最新要闻
- 【全球报资讯】滑铁卢?《流浪地球2》北美上映票房不敌印度电影
- 热门看点:ChatGPT爆火:谷歌、Meta等压力大
- 微资讯!男子把绿动车当成绿皮车抽烟被拘:其实是“绿巨人”电力动车组
- 当前速看:状告4位大V后 《满江红》片方称不再起诉其他造谣者:不再回应
- 全球热头条丨漫威宇宙十大战力英雄:钢铁侠仅排第五
- 【世界新要闻】Intel花六个月造了一块乐高Arc显卡:1比1完美复刻!
- 世界观点:微信:2023年春节用户发红包超40亿次 竖屏春晚超1.9亿人观看
- 世界微动态丨Uzi再被冻结43万股权!公司与范丞丞合作
- 全球信息:国补退坡 上海延续新能源车置换补贴:单车补1万元
- 【全球时快讯】米哈游全新力作!《崩坏:星穹铁道》全平台预约已突破千万
- 今日热门!富豪刘銮雄拍卖76只爱马仕包:最贵一只200万
- 【全球时快讯】算法对算法!斯坦福大学推出DetectGPT:阻止学生用AI写作业
- 今日观点!2月2日或能肉眼看见5万年一遇的绿色彗星:正迅速逼近地球!
- 国内首家!统信操作系统成功获得商用密码产品认证证书
- 环球热点!“流浪地球”成功的概率有多高?你肯定想不到
- 当前视点!脑洞大开的机械键盘 内部竟搭CPU和GPU
手机
iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- iphone11大小尺寸是多少?苹果iPhone11和iPhone13的区别是什么?
- 警方通报辅警执法直播中被撞飞:犯罪嫌疑人已投案
- 男子被关545天申国赔:获赔18万多 驳回精神抚慰金
- 3天内26名本土感染者,辽宁确诊人数已超安徽
- 广西柳州一男子因纠纷杀害三人后自首
- 洱海坠机4名机组人员被批准为烈士 数千干部群众悼念
家电
全球热点![概率论与数理统计]笔记:5.2 参数的最大似然估计与矩估计
5.2 参数的最大似然估计与矩估计
估计其实就是猜数。
最大似然估计
基本思想
- 概率大的事件比概率小的事件更易发生。
- 将使事件\(A\)发生的概率最大的参数\(\theta\)作为估计值。
案例
总体:100个球(黑球或白球)
(资料图片仅供参考)
需要估计的参数:黑球的个数\(\theta=99\)或\(1\)
抽样:摸球并放回
结论:
如果经常摸出黑球,则估计\(\theta=99\)
如果经常摸出白球,则估计\(\theta=1\)
做题模板
写出总体的概率函数/密度函数。(分别对应离散型/连续型)
写出似然函数\(L(\theta)\).
似然函数表示取得样本的概率,所以是概率函数值相乘的格式,求导很复杂,所以要使用自然对数将乘除转化为加减。
两边取\(\ln\).
两边对参数\(\theta\)求(偏)导,令(偏)导数=0,使得似然函数取最大值的参数\(\theta\)就是估计值。
例题
泊松分布例题
例1:总体\(X\sim P(\lambda)\),样本\((X_1,\cdots,X_n)\),求\(\lambda\)的极大似然估计。
解:
总体的概率函数为:
\[P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda} \quad (k=0,1,2,\cdots)\]则\(\lambda\)的似然函数为:
\[L(\lambda)=\prod\limits_{i=1}^n\frac{\lambda^{x_i}}{x_i!}e^{-\lambda}=\frac{\lambda^{x_1+x_2+\cdots+x_n}}{\prod\limits_{i=1}^nx_i!}e^{-n\lambda}\]似然函数的因变量只有\(\lambda\).
