1.简述条件方法的基本思想。 2.怎样评价贝叶斯估计的好坏 3.简述贝叶斯假设检验的基本思想，它与经典假设检验的根本区别是什么？ 4.设随机变量X服从几何分布，其中参数的先验分布为区间(0,1)上的均匀分布， (1)若对X作一次观察，观察值为3，求参数的后验期望估计： (2)若对X作三次观察，观察值为3、2、5，求参数的后验期望估计。 5.设x1,…,xn是来自正态分布，均值为0，方差为2的一个样本，若σ2的先验 分布到倒伽马分布，求。的0.9可信上限。 (六)思政融合： 通过本章的学习，深入讲解贝叶斯统计的估计和假设检验对数据的统计推断，呈 现贝叶斯统计具有特色的一些处理方法以及相应的理论框架的魅力，增强学生从不同 的视角学习统计的兴趣和热情。 第五章贝叶斯统计决策 (一)课时分配：2学时 (二)教学要求： 了解贝叶斯决策的基本概念、后验风险、决策函数和后验风险准则。知道平方损 失函数和线性损失函数下参数的贝叶斯估计，了解完全信息期望值、最佳样本容量的 确定等。 (三)教学内容： 主要内容为后验风险最小原则、一般损失函数下的贝叶斯估计、Minimax准则简介。 (四)重点难点：后验风险最小原则、一般损失函数下的贝叶斯估计。 (五)用老题： 1.简述贝叶斯决策的基本思想。 2.简述后验风险最小原则。 (六)思政融合： 贝叶斯决策对于我们根据数据做出决策具有实际的指导意义。后验风险最小原则 下，通过讲授这个核心思想，增强学生具体问题具体分析的能力。 第六章贝叶斯统计计算方法 (一)课时分配：2学时 (二)教学要求： 了解贝叶斯统计计算的基本概念、抽样方法、MCMC方法、Metropolis-一Hastings 算法等。 (三)教学内容： 主要内容为蒙特卡洛抽样方法、MCMC方法、Metropolis-一Hastings算法简介。5 1.简述条件方法的基本思想。 2.怎样评价贝叶斯估计的好坏。 3.简述贝叶斯假设检验的基本思想，它与经典假设检验的根本区别是什么？ 4.设随机变量 X 服从几何分布，其中参数的先验分布为区间(0,1)上的均匀分布， （1）若对 X 作一次观察，观察值为 3，求参数的后验期望估计； （2）若对 X 作三次观察，观察值为 3、2、5，求参数的后验期望估计。 5.设 x1,…,xn 是来自正态分布，均值为 0，方差为 2  的一个样本，若 2  的先验 分布到倒伽马分布，求 2  的 0.9 可信上限。 (六)思政融合： 通过本章的学习，深入讲解贝叶斯统计的估计和假设检验对数据的统计推断，呈 现贝叶斯统计具有特色的一些处理方法以及相应的理论框架的魅力，增强学生从不同 的视角学习统计的兴趣和热情。 第五章 贝叶斯统计决策 （一）课时分配：2 学时 （二）教学要求： 了解贝叶斯决策的基本概念、后验风险、决策函数和后验风险准则。知道平方损 失函数和线性损失函数下参数的贝叶斯估计，了解完全信息期望值、最佳样本容量的 确定等。 （三）教学内容： 主要内容为后验风险最小原则、—般损失函数下的贝叶斯估计、Minimax 准则简介。 （四）重点难点：后验风险最小原则、—般损失函数下的贝叶斯估计。 （五）思考题： 1.简述贝叶斯决策的基本思想。 2.简述后验风险最小原则。 (六)思政融合： 贝叶斯决策对于我们根据数据做出决策具有实际的指导意义。后验风险最小原则 下，通过讲授这个核心思想，增强学生具体问题具体分析的能力。 第六章 贝叶斯统计计算方法 （一）课时分配：2 学时 （二）教学要求： 了解贝叶斯统计计算的基本概念、抽样方法、MCMC 方法、Metropolis—Hastings 算法等。 （三）教学内容： 主要内容为蒙特卡洛抽样方法、MCMC 方法、Metropolis—Hastings 算法简介