Cad é an difríocht do neamh-shaineolaí idir cuir chuige Bayesian agus cur chuige minicíoch?


freagra 1:

C: Cé mhéad Minicitheoir a theastaíonn uait bolgán solais a athrú? A: Bhuel, tá roinnt freagraí réasúnta ann ...

C: Cé mhéad Bayesians a theastaíonn uait bolgán solais a athrú? A: Braitheann sé ar fad ar do réamhtheachtaí!

Scéalaí: Lig p gur dáileadh dóchúlachta anaithnid é. Is feidhm é meastóir a dhéanann iarracht ceist p a fhreagairt nuair a bhaintear tacar sonraí as lch.

Baineann na staitisticí go príomha le dearadh agus anailís na meastóirí ...

Freddy the Frequentist: Seo meastóir a cheap mé díreach! Agus is féidir liom a chruthú go n-oibríonn mo mheastóir “go maith” do gach p sa teaghlach dáileacháin seo.

Scéalaí: Mínigh dár lucht féachana le do thoil "go n-oibríonn go maith". Is féidir leat do lámha a thonnú.

Freddy (ag caitheamh lámha): Is cuma cad é p, tugann mo mheastóir freagraí measartha cruinn go ginearálta ar thaifid a tógadh ó lch. Ar ndóigh, teipfidh air ó am go chéile le tacair sonraí neamhionadaíochta, ach ní féidir droch-ádh a sheachaint.

Basia the Bayesian: Comhghairdeas! An é is fearr is féidir le "obair go maith"? Ba mhaith liom i gcónaí optamach.

Freddy: Ó, níl aon buille faoi thuairim is fearr don fhadhb seo. Ach ar a laghad is féidir liom a chruthú go bhfuil mianach "incheadaithe". Is é sin, d’fhéadfadh meastóir eile buille a thabhairt do mo mheastóir do roinnt p, ach ní do gach lch.

Basia: Ceart go leor ... cad faoi na dáiltí p a bhfuil súil agat leo go praiticiúil? An bhfuil do mheasúnóir an-oiriúnach dó seo?

Freddy: Cé a fhios cad é an toradh a bheidh ar chleachtas?

Basia: De réir cosúlachta tá. Ghlac tú leis cheana féin gur ó theaghlach áirithe a thagann p. Mura bhfuil, níl aon ráthaíochtaí ag do mheasúnóir.

Freddy: Ceart go leor, rug tú orm. Ach tá mo toimhde measartha éadrom. Is minic go mbíonn cúiseanna maithe ag daoine [i.e. B. An Teoirim Lárnach Tairsí] chun a chreidiúint go bhfuil a ndáileadh ginte sonraí níos mó nó níos lú ó mo theaghlach. Teastaíonn uaim go n-oibreoidh mo mheastóir go maith chomh fada agus a bheidh p sa teaghlach seo.

Basia: Ach faigheann tú do thaifead reatha ó eolaithe. Nach bhfuil buille faoi thuairim eolaíoch níos sainiúla acu maidir le cad is dóigh a dhéanfaidh p? Ansin d’fhéadfá torthaí níos fearr a fháil má chuireann tú é seo san áireamh.

Freddy: Tá sé sin amhrasach. Teastaíonn conclúidí oibiachtúla ó eolaithe, ní conclúidí a léiríonn na toimhdí atá acu cheana féin.

Basia: sprioc? Deir antraipeolaithe agus iriseoirí nach bhfuil aon dearcadh oibiachtúil ann: mar atá san fhisic, bíonn do chreat tagartha féin agat i gcónaí. Is é an rud is fearr is féidir le sonraí a dhéanamh duit ná do chreideamh atá ann a nuashonrú. Nár thug tú aird sa rang fealsúnachta? Deir na daoine amhrasacha linn nach bhfuil aon bhealach ann go mbeadh a fhios go cinnte. Deir na seanbhunaithe linn nach féidir leat d’uacht saor a thabhairt suas a oiread agus is mian leat. Féadfaidh tú iarracht a dhéanamh an fhreagracht seo a sheachaint trí phrionsabal mar dhlí nó dílseacht nó reiligiún a úsáid - nó minicíocht! - gabh ar láimh, ach sin bealach indíreach chun do chinntí a dhéanamh.

Freddy: Bla bla bla. Is í an mhatamaitic an staitistic, ní an fhealsúnacht.

