Bayesiansk statistik är statistikens filosofiska revolution. Istället för att se sannolikheter som frekvenser tänker den på dem som grader av övertygelse. Det är skillnaden mellan 'i 68% av alla universum händer detta' och 'jag är 68% övertygad om att detta händer'. Bayes' teorem blir här inte bara en formel utan en livsstil för att uppdatera kunskap.

Fördjupning

Bayesiansk statistik bygger på subjektiv tolkning av sannolikhet och Bayes' teorem för att uppdatera kunskaper när ny information tillkommer. Kärnan är att kombinera prior kunskap (vad vi trodde innan) med likelihood (vad data säger) för att få posterior kunskap (vad vi tror nu). Detta skiljer sig fundamentalt från frekventistisk statistik som ser sannolikheter som långsiktiga frekvenser.

Bayes' teorem revisited

I Bayesiansk kontext blir Bayes' teorem verktyget för kunskapsuppdatering: posterior ∝ likelihood × prior.

Myntkast med prior

Om vi tror att ett mynt är rättvist (prior) men ser 7 krona av 10 kast (likelihood), vad blir vår uppdaterade tro (posterior)?

Prior, likelihood och posterior

Prior = vad vi trodde innan, Likelihood = vad data säger, Posterior = vad vi tror nu. Bayesiansk inferens kombinerar dessa tre komponenter.

Bayesianska konfidensintervall

Credible intervals - 'Sannolikheten att parametern ligger i intervallet är 95%' (jämfört med frekventistisk: 'I 95% av alla experiment skulle intervallet innehålla parametern').

MCMC och simulering

Markov Chain Monte Carlo används för att sampla från komplicerade posterior-fördelningar när analytiska lösningar inte finns.

Gibbs sampling

Sampla från flerdimensionell posterior genom att växelvis sampla från villkorliga fördelningar.

Vanliga misstag

❌ Okritisk val av prior

Prior påverkar resultat, särskilt vid litet dataset

Exempel: Stark prior kan dominera svag data

❌ Förväxla credible och confidence interval

Olika filosofisk tolkning av sannolikhet

Exempel: 95% credible: parameter har 95% sannolikhet att ligga i intervallet

❌ Otillräcklig MCMC-konvergens

Kedjor måste ha nått jämvikt

Exempel: Kontrollera trace plots och R-hat statistik

Tillämpningar

Maskininlärning

Bayesianska neurala nätverk och osäkerhetskvantifiering

Exempel: Dropout som Bayesiansk approximation, Gaussian processes

A/B-testning

Kontinuerlig uppdatering av konverteringsgrad

Exempel: Beta-binomial modeller för klickfrekvens

Medicin

Adaptiva kliniska studier och diagnostik

Exempel: Uppdatera behandlingsprotokoll baserat på löpande resultat

Övningar

1 Medel

Prior: θ ~ Beta(2,2). Data: 3 framgångar av 5 försök. Vad är posterior?

Tips

Beta är konjugat prior för binomial likelihood

Visa facit

1. Prior: Beta(α=2, β=2)
2. Data: 3 framgångar, 2 misslyckanden
3. Posterior: Beta(2+3, 2+2) = Beta(5,4)

Svar: θ|data ~ Beta(5,4)

2 Svår

Förklara skillnaden mellan p-värde och Bayesiansk hypotestestning.

Tips

Tänk på vad som är stokastiskt

Visa facit

1. Frekventistisk: data är stokastisk, hypotes fix
2. Bayesiansk: hypotes är stokastisk, data fix
3. Bayes factor jämför hypoteser direkt

Svar: P-värde: P(data|H₀), Bayes: P(H₀|data)

Sammanfattning

Bayesiansk statistik behandlar parametrar som stokastiska och uppdaterar kunskaper via Bayes' teorem. Kombinerar prior, likelihood och posterior. Filosofiskt annorlunda från frekventistisk statistik med direkta sannolikhetstolkningar.