贝叶斯统计中的边缘分布
概率论与数理统计中的边缘分布
- 假设有二维随机变量 ( X , Y ) (X,Y) (X,Y)具有分布函数 F ( x , y ) F(x,y) F(x,y),其中 X , Y X,Y X,Y都是随机变量,也有各自的分布函数,将它们各自的分布函数分别记为 F X ( x ) , F Y ( y ) F_X(x),F_Y(y) FX(x),FY(y),则 F X ( x ) , F Y ( y ) F_X(x),F_Y(y) FX(x),FY(y)就被称为二维随机变量 ( X , Y ) (X,Y) (X,Y)关于随机变量 X , Y X,Y X,Y的边缘分布的分布函数 F ( x , y ) = P { X ≤ x , Y ≤ y } F(x,y)=P\{X\le x,Y\le y\} F(x,y)=P{X≤x,Y≤y} F X ( x ) = ∫ Y F ( x , y ) d y F_X(x)=\int_YF(x,y)dy FX(x)=∫YF(x,y)dy F Y ( y ) = ∫ X F ( x , y ) d x F_Y(y)=\int_XF(x,y)dx FY(y)=∫XF(x,y)dx
贝叶斯统计中的边缘分布m(x)
- 在贝叶斯统计中,我们将参数也视为随机变量,因此我们总是通过如下公式来计算样本的边缘分布 m ( x ) = ∫ θ f ( X , θ ) d θ = ∫ θ f ( X ∣ θ ) π ( θ ) d θ m(x)=\int_\theta f(X,\theta)d\theta=\int_\theta f(X|\theta)\pi(\theta)d\theta m(x)=∫θf(X,θ)dθ=∫θf(X∣θ)π(θ)dθ这和概率统计中的边缘分布是吻合的,为了进一步介绍边缘分布的统计学意义,下面将介绍混合分布的概念
混合分布
- 设随机变量 X X X以 p p p的概率在总体 F 1 F_1 F1中取值,以 1 − p 1-p 1−p的概率在总体 F 2 F_2 F2中取值,若用 F ( x ∣ θ 1 ) F(x|\theta_1) F(x∣θ1)和 F ( x ∣ θ 2 ) F(x|\theta_2) F(x∣θ2)分别表示总体 F 1 F_1 F1和总体 F 2 F_2 F2的分布函数,则 X X X的混合分布函数为 F ( X ) = p ∗ F ( x ∣ θ 1 ) + ( 1 − p ) ∗ F ( x ∣ θ 2 ) F(X)=p*F(x|\theta_1)+(1-p)*F(x|\theta_2) F(X)=p∗F(x∣θ1)+(1−p)∗F(x∣θ2), X X X的混合概率密度为 f ( X ) = p ∗ f ( x ∣ θ 1 ) + ( 1 − p ) ∗ f ( x ∣ θ 2 ) f(X)=p*f(x|\theta_1)+(1-p)*f(x|\theta_2) f(X)=p∗f(x∣θ1)+(1−p)∗f(x∣θ2),称 f ( X ) f(X) f(X)为 f ( x ∣ θ 1 ) f(x|\theta_1) f(x∣θ1)和 f ( x ∣ θ 2 ) f(x|\theta_2) f(x∣θ2)的混合分布
- p p p和 1 − p 1-p 1−p可以视为随机变量 θ \theta θ的概率分布,由此可见边缘分布 m ( x ) m(x) m(x)是混合分布的推广。
- 当 θ \theta θ为离散型随机变量时,边缘分布 m ( x ) m(x) m(x)由有限个概率函数混合而成;
- 当 θ \theta θ为连续型随机变量时,边缘分布 m ( x ) m(x) m(x)由无限个概率函数混合而成。
贝叶斯统计中的边缘分布相关推荐
- 迁移学习在深度学习中的边缘分布对齐和条件分布对齐
个人理解: 边缘分布对齐:源数据和目标数据输入神经网络,经过卷积池化等操作提取特征后,形成的feature map相似. 条件分布对齐:不光要feature相似,还得是同类别的feature map相 ...
