贝叶斯理论
统计学中的贝叶斯统计和决策理论
统计学中的贝叶斯统计和决策理论统计学是研究数据收集、分析和解释的学科，而贝叶斯统计和决策理论是统计学中的两个重要分支。
贝叶斯统计理论是一种基于贝叶斯定理的统计推断方法，而决策理论则关注如何在面对风险或不确定性时做出最佳决策。
一、贝叶斯统计1. 贝叶斯理论的基本思想贝叶斯统计理论是以英国数学家Thomas Bayes的名字命名的，其基本思想是通过先验知识和新收集的数据来进行参数估计。
与传统频率统计不同，贝叶斯统计将概率看作是描述人们对不确定性的信念，通过更新这些信念来进行推理。
2. 先验概率和后验概率在贝叶斯统计中，先验概率是在考虑新数据之前已经拥有的关于参数的概率分布。
随着新数据的不断积累，我们可以更新先验概率，得到后验概率，从而更加准确地估计参数的值。
3. 贝叶斯公式贝叶斯公式是贝叶斯统计的核心公式。
根据贝叶斯公式，我们可以计算参数的后验概率，从而基于数据来更新我们对参数的估计。
4. 贝叶斯推断的优点和应用贝叶斯统计有一些独特的优点。
首先，它允许我们将先验知识与数据结合，从而得到更加准确的推断。
此外，贝叶斯统计还可以通过使用先验概率来处理缺乏数据的情况。
贝叶斯统计在各个领域中都有广泛的应用，包括医学诊断、金融风险评估和机器学习等。
二、决策理论1. 决策理论的基本概念决策理论是研究在面对不确定性和风险时如何做出最佳决策的学科。
决策问题涉及到选择行动和评估不同行动的后果。
决策理论包括概率理论、效用理论和风险管理等概念。
2. 概率理论在决策中的应用概率理论是决策理论中的一项重要概念，它用于描述事件发生的可能性。
决策者可以使用概率理论来估计不同决策的结果，并在不确定性下做出合理的决策。
3. 效用理论和决策权衡效用理论是决策理论中的另一个关键概念，它描述了个体对不同结果的偏好程度。
根据效用理论，决策者可以根据结果的效用来评估不同决策的价值，并选择效用最大化的决策。
4. 风险管理和决策优化决策理论还涉及到风险管理和决策优化。
贝叶斯定理知识点与常见题型总结
贝叶斯定理知识点与常见题型总结贝叶斯定理是概率论中一个非常重要的定理，也是贝叶斯网络中的核心概念。
本文将总结贝叶斯定理的知识点及其常见题型，以便读者更好地理解和掌握它。
知识点贝叶斯定理是指在已知P(B)的前提下，根据P(A|B)求出P(B|A) 的理论。
其中，P(B) 表示事件 B 发生的概率，P(A|B) 为在已知事件 B 发生的条件下，事件 A 发生的概率，P(B|A) 为在已知事件 A发生的条件下，事件 B 发生的概率。
在实际应用中，贝叶斯定理通常用于根据已知的后验概率和先验概率来计算事件发生的概率。
具体应用包括文本分类、垃圾邮件过滤、拼写检查、物体识别等领域。
常见题型例题1某产品生产工厂为解决某材料的质量问题进行改进，经过实验得到在新的生产工艺下，产品合格率达到90%，但该材料在生产中有3%的时间会有问题。
如果产品被拒绝，那么有80%的可能性是因为材料出了问题。
求该生产工艺下产品被拒绝时，是由于材料有问题的概率有多大？解析：设事件 A 表示产品合格，事件 B 表示材料有问题。
题目所求为 P(B|A')，即产品被拒绝时，是由于材料有问题的概率。
根据贝叶斯公式：P(B|A') = P(A'|B) * P(B) / P(A')其中，P(A') 表示产品不合格的概率，可以根据题目描述得到：P(A') = 1 - P(A) = 0.1。
P(B) 表示材料有问题的概率，题目描述得到：P(B) = 0.03。
P(A'|B) 表示在材料有问题的情况下产品不合格的概率，题目描述得到：P(A'|B) = 0.8。