这里的\(x_i\)都是具体的样本观测值,也就是常数,因此下面求导的时候可以直接去掉。
两边取\(\ln\):
\[\ln L(\lambda)=-\ln \prod\limits_{i=1}^nx_i!+(x_1+\cdots+x_n)\ln \lambda-n\lambda\]两边对\(\lambda\)求导,并令导数为0:
\[\frac{\mathrm{d}\ln L(\lambda)}{\mathrm{d}\lambda}=\frac{x_1+\cdots+x_n}{\lambda}-n=0\]因此\(\hat\lambda = \frac{x_1+\cdots+x_n}{n}=\overline{X}\)
指数分布例题
例2:总体\(X\sim e(\lambda)\),样本\((X_1,\cdots,X_n)\),求\(\lambda\)的极大似然估计。
总体的密度函数为:
\[f(x;\lambda)=\left\{\begin{align*}& \lambda e^{-\lambda x},\quad x>0 \\& 0, \quad\quad\quad x\le 0\end{align*}\right.\]则\(\lambda\)的似然函数为:
\[L(\lambda)=\prod\limits_{i=1}^n\lambda e^{-\lambda x}=\lambda^ne^{-\lambda(x_1+\cdots+x_n)}\]这里的\(f(x;\lambda)\)不会取到0的情况,因为样本已经取到了,认为其概率就是大于0的。
存疑:概率为0的事件也可能会发生,但是这里似乎忽略了这种情况?
两边取\(\ln\):
\[\ln L(\lambda)=n\lambda - \lambda(x_1+\cdots+x_n)\]两边对\(\lambda\)求导,并令导数为0:
\[\frac{\mathrm{d}\ln L(\lambda)}{\mathrm{d}\lambda}=\frac{n}{\lambda}-(x_1+\cdots+x_n)=0\]因此\(\hat\lambda = \frac{n}{x_1+\cdots+x_n}=\frac{1}{\overline{X}}\)
正态分布例题
例3:总体\(X\sim N(\mu,\sigma^2)\),样本\((X_1,\cdots,X_n)\),求\(\mu,\sigma^2\)的极大似然估计。
总体的密度函数为:
\[f(x;\mu,\sigma^2)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\]则\(\mu, \sigma^2\)的似然函数为:
\[L(\mu, \sigma^2)=\prod\limits_{i=1}^n\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=(\frac{1}{\sqrt{2\pi}})^n(\frac{1}{\sigma})^ne^{-\frac{(x_1-\mu)^2+\cdots+(x_n-\mu)^2}{2\sigma^2}}\]两边取\(\ln\):
\[\ln L(\mu, \sigma^2)=n\ln\frac{1}{\sqrt{2\pi}}-\frac{n}{2}\ln\sigma^2-\frac{(x_1-\mu)^2+\cdots+(x_n-\mu)^2}{2\sigma^2}\]先对\(\mu\)求偏导,并令偏导数为0:
\[\begin{align*}\frac{\partial\ln L(\mu,\sigma^2)}{\partial \mu}&= - \frac{[-2(x_1-\mu)]+\cdots+[-2(x_n-\mu)]}{2\sigma^2} \\&= \frac{(x_1-\mu)+\cdots+(x_n-\mu)}{\sigma^2} \\&= \frac{x_1+\cdots+x_n-n\mu}{\sigma^2} \\&= 0\end{align*}\]因此\(\hat\mu= \frac{x_1+\cdots+x_n}{n}=\overline{X}\).
再将\(\sigma^2\)作为整体对其求偏导:
\[\frac{\partial\ln L(\mu,\sigma^2)}{\partial \sigma^2}=-\frac{n}{2}\frac{1}{\sigma^2}+\frac{(x_1-\mu)^2+\cdots+(x_n-\mu)^2}{2\sigma^4}=0\]化简得
\[\hat{\sigma^2} = \frac{\sum\limits_{i=1}^n(x_i-\mu)^2}{n}=B_2\]均匀分布例题
例4:总体\(X\)服从\([\theta_1,\theta_2]\)上的均匀分布,样本\((X_1,\cdots,X_n)\),求\(\theta_1,\theta_2\)的极大似然估计。
总体的密度函数为:
\[f(x)=\left\{\begin{align*}& \frac{1}{\theta_2-\theta_1},\quad x\in[\theta_1,\theta_2] \\& 0, \quad\quad\quad\quad else\end{align*}\right.\]则\(\theta_1,\theta_2\)的似然函数为:
\[L(\theta_1,\theta_2)=\prod\limits_{i=1}^n\frac{1}{\theta_2-\theta_1}=\frac{1}{(\theta_2-\theta_1)^n}\]均匀分布是特殊情况,不能使用做题模板。
如果继续使用取对数求导的思路,会出现:
\[\frac{n}{\theta_2-\theta_1}=0\]这样的情况,无法再继续求解。
因此应该转换思路。
为了取得似然函数的最大值,那么\((\theta_2-\theta_1)\)应该取最小值,也就是区间越小越好,但又要包含样本。
因此:
- \(\hat{\theta_1}=\min\{x_1,\cdots,x_n\}\)
- \(\hat{\theta_2}=\max\{x_1,\cdots,x_n\}\)
矩估计
基本思想
使用相应的样本矩去估计总体矩。
使用相应的样本矩的函数去估计总体矩的函数。
"相应的":一阶对应一阶,二阶对应二阶......
