似然函数与条件概率函数例子
L(
heta vert x) = P(x ;
heta)
其中L(
heta vert x)是似然函数，描述的对象是参数
heta 。对于任意的参数
heta 来讲，都有一定的可能性取得样本 x, 似然函数就是用来衡量一个参数取得给定的联合样本 x 的可能性。整个函数的意义是给定的联合样本x下，参数
heta是真实值 (相对于其他的
heta' )的可能性。
而 P(x ;
heta) 值得是在给定的参数
heta 下，随机变量 X=x 的可能性，是一个关于随机变量 X 的函数。
二者的相等仅仅是数值意义上面的相等。
因此可以推知，最大似然估计的过程是找到一个参数
heta 使得似然函数的值最大。直观的解释就是，找到一个参数估计 hat{
heta} 使得采样得到给定的联合样本的可能性最大，那么我们就认为 hat{
heta} 是采样的时候的真实参数
heta 的最佳估计。
似然函数和条件概率函数的例子如下：
似然函数：假设我们有一组数据点(x_1, y_1), (x_2, y_2), ..., (x_n, y_n)，并且我们有一个线性回归模型y = ax + b。那么似然函数就是L(a, b; x_1, y_1; x_2, y_2; ..., x_n, y_n) = P(y_1|a, b, x_1)P(y_2|a, b, x_2)...P(y_n|a, b, x_n) = exp{-[(y_1-ax_1-b)^2/2sigma^2]+...+(y_n-ax_n-b)^2/2sigma^2}。
条件概率函数：假设我们有两个盒子，第一个盒子有3个红球和1个白球，第二个盒子有2个红球和2个白球。现在我们要从第一个盒子中取一个球，再从第二个盒子中取一个球，求取到的两个球都是红球的概率。在这个问题中，P(都是红球) = P(第一个盒子取到红球|第一个盒子取到球) * P(第二个盒子取到红球|第二个盒子取到球) * P(第一个盒子取到球) * P(第二个盒子取到球)。
似然函数和条件概率函数是统计学中重要的概念。似然函数用于估计模型参数，它衡量了给定观测数据下模型参数的可能性。例如，对于服从正态分布的数据，似然函数可以用来估计均值和方差。而条件概率函数则描述了在给定某些条件下事件发生的概率。
例如，条件概率函数可以用来计算在已知某人患病的情况下，他们的某项检测结果为阳性的概率。这些概念在统计建模和机器学习中都有广泛应用。
