先验分布与后验分布.ppt

《先验分布与后验分布.ppt》由会员分享，可在线阅读，更多相关《先验分布与后验分布.ppt（55页珍藏版）》请在三一办公上搜索。

1、一、统计推断中可用的三种信息 二、贝叶斯公式三、共轭先验分布四、超参数及其确定五、多参数模型六、充分统计量,第一章 先验分布与后验分布,1.总体信息：总体分布或所属分布族提供给我们的信息 2.样本信息：从总体抽取的样本提供给我们的信息 3.先验信息：在抽样之前有关统计推断的一些信息。(两个例子）,1.1 统计推断中可用的三种信息,1.2 贝叶斯公式,贝叶斯统计学的基础是著名的贝叶斯公式，它是英国学者贝叶斯（17021761）在他死后二年发表的一篇论文论有关机遇问题的求解中提出的。经过二百年的研究与应用，贝叶斯的统计思想得到很大的发展，目前已形成一个统计学派贝叶斯学派。为了纪念他，英国历史最悠久

2、的统计杂志Biometrika在1958年又全文刊登贝叶斯的这篇论文。,一、贝叶斯公式的三种形式,初等概率论中的贝叶斯公式是用事件的概率形式给出的。可在贝叶斯统计学中应用更多的是贝叶斯公式的密度函数形式。1.贝叶斯公式的事件形式：假定 是互不相容的事件，它们之和 包含事件B，即，则有：,例1.5 投资决策问题,为了提高某产品的质量，公司经理考虑增加投资来改进生产设备，预计需投资100万元，但从投资效果看，下属部门有两种意见：1：改进生产设备后，高质量产品可占90%2：改进生产设备后，高质量产品可占70%问：公司经理怎样决策？注：根据过去的经验知：1的可信度为40%，2的可信度为60%,假设 随

3、机变量X有一个密度函数p(x;)，其中是一个参数，不同的对应不同的密度函数，故从贝叶斯观点看，p(x;)是在给定后的一个条件密度函数，因此记为p(x)更恰当一些。这个条件密度能提供我们的有关的信息就是总体信息。,假设 当给定后，从总体p(x)中随机抽取一个样本X1，Xn，该样本中含有的有关信息。这种信息就是样本信息。,2.贝叶斯公式的密度函数形式：在给出贝叶斯公式的密度函数形式之前，先介绍以下贝叶斯学派的一些具体思想或者叫着基本假设：,假设 从贝叶斯观点来看，未知参数是一个随机变量。而描述这个随机变量的分布可从先验信息中归纳出来，这个分布称为先验分布，其密度函数用()表示。,（1）先验分布定义

4、1 将总体中的未知参数看成一取值于的随机变量，它有一概率分布，记为()，称为参数的先验分布。,（2）后验分布 在贝叶斯统计学中，把以上的三种信息归纳起来的最好形式是在总体分布基础上获得的样本X1，Xn，和参数的联合密度函数：,在这个联合密度函数中。当样本 给定之后，未知的仅是参数了，我们关心的是样本给定后，的条件密度函数，依据密度的计算公式，容易获得这个条件密度函数：,这就是贝叶斯公式的密度函数形式，其中称为的后验密度函数，或后验分布。而：,是样本的边际分布，或称样本 的无条件分布，它的积分区域就是参数的取值范围，随具体情况而定。,3.贝叶斯公式的离散形式：,当 是离散随机变量时，先验分布可用

5、先验分布列(i)，这时后验分布也是离散形式：假如总体X也是离散的，则只须将p(x|)换成P(X=x|)即可。,前面的分析总结如下：人们根据先验信息对参数已有一个认识，这个认识就是先验分布()。通过试验，获得样本。从而对的先验分布进行调整，调整的方法就是使用上面的贝叶斯公式，调整的结果就是后验分布。后验分布是三种信息的综合。获得后验分布使人们对的认识又前进一步，可看出，获得样本的的效果是把我们对的认识由()调整到。所以对的统计推断就应建立在后验分布 的基础上。,二、后验分布是三种信息的综合,例1.4 设事件A的概率为，即。为了估计 而作n次独立观察，其中事件A出现次数为X，则有X服从二项分布 即

6、,解题步骤：1.作贝叶斯假设。如果此时我们对事件A的发生没有任何了解，对 的大小也没有任何信息。在这种情况下，贝叶斯建议用区间（0，1）上的均匀分布作为的先验分布。因为它在（0，1）上每一点都是机会均等的。因此：,2.计算样本X与参数 的联合分布：,此式在定义域上与二项分布有区别。,如何求出后验分布？,即：,5.具体算例。拉普拉斯计算过这个概率,研究男婴的诞生比例是否大于0.5?如抽了251527个男婴,女婴241945个。他选用U(0，1)作为的先验分布，于是可得的后验分布Be(x+1,n-x+1),其中n=251527+241945=493472，x=251527。由此拉普拉斯计算了“0.

