趣学贝叶斯统计：Beta分布练习题

(1) 你想用Beta分布来判断自己拥有的一枚硬币是否是一枚均匀的硬币，也就是说，这枚硬币出现正面和反面的机会一样。掷这枚硬币10次，出现正面4次，反面6次。利用Beta分布，计算这枚硬币在60%以上的情况下出现正面的概率。

1. 计算先验：
   假设硬币的正面出现的概率为θ，我们可以将θ的先验分布设为Beta分布，即：

$$P(\theta )\sim Beta(\alpha ,\beta )$$

2. 后验参数：
   我们观察到了10次投掷中有4次正面和6次反面，这对应于二项分布。

$$P(\theta |D)\sim Beta(\alpha +4,\beta +6)$$

其中D是观察到的数据。

为了计算硬币在60%以上出现正面的概率，我们需要计算后验分布中θ大于0.6的概率：

$$P(\theta >0.6|D)={\int }_{0.6}^{1}P(\theta |D)d\theta$$

令$\alpha$和$\mathrm{B}$先验=1，后验 ${\alpha }^{\prime }=\alpha +4=1+4=5$ 和 ${\beta }^{\prime }=\beta +6=1+6=7$。

现在，我们有后验分布为 $P(\theta |D)\sim Beta(5,7)$。

要计算硬币在60%以上出现正面的概率，我们需要计算后验分布中 $\theta >0.6$ 的概率：

$$P(\theta >0.6|D)={\int }_{0.6}^{1}Beta(\theta |5,7)d\theta$$

我们可以使用数值积分来近似计算。在这里，我将使用Python中的数值积分库进行计算。

from scipy.stats import beta
import numpy as np

# 定义后验分布的参数
alpha_posterior = 5
beta_posterior = 7

# 计算概率
probability = 1 - beta.cdf(0.6, alpha_posterior, beta_posterior)#beta.cdf计算了小于等于0.6的概率。

print("硬币在60%以上出现正面的概率为:", probability)

结果：

硬币在60%以上出现正面的概率为: 0.5210763722942205

这表示硬币在60%以上出现正面的概率约为52.11%。

(2) 你继续掷这枚硬币10次，现在共出现正面9次，反面11次。根据我们对“均匀”一词的定义，在误差不超过5%的情况下，请问这枚硬币均匀的概率是多少？

方法：

1. 在上述的基础上，要找到累计概率为95%的区间。
2. 计算接近0.5的概率（用小于等于0.55的概率-小于等于0.45的概率）

from scipy.stats import beta

# 更新后验分布参数
alpha_posterior = 10
beta_posterior = 12

# 找到使得累积概率为95%的区间
lower_bound = beta.ppf(0.025, alpha_posterior, beta_posterior)
upper_bound = beta.ppf(0.975, alpha_posterior, beta_posterior)

# 计算均匀的概率，即 θ 接近0.5 的概率
uniform_probability = beta.cdf(0.55, alpha_posterior, beta_posterior) - beta.cdf(0.45, alpha_posterior, beta_posterior)

print("95%的后验区间为: [{:.4f}, {:.4f}]".format(lower_bound, upper_bound))
print("这枚硬币均匀的概率为: {:.4f}".format(uniform_probability))

结果：

95%的后验区间为: [0.2571, 0.6598]
这枚硬币均匀的概率为: 0.3276

PPF（Percent Point Function）是累积分布函数的逆函数。对于给定的概率值，PPF 返回一个对应的分位数，即使得随机变量落在该值以下的概率等于给定概率值的点。

(3) 用数据证明是让你对自己的论断更有信心的最佳方法。你继续抛掷这枚硬币200次，最终出现109次正面，111次反面。还是在误差不超过5%的情况下，请问这枚硬币均匀的概率是多少？

结果：

95%的后验区间为: [0.4300, 0.5611]
这枚硬币均匀的概率为: 0.8608