第1章先验分布与后验分布.ppt

1、贝叶斯统计,基本教材： 茆诗松编，贝叶斯统计 中国统计出版社，2012年.,总评成绩： 平时成绩40%：作业+小测试 期末成绩60%,已修课程：概率论与数理统计,参考教材： 1. 贝叶斯统计. 韦来生. 高等教育出版社1998 2. 现代贝叶斯统计Kotz S,吴喜之中国统计出版社1999 3. 贝叶斯统计推断张尧庭、陈汉峰科学出版社1991,目 录,第一章先验分布与后验分布,第二章 贝叶斯推断,第三章 先验分布的确定,第四章 决策中的收益、损失与效用,第五章 贝叶斯决策,第六章 统计决策理论,第七章 贝叶斯计算,本书共七章，可分三部分。前三章围绕先验分布介绍贝叶斯推断方法。后三章围绕损失函数

2、介绍贝叶斯决策方法。第七章为贝叶斯计算阅读这些内容仅需要概率统计基本知识就够了。,Byaes统计学派与经典统计学派虽然有很大区别，但是它们各有优缺点，各有其适用的范围，作为研究者一定要博采众长，以获得一种更适合解决实际问题的方法。而且，在不少情况下，二者得出的结论在形式上是相同的。,课堂上讲过的习题、练习题和作业的题目都要会.,（Bayes，Thomas）(17021761) 贝叶斯是英国数学家.1702年生于伦敦；1761年4月17日卒于坦布里奇韦尔斯. 贝叶斯是一位自学成才的数学家.曾助理宗教事务，后来长期担任坦布里奇韦尔斯地方教堂的牧师.1742年，贝叶斯被选为英国皇家学会会员. 如今在

3、概率、数理统计学中以贝叶斯姓氏命名的有贝叶斯公式、贝叶斯风险、贝叶斯决策函数、贝叶斯决策规则、贝叶斯估计量、贝叶斯方法、贝叶斯统计等等.,9,贝叶斯公式：,统计学有两个主要学派:频率学派与贝叶斯学派.它们之间有异同,贝叶斯统计是在与经典统计的争论中发展起来,主要的争论有: 1.未知参数可否作为随机变量? 2.事件的概率是否一定的频率解释? 3.概率是否可用经验来确定? .,发展历史,1763年 ，论文“机遇理论中一个问题的解”发表，首次提出贝叶斯公式。 随后，Laplace等人重新阐述了贝叶斯公式，并导出些有意义的结果。 二战后，wald 提出统计决策函数论引起人们对贝叶斯方法的兴趣。 如今，

4、贝叶斯学派已发展成一个有影响力的统计学派。,贝叶斯方法是基于贝叶斯定理而发展起来用于系统地阐述和解决统计问题的方法(Samuel Kotz和吴喜之,2000)。 贝叶斯推断的基本方法是将关于未知参数的先验信息与样本信息综合，再根据贝叶斯定理，得出后验信息，然后根据后验信息去推断未知参数(茆诗松和王静龙等,1998年)。 “贝叶斯提出了一种归纳推理的理论(贝叶斯定理)，以后被一些统计学者发展为一种系统的统计推断方法，称为贝叶斯方法.”摘自中国大百科全书（数学卷）,13,一、统计推断中可用的三种信息 二、贝叶斯公式 三、共轭先验分布 四、超参数及其确定 五、多参数模型 六、充分统计量,第一章 先验

5、分布与后验分布,第一章 先验分布与后验分布,统计学中有两个主要学派：频率学派与贝叶斯学派。下面从统计推断的三种信息来说明他们之间的区别与联系。,经典学派的观点：统计推断是根据样本信息对总体分布或总体的特征数进行推断，这里用到两种信息：总体信息和样本信息； 贝叶斯学派的观点：除了上述两种信息以外，统计推断还应该使用第三种信息：先验信息。,1.1 三种信息,一、总体信息，即总体分布或总体所属分布给我们的信息。 例如，“总体是正态分布”就给我们带来很多信息：它的密度函数是一条钟形曲线；它的一切一阶矩都存在；有关正态变量（服从正态分布随机变量）的一些事件的概率可以计算；由正态分布可以导出卡方分布，t分

