二元分布
先介绍最简单的一种二元概率分布,比如抛硬币,只有两种可能。假设随机变量为
x
,那么
花朝上。
p(x=1)=μ
表示
x=1
的概率为
μ
, 那么
p(x=0)=1−μ
, 其中,
μ
满足
0≤u≤1
,那么随机变量
x
的概率分布满足:
这个称为伯努利分布,可以很容易得到该分布的期望与方差为:
如果,硬币抛了很多次,我们有了很多的观测数据 D={x1,x2,...,xN} ,那么我们可以得到如下的似然函数:
如果要根据观测数据估计参数 μ , 可以利用最大似然估计,对上式取对数,可以得到:
可以得到参数 μ 的最大似然估计为:
从古典统计的角度来看,其实就是观测数据中 x=1 所占的比例。这种估计在观测数据少的时候,会有问题,比如如果我们抛了三次硬币得到三次观测数据 x1,x2,x3 ,如果三次都是 x=1 ,那么我们估计的参数 μ 为1,意味着第四次抛硬币, x=1 的概率为百分之百,这似乎违反我们一般的直觉,我们可以认为第四次抛硬币, x=1 的概率大于百分之五十,但不应该是百分之百。这是最大似然估计的缺陷,因为最大似然估计只根据观测数据来确定参数。如果要得到更合理的估计,应该要对参数 μ 给定一个先验分布,然后再利用最大后验概率估计来确定参数。具体的细节可以参考下面的文献。
多元分布
伯努利分布是描述二元分布的,但是有的时候,一个变量可能不止两种状态,比如扔色子,从1到6会有6种可能,这种是多元分布。对于这种多元分布,有种简单的描述就是用一个只包含0与1的向量
x
来表示,这个向量中只含有一个1,其它都是0,比如
x={0,0,0,1,0,0}
表示色子的点数为4,一个包含
K
个状态的随机变量,可以用一个维度为
向量 x 的概率分布满足:
给定一组观测数据
D
,含有
利用最大似然估计,可以得到相应的参数 μMLk 为:
其中,
mk
表示观察数据
x
中,第
k
分量为 1的个数,
事实上,多元分布还可以表示另外一种概率分布,上面我们讨论的是一个变量可能有多个状态,而且每个状态是互斥的。还有一种情况是多个变量同时出现,但是每个变量依然只有两种状态。比如,我们同时扔6个硬币,每个硬币只有两种状态:字或者花。如果一次抛六个硬币,那么每次这六个硬币的概率分布可以表示为:
x={x1,x2,...x6}
, 其中
xk
表示第
k
个硬币的状态 (0或者1),