Product Design, Manufacturing & Innovation Resources
Hogar » Inferencia bayesiana

Inferencia bayesiana

1812
  • Pierre-Simon Laplace
Erudito del siglo XIX calculando la inferencia bayesiana en un escritorio de madera con pergamino.

(Imagen generada únicamente con fines ilustrativos)

La inferencia bayesiana es una estadística método donde el teorema de Bayes se utiliza para actualizar la probabilidad de una hipótesis a medida que se dispone de más evidencia o información. Es un principio fundamental de la estadística bayesiana. La idea central se expresa como: la probabilidad posterior es proporcional al producto de la probabilidad previa y la verosimilitud, [latex]p(theta|D) propto p(D|theta)p(theta)[/latex], donde [latex]theta[/latex] es el parámetro y D son los datos.

Bayesian inference treats model parameters as random variables about which we can have beliefs. The process begins with a ‘prior’ probability distribution, [latex]p(\theta)[/latex], which encapsulates our knowledge or uncertainty about a parameter [latex]\theta[/latex] before observing any data. When data [latex]D[/latex] is collected, its probability of occurring given the parameter, known as the ‘likelihood’ [latex]p(D|\theta)[/latex], is calculated. Bayes’ theorem then combines the prior and the likelihood to produce the ‘posterior’ distribution, [latex]p(\theta|D)[/latex]. This posterior distribution represents our updated knowledge about the parameter after accounting for the data.

This approach fundamentally differs from frequentist inference, which assumes parameters are fixed, unknown constants and calculates the probability of data given these parameters. Bayesian inference, in contrast, provides a probability distribution for the parameters themselves, which allows for direct probabilistic statements about them, such as ‘there is a 95% probability that the parameter lies in this range.’ This interpretability is a key advantage. The main historical challenge was computational; calculating the posterior often requires solving complex integrals, a problem largely overcome in the late 20th century with the advent of powerful computers and algorithms like MCMC.

UNESCO Nomenclature: 1208
- Estadísticas

Tipo

Sistema abstracto

Ruptura

Fundacional

Uso

Uso generalizado

Precursores

  • Teorema de Bayes
  • teoría de la probabilidad
  • Desarrollo de la teoría de la verosimilitud por RA Fisher

Aplicaciones

  • Estimación de parámetros en modelos científicos
  • Pruebas A/B en desarrollo web y marketing
  • Reconstrucción de árboles filogenéticos en biología
  • Cuantificación de la incertidumbre en sistemas complejos
  • Reconstrucción de imágenes y procesamiento de señales
  • Inteligencia artificial y sistemas expertos

Patentes:

NA

Ideas para posibles innovaciones

Debido al bloqueo del tráfico generado por bots, que actualmente supera los 40.000 al día, este contenido está reservado para los miembros de la comunidad.
> Iniciar sesión < o > Registrarse < (100% gratis) para acceder a esto, al igual que a todo el demás contenido y herramientas restringidos.

Relacionado con: inferencia bayesiana, distribución posterior, distribución previa, función de verosimilitud, modelado estadístico, estimación de parámetros, incertidumbre, evidencia, actualización de creencias, MCMC.

Contexto histórico

Inferencia bayesiana

1758
1777
1799
1812
1822
1827
1829
1750
1763-12-23
1780
1805
1822
1822
1828
1848

(Si la fecha es desconocida o no es relevante, por ejemplo "mecánica de fluidos", se proporciona una estimación redondeada de su aparición notable)

Invención, innovación y principios técnicos relacionados.

Las imágenes a tamaño completo y las descargas sólo están disponibles, 100% gratis, para los miembros registrados.

> Acceso <