Stack Exchange网络由183个问答社区组成,包括堆栈溢出是开发人员学习、分享知识和建立职业生涯的最大、最受信任的在线社区。
现在可在团队堆栈溢出上使用!你工作的AI功能:搜索、IDE和聊天。
提出问题,找到答案,并与团队堆栈溢出协作。探索团队
团队
工作问答
在一个结构化且易于搜索的位置内连接和共享知识。
假设我有pdf和最大似然函数:
$f_X(X)=\开始{cases}\压裂{\alpha\beta^\alpha}{x^{alpha+1}},&x>\beta\\0,&x\leq\beta。\结束{cases}$
$\开始{对齐}&l(\alpha,\beta)=\log l(\alfa,\beta)=n\log\alpha+n\alpha\log\beta-(\alba+1)\sum_{i=1}^{n}\log x_i\结束{对齐}$
在解决方案中,他们回答:
\开始{对齐}&为了确定}\beta的最大似然估计,我们注意到唯一包含}\beta\text{的项是}n\alpha\log\beta。\text{它是单调的,并且在}\beta中递增,意味着我们最大化}l,text{,从而通过选择}\beta\text{尽可能大的}l,text{.我们必须考虑的约束是}x_i\geq\beta\text{对于每个}i=1,\ldots,n.text{因此,我们设置}\hat{beta}=\min_{1\leqi\leqn}x_i \text{以最大化}l\text{关于}\beta。\结束{对齐}
在“我们必须考虑的约束是……”之后,我完全不理解其中的解释。如果有人能简单地解释一下,我会非常感激。
$\测试版$是这个帕累托分布的最小值:问题是密度为$0$在下面$\测试版$因此,观测以下数据的概率为零$\测试版$.
假设你知道$\alpha=2$你观察了数据$10.0, 11.1, 12.4, 14.5$。那么可能性将与此曲线成比例,如下所示$\测试版$变化:
这说明了$0\lt\beta\lt 10$可能性是的递增函数$\测试版$。但为了$β>10$这样的可能性为零$\测试版$鉴于观察结果,一些数据必须低于分布的最小值。这就是正在讨论的约束。
因此,这里的可能性明显最大化$\hat\beta=10.0$,观测值的最小值。
如解中所述,最大似然函数$\阿尔法$,正在增加$\测试版$.
因此,对于某些固定样本$(x_1,\ldot,x_n)$我们想做$\测试版$尽可能大。
但由于随机变量的支持$(β,+\infty)$,我们有$x_i\geq\beta$对于1美元$.
因此,最大值$\测试版$可以有是$\显示样式\min_{1\leqi\leqn}x_i$,它将是的最大似然估计量$\测试版$.