PL 
EnglishDomyślny
Українська⚖️ Wnioskowanie bayesowskie — prior, wiarygodność i posterior
Obserwuj, jak rozkład a posteriori beta-dwumianowy aktualizuje się na żywo wraz z nowymi obserwacjami. Wybierz jeden z czterech scenariuszy (fałszywa moneta, test medyczny, estymacja częstości, własny), zmień prior i patrz, jak 95% przedział wiarygodności przesuwa się z każdą daną.
O wnioskowaniu bayesowskim
Wnioskowanie bayesowskie to metoda rozumowania statystycznego, która aktualizuje oszacowanie prawdopodobieństwa — zwane priorem — w miarę napływu nowych dowodów, dając w efekcie rozkład a posteriori. Regułą aktualizacji jest twierdzenie Bayesa: P(θ|dane) ∝ P(dane|θ) × P(θ), gdzie θ to nieznany parametr, P(θ) to wcześniejsze przekonanie (prior), P(dane|θ) to wiarygodność (likelihood) zaobserwowania danych przy prawdziwym θ, a P(θ|dane) to rozkład a posteriori. W przeciwieństwie do statystyki częstościowej, która traktuje parametry jako stałe nieznane wartości, wnioskowanie bayesowskie traktuje je jako zmienne losowe o rozkładach prawdopodobieństwa, które są zaostrzane przez dowody.
Ten symulator wykorzystuje sprzężoną parę beta-dwumianową, idealną do estymacji proporcji. Ustaw swoje przekonanie a priori za pomocą suwaków α (wcześniejsze sukcesy) i β (wcześniejsze porażki), a następnie kliknij „Sukces” lub „Porażka”, aby dodać obserwacje. Każde kliknięcie aktualizuje rozkład a posteriori Beta(α+k, β+n−k) w czasie rzeczywistym — niebieska krzywa a priori przesuwa się i zwęża w fioletową krzywą a posteriori w miarę gromadzenia dowodów. Scenariusz „Test medyczny” wstępnie ustawia prior Beta(1,9), reprezentujący 10% częstość występowania choroby przed testem.
Najczęściej zadawane pytania
Jaka jest różnica między priorem, wiarygodnością (likelihood) i rozkładem a posteriori?
Prior P(θ) koduje Twoje przekonania o parametrze θ przed zobaczeniem jakichkolwiek danych — może pochodzić z wcześniejszych badań, wiedzy eksperckiej lub celowo neutralnego, płaskiego rozkładu. Wiarygodność P(dane|θ) to prawdopodobieństwo zaobserwowanych danych dla każdej możliwej wartości θ. Rozkład a posteriori P(θ|dane) ∝ prior × wiarygodność to Twoje zaktualizowane przekonanie po zobaczeniu danych; równoważy wcześniejszą wiedzę i zaobserwowane dowody proporcjonalnie do ich względnej siły.
Czym jest rozkład beta i dlaczego jest tu używany?
Rozkład beta Beta(α,β) jest zdefiniowany na przedziale [0,1] i w naturalny sposób reprezentuje niepewność co do prawdopodobieństwa. Jego średnia wynosi α/(α+β), a moda (estymator MAP) to (α−1)/(α+β−2) dla α,β > 1. Jest to sprzężony prior dla wiarygodności dwumianowej, co oznacza, że jeśli prior to Beta(α,β), a zaobserwujesz k sukcesów w n próbach, rozkład a posteriori to dokładnie Beta(α+k, β+n−k) — bez potrzeby całkowania numerycznego.
Dlaczego dodawanie kolejnych danych zwęża krzywą a posteriori?
Wariancja rozkładu a posteriori wynosi αβ / ((α+β)²(α+β+1)). W miarę dodawania k sukcesów i (n−k) porażek, α+β rośnie, zmniejszając wariancję — rozkład staje się bardziej skoncentrowany wokół prawdziwej proporcji. Przy wystarczającej ilości danych rozkład a posteriori staje się bardzo wąski niezależnie od priora, co odzwierciedla zasadę, że wystarczająco duże zbiory danych mogą przezwyciężyć nawet silnie błędne przekonania a priori.
Co oznacza estymator MAP?
MAP oznacza Maximum A Posteriori (maksimum a posteriori) — jest to wartość θ, która maksymalizuje gęstość rozkładu a posteriori. Dla Beta(α,β) wynosi (α−1)/(α+β−2) (dla α,β > 1). Przy priorze jednostajnym (α=β=1, odpowiadającym brakowi wcześniejszej wiedzy), MAP redukuje się do estymatora największej wiarygodności k/n — czyli po prostu zaobserwowanej proporcji. MAP jest pokazywany na wykresie jako żółta przerywana linia.
