1 Dirichlet Process-非参数贝叶斯( 二 ) _贝叶斯

===============
is one way toaover aspace
所以，G不是一个固定的分布，也是一个随机量。G~DP（/alpha,H）,DP是分布G的分布，每次抽出一个G，可以抽出很多不同的G，这些G符合同一个分布
----------------------------------------------------------------------------------------------------
附录：in? 性质相关性质
1.在de 的数学书中，他证明了，当一个可数无限维随机变量集合{x1,x2,...}满足in? 性质，即，对集合中取出任意N个元素，组成一个集合{x1，x2，...,xN} 如果其上的联合概率和顺序无关，即对{1，2，..N}的任意新排列,记为C1，C2...CN，有P(x1，x2...xN)=P(x_C1,x_C2,...,X_CN),则P（x1，...xN）可写成如下形式：
（1）
也就是说可以把G当成一个类似于参数的东西，使得联合概率中，每个xi相对于G独立，P（G）是参数G的先验概率分布。
这个式子中G可以是无限维的，此时P(G)也由分布推广到了一个随机过程
在上述3个模型中，可以证明，都满足性质，也就是说，由G过程中可以生成一族X变量，在urn中，xi是第i个球的颜色，CRP中，Xi是第i个人的桌子
同时，这个性质也为使得用MCMC求解DPMM成为可能
参考文献：
的入门介绍：：for
到的另一个不错的入门介绍：~/notes/dpmm.pdf
【1Dirichlet Process-非参数贝叶斯】~lisa//31-10-2006.pdf