Basia: Cuirtear staitisticí i bhfeidhm eipistéimeolaíocht. Leanann tú féin agus mise le seanchomhrá fealsúnachta: Conas is féidir linn rud ó shonraí a thabhairt i gcrích i gceart? Sea, lenár n-uirlisí matamaitice nua-aimseartha is féidir linn conclúidí beachta a dhéanamh go docht, ach sin amháin má tá toimhdí déanta againn. Caithfidh fiú matamaiticeoirí glacadh le roinnt aicsimí. Nuair a dhéileálfaimid le sonraí, ní mór dúinn toimhdí a dhéanamh freisin maidir le cá as a dtagann na sonraí. Gan aon bhoinn tuisceana, gan aon chonclúidí. Tá an saol chomh crapach.

Freddy: Ach tá toimhde éadrom déanta agam cheana féin agus cheap mé meastóir maith! Ní thugann do chuid cainte go léir ceann níos fearr dom.

Basia: Níl, ní thabharfaidh mé meastachán duit. Tabharfaidh mé bealach duit chun buille faoi thuairim níos fearr a fháil go huathoibríoch trí níos mó toimhdí a dhéanamh. Is cinnte go n-oibreoidh mise go maith do gach duine sa teaghlach, ach oibreoidh mianach níos fearr do ghnáth-lch.

Freddy: tipiciúil? Tá anailís cháis is measa á dhéanamh agam. Ba mhaith leat anailís cháis ar an meán a dhéanamh. Mar sin, cad é an meánchás? Ar cheart dom an rud céanna a mheánú thar gach p?

Basia: Scríobh díreach do dháileadh roimhe seo ar p a léiríonn do fhíorchreideamh - roimh an turgnamh - faoin áit a bhféadfadh p titim. Mura bhfuil tú cinnte i ndáiríre, ba chóir go mbeadh do réamhtheachtaí “cothrom” agus caitheamh le gach p níos mó nó níos lú mar an gcéanna.

Freddy: Cad a tharlódh dá scríobhfainn an dáileadh roimhe seo ...?

Basia: Ansin titeann an meastóir Bayesian amach! Níl aon rud fágtha le dearadh. Maidir le tacar sonraí ar leith, déanann meastóir Bayesian athchothromú ar do chreideamh roimhe seo i ngach hipitéis p de réir dóchúlacht na hipitéise sin an tacar sonraí a ghiniúint. Má tá feidhm caillteanais agat, titeann na cinntí is fearr as na creidimh nua, arís gan dearadh breise, a bhuíochas sin do theoiric chinnidh Bayesian.

Freddy: Cinntí "is fearr" ... má chreideann tú an ceann roimhe sin.

Basia: Hey, d’admhaigh tú nach bhfuil aon bhealach bunúsach agat le roghnú as meastacháin cheadaithe. Déanann meastóirí difriúla tuartha difriúla freisin.

Caithfidh mé mo chuid roimh ré a thabhairt. Níl aon bhealach agam i bprionsabal le roghnú idir tosaíochtaí éagsúla. Níor chóir go mbeadh ach creideamh agam roimhe seo. Ach ar a laghad táim follasach faoi! Mar sin má léann tú mo nuachtán, is féidir leat a fheiceáil go díreach cad ba chúis le mo chonclúidí. Níl mé ag taisteal le meastóirí éagsúla. Áitíonn mo bhuille faoi thuairim na sonraí go léir a úsáid. De réir phrionsabail Bayesian, bíonn na conclúidí mar thoradh ar na sonraí agus ar an réamhtheachtaí.

Ar ndóigh, is féidir le mo léitheoirí argóint a dhéanamh liom an ionann mo réamhtheachtaí agus staid reatha an eolais eolaíoch. Is féidir linn a thástáil conas a rachadh tosaíochtaí difriúla i bhfeidhm ar na tátail.

Scéalaí: Go raibh maith agat as plé spreagúil! Beidh sé sin an-tl; dr. Is féidir leis an lucht féachana dul saor in aisce anois.

Freddy: Feicim gur mhaith leat i ndáiríre aon chaillteanas luacha a bhaint as na sonraí. Ach cén fáth ar chóir duit iarracht a dhéanamh an Meastóir Fíor amháin a shainiú? Tá mianach maith go leor. Is féidir liom claontacht agus athraitheas mo mheastóra a theorannú mar fheidhm de mhéid tacar sonraí chun a chruthú duit nach dócha gur tacair phraiticiúla sonraí iad earráidí móra.

