Professional Documents
Culture Documents
Bayesiana de Parmetros
Reconocimiento de Patrones 2013
Duda Captulo 3
posibles:
Estimacin Bayesiana
iid p( D / ) p (x k / )
k 1
1 n
d
l (, ) log 2 det( 1 ) (x k )T 1 (x k )
2 k 1
1 n
l (x k ) n x k
n k 1
k 1
1
M edia muestral
traza( AB ) B T
A
traza( AT B) traza( B T A) traza( AB T )
d
1 n
1 l 1 (log( 2 ) d det) 1 traza 1 (x k )(x k )T
2 k 1
1 n T
1 l (x k )(x k )T 0
2 k 1
n
1
(x )(x )T
k
k
n k 1
covarianza muestral
n
1
(x )(x )T
n
k
k
n k 1
b( ) E ( )
- error sistemtico
Ejemplo:
1 n
n x k
n k 1
x k iid N(, )
1 n
E ( ) E (x k ) insesgado
n k 1
n
1
n (x k n )(x k n )T
n k 1
1
1
1
1
T
T
T
T
E ( n ) E (x k x k ) 2 E (x i x j ) E (x k x i ) E (x k x i )
n k
n ij
n i
n i
Ejemplo:
) E x x
1
1
2
E ( ) n n n
n
n
n
E (x )(x
i
1
n 1
E ( n ) 1
n
n
sesgado
n
asintotica
mente
insesgado
Propiedades de un estimador
MSE ( ) E
var E E
b E
Compromiso sesgo-varianza de un
estimador
MSE ( ) E E E E
var 2 E E E E
MSE () var b 2
n
b 2
)
MSE (
var
i
i
i 1
Propiedades de un estimador
donde I ij Ex/
ln p(x/)
i j
Estimador eficiente
) I (
)
C (
) I (
)
var( i ) C (
ii
ii
C ( ) n
I 1
p( x / w1 ) N (3,1) azul
p( x / w2 ) N (6,10) verde - distribucin real de los datos
p( x / w2 ) N ( ,1) roja - modelo asumido
umbral propuesto: 4,5
umbral ptimo 5
Estimacin Bayesiana
1.
2.
3.
Estimacin Bayesiana
c
D Di
Di D j
p(x / wi , Di ) P(wi )
c
p(x / w , D ) P(w )
j 1
Distribucin de parmetros
Distribucin de parmetros
Objetivo: Encontrar p(x/D) que es lo ms cerca que
puedo estar de p(x).
p( / D)
p ( D / ) p ()
p( D / ) p()d
Ejemplo:
p ( x / ) N ( , 2 ) 2 : conocido ,
prior sobre p ( ) N ( 0 , 0 ),
2
0 : lo que creemos
0 2 : incertidum bre
p( D / ) p( )
p( / D)
p( D / ) p( )d
D x1 ,......xn
independientes
1 n xk 2 0 2
p ( / D) p (xk / ) p ( ) exp
2
2
2 k 1
k 1
0
n
1 n
1
1
2
0
exp 2 2 2 2 xk 2
2
0
0
k 1
1
1 n
p( / D)
exp
2 n
2 n
Identificando coeficient es :
n
1
1
2 2 2
n
0
n n n 0
n 2 2 0 2
2
n 0
2
n
0
n
2
2
2
2
n 0
n 0
2
2
2
0
n n 2 2
0
exp
2
2
2
2 n
n
1 x n 2
1
f ( , n , x) exp
2
2
2 n
2 n
2
2
2
1 2 2
n
n
n
donde f ( , n , x) exp
d
2
2
2 2 2
n
R
n
1 2
n
d 2 con
f ( , n , x) exp
2
2
n
1
2
p( x / D) N ( n , n )
2
Estimacin Bayesiana
p ( / D)
p ( D / ) p ()
p( D / ) p()d
p (x n / ) p ( / D n 1 )
n 1
p
(
x
/
)
p
(
/
D
)d
n
p (x / D) p (x / ) p / D d p (x / ) verosimilitud
Estimador MAP
MAP arg max p ( / D) arg max ln p ( D / ) ln p()
es minimizand o .
g1 ( x1 ).......g m ( x1 )
g1 ( x2 ).......g m ( x2 )
G
...........................
g ( x ).......g ( x )
m
n
1 n
Notacin : Y y1 ,..... yn
M odelo : Y - G N (0, d I ) p ( D / )
2
Prior : N (0, m I ) p ()
2
1
1
T
T
(Y G) (Y G)
MAP arg max
2
2
2 m
2 d
1
1
T
T
0 2 G Y 2 G G 2
d
m
d
G G I
T
MAP
GT Y
T
2 1
T
G
G
I
G
Y
MAP
1.
2.
3.