本文对比了贝叶斯估计与显著性检验在概率密度估计中的应用。通过扔硬币实验，阐述了零假设显著性检验的步骤，强调了样本分布的重要性。接着介绍了贝叶斯估计的基础概念，如似然性、先验概率，并展示了如何通过贝叶斯法则计算后验概率分布。贝叶斯估计提供了更多关于参数估计的信息，如均值、不确定性（HPD区间）和参数取值可能性，且无需推算样本分布，相对显著性检验更为直接和全面。
在上一篇文章中，我们以扔硬币为例，熟悉了贝叶斯法则的运作过程。如果各位看官还不是很了解贝叶斯推断的意义以及贝叶斯法则的数学原理，建议先读一读之前的文章。看完了上一篇文章，我猜测大家都很关心一个问题：如何检验一枚硬币是否质地均匀呢？这篇文章，就来从两种检验方式回答这个问题。
一、零假设显著性检验（Null hypothesis Significance Testing）
我们想探究某一枚硬币是否质地均匀，决定扔10次（
），记录正面向上的次数。设这枚硬币正面向上的概率为
，显著性检验第一步，写出两个假设：
第二步，找到样本分布。样本分布是显著性检验的核心，如果我们找不到样本分布，我们就无法进行显著性检验。在这个问题中，我们在意的是样本分布是
的概率分布，其中，
表示扔硬币的总次数，
表示正面向上的次数，而
表示通过样本计算出的
的
是我们固定好的，等于10，所以，我们只要写出
的概率分布，我们就能知道
的概率分布。零假设中，我们认为硬币正面朝上的概率是0.5&#
最低0.47元/天 解锁文章
扫一扫
3561
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
