Ako sa Fisherove informácie používajú v bayesovských štatistikách?
Ahoj! Som niekto, kto pracuje pre dodávateľa Fisher, a som tu, aby som sa porozprával o tom, ako sa informácie Fisher používajú v Bayesiánskych štatistikách. Znie to trochu technicky, však? Ale verte mi, nie je to také zložité, ako sa zdá.
Poďme najprv trochu na pozadie. Bayesovská štatistika je o pravdepodobnosti a vytváraní záverov na základe existujúcich poznatkov. Spája predchádzajúce presvedčenia (naše počiatočné predstavy o niečom) s novými údajmi, aby sa dospelo k neskorším pravdepodobnostiam (aktualizované presvedčenia po zvážení nových informácií). A Fisherove informácie? No, práve tento skvelý koncept nám pomáha pochopiť, koľko informácií obsahuje vzorka údajov o neznámom parametri.


Vo svete Bayesovských štatistík hrajú Fisherove informácie dosť zásadnú úlohu. Jedným z hlavných spôsobov, ako sa to používa, je výpočet posteriornej distribúcie. Zadná distribúcia je to, o čo v Bayesovej analýze skutočne ideme – hovorí nám, aká je pravdepodobnosť rôznych hodnôt parametrov po zohľadnení našich predchádzajúcich presvedčení a nových údajov, ktoré sme zhromaždili.
Fisherove informácie nám pomáhajú kvantifikovať zakrivenie logaritmickej pravdepodobnosti. Funkcia logaritmickej pravdepodobnosti je kľúčovou súčasťou Bayesovho výpočtu. Meria, ako dobre sa údaje zhodujú s rôznymi možnými hodnotami parametrov. Zakrivenie tejto funkcie nám dáva predstavu o tom, aká je vrcholová alebo plochá. Funkcia s ostrým vrcholom znamená, že údaje sú veľmi informatívne o parametri a môžeme si byť celkom istí jeho hodnotou. Plochejšia funkcia na druhej strane znamená, že údaje nie sú také presvedčivé a je tu väčšia neistota.
Povedzme napríklad, že sa snažíme odhadnúť priemer normálneho rozdelenia. Fisherove informácie pre priemer normálneho rozdelenia súvisia s veľkosťou vzorky a rozptylom. Ak máme veľkú veľkosť vzorky a malý rozptyl, Fisherove informácie budú vysoké a naša funkcia logaritmickej pravdepodobnosti bude prudko vrcholiť. To znamená, že môžeme odhadnúť priemer s vysokou mierou spoľahlivosti.
V kontexte našich produktov Fisher, ako je naprPolohovač Fisher DVC6200, Fisherove informácie možno použiť pri kontrole kvality a monitorovaní výkonu. Keď zhromažďujeme údaje o výkone polohovadla, ako je jeho presnosť alebo čas odozvy, môžeme použiť Bayesovu štatistiku s informáciami od Fishera na aktualizáciu nášho presvedčenia o tom, ako dobre funguje.
Povedzme, že máme nejaké predchádzajúce znalosti o typickom výkone polohovača Fisher DVC6200. Na základe minulých skúseností máme predstavu o tom, aký by mal byť priemer a rozptyl jeho presnosti. Potom však začneme zbierať nové údaje zo súboru testov. Fisherove informácie z týchto nových údajov môžeme použiť na aktualizáciu našich predchádzajúcich presvedčení. Ak majú nové údaje vysoké Fisherove informácie, znamená to, že sú veľmi informatívne a naše neskoršie presvedčenia budú bližšie k tomu, čo naznačujú nové údaje.
Ďalším spôsobom využitia Fisherových informácií v Bayesovskej štatistike je výber modelu. V mnohých prípadoch máme viacero modelov, ktoré by mohli potenciálne vysvetliť naše údaje. Bayesovský výber modelu nám pomáha vybrať ten najlepší porovnaním zadnej pravdepodobnosti rôznych modelov. Fisherove informácie možno použiť na výpočet Bayesových faktorov, ktoré sú pomerom hraničných pravdepodobností rôznych modelov.
Napríklad, ak sa snažíme rozhodnúť medzi dvoma rôznymi modelmi správaniaPrevodník Fisher 846. Jeden model môže predpokladať lineárny vzťah medzi vstupom a výstupom, zatiaľ čo druhý môže predpokladať zložitejší nelineárny vzťah. Môžeme použiť Bayesovský výber modelu s informáciami od Fishera, aby sme na základe údajov, ktoré sme zhromaždili, určili, ktorý model je s väčšou pravdepodobnosťou správny.
Fisherove informácie majú vplyv aj na efektivitu Bayesovských odhadov. Efektívny odhad je taký, ktorý má najmenší možný rozptyl medzi všetkými nezaujatými odhadmi. V Bayesovej štatistike nám Fisherove informácie pomáhajú pochopiť spodnú hranicu rozptylu odhadu. Toto je známe ako dolná hranica Cramér - Rao.
Ak používame Bayesovský odhad pre parameter súvisiaci s našímI2P – 100, môžeme použiť Fisherove informácie na kontrolu účinnosti nášho odhadu. Ak je rozptyl nášho odhadu blízky dolnej hranici Cramér - Rao, znamená to, že z hľadiska odhadu parametra robíme celkom dobrú prácu.
Teraz si možno pomyslíte: "Toto všetko je skvelé, ale ako to skutočne ovplyvní mňa ako potenciálneho kupca?" Použitie Bayesovských štatistík s informáciami Fisher pri vývoji našich produktov a kontrole kvality znamená, že vám môžeme ponúknuť spoľahlivejšie a výkonnejšie produkty.
Keď použijeme tieto štatistické metódy, dokážeme lepšie rozhodovať o dizajne produktov, výrobných procesoch a zabezpečení kvality. Výsledkom sú produkty, ktoré sú presnejšie, odolnejšie a efektívnejšie. Či už potrebujete presnosť polohovača Fisher DVC6200, stabilitu prevodníka Fisher 846 alebo funkčnosť I2P - 100, môžete si byť istí, že sme použili najnovšie štatistické techniky na zabezpečenie najlepšieho možného výkonu.
Ak máte záujem dozvedieť sa viac o našich produktoch Fisher alebo máte nejaké otázky o tom, ako sa na ne vzťahujú tieto štatistické pojmy, radi sa s vami porozprávame. Či už uvažujete o nákupe v malom alebo veľkom priemyselnom projekte, sme tu, aby sme vám pomohli. Kontaktujte nás a začnite diskutovať o vašich špecifických potrebách a o tom, ako ich naše produkty dokážu splniť.
Referencie
- Gelman, A., Carlin, JB, Stern, HS, Dunson, DB, Vehtari, A., & Rubin, DB (2013). Bayesovská analýza dát (3. vydanie). Chapman a Hall/CRC.
- Fisher, RA (1922). O matematických základoch teoretickej štatistiky. Filozofické transakcie Kráľovskej spoločnosti v Londýne. Séria A, Obsahuje články matematického alebo fyzikálneho charakteru, 222, 309 - 368.
Ďalšie: Aká je značka 1734 - IE8C?
