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