesian_inference_archaeology_example.jpg dbr:File:Bayesian_inference_event_space.svg dbr:File:Ebits2c.png |
| dbp:id | p/b015390 (en) |
| dbp:title | Bayesian approach to statistical problems (en) |
| dbp:wikiPageUsesTemplate | dbt:Springer dbt:Authority_control dbt:Center dbt:Citation_needed dbt:Cite_book dbt:Cite_journal dbt:Cmn dbt:ISBN dbt:Main dbt:More_footnotes_needed dbt:Refbegin dbt:Refend dbt:Reference_needed dbt:Reflist dbt:See_also dbt:Sfrac dbt:Short_description dbt:When dbt:Diagonal_split_header dbt:Statistics dbt:Rs_inline dbt:Bayesian_statistics |
| dct:subject | dbc:Logic_and_statistics dbc:Bayesian_inference dbc:Statistical_forecasting |
| gold:hypernym | dbr:Method |
| rdf:type | owl:Thing dbo:Software yago:Field108569998 yago:GeographicalArea108574314 yago:Location100027167 yago:Object100002684 yago:PhysicalEntity100001930 yago:Region108630985 yago:YagoGeoEntity yago:YagoLegalActorGeo yago:YagoPermanentlyLocatedEntity yago:Tract108673395 yago:WikicatFieldsOfMathematics |
| rdfs:comment | La inferència bayesiana és una inferència estadística en la qual les proves o observacions es fan servir per actualitzar o novament per inferir la probabilitat que una hipòtesi pugui ser certa. El terme «bayesiana» prové del freqüent ús que es fa del teorema de Bayes dins el procés d'inferència. (ca) Το Συμπέρασμα του Μπέυζ είναι μια μέθοδος στη στην οποία ο χρησιμοποιείται για να αναβαθμίσει την πιθανότητα για την υπόθεση αφού η απόδειξη αποκτιέται. Το συμπέρασμα του Μπέυζ είναι αρκετά σημαντικό για τη Στατιστική, και συγκεκριμένα για τη . Η αναβάθμιση του Μπέυζ είναι αρκετά σημαντική στην . Το συμπέρασμα του Μπέυζ εφαρμόζεται σε ένα μεγάλο εύρος δραστηριοτήτων, συμπεριλαμβανομένου της επιστήμης,της μηχανικής, της φιλοσοφίας, της φαρμακευτικής, και της νομικής. Στη στη φιλοσοφία, το συμπέρασμα του Μπέυζ σχετίζεται αρκετά με την αντικειμενική πιθανότητα, και συχνά αποκαλούμενη . Η Πιθανότητα κατά Μπέυζ παρέχει μια για αναβάθμιση του διαστήματος εμπιστοσύνης. (el) Bayesian inference is a method of statistical inference in which Bayes' theorem is used to update the probability for a hypothesis as more evidence or information becomes available. Bayesian inference is an important technique in statistics, and especially in mathematical statistics. Bayesian updating is particularly important in the dynamic analysis of a sequence of data. Bayesian inference has found application in a wide range of activities, including science, engineering, philosophy, medicine, sport, and law. In the philosophy of decision theory, Bayesian inference is closely related to subjective probability, often called "Bayesian probability". (en) Inferentzia bayestarra inferentzia estatistiko mota bat da, non ebidentzia edo behaketak erabiltzen diren hipotesi bat egia izateko probabilitatea eguneratzeko edo ondorioztatzeko. «Bayestar» izena inferentzia prozesuan, Bayesen teorema maiz egiten den erabileratik dator. Bayesen teorema Thomas Bayes matematikariak egindako lanetatik atera da. Gaur egun, aplikazio-eremuetako bat erabakien teorian, ikusmen automatikoan (pertzepzioaren simulazioa orokorrean) eta ordenagailu bidezko patroien ezagutzan dago. (eu) La inferencia bayesiana es un tipo de inferencia estadística en la que las evidencias u observaciones