指数分布に対する最尤法

最終更新 2018年 3月25日
  指数分布
指数分布の最尤推定00
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、
指数分布の最尤推定01
である。 ここで、 $ \overline{x} = \frac{1}{n} \sum_{i=1}^{n} x_{i}^{M} $ とした。

  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
指数分布の最尤推定02
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
指数分布の最尤推定03
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
指数分布の最尤推定04
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
指数分布の最尤推定05
と表し、 各観測の結果が

指数分布の最尤推定06
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、
指数分布の最尤推定07
と表される。
  各観測が独立に行われたとすると、
指数分布の最尤推定08
が成立するので、 $(4)$ は、
指数分布の最尤推定09
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、
指数分布の最尤推定10
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
指数分布の最尤推定11
から求められる。 ただし、 最尤法では、 尤度が
指数分布の最尤推定12
を満たすことから、 $\log L$ を $\lambda$ で微分して、 $0$ になる条件
指数分布の最尤推定13
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、
指数分布の最尤推定14
と表されるので、 $\lambda$ に関する微分が
指数分布の最尤推定15
となることから、 条件 $(6)$ は、
指数分布の最尤推定16
と表される。
  この式から
指数分布の最尤推定17
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、
指数分布の最尤推定18
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。
指数分布の最尤推定19
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、
指数分布の最尤推定20
である。