贝叶斯统计-1课件.ppt

贝叶斯统计 经典统计与贝叶斯统计 经典统计与贝叶斯统计的区别反映在三个方面： 参数的理解上 概率的理解上 先验信息的有无利用上 对参数的理解 例1 估计某特定教师的年龄 概率理解的不同 设P(A)=0.9…… (1) ●经典统计：(1)式意味着重复试验n次，A发生的次数约为0.9n,故又称为频率学派 ●贝叶斯统计：认为A发生的可能性为90%，试验不一定会重复 例2 先验信息的利用 贝叶斯统计与经典统计的区别 符号的改变 边缘密度和后验密度 求解的例子 计算的简化 核的定义，设r.v.x的概率密度（或分布列） 函数为P(x)=c.h(x) 则称h(x)为P(x)的核 计算的简化---边缘密度的核 计算的简化---边缘密度的核 计算的简化---边缘密度的核 计算的简化---后验密度的核 计算的简化---边缘密度的核 先验分布的确定 先验分布的确定 2.利用先验分位数 先验分布的确定 3. 1和2的组合 多参数模型 充分统计量 充分统计量 充分统计量 充分统计量 第二章贝叶斯推断 点估计，区间估计，假设检验，预测，似然原理 点估计 点估计 2.贝叶斯点估计 贝叶斯点估计 贝叶斯统计中的点估计 设有三种信息 贝叶斯统计中的点估计 估计的误差度量 估计的误差度量 贝叶斯区间估计 贝叶斯区间估计——又称可信区间 可信区间——选择标准 可信区间——选择标准 可信区间——HPD HPD的寻找 HPD的寻找 HPD的寻找 贝叶斯统计 假设检验 假设检验 简单原假设v复杂备择假设 简单原假设v复杂备择假设 简单原假设v复杂备择假设 简单原假设v复杂备择假设 假设检验 假设检验 预测 贝叶斯统计 贝叶斯经典预测 贝叶斯预测 贝叶斯预测 似然原理 似然原理 似然原理 似然原理 似然原理 似然原理 似然原理 第三章 先验分布的确定 3.定分度法与变分度法 混合分布抽样 混合分布抽样 混合分布抽样 注：混合分布也是一种一般意义上的分布。 似然法选择先验 ML-Ⅱ先验 ML-Ⅱ先验 ML-Ⅱ先验 ML-Ⅱ先验 ML-Ⅱ先验 先验选择的矩方法 先验选择的矩方法 先验选择的矩方法 无信息先验分布 无信息先验分布 均匀分布 无信息先验分布 2.位置参数用均匀分布作无信息先验合理 无信息先验分布 无信息先验分布 无信息先验 5.Fisher信息阵确定Jeffreys先验 无信息先验无信息先验 Jeffreys先验的缺点 多层先验 多层先验 多层先验 多层先验 多层先验 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 多层先验-多层模型 第四章决策中的收益、损失与效用 决策中的收益、损失与效用 决策问题 决策问题-收益函数的计算 决策准则 求Jeffreys先验的步骤 无信息先验 5.Fisher信息阵确定Jeffreys先验 无信息先验 5.Jeffreys先验的例子 注：只需给出先验分布的核即可，因为这样已经能求出 后验分布了。 0.917 1 10 10 4 0.8 1 3 3 3 0.083 0 0 10 2 0.2 0 0 3 1 x n 试验号 注：在给定x下，后验均方差及贝叶斯估计都是常数 * * 三种信息： 总体信息~可知r.v.的分布类型 样本信息~由此可推断未知参数的信息 先验信息~由历史经验得到的参数信息 有一定的主观性通常由专家给出 参数理解的例子 概率理解的不同 总之，贝叶斯统计与经典统计的区别反映在：对参数、概率的理解上，先验信息有无利用上 计算的简化---边缘密度的核 共轭先验分布--- 更多参见p19-p20及表1.