Czym jest 95% przedział wiarygodności i czy to to samo co przedział ufności?
95% przedział wiarygodności (CI) zawiera 95% masy rozkładu a posteriori — można wprost powiedzieć „istnieje 95% prawdopodobieństwo, że θ leży w tym przedziale”. Częstościowy 95% przedział ufności ma subtelniejsze znaczenie: gdyby eksperyment powtórzono wiele razy, 95% obliczonych przedziałów zawierałoby prawdziwy, stały parametr. Dla dużych prób oba są liczbowo podobne, ale ich interpretacje zasadniczo się różnią.
Czym jest sprzężony prior i dlaczego jest przydatny?
Sprzężony prior to rozkład a priori, którego forma funkcyjna jest zachowana po pomnożeniu przez wiarygodność: rozkład a posteriori należy do tej samej rodziny parametrycznej. Dla wiarygodności dwumianowej sprzężonym priorem jest rozkład beta; dla Poissona — rozkład gamma; dla rozkładu Gaussa o znanej wariancji — inny rozkład Gaussa. Sprzężoność pozwala uniknąć całkowania numerycznego, dając analitycznie dokładną i błyskawiczną aktualizację rozkładu a posteriori w formie zamkniętej.
Jak działa scenariusz testu medycznego?
Ustawienie wstępne „Test medyczny” ustawia α=1, β=9, reprezentując wcześniejszą częstość występowania choroby ~10%. Każde kliknięcie „Sukces” reprezentuje pozytywny wynik testu. Jeśli test ma czułość 90% i swoistość 95%, pozytywny wynik powinien znacznie podnieść rozkład a posteriori. Ten scenariusz ilustruje błąd bazowej częstości (base-rate fallacy): nawet bardzo dokładny test zastosowany do rzadkiej choroby daje wiele fałszywych wyników pozytywnych, ponieważ wcześniejsze prawdopodobieństwo choroby jest niskie — kluczowe pojęcie w polityce badań przesiewowych.
Czym jest aktualizacja bayesowska i jak działa sekwencyjnie?
Aktualizacja bayesowska to proces wykorzystywania dzisiejszego rozkładu a posteriori jako jutrzejszego priora. Jeśli zaobserwujesz 3 orły z 5 rzutów, rozkład a posteriori to Beta(1+3, 1+2) = Beta(4,3). Jeśli następnie zaobserwujesz 2 kolejne orły z 4 rzutów, aktualizujesz do Beta(4+2, 3+2) = Beta(6,5). Wynik końcowy jest identyczny z obliczeniem rozkładu a posteriori dla wszystkich 9 rzutów naraz — sekwencyjne i wsadowe wnioskowanie bayesowskie są dowiedlnie równoważne, o ile obserwacje są niezależne.
Kiedy powinienem użyć priora informacyjnego, a kiedy nieinformacyjnego?
Użyj priora nieinformacyjnego (płaskiego lub słabo informacyjnego), gdy masz niewiele wcześniejszej wiedzy i chcesz, by rozkład a posteriori był zdominowany przez dane — w tym symulatorze to Beta(1,1). Użyj priora informacyjnego, gdy masz rzeczywistą wcześniejszą informację (np. z metaanalizy), która powinna wpływać na wnioski nawet przy małych zbiorach danych. W badaniach klinicznych regulatorzy czasem wymagają wcześniejszej rejestracji priorów, aby zapobiec „łowieniu” rozkładu a posteriori — wybieraniu priora po zobaczeniu danych w celu uzyskania pożądanego wyniku.
Jaki jest częstościowy odpowiednik bayesowskiej estymacji rzutu monetą?
Częstościowy estymator największej wiarygodności (MLE) dla prawdopodobieństwa orła to po prostu k/n — zaobserwowana proporcja. Częstościowy 95% przedział ufności wynosi w przybliżeniu p̂ ± 1,96 × √(p̂(1−p̂)/n). Bayesowska średnia a posteriori wynosi (α+k)/(α+β+n), co równa się MLE tylko dla priora jednostajnego (α=β=1) przy dużym n. Dla małych prób podejście bayesowskie w naturalny sposób regularyzuje estymator w stronę priora, unikając przeuczenia na skąpych danych.
Dodawaj obserwacje i obserwuj, jak rozkład a posteriori beta-dwumianowy aktualizuje się na żywo — wybierz scenariusz, dostosuj prior i zobacz, jak przesuwa się 95% przedział wiarygodności.
3D · Three.js / WebGL renderer · 60 FPS target · runs fully client-side, no install