【概率图与随机过程】07 含有隐变量的参数估计问题

最新推荐文章于 2024-05-03 10:14:52 发布
最新推荐文章于 2024-05-03 10:14:52 发布
阅读量415 收藏 9
点赞数 11
分类专栏： 2024深度学习实战项目详细教程 文章标签： 概率论 算法 机器学习 人工智能 线性代数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_52343631/article/details/136274529
版权
了解本专栏 订阅专栏 解锁全文
2024数学建模
关注
  • 11
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
统计学方法与数据分析（上下册）
12-29
本书内容分为八个部分。共20章，分上、下两册，每册10章。各章均有大量习题。本书给出了大量的实际例子，这些例子涉及众多的学科和实际领域，但又不过于专门，容易理解。在大部分章节中都使用实例未引入主题，并把统计概念和这些非常实际的问题联系在一起进行讲解，深入浅出，从而可以避免许多人对统计所抱有的粗浅的感性认识，即认为统计仅仅是另一门数学课程。作者把统计数据的收集与分析过程总结成"四步法"，并把"四步法"的讲解贯穿始终，利用实例逐步展开并阐明在设计调查研究或试验时所需要的统计技术和思路，然后讲解用直观、有效的"四步法"来收集并分析数据，非常利于初学者和实际工作人员抓住有关统计方法和模型的本质。书中提供了多种多样的图示，如正态概率图、盒形图、散点图、矩阵图和残差图等，通过这些图，读者可以一方面理解数据的特点和概括数据的方法，--方面进一步理解有关统计方法的基本思想和特点。作者很重视统计在解决实际问题中的作用，在全书中用许多篇幅讨论如何解释数据分析的结果，并专门用一章讲述了如何写数据分析报告。 本书适用于作为我国文科各专业的统计学引论教程。以及理工科各专业应用统计学课程的教材或教学参考书;也可作为有关方面实际工作人员的统计入门书。阅读本书不需要其他统计方面的基础，也不需要高等数学知识。 目录: 序言 第一部分引论 第一章什么是统计 1.1引言 1.2为什么学习统计 1.3当前统计的一些应用 1.4统计学家做什么 1.5质量和工序改进 1.6学生注意 1.7小结 补充练习 第二部分收集数据 第二章利用调查和科学研究来收集数据- 2.1引言 2.2调查 2.3科学研究 2.4观察研究 2.5数据整理:为概括和分析准备数据 2.6小结 第三部分概括数据 3.1引言 3.2计算器、计算机及软件系统 3.3单个变量数据的描述:图表法 3.4单个变量数据的描述:中心趋势的度量 3.5单个变虽数据的描述:变异性度量 3.6盒形图 3.7多变量数据的概括 3.8小结 重要公式 补充练习 第四部分工具和概念 第四章概率和概率分布 4.1如何应用概率进行推断 4.2确定一个事件的概率 4.3基本的事件关系和概率法则 4.4条件概率和独立性 4.5Bayes公式 4.6离散变最和连续变量 4.7离散随机变量的概率分布 4.8一个常用的离散随机变量:二项分布 4.9连续随机变量的概率分布 4.10一个常用的连续随机变量:正态分布 4.11随机抽样 4.12抽样分布 4.13二项分布的正态逼近 4.14Minitab指令 4.15小结 重要公式 补充练习 第五部分数据分析:中心值方差和比例 第五章关于总体中心值的推断 5.1引言和案例 5.2μ的估计 5.3估计μ时样本容量的选取 5.4关于μ的统计检验 5.5对于进行检验时样本容量的选取 5.6统计检验的显著性水十 5.7正态总体均值p的统计推断。未知 5.8关于中位数的推断 5.9小结 重要公式 补充练习 第六章两总体中心值的比较 6.1引言和案例 6.2关于μ1-μ2的推断:独立样本 6.3非参数推断方法:Wilcoxon秩和检验 6.4关于μ1-μ2的推断:成对数据 6.5非参数推断方法:Wilcoxon符号秩检验 6.6惟断μ1-μ2时样本容量的选取 6.7小结 重要公式 补充练习 第七章关于总体方差的推断 7.1引言和案例 7.2单个总体方差的估计和检验 7.3比较两个总体方差时的估计和检验 7.4比较多个总体方差时的检验 7.5小结 重要公式 补充练习 第八章两个以上总体的中心值的推断 8.1引言和案例 8.2两个以上总体均值的统计检验:方差分析 