最大似然估计
这mle
函数计算由其名称指定的分布以及其概率密度函数(PDF),LOG PDF或负LOG LOG -LOIBIELIONY函数指定的自定义分布的最大似然估计(MLE)。
对于某些分布,MLE可以以封闭形式给出并直接计算。对于其他分布,必须采用搜索最大可能性。搜索可以通过选项
输入参数,使用Statset
功能。对于有效的搜索,重要的是选择合理的分发模型并设置适当的收敛公差。
MLE可能会偏见,特别是对于小样本。然而,随着样本量的增加,MLE成为公正的最小方差估计量,具有近似于正态分布。这用于计算估计值的置信界。
例如,考虑从指数分布的重复随机样本中考虑以下均值分布:
Mu = 1;人口参数%n = 1e3;样本量的%ns = 1e4;样品数量的%rng('默认')%可再现性samples = exprnd(Mu,n,ns);人口样本%平均值=平均值(样本);样本表示%
中央限制定理说,无论样品中数据的分布如何,均值将大致分配。这mle
功能可用于找到最适合手段的正态分布:
[phat,pci] = mle(含义)
phat =1×21.0000 0.0315
PCI =2×20.9994 0.0311 1.0006 0.0319
PHAT(1)
和PHAT(2)
是平均值和标准偏差的MLE。PCI(:,1)
和PCI(:,1)
是相应的95%置信区间。
可视化样品平均值与拟合正态分布的分布。
Numbins = 50;直方图(numbins,numbins,'正常化',,,,'PDF') 抓住在x = min(均值):0.001:最大(均值);y = normpdf(x,phat(1),phat(2));情节(x,y,'r',,,,'行宽',2)