6、布和F分布等重要分布，还有许多成熟的点估计、区间估计和假设检验方法可供我们选用。 说明：总体信息是很重要的信息，为了获取此种信息往往耗资巨大。,二、样本信息，即从总体抽取的样本给我们的信息 这是最“新鲜”的信息，并且愈多愈好。 人们希望通过对样本的加工和处理对总体的某些特征做出较为精确的统计推断。 例：。均值、方差等 没有样本就没有统计学可言。,经典统计学：基于以上两种信息进行的统计推断被称为经典统计学。 说明：它的基本观点是把数据（样本）看成是来自具有一定概率分布的总体，所研究对象是这个总体而不局限于数据本身。 这方面最早的工作是高斯(Gauss,C.F.17771855）和勒让德（Lege

7、ndre,A.M.17521833）的误差分析，正态分布和最小二乘法。从十九世纪末到二十世纪上半叶，经皮尔逊（Pearson,K.18571936）、费歇（Fisher,R.A.18901962）奈曼（Neyman.J.）等人的杰出工作创立了经典统计学。 随着经典统计学的持续发展与广泛应用，它本身的缺陷也逐渐暴露出来了。,贝叶斯学派的观点：除了上述两种信息以外，统计推断还应该使用第三种信息：先验信息。,三、先验信息，即是抽样（试验）之前有关统计问题的一些信息。 一般说来，先验信息来源于经验和历史资料。先验 信息在日常生活和工作中是很重要的。,例1.1 英国统计学家Savage曾考察如下2个统计

8、实验： A。（品茶试验）一位常饮牛奶加茶的妇女声称，她能辨别先倒进杯子里的是茶还是牛奶。对此做了10次试验，她都正确地说出了。 B。一位音乐家声称，他能从一页乐谱辨别出是海顿还是莫扎特的作品。在10次这样的试验中，他都能正确辨别。 在这两个统计试验中，假如认为被试验者是在猜测，每次成功的概率为0.5，那么10次都猜中的概率为2-10=0.0009766，这是一个很小的概率，是几乎不可能发生的，所以 “每次成功概率为0.5”的假设应该被拒绝。 被试验者每次成功的概率要比0.5大得多。这不是猜测，而是他们的经验在帮了他们的忙。,例1.2“免检产品”是怎样决定的？某厂的产品每天都要抽验几件，获得不合

9、格品率的估计。在经过一段时间后就积累大量的资料，根据这些历史资料（先验信息的一种）对过去产品的不合格品率可构造一个分布：,这个对先验信息进行加工获得的分布今后称为先验分布。 这个先验分布是综合了该厂过去产品的质量情况。如果这个分布的概率大部分集中在=0附近，那么该产品可认为是“信得过产品”。假如以后的多次抽检结果与历史资料提供的先验分布是一致的。使用单位就可以对它做出“免检产品”的决定，或者每月抽检一、二次就足够了，这就省去了大量的人力和物力。 可见历史资料在统计推断中应加以利用,贝叶斯统计与经典统计学的差别：是否利用先验信息。 贝叶斯统计在重视使用总体信息和样本信息的同时，还注意先验信息的收

10、集、挖掘和加工，使它数量化，形成先验分布，参加到统计推断中来，以提高统计推断的质量。 在使用样本信息上也是有差异的.贝叶斯学派重视已出现的样本观察值,而对尚未发生的样本观察值不予考虑.,贝叶斯学派的基本观点：任一未知量 都可看作一个随机变量，应该用一个概率分布去描述，这个分布称为先验分布；在获得样本之后，总体分布、样本与先验分布通过贝叶斯公式结合起来得到一个关于未知量 新的分布后验分布；任何关于 的统计推断都应该基于 的后验分布进行。,因为任一未知量都有不确定性，而在表述不确定性程度时，概率与概率分布是最好的语言。 例1.2中产品的不合格品率是未知量，但每天都有一些变化，把它看做一个随机变量是

11、合适的，用一个概率分布去描述它也是很恰当的。,例1.3 学生估计一新教师的年龄。 依据学生们的生活经历，在看了新教师的照片后会立即有反应：“新教师的年龄在30岁到50岁之间，极有可能在40岁左右。”一位统计学家把学生们对新教师的年龄（未知量）的认识（先验信息）可综合为图1.1所示的概率分布，这也是学生们对未知量（新教师的年龄）的概率表述。,第一，按图1.1所示的概率分布我们可谈论未知量位于某个区间的概率。 例位于37到43岁间的概率为0.9。 可这个陈述在经典统计中是不允许的。 在实际中类似的说法经常听到。,第二，按图1.1中的概率不是在大量重复试验中获得的，而是学生们根据自己的生活经历的积累

