🎯要点

🎯图形模型推断二元过程概率：🖊模型1：确定成功率 θ 的后验分布 | 🖊模型2：确定两个概率差 $\delta$ 的后验分布 | 🖊模型3：确定底层概率，后验预测 | 🖊模型4：推断概率分布和试验次数

图形模型 1

模型1 分布：

$\begin{array}{rl}& \theta \sim \mathrm{Beta}(1,1)\\ & k\sim \mathrm{Binomial}(\theta ,n)\end{array}$

图形模型 2

模型2 分布：

$\begin{array}{rl}{k}_1& \sim \mathrm{Binomial}\left({\theta }_1,n_1\right)\\ k_2& \sim \mathrm{Binomial}\left({\theta }_2,n_2\right)\\ {\theta }_1& \sim \mathrm{Beta}(1,1)\\ {\theta }_2& \sim \mathrm{Beta}(1,1)\\ \delta & \leftarrow {\theta }_1-{\theta }_2\end{array}$

图形模型 3

模型3 分布：

$\begin{array}{rl}{k}_1& \sim \mathrm{Binomial}\left(\theta ,n_1\right)\\ k_2& \sim \mathrm{Binomial}\left(\theta ,n_2\right)\\ \theta & \sim \mathrm{Beta}(1,1)\end{array}$

图形模型4

模型4 分布：

$\begin{array}{rl}{k}_i& \sim \mathrm{Binomial}(\theta ,n)\\ \theta & \sim \mathrm{Beta}(1,1)\\ n& \sim \mathrm{Categorical}(\underset{m}{\underbrace{\frac{1}{n_{\max }},\dots ,\frac{1}{n_{\max }}}})\end{array}$

🎯图形模型高斯推理：🖊模型5：推断高斯分布生成的数据的平均值和标准差 | 🖊模型6：标准差和观察值添加精度先验，推断高斯平均值 | 🖊模型7：重复测量推断智商

图形模型5

模型5 分布：

$\begin{array}{rl}\mu & \sim \mathrm{Gaussian}(0,0.001)\\ \sigma & \sim \mathrm{Uniform}(0,10)\\ x_i& \sim \mathrm{Gaussian}\left(\mu ,\frac{1}{{\sigma }^2}\right)\end{array}$

图形模型6

模型6分布：

$\begin{array}{rl}\mu & \sim \mathrm{Gaussian}(0,0.001)\\ {\lambda }_i& \sim \mathrm{Gamma}(0.001,0.001)\\ {\sigma }_i& \leftarrow 1/\sqrt{{\lambda }_i}\\ x_i& \sim \mathrm{Gaussian}\left(\mu ,{\lambda }_i\right)\end{array}$

图形模型7

模型7分布：

$\begin{array}{rl}{\mu }_i& \sim \mathrm{Uniform}(0,300)\\ \sigma & \sim \mathrm{Uniform}(0,100)\\ x_{ij}& \sim \mathrm{Gaussian}\left({\mu }_i,\frac{1}{{\sigma }^2}\right)\end{array}$

🎯数据分析：🖊模型8：计算皮尔逊相关系数

图形模型8

模型8 分布：

$\begin{array}{rl}{\mu }_1,{\mu }_2& \sim \mathrm{Gaussian}(0,0.001)\\ {\sigma }_1,{\sigma }_2& \sim \mathrm{InvSqrtGamma}(0.001,0.001)\\ r& \sim \mathrm{Uniform}(-1,1)\\ x_i& \sim \mathrm{MvGaussian}\left(\left({\mu }_1,{\mu }_2\right),{\left[\begin{array}{cc}{\sigma }_1^2& r{\sigma }_1{\sigma }_2\\ r{\sigma }_1{\sigma }_2& {\sigma }_2^2\end{array}\right]}^{-1}\right)\end{array}$

🎯时间和记忆关系 | 🎯心里信号检测 | 🎯外部物理刺激内部心理感觉 | 🎯超感知学 | 🎯语义相关连续回忆 | 🎯尺度不变记忆、感知和学习 | 🎯风险判断和偏好个体心里差异 | 🎯多维心理刺激个体相似性

