LIKELIHOOD
- Kelompok 4 -
Misalkan
● sebuah koin bias, dan diketahui bahwa proporsi rata-rata dari sisi
depan adalah salah satu dari tiga nilai atau Sebuah percobaan terdiri dari
melempar koin dua kali dan mengamati jumlah sisi depan. Ini bisa dimodelkan
secara matematis sebagai sampel acak dari ukuran dari distribusi Bernoulli, ,
dimana ruang parameter adalah
Untuk Kemungkinan keluar sisi depan koin kita misalkan dengan 0, dan
kemungkinan keluar sisi belakang koin kita misalkan dengan 1.
Contoh 9.2.5
Nilai
● dari disediakan dalam Tabel 9.1 untuk berbagai pasangan dan nilai .
Sebagai contoh, jika masukkan nilai
Tabel 9.1 pdf bersama dari jumlah sisi depan untuk dua lemparan koin yang bias
Contoh 9.2.5
Misalkan
● hasil percobaan pada pasangan yang diamati Dari Tabel 9.1,
tampaknya lebih mungkin bahwa daripada dua nilai lainnya. Demikian pula,
akan sesuai dengan dan akan sesuai dengan
●
Misalkan , adalah pdf bersama dari Untuk data pengamatan,
maksimum maka disebut Estimator Maksimum Likelihood (MLE) dari yang
memenuhi :
Penjelasan lanjutan Definisi 9.2.3
●
Perhatikan bahwa jika setiap himpunan pengamatan
koresponden ke nilai unik , maka prosedur ini mendefinisikan
sebuah fungsi, Ini merupakan fungsi yang sama, ketika diterapkan
ke sampel acakdisebut Estimator Maksimum Likelihood, juga
dilambangkan dengan MLE. Biasanya, notasi yang sama, ,
digunakan untuk keduanya estimasi ML dan estimator ML.
Penjelasan lanjutan Definisi 9.2.3
●
Dalam penerapan fungsi likelihood, merepresentasikan pdf
bersama dari sampel acak, walaupun kemungkinan
maksimumnya juga dapat dipakai dalam kasus lain seperti
dalam order statistik. Jika adalah selang terbuka, dan dapat
diturunkan dan dimisalkan maksimum pada , maka MLE akan
menjadi solusi dari persamaan :
Penjelasan lanjutan Definisi 9.2.3
●
Sebenarnya jika ada satu atau lebih solusi dari persamaan 1 , maka
harus di verifikasi, yang mana itu memaksimalkan . Perhatikan juga
bahwa setiap nilai dari dengan yang maksimal juga akan
memaksimalkan kemungkinan log-likelihood, ln , jadi untuk kemudahan
komputasi, bentuk alternatif dari persamaan maksimum likelihood
adalah
Perhatikan
● sampel acak dari distribusi Poisson , .
● Dengan pdf dari distribusi Poisson adalah
Yang mana nilainya negatif ketika dievaluasi pada = . Sehingga jika turunan kedua kurang
dari 0 di titik tersebut maka terbukti bahwa titik tersebut adalah maksimum
Tambahan dari Contoh 9.2.6
● Dalam contoh-contoh berikutnya, menunjukkan penjumlahan dari 1
sampai n. Demikian pula, menunjukkan perkalian dari 1 sampai n.
● Misalkan sekarang kita ingin memperkirakan atau mengestimasi
● Atau
● Pertimbangkan sebuah sampel acak dari distribusi eksponensial dua parameter
Fungsi kemungkinannya adalah jika semua dan nol lainnya. Jika kita menyatakan
minimum dari dengan , maka kita dapat menulis jika dan nol lainnya. Grafik
terlihat pada gambar 9.1
●
Gambar 9.1
Contoh 9.2.9
● Sebuah komponen distribusi eksponensial . Misalkan komponen dipilih secara acak
dan ditempatkan pada pengujian dan waktu kegagalan pertama yang diamati
dilambangkan dengan . Dari persamaan (6.5.12) kerapatan sambungan diberikan
oleh
● Di mana jika dan nol lainnya.
Contoh 9.2.9
●
Perhatikan bahwa mewakili total waktu dari pada tes sampai percobaan dihentikan. Untuk mendapatkan MLE
dari berdasarkan data ini kami memiliki
Menetapkan turunan sama dengan nol menghasilkan . Jika sampel lengkap diamati maka dan seperti
sebelumnya.
● sebelumnya telah melibatkan distribusi dengan satu parameter yang tidak
Contoh
diketahui. Definisi fungsi kemungkinan dan penaksir kemungkinan maksimum dapat
diterapkan dalam kasus lebih dari satu parameter yang tidak diketahui jika mewakili
vektor parameter. Katakanlah Meskipun dapat secara umum, menjadi hampir semua
jenis himpunan k-dimensi, dalam kebanyakan contoh suatu produk Cartesian dari
interval k. Ketika dalam bentuk ini dan jika turunan parsial dari ada, dan MLE tidak
terjadi pada batas , maka MLE akan menjadi solusi dari persamaan simultan.
●
Untuk Ini disebut Maximum Likelihood Equations, dan solusinya dilambangkan .
Seperti dalam kasus satu parameter, umumnya perlu untuk memverifikasi bahwa solusi
persamaan ML memaksimalkan
Teorema 9.2.2 Invariance Property / Sifat Invarian
Jika
● menyatakan MLE dari maka MLE dari
) adalah untuk 1 ≤ r ≤ k
Berdasarkan teorema 9.2.1, MLE dari diperoleh dari transformasi MLE . Sehingga untuk MLE dari
didapatkan dari transformasi masing-masing parameter terhadap MLE . Sehingga didapat MLE dari adalah
Example 9.2.10
● satu set variable acak , MLE dari dan berdasarkan pada sampel acak berukuran n.
Untuk
Pdf
Likelihood function
Derivative of ln(L)
●
Tetapkan turunan diatas sama dengan nol untuk mendapatkan penyelesaian dan
sehingga
sehingga
Dengan hasilnya
Jika dimisalkan yang dinotasikan sebagai mean geometri dari sampel dan misalkan
dinotasikan sebagai fungsi psi, kemudian turunannya sama dengan nol memberikan
persamaan
Ini memberikan contoh dimana persamaan ML tidak dapat diselesaikan dalam bentuk
tertutup.
Berikut ini adalah tahapan untuk menerapkan
metode maximum likelihood:
1. Tentukan fungsi likelihood dari X
●
2. Tentukan
3. Maksimumkan fungsi dengan mencari turunan pertamanya