Пред.
След.
Макеты страниц
Распознанный текст, спецсимволы и формулы могут содержать ошибки, поэтому с корректным вариантом рекомендуем ознакомиться на отсканированных изображениях учебника выше Также, советуем воспользоваться поиском по сайту, мы уверены, что вы сможете найти больше информации по нужной Вам тематике ДЛЯ СТУДЕНТОВ И ШКОЛЬНИКОВ ЕСТЬ
ZADANIA.TO
15.5. БАЙЕСОВСКИЙ ВЫВОД ДЛЯ НЕКОТОРЫХ ОДНОМЕРНЫХ ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ15.5.1. ВЫВОДЫ В СЛУЧАЕ БИНОМИАЛЬНОГО РАСПРЕДЕЛЕНИЯ И БЛИЗКИХ К НЕМУ РАСПРЕДЕЛЕНИЙЕсли у обозначает число успешных результатов при
Предположим, что априорные представления относительно в заданы в виде плотности
Как отмечалось при общем обсуждении теоремы Байеса в непрерывном случае, вид При биномиальном распределении нам потребуется семейство функций, определенных на интервале 00 1 и заданных в виде функций с небольшим числом параметров, которые можно изменять, чтобы получить несколько видов функций с гибкими свойствами. Таким семейством функций является семейство бета-функций [см. II, раздел 11.6], определенных при
где
Рис. 15.5.1. Примеры плотностей бета-распределения: Изменяя При конкретном выборе значений
Оценивая интеграл, получим
Теперь мы располагаем интересным результатом. Апостериорная плотность также имеет форму бета-функции, но вместо априорных параметров
Из этого результата следует очень простое правило усовершенствования представлений в случае вероятностной модели с биномиальным распределением, когда априорные представления отражены в виде плотности, имеющей вид бета-функции. Проведенный выше анализ оказывается тогда достаточным в качестве единственного решения при любом выборе
имеет
Поскольку нижние процентные точки
Пример 15.5.1. Если
(Отметим, что этот интервал не является интервалом наивысшей апостериорной плотности, так как в стандартных таблицах не приводятся верхние и нижние значения, рассчитанные на таком базисе, за исключением случаев симметричной функции плотности. В таблицах для статистиков байесовского направления [см. Isaacs, Christ, Norvick and Jackson (1974) - G] содержатся результаты для получения интервалов наивысшей апостериорной плотности. Однако чаще всего результаты оказываются очень похожими.) Некоторое представление о способе, которым при получении апостериорных выводов комбинируются априорная информация и информация, содержащаяся в данных, можно получить при изучении вида точечной оценки
где используются результаты, установленные выше для интеграла такого типа и для гамма-функции. При более внимательном изучении
где при Таким образом, в апостериорной оценке соединяется то, что нам сообщают данные
И наоборот, если данные отсутствуют, т. е. В дополнение к результирующей характеристике апостериорной плотности, полученной с помощью точечной оценки, можно проанализировать, что происходит с «разбросом» апостериорного распределения, когда
Когда Если у и вторжения «субъективности» априорных представлений. Для последователей байесовского подхода кажется естественным рассматривать субъективные представления в качестве первичных, а «объективное согласие» — как особую ситуацию, возникающую, когда объем доступных данных достаточно велик, чтобы возобладать над априорными представлениями всех заинтересованных и стать доминирующим, приводя к преобразованию их в апостериорные представления единого вида. Когда количество данных недостаточно велико, чтобы обеспечить такой тип согласования мнений, статистик байесовского направления считает вполне правильным, что априорные представления оказывают влияние на апостериорные выводы. Если условия для достижения согласия не удовлетворяются, то стремление создать видимость существования «объективного» ответа не может считаться похвальным. Все, что может сделать статистик в таких случаях, — это отразить разнообразие различных видов априорных представлений. Тогда читатель (научного доклада) или клиент (консультант по вопросам статистики) сможет оценить собственное отношение к данным, выяснив, какой именно из результатов анализа соотношения между конкретными априорными и апостериорными представлениями лучше всего соответствует его собственному априорному представлению. Такое отображение результатов анализа можно существенно облегчить, применяя математические (но не чисто численные) методы с использованием гибкого, хорошо интерпретируемого семейства априорных распределений. Если удается обнаружить семейство, которое: а) достаточно богато, чтобы с его помощью можно было бы представить большинство форм кривых, соответствующих априорным представлениям, встречающимся на практике, и б) прекрасно согласуется с видом правдоподобия, так что легко можно идентифицировать математический вид описания апостериорной плотности, то процесс вывода оказывается полностью завершенным после того, как будет отмечено, каким образом преобразуются параметры априорной плотности в параметры апостериорной плотности. В случае плотности в виде бета-распределения видно, что априорные параметры Теперь предположим, что, получив в результате наблюдений у успешных исходов при
Проведя простой расчет, эти вероятности можно задать в виде
что дает нам пример прогнозного распределения [см. раздел 15.4.4]. Предполагая, что в рассматриваемом случае в имеет априорное бета-распределение
Пример 15.5.2. Если
Обсуждавшиеся в этой главе результаты получены на основе биномиальной вероятностной модели. Однако, как отмечалось в разделе 15.4.6, такие модели, как отрицательная биномиальная, приводят к аналогичному виду
|
1 |
Оглавление
|