因此，代入公式计算可得：P(B|A') = P(A'|B) * P(B) / P(A') = 0.8 * 0.03 / 0.1 = 0.24。
所以，该生产工艺下产品被拒绝时，是由于材料有问题的概率为 24%。
例题2一家服装店销售男装和女装，女装销售总量占比为 60%，其中高档次中的女装和男装的价格接近，因而价格成为顾客购买的主要因素。
数学中的贝叶斯定理及其应用
数学中的贝叶斯定理及其应用在数学领域，有一条重要的定理被称为贝叶斯定理。
贝叶斯定理是由18世纪英国数学家托马斯·贝叶斯提出的，它在概率论和统计学中有广泛的应用。
贝叶斯定理是一种基于条件概率的理论，它描述了当我们已经拥有一些先验信息时，如何根据新的证据更新我们对某一事件发生概率的估计。
首先，让我们了解一下条件概率。
条件概率指的是两个事件相关性的概率。
用P(A|B)表示，在事件B发生的条件下事件A发生的概率。
贝叶斯定理的基本形式如下：P(A|B) = P(B|A) * P(A) / P(B)其中，P(A|B)表示在事件B发生的条件下事件A发生的概率，P(B|A)表示在事件A发生的条件下事件B发生的概率，P(A)表示事件A发生的概率，P(B)表示事件B发生的概率。
现在我们来看一个简单的实例来说明贝叶斯定理如何应用于实际问题。
假设有一个罐子里面有30个红球和20个蓝球。
现在我们想知道在摸出一个球之前，红球的概率与摸出一个红球之后，再次摸到红球的概率之间的关系。
首先，我们可以根据先验信息得知，在还没有摸球之前，红球的概率是30/50=0.6，蓝球的概率是20/50=0.4。
这就是我们的初始估计。
现在，假设我们第一次摸出了一个红球，我们想知道在第二次摸球之前，摸到红球的概率。
根据贝叶斯定理，我们可以计算如下：P(第二次摸到红球|第一次摸到红球) = P(第一次摸到红球|第二次摸到红球) * P(第一次摸到红球) / P(第二次摸到红球)根据先验信息，P(第一次摸到红球) = 0.6，P(第二次摸到红球) =29/49（第一次摸到红球后，总共剩下红球29个，总共剩下球49个）。
因此，我们可以得到：P(第二次摸到红球|第一次摸到红球) = P(第一次摸到红球|第二次摸到红球) * 0.6 / (29/49)现在，P(第一次摸到红球|第二次摸到红球)可以通过简单的条件概率计算得出。
在已经摸出红球的条件下，第一次摸到红球的概率是1，因此P(第一次摸到红球|第二次摸到红球) = 1。
贝叶斯统计理论及其在应用统计学中的实践应用
贝叶斯统计理论及其在应用统计学中的实践应用贝叶斯统计理论是统计学中的一种重要分支，它以贝叶斯公式为基础，通过主观先验知识和观测数据的信息来进行概率推断。
贝叶斯统计理论在应用统计学中有着广泛的实践应用。
本文将介绍贝叶斯统计理论的基本原理以及其在应用统计学中的几个常见应用。
一、贝叶斯统计理论的基本原理贝叶斯统计理论的基本原理是基于贝叶斯公式，该公式描述了当我们已知某个事件发生的先验概率时，如何根据新的观察数据来更新我们对该事件概率的估计。
贝叶斯公式的数学表达如下：P(A|B) = (P(B|A) * P(A)) / P(B)其中，P(A|B)表示在已知事件B发生的条件下事件A发生的概率；P(B|A)表示在已知事件A发生的条件下事件B发生的概率；P(A)和P(B)分别表示事件A和事件B的先验概率。
二、贝叶斯统计理论在应用统计学中的实践应用1. 贝叶斯分类器贝叶斯分类器是一种常见的分类算法，它基于贝叶斯统计理论来进行分类决策。
贝叶斯分类器在文本分类、垃圾邮件过滤等领域有着广泛的应用。
该分类器通过根据已知类别的观测样本来计算每个类别的概率，并根据新的观测数据来进行分类预测。
