【Bayesian Inference 貝氏統計 — 02】貝氏統計的基本介紹 - 下 — Prior distribution 和 Bayes rule
在上篇內容中,我們介紹 decision function 和 minimax rule,還有 Bayesian approach 和 frequentist approach 的差別。
本篇將介紹 prior distribution 和 Bayes rule,並使用幾個例子讓大家能夠更深刻地理解。
首先,讓我們來看什麼是 prior distribution。
Prior distribution, Bayes risk, Bayes rule
Prior distribution 為在平行世界中的一個 probability distribution,根據此平行世界,我們得到一組 random element Θ。
The Bayes risk of a decision function d is B(d)=E_Θ[R(Θ,d)]
依照這個方法,θ 轉變為單一數值,用 prior distribution 當做權重,計算每個 risk 的加權平均。且只跟 d 有關,和 θ 無關。
Bayes rule:選擇一個 decision function d** 使 Bayes risk B(d) 最小
我們來看一個例子。
Example 3. Steel Selection of Firm Stratum
建築公司要決定這棟建築物要打多深的地基,實際深度有兩種可能:40 ft(θ₁)和 50 ft(θ₂)。
建築公司打地基的深度也有兩個選擇:40 ft(a₁)和 50 ft(a₂)。
Loss function l(θ, a)
Data
工人利用超音波偵測器測量深度,在不同平行世界中得到的資料的機率分佈不同,每個平行世界中的機率總和為 1。
考慮以下四個 decision rules:
d1 和 d2 都沒有使用到資料,d3 和 d4 有考慮到資料。
在做選擇之前,我們先來計算每個決定的 risk。
Risk functions 是 loss 的平均值:
以下使用 minimax rule 和 Bayes rule 兩個方法,比較用不同方式做出的選擇是否會不同。
Minimax rule
在四個決策中,所有最大的 risk 的最小值為 d2,因此選擇 d2。
Bayes rule
根據 prior distribution:g(θ₁)=0.8, g(θ₂)=0.2。
這個 prior distribution 可能來自過去的經驗,在之前的統計定理中,θ 都是未知的,而在 Bayesian approach 的 θ 則為 random vairables。
由上述的 Bayes risk 計算可得出 d3 的 risk 最低的結論,因此 d3 是最好的選擇。
最後,我們再將 Bayes rule 套用在工廠的例子。
Example 4. Sampling Inspection
一間工廠生產出一批貨物,共 21 個,廠長隨機挑選其中一個測試其是否損壞。
廠長有兩種選擇:
(1) 販售剩下的 20 個貨物,一個 1 元。如果有任何商品損壞,則賠償雙倍金額,也就是 2 元
(2) 丟掉所有貨物,損失 1 元
令 20 個商品中,毀損的商品佔 m 個,此數量是未知的。
k 為總共 21 個商品中,毀損商品的個數,也是未知的。k = 0, 1, 2, …, 21,意即總共有 22 個平行世界,我們不知道我們身處哪個一個平行世界。
Data
X = 1,如果廠長測試的貨物是良好的
X = 0,如果廠長測試的貨物是損壞的
X 的分佈為 Bernoulli(1-k/21)
p(X=0|k) = k/21
p(X=1|k) = 1-k/21
Decisions
總共有兩種 decisions:
d1:如果測試的商品是良好的,則販售全部;若毀損,則丟棄全部
d2:無論如何都販售,沒有使用到資料
Loss
Risk
k 要帶入什麼數值,以計算 Bayes risk 呢?我們假設 k 的 prior distribution 是 Binonmail (21, p),則:
將此式帶入,計算得
B(d1) = -20 + 61p — 40p²
B(d2)=40p-20
由圖示可知,當損壞率小於 0.5 時,d2 的 risk 較小;反之,當損壞率大於 0.5 時,d1 的 risk 較小。
Reference
- 統計學,清大統計所的鄭少為老師:http://www.stat.nthu.edu.tw/~swcheng/Teaching/math2820/index.php
想要更深入了解的話,別忘了去最上面的目錄看其他章的課程筆記!
喜歡這篇文章或是對你有幫助的話,別忘了拍手給我鼓勵哦 👏🏻