电子科技大学：《贝叶斯学习与随机矩阵及在无线通信中的应用 BI-RM-AWC》课程教学资源（学习资料）贝叶斯学习补充材料

3.1极大似然 ·似然函数：关于统计模型中参数的函数，表示模型参数中的似然性(“似然 性“与”概率”意思相近) ·极大似然：最大可能 ·通常：已知条件结果；极大似然：已知结果→条件（估计值） ·已知样本A,未知参数B: P(A B)P(B) P(BA)= P(A) ·一般步骤： ①写出似然函数并取对数 ②求导数令其为0，得到似然方程 ③解似然方程，得到参数（估计值）

3.1 极大似然 • 似然函数：关于统计模型中参数的函数，表示模型参数中的似然性（“似然 性“与”概率”意思相近） • 极大似然：最大可能 • 通常：已知条件→结果；极大似然：已知结果→条件（估计值） • 已知样本A，未知参数B： • 一般步骤： ① 写出似然函数并取对数 ② 求导数令其为0，得到似然方程 ③ 解似然方程，得到参数（估计值）

3.2隐变量 ·举例：统计学生身高分布 ·样本：100个男生/女生的身高 ·假定：男生和女生身高分别服从相互的独立正态分布，其参数未知 ·已知样本身高的性别：简单的极大似然估计参数 ·未知样本身高的性别：参数估计困难；性别作为隐变量

3.2 隐变量 • 举例：统计学生身高分布 • 样本：100个男生/女生的身高 • 假定：男生和女生身高分别服从相互的独立正态分布，其参数未知 • 已知样本身高的性别：简单的极大似然估计参数 • 未知样本身高的性别：参数估计困难；性别作为隐变量

3.2隐变量 ·举例：抛硬币 ·两枚硬币A和B,其正面向上概率不同 硬币 结果 统计 A 正正反正反 3正-2反 B 反反正正反 2正-3反 A 正反反反反 1正-4反 B 正反反正正 3正-2反 A 反正正反反 2正-3反 ·极大似然可计算出两枚硬币正面向上的概率

3.2 隐变量 • 举例：抛硬币 • 两枚硬币A和B，其正面向上概率不同 • 极大似然可计算出两枚硬币正面向上的概率 硬币 结果 统计 A 正正反正反 3正-2反 B 反反正正反 2正-3反 A 正反反反反 1正-4反 B 正反反正正 3正-2反 A 反正正反反 2正-3反

3.2隐变量 ·举例：抛硬币 ·两枚硬币A和B,其正面向上概率不同 硬币 结果 统计 正正反正反 3正-2反 反反正正反 2正-3反 正反反反反 1正-4反 正反反正正 3正-2反 反正正反反 2正-3反 ·所抛的硬币作为隐变量

3.2 隐变量 • 举例：抛硬币 • 两枚硬币A和B，其正面向上概率不同 • 所抛的硬币作为隐变量 硬币 结果 统计 / 正正反正反 3正-2反 / 反反正正反 2正-3反 / 正反反反反 1正-4反 / 正反反正正 3正-2反 / 反正正反反 2正-3反

3.2隐变量 ·举例：抛硬币 ·假设PA=0.2,PB=0.7 轮数，结果 假如是A 假如是B 1,3正-2反 0.00512 0.03087 2,2正-3反 0.02048 0.01323 3,1正-4反 0.08192 0.00567 4,3正-2反 0.00512 0.03087 5,2正-3反 0.02048 0.01323 ·根据初始假设可估计出PA‘和PB

3.2 隐变量 • 举例：抛硬币 • 假设PA=0.2，PB=0.7 • 根据初始假设可估计出PA‘和PB’ 轮数，结果 假如是A 假如是B 1，3正-2反 0.00512 0.03087 2，2正-3反 0.02048 0.01323 3，1正-4反 0.08192 0.00567 4，3正-2反 0.00512 0.03087 5，2正-3反 0.02048 0.01323

3.3EM算法 ·主要思想： ①给日自主规定个初值 ②根据样本和当前参数日，求隐变量z的条件概率分布的期望 ③基于上式得到的z,根据极大似然估计求最优的日 ④重复第二步和第三步，直到收敛

3.3 EM算法 • 主要思想： ① 给θ自主规定个初值 ② 根据样本和当前参数θ，求隐变量z的条件概率分布的期望 ③ 基于上式得到的z，根据极大似然估计求最优的θ’ ④ 重复第二步和第三步，直到收敛

3.3EM算法 ·公式推导： ·似然函数： L()=L(,,x:0)=Πpx;),6e⊙. ·对数似然函数（求导困难，引入z):() =∑1ogp;) i-1 = ∑卫65n ·引入z后： ∑1ogpr0)=∑log∑p(x0,20:0) z() ∑1g∑Q.(e0Pe9,9:0 Q(z0） z( ∑ec9e89 ≥】

3.3 EM算法 • 公式推导： • 似然函数： • 对数似然函数（求导困难，引入z）： • 引入z后：

3.3EM算法 ·Jensen:不等式：如果f是凸函数，X是随机变量，那么：E[fX)]>=f(E[X);X 是常量时，上式取等号 ·期望： ∑o[89鬥] ·根据]ensen不等式，可得： f(a (e普9]）≥ar(9门 E可X】 f(b) fE 闪

3.3 EM算法 • Jensen不等式：如果f是凸函数，X是随机变量，那么：E[f(X)]>=f(E[X])；X 是常量时，上式取等号 • 期望： • 根据Jensen不等式，可得：

3.3EM算法 ·证明收敛（等号成立）：X为常量 p(x0,20;0) Q(z0) 变换：∑px,0)=∑0(e)e,由于∑0(e)=1 可得：∑p(x,:)=c 可得： Qi(:)= p(x⊙，z0;0) ∑2p(r0,z) p(x@,z0:0) p(x;0の p(zz@:0) 结论：在固定参数后，使下界拉升的Q(z)的计算公式就是条件概率

3.3 EM算法 • 证明收敛（等号成立）：X为常量 变换： ，由于 可得： 可得： 结论：在固定参数θ后，使下界拉升的Q(z)的计算公式就是条件概率       , ;   i i i i z z   p x z Q z c      , ;  i i z  p x z c       1 i i z Q z 

3.3EM算法 ·算法步骤： ①随机初始化分布参数日 ②循环E步和M步，直到收敛 (E步，求Q函数)第i次迭代，根据第i-1次迭代得的参数日计算隐变量 z的后验概率，作为隐变量z的现估计值： 隐变量z的（条件）期望等 Q:(z@)=p(z01x0;0) 于其条件概率。 (M步，求使Q函数获得极大时的参数日)将似然函数最大化以获得新 的参数日 0=arg mgx∑∑Q.(e)1og p(x0,20;0) Q(2z@)】 i z(i)

3.3 EM算法 • 算法步骤： ① 随机初始化分布参数θ ② 循环E步和M步，直到收敛 （E步，求Q函数）第i次迭代，根据第i-1次迭代得的参数θ计算隐变量 z的后验概率，作为隐变量z的现估计值： （M步，求使Q函数获得极大时的参数θ ）将似然函数最大化以获得新 的参数θ 隐变量z的（条件）期望等 于其条件概率