2. 贝叶斯网络贝叶斯网络是一种图模型，它用节点表示随机变量，用有向边表示变量之间的依赖关系。
贝叶斯网络结合了概率模型和图模型的优势，被广泛应用于风险评估、医学诊断、机器人控制等领域。
贝叶斯网络可以通过观测数据来学习变量之间的依赖关系，并用于预测和决策。
3. 贝叶斯优化贝叶斯优化是一种黑盒优化算法，它通过不断探索和利用优化目标函数的信息来寻找最优解。
贝叶斯优化在超参数调优、机器学习模型选择等领域有着重要的应用。
该方法通过建立目标函数的高斯过程模型，并利用贝叶斯统计理论来进行优化迭代，从而高效地找到最优解。
4. 贝叶斯统计推断贝叶斯统计推断是一种利用贝叶斯统计理论进行参数估计和模型推断的方法。
在统计建模中，我们常常需要从有限的观测数据中推断未知参数的分布情况。
贝叶斯理论的应用
贝叶斯理论的应用贝叶斯理论是一种基于概率统计的推理方法，它在各个领域都有广泛的应用。
本文将介绍贝叶斯理论的基本原理，并探讨其在实际问题中的应用。
贝叶斯理论的基本原理贝叶斯理论是基于贝叶斯公式的推理方法。
贝叶斯公式可以表示为：其中，表示在已知事件B发生的条件下，事件A发生的概率；表示在已知事件A发生的条件下，事件B发生的概率；和分别表示事件A 和事件B发生的概率。
贝叶斯理论的核心思想是通过已知的先验概率和观测到的证据来更新对事件发生概率的估计。
通过不断地观测和更新，可以逐渐减小对事件发生概率的不确定性，从而得到更准确的推断结果。
贝叶斯理论在医学诊断中的应用贝叶斯理论在医学诊断中有着广泛的应用。
医学诊断是一个典型的判断问题，通过搜集病人的症状和检查结果，医生需要判断病人是否患有某种疾病。
以乳腺癌的诊断为例，假设有一个女性患者，她的乳腺X光检查结果异常。
已知在正常人群中，乳腺X光检查结果异常的概率为0.1%，而在乳腺癌患者中，乳腺X光检查结果异常的概率为90%。
已知该女性患者是正常人群中的一员，那么她患有乳腺癌的概率是多少？根据贝叶斯公式，我们可以计算出：其中，表示在已知患有乳腺癌的条件下，乳腺X光检查结果异常的概率；表示患有乳腺癌的先验概率；表示乳腺X光检查结果异常的概率。
根据已知条件，可以计算出，，。
代入公式计算可得。
通过贝叶斯理论，我们可以得到该女性患者患有乳腺癌的概率为0.09%，这个结果可以作为医生判断的依据，进一步进行其他检查或治疗。
贝叶斯理论在垃圾邮件过滤中的应用贝叶斯理论在垃圾邮件过滤中也有着广泛的应用。
垃圾邮件过滤是一个典型的分类问题，通过分析邮件的内容和特征，将邮件分为垃圾邮件和非垃圾邮件。
以朴素贝叶斯分类器为例，假设有一个包含词汇表的训练集，其中包括了垃圾邮件和非垃圾邮件中出现的词汇及其频率。
现在有一封新的邮件，我们需要判断它是垃圾邮件的概率是多少？根据贝叶斯公式，我们可以计算出：其中，表示在已知是垃圾邮件的条件下，该邮件出现的概率；表示垃圾邮件的先验概率；表示该邮件出现的概率。
贝叶斯在目标检测中的应用
在人工智能和机器学习的众多应用领域中，目标检测是一项关键技术，广泛应用于自动驾驶、安防监控、医学诊断等多个领域。
贝叶斯理论作为一种重要的统计推断方法，在目标检测中扮演着不可或缺的角色。
本文将详细探讨贝叶斯理论在目标检测中的应用原理、实践案例、优势与挑战，以及未来的发展方向。
贝叶斯理论简介贝叶斯理论的基本原理：贝叶斯理论是一种条件概率的表达形式，它提供了一种在已知某些信息的条件下，预测未知事件发生概率的方法。
在目标检测中，这意味着可以根据先前的知识或经验来预测未来观察到的数据。
贝叶斯理论的历史和发展：贝叶斯理论的提出可以追溯到18世纪，由托马斯·贝叶斯提出。
经过几个世纪的发展，贝叶斯方法已经从理论研究转化为实际应用的强大工具，特别是在统计学和机器学习领域。
