Noter til E6 - dirac
Noter til E6 - dirac
Noter til E6 - dirac
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
22 Estimation<br />
Den simple binomialfordelingsmodel<br />
⊳ [Fortsat fra side 7.]<br />
I den simple binomialfordelingsmodel er likelihoodfunktionen<br />
L(θ) =<br />
( n<br />
y)<br />
θ y (1 − θ) n−y , θ ∈ [ 0 ; 1 ]<br />
og log-likelihoodfunktionen<br />
( n<br />
ln L(θ) = ln + y ln θ + (n − y) ln(1 − θ), θ ∈ [ 0 ; 1 ].<br />
y)<br />
Pånær en konstant er denne funktion magen <strong>til</strong> den <strong>til</strong>svarende i enstikprøveproblemet<br />
med 01-variable. Vi kan derfor straks konstatere at maksimaliseringsestimatoren<br />
er ̂θ = Y/n. Da Y har samme fordeling som X , er<br />
fordelingen af maksimaliseringsestimatoren den samme i de to modeller,<br />
specielt er også her E θ ̂θ = θ og Varθ ̂θ = θ(1 − θ)/n.<br />
⊲ [Læs fortsættelsen side 35.]<br />
Eksempel 3.1 (Rismelsbiller I)<br />
⊳ [Fortsat fra eksempel 2.3 side 7.]<br />
I taleksemplet med<br />
q<br />
rismelsbiller er θ b = 43/144 ≈ 0.30. Den estimerede standardafvigelse<br />
er bθ(1 − θ)/144 b = 0.04.<br />
⊲ [Eksemplet fortsætter som eksempel 4.1 side 36.]<br />
Sammenligning af binomialfordelinger<br />
⊳ [Fortsat fra side 8.]<br />
Log-likelihoodfunktionen svarende <strong>til</strong> y er<br />
ln L(θ) = konst +<br />
s∑ (<br />
yj ln θ j + (n j − y j ) ln(1 − θ j ) ) . (3.1)<br />
j=1<br />
Det ses at ln L er en sum af led der hver især (pånær en konstant) er en<br />
log-likelihoodfunktion fra en simpel binomialfordelingsmodel, og desuden<br />
optræder parameteren θ j kun i det j-te led. Vi kan derfor uden videre<br />
opskrive maksimaliseringsestimatoren som<br />
̂θ = (̂θ 1 , ̂θ 2 , . . . , ̂θ s ) =<br />
(<br />
Y1<br />
, Y 2<br />
, . . . , Y )<br />
s<br />
.<br />
n 1 n 2 n s<br />
Da Y 1 , Y 2 , . . . , Y s er uafhængige, bliver estimatorerne ̂θ 1 , ̂θ 2 , . . . , ̂θ s også<br />
uafhængige, og som i den simple binomialfordelingsmodel er E ̂θ j = θ j og<br />
Var ̂θ j = θ j (1 − θ j )/n j , j = 1, 2, . . . , s.<br />
⊲ [Læs fortsættelsen side 36.]