Bayes(贝叶斯)估计近年原文.pptVIP

贝叶斯估计

BayesEstimation精选完整ppt课件

例子：某人打靶，打了5枪，枪枪中靶，问：此人枪法如何？某人打靶，打了500枪，枪枪中靶，问：此人枪法如何？经典方法：极大似然估计：100%但是:……精选完整ppt课件

几个学派（1）经典学派：频率学派，抽样学派带头人：Pearson、Fisher、Neyman观点：概率就是频率参数就是参数联合分布密度：p(x1,x2,..xn;?)?精选完整ppt课件

几个学派（2）Bayesian学派：带头人：Bayes,Laplace,Jeffreys,Robbins观点：频率不只是概率存在主观概率，和实体概率可转化参数作为随机变量条件分布：p(x1,x2,..xn|?)?精选完整ppt课件

几个学派（3）信念学派：带头人：Fisher观点：概率是频率主观不是概率，而是信念度参数不是随机变量，仅是普通变量似然函数：L(?|x1,x2,..xn)?精选完整ppt课件

批评1：置信区间置信区间：解释：区间[u1,u2]覆盖u的概率不是u位于区间的概率缺点：u不是变量精选完整ppt课件

批评2：评价方法假设检验、参数估计等都是多次重复的结果；想知道：一次实验发生的可能性精选完整ppt课件

Bayesian方法精选完整ppt课件

Bayesian公式先验分布密度：q(y)条件分布密度：p(x|y)似然度后验分布密度：h(y|x)后验综合先验与样本信息精选完整ppt课件

思路：1、未知参数视为随机变量：?数据的不可设计性与经验的不能穷尽性？2、取样本x1…xn，求联合分布密度p(x1,x2,..xn;?)，?是参数3、联合分布密度－条件分布密度p(x1,x2,..xn|?)，?是随机变量4、确定?的先验分布?(?)5、利用Bayesian公式求后验分布密度6、使用后验分布做推断（参数估计、假设检验）精选完整ppt课件

例1：两点分布b(1,p)的1.联合分布：2.先验分布：3.后验分布：4.后验期望估计：精选完整ppt课件

2、先验分布的共轭分布选取法后验分布和先验分布是同一个类型优点：易于解释、继续试验已知：，选使得与先验分布同类型若p(x|?)服从正态分布，选正态分布若p(x|?)服从两点分布，选Beta分布若p(x|?)服从指数分布，选逆Gamma分布精选完整ppt课件

Bayes统计推断问题参数估计：点估计区间估计精选完整ppt课件

估计的损失损失函数：风险：平均损失一致最小风险：对于任意?产生的样本x1…xn,?都是最小分析估计。Bayesian平均风险：精选完整ppt课件

后验风险：Bayesian风险与后验风险后验分析最小＝Bayesian风险最小精选完整ppt课件

两种常用损失函数：平方损失：最小Bayesian风险估计：后验期望点损失：最大后验密度估计精选完整ppt课件

例子：正态分布X1…Xn服从正态分布N(?，?2)，?2已知，?的先验分布是N(?，?2)求?的Bayes估计.求得后验分布还是正态分布求得例：某圆形产品内径X（单位：mm）服从正态分布N(?，0.4),?有先验分布N(2，0.22),现在测量X=1.8,n=5?MLE=1.8?bayes=(1.8*5/0.4+2*0.2^(-2))/(5/0.4+0.2^(-2))=1.93精选完整ppt课件

置信区间估计：方法:?是随机变量，可求其后验分布步骤:1.积分求后验分布2.根据后验分布求置信区间精选完整ppt课件

例子：两点分布X1…Xn服从两点分布，概率?，则服从二项分布求?的估计设先验分布是beta(a,b)求得后验分布：求得E(?|r)=(a+r)/(a+b+n)2.Neyman-Pearson范式不用贝叶斯方法规避了先验概率的决定对两个假设区别对待，一个成为原假设H0(nullhypotheses)，另一个成为备择假设H1(alternativehypotheses)由此导致在有些场合下选择原假设的困难Neyman-Pearson引理(lemma)方差已知的正态置信区间和假设检验的对偶关系：引理置信区间和假设检验的对偶关系：引理B广义似然比检验：

方差未知正态总体的均值检验多项分布的广义似然比检验Pearson卡方统计量和似然比Handy-Weinberg均衡在参数估计的例子中引入了Handy-Weinberg均衡BacterialC