12、对该事件发生可能性所给出的信念，这样给出的概率在贝叶斯统计中是允许的，并称为主观概率。（它也符合概率的三条公理）。 这一点频率学派是频率学派难以接受的，他们认为经典统计学使用大量重复试验的频率来确定概率，是“客观的”，因此符合科学的要求，而认为贝叶斯统计是“主观的”，因而（至多）只对个人决策有用。这是当前对贝叶斯统计的主要批评。 两学派在一些问题上的争论将在后面逐步介绍。,总结：Byaes学派与经典统计学派最根本的分歧是: 第一，是否利用先验信息。 由于产品的设计、生产都有一定的继承性，这样就存在许多相关产品的信息以及先验信息可以利用，Byaes统计学派认为利用这些先验信息不仅可以减少样本容量

13、，而且在很多情况还可以提高统计精度；而经典统计学派忽略了这些信息。 第二，是否将参数看成随机变量。 Byaes统计学派的最基本的观点是:任一未知量都可以看成随机变量，可以用一个概率分布去描述，这个分布就是先验分布。因为任一未知量都具有不确定性，而在表述不确定性时，概率与概率分布是最好的语言；相反，经典统计学派却把未知量就简单看成一个未知参数，来对它进行统计推断。,经典统计学派对贝叶斯统计的批评,贝叶斯方法受到了经典统计学派中一些人的批评,批评的理由主要集中在以下三点： (1) 贝叶斯方法具有很强的主观性而研究的问题需要更客观的工具。经典统计学是“客观的”, 因此符合科学的要求。而贝叶斯统计学是

14、“主观的”，因而(至多)只对个人决策有用。 (2)应用的局限性,特别是贝叶斯方法有许多封闭型的分析解法,不能广泛地使用。 (3)先验分布的误用。,总结,理解贝叶斯统计学与经典统计学的主要差别。 贝叶斯统计学派的最基本的观点 。,伽玛函数,函数,伽玛函数的性质:,伽玛分布,伽玛分布的两个特例,1. 当=1时,伽玛分布就是指数分布:,倒伽玛分布,则X的密度函数为,贝塔函数,函数,贝塔函数的性质:,贝塔分布,贝塔分布的数学期望和方差,38,初等概率论中的贝叶斯公式是用事件的 概率形式给出的。可在贝叶斯统计学中应用 更多的是贝叶斯公式的密度函数形式。 1.贝叶斯公式的事件形式： 假定 是互不相容的事件

15、，它 们之和 包含事件B，即 ，则有：,1.2 贝叶斯公式,一、贝叶斯公式的密度函数形式,1.总体指标X依赖于参数 的概率函数记为P (x | )，它表示在随机变量给定某个值时总体指标X的条件分布； 2.根据参数 的先验信息可确定先验分布( )； 3.从贝叶斯观点看，样本 x=（x1, x2 , , xn ）的产生分两步进行:首先从先验分布( )产生一个样本0，然后从P (x |0)中产生一个样本x=（x1, x2 , , xn ） 。这时样本的联合条件密度函数为,这个分布综合了总体信息和样本信息，常称为似然函数。,4.0 是未知的，它是按先验分布( )产生的。为把先验信息综合进去，不能只考虑

16、0，对的其它值发生的可能性也要加以考虑，故要用( )进行综合。这样一来，样本x=（x1 , , xn）和参数 的联合分布为: h(x, ) = p(x )( )， 这个联合分布把总体信息、样本信息和先验信息三种可用信息都综合进去了。,5.参数的后验分布（贝叶斯公式的密度函数形式） 是x=(x1, x2 , , xn )的边际概率函数，它与 无关，不含 的任何信息。,6.二、贝叶斯公式的离散形式： 在 是离散型随机变量时，先验分布可用先验分布列(i)，i=1,2,，表示。这时后验分布也是离散形式,假如总体X也是离散的，只要把（1.1）或（1.2）中的密度函数p(x )作为概率函数p(X=x )即

