|
|
1번째 줄: |
1번째 줄: |
|
'''최대우도'''(maximum likelihood estimation, '''MLE''')는 어떤 확률변수에서 [[표집]]한 값들을 토대로 그 확률변수의 [[모수]]를 구하는 방법으로, 어떤 모수가 주어졌을 때 원하는 값들이 나올 확률([[우도 (수학)]])을 최대로 만드는 모수를 선택하는 방법이다. [[점추정]] 방식에 속한다. |
|
'''최대우도''' (maximum likelihood estimation, '''MLE''')는 어떤 확률변수에서 [[표집]]한 값들을 토대로 그 확률변수의 [[모수]]를 구하는 방법으로, 어떤 모수가 주어졌을 때 원하는 값들이 나올 확률 ([[우도 (수학)]])을 최대로 만드는 모수를 선택하는 방법이다. [[점추정]] 방식에 속한다. |
|
|
|
|
|
== 방법 == |
|
== 방법 == |
최대우도 (maximum likelihood estimation, MLE)는 어떤 확률변수에서 표집한 값들을 토대로 그 확률변수의 모수를 구하는 방법으로, 어떤 모수가 주어졌을 때 원하는 값들이 나올 확률 (우도 (수학))을 최대로 만드는 모수를 선택하는 방법이다. 점추정 방식에 속한다.
방법
어떤 모수 로 결정되는 확률변수들의 모임 이 있고, 의 확률 밀도 함수나 확률 질량 함수가 이고, 그 확률변수들에서 각각 값 을 얻었을 경우, 우도 는 다음과 같다.
여기에서 우도를 최대로 만드는 는
가 된다.
이때 이 모두 독립적이고 같은 확률분포를 가지고 있다면, 은 다음과 같이 표현이 가능하다.
또한, 로그함수는 단조 증가하므로, 에 로그를 씌운 값의 최대값은 원래 값 과 같고, 이 경우 계산이 비교적 간단해진다.
예제: 가우스 분포
평균 와 분산 의 값을 모르는 가우스 분포에서 의 값을 표집하였을 때, 이 값들을 이용하여 원래 분포의 평균과 분산을 추측한다. 이 경우 구해야 하는 모수는 이다. 가우스 분포의 확률밀도함수가
이고, 가 모두 독립이므로
양변에 로그를 띄우면
가 된다. 식의 값을 최대로 만드는 모수를 찾기 위해, 양변을 로 각각 편미분하여 0이 되는 값을 찾는다.
따라서 이 식을 0으로 만드는 값은 으로, 즉 표집한 값들의 평균이 된다. 마찬가지 방법으로 양변을 로 편미분하면
따라서 이 식을 0으로 만드는 값은 이 된다.