Eh, bir örnek varsa parametreler ile bir kısıtsız dağılımından m > 0 ve α > 0 (burada m, alt sınır parametredir ve α şekil parametresidir) bu numune log-olasılık olduğu:X1,...,Xnm>0α>0mα
nlog(α)+nαlog(m)−(α+1)∑i=1nlog(Xi)
bu monoton bir şekilde cinsinden artmaktadır , bu nedenle maksimize edici, gözlemlenen verilerle tutarlı olan en büyük değerdir. M parametresi Pareto dağıtımı için desteğin alt sınırını tanımladığından, en uygun değermm
m^=miniXi
burada bağlı değildir . Daha sonra, sıradan hesap püf noktalarını kullanarak, α için MLE yeterli olmalıdırαα
nα+nlog(m^)−∑i=1nlog(Xi)=0
Bazı basit cebir bize MLE söyler olduğunuα
α^=n∑ni=1log(Xi/m^)
Pek çok önemli duyumda (örneğin Cramer-Rao alt sınırına ulaşılmasında optimal asimptotik verimlilik), verileri bir Pareto dağılımına sığdırmanın en iyi yoludur. Aşağıdaki R kodu verilen bir veri seti için MLE değerini hesaplar X
.
pareto.MLE <- function(X)
{
n <- length(X)
m <- min(X)
a <- n/sum(log(X)-log(m))
return( c(m,a) )
}
# example.
library(VGAM)
set.seed(1)
z = rpareto(1000, 1, 5)
pareto.MLE(z)
[1] 1.000014 5.065213
Düzenleme: @cardinal göre yorum dayanarak ve aşağıdaki I, aynı zamanda dikkat olabilir a örnek ortalama karşılıklıdır log ( X ı / m ) 'nin, ne ki, bir üstel bir dağılıma sahip olması. Dolayısıyla, üstel bir dağılıma sığabilecek bir yazılıma erişebiliyorsak (ki bu, çoğu istatistiksel problemde ortaya çıktığı için daha muhtemeldir), o zaman bir Pareto dağılımına uymak, veri kümesini bu şekilde dönüştürerek ve sığdırarak gerçekleştirilebilir. dönüştürülen ölçekte üstel bir dağılım. α^log(Xi/m^)