Go praiticiúil, is furasta mo mheastóir a ríomh freisin. Sin é go díreach mar a tháinig mé suas leis: bhí amhras orm faoi nós imeachta simplí, réasúnach agus ansin chruthaigh mé go bhfuil airíonna maithe aige. Bhí do mheastóir Bayesian simplí go leor chun é a scríobh síos go matamaiticiúil, ach b’fhéidir go bhfuil sé ifreann ar rothaí, rud a fhágann go bhfuil sé deacair anailís a dhéanamh air.

Basia: Tá sé cothrom. Déanta na fírinne, de ghnáth ní bhíonn bealach praiticiúil agam chun é a ríomh go díreach. Caithfidh mé algartam randamach nó comhfhogasú athraithe a dhearadh. Mar sin níl mo chonclúidí praiticiúla dosháraithe ó na sonraí agus na cinn roimhe seo. Bíonn tionchar ag an gcomhfhogasú ríomha orthu freisin.

Ach b’fhéidir gur cheart go mbeadh sé dian ó thaobh ríomhaireachta conclúidí beachta a bhaint as na sonraí. Bíonn baint mhór ag smaointeoireacht eolaíoch nuair a dhéanann daoine é. Tá próisis eolaíochta casta, as a dtagann teaghlaigh chasta samhail. Soláthraíonn turgnaimh eolaíochta sonraí ilchineálacha, torannacha agus neamhiomlána.

Láimhseálann cur chuige Bayesian an chastacht seo go léir gan uaim. Nuair a bheidh do mhúnla deartha agat, is éard atá i Bayesianism ná prionsabal staitistiúil simplí amháin a thacaíonn go praiticiúil le leabharlann cleasanna ríomhaire.

Freddy: Admhaím, sna cásanna neamhghnácha seo, go mbeadh meastóirí a tharlaíonn go minic dian ó thaobh ríomhaireachta de. Admhaím freisin go mbeadh sé deacair orm meastóir a fhorbairt do chás den sórt sin (gan trácht ar go leor cásanna gaolmhara) a léiríodh go bhfuil tréithe maithe minicíochta acu.

Is dócha go mbainfinn úsáid as meastóir dóchúlachta uasta. Tá sé seo cosúil le leagan laghdaithe de do mheastóir Bayesian, mar sin tá an ríomh chomh furasta ar a laghad. Agus ní gá é a fháil roimh ré.

Basia: Nílim craiceáilte faoin dóchúlacht is mó. Déantar neamhaird den fhaisnéis roimhe seo. Agus níl ann ach meastachán pointe dúr in ionad an éiginnteacht posterior a thaispeáint. Bíonn cinntí níos measa mar thoradh air seo.

Freddy: B’fhéidir go gcuirfidh mé rialtóir leis. Beag beann, laghdaíonn éifeacht do réamhtheachtaí de réir mar a bhíonn tacar sonraí ag méadú, mar a dhéanann do neamhchinnteacht posterior. Ar a laghad, aontóimid ar theorainn na sonraí gan teorainn. Agus ag an bpointe seo aontóimid leis an bhfírinne freisin: nílim craiceáilte faoi mheastachán na dóchúlachta uasta, ach ar a laghad tá sé comhsheasmhach.

Scéalaí: Ceart go leor ansin! Is deas tú a fheiceáil ag teacht.

Freddy: Slán, ní lucht féachana saineolaithe! Tá súil agam go raibh spraoi agat. Féadfaidh tú rátáil dearfach a thabhairt dúinn ar do bhealach amach.

Ach Basia, idir an bheirt againn, ní roinnim do sheasamh fealsúnachta fós ar a bhfuilimid ag iarraidh ar mheasúnóir a dhéanamh. Lig dúinn fantaisíocht na sonraí gan teorainn a ligean anuas. Tá sonraí teoranta againn, mar sin ba mhaith linn go laghdódh riosca an mheastóra go gasta ag brath ar mhéid an tacar sonraí. Dá mbeinn ag smaoineamh ar mheastóir do mhúnla casta, dhéanfainn iarracht a chruthú gur amhlaidh atá i gcás gach dáilte sa teaghlach. Ní theastódh ceann roimhe sin.

