우도 함수가 pdf (확률 밀도 함수)가 아닌 이유는 무엇입니까?
우도 함수가 pdf (확률 밀도 함수)가 아닌 이유는 무엇입니까?
답변:
두 가지 정의로 시작하겠습니다.
확률 밀도 함수 (PDF)를 로 통합하는 음이 아닌 함수 .
가능성은 매개 변수의 함수로서 관측 된 데이터의 조인트 밀도로 정의됩니다. 그러나 아래 주석에서 @whuber가 만든 Lehmann에 대한 언급에서 알 수 있듯이 우도 함수는 데이터가 고정 상수로 유지되는 매개 변수의 함수입니다. 따라서 데이터의 함수로서 밀도라는 사실은 관련이 없습니다.
따라서 우도 함수는 모수에 대한 적분이 반드시 1과 같을 필요가 없기 때문에 pdf 가 아닙니다 (실제로 @whuber의 다른 주석에서 지적한 것처럼 전혀 적분되지 않을 수도 있음).
이를 확인하기 위해 간단한 예를 사용하겠습니다. 분포 에서 단일 관측 값 가 있다고 가정합니다 . 그런 다음 우도 함수는
이것은 사실이 . 특히 이면 이므로
때 유사한 계산이 적용됩니다 . 따라서 는 밀도 함수가 될 수 없습니다.
아마도 더 확률이 확률 밀도는 지적되어 있지 않으며 이유 도시이 기술 예보다 중요한 가능성이 없는 정확한되는 파라미터 값의 확률 같은 또는 아무것도 - 그것은 확률 (밀도)는 데이터를 매개 변수 value가 주어지면 완전히 다른 것입니다. 따라서 우도 함수가 확률 밀도처럼 행동하는 것을 기 대해서는 안됩니다.
그러나 우도 함수는 모수 주어지면 관측 된 데이터에 대한 결합 확률 밀도입니다 . 이와 같이 확률 밀도 함수를 형성하도록 정규화 될 수있다. 따라서 본질적으로 pdf와 같습니다.
필자는 통계학자는 아니지만 가능성 함수 자체는 매개 변수와 관련하여 PDF가 아니지만 Bayes Rule의 해당 PDF와 직접 관련이 있다는 것을 이해하고 있습니다. 우도 함수 P (X | theta)와 사후 분포 f (θX)는 밀접하게 연결되어 있습니다. 전혀 "완전히 다른 것"이 아닙니다.
우도는 . 여기서 f (x; θ)는 확률 질량 함수입니다 그런 다음 가능성은 항상 1보다 작지만 f (x; θ)가 확률 밀도 함수이면 밀도는 1보다 클 수 있으므로 가능성은 1보다 클 수 있습니다.
일반적으로 샘플은 iid로 처리됩니다.
원래 형태를 보자.
베이지안 추론에 따르면, , 즉 입니다. 최대 우도 추정치는 증거에 대한 증거의 비율을 상수 (이 질문의 답변 참조)로 취급하며 , 이는 이전의 신념을 생략합니다. 가능성은 추정 된 모수에 기초한 후부와 양의 상관 관계가 있습니다. 은 pdf 일 수 있지만 은 이 다루기 어려운 의 일부 이므로 은 아닙니다 .
예를 들어, 가우시안 분포의 평균 및 표준 분산을 모르고 해당 분포의 많은 표본을 사용하여 훈련하여 얻고 싶습니다. 먼저 평균 및 표준 분산을 무작위로 초기화하고 (가우스 분포를 정의 함) 한 표본을 취하여 추정 된 분포에 맞추고 추정 된 분포에서 확률을 얻을 수 있습니다. 그런 다음 샘플을 계속 넣고 많은 확률을 얻은 다음 이러한 확률을 곱하고 점수를 얻습니다. 이런 종류의 점수는 가능성입니다. 특정 PDF의 가능성은 거의 없습니다.