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

---

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]