7、5”的后验概率：故他断言男婴诞生的概率大于0.5。,4.利用贝叶斯公式可得 的后验分布：,3.计算X的边际密度为:,注：1.伽玛分布与贝塔分布简介：,定义：定义在0，1上，且用密度函数：,表示的概率分布称为型分布，记为(p,q)或者e(p,q)。,2.特例：当p=q=1时，(1,1)型分布即为区间0，1上的均匀分布；当p=q=1/2，(1/2,1/2)型分布称为反正弦分布，密度函数为：设，则 的密度函数为：,即：,3.数字特征:,3.为什么将贝塔分布作为的先验分布族是恰当的？,(1)参数是废品率，它仅在（0，1）上取值。因此，必需用区间（0，1）上的一个分布去拟合先验信息。分布正是这样一个分布

8、。,(2)分布含有两个参数p与q，不同的p与q就对应不同的先验分布，因此这种分布的适应面较大。,(3)样本X的分布为二项分布b(n,)时，假如的先验分布为分布，则用贝叶斯估计算得的后验分布仍然是分布，只是其中的参数不同。这样的先验分布(分布)称为参数的共轭先验分布。选择共轭先验分布在处理数学问题上带来不少方便。,1.3 共轭先验分布,一、共轭先验分布 定义2 设 是总体分布中的参数（或参数向量），()是 的先验密度函数，假如由抽样信息算得的后验密度函数与()有相同的形式，则称()是 的（自然）共轭先验分布。,注意：共轭先验分布是对某一分布中的参数而言的。如正态均值、正态方差、泊松均值等。离开指

9、定参数及其所在的分布去谈论共轭先验分布是没有意义的。,(2)确定先验分布:,例1.6 证明：正态均值（方差已知）的共轭先验分布是正态分布。,证明思路：(1)写出样本的似然函数:,(3)计算后验分布:,补充例题：设X表示人的胸围，根据经验，胸围是近似服从正态分布的。现测量了n=10000个人的胸围，得样本均值为39.8(cm)，样本方差为4，假设的先验分布为N(38,9)，求的后验分布。(答案：N(39.8,1/2500),说明：样本较大时，似然函数起决定作用，先验信息几乎不起做用。,二、怎样简化后验分布的计算 省略常数因子,在给定样本分布p(x|)和先验分布()后可用贝叶斯公式计算的后验分布：

10、()=p(x|)()/m(x)，由于m(x)不依赖于，在计算的后验分布中仅起到一个正则化因子的作用。假如把m(x)省略，把贝叶斯公式改写成如下等价形式：其中符号“”表示两边仅差一个常数因子，一个不依赖于的常数因子。上式右端称为后验分布 的核。,利用后验分布的核重新证明例1.6,例1.7 证明：二项分布的成功概率的共轭先验分布是贝塔分布。,三、共轭先验分布的优缺点,共轭先验分布在很多场合被采用，因为它有两个优点：（1）计算方便。（2）后验分布的一些参数可得到很好的解释。不足：怎样找到合适的先验分布？,例1.8 例1.6中后验均值与后验方差的合理解释。,由例1.6知 其中 是用方差倒数组成的权，于

11、是后验均值 是样本均值与先验均值 的加权平均。而 可解释为：后验分布的精度是样本均值分布的精度与先验分布精度之和，增加样本量n或减少先验分布方差都有利于提高后验分布的精度。,例1.9 对例1.7中后验分布的均值和方差的解释。分析：后验分布Be(+x,+n-x)的均值和方差可写为：,四、常用的一些共轭先验分布,共轭先验分布选取的一般原则：是由似然函数L()=p(x|)中所含的因式所决定的，即选与似然函数具有相同核的分布作为先验分布。例1.10 设 是来自正态分布 的一个样本观测值，其中已知，求 方差的共轭先验分布。,解题的基本思路：,写出样本的似然函数：,么分布具有这种形式的核呢？,常用的一些共