例题
例1:\(X\sim N(\mu, \sigma^2)\),\((X_1,\cdots,X_n)\)是样本,求\(\mu,\sigma^2\)的矩估计。
总体的一阶原点矩:\(EX=\mu\),
样本的一阶原点矩:\(\overline{X}=\frac{1}{n}\sum\limits_{i=1}^nX_i\),
使用样本矩估计总体矩:\(\hat{\mu}=\overline{X}\);
- 总体的二阶原点矩:\(EX^2\)
因为\(DX=EX^2-(EX)^2\)
所以\(EX^2=DX+(EX)^2=\sigma^2+\mu^2\)
- 样本的二阶原点矩:\(A_2=\frac{1}{n}\sum\limits_{i=1}^nX_i^2\).
所以\(\hat{EX^2}=\frac{1}{n}\sum\limits_{i=1}^nX_i^2\).
所以
\[\begin{align*}\hat{\sigma^2}&= \hat{EX^2}-\hat{\mu^2} \\&= \frac{1}{n}\sum\limits_{i=1}^nX_i^2-\overline{X}^2 \\&= \frac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2\end{align*}\]这里最后的等号没有写错,可以反过来计算证明其正确性:
\[\begin{align*}\frac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2&= \frac{1}{n}\sum\limits_{i=1}^n(X_i^2-2X_i\overline{X}+\overline{X}^2) \\&= \frac{1}{n}\sum X_i^2-2\overline{X}(\frac{1}{n}\sum X_i)+\frac{1}{n}n\overline{X}^2 \\&= \frac{1}{n}\sum X_i^2-2\overline{X}\overline{X}+\overline{X}^2 \\&= \frac{1}{n}\sum X_i^2 -\overline{X}^2\end{align*}\]因此:
\(\frac{1}{n}\sum X_i^2 -\overline{X}^2=\frac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2\)
这里的\(\frac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2\)其实就是二阶中心矩\(B_2\).
所以\(\hat{\sigma^2}=B_2\).
正态分布的两个参数的极大似然估计和矩估计的结果是一致的。
例2:\(X\sim P(\lambda)\),\((X_1,\cdots,X_n)\),求\(\lambda\)的矩估计.
泊松分布的期望和方差都是\(\lambda\),也就是说可以列出两个方程:
- \(\hat{\lambda}=\overline{X}\)
- \(\hat{\lambda}=B_2\)
究竟使用哪个作为估计值可以采取评价估计量的标准进行评估,比如有效性。这里使用一阶的\(\hat{\lambda}=\overline{X}\)更好。
例3:\(X\)服从\([\theta_1,\theta_2]\)上的均匀分布,求\(\theta_1,\theta_2\)的矩估计。
根据均匀分布的性质,有
- \(EX=\frac{1}{2}(\theta_1+\theta_2)\)
- \(DX=\frac{(\theta_2-\theta_1)^2}{12}\)
第一个式子可以用均值估计:\(\frac{1}{2}(\hat{\theta_1}+\hat{\theta_2})=\overline{X}\)
同时,有\(DX=EX^2-(EX)^2=EX^2-\frac{(\theta_1+\theta_2)^2}{4}\)
所以\(EX^2=\frac{(\theta_2-\theta_1)^2}{12}+\frac{(\theta_1+\theta_2)^2}{4}\).