8.3完全随机化设计中观测值的模型 8.4方差分析条件的检查 8.5其他的分析方法:数据变换 8.6另一种非参数方法:Kruskal-Wallis检验 8.7小结 重要公式 补充练习 第九章多重比较 9.1引言和案例 9.2线性对照 9.3控制哪个错误率 9.4Fisher(费舍尔)最小显著差异法 9.5Tukey的W方法 9.6Student-Newman-Keuls方法 9.7Dunnett方法:处理组与对照组的比较 9.8Scheffe的S方法 9.9小结 重要公式 补充练习 第十章类型数据 10.1引言和案例 10.2总体比例π的推断 10.3两总体比例之差π1-π2的推断 10.4多比例的推断:卡方拟合优度检验 10.5Pokmn(泊松)分布- 10.6列联表:独立性检验和齐性检验 10.7柏关程度的度量 10.8几率和优比 10.9小结 重要公式 补充练习 第六部分数据分析:回归方法和模型的建立 第十一章线性回归和相关 11.1引言和案例 11.2估计模型中的参数 11.3回归参数的推断 11.4利用同归预测新的y值 11.5线性回归中拟合不足的考察 11.6逆回归问题(校准) 11.7相关 11.8小结 重要公式 补充练习 第十二章多元回归与一般线性模型 12.1引言和案例 12.2一般线性模型 12.3估计多元回归系数 12.4多元回归中的推断 12.5回归系数子集的检验 12.6用多元回归进行的预测 12.7比较几条回归线的斜率 12.8Logistic回归 12.9多元回归的一些理论结果(任选) 12.10小结 重要公式 补充练习 第十三章多元回归续论 13.1引言和案例 13.2变量的挑选(第一步) I3.3模型形式的确定(第二步) 13.4模型假设的检查(第三步) 13.5小结 重要公式 补充练习 第七部分试验设计与方差分析 第十四章试验和研究的设计概念 14.1引言 14.2研究的类型 14.3设计的试验:术语 14.4控制试验误差 14.5试验单元对处理的随机化 14.6确定重复试验的次数 14.7小结 第十五章标准设计的方差分析 15.1引言和案例 15.2单因子的完全随机化设计 15.3随机化完全区组设计 15.4拉丁方设计 15.5完全随机化设计中的因子处理结构 15.6随机化完全区组设计中的因子处理结构 15.7处理差异的估计和处理均值的比较 15.8小结 重要公式 补充练习 第十六章协方差分析 16.1引言和案例 16.2具有一个协变量的完全随机化设计 16.3外推问题 16.4多维协变量和更复杂的设计 16.5小结 补充练习 第十七章一些固定效应、随机效应和混合效应模型的方差分析 17.1引言和案例 17.2具有随机处理效应的单因子试验:随机效应模型 17.3随机效应模型的扩充 17.4混合效应模型 17.5计算期望均方的规则 17.6套抽样和裂区设计 17.7小结 补充练习 第十八章重复测量与交叉设计 18.1引言和案例 18.2有重复观测的单因子试验 18.3一个因子有重复观测的两因子试验 18.4交叉设计 18.5小结 补充练习 第十九章一些非平衡设计的方差分析 19.1引言和案例 19.2有一个或多个缺失观察值的随机化区组设计 19.3有缺失数据的拉丁方设计 19.4平衡不完全区组(BIB)设计 19.5小结 重要公式 补充练习 第二十章分析结果的传达和备案 20.1引言 20.2做好传达沟通工作所面临的困难 20.3传达的障碍:图形的歪曲 20.4传达的障碍:有偏抽样 20.5传达的障碍:样本容量 20.6为统计分析准备数据 20.7统计分析的指导原则和报告 20.8文档和结果的保存 20.9小结 补充练习 附录统计表 参考文献 索引 译后记
基于广义高斯模型的局部自适应遥感图像去噪研究 (2013年)
05-12
根据图像各子带系数的相关性,提出一种局部自适应的图像小波系数的统计算法,并应用于遥感图像的去噪研究.首先将图像的小波分解系数视为服从广义高斯分布(GGD)的随机变量模型,然后在小波软阈值去噪的基础上,根据图像小波系数在空间上具有聚集性的特点,提出了一种新的局部自适应的算法,结合最大后验概率(MAP)参数估计,用于恢复带噪图像.该算法用于岷江上游植被和土壤类型典型地区―毛儿盖实验区遥感图像的去噪,效果理想,同其他的图像去噪算法相比,它具有较高的峰值信噪比(PSNR)和更好的视觉效果.
