1.背景
最大似然估计是概率论中常常涉及到的一种统计方法。大体的思想是，在知道概率密度f的前提下，我们进行一次采样，就可以根据f来计算这个采样实现的可能性。当然最大似然可以有很多变化，这里实现一种简单的，实际项目需要的时候可以再更改。
博主是参照wiki来学习的，地址请点击我
这里实现的是特别简单的例子如下（摘自wiki的最大似然）
离散分布，离散有限参数空间[编辑]
考虑一个抛硬币的例子。假设这个硬币正面跟反面轻重不同。我们把这个硬币抛80次（即，我们获取一个采样
并把正面的次数记下来，正面记为H，反面记为T）。并把抛出一个正面的概率记为，抛出一个反面的概率记为（因此，这里的即相当于上边的）。假设我们抛出了49个正面，31个反面，即49次H，31次T。假设这个硬币是我们从一个装了三个硬币的盒子里头取出的。这三个硬币抛出正面的概率分别为, , .这些硬币没有标记，所以我们无法知道哪个是哪个。使用最大似然估计，通过这些试验数据（即采样数据），我们可以计算出哪个硬币的可能性最大。这个似然函数取以下三个值中的一个：
我们可以看到当时，似然函数取得最大值。这就是的最大似然估计。
2.实现部分
有一点要提的是，因为用到了阶乘，关于阶乘问题本来想到的方法是用递归来实现。但是google了一下发现其实python的reduce方法用起来更加方便，一句话就解决的。
def Factorial(x):
return reduce(lambda x,y:x*y,range(1,x+1))
完整工程：
'''
Created on 2014-8-22
@author: Garvin
Maximum Likelihood theory practic
This code is base on the http://zh.wikipedia.org/wiki/%E6%9C%80%E5%A4%A7%E4%BC%BC%E7%84%B6%E4%BC%B0%E8%AE%A1
'''
w=2.0/3
h=49
t=31
def DefineParam():
H=h
T=t
return H,T
def MaximumLikelihood(p=w):
H,T=DefineParam()
f1=Factorial(H+T)/(Factorial(H)*Factorial(T))
f2=(p**H)*((1.0-p)**T)
return f1*f2
def Factorial(x):
return reduce(lambda x,y:x*y,range(1,x+1))
实现效果，对应上面的例子，当H=49,T=31，是P=2/3概率的可能性
代码地址：请点击我
/********************************
* 本文来自博客 “李博Garvin“
* 转载请标明出处:http://blog.csdn.net/buptgshengod
******************************************/
