【估计理论】在参数 θ 给定的条件下,观测数据 z 的概率密度函数为 p(z|θ),参数 θ 的先验分布为 p(θ) ,如果 p(z)=∫p(z|θ)p(θ)dθ>0,则关于最大后验概率估计θ ̂下列说法正确的是:
A: ????????????????=argmax????????(????|????)θ ̂=argmax p(z|θ)
B: ????????????????=argmax????????(????|????)????(????)θ ̂=argmax p(z|θ)p(θ)
C: 无论先验密度 p(θ) 的形式如何,最大后验概率估计与最大似然估计的形式都不相同
D: 最大后验概率估计不存在
A: ????????????????=argmax????????(????|????)θ ̂=argmax p(z|θ)
B: ????????????????=argmax????????(????|????)????(????)θ ̂=argmax p(z|θ)p(θ)
C: 无论先验密度 p(θ) 的形式如何,最大后验概率估计与最大似然估计的形式都不相同
D: 最大后验概率估计不存在
举一反三
- 在参数 θ 给定的条件下,观测数据 z 的概率密度函数为 p(z|θ),参数 θ 的先验分布为 p(θ) ,如果 p(z)=∫p(z|θ)p(θ)dθ>0,则关于最大后验概率估计θ ̂下列说法正确的是: A: ????????????????=argmax????????(????|????)θ ̂=argmax p(z|θ) B: ????????????????=argmax????????(????|????)????(????)θ ̂=argmax p(z|θ)p(θ) C: 无论先验密度 p(θ) 的形式如何,最大后验概率估计与最大似然估计的形式都不相同 D: 最大后验概率估计不存在
- 中国大学MOOC: 贝叶斯估计是把待估计的参数看作具有某种分布形式的随机变量,通过对第i类学习样本xi的观察,使概率密度分布P(xi|θ)转化为后验概率P(θ|xi) ,获得参数分布的概率密度函数,再通过求取其数学期望获得参数估计值。 答
- 设A、B是两个事件,且P(B)>0,则称P(A|B)为在已知事件B发生的条件下,事件A发生的( )。 A: 概率 B: 似然估计 C: 条件概率 D: 条件频率
- 如果p(s1(t)) = p(s2(t)),则MAP准则可转化为 A: 最大后验准则 B: 最大后验比准则 C: 最大似然准则 D: 最大似然比准则
- 设随机变量X1,X2,X3,X4相互独立,且均服从N(0,1),函数,Z=,求概率P{Y<Z}.设随机变量X1,X2,X3,X4相互独立,且均服从N(0,1),函数P{Y=0}=1/3,P{Y=1}=2/3,Z=Y/X,求概率P{Y<Z}.