5.極大似然估計
Fisher的極大似然思想: 隨機試驗有多個可能結果, 但在一次實驗中, 有且只有一個結果會出現. 如果在某次實驗中, 結果ω出現了, 則認爲該結果(事件{ω})發生的概率P{ω}最大.
假設總體X是離散隨機變量, 其分佈律爲:
P{X=ak}=pk(θ)(k=1,2,...)
其中θ(θ∈Θ)是未知參數.
X1,X2,...,Xn是來自總體X的樣本, x1,x2,...,xn是樣本的觀測值. 即事件{X1=x1,X2=x2,...,Xn=xn}發生了.
由Fisher的極大似然思想可以得到, 概率:P{X1=x1,X2=x2,...,Xn=xn}最大.
P{X1=x1,X2=x2,...,Xn=xn}=P{X1=x1}P{X2=x2}⋯P{Xn=xn}=P{X=x1}P{X=x2}⋯P{X=xn}=L(θ)
5.1 似然函數定義
定義1:
設X1,X2,...,Xn是來自總體X的樣本, x1,x2,...,xn是樣本的觀測值.
- 若X是離散型總體, 其分佈律爲:
P{X=ak}=pk(θ)(k=1,2,...)
令L(θ)=L(θ;x1,x2,...,xn)=∏i=1nP{Xi=xi},θ∈Θ
- 若X是連續型總體, 其密度爲f(x;θ).
令L(θ)=L(θ;x1,x2,...,xn)=∏i=1nf(xi;θ),θ∈Θ
稱L(θ)爲似然函數
例子1: 設X1,X2,...,Xn是來自總體X∼B(1,p)的樣本, x1,x2,...,xn是樣本的觀測值. p是未知參數. 試寫出似然函數.
解:P{X=x}=px(1−p)1−x其中x∈{0,1}
L(p)=i=1∏nP{Xi=xi}=i=1∏npxi(1−p)1−xi=pnxˉ(1−p)n(1−xˉ)
例子2: 設X1,X2,...,Xn是來自總體X∼N(μ,σ2)的樣本, x1,x2,...,xn是樣本的觀測值. μ,σ2是未知參數. 試寫出似然函數.
**解:**正態分佈的密度函數f(x)=2πσ1e−2σ2(x−μ)2
則似然函數可以寫爲:
L(μ,σ2)=i=1∏nf(xi)=i=1∏n2πσ1e−2σ2(xi−μ)2=(2π1)n(σ2)−2ne−2σ21∑i=1n(xi−μ)2
5.2 極大似然估計定義
定義2
設X1,X2,...,Xn是來自總體X的樣本, x1,x2,...,xn是樣本的觀測值. L(θ)(θ∈Θ)是似然函數. 若存在統計量θ^=θ^(x1,x2,⋯,xn)使得:
L(θ^)=θ∈ΘsupL(θ)
則稱θ^=θ^(X1,X2,⋯,Xn)爲θ的極大似然估計量, 簡記爲MLE(Maximum Likehood Estimate)
5.3 極大似然估計求解的一般過程
- 根據總體分佈的表達式, 寫出似然函數:
L(θ1,θ2,⋯,θm)(θ=(θ1,θ2,⋯,θm)∈Θ)
- 因爲L(θ1,θ2,⋯,θm)與lnL(θ1,θ2,⋯,θm)有相同的極值點, 稱lnL(θ1,θ2,⋯,θm)爲對數似然函數, 記爲l(θ1,θ2,⋯,θm). 求出l(θ1,θ2,⋯,θm)
- 求出l(θ1,θ2,⋯,θm)的極大值點θ^1,θ^2,⋯,θ^n, 即爲θ1,θ2,⋯,θm的MLE
說明:
若l(θ1,θ2,⋯,θm)關於θi(i=1,2,⋯,m)可導, 則稱:
⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧∂θi∂l(θ1,θ2,⋯,θm)=0∂θi∂l(θ1,θ2,⋯,θm)=0⋮∂θi∂l(θ1,θ2,⋯,θm)=0
爲對數似然方程組.
例子3: 設X1,X2,...,Xn是來自總體X∼B(1,p)的樣本, x1,x2,...,xn是樣本的觀測值. p是未知參數. 試寫出極大似然估計.
解:P{X=x}=px(1−p)1−x其中x∈{0,1}
L(p)=i=1∏nP{Xi=xi}=i=1∏npxi(1−p)1−xi=pnxˉ(1−p)n(1−xˉ)
則對數似然函數爲:
l(p)=lnL(p)=nxˉlnp+n(1−xˉ)ln(1−p)
對l(p)求導:
dpdl(p)=nxˉp1−n(1−xˉ)1−p1=0⇒nxˉ(1−p)−n(1−xˉ)p=0⇒nxˉ−np=0⇒p^=xˉ
例子4: 設X1,X2,...,Xn是來自總體X∼N(μ,σ2)的樣本, x1,x2,...,xn是樣本的觀測值. μ,σ2是未知參數. 試寫出似然函數.
**解:**正態分佈的密度函數f(x)=2πσ1e−2σ2(x−μ)2
則似然函數可以寫爲:
L(μ,σ2)=i=1∏nf(xi)=i=1∏n2πσ1e−2σ2(xi−μ)2=(2π1)n(σ2)−2ne−2σ21∑i=1n(xi−μ)2
則對數似然函數爲:
l(μ,σ2)=−2nln2π−2nlnσ2−2σ21i=1∑n(xi−μ)2
求導可得:
∂μ∂l∂σ2∂l=σ21i=1∑n(xi−μ)=0=−2σ2n+2σ41i=1∑n(xi−μ)2=0⇒μ^=n1i=1∑nxi=xˉ⇒σ^2=n1i=1∑n(xi−xˉ)2
5.4 極大似然估計的不變性
定理: 設θ^是θ的極大似然估計, u=u(θ)是函數θ的函數, 且有單值反函數:
θ=θ(u)
則u(θ^)是u的極大似然估計
例子5: 假設袋中有黑球和白球, 其中白球所佔比例爲p(0<p<1)未知. 每次有放回的從袋中隨機摸取一個求出來觀測其顏色後放回, 共摸了m個球, 其中白球的個數記爲X. 共重複了n次這樣的試驗, 得到樣本觀察值爲x1,x2,⋯,xn, 試求:
- p的極大似然估計
- 袋中白球和黑球之比R的極大似然估計
解:
(1) 總體的分佈爲:X∼B(m,p)
所以似然函數爲:
L(p)l(p)=i=1∏nP{Xi=xi}=i=1∏n(mxi)pxi(1−p)m−xi=pnxˉ(1−p)n(m−xˉ)i=1∏n(mxi)=lnL(p)=nxˉlnp+n(m−xˉ)(1−p)+lni=1∏n(mxi)
對於l(p)求導, 可得到對數似然方程:
dpdl(p)=pnxˉ−1−pn(m−xˉ)=0⇒p^=mxˉ
(2) 由極大似然估計的不變性可得:
R=1−pp
則:
R=1−p^p^=m−xˉxˉ
問題: 矩估計是否有不變性?