ในการประมาณค่าความน่าจะเป็นสูงสุดคุณพยายามเพิ่ม ; แต่การเพิ่มนี้จะเทียบเท่ากับการเพิ่มP x ( 1 - P ) n - xสำหรับการแก้ไขxnCx px(1−p)n−xpx(1−p)n−xx
ที่จริงแล้วโอกาสที่เกาส์และปัวซองจะไม่เกี่ยวข้องกับค่าคงที่ชั้นนำของพวกเขาดังนั้นกรณีนี้ก็เป็นเช่นเดียวกับ
ที่อยู่ความคิดเห็น OPs
นี่คือรายละเอียดเพิ่มเติมเล็กน้อย:
ครั้งแรกที่เป็นรวมจำนวนความสำเร็จในขณะที่x ฉันคือการทดลองเดียว (0 หรือ 1) ดังนั้น:xxi
∏i=1npxi(1−p)1−xi=p∑n1xi(1−p)∑n11−xi=px(1−p)n−x
นั่นแสดงให้เห็นว่าคุณได้รับปัจจัยในความน่าจะเป็นอย่างไร (โดยทำตามขั้นตอนข้างต้นย้อนหลัง)
ทำไมค่าคงที่หายไป? อย่างไม่เป็นทางการและสิ่งที่คนส่วนใหญ่ทำ (รวมถึงฉัน) เป็นเพียงสังเกตว่าค่าคงที่นำไม่ส่งผลกระทบต่อค่าของที่เพิ่มโอกาสในการดังนั้นเราจึงไม่สนใจมัน (ตั้งค่าได้อย่างมีประสิทธิภาพถึง 1)p
เราสามารถได้มาซึ่งสิ่งนี้โดยจดบันทึกของฟังก์ชันความน่าจะเป็นและค้นหาว่าอนุพันธ์ของมันอยู่ที่ไหน:
ln(nCx px(1−p)n−x)=ln(nCx)+xln(p)+(n−x)ln(1−p)
ใช้อนุพันธ์ wrt และตั้งค่าเป็น0 :p0
ddpln(nCx)+xln(p)+(n−x)ln(1−p)=xp−n−x1−p=0
⟹nx=1p⟹p=xn
ขอให้สังเกตว่าค่าคงที่นำออกจากการคำนวณ MLE
L1,L2L1=kL2p
ในระดับปฏิบัติการอนุมานโดยใช้ฟังก์ชันความน่าจะเป็นจริงขึ้นอยู่กับอัตราส่วนความน่าจะเป็นไม่ใช่ค่าสัมบูรณ์ของความน่าจะเป็น นี่คือสาเหตุที่ทฤษฎี asymptotic อัตราส่วนความน่าจะเป็น (ซึ่งเป็น asymptotically ไคสแควร์ - ภายใต้เงื่อนไขปกติบางอย่างที่มักจะเหมาะสม) การทดสอบอัตราส่วนเป็นที่ชื่นชอบเนื่องจากการNeyman เพียร์สันแทรก ดังนั้นเมื่อเราพยายามทดสอบสมมติฐานง่าย ๆ สองข้อเราจะใช้อัตราส่วนและปัจจัยนำทั่วไปจะถูกยกเลิก
หมายเหตุ: สิ่งนี้จะไม่เกิดขึ้นหากคุณเปรียบเทียบสองรุ่นที่แตกต่างกันพูดทวินามและปัวซอง ในกรณีนี้ค่าคงที่มีความสำคัญ
จากสาเหตุข้างต้นสิ่งแรก (ไม่เกี่ยวข้องกับการหา maximizer ของ L) จะตอบคำถามของคุณได้โดยตรงที่สุด