二项分布的最大似然估计值怎么求

更新日期：2026-09-14 01:09:53

标题

二项分布的最大似然估计值怎么求

内容

在统计学中，最大似然估计（Maximum Likelihood Estimation, MLE）是一种常用的参数估计方法。对于二项分布来说，其概率质量函数为：

P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}

其中，$ n $ 是试验次数，$ p $ 是每次试验成功的概率，$ k $ 是成功次数。

当给定一组观测数据后，我们可以通过最大似然估计法来估计参数 $ p $ 的值。

一、最大似然估计的基本思路

最大似然估计的核心思想是：找到使样本出现的概率最大的那个参数值。也就是说，我们希望找到一个 $ p $ 值，使得在该值下，观察到的样本数据出现的可能性最大。

二、二项分布的似然函数

设我们有 $ m $ 个独立的观测样本，每个样本都是从同一个二项分布中抽取的，即每个样本都有固定的试验次数 $ n $，但成功次数不同。假设这些成功次数分别为 $ x_1, x_2, ..., x_m $，那么似然函数为：

L(p) = \prod_{i=1}^{m} \binom{n}{x_i} p^{x_i} (1-p)^{n - x_i}

由于 $ \binom{n}{x_i} $ 与 $ p $ 无关，可以忽略，简化后的似然函数为：

L(p) \propto p^{\sum_{i=1}^{m} x_i} (1-p)^{m n - \sum_{i=1}^{m} x_i}

三、对数似然函数

为了便于计算，通常取对数似然函数：

\ln L(p) = \sum_{i=1}^{m} x_i \ln p + (m n - \sum_{i=1}^{m} x_i) \ln (1-p)

四、求导并解方程

对对数似然函数关于 $ p $ 求导，并令导数等于零：

\frac{d}{dp} \ln L(p) = \frac{\sum x_i}{p} - \frac{m n - \sum x_i}{1-p} = 0

解这个方程可得：

\frac{\sum x_i}{p} = \frac{m n - \sum x_i}{1-p}

交叉相乘得：

(1-p)\sum x_i = p(m n - \sum x_i)

展开并整理：

\sum x_i - p \sum x_i = p m n - p \sum x_i

两边消去 $ -p \sum x_i $，得到：

\sum x_i = p m n

最终解得：

p = \frac{\sum x_i}{m n}

五、总结

根据上述推导，我们可以得出二项分布中成功概率 $ p $ 的最大似然估计公式为：

\hat{p}_{MLE} = \frac{\text{所有样本的成功次数之和}}{\text{所有样本的试验次数之和}}

六、表格总结

七、示例说明

假设我们有 3 个样本，每个样本都进行了 10 次试验，成功次数分别为 4、6、7：

- 总成功次数：$ 4 + 6 + 7 = 17 $

- 总试验次数：$ 3 \times 10 = 30 $

则最大似然估计值为：

\hat{p}_{MLE} = \frac{17}{30} \approx 0.567

通过以上步骤，我们能够系统地理解如何求解二项分布的最大似然估计值。这一方法在实际应用中具有广泛的价值，尤其适用于频率统计和实验数据分析。

随便看