16_mathima
description
Transcript of 16_mathima
1
Τρίτη, 1 ∆εκεµβρίου 2009.
ΕΚΤΙΜΗΤΙΚΗ
Μέθοδος Ευρέσεως Εκτιµητριών.
• Μέθοδος µέγιστης Πιθανοφάνειας
• Μέθοδος Ελαχίστων Τετραγώνων
• Μέθοδος των Ροπών
Οι προαναφερθείσες µέθοδοι ανήκουν στην Κλασική Στατιστική.
• Μπεϋζιανή Στατιστική (Στατιστική κατά Bayes)
Ορισµός:
Συνάρτηση Πιθανοφάνειας (Likelyhood function)
Είναι η από κοινού σ.π. (ή σ.π.π.) ενός τ.δ. 1 2, , ,v
X X X… , ως συνάρτηση της ά-
γνωστης παραµέτρου θ.
( ) ( )1 2, , ,..., vL L x x xθ θ= = ( )1 2, ,..., ,vf x x x θ = ( )1
,v
i
i
f x θ=∏
Για κάθε θ ∈Θ (µπορεί να είναι και διάνυσµα) και για συγκεκριµένο δείγµα,
µπορούµε να βρούµε την τιµή της συνάρτησης πιθανοφάνειας.
Εκτιµήτρια Μέγιστης Πιθανοφάνειας (Ε.Μ.Π.).
Εκτιµήτρια Μέγιστης Πιθανοφάνειας ɵ( )θ καλείται η σ.σ. που µεγιστοποιεί τη
συνάρτηση πιθανοφάνειας ( )L θ ως προς θ.
Για συγκεκριµένο δείγµα, η εκτιµήτρια συνάρτηση ɵθ θα παίρνει συγκεκριµένη
τιµή, την εκτίµηση (Εκτίµηση = η τιµή του θ, από την οποία είναι πιο πιθανό να
έχουν προέλθει τα δεδοµένα µου).
ɵ( ) ( )sup
/ max /L x L x
θ
θ θ∈Θ
=
Παράδειγµα:
Έστω 1 2, , , vX X X… τ.δ. από κατανοµή Bernoulli (θ). Να βρεθεί η ε.µ.π. του θ.
Λύση:
( ) ( )1, 1 , 0,1.xx
f x xθ θ θ −= − =
( ) ( )1 2, , ,..., vL L x x xθ θ= = ( )1
,v
i
i
f x θ=
=∏ ( )11
1v
xx
i
θ θ −
=
− =∏ ( )11
11
vv
iii
i
xxθ θ=
=
−∑ ∑− =
( )111
vv
iii
i
xv xθ θ=
=
−∑ ∑−
Παρατήρηση
Η τιµή της θ, που µεγιστοποιεί την ( )L θ , µεγιστοποιεί επίσης και τη συνάρτη-
ση ( ) ( )logl Lθ θ= (Λογαριθµική εκδοχή της πιθανοφάνειας – log likelihood)
Χρησιµποιούµε την ( )l θ για ευκολία!
2
( ) ( )lnl Lθ θ= = ( )11ln 1
vv
iii
i
xv xθ θ=
=
− ∑ ∑ − =
( )1 1
ln ln 1v v
i i
i i
x v xθ θ= =
+ − −
∑ ∑
Για να έχουµε µέγιστο, θα πρέπει ( ) 0l θθ∂
=∂
και ( )2
20l θ
θ∂
<∂
( )l θθ∂
=∂
( )1 1
ln ln 1v v
i i
i i
x v xθ θθ = =
∂ + − − = ∂
∑ ∑ ( )1
1
11
1
v
i v
ii
i
x
v xθ θ=
=
+ − − = −
∑∑
1 1
1 1
v v
i i
i i
x xv
θ θ θ= =− + =
− −
∑ ∑
( )
( )1 1
1
1
v v
i i
i i
x v xθ θ θ
θ θ= =
− − +=
−
∑ ∑
( )1 1 1
1
v v v
i i i
i i i
x x v xθ θ θ
θ θ= = =
− − +=
−
∑ ∑ ∑
( )1 0
1
v
i
i
x vθ
θ θ=
−= ⇒
−
∑
1
0v
i
i
x vθ=
− = ⇒∑ 1
v
i
i
x vθ=
= ⇒∑
ɵ 1
v
i
i
x
vθ ==
∑
Μέθοδος Εργασίας για την Εύρεση Ε.Μ.Π.
Αν 1 2, , , vX X X… είναι τ.δ. από κατανοµή µε σ.π.π. ( ),if x θ
i) Εύρεση συνάρτησης πιθανοφάνειας:
( ) ( )1 2, , ,..., vL L x x xθ θ= = ( )1
,v
i
i
f x θ=
=∏
ii) Μεγιστοποίηση της ( )L θ ως προς θ.
