Statistics 证据质量不确定的贝叶斯概率
假设一个贝叶斯更新程序接收到有限个信号中的一个。给他发信号的装置质量不确定。如果它是高质量的,那么信号总是关于他感兴趣的某个潜在变量的完美信号。如果是低质量的,那就是噪音 在看到信号后,他更新了关于潜在变量和证据设备质量的信念,对吗?但我不确定如何建模 我试着用两种不同的答案来看待它。 a) 他使用他关于设备质量的更新信念来形成关于基础变量的后验概率,并使用他关于基础变量的更新信念来形成关于设备质量的后验概率。这给出了一个方程组,每个方程组都有唯一的解。 b) 他在这两个变量上形成一个联合概率分布,并对其进行更新 前者给出了一些奇怪的结果,例如,如果他先前对来自高质量和低质量设备的信号分布的信念,他会向上更新他对专家质量的信念,而不管信号如何Statistics 证据质量不确定的贝叶斯概率,statistics,probability,Statistics,Probability,假设一个贝叶斯更新程序接收到有限个信号中的一个。给他发信号的装置质量不确定。如果它是高质量的,那么信号总是关于他感兴趣的某个潜在变量的完美信号。如果是低质量的,那就是噪音 在看到信号后,他更新了关于潜在变量和证据设备质量的信念,对吗?但我不确定如何建模 我试着用两种不同的答案来看待它。 a) 他使用他关于设备质量的更新信念来形成关于基础变量的后验概率,并使用他关于基础变量的更新信念来形成关于设备质量的后验概率。这给出了一个方程组,每个方程组都有唯一的解。 b) 他在这两个变量上形成一个联合概率分
后者似乎强加了一个不真实的独立性假设。我的建议是考虑变量之间的关系。其他一切都是如此 不可靠传感器的一个模型是:
p(M | V,R)p(V)p(R)
其中M
是测量值,V
是您试图测量的变量,R
是传感器的可靠性。这些变量可以是离散的,也可以是连续的,P(M | V,R)
是对当前问题有意义的变量
这种模型上的操作可以包括计算p(V,M)
,p(R,M)
,和p(V,R,M)
。以下哪项对您有用取决于您试图解决的问题
我在论文[1]的第6章研究了不可靠传感器的模型。再看一遍,第6.3节和更高版本似乎与您最相关
[1]