Basia: Ach cad a chiallaíonn "dáileadh ar bith sa teaghlach"? An coincheap nádúrtha é sin do mhúnlaí casta? Lig dom samhail bhunúsach ordlathach Bayesian a imlíne:

  1. Tarraing roinnt hipearparamhéadair ó na paraiméadair dearaidh dáileacháin roimhe seo ó dháileachtaí atá á rialú ag na hipearparamhéadair. Tarraing sonraí ó dháileachtaí atá á rialú ag na paraiméadair

Cad é an teaghlach anseo?

Freddy: Anseo chaithfinn go difriúil leis na hipear-pharaiméadair agus na paraiméadair. Táim sásta glacadh leis go bhfuil an fhoirm ordlathach ag p: Mar a leag tú béim níos luaithe, glacaim le srianta dochta ar lch. Nílim ach ag caitheamh do chuid roimh na hipearparamhéadair, ar srian bog é ar lch. Is dáileadh difriúil p é gach suíomh hipear-pharaiméadair, mar sin ba mhaith liom modh a úsáidtear go coitianta a dhearadh a oibríonn go maith do gach suíomh den sórt sin.

Basia: Ach níor chaith tú na dáiltí a ghineann na paraiméadair.

Freddy: Ceart. Dá bhrí sin, i gcéim 2, caithfidh mé na paraiméadair seo a mheas mar shonraí gan seirbhís a ghineann an tsamhail ar an mbealach go céim 3. Is athróga "suaiteacha" iad. Mar sin nuair a dhéanaim tacair sonraí randamacha ar an meán, déanaim anailís ar na paraiméadair ar an meán. Mar sin féin, ós rud é go bhfuilim ag iarraidh a thaispeáint go n-oibríonn an anailís seo go maith d’aon dáileadh, déanaim anailís sa chás is measa ar na hipearparamhéadair.

Basia: Cad é do spreagadh chun an dá leibhéal seo a chóireáil chomh difriúil?

Freddy: Ó, déanaim idirdhealú i gcónaí idir dhá leibhéal. Tá roinnt dáiltí ann. Ba mhaith liom a dhéanamh go maith ar an meán do gach dáileadh sa tacar.

Basia: Breathnaíonn tú ar an tsamhail ordlathach trí shraith seo agus feiceann tú roinnt dáiltí ar fud dáiltí. Trí réamhíocaíocht a úsáid thar na hipearparamhéadair, déanaim é seo ina dháileadh thar dháiltí thar dáiltí. Nó comhionann le dáileadh mór. Mar sin ar an meán, ní dhéanaim anailís ach ar gach rud. Ní thuigim cén fáth go dtarraingeofá líne speisialta idir leibhéil 1 agus 2 de mo mhúnla.

Freddy: Ach ní gá dom é a tharraingt ansin. Is féidir liom é a tharraingt áit ar bith is mian liom. Ba mhaith leat an anailís cáis is measa a dhiúltú ar fad. Ach is féidir liom anailísí cásanna is measa agus meánchásanna a mheascadh ar bhealaí éagsúla.

Nuair a tharraingím an líne os cionn leibhéal 1, is gnáthchás é gach rud agus ní féidir m’anailís a shainaithint ó anailís Bayesian. Sa chás seo, níl ach dáileadh p amháin sa teaghlach, a ghineann na hipear-pharaiméadair, na paraiméadair agus na sonraí. Mar sin ní dhéanann mo mheastóir meastachán ar airíonna p, atá ar eolas. Glactar le luachanna na n-athróg suaite faoi p agus an tacar sonraí breathnaithe.

Agus anseo níl riosca mo mheastóra ag brath a thuilleadh ar an rogha p. Is meán gach rud é, lena n-áirítear hipearparamhéadair.

Basia: Go maith! Is é sin a íoslaghdaíonn mé i gcónaí. Sainmhínítear mo mheastóir go sainráite chun an riosca Bayesian a íoslaghdú, is é sin, an caillteanas a bhfuiltear ag súil leis ón tuar de réir an posterior a shonraíonn an tacar sonraí. Ós rud é go n-íoslaghdaíonn mo mheastóir an riosca Bayesian do gach taifead sonraí a shonraítear, laghdaíonn sé freisin an riosca a bhíonn tú ag caint go minic, a dhéantar a mheánú freisin thar gach taifead sonraí féideartha.

Freddy: Sea, is cosúil gur réiteach idéalach é do mheastóir má tharraingím an líne os cionn leibhéal 1 agus má ghlacaim le do réamhtheachtaí mar chuid den mhúnla féin. Ach sin toradh aonair, sách lag. Trí chinneadh an líne a tharraingt in áit eile, is féidir liom teoirimí breise a fhoirmiú faoi mheastóirí. Teoirimí ina bhfuil ∀ siombailí toisc go ndéanann siad an anailís cáis is measa.

