심벌 마크
유니온백과
통신
다운로드하기 Google Play
새로운! 안드로이드 ™에 유니온백과를 다운로드 할 수 있습니다
비어 있는
브라우저보다 빠른!
 

최대가능도 방법

색인 최대가능도 방법

능도방법 (最大可能度方法) 또는 최대우도법(最大尤度法)은 어떤 확률변수에서 표집한 값들을 토대로 그 확률변수의 모수를 구하는 방법이.

13 처지: 로그, 매개변수, 가능도, 분산, 기댓값 최대화 알고리즘, 단조함수, 평균, 점 추정, 정규 분포, 추정량, 표집, 확률 밀도 함수, 확률 질량 함수.

로그

''e'', 초록색은 밑이 10, 보라색은 밑이 1.7이다. 밑 값에 상관없이 모든 대수 곡선은 (1, 0)을 지난다. 로그()는 수학 함수의 일종으로, 어떤 수를 나타내기 위해 고정된 밑을 몇 번 곱하여야 하는지를 나타내는 함수이.

새로운!!: 최대가능도 방법와 로그 · 더보기 »

매개변수

매개변수(媒介變數), 파라미터(parameter), 모수(母數)는 수학과 통계학에서 어떠한 시스템이나 함수의 특정한 성질을 나타내는 변수를 말. 일반적으로는 θ라고 표현되며, 다른 표시는 각각 독특한 뜻을.

새로운!!: 최대가능도 방법와 매개변수 · 더보기 »

가능도

통계학에서, 가능도(可能度) 또는 우도(尤度)는 확률 분포의 모수가, 어떤 확률변수의 표집값과 일관되는 정도를 나타내는 값이.

새로운!!: 최대가능도 방법와 가능도 · 더보기 »

분산

확률론과 통계학에서 어떤 확률변수의 분산(分散)은 그 확률변수가 기댓값으로부터 얼마나 떨어진 곳에 분포하는지를 가늠하는 숫자이.

새로운!!: 최대가능도 방법와 분산 · 더보기 »

기댓값 최대화 알고리즘

올드페이스풀 간헐천 분화 데이터. 데이터가 정규분포 혼합 모델에서 관측되었다고 가정하고, 기댓값 최대화 클러스터 분석을 이용해 매개변수들을 추정하는 과정이다. 기댓값 최대화 과정이 반복됨에 따라 매개변수들이 수렴하고 두 개의 군집이 나타나는 것을 볼 수 있다. 기댓값 최대화 알고리즘(expectation-maximization algorithm, 약자 EM 알고리즘)은 관측되지 않는 잠재변수에 의존하는 확률 모델에서 최대가능도(maximum likelihood)나 최대사후확률(maximum a posteriori, 약자 MAP)을 갖는 매개변수를 찾는 반복적인 알고리즘이.

새로운!!: 최대가능도 방법와 기댓값 최대화 알고리즘 · 더보기 »

단조함수

조 증가. 강한 단조 증가는 아니다. 수학에서, 단조 함수(單調函數)는 주어진 순서를 보존하는 함수이.

새로운!!: 최대가능도 방법와 단조함수 · 더보기 »

평균

평균(平均)은 통계학에서 두 가지 서로 연관된 뜻이 있.

새로운!!: 최대가능도 방법와 평균 · 더보기 »

점 추정

통계학에서 점 추정은 미지의 분포에 대하여 가장 근사한 단일 값을 구하는 것이.

새로운!!: 최대가능도 방법와 점 추정 · 더보기 »

정규 분포

확률론과 통계학에서, 정규 분포(正規 分布) 또는 가우스 분포(Gauß 分布)는 연속 확률 분포의 하나이.

새로운!!: 최대가능도 방법와 정규 분포 · 더보기 »

추정량

통계학에서, 추정량(推定量)은 표집값들로부터 모수의 값을 추정하는 방법이.

새로운!!: 최대가능도 방법와 추정량 · 더보기 »

표집

집(sampling)은 모집단에서 표본을 추출하는 일이.

새로운!!: 최대가능도 방법와 표집 · 더보기 »

확률 밀도 함수

확률론에서 확률 밀도 함수(確率密度函數, 약자 PDF)는 확률 변수의 분포를 나타내는 함수로, 확률 밀도 함수 f(x)와 구간 에 대해서 확률 변수 X가 구간에 포함될 확률 P(a \leq X \leq b).

새로운!!: 최대가능도 방법와 확률 밀도 함수 · 더보기 »

확률 질량 함수

주사위를 굴릴 때 각 눈의 값에 대한 확률 질량 함수 확률 질량 함수(probability mass function, pmf)는 이산 확률 변수에서 특정 값에 대한 확률을 나타내는 함수이.

새로운!!: 최대가능도 방법와 확률 질량 함수 · 더보기 »

여기로 리디렉션합니다

최대가능도, 최대가능도방법, 최대우도.

나가는들어오는
이봐 요! 우리는 지금 Facebook에 있습니다! »