2 Ağustos 2017 Çarşamba

Bayes Theorem Examples / Scott Hartshorn / 2016 / kitap ozeti

Bayes Teorisi parametrelerin etkilesimini ongormeyi hedefliyor. Olasilik hesabidir. Bugunun kaotik dunyasinda dogrusal programlama - optimizasyon - tahmin gibi teknikleri kullananlar icin belki bir iyilestirme firsati saglayabilir.

Ilk olayin olasiligi ile basliyoruz, pesinden ikinci olayin olasiligi carpilarak devreye giriyor ve sonunda kabaca agirlikli ortalama aliyoruz. Elbette turlu cesit incelik var. Kitapta yer verilen orneklere kisaca deginmek isterim:

Ornek 1: degisik sayida (4-6-8) yuzu olan 3 zar var, rastgele secilen biri atiliyor ve 2 geliyor, 6 yuzlu zarin atilma olsiligi nedir? .... Bu soru satilan bir urunun hangi magazadan ciktigini sormaya benziyor.

Ornek 2: Daha cok zar, daha cok atis.... Bu da hangi medyanin tanitimda daha etkili oldugunu sormaya benziyor.

Ornek 3: Yazi tura atiyoruz, para hileli mi? .... Bu da optimizasyon veya tahminde kullandigimiz parametrelerin dogrulugunu sorgulamaya benziyor.

Ornek 4: Cok zar ve hatali veri var.... Bu da gayet gercek hayat tinisi veriyor, big data, ya kayitlar yanlissa?

Ornek 4A: Ya hata oraniniz cok yuksekse... Kararlarin nasil etkilenecegini gosteren guzel bir ornek. En guzeli de hata oranini onceden bilmiyorsak ne yapabilecegimize dair ipucu vermesi!

Ornek 5: Alman tank uretim adedi sorgusu, Ikinci Dunya Savasindan sahici ornek. Sadece seri numaralarina bakarak rakibin uretim miktari tahmin edilebilir mi?

Ornek 6: Ilac testi ..... Kosullu olasilik ve hipotez testi bir arada, guzel ornek..

Kissadan hisse: 

  • Olasiliklar eninde sonunda gercege yaklasiyor, eger birbirinden cok farkli ve ayrik olasiliklari olan olaylara bakiyorsaniz bu cabucak gerceklesiyor, eger surekli ve yakin olasiliklar varsa daha uzun suruyor.
  • Eger gercekten emin degilseniz hic bir riske SIFIR olasilik vermeyin, az da olsa hata payi ekleyin.
  • Eger hata oranini bilmiyorsaniz veya yuksek oldugunu dusunuyorsaniz daha cok veri toplayin.

Hiç yorum yok:

Yorum Gönder