MLE parametru lokalizacji w rozkładzie Cauchy'ego


13

Po wycentrowaniu można przyjąć , że dwa pomiary x i −x są niezależnymi obserwacjami z rozkładu Cauchy'ego z funkcją gęstości prawdopodobieństwa:

1f(x:θ)= ,-<x<1π(1+(xθ)2) ,<x<

Pokaż, że jeśli x21 MLE z θ wynosi 0, ale jeśli x2>1 , są dwa MLE z θ , równe ± x21

Myślę, że aby znaleźć MLE, muszę rozróżnić prawdopodobieństwo dziennika:

=2(xi-θ)dldθ = =2(-x-θ)2(xiθ)1+(xiθ)2 = 2(xθ)1+(xθ)2 + =02(xθ)1+(xθ)2 =0

Więc,

=2(x+θ)2(xθ)1+(xθ)2 = 2(x+θ)1+(xθ)2

które następnie uprościłem do

5x2=3θ2+2θx+3

Teraz uderzyłem w ścianę. Prawdopodobnie w pewnym momencie się pomyliłem, ale tak czy inaczej nie jestem pewien, jak odpowiedzieć na pytanie. Czy ktoś może pomóc?


Proszę wyjaśnić, dlaczego podzieliłeś x na -x i + x? To moja praca domowa i utknąłem na tym etapie. Myślę, że zastosowałeś do niego Metodę Raphsona Newtona. Ale nie rozumiem, jak to zastosować. Powiedz mi proszę?
user89929,

Odpowiedzi:


22

W twoich obliczeniach jest literówka matematyczna. Pierwszy warunek dla maksimum to:

Lθ=02(x+θ)1+(x+θ)22(xθ)1+(xθ)2=0(x+θ)+(x+θ)(xθ)2(xθ)(xθ)(x+θ)2=02θ+(x+θ)(xθ)[xθ(x+θ]=02θ2θ(x+θ)(xθ)=02θ2θ(x2θ2)=02θ(1x2+θ2)=02θ(θ2+(1x2))=0

Jeśli to czas w nawiasie nie może wynosić zero (oczywiście dla rzeczywistych rozwiązań), więc pozostaje ci tylko rozwiązanie . θ = 0x21θ^=0

Jeśli masz więc oprócz punktu kandydującego również otrzymujesz2 θ [ θ 2 - ( x 2 - 1 ) ] = 0 θ = 0x2>12θ[θ2(x21)]=0θ=0

Lθ=0,forθ^=±x21

Musisz także uzasadnić, dlaczego w tym przypadku nie jest już MLE.θ^=0

UZUPEŁNIENIE

Dla wykres prawdopodobieństwa logarytmu wynosi x=±0.5wprowadź opis zdjęcia tutaj

podczas gdy dla wykres prawdopodobieństwa logarytmu jest, x=±1.5wprowadź opis zdjęcia tutaj

Teraz wszystko, co musisz zrobić, to udowodnić to algebraicznie, a następnie zastanowić się „dobrze, a który z nich powinienem wybrać?”


Dzięki! Nie rozumiem, dlaczego nie byłoby już MLEθ=0
użytkownik123965


2
+1 świetna odpowiedź. Może to być również interesujące: wolframalpha.com/share/… wolframalpha.com/share/…
losowy użytkownik

@random_user Dzięki! - Pozwoliłem sobie na włączenie fabuły do ​​odpowiedzi.
Alecos Papadopoulos

1
2. pochodna dodatnia, a więc lokalne minimum
Alecos Papadopoulos
Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.