Просмотр исходного текста страницы Байесовский анализ

'''Байесовский анализ''' отличается от классической статистики предположением, что параметры распределений являются не постоянными, а случайными переменными. Вероятность Байеса можно легко понять, если рассматривать ее как степень уверенности в определенном событии в противоположность классическому подходу, основанному на объективных свидетельствах. Поскольку подход Байеса основан на субъективной интерпретации вероятности, то он может быть полезен при выборе решения и разработке '''сетей Байеса''' (или сетей доверия, belief nets).

Сеть Байеса представляет собой графическую модель, представляющую переменные и их вероятностные взаимосвязи. Сеть состоит из узлов, представляющих случайные переменные, и стрелок, связывающих родительский узел с дочерним узлом (родительский узел - переменная, которая непосредственно влияет на другую дочернюю переменную).

== Область применения ==
Теории и сети Байеса широко применяют по причине их интуитивной понятности и благодаря наличию соответствующего программного обеспечения. Сети Байеса применяют в различных областях: медицинской диагностике, моделировании изображений, генетике, распознавании речи, экономике, исследовании космоса и в современных поисковых системах. Они могут находить применение в любой области, где требуется установление неизвестных переменных посредством использования структурных связей и данных. Сети Байеса могут быть применены для изучения причинных связей, углубления понимания проблемной области и прогнозирования последствий вмешательства в систему.

== Входные данные ==
Входные данные для Байесовского анализа и сети Байеса подобны входным данным для [[Моделирование методом Монте-Карло|модели Монте-Карло]]. Для сети Байеса основными этапами являются:
* определение переменных системы;
* определение причинных связей между переменными;
* определение условных и априорных вероятностей;
* добавление объективных свидетельств к сети;
* обновление доверительных оценок;
* определение апостериорных доверительных оценок.

== Процесс выполнения метода ==
Теория Байеса может быть применена различными способами.

== Выходные данные ==
Байесовский подход может быть применен в той же степени, что и классическая статистика, с получением широкого диапазона выходных данных, например при анализе данных для получения точечных оценок и доверительных интервалов. Сети Байеса используют для получения апостериорных распределений. Графические представления выходных данных обеспечивают простоту понимания модели, при этом данные могут быть легко изменены для исследования корреляции и чувствительности параметров.

== Преимущества ==
* Для использования метода достаточно знание априорной информации.
* Логически выведенные утверждения легки для понимания.
* Применение метода основано на формуле Байеса.
* Метод предоставляет собой способ использования субъективных вероятностных оценок

== Недостатки ==
* Определение всех взаимодействий в сетях Байеса для сложных систем не всегда выполнимо.
* Подход Байеса требует знания множества условных вероятностей, которые обычно получают экспертными методами. Применение программного обеспечения основано на экспертных оценках.

[[Категория: Статистика]]
[[Категория:Методы оценки риска]]