MATLAB中能否用mle函数最大化向量对数似然及相关实现疑问

我在工作中处理一个长度为L的向量，假设其服从正态分布，希望通过极大似然估计（MLE）最大化该向量的对数似然。目前我采用的实现代码如下：

x=[vector(1:L)];
pd = fitdist(x,'Normal');
z=log(normpdf(x,pd(1),pd(2)); %for finding log-likelihood

但我不确定上述代码是否实现了对数似然最大化，同时得到的标量z能否用于绘制目标信号。此外，我想确认是否可以使用MATLAB内置的'mle'函数完成该任务，以及是否存在其他实现方法。

一、你的代码有没有实现对数似然最大化？ #

• fitdist(x,'Normal')其实已经帮你完成了正态分布参数的极大似然估计——它内部会自动找到让对数似然最大的均值和标准差。
• 但你的代码只是计算了基于这些MLE参数的对数似然值，并没有显式执行“最大化”动作（最大化过程已经被fitdist封装完成）。另外代码存在语法错误：log(normpdf(...))末尾少了一个右括号，正确写法是z = log(normpdf(x, pd(1), pd(2)));
• 注意：这里计算出的z不是标量，是和x长度一致的向量，每个元素对应一个样本点的对数似然；如果要得到整个样本集的总对数似然，需要对z求和：total_log_likelihood = sum(z);

二、z能不能用来绘制目标信号？ #

• 如果z是每个样本的对数似然，它可以用来可视化每个点在MLE参数下的似然度，但它不是“目标信号”本身。如果要绘制拟合的正态分布曲线，需要用MLE得到的参数生成概率密度函数曲线：

  x_grid = linspace(min(x), max(x), 1000);
  pdf_fit = normpdf(x_grid, pd(1), pd(2));
  plot(x_grid, pdf_fit, 'r-', 'LineWidth', 2);
  hold on;
  histogram(x, 'Normalization', 'pdf'); % 和原始数据的归一化直方图对比
  hold off;
  

三、用MATLAB内置mle函数实现 #

当然可以用mle函数直接完成参数估计，它是更底层的MLE实现工具，用法如下：

[mu_hat, sigma_hat] = mle(x, 'Distribution', 'Normal');
% 计算总对数似然
total_log_likelihood = sum(log(normpdf(x, mu_hat, sigma_hat)));

• mle直接返回MLE估计的均值mu_hat和标准差sigma_hat，效果和fitdist完全一致，区别仅在于fitdist返回的是概率分布对象，mle直接返回参数值。

四、手动实现MLE（适合理解原理） #

如果想自己推导并实现最大化过程，可以利用正态分布MLE的解析解：
正态分布的对数似然函数为：
$$\mathcal{L}(\mu, \sigma) = -\frac{n}{2}\ln(2\pi) - n\ln(\sigma) - \frac{1}{2\sigma^2}\sum_{i=1}n (x_i - \mu)^2$$
对$\mu$和$\sigma$求导并令导数为0，可得到：

• 均值的MLE估计就是样本均值：$\hat{\mu} = \frac{1}{n}\sum_{i=1}^n x_i$
• 标准差的MLE估计是样本二阶中心矩的平方根：$\hat{\sigma} = \sqrt{\frac{1}{n}\sum_{i=1}^n (x_i - \hat{\mu})^2}$（注意MATLAB自带的std默认除以n-1，手动实现时要除以n）

手动实现代码：

n = length(x);
mu_hat = mean(x);
sigma_hat = sqrt(sum((x - mu_hat).^2)/n);
% 计算总对数似然
total_log_likelihood = -(n/2)*log(2*pi) - n*log(sigma_hat) - sum((x - mu_hat).^2)/(2*sigma_hat^2);

• 这种方法和内置函数结果完全一致，适合深入理解MLE的数学原理。

内容的提问来源于stack exchange，提问作者Sagar