se emplean para actualizar o inferir la probabilidad de que una hipótesis pueda ser cierta. El nombre «bayesiana» proviene del uso frecuente que se hace del teorema de Bayes durante el proceso de inferencia. El teorema de Bayes se ha derivado del trabajo realizado por el matemático Thomas Bayes. Hoy en día, uno de los campos de aplicación es en la teoría de la decisión, visión artificial(simulación de la percepción en general) y reconocimiento de patrones por ordenador. (es) ベイズ推定（ベイズすいてい、英: Bayesian inference）とは、ベイズ確率の考え方に基づき、観測事象（観測された事実）から、推定したい事柄（それの起因である原因事象）を、確率的な意味で推論することを指す。 ベイズの定理が基本的な方法論として用いられ、名前の由来となっている。統計学に応用されてベイズ統計学の代表的な方法となっている。 ベイズ推定においては、パラメータの点推定を求めることは、ベイズ確率（分布関数）を求めた後に、決められた汎関数：の値（平均値もしくは中央値など）を派生的に計算することと見なされる。 標語的には、「真値は分布する」、「点推定にはこだわらない」などの考え方に依拠している。 (ja) 베이즈 추론(Bayesian inference)은 통계적 추론의 한 방법으로, 추론 대상의 사전 확률과 추가적인 정보를 통해 해당 대상의 사후 확률을 추론하는 방법이다. 베이즈 추론은 베이즈 확률론을 기반으로 하며, 이는 추론하는 대상을 확률변수로 보아 그 변수의 확률분포를 추정하는 것을 의미한다. (ko) L'inferenza bayesiana è un approccio all'inferenza statistica in cui le probabilità non sono interpretate come frequenze, proporzioni o concetti analoghi, ma piuttosto come livelli di fiducia nel verificarsi di un dato evento. Il nome deriva dal teorema di Bayes, che costituisce il fondamento di questo approccio. Il teorema di Bayes prende a sua volta il nome dal reverendo Thomas Bayes. Ad ogni modo non è chiaro se Bayes stesso sottoscriverebbe l'interpretazione della teoria della probabilità che oggi chiamiamo bayesiana. (it) Wnioskowanie bayesowskie (statystyka bayesowska) – metoda wnioskowania statystycznego, w której korzysta się z twierdzenia Bayesa do aktualizowania prawdopodobieństwa subiektywnego hipotez w oparciu o dotychczasowe prawdopodobieństwo oraz nowe dane. Wnioskowanie bayesowskie znajduje zastosowanie w wielu dziedzinach, takich jak badania naukowe, inżynieria, filozofia, medycyna, sport czy prawo. (pl) Байесовский вывод — статистический вывод, в котором свидетельство и/или наблюдение используются, чтобы обновить или вновь вывести вероятность того, что гипотеза может быть верной; название байесовский происходит от частого использования в процессе вывода теоремы Байеса, которая была выведена из работ преподобного Томаса Байеса. (ru) Ба́єсове висно́вування (англ. Bayesian inference) — це метод статистичного висновування, за яким для уточнення ймовірності гіпотези при отриманні додаткових або інформації застосовують правило Баєса. Баєсове висновування є важливим прийомом у статистиці, особливо в математичній. Баєсове уточнення є особливо важливим у динамічному аналізі послідовностей даних. Баєсове висновування знайшло застосування в широкому діапазоні галузей, включно із наукою, інженерією, філософією, медициною, спортом та правом. У філософії теорії рішень баєсове висновування тісно пов'язано із суб'єктивною ймовірністю, що її часто називають «баєсовою ймовірністю». (uk) 贝叶斯推断（英語：Bayesian inference）是推論統計的一种方法。这种方法使用贝叶斯定理，在有更多證據及信息時，更新特定假设的概率。贝叶斯推断是统计学（特別是数理统计学）中很重要的技巧之一。贝叶斯更新（Bayesian updating）在序列分析中格外的重要。贝叶斯推断應用在許多的領域中，包括科學、工程學、哲學、醫學、體育運動、法律等。在决策论的哲學中，贝叶斯推断和主觀概率有密切關係，常常稱為贝叶斯概率。 