正态分布的极大似然估计一个示例,详细展开的方程求解步骤

此示例是 什么是极大似然估计 中的一个例子,本文的目的是给出更加详细的方程求解步骤,便于数学基础不好的同学理解。

目标

假设我们有一组样本数据 x 1 , x 2 , ... , x n x_1, x_2, \dots, x_n x1,x2,...,xn,它们来自一个正态分布 N ( μ , σ 2 ) N(\mu, \sigma^2) N(μ,σ2),我们的目标是通过极大似然估计(MLE)来找到正态分布的两个参数 μ \mu μ 和 σ 2 \sigma^2 σ2。

对数似然函数

正态分布的概率密度函数为:
f ( x i ∣ μ , σ 2 ) = 1 2 π σ 2 exp ⁡ ( − ( x i − μ ) 2 2 σ 2 ) f(x_i | \mu, \sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp \left( -\frac{(x_i - \mu)^2}{2\sigma^2} \right) f(xi∣μ,σ2)=2πσ2 1exp(−2σ2(xi−μ)2)

给定样本 x 1 , x 2 , ... , x n x_1, x_2, \dots, x_n x1,x2,...,xn,样本的似然函数为:
L ( μ , σ 2 ) = ∏ i = 1 n 1 2 π σ 2 exp ⁡ ( − ( x i − μ ) 2 2 σ 2 ) L(\mu, \sigma^2) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}} \exp \left( -\frac{(x_i - \mu)^2}{2\sigma^2} \right) L(μ,σ2)=i=1∏n2πσ2 1exp(−2σ2(xi−μ)2)

对似然函数取对数,得到对数似然函数:
ℓ ( μ , σ 2 ) = log ⁡ L ( μ , σ 2 ) = ∑ i = 1 n log ⁡ ( 1 2 π σ 2 exp ⁡ ( − ( x i − μ ) 2 2 σ 2 ) ) \ell(\mu, \sigma^2) = \log L(\mu, \sigma^2) = \sum_{i=1}^n \log \left( \frac{1}{\sqrt{2\pi\sigma^2}} \exp \left( -\frac{(x_i - \mu)^2}{2\sigma^2} \right) \right) ℓ(μ,σ2)=logL(μ,σ2)=i=1∑nlog(2πσ2 1exp(−2σ2(xi−μ)2))

我们可以将对数似然函数分解为三部分:
ℓ ( μ , σ 2 ) = − n 2 log ⁡ ( 2 π ) − n 2 log ⁡ ( σ 2 ) − 1 2 σ 2 ∑ i = 1 n ( x i − μ ) 2 \ell(\mu, \sigma^2) = -\frac{n}{2} \log(2\pi) - \frac{n}{2} \log(\sigma^2) - \frac{1}{2\sigma^2} \sum_{i=1}^n (x_i - \mu)^2 ℓ(μ,σ2)=−2nlog(2π)−2nlog(σ2)−2σ21i=1∑n(xi−μ)2

现在我们分别对 μ \mu μ 和 σ 2 \sigma^2 σ2 求导。


一、对 μ \mu μ 求导

首先,对 μ \mu μ 求导,方程中的 μ \mu μ 仅出现在最后一项 ∑ i = 1 n ( x i − μ ) 2 \sum_{i=1}^n (x_i - \mu)^2 ∑i=1n(xi−μ)2 中,因此我们只对这一项求导:
ℓ ( μ , σ 2 ) = − 1 2 σ 2 ∑ i = 1 n ( x i − μ ) 2 \ell(\mu, \sigma^2) = -\frac{1}{2\sigma^2} \sum_{i=1}^n (x_i - \mu)^2 ℓ(μ,σ2)=−2σ21i=1∑n(xi−μ)2

对 μ \mu μ 求导:
∂ ℓ ∂ μ = − 1 2 σ 2 ⋅ 2 ∑ i = 1 n ( x i − μ ) ( − 1 ) \frac{\partial \ell}{\partial \mu} = -\frac{1}{2\sigma^2} \cdot 2 \sum_{i=1}^n (x_i - \mu) (-1) ∂μ∂ℓ=−2σ21⋅2i=1∑n(xi−μ)(−1)

简化后为:
∂ ℓ ∂ μ = 1 σ 2 ∑ i = 1 n ( x i − μ ) \frac{\partial \ell}{\partial \mu} = \frac{1}{\sigma^2} \sum_{i=1}^n (x_i - \mu) ∂μ∂ℓ=σ21i=1∑n(xi−μ)