- 深度学习中的贝叶斯统计简介
贝叶斯用概率反映知识状态的确定性程度.数据集能够被直接观测到,因此不是随机的.另一方面,真实参数θ是未知或不确定的,因此可以表示成随机变量.在观察到数据前,我们将θ的已知知识表示成先验概率分布(pri ...
- 贝叶斯统计在投资决策中的应用
贝叶斯统计在投资决策中的应用 文章目录 贝叶斯统计在投资决策中的应用 一.Bayesian Approach与样本估计的区别 二.贝叶斯方法的三种信息 三.贝叶斯公式的密度函数形式 四.贝叶斯公式在预 ...
- 贝叶斯集锦:贝叶斯统计基础
转载自:http://site.douban.com/182577/widget/notes/10567181/note/294041203/ 1.从贝叶斯定理到贝叶斯统计推断 (1)贝叶斯统计简史 ...
- 贝叶斯 - 《贝叶斯统计》笔记
<贝叶斯统计 - 茆诗松> 茆诗松<贝叶斯统计>目前看过的讲贝叶斯方法最通俗易懂的书了 下载了在这里 第一章 先验分布和后验分布 1.1 三种信息 统计学的两个主要学派:频 ...
- python运行mcmc为何老出错_python中mcmc方法的实现
MCMC方法在贝叶斯统计中运用很多,MIT发布的EMCEE是实现的比较好的.介绍页面在下面.源代码中examples里的代码可以帮助理解各种功能,特别是line.py 列出了最小二乘法,最大似然法和M ...
- 贝叶斯统计:Inverted Beta与Three Parameter Beta分布
贝叶斯统计:Inverted Beta与Three Parameter Beta分布 Beta分布 Inverted Beta与Three Parameter Beta TPB-Normal Mixt ...
- 马尔可夫“折棍子”过程 Markovian Stick-breaking Process 在直方图平滑中的应用
马尔可夫"折棍子"过程 Markovian Stick-breaking Process 在直方图平滑中的应用 用Dirichlet prior做Histogram Smoothi ...
- 通过贝叶斯非参数模型探索在物流风险评估中的大数据
通过贝叶斯非参数模型探索在物流风险评估中的大数据 Abstract 在货物物流中,一个关键的绩效指标是运输风险,定义为实际到达时间与计划到达时间的偏差.对于客户和货运代理来说,无论是早到还是晚到都是不 ...
最新文章
- McAfee安装后无法启动服务的解决办法
- angular路由传递参数_@medux 路由篇
- nginx添加nginx_mod_h264_streaming-2.2.7模块编译报错
- [arXiv18]更快的基于非二叉化自底向上策略的转移系统成分句法分析
- Python密码强度判断
- MATLAB LSTM多输入单输出 模式分类 示例解析(含代码)
- Web服务器和http请求
- 在Server 2008中添加磁盘清理
- OpenGL三维变换与三维投影实例(行星绕日旋转)
- 新服务器如何设置共享硬盘,Windows Server 2012 iSCSI如何搭建共享磁盘教程
- 人与自然超越彩虹-上
- vba返回excel中所有菜单命令栏CommandBar的名称
- “产教融合,共享生态” CIE 2017中国IT教育博鳌论坛圆满召开
- eclipse怎么恢复默认布局
- ThinkPHP3.2 框架sql注入漏洞分析(2018-08-23)
- 离散数学 习题篇 —— k倍区间
- 【PPT】《挑战用chatgpt完成流水线操作的ppt,再也不用担心每周肝组会报告ppt了#人工智能 #chatgpt应用领域 快学起来!!!》- 知识点目录
- 德国GREISINGER 真空压力表GDH 200-14 德国 rubsamen 风扇 herr 10 535 150 lv500 230v 50/60hz
- 微信如何导出聊天记录亲测可用
- 19.4、Javaweb案例_旅游路线名称查询旅游路线的详情展示