-
学习中心极限定理,学习正态分布,学习最大似然估计
-
最优化理论及方法
-
高等数学
-
统计学
-
概率论
-
参数估计
-
正态分布与中心极限定理(中心极限定理是正态分布的一个前置知识)
-
如果误差可以看作许多微小量的叠加,则根据中心极限定理(用样本的平均值估计总体的期望),随机误差理所当然服从正态分布;
-
假设一随机变量X服从一个期望和方差分别为
μ 和 σ 2 \mu{和}\sigma^2 μ和σ2
的正态分布,概率密度函数为
f ( x ) = 1 2 π σ exp ( − ( x − μ ) 2 2 σ 2 ) f(x)=\frac{1}{\sqrt{2 \pi} \sigma} \exp \left(-\frac{(x-\mu)^{2}}{2 \sigma^{2}}\right) f(x)=2πσ1exp(−2σ2(x−μ)2)
则可以记为
X ∼ N ( μ , σ 2 ) X \sim N(\mu, \sigma^2) X∼N(μ,σ2)
图例表示
-
正态分布为何如此常见?其真正原因是中心极限定理 (Central Limit theorem),如果一个事物受到多种因素的影响,无论每个因素本身服从什么分布,这些因素加总后,结果的平均值就是正态分布;
-
正态分布值适合于各种因素叠加的情况,如果这些因素不是彼此独立的,会相互加强影响,则就不会服从正态分布。如果各种因素对结果的影响不是相加,而是相乘,则最终结果将会是对数正态分布.
-
-
最大似然估计与贝叶斯推理 (新增专题 · 待完善)
- 参数的意义
-
最大似然估计的直观解释
- 最大似然估计的计算
-
MLE
- 对数似然估计
-
最大似然估计是否总能得到精确解?
- 为何称作“ 『最大似然』or 『最大可能』”,而不是『最大概率』?
-
最小二乘参数估计和最大似然估计的结果相同的条件是什么?
- 贝叶斯定理
- 定义
- 举例
- 为何贝叶斯定理能结合先验概率?
- 贝叶斯推理
- 贝叶斯定理
-
定义
- 使用贝叶斯定理处理数据分布
- 贝叶斯定理的模型形式
- 贝叶斯推断示例
- 何时 最大后验概率 (Maximum A Posteriori) MAP 估计 与 最大似然 (Maxmium Likelihood Estimation MLE) 估计相等?
中心极限定理 与 正态分布
最新推荐文章于 2023-09-09 01:55:29 发布