Tweet
指数分布
を定義するパラメータ $\lambda$ の最尤推定量は、
観測値 $\{x_{1}^{M}, x_{2}^{M}, \cdots, x_{n}^{M} \}$ の平均値の逆数である。
すなわち、
である。
ここで、
$
\overline{x} = \frac{1}{n} \sum_{i=1}^{n} x_{i}^{M}
$
とした。
母集団の確率密度関数が指数分布
に従うことは分かっているが、
パラメータ $\lambda$ の値が何であるかは分かっていない。
そういう状態で $n$ 回の観測を行ったところ、
観測値 $\{x_{1}, x_{2}, \cdots, x_{n} \}$ のそれぞれが微小な区間
の中に収まっていたとする。
ここで、
$\Delta x_{i}^{M}$ は、
微小な値である。
この結果を使って、 母集団のパラメータ $\lambda$ の値が何であったかを推定したい。 これを指数分布のパラメータ推定という。
指数分布の最尤推定
パラメータ推定には、 様々な方法があるが、 指数分布の最尤推定では、 尤度と呼ばれる次の関数
が最大になるようにパラメータ推定を行う。
すなわち、
観測結果 $(2)$ から計算される尤度 $L$ が最大になる $\lambda$ を求め、
それらを推定値とする。
尤度とは？
尤度と確率の関係をここで述べる。
観測結果全体が $(2)$ となる確率を
と表し、
各観測の結果が
となる確率を $\mathrm{Pr}(x_{i}^{M})$ と表すことにする。
これは、
確率密度関数 $(1)$ の積分によって、
と表される。
各観測が独立に行われたとすると、
が成立するので、
$(4)$ は、
と表される。
この式では、 右辺の積分の被積分関数が尤度 $(3)$ になっている。 ところで、 一般に積分区間内で被積分関数が大きな値をとれば、 積分の値も大きくなるので、 次のことが分かる。 すなわち、 尤度が最大になるときに、 確率 $\mathrm{Pr}( x_{1}^{M}, \hspace{1mm} x_{2}^{M}, \hspace{1mm}\cdots, \hspace{1mm}x_{n}^{M} ) $ も最大になる。
よって、 尤度を最大にするパラメータを求めれば、 観測値全体が $(2)$ となる確率が最大になる場合の母集団分布が求められる。
最尤推定値の導出
尤度を最大にする $\lambda$ を求める。
尤度 $(3)$ を確率密度関数 $(1)$ によって表すと、
である。
$L$ が最大になる $\lambda$ は、 $L$ を $\lambda$ で微分して $0$ になる条件
から求められる。
ただし、
最尤法では、
尤度が
を満たすことから、
$\log L$ を $\lambda$ で微分して、
$0$ になる条件
から求めてもよい （これについては、
「$ f(x)>0$ のとき、 $\log f(x)$ が $x=x_m$ で最大になるならば、
$f(x)$ もまた $x=x_m$ で最大になる」 を参考）。
$(5)$ から尤度の対数は、
と表されるので、
$\lambda$ に関する微分が
となることから、
条件 $(6)$ は、
と表される。
この式から
を得る。
ここで、 $\overline{x}$ は 観測値 $(2)$ の平均値である。
このように条件 $(6)$ から $\lambda$ の値が得られたが、 この値において、 $\log L$ が最大になるかどうかはまだ分からない。 なぜなら、 条件 $(6)$ から得られる結論には、 一般に、 関数が最小になる場合や極小/極大になる場合、 および、 平らになる場合も含まれるからである。
そこで以下では、 $\lambda$ が $(8)$ のときに、 $\log L$ が最大になることを証明する。
尤度が最大になることの証明
$(7)$ から $\log L$ の $\lambda$ についての微分は、
であるが、
この関数は、
$\lambda$ についての単調減少関数であり、
$\lambda = \frac{1}{\overline{x}}$ のときのみ
$0$ となる次のような増減表を持つ関数である。
よって、
$\log L$ は、
$\lambda = \frac{1}{\overline{x}}$ のときに最大になる。
結論
$\log L$ が $\lambda = \frac{1}{\overline{x}}$ のときに最大になることから、 $L$ そのものも、このときに最大になる。 言い換えると、 指数分布の尤度 $L$ を 最大にするパラメータ $\lambda$ の値は、 観測値の平均値の逆数である。 すなわち、
である。
指数分布に対する最尤法
解説
指数分布のパラメータ推定母集団の確率密度関数が指数分布
この結果を使って、 母集団のパラメータ $\lambda$ の値が何であったかを推定したい。 これを指数分布のパラメータ推定という。
指数分布の最尤推定
パラメータ推定には、 様々な方法があるが、 指数分布の最尤推定では、 尤度と呼ばれる次の関数
尤度とは？
尤度と確率の関係をここで述べる。
観測結果全体が $(2)$ となる確率を
各観測が独立に行われたとすると、
この式では、 右辺の積分の被積分関数が尤度 $(3)$ になっている。 ところで、 一般に積分区間内で被積分関数が大きな値をとれば、 積分の値も大きくなるので、 次のことが分かる。 すなわち、 尤度が最大になるときに、 確率 $\mathrm{Pr}( x_{1}^{M}, \hspace{1mm} x_{2}^{M}, \hspace{1mm}\cdots, \hspace{1mm}x_{n}^{M} ) $ も最大になる。
よって、 尤度を最大にするパラメータを求めれば、 観測値全体が $(2)$ となる確率が最大になる場合の母集団分布が求められる。
最尤推定値の導出
尤度を最大にする $\lambda$ を求める。
尤度 $(3)$ を確率密度関数 $(1)$ によって表すと、
$L$ が最大になる $\lambda$ は、 $L$ を $\lambda$ で微分して $0$ になる条件
$(5)$ から尤度の対数は、
この式から
このように条件 $(6)$ から $\lambda$ の値が得られたが、 この値において、 $\log L$ が最大になるかどうかはまだ分からない。 なぜなら、 条件 $(6)$ から得られる結論には、 一般に、 関数が最小になる場合や極小/極大になる場合、 および、 平らになる場合も含まれるからである。
そこで以下では、 $\lambda$ が $(8)$ のときに、 $\log L$ が最大になることを証明する。
尤度が最大になることの証明
$(7)$ から $\log L$ の $\lambda$ についての微分は、
結論
$\log L$ が $\lambda = \frac{1}{\overline{x}}$ のときに最大になることから、 $L$ そのものも、このときに最大になる。 言い換えると、 指数分布の尤度 $L$ を 最大にするパラメータ $\lambda$ の値は、 観測値の平均値の逆数である。 すなわち、