贝叶斯定理是由統計學家托馬斯·貝葉斯（Thomas Bayes）根據許多特例推導而成，後來被許多研究者推廣為一普遍的定理 (zh) في فرع الإحصاء، الاستدلال البايزي هو نوع من الاستدلال الذي يستخدم عامل بايز لتطوير تقييم احتمالات فرضية ما بسبب اكتشاف دليل جديد. يُعتبر التطوير البايزي تقنيةً هامَّة في علم الإحصاء، وخاصةً في الإحصاء الرياضي: وتقديم الاستدلال البايزي لمنهج إحصائي يؤكد على أن هذا المنهج فعَّال كأي منهج آخر منافس له في بعض الحالات. ويُعد التطوير البايزي ذا أهمية خاصة في التحليل الديناميكي لتسلسل البيانات. والاستدلال البايزي له عدة تطبيقات في مجالات مختلفة منها: العلوم، الهندسة، الطب، وأيضًا القانون. (ar) Analisis Bayes Kerugian karena ketidakpastian biasanya dapat diperkecil bila informasi dapat dikumpulkan, sehingga pengambil keputusan dapat melakukan ramalan lebih baik. itulah sebabnya orang melakukan survei pasar, ramalan penjualan, analisis investasi, dll. kegiatan semacam itu. Berdasarkan teori keputusan, informasi tambahan yang diperoleh akan memungkinkan orang menilai kembali probabilitas, adar kerugian karena ketidakpastian dapat diperkecil. (in) L’inférence bayésienne est une méthode d'inférence statistique par laquelle on calcule les probabilités de diverses causes hypothétiques à partir de l'observation d'événements connus. Elle s'appuie principalement sur le théorème de Bayes. L'inférence bayésienne produit une probabilité qui s'interprète comme le degré de confiance à accorder à une cause hypothétique. On l'utilise pour l'apprentissage automatique en intelligence artificielle. (fr) Bayesiansk statistik eller bayesiansk inferens behandlar hur empiriska observationer förändrar vår kunskap om ett osäkert/okänt fenomen. Det är en gren av statistiken som använder Bayes sats för att kombinera insamlade data med andra informationskällor, exempelvis tidigare studier och expertutlåtanden, till en samlad slutledning. Metodiken har fått sitt namn efter den engelske pastorn Thomas Bayes, som presenterade satsen i en postumt utgiven artikel. (sv) A inferência bayesiana (IB) consiste na avaliação de hipóteses pela máxima verossimilhança, uma decorrência imediata da fórmula de Bayes, e é fundamental para métodos computacionais relacionados à inteligência, mineração de dados, ou linguística histórica, sejam eles métodos bayesianos de aprendizado de máquina (AM) ou não-bayesianos. A IB é uma extensão da estatística bayesiana e da inferência estatística para a inteligência computacional (IC), onde é sinônimo de aprendizado bayesiano (ou aprendizado de máquina bayesiano), e encontra aplicações em domínios igualmente genéricos, e.g. na biomedicina, computação em nuvem, pesquisa de algoritmos, criatividade computacional. Os resultados, em termos de classificação e regressão, por exemplo, são em muito casos satisfatórios e até difíceis de s (pt) |
| rdfs:label | Bayesian inference (en) استدلال بايزي (ar) Inferència bayesiana (ca) Συμπέρασμα του Μπέυζ (el) Inferencia bayesiana (es) Inferentzia bayestar (eu) Inférence bayésienne (fr) Analisis Bayes (in) Inferenza bayesiana (it) 베이즈 추론 (ko) ベイズ推定 (ja) Wnioskowanie bayesowskie (pl) Inferência bayesiana (pt) Bayesiansk statistik (sv) Байесовский вывод (ru) Баєсове висновування (uk) 贝叶斯推断 (zh) |
| rdfs:seeAlso | dbr:Bayesian_information_criterion dbr:Bayesian_probability |
