Sannsynlighetsfunksjonen er definert som sannsynligheten for en hendelse $ E $ (datasett $ {\ bf x} $) som en funksjon av modellparametrene $ \ theta $
$$ {\ mathcal L} (\ theta; {\ bf x}) \ propto {\ mathbb P} (\ text {Event} E; \ theta) = {\ mathbb P} (\ text {observing} {\ bf x}; \ theta). $$
Derfor er det ingen antagelse om uavhengighet av observasjonene. I den klassiske tilnærmingen er det ingen definisjon for uavhengighet av parametere, siden de ikke er tilfeldige variabler; noen relaterte begreper kan være identifiserbarhet, parameter ortogonalitet og uavhengighet av maksimal sannsynlighetsestimatorer (som er tilfeldige variabler).
Noen eksempler,
(1). Diskret sak . $ {\ bf x} = (x_1, ..., x_n) $ er et utvalg av (uavhengige) diskrete observasjoner med $ {\ mathbb P} (\ text {observing} x_j; \ theta) >0 $, deretter
$$ {\ mathcal L} (\ theta; {\ bf x}) \ propto \ prod_ {j = 1} ^ n {\ mathbb P} (\ text {observing} x_j; \ theta). $$
Spesielt hvis $ x_j \ sim \ text {Binomial} (N, \ theta) $, med $ N $ kjent, har vi det
$$ {\ mathcal L} (\ theta; {\ bf x}) \ propto \ prod_ {j = 1} ^ n \ theta ^ {x_j} (1- \ theta) ^ {N-x_j}. $$
(2). Kontinuerlig tilnærming . La $ {\ bf x} = (x_1, ..., x_n) $ være et utvalg fra en kontinuerlig tilfeldig variabel $ X $, med fordeling $ F $ og tetthet $ f $, med målefeil $ \ epsilon $, dette er, du observerer settene $ (x_j- \ epsilon, x_j + \ epsilon) $. Deretter
\ begin {eqnarray *} {\ mathcal L} (\ theta; {\ bf x}) \ propto \ prod_ {j = 1} ^ n {\ mathbb P} [\ text {observing } (x_j- \ epsilon, x_j + \ epsilon); \ theta] = \ prod_ {j = 1} ^ n [F (x_j + \ epsilon; \ theta) -F (x_j- \ epsilon; \ theta)] \ end { eqnarray *}
Når $ \ epsilon $ er liten, kan dette tilnærmes (ved bruk av gjennomsnittsverdisetningen) ved
\ begin {eqnarray *} {\ mathcal L} (\ theta; {\ bf x}) \ propto \ prod_ {j = 1} ^ nf (x_j; \ theta) \ end {eqnarray *}
For et eksempel med normal sak, ta en titt på dette.
(3). Avhengig og Markov-modell . Anta at $ {\ bf x} = (x_1, ..., x_n) $ er et sett med observasjoner som muligens er avhengig, og la $ f $ være fugetettheten på $ {\ bf x} $, så
\ begin {eqnarray *} {\ mathcal L} (\ theta; {\ bf x}) \ propto f ({\ bf x}; \ theta). \ end {eqnarray *}
Hvis i tillegg Markov-egenskapen er oppfylt, så
\ begin {eqnarray *} {\ mathcal L} (\ theta; {\ bf x}) \ propto f ({\ bf x}; \ theta) = f (x_1; \ theta) \ prod_ {j = 1} ^ {n-1} f (x_ {j + 1} \ vert x_j; \ theta). \ end {eqnarray *}
Ta også en titt på dette.