matlab 最大似然估计二项式分布,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的区别。
由因推果(概率论)
例1:设有一枚骰子,2面标记的是“正”,4面标记的是“反”。共投掷10次,问:5次“正”面朝上的概率?
解:记 “正面”朝上为事件A,正面朝上的次数为x。
由题意可知 :
更一般的有:
例2: 设有一枚骰子,其中“正面”所占的比例为ωω 。共投掷nn 次,问:kk 次“正”面朝上的概率?
解:记 “正面”朝上为事件A,正面朝上的次数为x。
有题意可知:
例3:设有一枚骰子,做了nn 次实验,其中kk 次“正面”朝上。问:这枚骰子中,“正面”所占的比例ωω 是多少?
在例2中,因为我们对骰子模型了解的很透彻,即知道这类实验中ωω 的具体数值。因此可以预测某一事件发生的概率。
在例3中,我们并不能完全了解模型精确参数。我们需要通过实验结果来估计模型参数。也就是由果溯因(数理统计)。
总结来看如下:
例2
已知 ω
求事件发生的 k次的概率
例3
已知事件发生了 k次
估计 ω
Giving ω
Calculate the probability distribution of random variable
LF
Giving random variable
Calculate the the probability distribution of ω
由于事件发生的概率越大,就越容易发生。所以例3可理解为:ω是多大时,k次“正面”朝上发生的概率最大?
计算的时候,对表达式求最大值,得到参数值估计值。
这就是极大似然估计方法的原理:用使概率达到最大的那个ω ^ω^ 来估计未知参数ω。
这也把一个参数估计问题转化为一个最优化问题。
此外,我们甚至不知道一个系统的模型是什么。因此在参数估计前,先按照一定的原则选择系统模型,再估计模型中的参数。本文为了简单,模型设定为伯努利模型。
以上是对极大似然估计方法理论上的介绍,接下来介绍计算方法。
计算方法
为了表述规范,引入
概率密度函数:
通过调换“实验结果
”与“模型参数
”的位置有 似然函数:
通过例4 介绍概率密度函数与似然函数之间的区别:
例4.1 设有一枚骰子,1面标记的是“正”,4面标记的是“反”。共投掷10次,设“正面”的次数为k,求k的概率密度函数。
解:
从图中可以看出,“正面”次数为2的概率最大。它是关于k的函数。
例4.2 设有一枚骰子。共投掷10次,“正面”的次数为2,求“正面”所占的比例,即ω的值。
似然函数:
因此概率密度函数是指 在参数已知的情况下,随机变量的概率分布情况。
似然函数是指 在随机变量已知的情况下,参数取值的概率分布情况。
例5:设有一枚骰子,做了10次实验,其中3次“正面”朝上。问:这枚骰子中,“正面”所占的比例是多少?
解:
我们根据极大似然估计方法的原理:用使概率达到最大的那个ω ̂来估计未知参数ω
对于简单的连续函数,求最大值的方法为:函数表达式一阶导数等于0,二阶导数小于0。
为了计算简单,对上式两边取对数:
一阶条件:
将(2)式对ω求偏导数(导数):
令(3)式为0,解得ω=0.3
二阶条件:
因此 ω=0.3时,(1)式取得最大值。根据极大似然估计理论,“正面”所占的比例为0.3
例6:设有一枚神奇的骰子,“正面”所占的比例为
。t代表实验时间点。
已知:在t i =1,3,6,9,12,18共6个时刻做实验,每个时刻做n=100次实验。“正面”朝上的次数分别为:x i =94,77,40,26,24,16求:参数ω=(ω 1 ,ω 2 )>0的估计值,。
解:
求出“正面”朝上的概率密度函数:
似然函数:
对于这样一个复杂的非线性约束优化问题,利用求导的方式不再可行。可借助matlab进行计算。
###代码如下: function f = objfun( x )
f = -(94*log(x(1)*exp(-x(2)*1))+6*log(1-(x(1)*exp(-x(2)*1))) + ...
77*log(x(1)*exp(-x(2)*3))+23*log(1-(x(1)*exp(-x(2)*3))) + ...
40*log(x(1)*exp(-x(2)*6))+60*log(1-(x(1)*exp(-x(2)*6))) + ...
26*log(x(1)*exp(-x(2)*9))+74*log(1-(x(1)*exp(-x(2)*9))) + ...
24*log(x(1)*exp(-x(2)*12))+76*log(1-(x(1)*exp(-x(2)*12))) + ...