贝叶斯理论在统计学中的应用：在统计学中，贝叶斯理论被用来处理各种推断问题，如参数估计、假设检验等。
它的应用范围从经济学、生物学到工程学等诸多领域。
目标检测技术概述目标检测的定义和重要性：目标检测是计算机视觉领域的一项核心技术，旨在识别图像或视频中的对象，并确定它们的位置和大小。
这项技术对于实现场景理解、自动监控和交互式应用等具有重要意义。
目标检测技术的发展历程：从传统的图像处理方法到基于深度学习的算法，目标检测技术经历了快速的发展。
现代目标检测系统能够以高精度和高效率识别多个对象和对象类别。
目标检测中常见的算法和技术：目标检测算法多种多样，包括基于特征的方法、基于模型的方法以及近年来兴起的基于深度学习的方法，如卷积神经网络（CNN）。
贝叶斯理论在目标检测中的应用贝叶斯理论在目标检测中的角色：在目标检测中，贝叶斯理论主要用于结合先验知识和观测数据来估计目标的状态。
通过更新先验知识，贝叶斯方法能够提高检测的准确性和鲁棒性。
贝叶斯理论在目标检测算法中的具体应用：贝叶斯方法可以应用于目标检测的多个阶段，如在目标跟踪中结合时间序列数据来预测目标的位置，在分类中评估对象属于各类别的概率等。
贝叶斯定理解析
贝叶斯定理解析贝叶斯定理是概率论中一项重要的理论，它可以用来计算在已知一些先验信息的情况下，某个事件的后验概率。
这个定理的应用范围非常广泛，从数据分析到机器学习，都可以看到贝叶斯定理的影子。
本文将对贝叶斯定理进行详细解析，并介绍一些其相关的应用。
一、贝叶斯定理的基本公式贝叶斯定理是基于条件概率推导而来的，它的基本公式如下所示：P(A|B) = (P(B|A) * P(A)) / P(B)在这个公式中，P(A|B)表示在已知事件B发生的条件下，事件A发生的概率。
P(B|A)表示在事件A发生的条件下，事件B发生的概率。
P(A)和P(B)分别表示事件A和事件B发生的概率。
二、贝叶斯定理的应用举例为了更好地理解贝叶斯定理的应用，我们将通过一个简单的问题来说明。
假设有一家医院，该医院的1000名病人中，100人感染了某种罕见疾病。
而这种疾病的检测准确率为99％。
现在，如果一个病人的检测结果呈阳性，那么他实际上感染这种疾病的概率是多少？根据贝叶斯定理的公式，我们可以将这个问题表示为：P(感染疾病|阳性) = (P(阳性|感染疾病) * P(感染疾病)) / P(阳性)其中，P(感染疾病|阳性)表示在检测结果为阳性的条件下，病人实际上感染疾病的概率。
P(阳性|感染疾病)表示在感染疾病的条件下，检测结果为阳性的概率。
P(感染疾病)表示病人感染疾病的概率。
P(阳性)表示检测结果为阳性的概率。
根据题目中提供的信息，P(阳性|感染疾病)为0.99，P(感染疾病)为100/1000=0.1，即10%。
而P(阳性)的计算稍微复杂一些，需要考虑两种情况：检测结果为真阳性（病人实际上感染了疾病并被正确检测出来）和检测结果为假阳性（病人实际上未感染疾病但被错误地检测出来）的概率。
根据提供的信息，病人实际上感染疾病的概率为100/1000=0.1，即10%。
而检测结果为真阳性的概率为 P(真阳性) = P(感染疾病) * P(阳性|感染疾病) = 0.1 * 0.99 = 0.099。
贝叶斯的原理和应用
贝叶斯的原理和应用1. 贝叶斯原理介绍贝叶斯原理是基于概率论的一种推理方法，它被广泛地应用于统计学、人工智能和机器学习等领域。
其核心思想是通过已有的先验知识和新的观察数据来更新我们对于某个事件的信念。
2. 贝叶斯公式贝叶斯公式是贝叶斯原理的数学表达方式，它可以用来计算在观察到一些新的证据后，更新对于某个事件的概率。
