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 dónde Bayes’ theorem is used to update the probability for a hypothesis as more evidence or information becomes available. It is a central tenet of Bayesian statistics. The core idea is expressed as: posterior probability is proportional to the product of the prior probability and the likelihood, [latex]p(\theta|D) \propto p(D|\theta)p(\theta)[/latex], where [latex]\theta[/latex] is the parameter and D is the data.

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.

Este enfoque difiere fundamentalmente de la inferencia frecuentista, que asume que los parámetros son constantes fijas y desconocidas, y calcula la probabilidad de los datos dados estos parámetros. La inferencia bayesiana, en cambio, proporciona una distribución de probabilidad para los propios parámetros, lo que permite hacer afirmaciones probabilísticas directas sobre ellos, como «hay una probabilidad del 95 % de que el parámetro se encuentre en este rango». Esta interpretabilidad es una ventaja clave. El principal desafío histórico fue computacional; calcular la distribución posterior a menudo requiere resolver integrales complejas, un problema que se superó en gran medida a finales del siglo XX con la llegada de potentes ordenadores y algoritmos como 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

  • Descubrimiento automatizado de fármacos que actualiza los modelos de eficacia molecular con cada nuevo resultado experimental
  • Self-improving robotics that update motor control parameters based on trial-and-error experience
  • Personalized education software that updates its model of a student’s knowledge to tailor curriculum in real-time
  • Logística de la cadena de suministro que actualiza continuamente las previsiones de demanda en función de los datos de ventas y factores externos.
  • Cognitive models in psicología that are updated with behavioral experiment data
  • Real-time fraud detection systems that update a user’s risk profile with every transaction
  • Sistemas de agricultura inteligente que actualizan los modelos de rendimiento de los cultivos basándose en sensores de suelo y datos meteorológicos.
  • Generadores de arte de IA que refinan su estilo según los comentarios y las calificaciones de los usuarios.
  • Sistemas de seguimiento de desechos espaciales que actualizan las predicciones orbitales con nuevas observaciones de radar
  • Modelos epidemiológicos que actualizan los pronósticos de propagación de enfermedades en tiempo real durante un brote
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)

décimo año aniversario

Las imágenes en tamaño completo y las descargas solo están disponibles, de forma totalmente gratuita, para los miembros registrados.

> Acceso <