XKCD的改进的贝叶斯定理:实际上有点合理吗?


81

我知道这是出自以利用某些分析倾向而闻名的漫画,但是经过几分钟的凝视,它实际上看起来有点合理。谁能为我概述这个“ 改进的贝叶斯定理 ”在做什么?



50
@Tschallacka是什么让您觉得Randall这么写的?
kasperd

16
@Tschallacka除非有任何作者是Randall本人,否则并非如此。
SQB

但是,面对更多的证据,您是否不应该对P(C)应用贝叶斯定理来更新其值?
Yakk

1
我很确定只是一个有趣的添加。P(C)
伊恩·麦克唐纳

Answers:


107

通过分布项,我们得到 我们可以将其解释为对事件 “您正确使用贝叶斯统计量”的总概率定律。因此,如果您正确使用了贝叶斯统计量,那么您将恢复贝叶斯定律(上面的左部分),如果您没有使用贝叶斯定律,那么您将忽略数据,而仅对使用您的先验。P(H)

P(H|X)=P(X|H)P(H)P(X)P(C)+P(H)[1P(C)],
C=H

我想这是反对的批评,因为批评原则上贝叶斯主义者可以调整先验以支持他们想要的任何结论,而贝叶斯主义者则认为这并不是贝叶斯统计学真正起作用的方式。

(是的,您确实成功地进行了窥视。尽管我既不是数学家也不是物理学家,所以我不确定我值得多少分。)


60
上面的公式中嵌入了一个聪明的笑话,即如果您没有正确使用贝叶斯统计信息,则您的推论将完全独立于事实。
悬崖AB

25
希望您在穿越繁忙的街道时不要输入答案。我不会参与其中……
eric_kernfeld '18 -10-16

6
上面描绘的那种贝叶斯不是贝叶斯统计学家,而是贝叶斯律师
Kjetil B halvorsen 18-10-16

4
@CliffAB我不知道我是否会说一个聪明的笑话或自然法则。
eric_kernfeld

7
@CLiffAB您的意思是“您的后验(通过此公式计算)独立于证据”吗?
累计

31

信不信由你,这种类型的模型会时不时地在非常严重的统计模型中弹出,尤其是在处理数据融合时,即试图合并来自多个传感器的推理,从而试图对单个事件进行推理。

如果传感器发生故障,则在尝试组合来自多个源的信号时,可能会大大推论推论。您可以通过包括一个很小的可能性,使传感器仅传输随机值,而与实际的实际事件无关,从而使模型对此问题更稳健。这具有这样的结果是,如果传感器90指示弱是真实的,但1个传感器强烈表明是真实的,但我们仍然需要断定ABA是正确的(即,当我们意识到它与所有其他传感器相矛盾时,一个传感器未点火的后发概率很高)。如果故障分布与我们要推论的参数无关,那么如果它是故障的后验概率很高,则来自该传感器的测度对目标参数的后验分布影响很小;实际上,如果后验失败概率为1,则表示独立。

这是推理时应该考虑的通用模型吗,即在进行贝叶斯统计时是否应将贝叶斯定理替换为修正贝叶斯定理?不。原因是“正确使用贝叶斯统计信息”实际上不只是二进制(或者如果是,则始终为假)。任何分析都会有一定程度的错误假设。为了使您的结论与数据完全独立(公式暗示),您需要犯下极其严重的错误。如果在任何程度上 “错误地使用贝叶斯统计” 意味着您的分析完全独立于事实,那么使用统计将完全毫无价值。所有模型都是错误的,但是有些模型很有用。


5
我猜我们很幸运地发现传感器的静态故障模式是另一种极端。但是,噪声压榨要困难得多。发现传感器工作正常并且接收到的值是错误的,这真的很烦,因为电线的行为就像天线一样。
约书亚

@Joshua希望有一天,我将有时间适当地学习针对此类情况的Kalman滤波(或者也许有人会写出一个出色的SE答案以使所有事情变得清晰起来?)。
mbrig

@约书亚:我相信你在想一个比我更具体的模型。很好地描述故障分布可以改善推断,但是对于非常模糊的故障分布,这些仍然很有帮助。例如,假设我们想对参数进行推断,并且如果它起作用测量的传感器为。我们可以包括一个很小的概率,即失效时的。如果传感器与所有其他传感器强烈不同,则发生故障的后验概率会很高。Ñ 一个 μ 1 d ˚F = 10 μiN(aiμ,1)t(df=10)i
Cliff AB
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.