統計検定 1級 2017年 統計数理 問2 連続一様分布の上限値の推定

公開日: 更新日:

【2023年6月1週】 【B000】数理統計学 【D000】統計検定 過去問

この記事をシェアする
  • B!
サムネイル画像

本稿には、2017年に実施された統計検定1級『統計数理』 問2の自作解答案を掲載しています。なお、閲覧にあたっては、以下の点にご注意ください。

  • 著作権の関係上、問題文は、掲載することができません。申し訳ありませんが、閲覧者のみなさまでご用意いただければ幸いです。
  • この答案は、あくまでも筆者が自作したものであり、公式なものではありません。正式な答案については、公式問題集をご参照ください。
  • 計算ミスや誤字・脱字などがありましたら、コメントなどでご指摘いただければ大変助かります。
  • スマートフォンやタブレット端末でご覧の際、数式が見切れている場合は、横にスクロールすることができます。

〔1〕連続一様分布の最尤推定量

本問において、確率変数 $X$ は \begin{align} \mathrm{U} \sim \left(0,\theta\right) \end{align} 尤度関数 $L \left(\theta\right)$ を求めると、 \begin{align} L \left(\theta\right)&=\prod_{i=1}^{n}\frac{1}{\theta}\\ &=\frac{1}{\theta^n} \end{align} 対数尤度関数 $l \left(\theta\right)=\log{L \left(\theta\right)}$ を求めると、 \begin{align} l \left(\theta\right)=-n\log{\theta} \end{align} ここで、この対数尤度関数は、$0 \lt \theta$ において単調減少な関数であり、論理的に、 \begin{align} X_{\mathrm{max}} \le \theta \end{align} という制約があるため、 実際には、 \begin{align} l \left(\theta\right)= \left\{\begin{matrix}0&\theta \lt X_{\mathrm{max}}\\-n\log{\theta}&X_{\mathrm{max}} \le \theta\\\end{matrix}\right. \end{align} したがって、対数尤度関数は、 \begin{align} \hat{\theta}=X_{\mathrm{max}} \end{align} において最大となるから、 最尤推定量の定義より、$\theta$ の最尤推定量は $\hat{\theta}=X_{\mathrm{max}}$ である。 $\blacksquare$

連続一様分布の対数尤度関数のイメージ図
図1 連続一様分布の対数尤度関数

〔2〕連続一様分布の不偏推定量

期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}$ より、この分布の期待値は、 \begin{align} E \left(X\right)&=\int_{0}^{\theta}{x \cdot \frac{1}{\theta}dx}\\ &=\frac{1}{\theta} \left[\frac{1}{2}x^2\right]_0^\theta\\ &=\frac{1}{\theta} \left(\frac{b^2}{2}-\frac{a^2}{2}\right)\\ &=\frac{1}{\theta} \cdot \frac{\theta^2}{2}\\ &=\frac{\theta}{2} \end{align} $\theta^\prime$ の期待値を取ると、 \begin{align} E \left(\theta^\prime\right)&=E \left(\frac{2}{n}\sum_{i=1}^{n}X_i\right)\\ &=\frac{2}{n}E \left(\sum_{i=1}^{n}X_i\right)\\ &=\frac{2}{n}\sum_{i=1}^{n}E \left(X_i\right)\\ &=\frac{2}{n} \cdot \frac{n\theta}{2}\\ &=\theta \end{align} よって、$E \left(\hat{\theta}\right)=\theta$ が成り立つので、$\theta^\prime$ は $\theta$ の不偏推定量である。 $\blacksquare$

〔3〕最大値の分布

(i)累積分布関数
累積分布関数の定義式 $F \left(x\right)=\int_{-\infty}^{x}f \left(t\right)dt$ より、
$0 \lt x \le \theta$ のとき \begin{align} F \left(x\right)&=\int_{0}^{x}{\frac{1}{\theta}dt}\\ &=\frac{1}{\theta}\int_{0}^{x}{1 \cdot d t}\\ &=\frac{1}{\theta} \left[t\right]_0^x\\ &=\frac{x}{\theta} \end{align}

(ii)最大値の分布
最大値が $x$ 以下となるとき、すべての $X_i$ が $x$ 以下となるので、 \begin{align} F_{\mathrm{max}} \left(x\right)=P \left(X_1 \le x,X_2 \le x, \cdots X_n \le x\right) \end{align} すべての確率変数は互いに独立であるため、この確率は、 \begin{align} F_{\mathrm{max}} \left(x\right)&=P \left(X_1 \le x\right) \cdot P \left(X_2 \le x\right) \cdot \cdots \cdot P \left(X_n \le x\right)\\ &=F \left(x\right) \cdot F \left(x\right) \cdot \cdots \cdot F \left(x\right)\\ &= \left\{F \left(x\right)\right\}^n\\ &=\frac{x^n}{\theta^n} \end{align} 累積分布関数と確率密度関数の関係 $f \left(x\right)=\frac{d}{dx}F \left(x\right)$ より、 \begin{align} f_{\mathrm{max}} \left(x\right)=\frac{nx^{n-1}}{\theta^n} \end{align}

