Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Primjer 7.5 Neka je x = (x 1 , x 2 , . . . , x n ) opaženi uzorak s populacijskom gustoćom<br />
{ 2<br />
x ako je 0 ≤ x ≤ θ,<br />
f(x|θ) = θ 2 0 inače<br />
i nepoznatim parametrom θ > 1. Vjerodostojnost od θ je:<br />
{<br />
n∏<br />
2 n ∏ ni=1<br />
x<br />
L(θ) = f(x i |θ) = θ 2n i ako je θ ≥ x (n)<br />
0 inače,<br />
i=1<br />
gdje je x (n) maksimalna vrijednost u nizu x. Budući da ImX = [0, θ] ovisi o parametru,<br />
MLE ne možemo tražiti rješavajući stacionarnu jednadžbu log-vjerodostojnosti. Iz oblika<br />
funkcije θ ↦→ L(θ) očito je da je L(θ) > 0 samo za θ ≥ x (n) , a na tom intervalu funkcija<br />
strogo pada. Dakle, maksimum vjerodostojnosti se postiže u točki ˆθ = x (n) , pa je MLE za<br />
θ <strong>statistika</strong> ˆθ(X) = X (n) .<br />
7.2.2 Višeparametarski slučaj<br />
Metoda je ista kao za jednoparametarski slučaj, samo što se kod traženja maksimuma<br />
log-vjerodostojnosti stacionarna jednadžba svodi na sustav više jednadžbi s više nepoznanica.<br />
Naime, taj sustav čine parcijalne derivacije log-vjerodostojnosti po nepoznatim<br />
parametrima izjednačene sa nulom. Na taj način tražimo MLE samo ako slika varijable X,<br />
ImX, ne ovisi o parametrima.<br />
Primjer 7.6 Neka je x = (x 1 , x 2 , . . . , x n ) opaženi uzorak iz normalne populacije N(µ, σ 2 )<br />
s nepoznatim parametrima µ, σ 2 . Vjerodostojnost i pripadna log-vjerodostojnost tih parametara<br />
su<br />
L(µ, σ 2 ) =<br />
n∏<br />
i=1<br />
1<br />
√<br />
σ 2 2π e− 1<br />
2σ 2 (x i−µ) 2 =<br />
l(µ, σ 2 ) = log L(µ, σ 2 ) = − 1<br />
2σ 2<br />
n ∑<br />
i=1<br />
1<br />
∑<br />
1 n<br />
(2πσ 2 e− 2σ<br />
) n/2 2 i=1 (x i−µ) 2<br />
(x i − µ) 2 − n 2 log σ2 − n 2 log(2π).<br />
Budući da ImX = R ne ovisi o parametrima, MLE se nalazi rješavanjem sustava:<br />
∂l<br />
∂µ (µ, σ2 ) = 0,<br />
Dakle, MLE za (µ, σ 2 ) je (X, n−1<br />
n S2 ).<br />
7.2.3 Nepotpuni uzorci<br />
∂l<br />
∂σ 2 (µ, σ2 ) = 0 ⇔ ˆµ = ¯x, ˆσ 2 = n − 1<br />
n s2 .<br />
Metoda ML se može primijeniti u situacijama kada je uzorak nepotpun. Na primjer, kada<br />
imamo rezane podatke ili kada imamo cenzurirane podatke za koje znamo jedino da je<br />
opažena vrijednost veća od neke fiksne vrijednosti. Preciznije, neka su opažene vrijednosti<br />
x 1 , x 2 , . . . , x n , a za ostalih m vrijednosti u uzorku zna se samo da su veće od broja y.<br />
Ako označimo sa P θ (X > y) vjerojatnost da će vrijednost varijable X (dakle, opažena<br />
vrijednost) biti veća od y (budući da je to funkcija parametra θ, da bi to naglasili, θ pišemo<br />
kao indeks), vjerodostojnost od θ je<br />
n∏<br />
L(θ) := f(x i |θ) · (P θ (X > y)) m .<br />
i=1<br />
MLE se kao i prije dobije maksimiziranjem te funkcije ili njenog logaritma. Pri tome je<br />
često nemoguće dobiti eksplicitno rješenje, pa se do procjena dolazi numeričkim metodama.<br />
64