17、可。,二、后验分布是三种信息的综合,一般说来，先验分布()是反映人们抽样前对的 的认识，后验分布( x )是反映人们在抽样后对的认识。它们之间的差异是由于样本x出现后人们对认识的一种调整。所以后验分布( x )可以看做是人们用总体信息和样本信息（综合称为抽样信息）对( )作调整的结果。,例1.2.1 设某事件A在一次试验中发生的概率为 ，为估计 ，对试验进行了n次独立观测，其中事件A发生了X次，显然 X b(n, )， 假若我们在试验前对事件A没有什么了解，使用区间（0,1）上的均匀分布U(0,1)作为 的先验分布， 求参数的后验分布。,例 Laplace在1786年研究了巴黎的男婴出生的比率

18、,他希望检验男婴出生的概率 是否大于0.5.为此,他收集到17451770年在巴黎出生的婴儿数据.其中,男婴251527个,女婴241945个,他选用U(0,1)作为 的先验分布,则 的后验分布服从 分布:,推断:男婴出生的概率大于0.5,例1.2.2. 为了提高某产品的质量，公司经理考虑增加投资来改进生产设备，预计需投资90万元，但从投资效果看，下属部门有2种意见： 1：改进设备后，高质量产品可占90 2：改进设备后，高质量产品可占70 但根据下属两个部门过去建议被采纳的情况，经理认为，1的可信程度只有40， 2的可信程度是60。即,这都是经理的主观概率。经理不想仅用过去的经验来决策，想慎重

19、一些，通过小规模试验后观其结果再定。为此做了一项试验，实验结果（记为A）如下：,A：试制5个产品，全是高质量产品,经理希望用此试验结果来修改他原来对1和2的看法，即要求后验概率(1 A ) 和(2 A ) 。,所以,经理根据试验A的信息把对1和2的可信程度由0.4和0.6调整到0.7和0.3. 后者是综合了经理的主观概率和试验结果而获得的，要比主观概率更贴近当今的实际，这就是贝叶斯公式的应用,所以,经理看到经过两次试验，1（高质量产品可占90 ）的可信程度由0.4调整到0.883，他能以88.3的把握保证此项投资能取得较大经济效益。,试验B：试制10个产品，有9个是高质量产品,总结,利用贝叶斯

20、公式会由先验分布求后验分布。,1.3 共轭先验分布,一、共轭先验分布,例1.4中X b(n, ) ，先验分布为U(0,1),即Be(1,1) 后验分布Be(x+1,n-x+1) ,其中x为n次独立试验中成功出现的次数.,Be(,),Be(+x,+n-x),定义1.1 设是总体分布中的参数（或参数向量）， ()是的先验密度函数，假如由抽样信息算得的后验密度函数与()有相同的函数形式，则称()是的共轭先验分布。,注意：共轭先验分布是对某一分布中的参数而言的。 如正态均值、正态方差、泊松均值等。 离开指定参数及其所在的分布去谈论共轭先验分布是没有意义的.,例1.6 正态均值（方差已知）的共轭先验分布

21、是正态分布.,设x1, x2,xn是来自正态分布N(, 2) 的一个样本观察值。其中2已知。,取另一正态分布N(,2)作为正态均值的先验分布，即,其中,2为已知。,参数 的后验分布为,正态均值（方差已知）的共轭先验分布是正态分布,二、后验分布的计算,参数 的后验分布为,由于m(x)不依赖于 ，在计算的后验分布中仅起到一个正则化因子的作用。,其中“”表示两边仅差一个不依赖于的常数因子。（1.9）式右端虽不是正常的密度函数，但它是后验分布( x）的核，特别当看出( x)的核就是某常用分布的核时，不用计算m(x)就可很快恢复所缺常数因子。,注意：这在共轭先验分布和非共轭先验分布场合都可使用。,例1.

