最大似然估计总结笔记

原创 2011年01月09日 13:44:00

最大似然估计学习总结------MadTurtle


1. 作用

在已知试验结果(即是样本)的情况下,用来估计满足这些样本分布的参数,把可能性最大的那个参数clip_image002作为真实clip_image004的参数估计。

2. 离散型

clip_image006为离散型随机变量,clip_image008为多维参数向量,如果随机变量clip_image010相互独立且概率计算式为P{clip_image012,则可得概率函数为P{clip_image014}=clip_image016,在clip_image008[1]固定时,上式表示clip_image014[1]的概率;当clip_image014[2]已知的时候,它又变成clip_image008[2]的函数,可以把它记为clip_image018,称此函数为似然函数。似然函数值的大小意味着该样本值出现的可能性的大小,既然已经得到了样本值clip_image014[3],那么它出现的可能性应该是较大的,即似然函数的值也应该是比较大的,因而最大似然估计就是选择使clip_image020达到最大值的那个clip_image002[1]作为真实clip_image004[1]的估计。

3. 连续型

clip_image006[1]为连续型随机变量,其概率密度函数为clip_image022clip_image010[1]为从该总体中抽出的样本,同样的如果clip_image010[2]相互独立且同分布,于是样本的联合概率密度为clip_image024。大致过程同离散型一样。

4. 关于概率密度(PDF)

我们来考虑个简单的情况(m=k=1),即是参数和样本都为1的情况。假设进行一个实验,实验次数定为10次,每次实验成功率为0.2,那么不成功的概率为0.8,用y来表示成功的次数。由于前后的实验是相互独立的,所以可以计算得到成功的次数的概率密度为:

clip_image026=clip_image028 其中yclip_image030

由于y的取值范围已定,而且clip_image032也为已知,所以图1显示了y取不同值时的概率分布情况,而图2显示了当clip_image034时的y值概率情况。

clip_image036

图1 clip_image038时概率分布图

clip_image040

图2 clip_image042时概率分布图

那么clip_image032[1]在[0,1]之间变化而形成的概率密度函数的集合就形成了一个模型。

5. 最大似然估计的求法

由上面的介绍可以知道,对于图1这种情况y=2是最有可能发生的事件。但是在现实中我们还会面临另外一种情况:我们已经知道了一系列的观察值和一个感兴趣的模型,现在需要找出是哪个PDF(具体来说参数clip_image032[2]为多少时)产生出来的这些观察值。要解决这个问题,就需要用到参数估计的方法,在最大似然估计法中,我们对调PDF中数据向量和参数向量的角色,于是可以得到似然函数的定义为:

clip_image044

该函数可以理解为,在给定了样本值的情况下,关于参数向量clip_image032[3]取值情况的函数。还是以上面的简单实验情况为例,若此时给定y为7,那么可以得到关于clip_image032[4]的似然函数为:

clip_image046

继续回顾前面所讲,图1,2是在给定clip_image032[5]的情况下,样本向量y取值概率的分布情况;而图3是图1,2横纵坐标轴相交换而成,它所描述的似然函数图则指出在给定样本向量y的情况下,符合该取值样本分布的各种参数向量clip_image032[6]的可能性。若clip_image048相比于clip_image050,使得y=7出现的可能性要高,那么理所当然的clip_image048[1]要比clip_image050[1]更加接近于真正的估计参数。所以求clip_image032[7]的极大似然估计就归结为求似然函数clip_image052的最大值点。那么clip_image032[8]取何值时似然函数clip_image054最大,这就需要用到高等数学中求导的概念,如果是多维参数向量那么就是求偏导。

clip_image070

图3 clip_image072的似然函数分布图

主要注意的是多数情况下,直接对变量进行求导反而会使得计算式子更加的复杂,此时可以借用对数函数。由于对数函数是单调增函数,所以clip_image056clip_image058具有相同的最大值点,而在许多情况下,求clip_image060的最大值点比较简单。于是,我们将求clip_image058[1]的最大值点改为求clip_image060[1]的最大值点。

clip_image062

若该似然函数的导数存在,那么对clip_image060[2]关于参数向量的各个参数求导数(当前情况向量维数为1),并命其等于零,得到方程组:

clip_image064

可以求得clip_image034[1]时似然函数有极值,为了进一步判断该点位最大值而不是最小值,可以继续求二阶导来判断函数的凹凸性,如果clip_image034[2]的二阶导为负数那么即是最大值,这里再不细说。

