贝叶斯概率推断:概率分布
2018-02-15 16:28
417 查看
概率分布
假设x是一个随即变量,存在一个关于x的概率分布函数,x可以取任何值.同概率分布函数都得到一个概率值.随即变量分为三种类型:1.离散随机变量:变量的取值在固定的列表中.
2.连续随机变量:连续变量的值可以是任意精度的数值.
3.混合型变量 :既有离散型变量又有连续型变量.
离散情况
xx是离散的,xx的分布为概率质量函数,当xx的取值为kk时的概率为P(x=k)P(x=k).概率质量函数可以完全描述随机变量xx,假设xx服从泊松分布:可表示为:x~Poi(λ)x~Poi(λ)P(x=k)=λke−λk!,k=0,1,2,3.......P(x=k)=λke−λk!,k=0,1,2,3.......
λλ : Poisson分布的强度,λλ增大,kk取大值的概率会增加.反之,则减小.λλ的取值为任意正数.
kk : 取值为任意非负整数.
Poisson分布的重要性质:它的期望等于它的参数,E[x|λ]=λE[x|λ]=λ
import numpy as np import scipy.stats as stats import matplotlib.pyplot as plt
# 随机变量 x = np.arange(20) # 泊松分布 poi = stats.poisson lambda_ = [1.5, 4.25] colours = ["#348ABD", "#A60628"] # lambda = 1.5 plt.bar(x, poi.pmf(x, lambda_[0]), color=colours[0], label="$\lambda = %.1f$" % lambda_[0], alpha=0.60, edgecolor=colours[0], lw="3") # lambda = 4.25 plt.bar(x, poi.pmf(x, lambda_[1]), color=colours[1], label="$\lambda = %.1f$" % lambda_[1], alpha=0.60, edgecolor=colours[1], lw="3") plt.xticks(x + 0.4, x) plt.legend() plt.ylabel("probability of $k$") plt.xlabel("$k$") plt.title("Probability mass function of a Poisson random variable; differing \ $\lambda$ values")
连续情况
在连续变量的情况下,概率分布函数被称为概率密度函数.举一个例子:指数密度.指数随机变量的密度函数如下式:fx(x|λ)=λe−λx,x>=0fx(x|λ)=λe−λx,x>=0
xx : 指数随机变量可以取任意非负值,包括整数.
λλ: 取值大于等于0.
当随机变量xx服从参数为λλ的指数分布时,记为x~Exp(λ)x~Exp(λ)
指数型随机变量的期望值为λλ的逆:E[x|λ]=1/λE[x|λ]=1/λ
# 随即变量 x = np.linspace(0, 6, 150) expo = stats.expon lambda_ = [0.5, 1.0] # lambda = 0.5 plt.plot(x, expo.pdf(x, scale=1.0/lambda_[0]), label="$\lambda = %.2f"%lambda_[0]) plt.fill_between(x, expo.pdf(x, scale=1.0/lambda_[0]), alpha=0.5) # lambda = 1.0 plt.plot(x, expo.pdf(x, scale=1.0/lambda_[1]), label="$\lambda = %.2f"%lambda_[1]) plt.fill_between(x, expo.pdf(x, scale=1.0/lambda_[1]), alpha=0.5) plt.legend() plt.ylabel("Probability density function at $z$") plt.xlabel("$z$") plt.ylim(0, 1.2) plt.title("Probability density function of an exponential random variable,different $\lambda$") plt.show()
注意!概率密度函数在某一点的值并不等于它在这一点的概率.
参数 λλ
参数λλ可以理解为统计的动机,在现实世界中我们并不能直观的感受到参数λλ的存在.如果要确定参数λλ,就要深入到整个事件的背景当中去.这个问题很难,因为并不存在xx到参数λλ的一一对应关系.贝叶斯推断围绕参数λλ的估计,是通过一个概率分布来描述参数λλ的可能取值.相关文章推荐
- 用Python实现概率编程与贝叶斯推断 - Part I - Hello PyMC
- 贝叶斯定理和二项概率分布解决一个问题
- 【机器学习】贝叶斯、概率分布与机器学习
- 贝叶斯推断 1. 基本概率模型和贝叶斯定理
- 贝叶斯、概率分布与机器学习
- 贝叶斯概率推断:短信数据推断行为
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 机器学习中的贝叶斯、概率分布
- 机器学习:贝叶斯总结_2:概率分布
- 机器学习中贝叶斯判决、概率分布、样本等概念间的关系
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 贝叶斯、概率分布与机器学习
- 概率样本机器学习中贝叶斯判决、概率分布、样本等概念间的关系
- 贝叶斯、概率分布与机器学习
- 【机器学习】Tensorflow概率编程: 贝叶斯线性回归、变分贝叶斯与黑盒变分推断
- 【机器学习中的数学】贝叶斯框架下二元离散随机变量的概率分布
- 用Python实现概率编程与贝叶斯推断 - Part II - MCMC