二項分布の十分統計量と最尤推定量
📂確率分布論二項分布の十分統計量と最尤推定量
概要
一様分布に従うランダムサンプル X:=(X1,⋯,Xn)∼U(0,θ) が与えられているとしよう。
θ に対する十分統計量 T と最尤推定量 θ^ は次の通りだ。
T=θ^=k=1,⋯,nmaxXkk=1,⋯,nmaxXk
証明
戦略: 一様分布の十分統計量と最尤推定量は、実用性はさておき、宿題や中間、期末試験のために数えきれないほど見る必要がある統計量だ。定義によって直接求めることができるが、これが意外と最初は簡単ではない。
位置家族の十分統計量と最尤推定量: 確率密度関数がfX(x;θ)=fX(x−θ) の位置家族から得たランダムサンプルX1,⋯,Xn∼X が与えられているとしよう。十分統計量と最尤推定量は
- X のサポートが上に有界ならばmaxXk
- X のサポートが下に有界ならばminXk
に依存する。
U(0,θ) は位置家族であり、位置家族の十分統計量と最尤推定量は補題によって簡単に推測できるが、直感的に理解できるように直接求めてみよう。
十分統計量
指示関数の積: i=1∏nI(−∞,θ](xi)=I(−∞,θ](i∈[n]maxxi)
f(x;θ)====k=1∏nf(xk;θ)k=1∏nθ1I[0,θ](xk)θn1I[0,θ](maxxk)θn1I[0,θ](maxxk)⋅1
ネイマン分解定理: ランダムサンプル X1,⋯,Xn がパラメータθ∈Θに対して同じ確率質量/密度関数 f(x;θ) を持つとする。統計量Y=u1(X1,⋯,Xn) がθ の十分統計量であるのは、次を満たす非負の二つの関数k1,k2≥0 が存在する場合である。
f(x1;θ)⋯f(xn;θ)=k1[u1(x1,⋯,xn);θ]k2(x1,⋯,xn)
ただし、k2 はθ に依存してはならない。
ネイマン分解定理に従って、T:=maxXk はθ に対する十分統計量である。
最尤推定量
L(θ;x)=f(x;θ)=I[0,θ](maxxk)
ランダムサンプルの尤度関数は上記のように求められたが、指示関数をわざわざ偏微分する必要はない。
最尤推定量の定義: 次を満たす推定量を最尤推定量maximum Likelihood estimator、略してMLEと呼ぶ。
θ^=argmaxL(θ;X)
最尤推定量の定義に基づいて考えると、尤度関数を考えることなくθ^≥maxXk のみに注目すれば良い、なぜならθ^<maxXk の場合はL=0 になるからだ。この説明と定義から分かるように、最尤推定量は必ずしもmaxXk で一意である必要はなく、maxXk+700 を無理に考える必要はない、maxXk で十分だ。
■