\(EX^2\)使用\(A_2=\frac{1}{n}\sum\limits_{i=1}^nX_i^2\)近似,样本是已知的,所以\(A_2\)是可计算的已知的量。
所以\(\frac{(\hat{\theta_2}-\hat{\theta_1})^2}{12}+\frac{(\hat{\theta_1}+\hat{\theta_2})^2}{4}=A_2\)
综上,可以列出两个方程用于求解\(\hat{\theta_1},\hat{\theta_2}\):
\[\left\{\begin{align*}& \frac{1}{2}(\hat{\theta_1}+\hat{\theta_2})=\overline{X} \\& \frac{(\hat{\theta_2}-\hat{\theta_1})^2}{12}+\frac{(\hat{\theta_1}+\hat{\theta_2})^2}{4}=A_2 \\\end{align*}\right.\]求解得到:
\[\left\{\begin{align*}& \hat{\theta_1} = \overline{X}-\sqrt{3B_2} \\& \hat{\theta_2} = \overline{X}+\sqrt{3B_2}\end{align*}\right.\]使用教材:《概率论与数理统计》第四版 中国人民大学 龙永红 主编 高等教育出版社
全球热点![概率论与数理统计]笔记:5.2 参数的最大似然估计与矩估计
Exgcd(扩展欧几里得算法)
【全球报资讯】滑铁卢?《流浪地球2》北美上映票房不敌印度电影
热门看点:ChatGPT爆火:谷歌、Meta等压力大
微资讯!男子把绿动车当成绿皮车抽烟被拘:其实是“绿巨人”电力动车组
当前速看:状告4位大V后 《满江红》片方称不再起诉其他造谣者:不再回应
装饰模式
全球热头条丨漫威宇宙十大战力英雄:钢铁侠仅排第五
【世界新要闻】Intel花六个月造了一块乐高Arc显卡:1比1完美复刻!
环球资讯:【byob】 payload 生成过程
每日时讯![概率论与数理统计]笔记:5.1 点估计概述
热议:VMware vSphere ESXi 7.0安装配置
天天热点评!QPython实例01-获取所有短信并生成词云
世界观点:微信:2023年春节用户发红包超40亿次 竖屏春晚超1.9亿人观看
世界微动态丨Uzi再被冻结43万股权!公司与范丞丞合作
Blazor模式讲解
全球信息:国补退坡 上海延续新能源车置换补贴:单车补1万元
【全球时快讯】米哈游全新力作!《崩坏:星穹铁道》全平台预约已突破千万
今日热门!富豪刘銮雄拍卖76只爱马仕包:最贵一只200万
【全球时快讯】算法对算法!斯坦福大学推出DetectGPT:阻止学生用AI写作业
今日观点!2月2日或能肉眼看见5万年一遇的绿色彗星:正迅速逼近地球!
焦点资讯:Kubernetes监控手册06-监控APIServer
全球最资讯丨CRT&EXCRT(中国剩余定理和扩展中国剩余定理)
【新视野】学习笔记——redis事务、乐观锁、悲观锁
国内首家!统信操作系统成功获得商用密码产品认证证书
环球热点!“流浪地球”成功的概率有多高?你肯定想不到
当前视点!脑洞大开的机械键盘 内部竟搭CPU和GPU
天天百事通!阿里云推全国首个跨省域智慧大脑:汇聚江浙沪242项数据资源
全球资讯:不得不防!奥密克戎新变异毒株“双头犬”现身美国:已被世卫监测
【环球热闻】记录--Vue PC前端扫码登录
[概率论与数理统计]笔记:4.4 抽样分布
当前速讯:1.29数论课笔记
最新快讯!40万级乱杀!全新国产奔驰GLC配置曝光:四款车型、两种外观
全球焦点!Gamerant赞《黑神话·悟空》:虚幻5打造《西游记》传说值得期待
天天要闻:这外观似曾相识!荣耀Magic 5 Lite曝光:后置圆环三摄
全球快看:《狂飙》爆火出圈!《孙子兵法》登顶淘宝热搜 发货要等25天
男子2月没摘隐形眼镜:镜片长到眼球上
焦点日报:时区介绍
前沿热点:Matlab导入多个.mat文件进行画图
每日信息:对标三星索尼!SK海力士重组CMOS图像传感器团队
天天微头条丨网友吐槽美国医院3小时拔不出一根鱼刺 急诊那是真不急
全球微资讯!耶路撒冷老城千年护城河道惊现神秘手印 专家:或为工人恶作剧
最新快讯!立减40元:露得清氨基酸洗面奶19.9元到手 男女通用
世界看热讯:5G四足机器人“入职”中国电信核心机房:支持自主巡航 360度旋转夜视
乘法逆元
今日看点:C++11简易线程池实现
002-dockerfile部署java项目
当前观点:springboot~openfeign开启熔断之后MDC为null的理解
焦点播报:WebAPI_DAY1
猛禽之王!摄影爱好者抓拍到金雕展翅抓羊场面:超震撼
全球今亮点!《狂飙》爆火后 《孙子兵法》解析成微信读书飙升榜第一名
天际汽车刹车失灵 故障不断!车主售后找不到人
当前资讯!雷蛇宣布2月2日发布新品:或为毒蝰系列新品
72G《英雄联盟》源代码被盗 拳头游戏拒绝打钱 黑客:100万美元起拍
焦点要闻:关于pacemaker中资源启动的位置条件约束Location Constraints
【天天快播报】Codeforces Round #847 (Div. 3) ABCDE
焦点滚动:win32com操作word API精讲 第八集 Range和Selection的区别
多地现宰客乱象 央视评宰客事件:“一锤子买卖”?