Basia: Is é an "toradh lag" seo gach rud a theastaíonn uaim go praiticiúil riamh. Tá d’abairtí breise fíor go leor, ach conas a chuidíonn siad leat?

Freddy: Bhuel, mothaím níos fearr nuair a mholaim meastachán d’eolaithe. Is féidir liom a rá leat na hairíonna atá ar eolas aige, lena n-áirítear cineálacha éagsúla airíonna is measa.

Basia: Ach d’fhéadfadh minicitheoir eile meastóir eile a mholadh a bhfuil tréithe maithe aige ach a dhéanann tuartha eile.

Níl sna habairtí ach ábhair chomhrá; déanann siad mearbhall ar an ábhar. Níl aon teoirimí ag teastáil uaim chun moladh a dhéanamh. Is é mo mholadh Bayesian an meastóir a dhíorthú go díreach ó do bhoinn tuisceana eolaíochta agus do spriocanna teicniúla. Inseoidh mé d’eolaithe i gcónaí riail ghinearálaithe Bayesian a chur i bhfeidhm: má tá muinín agat i ndáiríre as do mhúnla agus níos luaithe, is é an tuar is fearr ó na sonraí an ceann a íoslaghdaíonn riosca Bayesian.

Freddy: Sílim go bhfuil tú ag brath i ndáiríre ar an tsraith iomlán ranga. Is é an rud a bhraitheann tú a spreagann gach staidreamh. Ansin, cad atá á dhéanamh agat an lá ar fad? Caithfidh gur post compordach é.

Basia: Bhuel, táim ag cabhrú leis na heolaithe a gcuid feidhmeanna samhail, roimh ré agus caillteanais a chur ar bhonn foirmiúil. Ní theastaíonn teoirimí staidrimh nua uaidh seo - ach tá go leor le déanamh fós. B’fhéidir go mbeidh orm dáiltí dóchúlachta nua a dhearadh agus a anailísiú. Déanaim halgartaim a dhearadh agus a anailísiú freisin chun cabhrú le heolaithe an tuar is fearr a ríomh.

Freddy: Tá a fhios agat an rud maith é an “tuar is fearr” seo. B’fhéidir gur chóir dom anailís a dhéanamh ar do mheastóir Bayesian go minic.

Basia: Cén fáth bodhraigh? Ní thabharfainn foláireamh dóibh ach faoin mbaol Bayesian a thuar iarbhír. Is faisnéis an-úsáideach í an uimhir seo mar braitheann sí ar do thacar sonraí iarbhír.

Thabharfadh d’anailís mhinicíochta aird freisin ar dháileachtaí p atá eisiata ag a tacar sonraí iarbhír. Cé a bhfuil suim aige é seo a dhéanamh go maith? Go háirithe nuair a chiallaíonn "ag déanamh go maith" meánfheidhmíocht thar go leor taifead bréige. Tá siad neamhábhartha.

Freddy: Ach cad mura bhfuil “tacar sonraí iarbhír” ag na heolaithe fós? Déanfaidh tú anailís ar a lán taifead. Caithfidh tú roinnt cinntí a dhéanamh roimh ré. Ar dtús, ar cheart duit do bhogearraí staidrimh a ghlacadh ar láimh? Sa dara háit, cá mhéad sonraí ba chóir dóibh a bhailiú?

Is ceisteanna iad seo, i ndáiríre, faoi cé chomh maith agus a dhéanann do bhogearraí - nó mianach - leis an meánmhéid n taifead do raon dáiltí lch. Ba chóir go mbeadh lipéad cothaithe ar gach bosca bogearraí le freagraí ar na ceisteanna seo.

Basia: Ceart go leor, ach ní gá don ghreamán seo díriú ar an gcás is measa. Tá tosaíocht ag na heolaithe ar lch. Téann mo bhogearraí i gcomhairle leis an gceann roimhe seo agus ní dhéanann do cheann féin. Ar aon chuma, ba mhaith le heolaithe a fháil amach cé chomh maith agus a oibríonn na bogearraí le dáiltí a roghnaíodh as na cinn a bhí acu roimhe seo. D’fhéadfainn é sin a mheas trí sampláil a dhéanamh ar dháiltí agus ar thaifid óna réamhtheachtaí.

