似然函数(likehood)和概率分布(probability)

似然函数L(θ|x)

• 从函数的角度，当变量x已知时，以θ为变量的函数；
• 从统计的角度，在某一分布下，概率空间中的事件x已知（如抛硬币，x即硬币的正、反面），似然函数为参数θ取什么值时，似然函数L(θ|x)与事件x的结果最接近（最大似然估计）。

似然函数可以简单理解为，在事件发生情况后，利用一个与变量θ有关函数对该现象进行描述的函数，而最大似然估计是求参数θ使得函数所得结果与发生事件的情况最相似。

 

---------------------------------------------------------------------------------------------------------------

扩展阅读

 

这个是quora上的一个回答 What is the difference between probability and likelihood?

有一个硬币，它有θ的概率会正面向上，有1-θ的概率反面向上。θ是存在的，但是你不知道它是多少。为了获得θ的值，你做了一个实验：将硬币抛10次，得到了一个正反序列：x=HHTTHTHHHH。

无论θ的值是多少，这个序列的概率值为 θ⋅θ⋅(1-θ)⋅(1-θ)⋅θ⋅(1-θ)⋅θ⋅θ⋅θ⋅θ = θ⁷ (1-θ)³

比如，如果θ值为0，则得到这个序列的概率值为0。如果θ值为1/2，概率值为1/1024。

但是，我们应该得到一个更大的概率值，所以我们尝试了所有θ可取的值，画出了下图：

这个曲线就是θ的似然函数，通过了解在某一假设下，已知数据发生的可能性，来评价哪一个假设更接近θ的真实值。

如图所示，最有可能的假设是在θ=0.7的时候取到。但是，你无须得出最终的结论θ=0.7。事实上，根据贝叶斯法则，0.7是一个不太可能的取值（如果你知道几乎所有的硬币都是均质的，那么这个实验并没有提供足够的证据来说服它是均质的）。但是，0.7却是最大似然估计的取值。

因为这里仅仅试验了一次，得到的样本太少，所以最终求出的最大似然值偏差较大，如果经过多次试验，扩充样本空间，则最终求得的最大似然估计将接近真实值0.5。在这篇博客中有详细的过程，就不再赘述。

 

作者：HiTao
链接：https://www.zhihu.com/question/54082000/answer/470252492
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

---------------------------------------------------------------------------------------------------------------

【个人觉得下面这个写的最简单，精炼，也最容易理解！！！】

L(θ|x)=f(x|θ)
这个等式表示的是对于事件发生的两种角度的看法。等式两边都是表示的这个事件发生的概率或者说可能性。在给定一个样本x后，我们去想这个样本出现的可能性到底是多大。

统计学的观点始终是认为样本的出现是基于一个分布的。那么我们去假设这个分布为f，里面有参数theta。对于不同的theta，样本的分布不一样。f(x|θ)表示的就是在给定参数theta的情况下，x出现的可能性多大。L(θ|x)表示的是在给定样本x的时候，哪个参数theta使得x出现的可能性多大。所以其实这个等式要表示的核心意思都是在给一个theta和一个样本x的时候，整个事件发生的可能性多大。

作者：冯龙
链接：https://www.zhihu.com/question/54082000/answer/138115757
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。