贝叶斯统计:Tweedie公式及其证明
贝叶斯统计:Tweedie公式及其证明
Tweedie公式是贝叶斯统计中用来研究正态分布的均值问题的最重要的公式之一,不管是在经典的对正态均值进行区间估计、假设检验等领域中,还是在现代贝叶斯统计用均值的特殊先验构造其shrinkage estimator的领域中,Tweedie公式都是重要的基础工具,所以这一篇我们一起学习一下这个公式及其证明。
Tweedie公式 考虑y∣μ∼N(μ,σ2)y|\mu \sim N(\mu,\sigma^2)y∣μ∼N(μ,σ2),其中σ2\sigma^2σ2已知,μ\muμ服从先验概率密度f(μ)f(\mu)f(μ),yyy的先验边缘概率为
m(y)=∫−∞+∞f(μ)2πσe−(y−μ)22σ2dμm(y)=\int_{-\infty}^{+\infty} \frac{f(\mu)}{\sqrt{2\pi}\sigma}e^{-\frac{(y-\mu)^2}{2\sigma^2}}d\mu m(y)=∫−∞+∞2πσf(μ)e−2σ2(y−μ)2dμ
而μ\muμ的后验均值为
E[μ∣y]=y+dlnm(y)dyE[\mu|y]=y+\frac{d\ln m(y)}{dy}E[μ∣y]=y+dydlnm(y)
证明
先计算score function dlnm(y)dy\frac{d\ln m(y)}{dy}dydlnm(y),
dlnm(y)dy=1m(y)ddym(y)=1m(y)ddy∫−∞+∞f(μ)2πσe−(y−μ)22σ2dμ=1m(y)∫−∞+∞f(μ)2πσddye−(y−μ)22σ2dμ=1m(y)∫−∞+∞(μ−y)f(μ)e−(y−μ)22σ22πσdy\begin{aligned}\frac{d\ln m(y)}{dy} & =\frac{1}{m(y)} \frac{d}{dy}m(y) \\ & = \frac{1}{m(y)} \frac{d}{dy} \int_{-\infty}^{+\infty} \frac{f(\mu)}{\sqrt{2\pi}\sigma}e^{-\frac{(y-\mu)^2}{2\sigma^2}}d\mu \\ & =\frac{1}{m(y)} \int_{-\infty}^{+\infty} \frac{f(\mu)}{\sqrt{2\pi}\sigma}\frac{d}{dy} e^{-\frac{(y-\mu)^2}{2\sigma^2}}d\mu \\ & = \frac{1}{m(y)}\int_{-\infty}^{+\infty} (\mu-y)\frac{f(\mu)e^{-\frac{(y-\mu)^2}{2\sigma^2}}}{\sqrt{2\pi} \sigma } dy \end{aligned}dydlnm(y)=m(y)1dydm(y)=m(y)1dyd∫−∞+∞2πσf(μ)e−2σ2(y−μ)2dμ=m(y)1∫−∞+∞2πσf(μ)dyde−2σ2(y−μ)2dμ=m(y)1∫−∞+∞(μ−y)2πσf(μ)e−2σ2(y−μ)2dy
然后计算后验均值
E[μ∣y]=∫−∞+∞μf(μ)e−(y−μ)22σ22πσm(y)dy=∫−∞+∞[y+(μ−y)]f(μ)e−(y−μ)22σ22πσm(y)dy=y∫−∞+∞f(μ)e−(y−μ)22σ22πσm(y)dy+∫−∞+∞(μ−y)f(μ)e−(y−μ)22σ22πσm(y)dy=y+dlnm(y)dy\begin{aligned} E[\mu|y]& =\int_{-\infty}^{+\infty} \mu \frac{f(\mu)e^{-\frac{(y-\mu)^2}{2\sigma^2}}}{\sqrt{2\pi} \sigma m(y)}dy \\ & = \int_{-\infty}^{+\infty} [y+(\mu-y)]\frac{f(\mu)e^{-\frac{(y-\mu)^2}{2\sigma^2}}}{\sqrt{2\pi} \sigma m(y)}dy \\ & = y \int_{-\infty}^{+\infty} \frac{f(\mu)e^{-\frac{(y-\mu)^2}{2\sigma^2}}}{\sqrt{2\pi} \sigma m(y)}dy + \int_{-\infty}^{+\infty} (\mu-y)\frac{f(\mu)e^{-\frac{(y-\mu)^2}{2\sigma^2}}}{\sqrt{2\pi} \sigma m(y)}dy \\ & = y+\frac{d\ln m(y)}{dy} \end{aligned}E[μ∣y]=∫−∞+∞μ2πσm(y)f(μ)e−2σ2(y−μ)2dy=∫−∞+∞[y+(μ−y)]2πσm(y)f(μ)e−2σ2(y−μ)2dy=y∫−∞+∞2πσm(y)f(μ)e−2σ2(y−μ)2dy+∫−∞+∞(μ−y)2πσm(y)f(μ)e−2σ2(y−μ)2dy=y+dydlnm(y)
证毕
贝叶斯统计:Tweedie公式及其证明相关推荐
- 概率论减法公式的证明
概率论减法公式的证明
- 协方差公式性质证明过程_一个方差公式的多种证明
一个方差公式的多种证明 王敏慧 ; 刘国庆 ; 张银龙 [期刊名称] <大学数学> [年 ( 卷 ), 期] 2012(028)001 [摘要] 运用方差性质 , 协方差定义 , 函数凸性 ...
