11wk-2: 최대가능도추정 (3)

Author

최규빈

Published

November 13, 2025

강의영상

Imports

import numpy as np
import matplotlib.pyplot as plt

“추정을 잘한다”란?

그림1: 솜씨좋은 사격사?

ref: https://www.kdnuggets.com/2022/08/biasvariance-tradeoff.html

# 예제1

아래와 같은 데이터를 관찰하자.

np.random.seed(43052)
x = np.random.normal(size=100)
y = np.random.normal(size=100)
plt.plot(x,y,'ok',label=r"$data=(x_i,y_i)$")
plt.legend()

그림2: \(data=(x_i,y_i)\)의 산점도

중심을 추정하는 문제를 고려하자.

  • A: 지금보니까 x,y의 평균은 모두 0 근처에 있는것 같지 않아? 굳이 극단적인 값을 고려할 필요는 없겠어. 그러니까 데이터중 상위 10%와 하위 10$를 잘라서 버린후 남은값들의 평균을 구하는건 어떄?
  • B: 머리아프게 굳이? 그냥 평균으로 추정하는건 어때?

누구의 말이 더 합리적일까?

- 아이디어: A의 방식으로 추정한 1000결과를 가져오고, B의 방식으로 추정한 1000개의 결과를 가져와서 비교해보자.

A = [] 
B = [] 
for i in range(10000):
    x = np.random.normal(size=100)
    y = np.random.normal(size=100)
    #---#
    x.sort()
    y.sort()
    A.append([np.mean(x[10:-10]),np.mean(y[10:-10])])
    B.append([np.mean(x),np.mean(y)])
A = np.array(A)
B = np.array(B)
plt.plot(A[:,0],A[:,1],'o',alpha=0.1,label="A - percentile -> mean")
plt.plot(B[:,0],B[:,1],'o',alpha=0.1,label="B - mean")
plt.legend()

그림3: A방식, B방식으로 추정한 결과 // B가 좀 더 우수해보인다.

#

# 예제2

다시 아래와 같은 데이터를 상상하자.

.

중심을 추정하는 문제를 고려하자.

  • A: 중앙값 한번 써보는게 어때?
  • B: 그냥 평균으로 추정하는게 젤 좋다니까?

누구의 말이 더 합리적일까?

A = [] 
B = [] 
for i in range(10000):
    x = np.random.normal(size=100)
    y = np.random.normal(size=100)
    #---#
    A.append([np.median(x),np.median(y)])
    B.append([np.mean(x),np.mean(y)])
    
A = np.array(A)
B = np.array(B)
plt.plot(A[:,0],A[:,1],'o',alpha=0.1,label="A - median")
plt.plot(B[:,0],B[:,1],'o',alpha=0.1,label="B - mean")
plt.legend()

그림4: A방식, B방식으로 추정한 결과 // 역시 평균기법인 B가 더 우수해보인다.

# 예제3

이제 아래와 같은 데이터를 상상하자.

np.random.seed(43052)
x = np.random.uniform(size=100)
y = np.random.uniform(size=100)
plt.plot(x,y,'ok',label=r"$data=(x_i,y_i)$")
plt.legend()

그림5: \(data=(x_i,y_i)\)의 산점도, \(x_i,y_i\) 모두 0~1사이의 숫자를 (같은확률로) 뽑은것이다.

중심을 추정하는 문제를 고려하자.

  • A: 그냥 평균으로 추정하는게 젤 좋음. 그러니까 \((\bar{x},\bar{y})\)로 추정하는게 제일 좋아.
  • B: 난 좀 특이하게 하고 싶어. \(x\)중에서 가장 작은 값과 큰값을 뽑고 평균을 구해. 그리고 \(y\)에서 가장 작은값과 큰 값을 뽑고 평균을 구할거야. 그러니까 나는 \[\left(\frac{\min(x)+\max(x)}{2}, \frac{\min(y)+\max(y)}{2}\right)\] 로 추정하는게 좋을 것 같아.

누구의 말이 더 합리적일까?

A = [] 
B = [] 
for i in range(10000):
    x = np.random.uniform(size=100)
    y = np.random.uniform(size=100)
    #---#
    A.append([np.mean(x),np.mean(y)])
    B.append([(min(x)+max(x))/2,(min(y)+max(y))/2])
    
A = np.array(A)
B = np.array(B)
plt.plot(A[:,0],A[:,1],'o',alpha=0.1,label="A - $(\\bar{x},\\bar{y})$")
plt.plot(B[:,0],B[:,1],'o',alpha=0.1,label="B - $\\left(\\frac{min(x)+max(x)}{2},\\frac{min(y)+max(y)}{2}\\right)$")
plt.legend()

그림4: A방식, B방식으로 추정한 결과

- 놀라운점

  1. 차이가 왜이렇게 많이남?
  2. 주황색은 모양이 왜저래?

- 피셔의주장

  • 아무 생각 없이 (분포를 고려하지 않고) 무조건 직관적인 Method of Moments Estimation (MME) 방식으로 추정하는건 최선의 결과를 가져오지 못한다.
  • 만약 MME방식이 잘 동작했다면 그건 운이 좋아서 그렇다. (“적률법의 통계량들이 정규 곡선 근처에서 100% 효율로 수렴하는 이유는, 정규 곡선을 맞추는 데 있어 처음 두 적률이 마침 최적 통계량(optimum statistics)이기 때문이다”, “정규 곡선 주변에서 적률법의 높은 효율성은 Pearson 곡선 형태를 지정하는 공식과 적률법이 최대 우도 해법을 제공하는 곡선 시스템(4차 지수 곡선)이 일치하기 때문에 발생한다”)