还要指出,若函数clip_image022[1]关于clip_image066的导数不存在,我们就无法得到似然方程组,这时就必须用其它的方法来求最大似然估计值,例如用有界函数的增减性去求clip_image068的最大值点

6. 总结

最大似然估计,只是一种概率论在统计学的应用,它是参数估计的方法之一。说的是已知某个随机样本满足某种概率分布,但是其中具体的参数不清楚,参数估计就是通过若干次试验,观察其结果,利用结果推出参数的大概值。最大似然估计是建立在这样的思想上:已知某个参数能使这个样本出现的概率最大,我们当然不会再去选择其他小概率的样本,所以干脆就把这个参数作为估计的真实值。

求最大似然函数估计值的一般步骤: 
(1) 写出似然函数
(2) 对似然函数取对数,并整理
(3) 求导数
(4) 解似然方程

对于最大似然估计方法的应用,需要结合特定的环境,因为它需要你提供样本的已知模型进而来估算参数,例如在模式识别中,我们可以规定目标符合高斯模型。而且对于该算法,我理解为,“知道”和“能用”就行,没必要在程序设计时将该部分实现,因为在大多数程序中只会用到我最后推导出来的结果。个人建议,如有问题望有经验者指出。在文献[1]中讲解了本文的相关理论内容,在文献[2]附有3个推导例子。

7. 参考文献

[1]I.J. Myung. Tutorial on maximum likelihood estimation[J]. Journal of Mathematical Psychology, 2003, 90-100.

[2] http://edu6.teacher.com.cn/ttg006a/chap7/jiangjie/72.htm

该文通过Windows Live Writer上传,如有版面问题影响视觉效果请见谅,可以通过点击看清晰图!^0^

版权声明:本文为博主原创文章,未经博主允许不得转载。

相关文章推荐

菜鸟学概率统计——最大似然估计(MLE)

参考:https://www.zhihu.com/question/20447622/answer/23902715 说的通俗一点啊,最大似然估计,就是利用已知的样本结果,反推最有可能(最大概率)导致...

极大似然估计

极大似然估计,顾名思义是一种估计方法

参数估计:最大似然估计MLE

http://blog.csdn.net/pipisorry/article/details/51461997最大似然估计MLE顾名思义,当然是要找到一个参数,使得L最大,为什么要使得它最大呢,因为X...

极大似然估计详解

极大似然估计         以前多次接触过极大似然估计,但一直都不太明白到底什么原理,最近在看贝叶斯分类,对极大似然估计有了新的认识,总结如下: 贝叶斯决策         首先来看贝叶斯分类,...

最大似然估计

原理 举例 离散分布离散有限参数空间 离散分布连续参数空间 连续分布连续参数空间 小结原理给定一个概率分布D,假定器概率密度函数(连续分布)或概率质量函数(离散分布)为 fDf_D,以及一个分布参数 ...

最大似然估计详解

  最大似然估计是建立在最大似然原理的基础之上。最大似然原理的直观理解是:设一个随机试验有若干个可能的结果A1,A2,…,An,在一次试验中,结果Ak出现,则一般认为实验对Ak的出现最...

最大似然参数估计

最普遍的情况是概率密度函数并不是已知的,在很多的问题中,潜在的概率密度函数必须从可用的数据中估计。例如有时可能知道概率密度函数的类型(高斯、瑞利等),但不知道具体的参数如方差或均值;相反,有时知道一些...

数学篇----参数估计之最大似然估计法[概率论]

前言     参数估计问题分:点估计、区间估计。     点估计是适当地选择一个统计量作为未知参数的估计(称为估计量),若已取得一样本,将样本值代入估计量,得到估计量的值,以估计量的值作为未知参数...

用最大似然估计求逻辑回归参数

一.最大似然估计

最大似然估计、贝叶斯估计、最大后验估计理论对比

本文要总结的是3种估计的原理、估计与目标函数之间的关系。这三种估计放在一起让我晕头转向了好久,看知乎,看教材,有了以下理解。以下全部是个人看书后的理解,如有理解错误的地方,请指正,吾将感激不尽。 来...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:最大似然估计总结笔记
举报原因:
原因补充:

(最多只允许输入30个字)