- 参数估计的方法
- 矩估计
- 最大似然估计
- 最小二乘法
- 贝叶斯估计
贝叶斯观点
贝叶斯公式
- 全概率公式:
B1,.....,Bn
是样本空间的一个完备事件群
p(A)=p(∑ni=1ABi)=∑ni=1p(A|Bi)p(Bi)
2.贝叶斯公式
p(Bi|A)=p(A|Bi)p(Bi)p(A)=p(A|Bi)p(Bi)∑nj=1p(A|Bj)P(Bj)
- 全概率公式:
B1,.....,Bn
是样本空间的一个完备事件群
频率学派:将样本视为来着一定概率分布的总体,所研究的对象是总体分布,而不是样本(发现了最小二乘和正态分布)
贝叶斯学派:
- 先验信息:在抽样之前,关于统计推断问题中参数的先验知识( 先验来着经验和历史)
- 是否使用先验知识,是贝叶斯学派的特点
- 重视已经出现的样本,对于未出现样本不考虑
- 重点是如何确定先验分布
核心分歧:将参数 θ 看做固定参数还是随机变量
### 先验分布和后验分布
*
π(θ)是θ的先验分布
π(θ) 是随机变量 θ 的概率函数
( θ是离散变量时π(θi)是事件θ=θi的概率分布;θ是连续变量的时候,π(θ)是θ的密度函数 )π(θ) 在获取样本后,发生变化;
π(θ|x) 是给定x时随机变量 θ 的概率函数
- 后验分布
获取样本x后, θ 的后验分布就是 X=x 条件下 θ 的条件分布, π(θ|x)
π(θ|x)=h(θ)m(x)=f(x|θ)π(θ)∫Θf(x|θ)π(θ)dθ
h(x,θ)
是联合分布
f(x|θ)
是概率密度函数
π(θi|x)=f(x|θi)π(θi)∑if(x|θi)π(θi)
f(x|θi)是事件X=x|θi的概率P(X=x|θi)
- 获得后验概率后可以使用后验均值作为
θ
的估计
θ^B=E(θ|x)=∫Θθπ(θ|x)dθ
=∫Θθf(x|θ)π(θ)dθm(x)
例子(Beta分布)
设随机变量X服从二项分布
B(n,θ)
,
θ
的先验分布是
(0,1)
上的均匀分布
U(0,1)
,求
θ
的贝叶斯点估计
解:
X的概率密度和
θ
的先验密度是
f(x|θ)=(nx)θx(1−θ)n−x
π(θ)=1
(0<θ<1)
X和
θ
的联合分布
h(x,θ)=(nx)θx(1−θ)n−x
X的边缘分布
m(x)=∫10h(x,θ)dθ=1n+1
=>
θ
的后验概率是
π(θ|x)=h(x,θ)m(x)=...
(Beta 分布)
=>
θ^B=E(θ|x)=x+1n+2
其中MLE下的估计是
θ^=Xn
Beta分布,Gamma分布
- Beta函数和Gamma函数
B(a,b)=Γ(A)Γ(B)Γ(a+b)