第3章概率密度函数概述.ppt

返回本章首页 5 密度函数估计的收敛性 对于每个给定的 ， 的值依赖于随机抽取的样本集 ，所以 有一个均值 和方差 如果有 同时成立，那么就说 收敛于 。 限制条件为 返回本章首页 下面证明 证明 返回本章首页 Parzen窗法应用举例 参照教材P71面 结论：（1）只要样本足够多，总可以保证收敛于任何 复杂的未知概率密度函数。（2）需要的样本数量很 多，因此需要耗费大量的计算时间和存储量。 THANK YOU VERY MUCH ！ 本章到此结束 下一章“近邻法” 返回本章首页 结 束放映 第1章 绪论 * 返回本章首页 下面我们看一下最大似然估计与Bayes解的关系。 返回本章首页 最大似然估计近似等于Bayes解（条件是 在 有尖锐的凸峰） 返回本章首页 下面给出在 具有递推收敛的性质下Bayes学习收敛的一般性陈述，看以下的推导公式 返回本章首页 我们把以上的方法称为递推Bayes估计，密度序列收敛于以真实参数为中心的 函数的过程称为Bayes学习。 如果分布具有Bayes学习性质，那么当样本数 时，就有 返回本章首页 单变量正态分布函数的定义及性质