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 Le théorème de Bayes est utilisé pour mettre à jour la probabilité d'une hypothèse à mesure que de nouvelles preuves ou informations sont disponibles. Il s'agit d'un principe fondamental des statistiques bayésiennes. L'idée principale s'exprime ainsi : la probabilité a posteriori est proportionnelle au produit de la probabilité a priori et de la vraisemblance, p(θ|D) ∝ p(D|θ)p(θ), où θ est le paramètre et D les données.

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 fréquentialiste, qui suppose que les paramètres sont des constantes fixes inconnues et calcule la probabilité des données compte tenu de ces paramètres. L'inférence bayésienne, en revanche, fournit une distribution de probabilité pour les paramètres eux-mêmes, ce qui permet de faire des déclarations probabilistes directes à leur sujet, telles que ‘ il y a une probabilité de 95% que le paramètre se situe dans cette fourchette ’. Cette interprétabilité est un avantage clé. Le principal défi historique était d'ordre informatique : le calcul de la distribution a posteriori nécessite souvent de résoudre des intégrales complexes, un problème largement surmonté à la fin du XXe siècle grâce à 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

En raison du trafic généré par les robots de scraping, actuellement supérieur à 40 000 par jour, ce contenu est réservé aux membres de la communauté.
> Connexion < ou > Registre < (100% gratuit) pour y accéder, ainsi qu'à tous les autres contenus et outils à accès restreint.

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)

Inventions, innovations et principes techniques connexes

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