ฟังก์ชั่นการแจกแจงสะสมร่วมสำหรับขั้นต่ำและสูงสุดx ( n )x(1)x(n)สำหรับตัวอย่างของจากการแจกแจงแบบเกาส์ด้วยค่าเฉลี่ยμและส่วนเบี่ยงเบนมาตรฐานσคือnμσ
F(x(1),x(n);μ,σ)=Pr(X(1)<x(1),X(n)<x(n))=Pr(X(n)<x(n))−Pr(X(1)>x(1),X(n)<x(n)=Φ(x(n)−μσ)n−[Φ(x(n)−μσ)−Φ(x(1)−μσ)]n
โดยที่เป็นมาตรฐานแบบเกาส์ CDF ความแตกต่างเกี่ยวกับx ( 1 ) & x (Φ(⋅)x(1)ให้ฟังก์ชันความหนาแน่นของความน่าจะเป็นร่วมx(n)
f(x(1),x(n);μ,σ)=n(n−1)[Φ(x(n)−μσ)−Φ(x(1)−μσ)]n−2⋅ϕ(x(n)−μσ)⋅ϕ(x(1)−μσ)⋅1σ2
โดยที่เป็น PDF แบบเกาส์มาตรฐาน การบันทึกคำศัพท์ & การดร็อปคำศัพท์ที่ไม่มีพารามิเตอร์จะทำให้ฟังก์ชั่นบันทึกความเป็นไปได้ϕ(⋅)
ℓ(μ,σ;x(1),x(n))=(n−2)log[Φ(x(n)−μσ)−Φ(x(1)−μσ)]+logϕ(x(n)−μσ)+logϕ(x(1)−μσ)−2logσ
นี้ไม่ได้ดูอ่อนโยนมาก แต่มันเป็นเรื่องง่ายที่จะเห็นว่ามันเป็นสิ่งที่ขยายมูลค่าของโดยการตั้งค่าμ = μ = x ( n ) + x (σคือจุดกึ่งกลาง - เทอมแรกจะขยายใหญ่สุดเมื่อการโต้แย้งของ CDF หนึ่งเป็นค่าลบของการโต้แย้งของอีกอันหนึ่ง คำศัพท์ที่สองและสามแสดงถึงโอกาสร่วมของสองตัวแปรอิสระอิสระμ=μ^=x(n)+x(1)2
แทนμเข้าไปในโอกาสการเข้าสู่ระบบและการเขียนR = x ( n ) - x ( 1 )ให้
ℓ ( σ ; x ( 1 ) , x ( n ) , μ ) = ( n - 2 ) บันทึก[ 1 - 2 Φ ( - rμ^r=x(n)−x(1)
ℓ(σ;x(1),x(n),μ^)=(n−2)log[1−2Φ(−r2σ)]−r24σ2−2logσ
สำนวนนี้จะต้องมีการขยายตัวเลข (เช่นกับoptimize
จากอาร์เอสstat
แพคเกจ) เพื่อหาσ( แต่กลับกลายเป็นว่าσ = k ( n ) ⋅ Rที่kσ^σ^=k(n)⋅rkเป็นค่าคงที่ขึ้นอยู่เฉพาะใน -perhaps คนอื่น ๆ ทางคณิตศาสตร์เฉลียวฉลาดกว่าที่ฉันสามารถแสดงเหตุผล.)n
ค่าประมาณนั้นไม่มีประโยชน์หากไม่มีมาตรวัดความแม่นยำประกอบ ข้อมูล Fisher ที่สังเกตได้สามารถประเมินเป็นตัวเลข (เช่นhessian
จากnumDeriv
แพ็คเกจของ R ) และใช้ในการคำนวณข้อผิดพลาดมาตรฐานโดยประมาณ:
ฉัน(σ)=-∂2ℓ(σ; μ )
I(μ)=−∂2ℓ(μ;σ^)(∂μ)2∣∣∣μ=μ^
I(σ)=−∂2ℓ(σ;μ^)(∂σ)2∣∣∣σ=σ^
มันจะน่าสนใจที่จะเปรียบเทียบความน่าจะเป็น & วิธีการประมาณช่วงเวลาของ ในแง่ของความลำเอียง (MLE สอดคล้องกันหรือไม่?) ความแปรปรวน & ข้อผิดพลาดกำลังสองเฉลี่ย นอกจากนี้ยังมีปัญหาของการประมาณค่าสำหรับกลุ่มเหล่านั้นที่ทราบค่าเฉลี่ยตัวอย่างนอกเหนือจากค่าต่ำสุด & สูงสุดσ