我的第一个建议是,确保您了解这背后的统计数据。当我看到你的时候
post <- round(histp * dnorm(x, 115, 42) / sum(histp * dnorm(x, 115, 42)), 3)
我认为你搞乱了几个概念。这似乎是贝叶斯公式,但您的可能性代码错误。正确的似然函数是
## likelihood function: `L(obs | mu)`
## standard error is known (to make problem easy) at 25.4
Lik <- function (obs, mu) prod(dnorm(obs, mu, 25.4))
Note, mu
是一个未知数,所以它应该是这个函数的变量;此外,可能性是观察时所有个体概率密度的乘积。现在,我们可以评估可能性,例如mu = 100
by
Lik(x, 100)
# [1] 6.884842e-30
为了成功实现 R,我们需要函数的向量化版本Lik
。也就是说,可以对向量输入进行评估的函数mu
,而不仅仅是标量输入。我只会使用sapply
对于矢量化:
vecLik <- function (obs, mu) sapply(mu, Lik, obs = obs)
咱们试试吧
vecLik(x, c(80, 90, 100))
# [1] 6.248416e-34 1.662366e-31 6.884842e-30
现在是时候获得先验分布了mu
。原则上这是一个连续函数,但看起来我们想要它的离散近似,使用histprior
来自 R 包LearnBayes
.
## prior distribution for `mu`: `prior(mu)`
midpts <- c(seq(50.8, 177.8, 30))
prob <- c(0.1, 0.15, 0.25, 0.25, 0.15, 0.1)
mu_grid <- seq(50, 180, length = 40000) ## a grid of `mu` for discretization
library(LearnBayes)
prior_mu_grid <- histprior(mu_grid, midpts, prob) ## discrete prior density
plot(mu_grid, prior_mu_grid, type = "l")
在应用贝叶斯公式之前,我们首先计算出归一化常数NC
在分母上。这将是一个积分Lik(obs | mu) * prior(mu)
。但由于我们有离散近似prior(mu)
,我们使用黎曼和来近似这个积分。
delta <- mu_grid[2] - mu_grid[1] ## division size
NC <- sum(vecLik(x, mu_grid) * prior_mu_grid * delta) ## Riemann sum
# [1] 2.573673e-28
太好了,一切准备就绪,我们可以使用贝叶斯公式:
posterior(mu | obs) = Lik(obs | mu) * prior(mu) / NC
再次,如prior(mu)
被离散化,posterior(mu)
也是离散化的。
post_mu <- vecLik(x, mu_grid) * prior_mu_grid / NC
哈哈,先画一下后面的mu
查看推理结果:
plot(mu_grid, post_mu, type = "l")
哇,这太漂亮了!!