为了在统计过程中发现更多有趣的结果，我们将解决极大似然估计没有简单分析表达式的情况。举例来说，如果我们混合了各种分布，
作为说明，我们可以使用样例数据
> X=height
第一步是编写混合分布的对数似然函数
> logL=function(theta){+ p=theta[1]+ m1=theta[2]+ s1=theta[3]+ m2=theta[4]+ s2=theta[5]+ logL=-sum(log(p*dnorm(X,m1,s1)+(1-p)*dnorm(X,m2,s2)))+ return(logL)+ }
极大似然性的最简单函数如下（从一组初始参数开始，只是为了获得梯度下降的起点）
> optim(c(.5,160,1,180,1 ,logL > theta=opt$par)[1] 0.5987635 165.2547700 5.9410993 178.4856961 6.3547038
因为我们可以通过使用约束优化算法来做到“更好”，例如，概率一定在0到1之间。
为了可视化估计的密度，我们使用
> hist(X,col="light green probability=TRUE)> lines(density(X )
另一个解决方案是使用EM算法。我们将从参数的初始值开始，并比较属于每个类的机会
> p=p1/(p1+p2)
从属于每个类别的这些概率中，我们将估算两个正态分布的参数。使用极大似然
> m1=sum(p*X)/sum(p) + logL=-sum(log(p*dnorm(X,m1,s1)+(1-p)*dnorm(X,m2,s2)))+ return(logL)
这个想法实际上是有一个循环的：我们估计属于这些类的概率（考虑到正态分布的参数），一旦有了这些概率，就可以重新估计参数。然后我们再次开始
> for(s in 1:100){ + p=p1/(p1+p2) + s1=sqrt(sum(p*(X-m1)^2)/sum(p))+ s2=sqrt(sum((1-p)*(X-m2)^2)/sum(1-p)) + }
然后，我们恢复混合分布的“最佳”参数
> hist(X,col="light green",probability=TRUE)> lines(density(X))
这相对接近我们的估计。
最受欢迎的见解
