Bootstrap法和极大似然法是统计学中常用的估计方法，可以帮助我们估计概率分布以及其他统计模型中的参数。
一、Bootstrap法
Bootstrap法是一种非参数统计学方法，它可以用于估计样本统计量（如均值、方差等）的分布，从而得出这些统计量的置信区间。Bootstrap法的基本思想是通过自助采样（bootstrap sampling）的方法，从原始样本中获取一系列新样本，再对这些新样本进行采样和分析，从而得到统计量的分布。
下面是一个简单的Python示例，演示如何使用Bootstrap法估计一个样本均值的置信区间：
import numpy as np
# 生成一个有100个随机数的样本
np.random.seed(42)
sample = np.random.randn(100)
# 使用自助采样，获取1000个新样本
bootstrap_samples = []
for i in range(1000):
bootstrap_sample = np.random.choice(sample, size=100, replace=True)
bootstrap_samples.append(bootstrap_sample)
# 计算每个新样本的均值
bootstrap_means = [sample.mean() for sample in bootstrap_samples]
# 用分位数的方法，计算均值的置信区间
alpha = 0.05
lower_bound = np.percentile(bootstrap_means, 100 * alpha / 2)
upper_bound = np.percentile(bootstrap_means, 100 * (1 - alpha / 2))
print("The 95% confidence interval for the sample mean is [{:.3f}, {:.3f}]".format(lower_bound, upper_bound))
在这个例子中，我们生成了一个有100个随机数的样本，然后使用自助采样方法获取了1000个新样本，计算了每个新样本的均值，最终用分位数的方法计算了均值的置信区间。
二、极大似然法
极大似然法是一种参数估计的方法，它的基本思想是在已知一些观测数据的情况下，选择最合适的参数值，使得这些观测数据发生的可能性最大。换句话说，极大似然法的目标是找到一个参数值，使得样本出现的概率最大。
下面是一个简单的Python示例，演示如何使用极大似然法估计正态分布的均值和方差：
import numpy as np
from scipy.stats import norm
# 生成一个有100个随机数的样本，来自于均值为5，方差为2的正态分布
np.random.seed(42)
sample = np.random.normal(loc=5, scale=np.sqrt(2), size=100)
# 使用Scipy的最大似然估计方法，估计均值和方差
loc, scale = norm.fit(sample)
print("The estimated mean is {:.3f} and the estimated standard deviation is {:.3f}".format(loc, scale))
在这个例子中，我们生成了一个有100个随机数的正态分布样本，然后使用Scipy库中的最大似然估计方法，估计了这个样本的均值和方差。
三、小结
Bootstrap法和极大似然法分别是非参数统计和参数统计中的常见方法。Bootstrap法可以估计样本统计量的分布，从而计算置信区间；极大似然法可以帮助我们选择最合适的参数值，使得样本出现的概率最大。在实际应用中，我们需要根据具体情况选择合适的方法。
原创文章，作者：GRJCE，如若转载，请注明出处：https://www.506064.com/n/375342.html
微信扫一扫 
支付宝扫一扫 