Настройка
У вас есть эта модель:
Плотности, для которых
и, в частности, обратите внимание, что
px|p∼beta(α,β)∼binomial(n,p)
f(p)=1B(α,β)pα−1(1−p)β−1
g(x|p)=(nx)px(1−p)n−x
1B(α,β)=Γ(α+β)Γ(α)Γ(β).
Неявная версия
Теперь. Заднее распределение пропорционально априорному умноженному на вероятность . Мы можем игнорировать константы (то есть вещи, которые не являются ), давая:
fgp
h(p|x)∝f(p)g(p|x)=pα−1(1−p)β−1pxpn−x=pα+x−1(1−p)β+n−x−1.
Он имеет «форму» бета-распределения с параметрами и , и мы знаем, какой должна быть соответствующая нормализующая константа для бета-распределения с этими параметрами: . Или, с точки зрения гамма-функций,
Другими словами, мы можем сделать немного лучше, чем пропорциональное отношение, без лишних усилий и перейти к равенству:
α+xβ+n−x1/B(α+x,β+n−x)
1B(α+x,β+n−x)=Γ(n+α+β)Γ(α+x)Γ(β+n−x).
h(p|x)=Γ(n+α+β)Γ(α+x)Γ(β+n−x)pα+x−1(1−p)β+n−x−1.
Таким образом, можно использовать знания о структуре бета-распределения, чтобы легко восстановить выражение для апостериорного, а не проходить через некоторую грязную интеграцию и тому подобное.
Это как бы обходит полный апостериор, неявно отменяя нормализующие константы совместного распределения, что может сбивать с толку.
Явная версия
Вы могли бы также разобраться с процедурой, которая может быть более ясной.
Это на самом деле не так уж много дольше. Обратите внимание, что мы можем выразить совместное распределение как
и предельное распределение как
f(p)g(x|p)=1B(α,β)(nx)pα+x−1(1−p)β+n−x−1
x∫10f(p)g(x|p)dp=1B(α,β)(nx)∫10pα+x−1(1−p)β+n−x−1dp=1B(α,β)(nx)Γ(α+x)Γ(β+n−x)Γ(α+β+n−x)
Таким образом, мы можем выразить апостериор, используя теорему Байеса, через
это то же самое, что мы получили ранее.
h(p|x)=f(p)g(x|p)∫10f(p)g(x|p)dp=1B(α,β)(nx)pα+x−1(1−p)β+n−x−11B(α,β)(nx)Γ(α+x)Γ(β+n−x)Γ(α+β+n)=Γ(n+α+β)Γ(α+x)Γ(β+n−x)pα+x−1(1−p)β+n−x−1