概率笔记12——多维正态分布的最大似然估计
我们在前面的章节中见识过二维正态分布，(X,Y)服从参数为μ1, μ2, σ1, σ2, ρ的二维正态分布，记作(X, Y)~N(μ1, μ2, σ1, σ2, ρ)，它的密度函数： 其中μ1是第1维度的均值，σ12是第1维度的方差，ρ是将两个维度的相关性规范到-1到+1之间的统计 ...
原文：概率笔记11——一维正态分布的最大似然估计
正态分布密度函数是： 若随机变量X服从一个数学期望为 方差为 的正态分布，记为N ， 。当 ， 是，称为标准正态分布。不需要记住这个复杂的公式，知道它的意义即可，在使用时可以随时查阅。 在研究正态分布时，我们认为每个样本都是等权的，因此 是随机变量的均值，控制了曲线的位置， 控制了曲线的陡峭程度： 越小，样本越靠近 ： 在上图中，当 . 时，曲线更陡峭，倒钟更窄，样本更向 处集中。 最大似然估计 ...
2019-08-14 17:52 0 5402 推荐指数：
相关推荐
概率笔记10——矩估计和最大似然
估计 生活中我们经常估计一些数值，比如从家到学校要走多久？一颗大白菜大概多少斤？凭什么估计出具体数值呢？“估计”不是瞎猜，是根据已有数据计算的。从家到学校往返过多次，手上也拿过无数颗白菜，此时我们会凭借心中的尺度计算出一个大约的数值。 矩估计 矩估计，即矩估计法，也称“矩法估计 ...
最大似然估计和最大后验概率
参考链接1 参考链接2 一、介绍 极大似然估计和贝叶斯估计分别代表了频率派和贝叶斯派的观点。频率派认为，参数是客观存在的，只是未知而矣。因此，频率派最关心极大似然函数，只要参数求出来了，给定自变量X，Y也就固定了，极大似然估计如下所示: D表示训练数据集，是模型参数 相反 ...
伯努利分布的最大似然估计
极大似然估计法是求点估计的一种方法，最早由高斯提出，后来费歇尔（Fisher）在1912年重新提出。它属于数理统计的范畴。 大学期间我们都学过概率论和数理统计这门课程。 概率论和数理统计是互逆的过程。概率论可以看成是由因推果，数理统计则是由果溯因。 用两个简单的例子来说明它们之间 ...
最大似然估计 （MLE） 最大后验概率（MAP）
1） 最大似然估计 MLE 给定一堆数据，假如我们知道它是从某一种分布中随机取出来的，可是我们并不知道这个分布具体的参，即“模型已定，参数未知”。例如，我们知道这个分布是正态分布，但是不知道均值和方差；或者是二项分布，但是不知道均值。 最大似然估计（MLE，Maximum Likelihood ...
均匀分布的最大似然估计
题目描述 设x1，x2，...，xn服从U(0, k)的均匀分布，求k的最大似然估计。 解： 假设随机变量x服从U(0,k)的均匀分布，则其概率密度函数为 似然函数 ...
泊松分布的“入"最大似然估计
...
最大似然估计-高斯分布
前言：介绍了最简单的最大似然估计，距离实现「朴素贝叶斯」还有一些距离。在这篇文章，我想分享一下，我所理解的「最大似然估计 - 高斯分布」。 问题 （这里都是玩具数据，为了方便理解才列出 ...