将这个导数设为 0,来找到 μ \mu μ 的极大似然估计:
1 σ 2 ∑ i = 1 n ( x i − μ ) = 0 \frac{1}{\sigma^2} \sum_{i=1}^n (x_i - \mu) = 0 σ21i=1∑n(xi−μ)=0

因为 σ 2 ≠ 0 \sigma^2 \neq 0 σ2=0,我们可以省略 1 σ 2 \frac{1}{\sigma^2} σ21,得到:
∑ i = 1 n ( x i − μ ) = 0 \sum_{i=1}^n (x_i - \mu) = 0 i=1∑n(xi−μ)=0

简化为:
n μ = ∑ i = 1 n x i n\mu = \sum_{i=1}^n x_i nμ=i=1∑nxi

因此, μ \mu μ 的极大似然估计为:
μ ^ = 1 n ∑ i = 1 n x i \hat{\mu} = \frac{1}{n} \sum_{i=1}^n x_i μ^=n1i=1∑nxi

这意味着,样本的均值是 μ \mu μ 的极大似然估计。


二、对 σ 2 \sigma^2 σ2 求导

接下来我们对 σ 2 \sigma^2 σ2 求导。对数似然函数中关于 σ 2 \sigma^2 σ2 的部分是:
ℓ ( μ , σ 2 ) = − n 2 log ⁡ ( 2 π ) − n 2 log ⁡ ( σ 2 ) − 1 2 σ 2 ∑ i = 1 n ( x i − μ ) 2 \ell(\mu, \sigma^2) = -\frac{n}{2} \log(2\pi) - \frac{n}{2} \log(\sigma^2) - \frac{1}{2\sigma^2} \sum_{i=1}^n (x_i - \mu)^2 ℓ(μ,σ2)=−2nlog(2π)−2nlog(σ2)−2σ21i=1∑n(xi−μ)2

我们对 σ 2 \sigma^2 σ2 求导,逐项进行求导:

  1. 第一项 − n 2 log ⁡ ( 2 π ) -\frac{n}{2} \log(2\pi) −2nlog(2π) 是常数,对 σ 2 \sigma^2 σ2 求导为 0。

  2. 第二项 − n 2 log ⁡ ( σ 2 ) -\frac{n}{2} \log(\sigma^2) −2nlog(σ2):

    使用对数函数的求导公式 d d σ 2 ( log ⁡ σ 2 ) = 1 σ 2 \frac{d}{d\sigma^2} (\log \sigma^2) = \frac{1}{\sigma^2} dσ2d(logσ2)=σ21,我们有:
    ∂ ∂ σ 2 ( − n 2 log ⁡ ( σ 2 ) ) = − n 2 σ 2 \frac{\partial}{\partial \sigma^2} \left( -\frac{n}{2} \log(\sigma^2) \right) = -\frac{n}{2\sigma^2} ∂σ2∂(−2nlog(σ2))=−2σ2n

  3. 第三项 − 1 2 σ 2 ∑ i = 1 n ( x i − μ ) 2 -\frac{1}{2\sigma^2} \sum_{i=1}^n (x_i - \mu)^2 −2σ21∑i=1n(xi−μ)2:

    使用 d d σ 2 ( 1 σ 2 ) = − 1 σ 4 \frac{d}{d\sigma^2} \left( \frac{1}{\sigma^2} \right) = -\frac{1}{\sigma^4} dσ2d(σ21)=−σ41,我们得到:
    ∂ ∂ σ 2 ( − 1 2 σ 2 ∑ i = 1 n ( x i − μ ) 2 ) = 1 2 σ 4 ∑ i = 1 n ( x i − μ ) 2 \frac{\partial}{\partial \sigma^2} \left( - \frac{1}{2\sigma^2} \sum_{i=1}^n (x_i - \mu)^2 \right) = \frac{1}{2\sigma^4} \sum_{i=1}^n (x_i - \mu)^2 ∂σ2∂(−2σ21i=1∑n(xi−μ)2)=2σ41i=1∑n(xi−μ)2

将各项导数结果组合

我们将对数似然函数中所有关于 σ 2 \sigma^2 σ2 的项求导结果组合起来:
∂ ℓ ∂ σ 2 = − n 2 σ 2 + 1 2 σ 4 ∑ i = 1 n ( x i − μ ) 2 \frac{\partial \ell}{\partial \sigma^2} = -\frac{n}{2\sigma^2} + \frac{1}{2\sigma^4} \sum_{i=1}^n (x_i - \mu)^2 ∂σ2∂ℓ=−2σ2n+2σ41i=1∑n(xi−μ)2

