先验,后验和似然

第一篇博客,随便写点正在看的东西微笑,从简单的开始咯。

突然间发现,怎么这些经常看到的词汇我对他们并没有自己认为的那么了解,知道他是谁,却不知道怎么去区分和使用委屈。本文主要介绍的就是这样让我总是分辨不清的三兄弟:先验、后验和似然。首先从概率上去认识,那么他们对应的分布啊,函数啊,以及衍生的其他就能更清楚地区分了。


在介绍各自区别之前,现在脑海中有这么两个概念:状态、参数(或者事件、结果)。 不同的参数θ会产生不同的状态x。OK,脑海中有这样的概念就行。

先验概率  Prior probability

直接观察状态,得到不同状态的不同概率,不考虑参数的事儿,即P(X)。举个不那么恰当的栗子,你扔一枚硬币(硬币:能不扔我了么大哭),不管你怎么扔,正扔、反扔、转体360度再扔。。。你都不管,你看最后是正是反。在扔了足够次数后,你得到了正面朝上的概率P(正面朝上),这个概率就称为先验概率。

后验概率  Posterior probability

这回就不一样了,还是让那个硬币,对就是他。扔,可劲儿扔,一遍遍扔,以不同的体位扔,有正面朝上也有反面朝上。于是这回我想知道正面草上的时候,以各种体位扔的概率是多少啊,此处的体位就是参数θ,即P(θ|X)

似然概率 likelihood probability

传递似然就又不一样了,似然是在给定参数下的状态X的概率分布P(X|θ),放到那个硬币的身上,就是说我已经知道用什么体位去扔硬币了,现在想知道在这种体位下,正面朝上的概率是多少呢?


三者的区别就是如上述所说的,如果学过概率论,那就一定知道以下这个公式: 

P(θ|X)*P(X)=p(X|θ)*P(θ)

我们把它转换成P(θ|X)=p(X|θ)*P(θ)/P(X)


鉴于分母不变,可以表达成如下正比关系:

Posteriorprobability∝Likelihood×Prior probability


  • 13
    点赞
  • 14
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
先验分布和后验分布是贝叶斯统计推断方法中的重要概念。 先验分布是指在进行推断之前,根据以往的知识、经验和信息对未知参数的分布进行估计。通常情况下,先验分布是由先前的实验数据、专家意见或相关的先验信息所确定。先验分布可以看做是对未知参数的先前假设或猜测。 后验分布则是在得到观测数据之后,根据贝叶斯公式将先验分布与似然函数结合起来,得到参数的后验分布。后验分布是在已经观测到数据之后对参数进行概率推断的结果,可以看作是在先验分布的基础上通过数据进行修正的结果。 举个例子来说明先验分布和后验分布的概念。假设我们要估计某种产品的成功率,根据以往的经验,我们对其成功率有一个先验分布,比如服从均匀分布。然后我们进行若干次实验,观测到了产品成功的次数。根据贝叶斯公式,我们将先验分布与似然函数结合起来,得到参数的后验分布。后验分布可以告诉我们在观测到这些数据之后,产品成功率的可能取值范围以及其概率分布。 先验分布和后验分布的使用,能够帮助我们在统计推断中更准确地估计未知参数的值。在贝叶斯统计推断中,先验分布和后验分布起到了关键的作用,使我们能够从先验的角度出发,并通过不断迭代来更新和修正我们的估计。先验分布和后验分布是贝叶斯统计推断方法中的重要基础。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值