作者:桂。
时间:2017-03-16 20:30:20
声明:欢迎被转载,记得注明出处~
前言
本文为曲线与分布拟合的一部分,主要介绍正态分布、拉普拉斯分布等常用分布拟合的理论推导以及代码实现。
一、理论推导
假设数据独立同分布。对于任意数据点$x_i$,对应概率密度为$f(x_i)$,最大似然函数:
$J = \mathop \prod \limits_{i = 1}^N f({x_i})$
表示成参数,并写成对数形式:
$L\left( \theta \right) = \ln J\left( \theta \right) = \sum\limits_{i = 1}^N {f({x_i};\theta )} $
A-正态分布
对于正态分布:
$f(x) = \frac{1}{ {\sqrt {2\pi } \sigma }}{e^{ - \frac{ { { {(x - \mu )}^2}}}{ {2{\sigma ^2}}}}}$
求偏导得参数估计:
$\hat \mu = \frac{ {\sum\limits_{i = 1}^N { {x_i}} }}{N}$
${\hat \sigma ^2} = \frac{ {\sum\limits_{i = 1}^N { { {\left( { {x_i} - \mu } \right)