均匀分布(uniform distribution)期望的最大似然估计(maximum likelihood estimation)
maximum estimator method more known as MLE of a uniform distribution
[0,θ][0, \theta] 区间上的均匀分布为例,独立同分布地采样样本 x1,x2,…,xnx_1, x_2, \ldots, x_n,我们知均匀分布的期望为:θ2\frac\theta2。
首先我们来看,如何通过最大似然估计的形式估计均匀分布的期望。均匀分布的概率密度函数为:f(x|θ)=1θ,0≤x≤θf(x|\theta)=\frac1{\theta}, 0\le x\le \theta。不失一般性地,将 x1,x2,…,xnx_1, x_2,\ldots,x_n 排序为顺序统计量:x(1)≤x(2)≤⋯≤x(n)x_{(1)}\leq x_{(2)}\leq \cdots \leq x_{(n)}。则根据似然函数定义,在此样本集合上的似然函数为:
L\left(\theta|{\bf x}\right) = \prod^n_{i=1}\frac{1}{\theta}=\theta^{-n}\,\,\,\,\,(*)
对 x(1)≥0,x(n)≤θx_{(1)}\geq 0, x_{(n)}\leq \theta,否则为 0。然后求其对数形式关于 θ\theta 的导数:
\frac{\text{d}\ln L\left(\theta|{\bf x}\right)}{\text{d}\theta}=-\frac{n}{\theta}
导数小于 0,因此可以说 L(x|θ)L(x|\theta) 是单调减函数 θ≥x(n)\theta\geq x_{(n)},因此当 θ=x(n)\theta=x_{(n)}(θ\theta 能取到的最小值),也即 θ=max{x1,x2,…,xn}\theta=\max\{x_1, x_2, \ldots, x_n\} 时,L(x|θ)L(x|\theta) 值最大,则关于 θ\theta 的最大似然估计为:
\hat \theta=x_{(n)}=\max\{x_1, x_2, \ldots, x_n\}
均匀分布(uniform distribution)期望的最大似然估计(maximum likelihood estimation)相关推荐
- 最大似然估计(Maximum likelihood estimation)(通过例子理解)
之前看书上的一直不理解到底什么是似然,最后还是查了好几篇文章后才明白,现在我来总结一下吧,要想看懂最大似然估计,首先我们要理解什么是似然,不然对我来说不理解似然,我就一直在困惑最大似然估计到底要求的是 ...
- 最大似然估计(Maximum likelihood estimation)
最大似然估计提供了一种给定观察数据来评估模型参数的方法,即:"模型已定,参数未知",利用已知样本结果(统计概率)反推最有可能导致这样结果的参数值.简单而言,假设我们要统计全国人口的 ...
- 极大似然估计 —— Maximum Likelihood Estimation
1 引入 机器学习中,经常会遇到极大似然估计 (Maximum Likelihood Estimation, MLE) 这个名词,它的含义是什么?它能够解决什么问题?我们该如何理解并使用它?本篇就对此 ...
- 【机器学习算法-python实现】最大似然估计(Maximum Likelihood)
1.背景 最大似然估计是概率论中常常涉及到的一种统计方法.大体的思想是,在知道概率密度f的前提下,我们进行一次采样,就可以根据f来计算这个采样实现的可能性.当然最大似然可以有很多变化,这里实现一种简单 ...
- 最大似然估计(Maximum Likehood Estimation,MLE)和最大后验估计(Maximum A Posteriori estimation, MAP)
概率与统计的区别 概率研究的问题是一个模型和它的参数已知的情况下,怎么去预测这个模型产生的结果的特性(如均值,方差,协方差等) 统计研究的问题是在已有的大量的数据的情况下,推断产生这堆数据的模型及其参 ...
- 机器学习概念:最大后验概率估计与最大似然估计 (Maximum posterior probability and maximum likelihood estimation)
joey 周琦 假设有参数θ\theta, 观测x\mathbf{x}, 设f(x|θ)f(x|\theta)是变量xx的采样分布,θ\theta是其中的参数.那么θ\theta的最大似然估计可以表示 ...
- 极大似然估计(Maximum Likelihood)与无监督
1. 极大似然与最大概率 因为不是科班出身,所以最初接触极大似然的时候,总是很奇怪为什么叫极大似然,而不直接叫做最大概率? 后来才知道极大似然是用来估计未知参数的,而最大概率的表述更适合于已知参数的情 ...
- 极大似然估计Maximum Likelihood Estimation
极大似然估计是概率论在统计学的应用,是一种参数估计.说的是已知随机样本满足某种具体参数未知的概率分布,参数估计就是通过若干次试验,利用结果推出参数的大概值.极大似然估计的一种直观想法是已知某个事件发生 ...
- 极大似然估计(Maximum likelihood estimation,MLE):用样本估计总体参数
1 基本概念回顾 边缘概率.联合概率和条件概率的基本概念. 1.1 定义 边缘概率(Marginal Probability):可以简单理解为单一事件发生的概率.如果A是一个事件,且事件A发生的概率为 ...
最新文章
- 美国匹兹堡大学高伟教授招收Mobile AI方向全奖博士生
- React Native登录注册页面实现空白处收起键盘
- 2017 JMP Discovery Summit China圆满落幕
- Leetcode--面试题 01.07. 旋转矩阵(Java)
- 用IMAP4访问Exchange邮箱:Exchange2003系列之七
- stm32中断 抢占优先级 和 响应优先级 有什么区别
- Windows8.1-KB2999226-x64安装提示此更新不适用你的计算机
- c语言图形库 ege easyx,初识ege图形库
- requests-BeautifulSoup爬取美女贴吧图片
- logisitic 回归 +极大似然法 + 梯度下降法 (迭代优化)
- 总结淘宝客应该注意的佣金陷阱
- 解决支付订单,重复提交问题!
- 深入浅出理解视频编码H.264结构
- 腾讯程序员月薪7万,小编感觉自己像码畜...
- 告别硬编码,MySQL 如何实现按某字段的不同取值进行统计?
- 897-了解微服务网关
- Android 系统自带图片裁剪功能(适配7.0、8.0、对了还有小米手机)
- 一文搞懂Oracle字符集
- 免费小程序源码分享 博客
- JavaSE02(类与对象)
热门文章
- IOCP编程之基本原理
- XNA or Silverlight for Windows Phone 7 game
- 中转换成list集合_Java集合、数组与泛型中的几个陷阱,你掉进了几个?
- Doris之Routine Load
- 查询hdfs的相对路径
- Linux下docker(centos7)
- LeetCode 57. 插入区间(合并区间+排序)(区间重叠问题汇总)
- 单元测试 : Googel test测试框架
- xp下创建DOMDocument对象失败的解决方法
- 【Tensorflow】相关面试题整理(转)