贝叶斯估计BayesEstimation课件.pptVIP

贝叶斯估计Bayes Estimation 数理统计课题组 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: …… 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 ; ?)? 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 | ?)? 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)? 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 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 Bayesian方法 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 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） 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： 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 Bayes统计推断问题 参数估计： 点估计 区间估计 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： 后验风险： Bayesian风险与后验风险 后验分析最小＝Bayesian风险最小 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 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 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 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(null hypotheses)，另一个成为备择假设H1(alternative hypotheses) 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Bacterial Clump泊松散布度检验(disper