12、轭先验分布,1.4 超参数及其确定,一、超参数的定义：先验分布中所含的未知参数称为超参数二、估计方法：共轭先验分布是一种有信息的先验分布，故其中所含的超参数应充分利用各种先验信息来确定它，下面用一个例子来介绍目前国内外文献中对超参数的估计方法：问题：二项分布中成功概率的共轭先验分布是贝塔分布Be(,)，怎样确定两个超参数和？,1.利用先验矩：,2.利用先验分位数：,假如根据先验信息可以确定贝塔分布的二个分位数，则可用这两个分位数来确定与，譬如用两个上、下四分位数U与L来确定与，U与L分别满足如下二个方程：从这两个方程解出与即可确定超参数。,求解方法：1利用贝塔分布和F分布间的关系，对不同的与多

13、算一些值，使积分值逐渐逼近0.25.2 对一些典型的与，寻求其上下四分位数，这样可获得一张表，（见课本18页）查表即可,3.利用先验矩和先验分位数,假如根据先验信息可获得先验均值 和p分位数，则可列出下列方程：由此可解出与的估计值。4.其它方法,1.5 多参数模型,由以上几节内容可知，求某一个参数的后验分布的基本思想可概括为：先根据先验信息给出参数的先验分布，然后按贝叶斯公式算得后验分布，即：但在很多实际问题中却包含有多个未知参数的情形，如正态分布、多项分布以及多元正态分布等，此时可采用与单参数相似的方法来求参数的后验分布，而把其它的参数看成是讨厌参数。,例1.12 试求正态均值与正态方差的（

14、联合）共轭先验分布及后验分布。（P24）,1.取先验分布为 的情形2.关于指数分布族的若干结论3.取先验分布为共轭先验分布的情形,1.取先验分布为 的情形,back,3.取先验分布为共轭先验分布的情形,(1)求 的共轭先验密度(2)求 的后验边际密度(3)求给定 后 的条件后验密度函数 例题,例 有一实验站关于生长小麦的经验为每块样地的均值和标准差分别为100及10的正态分布，现在他们研究施加激素的影响。在12块地施加激素后所得产量如下(单位：千克)：141,102,73,171,137,91,81,157,146,69,121,134关于方差的信息是均值、标准差分别约为300及160；关于均

15、值的信息是均值约为110，约为15即相当于观测了15个观测值。求:(1)的共轭先验；(2)的后验密度函数；(3)的边际后验；(4)对 已知情况下的条件后验密度函数。,back,1.6 充分统计量,一、经典统计中充分统计量的回顾 充分性是数理统计中最重要的概念之一，也是数理统计这 一学科特有的基本概念之一。它是Fisher在1925年提出的。充分性的直观定义：不损失信息的统计量。,定义：设 是来自分布函数F(x|)的一个样本，T=T(x)是统计量，假如在给定T(x)=t的条件下，x的条件分布与无关的话，则称该统计量为的充分统计量。,充分统计量的一个重要特性：当得到充分统计量T的某个取值t之后，而

16、失去原样本的观察值也没有关系。因为我们可以根据上述的条件分布来构造某个随机试验，从中获得来自总体的一个新样本，这个新样本虽不能完全恢复老样本的原状，但它与老样本所含的有关参数的信息是一样的。,因子分解定理：一个统计量T(x)对参数是充分的充要条件是：存在一个t与的函数g(t,)和一个样本x的函数h(x)，使得对任一样本x和任意，样本的联合密度p(x|)可表示为它们的乘积，即：p(x|)=g(T(x),)h(x),这个定理表明：假如存在充分统计量T(x)，则样本分布p(x|)一定可以分解为两个因子的乘积：一个是与无关，仅与样本x有关；另一个是可以与有关，但与样本x的关系仅仅通过充分统计量T(x)

17、表现出来。,二、贝叶斯统计中充分统计量的有关结论及应用,定理设 是来自密度函数p(x|)的一个样本，T=T(x)是统计量，它的密度函数为p(t|),又设H=()是的某个先验分布族，则T(x)为的充分统计量的充要条件是对任一先验分布()H，有：(|T(x)=(|x)即用样本分布p(x|)算得的后验分布与用统计量T(x)算得的后验分布是相同的。,例 是来自正态总体 的一个样本，其密度函数为,关于定理的两点说明：1.定理所给出的条件是充分必要的，所以定理的充要条件可以作为充分统计量的贝叶斯定义。2.假如已知统计量T(x)是充分的，那么按定理，其后验分布可用该统计量的分布算得，由于充分统计量可以可简化数据、降低维数，故定理亦可用来简化后验分布的计算。例 用充分统计量计算正态分布N(,1)中参数的后验分布。（自学）,