问题陈述
假设我们有一个随机样本X 1,X 2,...,X n,其假设概率分布取决于某个未知参数θ。我们的主要目标是找到一个点估计器u(X 1, X 2,..., X n),使得 u(x 1, x 2,..., x n)是一个“好”点估计 θ,其中 x 1, x 2,..., x n 是随机样本的观察值。举例来说,如果我们计划采取随机样本 X 1, X 2,..., X ñ 为其X 我假定均值是正态分布的μ和方差σ 2,那么我们的目标是要找到一个例如,使用 我们从特定随机样本中获得的数据 x 1, x 2,..., x n,对μ的良好估计 。
基本理念
对未知参数θ 的良好估计似乎是合理的, 即最大化概率的θ 值 ,错误......即获得我们观察到的数据的可能性。(那么,你看到“最大可能性”这个名字来自何处?)因此,简而言之,就是最大似然估计方法背后的想法。但是我们如何在实践中实施该方法?好吧,假设我们有一个随机样本 X 1, X 2,..., X n ,其中每个X i的概率密度(或质量)函数是f(x i; θ)。然后,X 1, X 2,..., X n的联合概率质量(或密度)函数 ,我们(不是任意)称之为L(θ):
L (θ )= P (X 1 = x 1,X 2 = x 2,... ,X n = x n)= f (x 1 ; θ )· f (x 2 ; θ )⋯ f (x n ; θ )= ñ Π我= 1个 ˚F (X 我; θ )L(θ)=P(X1=x1,X2=x2,…,Xn=xn)=f(x1;θ)⋅f(x2;θ)⋯f(xn;θ)=∏i=1nf(xi;θ)
第一个相等当然只是联合概率质量函数的定义。第二个相等来自于我们有一个随机样本的事实,这意味着 X i 是独立的。并且,最后的等式只使用索引术语的乘积的简写数学符号。现在,最大似然估计的基本思想的光,进行一个合理的方法是治疗的“ 似然函数 ” 大号(θ)的函数 θ,并找到价值 θ最大化它。
暂无数据