离散问题的最大似然估计
生活随笔
收集整理的這篇文章主要介紹了
离散问题的最大似然估计
小編覺得挺不錯的,現在分享給大家,幫大家做個參考.
簡述
一般來說,會查到這個問題,相比都是遇到了更一般的問題。
數學課就是上課1+1=2,下課黎曼問題證明的感覺。
本文不會講解最大似然法
只是給需要解決離散型的最大似然法問題人用的
解決辦法
一般來說,離散型的最大似然估計,我們極大話的對象是什么?
這時就不是類似于連續型,會有一個連續型的變量x
這里,我們就需要借助離散型的抽樣了。
- 我們極大的對象就是,抽樣樣本的概率
例如有樣本例子
| 0 | 23θ\frac{2}{3}\theta32?θ |
| 1 | 13θ\frac{1}{3}\theta31?θ |
| 2 | 23(1?θ)\frac{2}{3}(1-\theta)32?(1?θ) |
| 3 | 13(1?θ)\frac{1}{3}(1-\theta)31?(1?θ) |
然后抽樣的結果是
- 1,2, 3,4
這時候,我們需要極大化的對象就是
23θ?13θ?23(1?θ)?13(1?θ)\frac{2}{3}\theta * \frac{1}{3}\theta *\frac{2}{3}(1-\theta) * \frac{1}{3}(1-\theta)32?θ?31?θ?32?(1?θ)?31?(1?θ)
是不是直觀上想想也覺得非常合理?
總結
其實會遇到這個問題,其實還是你對于極大似然估計沒有理解清楚
∏i=1nf(xi∣θ)\prod_{i=1}^nf(x_i|\theta)i=1∏n?f(xi?∣θ)
對于離散情況下,這里的f就退化為了p,也就是
∏i=1np(xi∣θ)\prod_{i=1}^np(x_i|\theta)i=1∏n?p(xi?∣θ)
然后,發現其實這里的xix_ixi?任然是這里的樣本而已。
總結
以上是生活随笔為你收集整理的离散问题的最大似然估计的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: n皇后问题(回溯法-递归法和循环法,最小
- 下一篇: 爬取某一微博用户所有文本文件或者是视频图