La Stima di Massima Verosimiglianza (MLE - Maximum Likelihood Estimation) è uno dei metodi più potenti e diffusi per determinare i parametri di un modello statistico. L’idea alla base è semplice: tra tutti i possibili valori dei parametri, si scelgono quelli che rendono i dati effettivamente osservati “i più probabili possibile”.
Procedura Matematica
- Si definisce la Funzione di Verosimiglianza basata sui dati campionari.
- Si calcola solitamente il logaritmo della verosimiglianza (log-likelihood) per semplificare i calcoli.
- Si trova il valore che massimizza la funzione, solitamente risolvendo l’equazione di verosimiglianza:
Proprietà Ottimali
Sotto condizioni molto generali, lo stimatore MLE gode di proprietà asintotiche eccellenti:
- È Consistente: tende al valore vero al crescere del campione.
- È Asintoticamente Normale: la sua distribuzione tende a una normale.
- È Asintoticamente Efficiente: ha la minima varianza possibile (raggiunge il limite di Cramér-Rao).
Significato Ingegneristico
- Machine Learning: Molti algoritmi fondamentali, come la Regressione Logistica, sono addestrati minimizzando una funzione di “cross-entropy”, che equivale esattamente a massimizzare la verosimiglianza.
- Telecomunicazioni: I ricevitori digitali “Optimal Receivers” utilizzano il criterio della massima verosimiglianza per decidere se il segnale ricevuto corrisponde a un bit 0 o 1, minimizzando la probabilità di errore.
- Ingegneria Strutturale e Geotecnica: Utilizzata per stimare i parametri delle distribuzioni di probabilità di carichi estremi (es. parametri della distribuzione di Gumbel per le piene) a partire dai dati storici.
Vedi anche: Verosimiglianza, Statistica Inferenziale, Stimatore Statistico.