He llegado hasta
Donde es el parámetro de ubicación. Y es función de probabilidad. No entiendo cómo proceder. Por favor ayuda.
He llegado hasta
Donde es el parámetro de ubicación. Y es función de probabilidad. No entiendo cómo proceder. Por favor ayuda.
Respuestas:
Ok, digamos que el pdf para el cauchy es:
aquí es mediana, no significa ya que para Cauchy la media no está definida.
Esto es exactamente lo que tienes, excepto que aquí es mediana, no mala. Supongo que mediana en tu fórmula.
Siguiente paso, para encontrar mle necesitamos establecer
Ahora es su variable, y son valores conocidos, debe resolver la ecuación
es decir, para resolver . Parece que resolver esta ecuación será muy difícil. Por lo tanto, necesitamos el método de Newton-Raphson.
Creo que muchos libros de cálculo hablan sobre el método
La fórmula para el método de Newton-Raphson puede escribirse como
es su conjetura inicial de
es la primera derivada de la función de probabilidad logarítmica.
es la segunda derivada de la función de probabilidad de registro.
Desde puede obtener luego coloca en luego obtiene y lo coloca en para obtener ... continúe estas iteraciones hasta que no haya grandes cambios entre y
Los siguientes son la función R que escribí para obtener mle para la distribución de Cauchy.
mlecauchy=function(x,toler=.001){ #x is a vector here
startvalue=median(x)
n=length(x);
thetahatcurr=startvalue;
# Compute first deriviative of log likelihood
firstderivll=2*sum((x-thetahatcurr)/(1+(x-thetahatcurr)^2))
# Continue Newton’s method until the first derivative
# of the likelihood is within toler of 0.001
while(abs(firstderivll)>toler){
# Compute second derivative of log likelihood
secondderivll=2*sum(((x-thetahatcurr)^2-1)/(1+(x-thetahatcurr)^2)^2);
# Newton’s method update of estimate of theta
thetahatnew=thetahatcurr-firstderivll/secondderivll;
thetahatcurr=thetahatnew;
# Compute first derivative of log likelihood
firstderivll=2*sum((x-thetahatcurr)/(1+(x-thetahatcurr)^2))
}
list(thetahat=thetahatcurr);
}
Ahora suponga que sus datos son
x<-c(-1.94,0.59,-5.98,-0.08,-0.77)
mlecauchy(x,0.0001)
Resultado:
#$thetahat
#[1] -0.5343968
También podemos usar la función R build in para obtener mle.
optimize(function(theta) -sum(dcauchy(x, location=theta, log=TRUE)), c(-100,100))
#we use negative sign here
Resultados:
#$minimum
#[1] -0.5343902
El resultado es casi el mismo que el de los códigos caseros.
Ok, como lo requirió, déjenos hacerlo a mano.
Primero obtenemos una conjetura inicial que será la mediana de los datos
La mediana es
A continuación, ya sabemos que
y
Ahora conectamos es decir, la mediana de y
es decir, reemplazar con es decir, mediana es
Luego, conecte a y para obtener luego puede obtener
Ok, tengo que parar aquí, es demasiado problemático calcular estos valores a mano.