极大似然法估计与极大验后法估计
2016-03-01 12:35
453 查看
| ||||
一、极大似然法估计 极大似然法估计是以观测值出现的概率为最大作为估计准则的,它是一种觉的参数估计方法。 设 是连续随机变量,其分布密度为 ,含有 个未知参数 。把 个独立观测值 分别代入 中的 ,则得 将所得的 个函数相乘,得 (11-20) 称函数 为似然函数。当 固定时, 是 的函数。极大似然法的实质就是求出使 达到极大时的 的估值 。从式(11-20)可看到 是观测值 的函数。 为了便于求出使 达到极大的 ,对式(11-20)取对数,则 (11-21) 由于对数函数是单调增加函数,因此当 取极大值时, 也同时取极大值,将上式分别对 求偏导数,令偏导数等于零,可得下列方程组: (11-22) 解上述方程组,可得使 达到极大值的 。按极大似然法确定的 ,使 最有可能出现,并不需要 的验前知识,即不需要知道 的概率分布密度和一、二阶矩。 例11-1 设有正态分布随机变量 ,给出 个观测值 。观测值相互独立,试根据这 个观测值,确定分布密度中的各参数。 解 的分布密度可用下式表示: 式中的 和 为未知参数。现有极大似然法来确定参数 和 。作似然函数: 对上式取对数,可得 将上式分别对 和 求偏导数,令偏导数等于零,可得 联立求解可得 上面介绍了极大似然法的基本概念。现在来讨论极大似然法估计参数的问题。 设 为 维随机变量, 为 维未知参数,假定已知 的条件概率密度 。现在得到 组 的观测值 。观测值相互独立。当参数 是何值时, 出现的可能性最大?为此,确定似然函数: (11-23) 或 (11-24) 求出使 为极大的 值,令 (11-25) 解之,可得 的估值 。 取极大值的充分条件是 因此,用极大似然法时,应先求似然函数 ,然后用微分法求出使似然函数 为极大的 的估值 。 设有一线性观测系统 (11-26) 式中, 是 维观测值, 是 维未知参数, 是 维测量误差。设 与 独立。给出 的统计特性,求 的极大似然估计。 下面求似然函数 根据不同随机变量的概率密度变换公式,并考虑到 与 独立,可得 令 得上式,可得 的估值 。 假定噪声 是正态分布,其均值为零,方差阵为 ,则 把 代入上式,得 式中 求出 ,使 为最大,也就是使 (11-27) 求 对 的偏导数,令偏导数等于零,可得 的估值 (11-28) 二、 极大验后估计 如果给出 维随机变量 的条件概率分布密度 ――也称验后概率密度,怎样求 的最优估值 呢?极大验后估计准则:使 的验后概率密度 达到最大那个 值为极大验后估值 。可见,极大验后估计是已知 求 的最优估值 的一种有效方法。 极大验后估计是以已知 为前提的。如果只知道 ,可按下式计算 。 (11-29) 式中 是 的验前概率密度, 是观测值 的概率密度, 可用计算方法或实验方法求得。为了计算 需要知道 。在 没有验前知识可供利用时,可假定 在很大范围内变化。在这种情况下,可把 的验前概率密度 近似地看作方差阵趋于无限大的正态分布密度 式中 为 的方差阵, 单位阵, ,于是 (11-30) 当 (11-31) 当缺乏 的验前概率分布密度时,极大验后估计与极大似然估计是等同的,现证明如下: 对于极大似然估计,为了求得 的最优估值 ,应令 (11-32) 对于极大验后估计,为了求得 的最优估值 ,应令 (11-33) 根据式(11-29)得 考虑到 不是 的函数,同时考虑到式(11-31),可得 (11-34) 一般说来,极大似然估计比极大验后估计应用普遍,这是由于计算似然函数比计算验后概率密度较为简单。 |
相关文章推荐
- Memory Limit Exceeded超内存,怎么避免呢?
- 计算空间
- 【图像跟踪】贝叶斯估计基础
- 关于高阶导数的一个不等式估计
- 最大似然估计(MLE)与最大后验估计(MAP)
- logisitic 回归 +极大似然法 + 梯度下降法 (迭代优化)
- Eviews 9.0新功能——估计方法(ARDL、面板自回归、门限回归)
- 最大似然估计(MLE)和最大后验概率(MAP)
- 最大似然估计(Maximum likelihood estimation)
- 克拉美罗下界 CRLB的计算
- 最大似然估计
- 最大似然估计 (MLE) 最大后验概率(MAP)
- 最小二乘法(least squares)
- MLE,EM,MAP 三种算法对比和理解
- FFMPEG中关于ts流的时长估计的实现
- 极大似然估计
- 记关于工程估量的一些认识
- 详解最大似然估计(MLE)、最大后验概率估计(MAP),以及贝叶斯公式的理解
- 贝叶斯线性回归(单输出)
- 最小二乘法分析