这篇博客介绍了贝叶斯统计的基础，包括贝叶斯公式及其应用。首先定义了贝叶斯统计的设定，解释了参数的先验密度和后验密度。接着通过实例展示了如何使用贝叶斯公式估计概率。此外，还讨论了贝叶斯充分统计量的概念，并证明了充分统计量与贝叶斯充分统计量的关系。
这一讲讨论贝叶斯统计的一些基础思想，会分成三个部分，第一部分讨论贝叶斯统计的设定；第二部分讨论贝叶斯统计的估计与假设检验；第三部分讨论贝叶斯统计的置信区间。
贝叶斯公式
假设 X X X是概率空间 ( X , B ( X ) , P θ ) (\mathcal{X},\mathcal{B}(\mathcal{X}),P_{\theta}) (X,B(X),Pθ)上的随机变量， X ⊂ R n \mathcal{X} \subset \mathbb{R}^n X⊂Rn，它表示一组简单随机样本 X 1 , ⋯ , X n ∼ f ( x ∣ θ ) X_1,\cdots,X_n \sim f(x|\theta) X1,⋯,Xn∼f(x∣θ)， θ \theta θ是分布的参数， θ ∈ Θ \theta \in \Theta θ∈Θ， Θ \Theta Θ被称为参数空间。参数空间与其Borel σ \sigma σ-代数构成一个可测空间 ( Θ , B ( Θ ) ) (\Theta,\mathcal{B}(\Theta)) (Θ,B(Θ))，用 C a p ( Θ , B ( Θ ) ) Cap(\Theta,\mathcal{B}(\Theta)) Cap(Θ,B(Θ))表示参数空间上所有可能的概率测度的集合，对于 P π ∈ C a p ( Θ , B ( Θ ) ) P_{\pi} \in Cap(\Theta,\mathcal{B}(\Theta)) Pπ∈Cap(Θ,B(Θ))，称测度 P π P_{\pi} Pπ导出的密度为参数 θ \theta θ的一个先验密度，记为 π ( θ ) = P π ( d θ ) / d θ \pi(\theta) = P_{\pi}(d \theta)/d \theta π(θ)=
最低0.47元/天 解锁文章
扫一扫
1417
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