| owl:sameAs | freebase:Bayesian inference http://d-nb.info/gnd/4144220-9 wikidata:Bayesian inference dbpedia-af:Bayesian inference dbpedia-ar:Bayesian inference http://ast.dbpedia.org/resource/Inferencia_bayesiana dbpedia-ca:Bayesian inference dbpedia-cy:Bayesian inference dbpedia-da:Bayesian inference dbpedia-el:Bayesian inference dbpedia-es:Bayesian inference dbpedia-eu:Bayesian inference dbpedia-fa:Bayesian inference dbpedia-fi:Bayesian inference dbpedia-fr:Bayesian inference dbpedia-gl:Bayesian inference dbpedia-he:Bayesian inference dbpedia-id:Bayesian inference dbpedia-it:Bayesian inference dbpedia-ja:Bayesian inference dbpedia-ko:Bayesian inference dbpedia-no:Bayesian inference dbpedia-pl:Bayesian inference dbpedia-pt:Bayesian inference dbpedia-ro:Bayesian inference dbpedia-ru:Bayesian inference dbpedia-sr:Bayesian inference http://su.dbpedia.org/resource/Inferensi_Bayes dbpedia-sv:Bayesian inference dbpedia-uk:Bayesian inference dbpedia-vi:Bayesian inference dbpedia-zh:Bayesian inference https://global.dbpedia.org/id/4yW3k |
| skos:closeMatch | http://www.springernature.com/scigraph/things/subjects/bayesian-inference |
| prov:wasDerivedFrom | wikipedia-en:Bayesian_inference?oldid=1121819128&ns=0 |
| foaf:depiction | wiki-commons:Special:FilePath/Bayes_theorem_visualisation.svg wiki-commons:Special:FilePath/Bayesian_inference_archaeology_example.jpg wiki-commons:Special:FilePath/Bayesian_inference_event_space.svg wiki-commons:Special:FilePath/Ebits2c.png |
| foaf:isPrimaryTopicOf | wikipedia-en:Bayesian_inference |
| is dbo:academicDiscipline of | dbr:Jim_Berger_(statistician) dbr:Suzanne_Aigrain |
| is dbo:knownFor of | dbr:Richard_James_Boys dbr:Jim_Berger_(statistician) dbr:Sylvia_Frühwirth-Schnatter dbr:Pierre-Simon_Laplace |
| is dbo:wikiPageRedirects of | dbr:Bayesian_Inference dbr:Bayesian_confirmation_theory dbr:Applications_of_Bayesian_inference dbr:Confirmation_theory dbr:Bayesian_Algorithms dbr:Bayesian_analyses dbr:Bayesian_investor dbr:Bayesian_learning dbr:Bayesian_method dbr:Bayesian_modeling dbr:Bayesian_statistical_analysis dbr:Bayesian_update dbr:Bayesian_updating dbr:Baysein_statistics dbr:Bayesian_analysis dbr:Bayesian_methods dbr:Screening_test_fallacy |
| is dbo:wikiPageWikiLink of | dbr:Bayes_factor dbr:Bayesian_cognitive_science dbr:Bayesian_epistemology dbr:Bayesian_experimental_design dbr:Bayesian_game dbr:Bayesian_hierarchical_modeling dbr:Bayesian_inference_in_marketing dbr:Bayesian_inference_in_motor_learning dbr:Bayesian_inference_in_phylogeny dbr:Bayesian_inference_using_Gibbs_sampling dbr:Bayesian_information_criterion dbr:Bayesian_linear_regression dbr:Bayesian_multivariate_linear_regression dbr:Bayesian_operational_modal_analysis dbr:Bayesian_probability dbr:Bayesian_programming dbr:Bayesian_regret dbr:Bayesian_statistics dbr:Bayesian_vector_autoregression dbr:Behrens–Fisher_problem dbr:Belief_revision dbr:Predictive_coding dbr:Problem_of_induction dbr:Proceratosauridae dbr:Proto-Semitic_language dbr:Przevalski's_nuthatch dbr:Robert_Matthews_(scientist) dbr:Romano_Scozzafava dbr:Rugarhynchos dbr:Sapheosaur dbr:Sarah_Bridle dbr:Sarah_Darby dbr:Scientific_method dbr:Scoring_rule dbr:Ensemble_Kalman_filter dbr:Multivariate_statistics dbr:N-gram dbr:Methylated_DNA_immunoprecipitation dbr:Pólya_urn_model dbr:One-shot_learning dbr:Particle_filter dbr:Pascal's_mugging dbr:Probabilistic_numerics dbr:Barkhale_Camp dbr:Bayes'_theorem dbr:Bayesian_Inference dbr:Bayesian_quadrature dbr:Belief dbr:David_A._Freedman