我有一个包含观测值 (x, y) 的表格，需要估计与它们更接近的泊松分布的平均值。似乎 R 和 Octave 都可以在 Linux 上做到这一点，但我想知道是否有一种多平台的方法可以做到这一点。我可以将任何东西与程序捆绑在一起，但我不能要求安装任何东西来运行它。
我尝试寻找一种算法来自己完成此任务，但找不到，所以我不知道该怎么办。
郑重声明，我确实找到了一个简单的算法来实现这一点，该算法基本上是将所有值相加并除以示例数量，但即使是直接取自书中的简单示例，它也会失败。
示例:
requisitions per day : absolute frequency (days) : relative frequency
8 : 2 : 0.016
9 : 4 : 0.033
10 : 6 : 0.050
11 : 8 : 0.066
12 : 10 : 0.083
13 : 12 : 0.100
14 : 13 : 0.108
15 : 14 : 0.116
16 : 12 : 0.100
17 : 10 : 0.083
18 : 9 : 0.075
19 : 7 : 0.058
20 : 5 : 0.041
21 : 3 : 0.025
22 : 2 : 0.016
23 : 2 : 0.016
24 : 1 : 0.008
泊松分布的平均值应该是 15(根据我获得示例的书)。我在上面所说的方法(在其中一个答案中)给出了 16。使用欧氏距离平方和，我还发现平均值为 15 的泊松比平均值为 16 的泊松更接近数据。
最佳答案
均值的 MLE 只是样本均值。请参阅维基百科:
http://en.wikipedia.org/wiki/Poisson_distribution#Maximum_likelihood
只需对数据 vector 进行平均即可。
更新:我现在根据刚刚添加到问题中的示例数据扩展此答案。
我对示例数据的解释是:
reqs-per-day frequency
8 2
9 4
10 6
表示有两天每天的请购数量为 8，有四天的请购数量为 9。因此，我假设数据相当于:
8,8,9,9,9,9,10,10,10,10,10,10,...
此列表中的每个条目对应于一天。该列表的顺序并不重要。我认为你应该平均这个列表。
您的频率字段总数为 120。我认为这意味着实验总共有 120 天。
关于java - 泊松分布的最大似然估计？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/6025094/