16*log(x(1)*exp(-x(2)*18))+84*log(1-(x(1)*exp(-x(2)*18))));
end
sample5.m
x0 = [0.1,0.1]; %给定初值
lb = [0,0]; %给定下限
ub = []; %给定上限
[x,fval] = fmincon(@objfun,x0,[],[],[],[],lb,ub)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
解得:
x =
1.070111883136768 0.130825782195123
fval =
3.053055671586732e+02
本笔记参考https://blog.csdn.net/chenjianbo88/article/details/52398181
https://blog.csdn.net/saltriver/article/details/63681339
及李航的《统计学方法》第一章
matlab 最大似然估计二项式分布,伯努利分布的最大似然估计相关推荐
- matlab 最大似然估计二项式分布,统计基础15:最大似然法估计二项式分布参数
前面我们学习了解了最大似然法求解正态分布参数,求解指数分布参数.今天我们再来看看最大似然法如何求解二项式分布参数. 1.二项式分布与似然值估计公式 二项分布基本公式求发生某件事情的概率: 如在人们对两 ...
- matlab 最大似然估计二项式分布,最大似然法估计二项式分布参数
原标题:最大似然法估计二项式分布参数 前面我们学习了解了最大似然法求解正态分布参数,求解指数分布参数.今天我们再来看看最大似然法如何求解二项式分布参数. 1.二项式分布与似然值估计公式 二项分布基本公 ...
- 【机器学习基本理论】详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
[机器学习基本理论]详解最大似然估计(MLE).最大后验概率估计(MAP),以及贝叶斯公式的理解 https://mp.weixin.qq.com/s/6H0gmMWvTExySMraroLVlQ 最 ...
- p 型极大似然估计 matlab,最大似然估计的matlab实现
最大似然估计的matlab实现 最大似然估计的matlab实现 实验目的: 在MVU估计量不存在或存在但不能求解的情况下,最大似然估计是获得实用估计的最通用的方法,利用它可简便地实现对复杂的估计问题的 ...
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解...
转载声明:本文为转载文章,发表于nebulaf91的csdn博客.欢迎转载,但请务必保留本信息,注明文章出处. 原文作者: nebulaf91 原文原始地址:http://blog.csdn.net ...
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
声明:本文为原创文章,发表于nebulaf91的csdn博客.欢迎转载,但请务必保留本信息,注明文章出处. 本文作者: nebulaf91 本文原始地址:http://blog.csdn.net/u0 ...
- 机器学习之最大似然估计(MLE)和最大后验概率估计(MAP)
最大似然估计MLE MLE(Maximum Likelihood Estimation)就是利用已知的样本结果,反推最有可能(最大概率)导致这样结果的参数值的计算过程.直白来讲,就是给定了一定的数据, ...
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解 大牛讲解的
https://blog.csdn.net/u011508640/article/details/72815981
- 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 ...
最新文章
- 离开英伟达仅19个月,他交出了一块国产全功能GPU
- 【数据库(二)】嵌套子查询
- [BZOJ 2425] 计数
- 380v pcb 接线端子_插拔式PCB接线端子选型参考
- 文青工程师陈盛 — 程序员+文青是怎样一种体验
- HDU 3400 Line belt【三分法】
- JavaScript算法相关
- Java在ACM中的应用
- PHP 遍历数组的方法汇总
- 深入学习用Go编写HTTP服务器
- GIS软件开发工具包TatukGIS Developer Kernel 发布 v11.3.0-Unstable1丨附下载 1
- python 菜鸟联盟快递查询_快递单号查询接口-物流轨迹信息快递鸟api对接教程
- IIS搭建本地服务器,花生壳实现外网通过域名访问网站
- 怎样提高报表呈现的性能
- POSCMS 网站设置
- 这里告诉大家,“后端开发工程师”到底是做什么的。
- LGB、XGB、CBT参数
- 出生日期正则表达式丨出生日期年月日正则如何表达?
- android studio创建md,如何在Android Studio中设置*md文件打开方式
- 23种设计模式——UML类图+简要分析+例题
热门文章
- P2196 [NOIP1996 提高组] 挖地雷
- 指数高通滤波器代码_ImageEnhance 对数字图像进行频域滤波,有Butterworth低通 、 高通 、指数 CSharp C#编程 251万源代码下载- www.pudn.com...
- R 语言 手写 计算 cor 相关系数 和 p值 流程 代码
- python常用数据类型转换(str、list、tuple、set、dict)方法编码与解码字符串格式化处理时间格式化
- Oracle 关键字大全
- gz文件的解压和压缩
- 在线发货找不到CHINA POST AIRMAIL?
- php原创程序,在线伪原创程序php版
- siege 用户登录_性能测试之siege
- STM32 Nucleo开发板入门(一)——概述