dbr:Dendromaia dbr:Algorithmic_information_theory dbr:Algorithmic_probability dbr:Ansatz dbr:Anthropic_Bias_(book) dbr:Antonietta_Mira dbr:April–June_2020_in_science dbr:Aretha_Teckentrup dbr:Homo_floresiensis dbr:How_Not_to_Be_Wrong dbr:Hyloidea dbr:John_Nelder dbr:Joseph_Ó_Ruanaidh dbr:Julian_Besag dbr:Besov_measure dbr:Beta_distribution dbr:List_of_Shanti_Swarup_Bhatnagar_Prize_recipients dbr:List_of_Somerville_College,_Oxford,_people dbr:Paul_Grice dbr:Pellorneidae dbr:Regularized_least_squares dbr:Resilient_control_systems dbr:Richard_James_Boys dbr:DARPA_Grand_Challenge dbr:Visual_perception dbr:David_Ríos_Insua dbr:Decision_analysis dbr:Deep_learning dbr:Deviance_information_criterion dbr:Dunbar's_number dbr:Dynamic_causal_modeling dbr:Inductive_bias dbr:Inductive_probability dbr:Inference dbr:Influence_diagram dbr:Information_field_theory dbr:Inpainting dbr:Integrated_nested_Laplace_approximations dbr:Intuitive_statistics dbr:Inverse-chi-squared_distribution dbr:Inverse-variance_weighting dbr:Inverse_distribution dbr:Inverse_gambler's_fallacy dbr:Inverse_problem dbr:Inverted_Dirichlet_distribution dbr:Libertarianism_(metaphysics) dbr:Likelihoodist_statistics dbr:List_of_phylogenetics_software dbr:List_of_protein_secondary_structure_prediction_programs dbr:Lurdes_Inoue dbr:Multisensory_integration dbr:Seismic_inversion dbr:Numeracy dbr:Sparse_distributed_memory dbr:Protein_structure_prediction dbr:Reasoning_system dbr:Point_estimation dbr:Timeline_of_the_history_of_the_scientific_method dbr:1898_Mare_Island_earthquake dbr:Combe_Hill,_East_Sussex dbr:Conditional_independence dbr:Confidence_interval dbr:An_Essay_towards_solving_a_Problem_in_the_Doctrine_of_Chances dbr:Anatolian_languages dbr:Ancestral_reconstruction dbr:Ancient_protein dbr:Maximum_likelihood_estimation dbr:Medical_image_computing dbr:Said_Gafurov dbr:Geometric_distribution dbr:Natasha_Demkina dbr:Natural_exponential_family dbr:Mixture_model dbr:Quantum_Bayesianism dbr:Radiocarbon_calibration dbr:Timeline_of_machine_learning dbr:Timothy_J._McGrew dbr:Alexander_Gammerman dbr:Edwin_Thompson_Jaynes dbr:Energy_based_model dbr:Enhydriodon dbr:Entropy_(information_theory) dbr:Frederick_Mosteller dbr:Frédéric_Y._Bois dbr:Gambler's_fallacy dbr:Gamma_distribution dbr:Gaussian_process dbr:George_E._P._Box dbr:Gerd_Gigerenzer dbr:German_tank_problem dbr:Glossary_of_engineering:_M–Z dbr:Glossary_of_probability_and_statistics dbr:Brain-reading dbr:Mir_Masoom_Ali dbr:Mixed_graph dbr:Monte_Carlo_method dbr:NQuery_Sample_Size_Software dbr:Conditionality_principle dbr:Confidence_distribution dbr:Content_sniffing dbr:Context_effect dbr:Copernican_principle dbr:Corybas_papillosus dbr:Corybas_sanctigeorgianus dbr:Corybas_trilobus dbr:Cromwell's_rule dbr:Cross-species_transmission dbr:The_Signal_and_the_Noise dbr:The_Trundle dbr:Thomas_Anantharaman dbr:Thomas_Bayes dbr:Dalene_Stangl dbr:Equipossibility dbr:Statistical_inference dbr:Operational_modal_analysis dbr:Optimal_design dbr:Tabebuia dbr:2010_in_archaeology dbr:Andrew_Rambaut dbr:Anna_Michalak dbr:Anna_Scaife dbr:Arawakan_languages dbr:Bereitschaftspotential dbr:Bernstein–von_Mises_theorem dbr:Leo_Törnqvist dbr:Lepetodrilus dbr:Likelihood_function dbr:Lindley's_paradox dbr:Lymnaeidae dbr:MCSim