贝叶斯公式的表达如下：P(A|B) = (P(B|A) * P(A)) / P(B)其中，P(A|B)表示在观察到事件B之后，事件A发生的概率；P(B|A)表示在事件A发生的前提下，事件B发生的概率；P(A)和P(B)分别是事件A和事件B的先验概率。
3. 贝叶斯分类器贝叶斯分类器是基于贝叶斯原理的一种分类算法。
它利用已有的训练数据来估计不同特征值条件下的类别概率，然后根据贝叶斯公式计算得到新样本属于不同类别的概率，从而进行分类。
贝叶斯分类器的主要步骤包括：•学习阶段：通过已有的训练数据计算得到类别的先验概率和特征条件概率。
•预测阶段：对于给定的新样本，计算得到其属于不同类别的概率，并选择概率最大的类别作为分类结果。
贝叶斯分类器的优点在于对于数据集的要求较低，并且能够处理高维特征数据。
但是，贝叶斯分类器的缺点是假设特征之间相互独立，这在实际应用中可能不符合实际情况。
4. 贝叶斯网络贝叶斯网络是一种用有向无环图来表示变量之间条件依赖关系的概率图模型。
它可以用来描述变量之间的因果关系，并通过贝叶斯推理来进行推断。
贝叶斯网络的节点表示随机变量，边表示变量之间的条件概率关系。
通过学习已有的数据，可以构建贝叶斯网络模型，然后利用贝叶斯推理来计算给定一些观察值的情况下，其他变量的概率分布。
贝叶斯网络在人工智能、决策分析和医学诊断等领域有广泛的应用。
它可以通过概率推断来进行决策支持，帮助人们进行风险评估和决策分析。
5. 贝叶斯优化贝叶斯优化是一种用来进行参数优化的方法。
在参数优化问题中，我们需要找到使得某个性能指标最好的参数组合。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
频率学派的基础是不断重复进行实验，认为模型的参数是客观存在的，不 会改变，虽然未知，但是为固定值。
贝叶斯学派认为参数是一个随机值，因为没有观测到，那么它和一个随机 数没有区别，因此参数也是有分布的，使用一些采样的方法，可以很容易 地构建复杂的模型。
Least Squares
解释一个小问题：最小二乘法 误差的平方求和： LS=(ΔY1)^2 + (ΔY2)^2 + .. 为什么不是误差的绝对值求和或其它？
Least Squares
正态分布概率密度函数：
所有偏离左图黄线的数据点， 都是含有噪音的，是噪音使它 们偏离了完美的一条曲线。合 理的假设就是偏离黄线越远的 概率越小，具体小多少 ，可以
Bayes Theory
树挡箱子例子：
这是一 棵树
Bayes Theory
曲线拟合实例
根据奥卡姆剃刀的精神， 越是高阶的多项式越是繁 复和不常见的。
同时，对于P(D|h)而言， 我们注意到越是高阶的多 项式，它的轨迹弯曲程度 越大，那么一个高阶的多 项式在平面上随机生成一 堆N个点全都恰好近似构 成一条直线的概率P(D|h) 又有多少呢？
常规的曲线似合方法，使模型参数 a,b的输出结果与实际样点值在最小 二乘法意义下的误差最小，那么就确 定了最优的A，B值。
Bayes Inversion
但是贝叶斯慷慨地给出一堆解！ 这是采用模拟退火方法求解：
Bayes Inversion
这是采用MCMC方法求得的反演sion
Bayes Inversion
贝叶斯随机反演思想：
指出每种模型生成观测数据的可能度，可以根据先验信息进行挑选。一系列模 型是满足参数同分布的。
Bayes Inversion
Bayes Inversion
看到这么简单的样点空间分布，我们 决定用最简单的模型：
y=Ax+B
现在要根据这些点，确定到a和b是多 少！
