问题描述
我想创建一个函数,该函数将返回由最大似然函数计算的估计量。我做的功能如下:
def Maximum_Likelihood(param,pmf):
i = symbols('i',positive=True)
n = symbols('n',positive=True)
Likelihood_function = Product(pmf,(i,1,n))
# calculate partial derivative for parameter (p for Bernoulli)
deriv = diff(Likelihood_function,param)
equation_to_solve = Eq(deriv,0) # equate with 0
# solve above equation and return parameter (p for Bernoulli)
return solve(equation_to_solve,param)
Param 表示我想知道估计量的参数,pmf 是概率质量函数。
例如,我想获得伯努利分布中参数 p 的估计量。 最大似然应该是什么样子:
我的代码。 进口:
import numpy as np
import sympy as sym
from sympy.solvers import solve
from sympy import Product,Function,oo,IndexedBase,diff,Eq,symbols
现在,我使用 Sympy 定义了它:
def Maximum_Likelihood(param,n))
deriv = diff(Likelihood_function,0)
return solve(equation_to_solve,param)
和伯努利示例:
x = IndexedBase('x')
i = symbols('i',positive=True)
n = symbols('n',positive=True)
formula = (P**x[i])*((1-p)**(1-x[i]))
Likelihood_function = Product(formula,n))
Likelihood_function
当我想得到 Maximum_Likelihood(param,pmf) 的结果时:
param = p
pmf = formula
print(Maximum_Likelihood(param,pmf))
我得到“[]”。 我想获得 p 的估计量,应该如下所示:
能否请您看一下并建议我做错了什么。谢谢!
解决方法
由于某种原因,产品的差异实际上并不评估导数,但您可以使用 doit
强制评估:
In [14]: solve(Eq(diff(Product(p**x[i]*(1 - p)**(1 - x[i]),(i,1,n)),p),0).doit(),p)
Out[14]:
⎡ n ⎤
⎢ ___ ⎥
⎢ ╲ ⎥
⎢ ╲ ⎥
⎢ ╱ x[i]⎥
⎢ ╱ ⎥
⎢ ‾‾‾ ⎥
⎢i = 1 ⎥
⎢──────────⎥
⎣ n ⎦
也就是说,p
的 MLE 估计值只是我猜测的数据的样本均值。