dbr:Malpighiales dbr:Calibration_(statistics) dbr:Caltech_101 dbr:Statistics dbr:Sujit_Sahu dbr:Compound_probability_distribution dbr:Computational_informatics dbr:Computational_learning_theory dbr:Computational_phylogenetics dbr:Empirical_probability dbr:Feature_(machine_learning) dbr:Frank_Dellaert dbr:Full-text_search dbr:Half-normal_distribution dbr:Harmonic_mean_p-value dbr:Lepetodrilus_sp._East_Scotia_Ridge dbr:Pattern_recognition dbr:Philip_Stanhope,_2nd_Earl_Stanhope dbr:Physics dbr:Polynomial_chaos dbr:Therapeutic_drug_monitoring dbr:Transferable_belief_model dbr:Michael_C._Frank dbr:Michael_S._Landy dbr:Baer's_pochard dbr:Bruno_de_Finetti dbr:CLs_method_(particle_physics) dbr:Action_selection dbr:Adaptive_management dbr:Additive_smoothing dbr:Tibouchina dbr:Trihecaton dbr:WR_31a dbr:Whitehawk_Camp dbr:WinBUGS dbr:Wishart_distribution dbr:Dolinar_receiver dbr:Fuzzy_control_system dbr:GOFAI dbr:Gambling_and_information_theory dbr:Jerome_Cornfield dbr:Jurimetrics dbr:K-means_clustering dbr:Least-squares_support_vector_machine dbr:Mind_projection_fallacy dbr:Sexual_dimorphism_measures dbr:Paraconsistent_logic dbr:2577_Litva dbr:90377_Sedna dbr:Abram_Besicovitch dbr:Adaptive_design_(medicine) dbr:Akaike_information_criterion dbr:Amaranth dbr:Euparkeriidae dbr:Evolutionary_history_of_plants dbr:FMRIB_Software_Library dbr:Falsifiability dbr:Foundations_of_statistics dbr:Bani_K._Mallick dbr:Nicky_Best dbr:Numbers_(season_1) dbr:Oscar_Kempthorne dbr:Passenger_pigeon dbr:Causal_inference dbr:Center_for_Operations_Research_and_Econometrics dbr:Checking_whether_a_coin_is_fair dbr:Dirichlet_distribution dbr:Dirichlet_process dbr:Glossary_of_clinical_research dbr:History_of_scientific_method dbr:History_of_statistics dbr:Ka/Ks_ratio dbr:Leimkuhler–Matthews_method dbr:Bayesian_confirmation_theory dbr:List_of_Indian_Americans dbr:List_of_Python_software dbr:Nando_de_Freitas dbr:Quasi-empirical_method dbr:Scientific_evidence dbr:Variable_elimination dbr:Quantum_machine_learning dbr:Randomized_experiment dbr:Regularization_(mathematics) dbr:Relevance_vector_machine dbr:HD_11506 dbr:HD_11506_c dbr:HD_88955 dbr:HP_Autonomy dbr:Hartley_(unit) dbr:Astrostatistics dbr:Asymmetric_Laplace_distribution dbr:Invariant_estimator dbr:Iota_Arietis dbr:JASP dbr:Jacques_Drèze dbr:Jayanta_Kumar_Ghosh dbr:Jean-Pierre_Florens dbr:Bacterial_phylodynamics dbr:Tamara_Broderick dbr:Taxonomy_(biology) dbr:Counterinduction dbr:Hypnea dbr:Artificial_intelligence dbr:A_priori_probability dbr:Chaetogastra dbr:Jim_Berger_(statistician) dbr:Kevin_Knuth dbr:LaplacesDemon dbr:Binary_classification dbr:Binomial_distribution dbr:Blackboard_system dbr:Sultan_Hassan_(astrophysicist) dbr:Suzanne_Aigrain dbr:Sylvia_Frühwirth-Schnatter dbr:Coalescent_theory dbr:Cognitive_dissonance dbr:Colin_Howson dbr:Ecological_validity_(perception) dbr:Egocentric_bias dbr:Hidden_Markov_model dbr:Models_of_DNA_evolution |
| is dbp:data of | dbr:Bayesian_inference_in_phylogeny |
| is dbp:fields of | dbr:Jim_Berger_(statistician) dbr:Suzanne_Aigrain |
| is dbp:knownFor of | dbr:Sylvia_Frühwirth-Schnatter dbr:Pierre-Simon_Laplace |
| is rdfs:seeAlso of | dbr:Bayesian_approaches_to_brain_function dbr:Statistical_inference |
| is foaf:primaryTopic of | wikipedia-en:Bayesian_inference |
