MathLabs
Định lýĐã chứng minh

Tính liên hợp Beta-Nhị thức

Phát biểu

Nếu θ∼Beta(α,β)\theta\sim\mathrm{Beta}(\alpha,\beta) là tiên nghiệm và, cho trước θ\theta, quan sát được kk thành công trong nn phép thử độc lập (nên k∣θ∼Binomial(n,θ)k\mid\theta\sim\mathrm{Binomial}(n,\theta)), thì hậu nghiệm là θ∣k∼Beta(α+k, β+n−k)\theta\mid k\sim\mathrm{Beta}(\alpha+k,\ \beta+n-k).

Vì sao đúng?

Hàm hợp lý Nhị thức đóng góp một thừa số θk(1−θ)n−k\theta^k(1-\theta)^{n-k}, còn tiên nghiệm Beta đóng góp θα−1(1−θ)β−1\theta^{\alpha-1}(1-\theta)^{\beta-1}; nhân hai cái này chỉ đơn giản là cộng các số mũ, rơi đúng vào hình dạng của một mật độ Beta khác.

Phác thảo chứng minh

Hàm hợp lý quan sát kk thành công trong nn phép thử cho trước θ\theta là L(k∣θ)=(nk)θk(1−θ)n−kL(k\mid\theta)=\binom{n}{k}\theta^k(1-\theta)^{n-k}. Theo định lý tỉ lệ hậu nghiệm ở trên, π(θ∣k)∝L(k∣θ)π(θ)=(nk)θk(1−θ)n−k⋅θα−1(1−θ)β−1B(α,β)\pi(\theta\mid k)\propto L(k\mid\theta)\pi(\theta)=\binom{n}{k}\theta^k(1-\theta)^{n-k}\cdot\dfrac{\theta^{\alpha-1}(1-\theta)^{\beta-1}}{B(\alpha,\beta)}.

Các thừa số (nk)\binom{n}{k} và B(α,β)B(\alpha,\beta) không phụ thuộc θ\theta, nên có thể gộp vào hệ số tỉ lệ: π(θ∣k)∝θk(1−θ)n−k⋅θα−1(1−θ)β−1=θ(α+k)−1(1−θ)(β+n−k)−1\pi(\theta\mid k)\propto\theta^{k}(1-\theta)^{n-k}\cdot\theta^{\alpha-1}(1-\theta)^{\beta-1}=\theta^{(\alpha+k)-1}(1-\theta)^{(\beta+n-k)-1}.

Biểu thức cuối này chính là hạt nhân (phần phụ thuộc θ\theta) của mật độ Beta(α+k,β+n−k)\mathrm{Beta}(\alpha+k,\beta+n-k). Vì một mật độ xác suất trên (0,1)(0,1) với hạt nhân này có hằng số chuẩn hóa duy nhất (chính là 1/B(α+k,β+n−k)1/B(\alpha+k,\beta+n-k), theo định nghĩa hàm Beta), hậu nghiệm phải chính xác là π(θ∣k)=θ(α+k)−1(1−θ)(β+n−k)−1B(α+k,β+n−k)\pi(\theta\mid k)=\dfrac{\theta^{(\alpha+k)-1}(1-\theta)^{(\beta+n-k)-1}}{B(\alpha+k,\beta+n-k)}, tức θ∣k∼Beta(α+k,β+n−k)\theta\mid k\sim\mathrm{Beta}(\alpha+k,\beta+n-k).

Chủ đề chứa định lý này

Chứng minh từng bước

Chưa có chứng minh từng bước cho định lý này.

Tài liệu tham khảo

  1. Andrew Gelman, John B. Carlin, Hal S. Stern, David B. Dunson, Aki Vehtari, Donald B. Rubin (2013). Bayesian Data Analysis (3rd ed.)
  2. Matthew D. Hoffman, Andrew Gelman (2014). The No-U-Turn Sampler: Adaptively Setting Path Lengths in Hamiltonian Monte Carlo · arXiv:1111.4246