二维正态分布的最大似然估计_最大似然法估计正态分布参数

最新推荐文章于 2021-09-19 15:38:50 发布

weixin_39632327

最新推荐文章于 2021-09-19 15:38:50 发布

阅读量7.1k

点赞数 1

文章标签：二维正态分布的最大似然估计

本文链接：https://blog.csdn.net/weixin_39632327/article/details/112159813

版权

这篇博客介绍了最大似然估计法在统计中的应用，特别是在估计正态分布参数上的使用。通过实例展示了如何通过最大似然估计求解正态分布的位置参数μ和形态参数σ。文章详细解释了从单个值到多个值在正态分布中的似然值计算，并通过数学推导得出在已知测量数据条件下正态分布的参数估计：μ等于样本均值，σ等于样本标准差。

摘要由CSDN通过智能技术生成

刚学习完似然值和概率的联系与区别，今天我们深入了解似然值在统计中的重要作用。

最大似然估计(maximum likelihood)就是利用已知的样本结果，反推最具有可能(最大概率)导致这些样本结果出现的模型参数值。

逻辑：结果 → 产生结果的条件环境条件
换句话说，极大似然估计提供了一种给定观察数据来评估模型参数的方法，即“模型已定，参数未知”。当模型满足某个分布，它的参数值便可以通过极大似然估计法求出来，如正态分布的μ和σ,指数分布的λ等等。
如果还有点懵懵的，请看接下来的示例。

例如我们随机测量一些小鼠的体重(如下)。最大似然估计(maximum likelihood)的目的就是根据已知少量测量结果反推最有可能产生该数据的分布。

第一步：预判产生已知数据的可能分布类型。有许多的分布类型，包括正态分布、指数分数、gamma分布等等。通过已知的数据发现：①大部分数据靠近均值分布；②数据分分布整体呈现对称分布，中间值多，大值和小值少。故我们可以推测该数据可能来源于正态分布。

第二步：确定正态分布的参数(位置参数μ,形态参数σ)。正态分布有多重形状，包括瘦的、中等的、胖的，故唯有计算出μ和σ之后，才能明确产生该数据的具体分布。
- 1)位置参数μ：当σ保持不变时，比较已知测量数据在

关注