Python实现极大似然估计

概念

现实中任何随机变量的概率分布函数都是未知的。
如果假定随机变量服从某种分布(如正态分布),可以通过统计手段来计算该分布的参数,这种方法称为参数估计。

极大似然估计(Maximum Likelihood Estimate, MLE)是一种参数估计的方法,利用已知样本结果,反推最大可能导致这样结果的参数值。

在这里插入图片描述

安装

pip install scipy

代码

若随机变量X服从一个数学期望为 μ μ μ、方差为 σ 2 σ^2 σ2的正态分布,记为 N ( μ , σ 2 ) N(μ,σ^2) N(μ,σ2)

import numpy as np
from scipy.stats import norm
import matplotlib.pyplot as plt

μ = 30  # 数学期望
σ = 2  # 方差
x = μ + σ * np.random.randn(10000)  # 正态分布
plt.hist(x, bins=100)  # 直方图显示
plt.show()
print(norm.fit(x))  # 返回极大似然估计,估计出参数约为30和2

在这里插入图片描述

参考文献

  1. Statistics (scipy.stats) — SciPy v1.4.1 Reference Guide
  2. Scipy:高级科学计算 | SciPy Lecture Notes 中文版
  3. 极大似然估计MLE原理+python实现
  4. python简单实现最大似然估计&scipy库的使用
  5. 极大似然估计详解
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

XerCis

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值