はじめに
「入門・演習 数理統計」の演習問題の自作解答を紹介します。
|
間違い等発見されましたらご指摘ください。
他の解答はこちらから。
なお、問題文は(必要がない限り)掲載しておりません。テキストを横に置いてご覧ください。
また、スマートフォン等では数式が画面からはみ出る場合があります。数式部分は横スクロールできます。
スポンサーリンク
$\newcommand{\lnl}{\\[8pt]}$ $\newcommand{\Lnl}{\\[18pt]}$ $\newcommand{\delt}{\mathrm{d}}$ $\newcommand{\comb}{\mathrm{C}}$ $\DeclareMathOperator*{\ssum}{\Sigma}$ $\DeclareMathOperator*{\sprod}{\Pi}$
ex6.3.6
関数$\varphi(x)$を
\begin{align}
\varphi(x) = \begin{cases}1 & x \ge 0 \\ 0 & x < 0\end{cases} \end{align}
で定義したとき,下限$\alpha$, 上限$\beta$の一様分布の確率密度関数は
\varphi(x) = \begin{cases}1 & x \ge 0 \\ 0 & x < 0\end{cases} \end{align}
\begin{align}
f(x;\alpha,\beta) = \frac{1}{\beta - \alpha} \varphi(\beta - x)\varphi(x-\alpha)
\end{align}
となる.尤度関数は
\begin{align}
L(\alpha,\beta;\bm{x}) = \frac{1}{(\beta - \alpha)^n} \prod_{i=1}^n \varphi(\beta - x_i)\cdot \prod_{i=1}^n\varphi(x_i-\alpha)
\end{align}
となる.ここで
\begin{align}
&\prod_{i=1}^n \varphi(\beta - x_i) = \varphi(\beta - \max_i \{x_i\}) = \varphi(\beta - x_{(n)}) \lnl
&\prod_{i=1}^n\varphi(x_i-\alpha) = \varphi(\min_i \{x_i\} - \alpha) = \varphi(x_{(1)} - \alpha)
\end{align}
であるから,
\begin{align}
L(\alpha,\beta;\bm{x}) = \frac{1}{(\beta - \alpha)^n} \varphi(\beta - x_{(n)}) \varphi(x_{(1)} - \alpha)
\end{align}
となる.これを最大化する$\alpha,\beta$を求める.両方の$\varphi(\cdot)$が$1$となる条件のもと,$\beta - \alpha$を最小化するものを求めればよい.つまり
\begin{align}
\begin{cases}\beta - x_{(n)} \ge 0\\x_{(1)} - \alpha \ge 0\end{cases}\Longleftrightarrow
\begin{cases}\beta \ge x_{(n)}\\x_{(1)} \ge \alpha\end{cases}
\end{align}
であるので,$\beta-\alpha$を最小化するものは
\begin{align}
\begin{cases}\hat{\beta} = x_{(n)} \\\hat{\alpha} = x_{(1)} \end{cases}
\end{align}
である.
母集団分布の平均と分散をそれぞれ$\mu,\sigma^2$とすると,
\begin{align}
\mu = \frac{\alpha + \beta}{2} , \quad \sigma^2 = \frac{(\beta-\alpha)^2}{12}
\end{align}
である.テキスト(6.3.3)のNOTE(3)より,$\mu,\sigma^2$の最尤推定量$\hat{\mu} , \hat{\sigma}^2$ は,
\begin{align}
\hat{\mu} = \frac{X_{(1)} + X_{(n)}}{2} \lnl
\hat{\sigma}^2 = \frac{\big(X_{(n)} - X_{(1)}\big)^2}{12}
\end{align}
となる.