极大似然估计浅析

一：什么是似然函数

概念：给定联合样本值X条件下(未知)参数θ的函数：L（θ|X） = f(X|θ),X是指联合样本随机变量x的取值，即X = xi,θ是未知参数，他是空间参数。这里的f(X|θ)是一个密度函数，他表示在给定模型参数θ的条件下，取到x的概率。所以从定义上，似然函数和密度函数是完全不同的两个数学对象：前者是关于[θ]的函数，后者是关于[X]的函数。所以这里的等号理解为函数值形式的相等，而不是两个函数本身是同一函数(根据函数相等的定义，函数相等当且仅当定义域相等并且对应关系相等)。

二：极大似然估计

通俗概念：利用已知样本结果信息，反推最有可能（最大概率）导致这些样本结果的模型参数。
数学定义：设样本集X = xi(i = 1,2,3,4…n),数据集符合某种分布，p(xi|θ)表示抽到i样本的的概率，由于样本独立同分布（有放回的取值），因此则有

其中 θ为实数。我们要找到一个 θ使得xi(i = 1,2,3…n)这组样本被抽到的概率最大，也就是需要似然函数L( θ)最大。满足条件的 θ被称为最大自然函数函数估计量，记作 θ = argmaxL(θ).
例子一
别人博客的一个例子。

假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。我 们想知道罐中白球和黑球的比例，但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来，记录球的颜色，然后把拿出来的球 再放回罐中。这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中，有七十次是白球，请问罐中白球所占的比例最有可能是多少？

很多人马上就有答案了：70%。而其后的理论支撑是什么呢？

我们假设罐中白球的比例是p，那么黑球的比例就是1-p。因为每抽一个球出来，在记录颜色之后，我们把抽出的球放回了罐中并摇匀，所以每次抽出来的球的颜 色服从同一独立分布。

这里我们把一次抽出来球的颜色称为一次抽样。题目中在一百次抽样中，七十次是白球的,三十次为黑球事件的概率是P(样本结果|Model)。

如果第一次抽象的结果记为x1,第二次抽样的结果记为x2…那么样本结果为(x1,x2…,x100)。这样，我们可以得到如下表达式：

P(样本结果|Model)

= P(x1,x2,…,x100|Model)

= P(x1|Mel)P(x2|M)…P(x100|M)

= p^ 70(1-p) ^ 30.

好的，我们已经有了观察样本结果出现的概率表达式了。那么我们要求的模型的参数，也就是求的式中的p。

那么我们怎么来求这个p呢？

不同的p，直接导致P（样本结果|Model）的不同。

好的，我们的p实际上是有无数多种分布的。如下：

那么求出 p^70(1-p) ^30为 7.8 * 10^(-31)

p的分布也可以是如下：

那么也可以求出p^70(1-p)30为2.95* 10^(-27)

那么问题来了，既然有无数种分布可以选择，极大似然估计应该按照什么原则去选取这个分布呢？

答：采取的方法是让这个样本结果出现的可能性最大，也就是使得p^70(1-p)30值最大，那么我们就可以看成是p的方程，求导即可！

那么既然事情已经发生了，为什么不让这个出现的结果的可能性最大呢？这也就是最大似然估计的核心。

我们想办法让观察样本出现的概率最大，转换为数学问题就是使得：

p^70(1-p)30最大，这太简单了，未知数只有一个p，我们令其导数为0，即可求出p为70%，与我们一开始认为的70%是一致的。其中蕴含着我们的数学思想在里面。

三：极大自然估计的一般步骤

1，首先写出似然函数

2，取似然函数对数
3，求倒数，令倒数为0，得到似然方程。
4，求解似然方程，其解即为θ

四：极大似然估计的特点

1，比其他估计方法更简单
2，无偏或者渐进无偏的收敛性，在样本增加时，收敛性更好
3，如果假设的类条件概率模型正确，通常能获得更好的结果，但如果假设模型出现偏差，将导致很差的估计结果