POLSAR图像杂波L分布建模及其参数估计
03-06
基于乘积模型的杂波统计建模是进行高分辨极化合成孔径雷达(POLSAR)图像非均匀区域杂波统计特性分析的有效方法,其核心在于纹理分量随机分布的类型选择.广义伽马分布(GΓD)是一种普适性很强的分布类型,Weibull分布、伽马分布、逆伽马分布等都是GΓD分布的特例,因此基于GΓD分布的图像乘性杂波建模既满足杂波建模的高精度要求,同时成为各种雷达杂波辨识的有效工具.本文首先推导了服从GΓD分布的随机变量的高阶矩特征及其对数累积量(MLC),利用纹理分量服从GΓD分布情形构建了乘积相干斑模型,得到了适用于POLSAR图像处理的L分布杂波多视处理的协方差矩阵的概率分布函数,同时推导了其高阶矩特征及其对数累积量,提出了基于对数累积量的L分布参数估计新方法.针对样本数较少的情况下对数累积量参数估计失效问题提出了基于混合矩(MME)的参数估计方法来解决.然后给出了不同分布的高阶矩和对数累积量,通过二三阶对数累积量关系图辨析了常用分布与L分布的内在关系,得到了L分布是目前乘积模型中适用范围较为广泛的统计分布的结论.最后用仿真数据验证了理论推导的正确性,并将基于对数累积量的参数估计方法与已有方法进行了比
考研数学一笔记，概率统计部分
01-17
内容概要: 这份考研数学一笔记的概率统计部分旨在帮助考生系统地学习和掌握概率统计的核心概念和解题方法。笔记内容涵盖了以下主题：概率基础、随机变量及其分布、多维随机变量及其分布、样本与抽样分布、参数估计与假设检验。每个主题都包含了重要的定义、定理和典型例题，并给出了详细的解题步骤和思路分析。 适用人群: 这份笔记适用于考研数学一的所有考生，无论是初学者还是已经有一定基础的同学。对于初学者，它提供了一个清晰的学习框架和基础知识点的讲解；对于已有基础的同学，它可以作为复习巩固和提高解题能力的参考资料。 使用场景及目标: 这份笔记的使用场景可以是自习室、图书馆或者家里，适合个人独立学习或小组讨论。它的目标是帮助考生全面理解概率统计的概念和方法，并能熟练运用这些知识解决考研数学一的相关题目。通过学习这份笔记，考生将能够提高对概率统计知识的掌握程度，加深对解题思路的理解，并为考试做好充分准备。 其他说明: 这份笔记的内容经过精心整理和梳理，结构清晰，重点突出，帮助考生快速掌握重要知识点。
数理统计与数据分析原书第3版
10-25
《数理统计与数据分析（原书第3版）》将现代统计学的重要思想引入数理统计课程中，强调了数据分析、图形工具和计算机技术，并注重统计的实务和应用。《数理统计与数据分析（原书第3版）》内容丰富，几乎涵盖了所有经典和前沿的概率论与数理统计理论和方法，主要包括概率、随机变量、联合分布、期望、极限定理、抽样调查、参数估计、假设检验、数据汇总、两样本比较、方差分析、分类数据分析和线性最小二乘等。 　　《数理统计与数据分析（原书第3版）》用真实数据分析了实际问题，以此增强读者对理论的理解；作者将自助方法与传统的推论性过程结合起来，增加了蒙特卡罗方法。此外，为了使概念更清晰，书中提供了大量的示例，而且还有丰富的习题，以增强读者的计算能力。 　　《数理统计与数据分析（原书第3版）》适合作为统计学、数学、其他理工科专业以及社会科学和经济学专业高年级本科生和低年级研究生的教材，同时也可供相关领域技术人员参考。
随机变量的概率分布
shitou987的博客
04-13 5797
待补充
概率图与随机过程：概率统计基本概念与人工智能应用之间的桥梁
机器学习数学基础系列专栏
10-28 2174
在机器学习算法的修炼道路中，概率图模型和随机过程对很多同学而言是一个巨大的拦路虎。很多同学会有这样一种感觉：这里面所涉及的模型概念可是真多啊！三两下就给整蒙了： 概率模型、图模型还没整明白，又来了个概率图模型； 高斯分布、混合模型还没弄热乎，又遭遇了高斯混合模型和高斯过程； 变量分布、随机过程本来就挺难了，你还要我利用随机过程去对一个分布进行近似采样？ 马尔科夫链已经把我给绕住了，咋又弄出来了个...
