Vybrané problémy z teorie maximální věrohodnosti
Maximum likelihood methods; selected problems
bakalářská práce (OBHÁJENO)
Zobrazit/ otevřít
Trvalý odkaz
http://hdl.handle.net/20.500.11956/73014Identifikátory
SIS: 140391
Kolekce
- Kvalifikační práce [10688]
Autor
Vedoucí práce
Oponent práce
Hlávka, Zdeněk
Fakulta / součást
Matematicko-fyzikální fakulta
Obor
Obecná matematika
Katedra / ústav / klinika
Katedra pravděpodobnosti a matematické statistiky
Datum obhajoby
26. 6. 2014
Nakladatel
Univerzita Karlova, Matematicko-fyzikální fakultaJazyk
Čeština
Známka
Výborně
Klíčová slova (česky)
Maximální věrohodnost, konzistence odhadu, asymptotická normalita, regulární třídy rozděleníKlíčová slova (anglicky)
Maximum likelihood, consistency, asymptotic normality, regular systems of distributionsMetoda maximální věrohodnosti je jedna ze statistických metod na odhad neznámého parametru. Její časté použití je dáno nejen jednoduchým výpočtem, kterým získáme hledaný odhad, ale hlavně dobrými vlastnostmi tohoto odhadu, jenž nám metoda za určitých podmínek zaručuje. V práci dokážeme konzistenci odhadu při splnění podmínek regularity a jednoznačnosti kořene věrohodnostní rovnice, což potvrdí smysluplnost věrohodného odhadu. Po přidání dalších předpokladů ukážeme i jeho asymptotickou normalitu a tyto výsledky pro jednorozměrný parametr stručně rozšíříme i na vícerozměrný parametr. Hlavním výsledkem práce jsou cvičení, ve kterých nelze obecně vyjádřit maximálně věrohodný odhad, lze ale ukázat jeho existenci, jednoznačnost a asymptotickou normalitu. Navíc je načrtnuto využití asymptotické normality odhadu pro sestavování asymptotických testů hypotéz a intervalového odhadu parametru. Powered by TCPDF (www.tcpdf.org)
Maximum likelihood estimation is one of statistical methods for estimating an unknown parameter. It is often used because of a simple calculation of the estimator and also for characteristics of this estimator, which the method provides under some conditions. In the thesis we prove a consistence of the estimator under conditions of regularity and uniqueness of the root of the likelihood equation. If we add other assumptions we show its asymptotic normality and we expand this result from the one-dimensional parameter to the multi-dimensional parameter. The main result of the thesis lies in exercises, in which we cannot express the maximum likelihood estimator in general, but we can show its existence, uniqueness and asymptotic normality. Moreover we demonstrate the utilization of asymptotic normality of the estimator for asymptotic hypothesis tests and confidence intervals of the parameter. Powered by TCPDF (www.tcpdf.org)