🍇Python后验分布采样计算

贝叶斯计算由一系列方法组成，这些方法可以帮助我们从几乎所有后验分布中采样点，从中我们可以对感兴趣的参数进行点估计。

💦方法一

让我们从一个例子开始，如果我们想从后验分布 f(x) 中绘制点，它具有以下函数形式：
$$f(x)=x^{1.7}{\left(\frac{1-x}{1+x}\right)}^{5.3}$$
我们称这个 f(x) 为目标分布/密度，然后我们提出一个更简单的分布（候选分布），我们可以从中采样点。我们使用均匀分布 g(x)，希望当将 g(x) 与常数 M 相乘时，Mg(x) 可以包裹 f(x)。此时，M 很容易被选为 f(x) 的最大值。

现在我们首先从另一个均匀分布 Uniform(0,1) 中独立采样，我们将采样点表示为 u。我们还从候选分布 g(x) 中采样，并将采样点表示为 y。我们测试采样点 u 是否符合以下标准：
$$u\le \frac{1}{M}\frac{f(y)}{g(y)}$$
如果符合，我们将 y 视为目标分布的样本，否则，我们拒绝 y。乍一看，这一步可能很难理解。其背后的想法是，如果有一个区域，比如 [0.2,0.3]，其中目标密度 f(x) 的密度非常高，那么该区域内的 f(y)/M*g(y) 也会很高，可能接近 1。由于 u 是从标准均匀分布中随机抽取的（u 只是用来控制是拒绝还是接受 y），这个指标更有可能为真，从而导致接受采样的 y。

💦代码

x = np.linspace(0,1,1000)
f_x = x**1.7*((1-x)/(1+x))**5.3
M = f_x.max()
def f(x):return x**1.7*((1-x)/(1+x))**5.3
def g(x):return uniform.pdf(x,loc=0,scale=1)n = 2500
u = uniform.rvs(loc=0,scale=1,size=n,random_state=1)
y = uniform.rvs(loc=0,scale=1,size=n,random_state=2)
f_y = f(y)
g_y = g(y)
acc_or_rej = u <= f_y / (M * g_y)
accepted_y = y[acc_or_rej]
sns.histplot(accepted_y)

估计的目标分布可以绘制如下（图略）。

💦方法二：

蒙特卡罗方法代表了一类广泛的算法，这些算法依赖于重复随机抽样来估计所需的数量。该数量可能是圆周率值，也可能是陌生函数形式的积分。蒙特卡罗最经典的例子是估计圆周率的值，我们首先从两个标准均匀分布中随机抽取 x 和 y，并询问 $x^2+y^2$​ 是否 < 1，如果答案为真，则将计数器加 1。在随机抽样结束时，我们可以计算计数器与总迭代次数的比率（如果使用正方形和内切圆的面积公式，则应为 pi/4）。

马尔可夫链是一个随机过程，其中当前值仅取决于其直接前一个值。我非常喜欢的一个简单例子是天气预报，如果我们假设一天的天气有三种可能的状态（晴天、多云、下雨），我们有一个初始分布，其中 p（晴天）=0.6、p（多云）=0.3 和 p（下雨）=0.1，现在给定一个转换核 K，它是一个矩阵
$$\left(\begin{array}{cccc}& \text{ 晴天 }& \text{ 阴天 }& \text{ 雨天 }\\ \text{ 晴天 }& 0.5& 0.3& 0.2\\ \text{ 阴天 }& 0.3& 0.5& 0.2\\ \text{ 雨天 }& 0.2& 0.4& 0.4\end{array}\right)$$
我们能够使用初始分布和转换内核导出任意一天的状态分布。当我们继续这样做时，如果状态分布保持不变，它就会达到平稳分布。

虽然马尔可夫链的离散场景更容易理解，但我们最终需要将其推广到状态空间无限的连续情况，这意味着我们将拥有无限多个状态，而不是只有三个状态（晴天、多云、下雨）。所以我们需要使用分布来表示每个时间点的状态分布。例如，如果我们说状态的初始分布遵循 Normal(0,3)，那么转移概率也应该是 p(x_n+1|x_n) = K(x_n+1|x_n) = Normal(x_n,0.1) 的分布，并且所有上述属性与离散场景保持一致。