统计篇（五）-- 随机变量、样本、统计量
CarpeDiem
11-06 8674
本篇主要讲概率论与数理统计常用到的样本空间、时间、随机变量、概率空间、多维随机变量、多元随机变量、样本、总体、统计量等基本概念。
python概率密度函数参数估计_概率密度估计介绍
weixin_39829073的博客
12-10 2665
在学概率论时，常常会看到各种稀奇古怪的名字，有的书上只介绍了该如何求解，但是从不介绍为什么这么叫以及有什么用，本文就介绍一下概率密度估计是什么以及是干什么用的,主要参考Jason BrownLee大神的一篇博文进行介绍。后面部分名词会以英文缩写形式介绍，汇总如下：概率密度 (probability density, PD)概率密度函数 (probability density function, ...
概率密度估计小结--参数估计与非参数估计
知识搬运工的博客
03-20 5786
通过观测世界得到了一些数据，我们要从这些数据里面去找出规律来认识世界，一般来说，在概率上我们有一个一般性的操作步骤： 1. 观测样本的存在 2. 每个样本之间是独立的 3. 所有样本符合一个概率模型 我们最终想要得到的是一个概率密度的模型，如果我们已经对观测的对象有了一些认识，对观测的现象属于那种类型的概率密度分布已经了解，只是需要确定其中的参数而已，这种情况就是属于参数估...
【统计推断】-01 抽样原理之（三）
gongdiwudu的专栏
04-29 1321
上文中叙述母体和抽样的设计；以及抽样分布的概念，本篇将这种关系定量化，专门针对抽样的指标参数和母体参数的对应关系，这是我们以后做检验的基础。
算法学习(5)-图的遍历
knoci的博客
04-28 930
使用深度优先搜索来遍历这个图的过程具体是：首先从一个未走到过的顶点作为起始顶点， 比如以1号顶点作为起点。沿1号顶点的边去尝试访问其它未走到过的顶点， 首先发现2 号顶点还没有走到过， 于是来到了2 号顶点。再以2 号顶点作为出发点继续尝试访问其它未走到过的顶点， 这样又来到了4号顶点。再以4 号顶点作为出发点继续尝试访问其它未走到过的顶点。但是， 此时沿4号顶点的边， 已经不能访问到其它未走到过的顶点了， 所以要返回到2号顶点。
笔试强训-day17_T2 十字爆破
最新发布
weixin_46186903的博客
05-03 725
模拟即可，但是由于数据量过⼤，我们可以提前把每⼀⾏以及每⼀列的和存起来，⽅便统计总和。解法二：提前把每⼀⾏以及每⼀列的和存起来，然后输入输出使用快速的IO方式，解答如下所示。解法一：暴力遍历，这种方法很容易想到，并且也容易编写出代码，但是会超时。因为1+2+3=6，1+2+4=7，1+3+4=8，2+3+4=9。牛牛选择一个方格，可以得到和这个方格同行、同列的所有数之和的得分。现在牛牛想知道下一步选择每个格子的得分情况，你可以帮帮他吗？m个方格，每个方格中有一个整数。
leetcode16-3Sum Closest
我的程序人生
04-29 373
这道题目和那道3Num的题目很类似，解题思路也是类似的，我们先对数组排序，然后固定一个元素，通过双指针遍历剩下的元素，用一个哨兵记录三个元素的和与target的diff，分别处理三个元素的和小于target，大于target，等于target这三种情况即可。请你从 nums 中选出三个整数，使它们的和与 target 最接近。解释：与 target 最接近的和是 2 (-1 + 2 + 1 = 2)。输入：nums = [-1,2,1,-4], target = 1。假定每组输入只存在恰好一个解。
c++容器与算法概述
北风
05-01 520
