最近开始自学PRML,为此又补了概率论中的一些知识点。
相较于古典概率通过各种估计手段来确定参数的分布,贝叶斯学派则是使用后验概率来确定,为了方便计算后验概率,引入共轭先验分布来方便计算,这是后话了。
那么一些常见的共轭后验分布有哪些呢?这就引出了这里的主题。有诸如贝塔分布、伽马分布和倒伽马分布等。(先打个坑,后面再补充)
简介
贝塔分布
下面就是
X∼Beta(α,β)
的概率密度函数
f(x)=Γ(α+β)Γ(α)Γ(β)xα−1(1−x)β−1
-
E(X)=αα+β
-
Var(X)=αβ(α+β)2(α+β+1)
这个式子并不是从天而降,这是有由来的。
最先想构造的概率分布函数是,
f(x)=wxα−1(1−x)β−1
其中,
w
是一个常数,为了满足概率分布函数的两个条件
- x∈[0,1]
-
∫10f(x)dx=1
因此
f(x)=xα−1(1−x)β−1∫10xα−1(1−x)β−1dx=Γ(α+β)Γ(α)Γ(β)xα−1(1−x)β−1=1B(α,β)xα−1(1−x)β−1
贝塔函数
B(α,β)=∫10xα−1(1−x)β−1dx
伽马函数
其中
Γ(x)
就是伽马函数,此处传送门详解伽马函数历史由来
Γ(θ)=∫∞0xθ−1e−xdx
其中伽马函数有一些性质需要注意
-
Γ(x+1)=xΓ(x)
对于整数
n
来说
Γ(n)=(n−1)!
对于
x∈(0,1)
,
Γ(1−x)Γ(x)=πsin(πx)
-
Γ(12)=π√
伽马分布
X∼Γ(k,θ)
的概率密度函数如下
f(x)=xk−1e−x/θθkΓ(k),(k>0,θ>0)
倒伽马分布
X∼IGa(α,β)
由
Y=g(X)=1X及X∼Γ(k,θ)
推出
Y
的分布,即为倒伽马分布。
fY(y)=fX(g−1(y)|ddyg−1(y)|)=1θkΓ(k)(1y)k+1exp(−1yθ)=1θkΓ(k)y−k−1exp(−1yθ)
用
α
替换
k
,β替换
θ−1
得:
fX(x)=βαΓ(α)x−α−1exp(−βx)
上式即为倒伽马分布的概率密度函数
X∼IGa(α,β)
。
E(X)=βα−1,α>1
D(X)=β2(α−1)2(α−2),α>2
参考资料
https://en.wikipedia.org/wiki/Beta_distribution
https://en.wikipedia.org/wiki/Beta_function
https://en.wikipedia.org/wiki/Inverse-gamma_distribution
本作品采用知识共享署名-非商业性使用-相同方式共享 3.0 中国大陆许可协议进行许可。
本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系:hwhale#tublm.com(使用前将#替换为@)