设置导数为 0,解出 σ 2 \sigma^2 σ2

为了找到 σ 2 \sigma^2 σ2 的极大似然估计,我们将导数设为 0:
− n 2 σ 2 + 1 2 σ 4 ∑ i = 1 n ( x i − μ ) 2 = 0 -\frac{n}{2\sigma^2} + \frac{1}{2\sigma^4} \sum_{i=1}^n (x_i - \mu)^2 = 0 −2σ2n+2σ41i=1∑n(xi−μ)2=0

1. 消去常数 1 2 \frac{1}{2} 21

为了简化方程,两边同时乘以 2 消去常数:
− n σ 2 + 1 σ 4 ∑ i = 1 n ( x i − μ ) 2 = 0 -\frac{n}{\sigma^2} + \frac{1}{\sigma^4} \sum_{i=1}^n (x_i - \mu)^2 = 0 −σ2n+σ41i=1∑n(xi−μ)2=0

2. 将 n σ 2 \frac{n}{\sigma^2} σ2n 移到右边

将方程重排:
1 σ 4 ∑ i = 1 n ( x i − μ ) 2 = n σ 2 \frac{1}{\sigma^4} \sum_{i=1}^n (x_i - \mu)^2 = \frac{n}{\sigma^2} σ41i=1∑n(xi−μ)2=σ2n

3. 乘以 σ 4 \sigma^4 σ4

为了消去 σ 4 \sigma^4 σ4,我们将方程两边乘以 σ 4 \sigma^4 σ4:
∑ i = 1 n ( x i − μ ) 2 = n σ 2 \sum_{i=1}^n (x_i - \mu)^2 = n \sigma^2 i=1∑n(xi−μ)2=nσ2

4. 解出 σ 2 \sigma^2 σ2

将 σ 2 \sigma^2 σ2 留在一边,解出:
σ 2 = 1 n ∑ i = 1 n ( x i − μ ) 2 \sigma^2 = \frac{1}{n} \sum_{i=1}^n (x_i - \mu)^2 σ2=n1i=1∑n(xi−μ)2

这个结果就是 σ 2 \sigma^2 σ2 的极大似然估计,即样本方差公式。


总结

我们通过对正态分布的对数似然函数分别对 μ \mu μ 和 σ 2 \sigma^2 σ2 求导,得到以下结论:

  1. 均值 μ \mu μ 的极大似然估计
    μ ^ = 1 n ∑ i = 1 n x i \hat{\mu} = \frac{1}{n} \sum_{i=1}^n x_i μ^=n1i=1∑nxi

    即样本的均值是 μ \mu μ 的极大似然估计。

  2. 方差 σ 2 \sigma^2 σ2 的极大似然估计
    σ ^ 2 = 1 n ∑ i = 1 n ( x i − μ ^ ) 2 \hat{\sigma}^2 = \frac{1}{n} \sum_{i=1}^n (x_i - \hat{\mu})^2 σ^2=n1i=1∑n(xi−μ^)2

    即样本方差是 σ 2 \sigma^2 σ2 的极大似然估计。

相关推荐
计算机科研狗@OUC8 分钟前
【TMM2024】Frequency-Guided Spatial Adaptation for Camouflaged Object Detection
人工智能·深度学习·目标检测·计算机视觉
悟兰因w15 分钟前
论文阅读(三十五):Boundary-guided network for camouflaged object detection
论文阅读·人工智能·目标检测
大山同学17 分钟前
多机器人图优化:2024ICARA开源
人工智能·语言模型·机器人·去中心化·slam·感知定位
Topstip24 分钟前
Gemini 对话机器人加入开源盲水印技术来检测 AI 生成的内容
人工智能·ai·机器人
Bearnaise27 分钟前
PointMamba: A Simple State Space Model for Point Cloud Analysis——点云论文阅读(10)
论文阅读·笔记·python·深度学习·机器学习·计算机视觉·3d
小嗷犬40 分钟前
【论文笔记】VCoder: Versatile Vision Encoders for Multimodal Large Language Models
论文阅读·人工智能·语言模型·大模型·多模态
Struart_R1 小时前
LVSM: A LARGE VIEW SYNTHESIS MODEL WITH MINIMAL 3D INDUCTIVE BIAS 论文解读
人工智能·3d·transformer·三维重建
lucy153027510791 小时前
【青牛科技】GC5931:工业风扇驱动芯片的卓越替代者
人工智能·科技·单片机·嵌入式硬件·算法·机器学习
幻风_huanfeng1 小时前
线性代数中的核心数学知识
人工智能·机器学习
volcanical1 小时前
LangGPT结构化提示词编写实践
人工智能