极大似然估计

1、极大似然估计是求估计的另一种方法

2、极大似然估计与贝叶斯推断是统计中两种对模型的参数确定的方法

极大似然估计：认为参数也是服从某种概率分布的，已有的数据只是在这种参数的分布下产生的

贝叶斯推断：认为参数是固定的，需要根据已经掌握的数据来估计这个参数

3、极大似然估计的特点就是“模型已定，参数未知”，如一个硬币被抛了100次，有61次正面朝上，假设硬币向上的概率有三个1/3、1/2，2/3，可以通过以下两种方法来得到最大似然估计

方法一：

方法二：

4、实际问题

下面我们使用极大似然估计来解决一个数学问题：
若随机变量x服从一个数学期望为μ、方差为σ2的正态分布，记为𝑁(μ,σ2)，假设μ=30，σ=2

一些代码实现：

4.1 引入相关的库

import numpy as np #numpy矩阵运算的库
from scipy.stats import norm  #norm表示服从（0，1）的正态分布
import matplotlib.pyplot as plt #一些绘画的库

4.2 定义数学期望、方差和x，并使x服从正态分布

μ = 30  # 数学期望
σ = 2  # 方差
x = μ + σ * np.random.randn(10000)  # 正态分布

4.3 我们可以用norm.fit(x)来求出极大似然估计

plt.hist(x, bins=100)  # 直方图显示
plt.show()
print(norm.fit(x))  # 返回极大似然估计，估计出参数约为30和2