最大似然估计概述.docVIP

最大似然估计概述 　　 最大似然估计 是一种统计方法 ，它用来求一个样本集的相关概率密度函数的参数。这个方法最早是遗传学家以及统计学家罗纳德·费雪 爵士在1912年至1922年间开始使用的。 　　“似然”是对likelihood 的一种较为贴近文言文的翻译，“似然”用现代的中文来说即“可能性”。故而，若称之为“最大可能性估计”则更加通俗易懂。 　　最大似然法明确地使用概率模型，其目标是寻找能够以较高概率产生观察数据的系统发生树。最大似然法是一类完全基于统计 的系统发生树重建方法的代表。该方法在每组序列比对中考虑了每个核苷酸替换的概率。 最大似然法是要解决这样一个问题：给定一组数据和一个参数待定的模型，如何确定模型的参数，使得这个确定参数后的模型在所有模型中产生已知数据的概率最大。通俗一点讲，就是在什么情况下最有可能发生已知的事件。举个例子，假如有一个罐子，里面有黑白两种颜色的球，数目多少不知，两种颜色的比例也不知。我们想知道罐中白球和黑球的比例，但我们不能把罐中的球全部拿出来数。现在我们可以每次任意从已经摇匀的罐中拿一个球出来，记录球的颜色，然后把拿出来的球再放回罐中。这个过程可以重复，我们可以用记录的球的颜色来估计罐中黑白球的比例。假如在前面的一百次重复记录中，有七十次是白球，请问罐中白球所占的比例最有可能是多少？ 我想很多人立马有答案：70%。这个答案是正确的。可是为什么呢？（常识嘛！这还要问？！）其实，在很多常识的背后，都有相应的理论支持。在上面的问题中，就有最大似然法的支持 　　例如，转换出现的概率大约是颠换的三倍。在一个三条序列的比对中，如果发现其中有一列为一个C，一个T和一个G，我们有理由认为，C和 T所在的序列之间的关系很有可能更接近。由于被研究序列的共同祖先序列是未知的，概率的计算变得复杂；又由于可能在一个位点或多个位点发生多次替换，并且不是所有的位点都是相互独立，概率计算的复杂度进一步加大。尽管如此，还是能用客观标准来计算每个位点的概率，计算表示序列关系的每棵可能的树的概率。然后，根据定义，概率总和最大的那棵树最有可能是反映真实情况的系统发生树。 最大似然估计的原理 　　给定一个概率分布D ，假定其概率密度函数（连续分布）或概率聚集函数（离散分布）为f D ，以及一个分布参数θ ，我们可以从这个分布中抽出一个具有n 个值的采样 ，通过利用f D ，我们就能计算出其概率： 　　但是，我们可能不知道θ 的值，尽管我们知道这些采样数据来自于分布D 。那么我们如何才能估计出θ 呢？一个自然的想法是从这个分布中抽出一个具有n 个值的采样X 1 ,X 2 ,...,X n ，然后用这些采样数据来估计θ . 　　一旦我们获得 ，我们就能从中找到一个关于θ 的估计。最大似然估计会寻找关于 θ 的最可能的值（即，在所有可能的θ 取值中，寻找一个值使这个采样的“可能性”最大化）。这种方法正好同一些其他的估计方法不同，如θ 的非偏估计，非偏估计未必会输出一个最可能的值，而是会输出一个既不高估也不低估 的θ 值。 　　要在数学上实现最大似然估计法 ，我们首先要定义可能性 : 　　并且在θ 的所有取值上，使这个[[函数最大化。这个使可能性最大的值即被称为θ 的最大似然估计 。 注意 这里的可能性是指不变时，关于θ 的一个函数。 最大似然估计函数不一定是惟一的，甚至不一定存在。 最大似然估计的例子 离散分布，离散有限参数空间 　　考虑一个抛硬币 的例子。假设这个硬币正面跟反面轻重不同。我们把这个硬币抛80次（即，我们获取一个采样 并把正面的次数记下来，正面记为H，反面记为T）。并把抛出一个正面的概率记为p ，抛出一个反面的概率记为1 ? p （因此，这里的p 即相当于上边的θ ）。假设我们抛出了49个正面，31 个反面，即49次H，31次T。假设这个硬币是我们从一个装了三个硬币的盒子里头取出的。这三个硬币抛出正面的概率分别为p = 1 / 3 , p = 1 / 2 , p = 2 / 3 . 这些硬币没有标记，所以我们无法知道哪个是哪个。使用最大似然估计 ，通过这些试验数据（即采样数据），我们可以计算出哪个硬币的可能性最大。这个可能性函数取以下三个值中的一个： 　　我们可以看到当时，可能性函数取得最大值。这就是p 的最大似然估计 . 离散分布，连续参数空间 　　现在假设例子1中的盒子中有无数个硬币，对于 中的任何一个p ， 都有一个抛出正面概率为p 的硬币对应，我们来求其可能性函数的最大值： 　　其中 . 我们可以使用微分法来求最值。方程两边同时对p 取微分，并使其为零。 　　在不同比例参数值下一个二项式过程的可能性曲线 t = 3