当观测的结果并不是因为误差而显得“不精确”，而是因为实际情况中，对数据 的结果产生贡献的因素太多了，这些偏差是另外一些因素集体贡献的结果，不是 单纯的建模所能解释的。一个现实的模型往往只解释几个我们关注的，重要的因 素，不要试图通过调整模型来“完美”匹配数据（非Bayes方法，如频率学派下 的如稀疏脉冲就是这样做。）。这时，观测数据会倾向于围绕你的有限模型的预 测结果呈正态分布，于是你实际观测的结果就是这个正态分布的随机取样，这个 取样很可能受到其余因素的影响，而偏离你模型所预测的中心。
Precision Problem
那么，当我用这个仪器检测完一个人之后，结果呈阳性了！ 他有多大的可能是真的吸毒呢？有多大的可能是被冤枉的呢？
贝叶斯告诉你：当检测结果呈阳性时，这 个人只有1/3的可能是吸毒的！大部分情 况都是被冤枉的！
精度
99% 的仪器
怪我喽？
那么问题出在哪里？——吸毒的人太少了！！！
Bayes Theory
例子1：单词纠错
看到用户输入了一个“thew”,字典里没有这个词。那 我们要猜测：他丫到底想输入什么单词！
我们要求这个概率：
P(我们猜测他想输入的单词 | 他实际输入的单词)
并找出那个使得这个概率最大的猜测单词。
猜测的词h1= the 猜测的词h2= they 猜测的词h3= thaw 猜测的词h4= them 猜测的词h5= then
同一参数反演解簇满足的概率分布
a
b
Bayes Inversion
通过概率分布的 情况，还反映参数的 取值范围。或者简单 地直接取该参数的期 望。
Bayes Inversion
贝叶斯思想，是指导我们重新认识什么样的解是最优的！ （贝叶斯思想下的一系列方法，是指导我们怎么去寻找贝叶斯思想下的最优解 集！） 它不指定某一个具体的解，说“它就是最佳的”！ 对于我们的反演问题来说，对于一个欠定的问题来说，最佳解本就不唯一。 那么贝叶斯提供给我们一个解簇！ 它们在具有统一的概率统计规律。提供给我们相差无几的正演结果。 各个结果之间的区别，就是我们这个欠定问题中，所欠的成分造成的影响！ 欠定的成分，可能是误差，可能是忽略的高阶项，也可能是未知的影响因素！
那么问题来了：对于高精度的地震仪器或其它高精度 的处理方法，对于指定目标，尤其是小概率的目标， 我们对于它的结果，能信多少？
HMM & MCMC
四：贝叶斯思想下的几种方法简介
哪些问题要用贝叶斯方法？ 建立概率模型时，反问题对应的模型中，概率分布不好求，但
是正问题的概率好求。 哪些问题要用蒙特卡洛？
也就是说，就是有1%的概率测错！
精度这么高的仪器用起来到底怎么样呢？
我对一群自愿者进行检测，我提前已经知道了这群自愿者里有0.5%的人是吸毒的！
那我的仪器使用效果怎么样呢？
来算一下！
Precision Problem
令“D”为雇员吸毒事件，“N”为雇员不吸毒事件，“+”为检测呈阳性事件。可得： P(D)代表雇员吸毒的概率，不考虑其他情况，该值为0.005。这个值就是D的先验概率。 P(N)代表雇员不吸毒的概率，显然，该值为0.995，也就是 1-P(D)。 P(+|D)代表吸毒者被检测出来的概率，这是一个条件概率，由于阳性检测准确性是99%， 因此该值为0.99。 P(+|N)代表不吸毒者被误诊为吸毒的概率，也就是出错的概率，该值为0.01。 P(+)代表不考虑其他因素的影响的阳性检出率。 P(+) = 吸毒者被检出（0.5% x 99% = 0.495%)+ 不吸毒者被误检(99.5% x 1% = 0.995%)。 P(+)=0.0149 是检测呈阳性的先验概率。
Bayes Theory
醉了！
Occam’s Razor
奥卡姆剃刀精神
如果两个理论具有相似的解释力度，那么优先选择更简单的。
