《贝叶斯方法：概率编程与贝叶斯推断》一1.8答案

本节书摘来自异步社区《贝叶斯方法：概率编程与贝叶斯推断》一书中的第1章，第1.8节，作者 【加】Cameron Davidson-Pilon（卡梅隆 戴维森-皮隆），更多章节内容可以访问云栖社区“异步社区”公众号查看

1.8答案

1．计算后验的均值（即后验的期望值），我们只需要用到样本和a.mean函数。

print lambda_1_samples.mean() print lambda_2_samples.mean()

2．给定两个数a 和 b，相对增长可以由 (a − b)/b给出。在我们的实例中，我们并不能确定λ1和λ2的值是多少。通过计算

(lambda_2_samples-lambda_1_samples)/lambda_1_samples

我们得到另外一个向量，它表示相对增长的后验，如图1.7.1所示。

relative_increase_samples = (lambda_2_samples-lambda_1_samples) /lambda_1_samples print relative_increase_samples [Output]: 　 [ 0.263 0.263 0.263 0.263 ..., 0.1622 0.1898 0.1883 0.1883] figsize(12.5,4) plt.hist(relative_increase_samples, histtype='stepfilled', bins=30, alpha=0.85, color="#7A68A6", normed=True, label='posterior of relative increase') plt.xlabel("Relative increase") plt.ylabel("Density of relative increase") plt.title("Posterior of relative increase") plt.legend();

为了计算这个均值，需要用到新向量的均值：

print relative_increase_samples.mean() [Output]: 　 0.280845247899

3．如果已知 τ < 45，那么所有样本都需要考虑到这点：

ix = tau_samples < 45 print lambda_1_samples[ix].mean() [Output]: 　 17.7484086925 相关资源：敏捷开发V1.0.pptx