22、6 正态均值（方差已知）的共轭先验分布是正态分布.,这是参数为1, 和2的正态分布的核,三、共轭先验分布的优缺点,共轭先验分布的有两个优点 1.计算方便。 2.共轭先验分布的一些参数可以得到很好的解释。,例1.8 “正态均值（方差已知）的共轭先验分布是正态分布”的例子中，其后验均值为,这表明后验均值是在先验均值与样本均值间采取折衷方案。,在处理正态分布是，方差的倒数发挥着重要的作用，并称其为精度。,注意：1.在贝叶斯统计中，先验分布的选择应以合理性作为首要原则，计算上的方便与先验的合理性相比还是第二位的。 2.在考虑到先验的合理性之后，充分发挥共轭先验分布是常采用的策略。,例1.7 二项分布中

23、的成功概率的共轭先验分布是贝塔分布。,设总体中X b(n, )，先验分布Be(,)， 的后验分布,这是贝塔分布Be(+x,+n-x) 的核.,的后验分布,例1.9在“ 二项分布中的成功概率的共轭先验分布是贝塔分布”的例1.7中，后验分布Be(+x,+n-x) 的均值与方差为,当n与x都较大，且x/n接近某个常数时，有,P=x/n固定，随着样本量增大时，后验分布越来越向p集中，先验信息对后验分布的影响变小。,常用分布的核,（1）二项分布b(n, ）的核 (2)泊松分布P（）的核 （3）贝塔分布Be(,)的核 （4）伽玛分布Ga(, )的核 （5）倒伽玛分布IGa(, )的核 （6）正态分布N(,

24、 2)的核,熟悉后验分布的核可以简化后验分布的计算。,四、常用的共轭先验分布,共轭先验分布的选取是由似然函数L()=p(x|)中所含的因式所决定的，即选与似然函数（的函数)具有相同的核的分布作为先验分布。,例1.10 设x1, x2,xn是来自正态分布N(, 2) 的一个样本观察值。其中已知,求方差2的共轭先验分布 。,样本的似然函数为：,设X服从伽玛分布Ga(,)，其中0为形状参数, 0为尺度参数，其密度函数为,Y=1/X的密度函数为,这个分布称为倒伽玛分布，记为IGa(,)。 假如取倒伽玛分布为2的先验分布，其中参数,为已知，则其密度函数为,2的后验分布 为,这个分布为倒伽玛分布,若后验分

25、布( x)与( )属于同一个分布族，则称该分布族是 的共轭先验分布(族)。 二项分布b(n, )中的成功概率 的共轭先验分布是贝塔分布Be(a,b)； 泊松分布P( )中的均值 的共轭先验分布是伽玛分布Ga(,)； 指数分布中均值的倒数 的共轭先验分布是伽玛分布Ga(,)； 在方差已知时，正态均值 的共轭先验分布是正态分布N(, 2); 在均值已知时，正态方差 2的共轭先验分布是倒伽玛分布IGa(,)。,总结,1.利用贝叶斯公式会由先验分布求后验分布 2.记住常见的共轭先验分布,分位数,1.4 超参数及其确定,定义：先验分布中所含的未知参数称为超参数。,例 成功概率的共轭先验分布为Be(,)，

26、它含有两个超参数. 注意：一般来说，共轭先验分布含有超参数，而无信息先验分布一般不含超参数。,共轭先验分布是一种有信息的先验分布，故其中所含的超参数应充分利用各种先验信息来确定，下面结合具体的例子介绍一些确定超参数的方法。这些方法又称为经验方法。,例1.11在 二项分布中的成功概率的共轭先验分布是贝塔分布Be(,) ， ,是其两个超参数,一、利用先验矩,利用先验信息能获得成功概率的若干个估计值，记为,1,2, k,一般它们是从历史数据整理加工获得的，由此可算得先验均值和先验方差S2，其中,然后令其分别等于贝塔分布Be(,) 的期望与方差,解之，可得参数与的估计值,二、利用先验分位数,假如根据先

27、验信息可以确定贝塔分布的两个分位数，则可利用这两个分位数来确定与的估计值。 例如用两个上下四分位数U和L来确定与,从这两个方程解出与,三、利用先验矩和先验分位数,假如根据先验信息可获得先验均值和p分位数p，则可列出下列方程的,解之，可得参数与的估计值,四、其它方法,假如根据先验信息可获得先验均值，令,再利用其它先验信息求出与的估计值。,总结,1.了解超参数的确定方法 2.掌握利用先验矩的方法,练习1.13 作业：1.15,1.5 多参数模型,处理多参数的方法与处理单参数方法相似，先根据先验信息给出参数的先验分布，然后按贝叶斯公式算得后验分布。,设总体只含2个参数=(1,2)，总体的密度函数为p