简单讲述输入输出运算符重载 以及容器的简单使用及接口哦苦
代码随想录算法训练营第三十八天
weixin_41902984的博客
04-28 333
又又又欠两天债，不过回家了，一切可以按部就班，明天慢慢补吧，今天先做一课的内容。然后就是如果一次可以上m个阶梯的话应该怎么做，先把伪代码放上来。其实就是斐波那契数，不过需要理解一下过程。还好还好，动态规划第一天不太难。746. 使用最小花费爬楼梯。509. 斐波那契数。
2023下半年软件设计师上午题——冒泡排序
白白白鲤鱼的博客
05-02 605
2023下半年软件设计师上午题——冒泡排序
Golang | Leetcode Golang题解之第56题合并区间
weixin_66442839的博客
04-28 611
Golang | Leetcode Golang题解之第56题合并区间
【算法】高精度乘法
m0_73209194的博客
05-02 429
高精度乘法
如何对一组符合维纳过程的时间序列数据进行参数估计，用matlab实现
08-18
对符合维纳过程的时间序列数据进行参数估计，可以采用最大似然估计（Maximum Likelihood Estimation，MLE）的方法。具体实现步骤如下： 1. 确定维纳过程的数学模型和参数形式，例如 Ornstein-Uhlenbeck 过程或 Geometric Brownian Motion 过程。 2. 根据模型对数据进行预处理，例如对数变换或差分。 3. 构建似然函数，即在给定参数下，数据出现的概率密度函数。 4. 通过最大化似然函数，估计模型参数。可以使用 Matlab 中的 fminsearch、fmincon 等函数进行优化。 下面以 Ornstein-Uhlenbeck 过程为例，给出 Matlab 实现代码： ```matlab % 生成 Ornstein-Uhlenbeck 过程 T = 100; % 时间长度 dt = 0.01; % 时间步长 sigma = 1; % 随机项系数 theta = 2; % 回归项系数 mu = 0; % 均值项系数 x0 = 0; % 初始值 t = 0:dt:T; n = length(t); x = zeros(1,n); x(1) = x0; for i=2:n x(i) = x(i-1) + theta*(mu-x(i-1))*dt + sigma*sqrt(dt)*randn; end % 对数变换 y = log(x(2:end))-log(x(1:end-1)); % 构建似然函数 theta0 = [1,1]; fun = @(theta) -sum(log(normpdf(y,theta(1)*(mu-x(1:end-1)),theta(2)))); theta_hat = fminsearch(fun,theta0); % 结果输出 disp(['theta_hat1 = ',num2str(theta_hat(1))]); disp(['theta_hat2 = ',num2str(theta_hat(2))]); ``` 其中，sigma、theta、mu 分别对应随机项系数、回归项系数、均值项系数，x0 为初始值。y 为对数变换后的数据，似然函数中使用了正态分布的概率密度函数。最终输出的是估计的 theta1 和 theta2。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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

2024数学建模

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

实付元
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