(iii)$\theta^{\prime\prime}$ の期待値
期待値の定義式 $E \left(X\right)=\int_{-\infty}^{\infty}{x \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X_{\mathrm{max}}\right)&=\int_{0}^{\theta}{x \cdot \frac{nx^{n-1}}{\theta^n}dx}\\ &=\frac{n}{\theta^n}\int_{0}^{\theta}{x^n \cdot d x}\\ &=\frac{n}{\theta^n} \left[\frac{1}{n+1}x^{n+1}\right]_0^\theta\\ &=\frac{n}{\theta^n} \cdot \frac{1}{n+1}\theta^{n+1}\\ &=\frac{n}{n+1} \cdot \theta\\ \end{align} 期待値の性質 $E \left(aX\right)=aE \left(X\right)$ より、 \begin{align} E \left(\theta^{\prime\prime}\right)&=E \left(\frac{n+1}{n}X_{\mathrm{max}}\right)\\ &=\frac{n+1}{n}E \left(X_{\mathrm{max}}\right)\\ &=\frac{n+1}{n} \cdot \frac{n}{n+1} \cdot \theta\\ &=\theta \end{align} よって、$E \left(\hat{\theta}\right)=\theta$ が成り立つので、$\theta^{\prime\prime}$ は $\theta$ の不偏推定量である。 $\blacksquare$

〔4〕不偏推定量の相対効率

(i)$\theta^\prime$ の分散
2乗の期待値の定義式 $E \left(X^2\right)=\int_{-\infty}^{\infty}{x^2 \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X^2\right)&=\int_{0}^{\theta}x^2 \cdot \frac{1}{\theta}dx\\ &=\frac{1}{\theta} \left[\frac{1}{3}x^3\right]_0^\theta\\ &=\frac{\theta^2}{3} \end{align} 分散の公式 $V \left(X\right)=E \left(X^2\right)- \left\{E \left(X\right)\right\}^2$ より、 \begin{align} V \left(X\right)&=\frac{\theta^2}{3}-\frac{\theta^2}{4}\\ &=\frac{\theta^2}{12} \end{align} これを用いて、$\theta^\prime$ の分散を求めると、 \begin{align} V \left(\theta^\prime\right)&=V \left(\frac{2}{n}\sum_{i=1}^{n}X_i\right)\\ &=\frac{4}{n^2}\sum_{i=1}^{n}V \left(X_i\right)\\ &=\frac{4}{n^2} \cdot \frac{n\theta^2}{12}\\ &=\frac{\theta^2}{3n} \end{align}

(ii)$\theta^\prime$ の分散
2乗の期待値の定義式 $E \left(X^2\right)=\int_{-\infty}^{\infty}{x^2 \cdot f \left(x\right)dx}$ より、 \begin{align} E \left(X_{\mathrm{max}}^2\right)&=\int_{0}^{\theta}x^2 \cdot \frac{n}{\theta^n}x^{n-1}dx\\ &=\frac{n}{\theta^n} \left[\frac{1}{n+2}x^{n+2}\right]_0^\theta\\ &=\frac{n}{\theta^n} \cdot \frac{\theta^{n+2}}{n+2}\\ &=\frac{n}{n+2}\theta^2 \end{align} 分散の公式 $V \left(X\right)=E \left(X^2\right)- \left\{E \left(X\right)\right\}^2$ より、 \begin{align} V \left(X_{\mathrm{max}}\right)&=\frac{n}{n+2}\theta^2-\frac{n^2}{ \left(n+1\right)^2}\theta^2\\ &=\frac{n \left(n^2+2n+1\right)-n^2 \left(n+2\right)}{ \left(n+2\right) \left(n+1\right)^2}\theta^2\\ &=\frac{n^3+2n^2+n-n^3-2n^2}{ \left(n+2\right) \left(n+1\right)^2}\theta^2\\ &=\frac{n}{ \left(n+2\right) \left(n+1\right)^2}\theta^2 \end{align} これを用いて、$\theta^{\prime\prime}$ の分散を求めると、 \begin{align} V \left(\theta^{\prime\prime}\right)&=V \left(\frac{n+1}{n}X_{\mathrm{max}}\right)\\ &=\frac{ \left(n+1\right)^2}{n^2}V \left(X_{\mathrm{max}}\right)\\ &=\frac{ \left(n+1\right)^2}{n^2} \cdot \frac{n}{ \left(n+2\right) \left(n+1\right)^2}\theta^2\\ &=\frac{\theta^2}{n \left(n+2\right)} \end{align}

(iii)推定量の分散の大小関係
$n \left(n+2\right)$ と $3n$ の大小関係について、$1 \le n$ なので、 \begin{align} n \left(n+2\right)-3n&=n^2+2n-3n\\ &=n^2-n\\ &=n \left(n-1\right) \geq 0 \end{align} よって、 \begin{align} 3n \le n \left(n+2\right)\Leftrightarrow\frac{1}{3n} \geq \frac{1}{n \left(n+2\right)} \end{align} これより、$n=1$ のときは、 \begin{align} V \left(\theta^\prime\right)=V \left(\theta^{\prime\prime}\right) \end{align} $2 \le n$ のときは、 \begin{align} V \left(\theta^\prime\right) \gt V \left(\theta^{\prime\prime}\right) \end{align} すなわち、サンプルサイズが2以上であれば、$\theta^{\prime\prime}$ の方がより望ましい。 $\blacksquare$

関連記事

自己紹介

自分の写真

yama

大学時代に読書の面白さに気づいて以来、読書や勉強を通じて、興味をもったことや新しいことを学ぶことが生きる原動力。そんな人間が、その時々に学んだことを備忘録兼人生の軌跡として記録しているブログです。

このブログを検索

ブログ アーカイブ

QooQ