【信号处理】最大似然估计量与最大似然估计值-CSDN博客

本文链接：https://blog.csdn.net/tutunotu/article/details/149252583

似然估计

最大似然估计学习
最大似然估计量与最大似然估计值

前言：我是一名电子信息研0学生，未来研究方向是通感一体化，在学习克拉美-罗下界CRLB时，学习顺序是回顾了无偏估计与最大似然估计，然后再学习CRLB，最后结合论文去理解复数域的CRLB。上篇主要介绍了无偏估计，这篇主要介绍对最大似然估计的学习。

【信号处理】无偏估计-CSDN博客

最大似然估计学习

参数估计(二).最大似然估计 - 知乎

我主要是学习了这篇知乎，里面对似然估计的讲解非常浅显易懂，有对概率函数与似然函数的对比讲解，还有相关例子辅助理解，我也对其中的相关内容进行了推导和整理，笔记如下：
在这里插入图片描述
而针对文中它的小写表示和大写表示产生了疑惑，因此整理对最大似然估计量与最大似然估计值的相关学习笔记，其实本质就是概率论里的估计值和估计量相关内容。

最大似然估计量与最大似然估计值

核心定义

最大似然估计量 (Maximum Likelihood Estimator - $\hat{p}$ ):
- 这是题目中最后一步给出的 $\hat{p} = \bar{X} = \frac{1}{n} \sum_{i=1}^{n} X_i$ 。
- 它是什么？ 它是一个数学表达式，一个样本的函数。它将样本的取值 $X_1, X_2, ..., X_n)$ 映射到一个估计值。
- 关键特性：
  - 公式/规则: 它代表了推导出的求解参数 $p$ 的通用规则或公式。
  - 随机性: 因为样本 $X_1, X_2, ..., X_n$ 本身是随机变量，所以这个估计量 $\hat{p} = \bar{X}$ 也是一个随机变量。
最大似然估计值 (Maximum Likelihood Estimate - $\hat{p}$ ):
- 这是题目中最后一步给出的 $\hat{p} = \bar{x} = \frac{1}{n} \sum_{i=1}^{n} x_i$ 。
- 它是什么？ 它是将具体观测数据 $x_1, x_2, ..., x_n)$ 代入估计量公式后得到的具体数值。
- 关键特性：
  - 具体数值: 它是一个确定的、非随机的数字。
  - 数据依赖性: 它完全依赖于实际观察到的数据 $x_1, ..., x_n)$ 。

区别

特征	最大似然估计量 ( $\hat{p} = \bar{X}$ )	最大似然估计值 ( $\hat{p} = \bar{x}$ )
本质	统计量 - 样本 $X_i$ 的函数	数值 - 具体计算结果
随机性	随机变量	常数
表示符号	大写字母 ( $X$ ) - $\hat{p} = \frac{1}{n} \sum X_i$	小写字母 ( $x$ ) - $\hat{p} = \frac{1}{n} \sum x_i$
描述对象	估计的规则	估计的结果

联系

估计值是估计量的具体实现:
$\text{估计值} = \text{估计量}(x_1, ..., x_n)$
共同的数学形式:
$\hat{p} = \frac{1}{n}\sum X_i \quad \text{vs} \quad \hat{p} = \frac{1}{n}\sum x_i$