/wiki/Occam%27s_razor
“自然界选择最短的路径”
违反这个精神的情况——过配（Overfitting） 过分去寻求能够完美解释观测数据的模型，甚至连误差（噪音）都去解释。
频率学派最关心的是似然函数。更客观，更无偏。 贝叶斯学派最关心的则是后验分布。
Bayesian / Frequentist
区别二： 频率论对概率的解释是：一个事件在一段较长的时间内发生的频率； 贝叶斯理论对概率的解释是：人们对某事件是否发生的认可程度。
区别三： 贝叶斯论善于利用过去的知识和抽样数据，而频率论仅仅利用抽样数据。因
Hidden Markov Model
建立显式链与隐式链之间的概率模型，从而根据 观测到的显示链数据，反演出隐式链模型：
显式链 隐式链
运动1 |
天气1
运动2 |
天气2
运动3 |
天气3
…… ……
运动n |
天气n
显式链 隐式链
振幅1 |
阻抗1
振幅2 |
阻抗2
振幅3 |
阻抗3
…… ……
打球
跑步
隐
雨
晴
阴
性
Hidden Markov Model
可以观察到的状态序列和隐藏的 状态序列是概率相关的。于是我 们可以将这种类型的过程建模为 有一个隐藏的马尔科夫过程和一 个与这个隐藏马尔科夫过程概率 相关的并且可以观察到的状态集 合。
隐马尔可夫模型 (Hidden Markov Model) 是一种统计模型，用来描 述一个含有隐含未知参数的马尔 可夫过程。其难点是从可观察的 参数中确定该过程的隐含参数， 然后利用这些参数来作进一步的 分析。
此贝叶斯推论中前一次得到的后验概率分布可以作为后一次的先验概率。
区别四： 对置信区间的不同解释：频率论中95%置信区间解释为：100次抽样计算得
到的100个置信区间中有95个包含了总体参数，5个没有，而不能解释成在一次 抽样中有95%的可能性包含总体参数。
Sparse-Spike Inversion
…..
概率为P1 概率为P2 概率为P3 概率为P4 概率为P5
…..
Bayes Theory
于是: P(我们的猜测1 | 他实际输入的单词) 可以抽象地记为： P(h1 | D) 类似地，对于我们的猜测2，则是 P(h2 | D)。不妨统一记为： P(h | D) 运用一次贝叶斯公式，我们得到： P(h | D) = P(h) * P(D | h) / P(D) 对于不同的具体猜测 h1 h2 h3 .. ，P(D) 都是一样的，所以在比较 P(h1 | D) 和 P(h2 | D) 的时候我们可以忽略这个常数。
1.对初始猜测模型的波阻抗曲线进行方 形滤波.
3.将得到的合成记录与真实的记录相 比较.
2.用块化的波阻抗和已知的地震子波进 行褶积形成地震合成记录:
4.改变方波化波阻抗的振幅和厚度来提 高它与真实波阻抗的拟和程度:
重复上述步骤直到达到理想的结果.
Sparse-Spike Inversion
基于模型反演 只能根据初始猜测模型输入地震道. 能够得到与初始猜测模型最相近的模型, 同时与地震数据相符. 与只用地震数据相比, 基于模型反演能够得到高分辨率的结果. 存在非唯一性解. 反演结果取决于初始模型.
Bayes Theory
贝叶斯理论简介
拉普拉斯说: “概率论只不过是把常识用数学公式表达了出来.” 胡瑞卿
Outline
一、概率统计下的频率学派与贝叶斯学派 二、贝叶斯定理 三、实际中的一个问题 四、贝叶斯思想下的方法简介
Bayesian / Frequentist
区别一：
频率论先建立无效模型，然后计算在此无效模型的前提下得到从实际数据 中得来的参数的可能性，假如这个可能性很小，我们就认为无效模型不成 立，从而选择备择模型；