Was ist bayesische Wahrscheinlichkeit?

Bayesische Wahrscheinlichkeit ist eine Annäherung zu den Statistiken und zu Folgerung, die Ansichtwahrscheinlichkeiten als Wahrscheinlichkeiten eher als Frequenzen dieser sind. Es gibt zwei Primärschulen der bayesischen Wahrscheinlichkeit, der Subjectivistschule und der objectivist Schule, die Wahrscheinlichkeiten ansehen, wie subjektiv und Zielsetzung beziehungsweise. Die subjektive Schule ansieht bayesische Wahrscheinlichkeit als subjektive Zustände des Glaubens e, während die objectivist Schule, gegründet von Edwin Thompson Jaynes und Sir Harold Jeffreys, bayesische Wahrscheinlichkeiten ansieht, wie objektiv gerechtfertigt und in der Tatsache die einzige Form der Folgerung, die logisch gleich bleibend ist. In der objectivist Schule angesehen bayesische Wahrscheinlichkeit als Ausdehnung von Aristotelian Logik.

Die heutige Begeisterung mit bayesischen Methoden anfing herum 1950 m, als Leute anfingen, Unabhängigkeit vom schmaleren frequentist System zu suchen, das sieht Wahrscheinlichkeiten als Frequenzen sagen wir „1 in Wahrscheinlichkeit 10.“ Bayesische Statistiker ansehen anstatt Wahrscheinlichkeiten als Wahrscheinlichkeiten sagen wir eine „10% Wahrscheinlichkeit.“. Bayesians hervorheben den Wert von Bayes Theorem, ein formales Theorem eorem, das ein steifes Wahrscheinlichkeits-Verhältnis zwischen den bedingten und begrenzten Wahrscheinlichkeiten von zwei gelegentlichen Ereignissen prüft. Bayes Theorem setzt großes Hauptgewicht auf der vorherigen Wahrscheinlichkeit eines gegebenen Ereignisses -- zum Beispiel bei der Bewertung gründete die Wahrscheinlichkeit, dass ein Patient Krebs hat, auf einem positiven Testergebnis, man muss sicher sein, die Hintergrundwahrscheinlichkeit zu berücksichtigen, dass jede gelegentliche Person Krebs überhaupt hat.

Kursteilnehmer der bayesischen Wahrscheinlichkeit veröffentlicht Tausenden Papiere, welche die weiteren und manchmal unintuitive Konsequenzen Bayes von Theorem und von bezogenen Theoremen entwirren. Zum Beispiel eine Firma betrachten prüft seine Angestellten auf Opiumgebrauch und der Test ist 99%, das empfindlich ist und das 99% Besondere, es bedeutend kennzeichnet richtig einen Drogenbenutzer 99% der Zeit und des Nichtbenutzers 99% der Zeit. Wenn die Hintergrundwahrscheinlichkeit irgendeines gegebenen Angestellten, der im Opiumgebrauch engagiert, nur 0.5% ist, zeigt die Verstopfung der Zahlen in Bayes Theorem, dass ein positiver Test auf jedem möglichem gegebenen Angestellten nur eine Wahrscheinlichkeit gibt, dass sie ein Drogenbenutzer von 33% sind. Wenn die Hintergrundausdehnung der Qualität, die auf geprüft, sehr niedrig ist, können zahlreiche falsche Positive resultieren, selbst wenn Empfindlichkeit und Besonderheit des Tests hoch ist. In der medizinischen Welt verursachen faule Deutungen der Wahrscheinlichkeit durch Doktoren gesunden Patienten ein hohes Maß Bedrängnis routinemäßig, wenn sie prüfen, Positiv auf gefährliche Krankheiten aber nicht die Fehlermarge berücksichtigen.