Product Design, Manufacturing & Innovation Resources
Maison » Inférence bayésienne

Inférence bayésienne

1812
  • Pierre-Simon Laplace
Un érudit du XIXe siècle calculant une inférence bayésienne sur un bureau en bois avec un parchemin.

(Image générée à titre d'illustration uniquement)

L'inférence bayésienne est une statistique méthode où 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.

L'inférence bayésienne traite les paramètres du modèle comme des variables aléatoires sur lesquelles nous pouvons avoir des croyances. Le processus commence par une distribution de probabilité ‘ a priori ’, [latex]p(\theta)[/latex], qui résume nos connaissances ou nos incertitudes concernant un paramètre [latex]\theta[/latex] avant d'observer des données. Lorsque les données [latex]D[/latex] sont collectées, leur probabilité d'occurrence compte tenu du paramètre, appelée ‘ vraisemblance ’ [latex]p(D|\theta)[/latex], est calculée. Le théorème de Bayes combine ensuite la distribution a priori et la vraisemblance pour produire la distribution ’ a posteriori ‘, [latex]p(\theta|D)[/latex]. Cette distribution a posteriori représente nos connaissances actualisées sur le paramètre après prise en compte des données.

Cette approche diffère fondamentalement de l'inférence fréquentiste, qui suppose que les paramètres sont des constantes fixes et inconnues et calcule la probabilité des données étant donné ces paramètres. L'inférence bayésienne, au contraire, fournit une distribution de probabilité pour les paramètres eux-mêmes, ce qui permet des énoncés probabilistes directs à leur sujet, tels que « il y a 95 % de chances que le paramètre se situe dans cet intervalle ». Cette interprétabilité constitue un avantage clé. Le principal défi historique était d'ordre computationnel ; le calcul de la distribution a posteriori nécessite souvent la résolution d'intégrales complexes, un problème largement surmonté à la fin du XXe siècle avec l'avènement d'ordinateurs puissants et d'algorithmes tels que… MCMC.

UNESCO Nomenclature: 1208
- Statistiques

Taper

Système abstrait

Perturbation

Fondamentaux

Usage

Utilisation généralisée

Précurseurs

  • Théorème de Bayes
  • Théorie des probabilités
  • Développement de la théorie de la vraisemblance par RA Fisher

Applications

  • Estimation des paramètres dans les modèles scientifiques
  • Tests A/B en développement web et marketing
  • Reconstruction d'arbres phylogénétiques en biologie
  • Quantification de l'incertitude dans les systèmes complexes
  • Reconstruction d'images et traitement du signal
  • Intelligence artificielle et systèmes experts

Brevets:

NA

Idées d'innovations potentielles

  • Découverte automatisée de médicaments qui met à jour les modèles d'efficacité moléculaire à chaque nouveau résultat expérimental
  • Self-improving robotics that update moteur 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
  • Logistique de la chaîne d'approvisionnement qui met à jour en permanence les prévisions de la demande en fonction des données de vente et des facteurs externes
  • Cognitive models in psychologie that are updated with behavioral experiment data
  • Real-time fraud detection systems that update a user’s risk profile with every transaction
  • Systèmes d'agriculture intelligente qui mettent à jour les modèles de rendement des cultures en fonction des données des capteurs de sol et des données météorologiques
  • Générateurs d'art par IA qui affinent leur style en fonction des commentaires et des évaluations des utilisateurs
  • Les systèmes de suivi des débris spatiaux mettent à jour les prévisions orbitales grâce aux nouvelles observations radar.
  • Modèles épidémiologiques qui mettent à jour en temps réel les prévisions de propagation de la maladie lors d'une épidémie
En rapport avec : inférence bayésienne, distribution a posteriori, distribution a priori, fonction de vraisemblance, modélisation statistique, estimation des paramètres, incertitude, preuve, mise à jour des croyances, MCMC.

Contexte historique

Inférence bayésienne

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

(si la date est inconnue ou non pertinente, par exemple « mécanique des fluides », une estimation arrondie de son émergence notable est fournie)

10e année anniversaire

Les images en pleine résolution et les téléchargements sont uniquement disponibles, et 100% gratuits, pour les membres inscrits.