Freddy: I ​​bprionsabal d’fhéadfá. Go praiticiúil b’fhéidir gur mhaith leat an greamán a fhoilsiú sula mbeidh a fhios agat cé a bheidh ag úsáid na mbogearraí. Tá teoirimí minicíochta deas agus iniompartha ar an mbealach seo - díreach cosúil le lipéid cothaithe, tá sé mar aidhm acu cabhrú le go leor úsáideoirí éagsúla a bhféadfadh tosaíochtaí difriúla a bheith acu.

Is féidir linn meastóir coiteann a fhoirmiú gan an t-úsáideoir roimhe seo a bheith ar eolas againn. Agus is féidir linn an riosca cáis is measa a fhoilsiú i ngan fhios don úsáideoir roimhe seo. Tá a fhios ag an úsáideoir go léiríonn an riosca cáis is measa uasteorainn ar a laghad dá mheánriosca, is cuma cén bealach is fearr leis an meán.

Basia: Sílim go bhfuil d’aghaidh mar gheall ar fhadhbanna ríomhaireachta arís! Ba mhaith leat meastóirí ginearálta a fhorbairt agus teoirimí ginearálta a chruthú ... chun ríomhanna áirithe a dhéanamh a thabharfaidh an freagra is fearr is féidir duit i do chás cruinn.

Ní haon ionadh gur dhírigh staitisticí go stairiúil ar theoirimí ginearálta. Ní raibh sé indéanta go matamaiticiúil níos mó a dhéanamh. B’fhéidir gur Bayesian mé mar tháinig mé in aois, timpeallaithe ag cumhacht ríomhaireachta agus teicnící mar MCMC. Tá meas agam ar ghinearáltacht agus áilleacht na dteorainneacha teoiriciúla sna cásanna simplí inar féidir leat iad a fháil. Ach is mór agam freisin foghlaim meaisín, a bhaineann le feidhmíocht chórais tuartha áirithe a thomhas agus a uasmhéadú, seachas teoiricí níos leithne a chruthú faoi chórais níos laige.


freagra 2:

Gach freagra suimiúil agus an-bhailí den chuid is mó.

Cuirim an méid seo a leanas leis:

Mar shampla, más mian leat cogadh a bhuachan, druga nua a fháil, airgead a dhéanamh ar an stocmhargadh, an aimsir a thuar, nó toradh na dtoghchán a thuar, is fearr cur chuige Bayesan a úsáid.

Is é sin le rá, is é an cur chuige Bayesian an ceann a oibríonn i ndáiríre. (ar choinníoll go dtugann tú an t-eolas is fearr dó ar na samhlacha atá le húsáid agus na luachanna paraiméadar atá iontu).

Is é an míniú air seo ná go mbaineann an seans le réaltacht a shamhaltú, agus tugann cur chuige na Baysian cumhacht samhaltaithe níos fearr duit.


freagra 3:

Sílim gur fhreagair daoine eile an cheist shonrach go díreach, ach ba mhaith liom a chur leis freisin go bhfuil Bayesian níos dírithe ar an gcaoi a bpróiseálann muid uile faisnéis nua i ndáiríre ... fiú má tá tú i ndáiríre ... Minicitheoir.

Cuir i gcás go n-insíonn saineolaí mór le rá i réimse éirí na gréine duit go ndeir samhail tuartha (algartam) a cruthaíodh go dtosóidh éirí na gréine i bhfad níos déanaí ná mar a bhíothas ag súil leis. Déanta na fírinne, tá súil aici le héirí na gréine ag 8:00 laistigh de sheachtain. Is é an freagra nádúrtha agus loighciúil atá agat air seo ná an tuiscint atá agat cheana a ghlacadh (bhí éirí na gréine ag 6 i.n.) agus d’ionchais maidir le héirí na gréine an tseachtain seo chugainn a athrú.

Déanann tú é seo fiú más cosúil go bhfuil an tsamhail ag úsáid matamaitice soladach agus mura bhfaigheann tú aon bhearnaí loighciúla san algartam nó sna hionchuir. Tá “dátaí” tugtha faoi deara acu le blianta a insíonn duit go mbeidh éirí na gréine thart ar 6 i.n an tseachtain seo chugainn.

Is é seo an leagan neamh-math de chur chuige Bayesian atá ag dul i laghad.

Fiú amháin iad siúd a fhógraíonn fionnachtana i líon iomlán is dóichí go bhfuil creideamh Bayesian ag croílár na ceiste seo.