von Mises Distribution (冯·米赛斯分布)的随机模拟与参数估计的笔记（二） 1.参数估计算子分析 ​ 在上一节中，我们讨论了von Mises Distribution的概率分布函数PDF和累计分布函数CDF，并给出了von Mises Distribution的随机模拟 ...

在概率论和方向统计中，von Mises分布(又称圆正态分布或Tikhonov分布)是圆上的连续概率分布。它近似于包裹正态分布，是正态分布的圆形模拟。 圆上的自由扩散角θ是一个包裹正态分布的随机变量，随时间线性增长的unwarpped variance。另一方面，von Mises分布是调和势中 ...

1. 贝叶斯之参数估计 1. 贝叶斯之参数估计 1.1. 背景知识 1.2. 最大似然估计（MLE） 1.3. 最大后验概率估计（MAP） 1.4. 贝叶斯估计 1.5. 什么时候 MAP 估计与最大似然估计相等 1.1. ...

(学习这部分内容约需要1.9小时) 摘要 在贝叶斯框架中, 我们将统计模型的参数视为随机变量. 模型由变量值的先验分布以及决定参数如何影响观测数据的证据模型来指定. 当我们对观测数据进行条件化时, 我们得到参数的后验分布. 术语"贝叶斯参数估计"会让我们误以为对参数进行了估计, 实际上我们通常 ...

我们进行参数估计的方法一般主要有最大似然估计和贝叶斯估计。这里提一下两种估计的门派来加深理解： 最大似然估计属于统计学里的频率学派。频率派从事件本身出发，认定事件本身是随机的。事件在重复试验中发生的频率趋于极限时，这个极限就是该事件的概率。事件的概率一般设为随机变量，当变量为离散变量时 ...

1.估计概率密度p(x|wi) （1）贝叶斯决策 （2）P（wi）和p（x | wi）的估计方法 ①先验概率P（wi）估计： 　　用训练数据中各类出现的频率估计。 　　依靠经验。 ② 类条件概率密度函数p（x | wi）估计，2类方法： 参数估计：最大似然估计，贝叶斯估计 ...

主要解决在样本的分布没有足够的先验，也就是说我们不仅不知道分布的参数，连是什么类型的分布都不知道，这种情况下显然不能用参数估计的方法。这里从简单直观的方法——直方图法入手，引出KNN和Parzen窗两种方法。 直方图密度估计：出发点是分布函数 ，假设在某一个很小很小的超立方体V中是均匀分布 ...

1. 点估计与优良性 点估计 　　总体 X 的分布函数形式已知，但它的一个或多个参数未知，借助总体的一个样本来估计总体未知参数的值的问题称为点估计。 　　点估计问题就是要构建一个适当的统计量 θ-hat（X1、.. 、Xn），用它的观察值 θ-hat (x1、.. 、 xn)来估计 ...