- 协方差公式性质证明过程_论文推荐 | 刘志平:等价条件平差模型的方差-协方差分量最小二乘估计方法...
<测绘学报> 构建与学术的桥梁 拉近与权威的距离 等价条件平差模型的方差-协方差分量最小二乘估计方法 刘志平1, 朱丹彤1, 余航1, 张克非1,2 1. 中国矿业大学环境与测绘学院, 江 ...
- 良心发现,时隔一年再回首莫比乌斯反演(公式性质证明+题目练习)
文章目录 莫比乌斯反演 引入 公式 性质 模板 公式证明 莫比乌斯函数前缀和 题目练习 完全平方数 [HAOI2011]Problemb YY的GCD [SDOI2014]数表 [国家集训队]Cras ...
- 排列组合十一个性质公式及证明,错排数公式及证明
文章目录 排列数 组合数 求组合数常用公式 定义式 递推式 杨辉三角 组合数常用性质及证明 性质一 性质二 性质三 性质四(二项式定理) 性质五 性质六 性质七 性质八 性质九 性质十 性质十一 错排 ...
- 欧拉函数公式及其证明
以下转自 百度文库 炒鸡好QAQ 欧拉函数 : 欧拉函数是数论中很重要的一个函数,欧拉函数是指:对于一个正整数 n ,小于 n 且和 n 互质的正整数(包括 1)的个数,记作 φ(n) . 完全余数集 ...
- 常见的导数公式及证明
常见的导数公式和积分公式 证明幂函数的导数(x^a)`=ax^(a-1) 证明指数函数的导数(a^x)`=a^xlna 证明正弦函数的导数(sinx)`=cosx 证明余弦函数的导数(cosx)`=- ...
- 由二项分布推导泊松分布中的两个使用公式的证明
一.概述 泊松分布是二项分布的极限,因此可以由二项分布推导出来,在推导过程中会用到如下两个公式: 在<求x->∞时(1-k/x)^x的极限值>介绍了后面这个公式的推导过程,虽然结论正 ...
- 欧拉函数公式的证明以及欧拉定理的简单应用(附带证明)
相信大家都已经了解了欧拉函数的定义 在1~N当中,与N互质的数的个数被叫做欧拉函数,简写成Φ(N): 在算数基本定理中我们可以把一个数N分解成所有质因子的乘积的形式,记作 N = p1^a1 * p2 ...
最新文章
- 多样性计算时代,怎样的技术生态才能满足发展需求
- asp.net url 重写解决方案
- Spring Cloud Alibaba - 20 Nacos StandAlone模式下的数据存储(Derby)及新增登录用户
- python——正则表达式
- html导航下拉菜单js点击显示不出来,使用JS做下拉菜单,子菜单不显示
- CSS中的!important属性用法
- mfc oninitdialog 中的hwnd == null_在SOUI中使用动态多语言切换
- Verilog HDL语言设计4个独立的非门
- 浅谈PHP语音里的流程控制及实现方法
- Python中写一个乒乓球类的游戏
- 【ElasticSearch】Es 源码之 NodeService 源码解读
- 201671010430 司昕劼 实验十四 课程学习总结
- java设计模式刘伟模拟题答案,灵魂拷问
- 学习Spring(一) -- 配置Spring
- 0e php若类型,0e开头MD5 python生成脚本 PHP哈希弱类型比较缺陷
- python基础语法学习常见小问题
- Spark教程——(2)编写spark-submit测试Demo
- pads中如何设置等长_如何给PDF中的文本设置高亮显示
- this指针常识性问题
- 5G+北斗高精度定位系统适用于哪些行业领域?
热门文章
- Hive表路径修改和分区表数据加载命令
- Java实现Redis分布锁
- Matlab优化函数中options选项的修改
- Scattering:将数据写入到buffer时,可以采用buffer数组,依次写入 [分散] || Gathering: 从buffer读取数据时,可以采用buffer数组,依次读
- java的知识点34——线程通信 || 生产者与消费者问题
- VS Code(Visual Studio Code)编辑器的常用设置
- Java Web - 服务器中的过滤器和监听器
- calcBackProject函数(搜索小物体的位置)
- linux下nginx部署以及配置详解
- 组合问题 contest4