statistics - 证据质量不确定的贝叶斯概率

假设贝叶斯更新器接收到有限数量的信号之一。给他信号的设备质量不确定。如果它是高质量的，信号总是一个关于他感兴趣的某些基础变量的完美信号。如果它是低质量的，那就是噪声。

在看到信号后，他更新了他对基础变量和证据设备质量的看法，对吧？但我不确定如何建模。

我尝试过两种不同答案的方法。 a）他使用他对设备质量的最新信念来形成关于基础变量的后验，以及他对基础变量的更新信念，以形成关于设备质量的后验。这给出了一个方程组，每个方程都有唯一的解。 b）他在两个变量上形成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，如果他先前对高质量和低质量设备的信号分布的看法，他更新了他对专家质量的信念，无论信号如何。< / p>

后者似乎强加了一个不属实的独立假设。

我的建议是考虑变量之间的关系。其他一切都来自于此。

不可靠传感器的一个模型是：P(M | V, R) P(V) P(R)其中M是衡量标准，V是您要测量的变量，R是可靠性传感器。这些变量可以是离散的或连续的，P(M | V, R)是对手头问题有意义的任何变量。

此类模型的操作可能包括计算P(V | M)，P(R | M)和P(V, R | M)。哪些对您有用取决于您要解决的问题。

我在论文的第6章中使用了不可靠传感器的模型[1]。再看一遍，看起来6.3及以后的章节与你最相关。