极大似然估计毕业论文

去注册下载，借鉴下吧

几何分布：期望1／p,方差（1－p)/(p的平方）书中：q=1-p概念：在独立重复实验中，一次事件发生所做的实验次数为随机变量．多看书吧！

估计质量 例如求星体的质量

极大似然估计是一种参数估计的方法。 先验概率是 知因求果，后验概率是 知果求因，极大似然是 知果求最可能的原因。 即它的核心思想是：找到参数 θ 的一个估计值，使得当前样本出现的可能性最大。 例如，当其他条件一样时，抽烟者患肺癌的概率是不抽烟者的 5 倍，那么当我们已知现在有个人是肺癌患者，问这个人是抽烟还是不抽烟？大多数人都会选择抽烟，因为这个答案是“最有可能”得到“肺癌”这样的结果。 当模型已定，但是参数未知时。 例如我们知道全国人民的身高服从正态分布，这样就可以通过采样，观察其结果，然后再用样本数据的结果推出正态分布的均值与方差的大概率值，就可以得到全国人民的身高分布的函数。 极大似然估计是频率学派最经典的方法之一，认为真实发生的结果的概率应该是最大的，那么相应的参数，也应该是能让这个状态发生的概率最大的参数。 假如一个罐子里有黑白两种颜色的球，数目和比例都不知道。 假设进行一百次有放回地随机采样，每次取一个球，有七十次是白球。 问题是要求得罐中白球和黑球的比例？ 假设罐中白球的比例是 p，那么黑球的比例就是 1−p。 那么似然函数： 接下来对似然函数对数化： 然后求似然方程： 最后求得 p=0.7 资料： 推荐阅读 历史技术博文链接汇总 也许可以找到你想要的： [入门问题][TensorFlow][深度学习][强化学习][神经网络][机器学习][自然语言处理][聊天机器人]

极大似然估计方法是求估计的另一种方法,1821年首先由德国数学家C. F. Gauss提出，但是这个方法通常被归功于英国的统计学家R. A. Fisher，他在1922年的论文On the mathematical foundations of theoretical statistics, reprinted in Contributions to Mathematical Statistics (by R. A. Fisher), 1950, J. Wiley & Sons, New York 中再次提出了这个思想，并且首先探讨了这种方法的一些性质.极大似然估计这一名称也是费歇给的。这是一种上前仍然得到广泛应用的方法。它是建立在极大似然原理的基础上的一个统计方法，极大似然原理的直观想法是：一个随机试验如有若干个可能的结果A，B，C，…。若在一次试验中，结果A出现，则一般认为试验条件对A出现有利，也即A出现的概率很大。求极大似然函数估计值的一般步骤： （1） 写出似然函数； （2） 对似然函数取对数，并整理； （3） 求导数 ； （4） 解似然方程 极大似然估计，只是一种概率论在统计学的应用，它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布，但是其中具体的参数不清楚，参数估计就是通过若干次试验，观察其结果，利用结果推出参数的大概值。极大似然估计是建立在这样的思想上：已知某个参数能使这个样本出现的概率最大，我们当然不会再去选择其他小概率的样本，所以干脆就把这个参数作为估计的真实值。 当然极大似然估计只是一种粗略的数学期望，要知道它的误差大小还要做区间估计。