【世界新要闻】明年的苹果iPad Pro将是重头戏!屏幕、后盖全都升级了
50只独立包装 超亚儿童N95医用防护口罩47.9元
全球热文:比亚迪:研发团队目前已覆盖各个电池技术路线
精选!无岳不成村!山东有个公交站叫“满江红” :住着岳飞后代
视焦点讯!《云管理服务白皮书》总结
【网关开发】7.Openresty使用cosocket API 发送http与tcp网络请求
美语发音【总结】
以前票房反超了会画海报恭喜对方:《满江红》却冷嘲热讽
全球今热点:碾压对手!OPPO Find X6工程机亮相:标准版都有潜望长焦
谷歌裁员细节曝光:开源主管被裁 61岁程序员在线求职
10分拉满!IGN发布《流浪地球2》影评:超越国际一流水准
环球新动态:全网音乐免费下载,音乐下载工具,音乐免费下载mp3格式,音乐下载器,小说下载,小说阅读,磁力链接聚合搜索,每日美女壁纸,如何免费下载想听的音乐或小说
天天日报丨【算法训练营day29】LeetCode491. 递增子序列 LeetCode46. 全排列 LeetCode47. 全排列II
关于前端低代码的一些看法
奔驰车主扔钱加油大姐捡钱偷抹泪引热议 当事人回应:网友愤怒素质差到家
动态焦点:蹭热度有风险 电商老店使用流浪地球标识遭索赔15万
当前速讯:海外观众热评《流浪地球2》:中国科幻片惊艳 比全球票房第四《阿凡达2》好看
要买的抓紧了!宝马将于2月起涨价:最高2万元
世界观天下!21岁男子撞车后向27岁“叔叔”道歉 车主果断索赔
【报资讯】骁龙778G还能再战!荣耀50/60系列获MagicOS 7.0升级
每日消息!博主赞特斯拉研发支出巨大:比亚迪、奔驰、理想都比不过
5支39.9元超划算:高露洁牙膏多效护理实惠家庭装套大促
Python工具箱系列(二十三)
天天观速讯丨JavaScript 条件判断与比较运算
环球热推荐:Python 的垃圾回收机制【译】
世界观焦点:Java 如何高亮 Excel 中低于或高于平均值的单元格
每日时讯!一加11同款!一加Ace 2外观首曝:环形镜头设计
全球资讯:春节假期后全国大部地区气温回升:南方最高可达20度 暖如春分
全球播报:生日蛋糕网店使用“流浪地球”标识 遭中影索赔15万
不是云南也不是海南!四川春节游客接待量全国第一
全球观焦点:吉利真会玩儿:汽车挡风玻璃上实现烟花秀
sacai是什么牌子?sacai有中国官网吗?
孑孓的读音是什么?孑孓是什么意思?
手机水货是什么意思?手机水货和行货有什么区别?
木棉花的春天大结局是什么?木棉花的春天全部演员表
绿芜是谁演的?绿芜为什么投河自尽?
电脑出现报警声是怎么回事?电脑出现报警声怎么解决?
松下电饭煲质量怎么样?松下电饭煲怎么调时间?
【环球聚看点】指向立体星(随便起的名)的建立与使用
小米2a手机是什么系统?小米2A手机充电保护怎么打开?
诺基亚210什么时候上市的?诺基亚210手机参数
戴尔的台式机怎么进入bios?戴尔台式机开不了机怎么办?