ɵθ είναι η τιµή για την οποία: ( )
0L θθ
∂=
∂ ή
( ) ( )ln 0l
Lθ
θθ θ
∂ ∂= = ∂ ∂
iii) Για να είναι µέγιστο, πρέπει ( )2
20
L θθ
∂<
∂ ή
( )2
20
l θθ
∂<
∂
(Ισχύει για τις γνωστές κατανοµές)
Άσκηση:
Έστω 1 2, , , vX X X… τ.δ. από κατανοµή Poisson (λ). Να βρεθεί ɵλ , δηλ. εκτιµη-
τής µέγιστης πιθανοφάνειας του λ.
Λύση:
( ),!
x
f x ex
λ λλ −=
3
( ) ( )1
,v
i
i
L f xλ λ=
= =∏ 1 !
ixv
i i
ex
λ λ−
=
=∏ 1
1
!
v
i
i
xv
v
i
i
e
x
λλ =−
=
∑
∏.
( ) ( )lnl Lλ λ= = 1
1
ln
!
v
i
i
xv
v
i
i
e
x
λλ =−
=
∑
=
∏ 1
1
ln ln ln !
v
i
i
vxv
i
i
e xλ λ =−
=
∑+ − =∏
1 1
ln ln !vv
i i
i i
v x xλ λ= =
− + −∑ ∏
( )l λλ
∂=
∂
1 1
ln ln !vv
i i
i i
v x xλ λλ = =
∂ − + − = ∂
∑ ∏ 1
10
v
i
i
v xλ =
− + = ⇒∑ 1
v
i
i
x
Xv
λ == =∑
.
( )ɵ
2
2
l
λ λ
λλ
=
∂=
∂
ɵ
1
1 v
i
i
v x
λ λ
λλ
=
=
∂ − + =
∂
∑
ɵ2
1
1 v
i
i
xλ λλ = =
− =∑ ɵ 2
1
10
v
i
i
xλ =
− <∑
άρα είναι µέγιστο και όντως η 1
v
i
i
x
Xv
λ == =∑
είναι η Ε.Μ.Π. για το λ.
Παράδειγµα:
Έστω 1 2, , ,v
X X X… τ.δ. από γεωµετρική κατανοµή (p), δηλαδή
( ) ( ), 1x
f x p p p= − , 1,2,...x = , 0 1p< < [ x είναι ο αριθµός των αποτυχιών µέ-
χρι την 1η επιτυχία]. Να βρεθεί �p , δηλ. ε.µ.π. για το p.
Λύση:
( ) ( )1
,v
i
i
L p f x λ=
= =∏ ( )1
1i
vx
i
p p=
− =∏ ( ) 11
v
i
i
xvp p =
∑− =
( ) ( )lnl p L p= = ( ) 1ln 1
v
i
i
xvp p =
∑− =
( )1
ln ln 1v
i
i
v p x p=
+ −∑
( )l λλ
∂=
∂ ( )
1
ln ln 1v
i
i
v p x pλ =
∂ + − = ∂ ∑ ( )
1
11
1
v
i
i
vx
p p=
+ − =−∑
1
10
1
v
i
i
vx
p p =
− = ⇒− ∑
1
1
1
v
i
i
vx
p p =
= ⇒− ∑
1
v
i
i
v vp p x=
− = ⇒∑ 1
v
i
i
p x vp v=
+ = ⇒∑
4
1
v
i
i
p v x v=
+ = ⇒
∑
1
v
i
i
vp
v x=
= ⇒+∑
1
1
1
v
i
i
p
x
v
=
= ⇒
+∑
1
1p
X=
+
( )ɵ
2
2
l p
λ λλ
=
∂=
∂
�
1
1
1
v
i
i
p p
vx
p p
p
=
=
∂ −
− =∂
∑
( )( ) �
221
1 1
1
v
i
ip p
vx
p p ==
− −− − =
−∑
( ) �
221
10
1
v
i
ip p
vx
p p ==
− − <−
∑ , εφ’ όσον 1
, 0v
i
i
v x=
< >∑ άρα είναι µέγιστο και
� 1
1p
X=
+.
Παρατήρηση:
Εάν η συνάρτηση πιθανοφάνειας έχει s άγνωστες παραµέτρους
( )1 2, ,..., sθ θ θ θ= , τότε η Ε.Μ.Π. του θ θα είναι το διάνυσµα των τ.µ.