28、(x|1,2),若从该总体抽取一个样本 并给出先验密度 ，则 的后验密度为,在多参数问题中，人们关心的常常是其中一个或少数几个参数，这时其余参数常被称为讨厌参数或多余参数。 在处理讨厌参数上，贝叶斯方法要比经典方法方便得多。,例如讨厌参数2，,79,例1.12 试求正态均值与正态方差的（联合） 共轭先验分布及后验分布。（P24）,1.取先验分布为 的情形 2.关于指数分布族的若干结论 3.取先验分布为共轭先验分布的情形,80,1.取先验分布为 的情形,81,82,back,83,3.取先验分布为共轭先验分布的情形,(1)求 的共轭先验密度 (2)求 的后验边际密度 (3)求给定 后 的条件后验

29、密度函数 例题,84,例 有一实验站关于生长小麦的经验为每块样地的均值 和标准差分别为100及10的正态分布，现在他们研究施加激 素的影响。在12块地施加激素后所得产量如下(单位：千克)： 141,102,73,171,137,91,81,157,146,69,121,134 关于方差的信息是均值、标准差分别约为300及160； 关于均值的信息是均值约为110，约为15即相当于观测了 15个观测值。 求: (1) 的共轭先验； (2) 的后验密度函数； (3) 的边际后验； (4) 对 已知情况下的条件后验密度函数。,back,85,1.6 充分统计量,一、经典统计中充分统计量的回顾 充分性是

30、数理统计中最重要的概念之一，也是数理统计这 一学科特有的基本概念之一。它是Fisher在1925年提出的。 充分性的直观定义：不损失信息的统计量。 引例：研究某个运动员的打靶命中率，我们对该运动员进行10次测试，发现除第三、六次没有命中外，其余8次都命中，这样的结果包含了哪些信息？ （1）打靶10次命中8次； （2）2次不命中分别出现在第3次和第6次打靶上。 概率分析：,86,定义：设 是来自分布函数F(x|)的一个样本， T=T(x)是统计量，假如在给定T(x)=t的条件下，x的条件分布与 无关的话，则称该统计量为的充分统计量。 充分统计量的一个重要特性：当得到充分统计量T的某个取 值t之后

31、，而失去原样本的观察值也没有关系。因为我们可以根 据上述的条件分布来构造某个随机试验，从中获得来自总体的 一个新样本，这个新样本虽不能完全恢复老样本的原状，但它 与老样本所含的有关参数的信息是一样的。 例题1 设总体为二点分布b(1, )， 为样本，令 求在给定T的取值后，X的条件分布。,87,因子分解定理：一个统计量T(x)对参数是充分的充要条件是：存在一个t与的函数g(t,)和一个样本x的函数h(x)，使得对任一样本x和任意，样本的联合密度p(x|)可表示为它们的乘积，即： p(x|)= g(T(x),) h(x),这个定理表明：假如存在充分统计量T(x)， 则样本分布p(x|)一定可以分

32、解为两个因子的 乘积：一个是与无关，仅与样本x有关；另一 个是可以与有关，但与样本x的关系仅仅通过 充分统计量T(x)表现出来。,88,二、贝叶斯统计中充分统计量的有关结论及应用,贝叶斯统计中充分统计量与经典统计中充 分统计量的概念是一致的。 定理1.1 设 是来自密度函数p(x|)的一 个样本，T=T(x)是统计量，它的密度函数为p(t|),又设 H=()是的某个先验分布族，则T(x)为的充分统 计量的充要条件是对任一先验分布()H，有： (| T(x)= (| x) 即用样本分布p(x|)算得的后验分布与用统计量T(x)算 得的后验分布是相同的。,1.6 充分统计量,定义 设 x1, x2

33、, , xn 是来自某个总体的样本，总体分布函数为F ( x| )，统计量 T = T(x1, x2, , xn) 称为 的充分统计量，如果在给定T 的取值后，x1, x2, xn 的条件分布与 无关.,充分性原则： 在统计学中有一个 基本原则- 在充分统计量存在的场合，任何统计推断都 可以基于充分统计量进行，这可以简化统计 推断的程序。,因子分解定理,定理5.5.1 设总体概率函数为 p(x | )， X1, , Xn 为样本，则 T=T(X1, Xn) 为充分统计量的充分 必要条件是：存在两个函数g(t; )和h(x1, , xn)， 使得对任意的 和任一组观测值 x1, x2, xn，有,p(x1, x2, xn