现在我们要从目标密度 f(x) 中采样：
$$f(x)=2x^2(1-x{)}^8\cos (4\pi x{)}^2$$
假设我们正在创建一个马尔可夫链，其中转换内核 q(x,y) 为（其中 x 是当前时间点，y 是最后一个时间点）：
$$q(x,y)=\mathrm{Normal}(y,0.1)$$
Metropolis-Hasting (MH) 算法首先初始化向量 x 的第一个值（假设我们将使用 MCMC 采样 n=10,000 个 x 值）x[0] 。然后在每次迭代中，我们首先使用转换内核生成一个 x_cand，并且我们需要计算接受率 alpha 来决定下一个 x 是采用 x_cand 还是仅采用最后一个 x 值。接受率如下所示：
$$\alpha \left(x_{\text{cand }}\mid x_{i-1}\right)=\min \left\{1,\frac{q\left(x_{i-1}\mid x_{\text{cand }}\right)f\left(x_{\text{cand }}\right)}{q\left(x_{\text{cand }}\mid x_{i-1}\right)f\left(x_{i-1}\right)}\right\}$$
代码如下：

def f(x):import mathreturn 2*x**2*(1-x)**8*math.cos(4*math.pi*x)**2
def q(x,y):return norm.pdf(x,loc=y,scale=0.1)n = 10000
x = np.zeros(n)
x[0] = norm.rvs(loc=0,scale=0.1,size=1)[0]
for i in range(n-1):while True:x_cand = norm.rvs(loc=x[i],scale=0.1,size=1)[0]if x_cand >= 0 and x_cand <= 1:breakif x_cand >= 0 and x_cand <= 1:rho = (q(x[i],x_cand)/q(x_cand,x[i]))*(f(x_cand)/f(x[i]))alpha = min(1,rho)u = uniform.rvs(loc=0,scale=1,size=1)[0]if u < alpha:x[i+1] = x_candelse:x[i+1] = x[i]
sns.histplot(x)
fig,ax = plt.subplots()
ax.plot(np.arange(10000),x)

💦分层贝叶斯

nruns = 10000
K = 100 
n = 1000 
y = np.zeros(K,n)  
lambda_est = np.zeros(K,nruns)
sigma_est = np.zeros(nruns)
mu_est = np.zeros(nruns)
tau_est = np.zeros(nruns)for i in range(K):loc = uniform.rvs(loc=0,scale=10,size=1)[0]scale = uniform.rvs(loc=0,scale=0.1,size=1)[0]lambda_est[i,0] = norm.rvs(loc=loc,scale=scale,size=1)[0]
sigma_est[0] = uniform.rvs(loc=0,scale=0.1,size=1)[0]
mu_est[0] = norm.rvs(loc=uniform.rvs(loc=0,scale=10,size=1)[0],scale=1,size=1)[0]
tau_est[0] = uniform.rvs(loc=0,scale=0.1,size=1)[0]for runs in range(1,n_runs-1,1):for i in range(1,K-1):mean = i/math.sqrt(1/tau_est[runs-1]) + n/sigma_est[runs-1]std = (mean^2)*(mu_est[runs-1]/(tau_est[runs-1])+y[i,:].mean()*n/sigma_est[runs-1])lambda_est[i,runs] = norm.rvs(loc=mean,scale=std,size=1)[0]sigma_sum_term = 0for i in range(K):for j in range(n):sigma_sum_term += (y[i,j]-lambda_est[i,runs])**2sigma_est[runs] = invgamma(loc=K*n/2,scale=sigma_sum_term/2)tau_sum_term = 0for i in range(K):tau_sum_term += (lambda_est[i,runs]-mu_est[runs-1])**2tau_est[runs] = invgamma(loc=K/2,scale=tau_sum_term/2)mu_est[runs] = norm.rvs(loc=lambda_est[:,runs-1].mean(),scale=math.sqrt(tau_est[runs]/2))

👉参阅：亚图跨际