极大似然估计学习总结

本文介绍了参数估计的基本概念,包括点估计和区间估计,重点讲解了极大似然估计法的基本思想及其在离散型和连续型随机变量中的应用。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

参数估计

在实际应用中,一个总体X的分布函数往往含有未知参数或未知参数向量 Θ ,从而可记为总体分布函数为F(x,Θ)。比如XP(λ),其中Θ=λ>0是未知参数,又如XN(μ,σ2),则Θ=(μ,σ2)是未知参数向量。解决实际问题时需要了解未知参数或未知参数向量 Θ,因此可以利用样本提供的信息,对 Θ有一个基本的估计。这就是参数估计问题。参数估计分为点估计和区间估计。极大似然估计属于点估计。

极大似然估计法

离散型

设总体X是离散型随机变量,分布律为P(X=x)=p(x,Θ),其中 Θ是未知参数。当样本X1X2...Xn时,由样本的独立同分布性,记样本取得这组数据观测值的概率为

P(X1=x1,X2=x2,...,Xn=xn)=P(X1=x1)P(X2=x2)...P(Xn=xn)=i=1np(xi,Θ)=L(Θ)

L(Θ)为似然函数。对于给定的观测值x1,x2,...,xn,它是未知参数 Θ的函数。

下面通过一个例子介绍极大似然估计法的思想和方法。
设一袋中装有黑、白两种球。设p是从袋中随机摸得一个白球的概率,现要估计p的取值。
根据问题,我们令总体X

X={1,0, if get white ball  if get black ball 

X服从0-1分布B(1,p),其中P(X=1)=p, P(X=0)=1-p.
为估计p,我们做有放回摸球10次,其结果可用随机变量表示如下:
Xi={1,0, if get white ball  if get black ball i=1,2,...,10.

X1,X2,...,X10是来自总体X的一个样本。若10次摸球的结果是样本观测值(x1,x2,...,x10)=(1,0,1,0,0,0,1,0,0,0),则其似然函数为
L(p)=P(X1=1,X2=0,X3=1,X4=0,X5=0,X6=0,X7=1,X8=0,X9=0,X10=0)=p3(1p)7

L(p)=p3(1p)7是在10次摸球中出现观测值(1,0,1,0,0,0,1,0,0,0)的概率。

极大似然估计法的思想

随机试验有若干个可能的结果,如果在一次试验中某一结果出现了,有小概率事件原理,我们便自然认为这一结果出现的概率较大,从而可以认为这一结果是所有结果中出现概率最大的一个。因此p应该这样估计,即选择p^,使得上述观测值出现的概率最大。也就是说使L(p^)L(p)的最大值。而求得L(p)的最大值点p^,可由方程

ddxL(p)=0

解得。本例解得p^=0.3时,L(0.3)=max{L(p)}。于是用p^=0.3作为随机取得一白球的概率的估计值是适当的。
因此,一般对离散型总体,极大似然估计值Θ^是满足
L(Θ^)=max{L(Θ)}

的解。

连续型

当总体X是连续型随机变量时,X的概率密度函数为f(x,Θ),其中 Θ是未知参数。若取得样本观测值(x1,x2,...,x10),则因为随机变量Xi落在点xi的邻域(设其长度为Δxi)内的概率近似于f(xi,Θ)Δxi,i=1,2,...,n,则样本(X1,X2,...,Xn)落在样本观测值(x1,x2,...,xn)邻近的概率近似为ni=1f(xi,Θ)Δxi。由前面例子的思想, Θ的估计值Θ^应选择使概率ni=1f(xi,Θ)Δxi达到最大值。但因为ΔxiΘ无关,故只要使ni=1f(xi,Θ)达到最大值即可。此时,记

L(Θ)=i=1nf(xi,Θ)

仍然称L(Θ)为似然函数。

极大似然估计值定义

设总体X仅含有一个未知参数Θ,并且总体的分布律或密度函数已知,x1,x2,...,xn为一组样本观测值。若存在 Θ的一个值Θ^(x1,x2,...,xn)=Θ^,使得

L(Θ^)=max{L(Θ)}

则称Θ^=Θ^(x1,x2,...,xn)Θ极大似然估计值。而统计量Θ^(X1,X2,...,Xn)称为 Θ极大似然估计量
由定义可知,极大似然估计值可由似然方程
ddΘL(Θ)=0
解得。但由于lnLLΘ的同一值处取得最大值,因而极大似然估计值也可以有对数方程
ddΘ(lnL(Θ))=0
解得。

注意
当总体X服从单峰分布时,若似然方程有解,则其解就是Θ的极大似然估计值。所谓单峰分布指其密度函数图像或其概率分布图只有一个峰。常见分布中除去均匀分布,都是单峰分布。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值