ɵ � � �( )1 2, ,..., sθ θ θ θ= για το οποίο µεγιστοποιείται η συνάρτηση πιθανοφάνειας
( ) ( )1 2 1 2 1 2, ,..., , ,..., , , ,...,s v sL f x x xθ θ θ θ θ θ=
Κάτω από ορισµένες συνθήκες οµαλότητας, το σηµείο που πεγιστοποιείται η
( )L θ , είναι η λύση ενός συστήµατος εξισώσεων , όλων των µερικών παραγώ-
γων, αν αυτές τεθούν ίσες µε το µηδέν.
( )
( )
1
0
.................
0s
L
L
θθ
θθ
∂=
∂
∂=
∂
ισοδυναµεί µε
( )
( )
1
0
.................
0s
l
l
θθ
θθ
∂=
∂
∂=
∂
και, για να έχουµε µέγιστο, θα πρέπει
( )2
20, 1,2,...,
i
Li s
θθ
∂< =
∂.
Παράδειγµα - Άσκηση:
Έστω 1 2, , , vX X X… τ.δ. από ( )2
1 2,N µ θ σ θ= = .
Να βρεθεί η ΕΜΠ για το ( )1 2,θ θ θ= , 1 2 2, , 0θ θ θ∈ >ℝ .
Λύση:
( ){ }1 2 1 2 2, : , , 0θ θ θ θ θΘ = ∈ >ℝ
Πιθανοφάνεια:
5
( ) ( )1 2,L Lθ θ θ= = ( )1
,v
i
i
f x θ=
=∏ ( ) ( )21
12
2
1 2
2 exp2
vi
i
x θπθ
θ−
=
− − =
∏
( ) ( )222
2 1
12
12 exp
2
v vv
i
i
xπ θ θθ
−−
=
⋅ ⋅ − −
∑
( ) ( )1 2 1 2, ln ,l Lθ θ θ θ= = ( ) ( )222
2 1
12
1ln 2 exp
2
v vv
i
i
xπ θ θθ
−−
=
− − =
∑
( ) ( )2
2 1
12
1ln 2 ln
2 2 2
v
i
i
v vxπ θ θ
θ =
− − − −∑
( ) ( ) ( )2
1 2 2 1
11 1 2
1, ln 2 ln
2 2 2
v
i
i
v vl xθ θ π θ θ
θ θ θ =
∂ ∂= − − − − = ∂ ∂
∑
( )2
1
12 1
1
2
v
i
i
x θθ θ=
∂− − =
∂∑ ( )( )1
12
12 1
2
v
i
i
x θθ =
− − − =∑ ( )1
12
10
v
i
i
x θθ =
− = ⇒∑
( )1
1
0v
i
i
x θ=
− = ⇒∑ 1
1 1
0v v
i
i i
x θ= =
− = ⇒∑ ∑ 1 0vX vθ− = ⇒ �11
1 v
i
i
X xv
θ=
= = ∑ (1)
και ( ) ( ) ( )2
1 2 2 1
12 2 2
1, ln 2 ln
2 2 2
v
i
i
v vl xθ θ π θ θ
θ θ θ =
∂ ∂= − − − − = ∂ ∂
∑
( )2
1212 2
1 1
2 2
v
i
i
vx θ
θ θ =
− − − − =
∑ ( )2
1212 2
10
2 2
v
i
i
vx θ
θ θ =
− + − = ⇒∑
( )2
1212 2
1
2 2
v
i
i
vx θ
θ θ=
− = ⇒∑ ( )2
1
12
1 v
i
i
x vθθ =
− = ⇒∑ � ( )2
2
1
1 v
i
i
x Xv
θ=
= −∑ ,
Η �1θ είναι αµερόληπτη εκτιµήτρια του 1θ , ενώ η �2θ δεν είναι αµερόληπτη εκτι-
µήτρια του 2θ , καθ’ όσον αµερόληπτη εκτιµήτρια είναι η ( )2
2
1
1
1
v
i
i
x Xv
θ=
= −− ∑ .
Είναι: �( )1 1E θ θ µ= = και
�( )2E θ = ( )2
1
1 v
i
i
E x Xv =
− =
∑ 2
2
1 1v v
v vθ σ
− −=
��( ) � 2 2
2
1lim limv v
vE
vθ σ σ
→∞ →∞
−= = , δεν είναι αµερόληπτη εκτιµήτρια, αλλά ασυµπτω-
τικά αµερόληπτη και η εκτιµήτρια παραµένει συνεπής.
∆υσκολίες µε τη µέθοδο µέγιστης πιθανοφάνειας
Υπάρχει περίπτωση η παραγώγιση να δώσει ακρότατο το οποίο δεν είναι ολικό
µέγιστο.
∆εν χρησιµοποιούµε πάντα τη µέθοδο παραγώγισης
Ειδικά για πολυπαραµετρικά προβλήµατα αριθµητικές ή αλγοριθµικές µεθό-
δους.