贝叶斯统计
贝叶斯统计是一种不同于频率学派统计的方法,主要通过贝叶斯定理将先验知识与数据相结合,来估计未知参数的分布。贝叶斯方法认为参数是随机且具有不确定性的,而数据是确定的。这种方法在许多应用中非常有用,特别是在数据稀疏或者存在先验知识的情况下。
示例:贝叶斯估计正态分布的参数
代码实现
#include <iostream>
#include <vector>
#include <cmath>
#include <numeric>
#include <random>
// 函数:生成样本数据
std::vector<double> generateData(int n, double true_mu, double sigma) {
std::default_random_engine generator;
std::normal_distribution<double> distribution(true_mu, sigma);
std::vector<double> data(n);
for (int i = 0; i < n; ++i) {
data[i] = distribution(generator);
}
return data;
}
// 函数:计算样本均值
double calculateMean(const std::vector<double>& data) {
double sum = std::accumulate(data.begin(), data.end(), 0.0);
return sum / data.size();
}
// 贝叶斯估计均值
std::pair<double, double> bayesianEstimateMean(const std::vector<double>& data, double mu0, double tau2, double sigma2) {
int n = data.size();
double sample_mean = calculateMean(data);
double posterior_mean = (sigma2 * mu0 + n * tau2 * sample_mean) / (n * tau2 + sigma2);
double posterior_variance = (sigma2 * tau2) / (n * tau2 + sigma2);
return {posterior_mean, posterior_variance};
}
int main() {
// 参数设置
int n = 100; // 样本数量
double true_mu = 5.0; // 真正的均值
double sigma = 2.0; // 标准差
double mu0 = 0.0; // 先验均值
double tau2 = 4.0; // 先验方差
double sigma2 = sigma * sigma;
// 生成样本数据
std::vector<double> data = generateData(n, true_mu, sigma);
// 进行贝叶斯估计
auto [posterior_mean, posterior_variance] = bayesianEstimateMean(data, mu0, tau2, sigma2);
// 输出结果
std::cout << "样本均值: " << calculateMean(data) << std::endl;
std::cout << "贝叶斯估计均值: " << posterior_mean << std::endl;
std::cout << "贝叶斯估计方差: " << posterior_variance << std::endl;
return 0;
}