Gamma分布与共轭先验分布

Posted lvbaiyang

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了Gamma分布与共轭先验分布相关的知识,希望对你有一定的参考价值。

Gamma分布与共轭先验

Gamma函数

对于整数(n)的阶乘,我们有(n!=n imes (n-1)... imes1)

对于实数(x)的阶乘,计算公式为:
[ Gamma(x)=int_0^infty t^{x-1}e^{-t},dt ]
性质如下:

  1. (Gamma(x+1)=xGamma(x))
  2. 当x为正整数时有:(Gamma(x)=(x-1)!)
  3. (Gamma(1)=1, Gamma(0.5)=sqrtpi)

Gamma分布

将Gamma函数标准化可以得到:
[ int_0^infty frac{t^{alpha-1}e^{-t}}{Gamma(alpha)},dt = 1 ]
这就是简单的Gamma分布:
[ Gamma(t|alpha)=frac{t^{alpha-1}e^{-t}}{Gamma(alpha)} ]
此时做(t=eta x)
[ int_0^infty frac{(eta x)^{alpha-1}e^{-eta x}}{Gamma(alpha)},d(eta x) = 1 ]
就可以得到Gamma分布的一般形式:
[ Gamma(t|alpha,eta)=frac{eta^alpha x^{alpha-1}e^{-eta x}}{Gamma(alpha)} ]
其中(alpha)为形状参数(shape parameter),决定了分布曲线的形状;(eta)为逆尺度参数(inverse scale parameter),决定曲线有多陡。

(alpha = k+1, eta = 1)时:
[ Gamma(x)=frac{x^ke^{-x}}{Gamma(k+1)}=frac{x^ke^{-x}}{k!} ]
这正是泊松分布的分布函数。由此看来Gamma分布是泊松分布在实数域上的扩展。

共轭分布(Conjugate distribution)

在贝叶斯理论中,后验分布如下计算:
[ g( heta|x)=frac{g( heta)f(x; heta)}{f(x)}=c_xL( heta,x)g( heta) ]
(f(x))表示观察样本的边缘密度(marginal density),是只关于变量(x)的概率分布,不考虑其他变量。(f(x; heta)=L( heta,x))是似然函数(样本的分布)(likelihood or sampling distribution),(g( heta))是其先验分布。

其中:
[ c_x^{-1}=f(x)f(x)=int f(x; heta)g( heta),d heta ]
此公式解释了边缘密度,可以理解为( heta)取某一值时,我们得到观察值样本的概率的积分。

(g( heta))(g( heta|x))的形式相同时,我们说这是共轭分布,(g( heta))为共轭先验。(没有共轭后验的说法)

为何使用共轭先验?

可以使得先验分布和后验分布的形式相同,这样一方面合符人的直观(它们应该是相同形式的)另外一方面是可以形成一个先验链,即现在的后验分布可以作为下一次计算的先验分布,如果形式相同,就可以形成一个链条。

为什么没有共扼后验?

如果先验分布和似然函数可以使得先验分布和后验分布(posterior distributions)有相同的形式,那么就称先验分布与似然函数是共轭的。所以,共轭是指的先验分布(prior probability distribution)和似然函数(likelihood function)。如果某个随机变量Θ的后验概率 p(θ|x)和气先验概率p(θ)属于同一个分布簇的,那么称p(θ|x)和p(θ)为共轭分布,同时,也称p(θ)为似然函数p(x|θ)的共轭先验。

技术图片

可以看到二项分布的共轭先验分布为Beta分布。

参考

Gamma函数深入理解

理解Gamma分布、Beta分布与Dirichlet分布

共轭先验、共轭分布——为LDA做准备

以上是关于Gamma分布与共轭先验分布的主要内容,如果未能解决你的问题,请参考以下文章

共轭先验 | 共轭分布(转)

text 用共轭先验绘制伯努利分布的模型证据。

概率统计笔记:贝叶斯线性回归

Dirichlet分布深入理解

概率统计笔记:共轭分布

深度学习必须掌握的 13 种概率分布