Chà, nếu bạn có một mẫu từ phân phối pareto với các tham số và (trong đó là tham số ràng buộc thấp hơn và là tham số hình dạng) khả năng đăng nhập của điều đó mẫu là: m > 0 α > 0 m αX1, . . . , Xnm > 0α > 0mα
nhật ký n( Α ) + n α log( M ) - ( α + 1 ) Σi = 1nđăng nhập( Xtôi)
đây là mức tăng đơn điệu tính bằng , vì vậy bộ tối đa hóa là giá trị lớn nhất phù hợp với dữ liệu quan sát được. Do tham số xác định giới hạn dưới của hỗ trợ cho phân phối Pareto, nên tối ưu làmmm
m^= phúttôiXtôi
không phụ thuộc vào . Tiếp theo, sử dụng các thủ thuật tính toán thông thường, MLE cho phải đáp ứngalphaαα
nα+ n nhật ký( m^) - Σi = 1nđăng nhập( Xtôi) = 0
một số đại số đơn giản cho chúng ta biết MLE của làα
α^= nΣni = 1đăng nhập( Xtôi/ m^)
Trong nhiều giác quan quan trọng (ví dụ hiệu quả tiệm cận tối ưu ở chỗ nó đạt được giới hạn dưới của Cramer-Rao), đây là cách tốt nhất để khớp dữ liệu với phân phối Pareto. Mã R bên dưới tính toán MLE cho một tập dữ liệu nhất định , 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
Chỉnh sửa: Dựa trên phần bình luận của @cardinal và tôi bên dưới, chúng tôi cũng có thể lưu ý rằng là đối ứng của giá trị trung bình mẫu của , xảy ra với có phân phối theo cấp số nhân. Do đó, nếu chúng ta có quyền truy cập vào phần mềm có thể phù hợp với phân phối theo cấp số nhân (rất có thể, vì dường như nó phát sinh trong nhiều vấn đề thống kê), thì có thể thực hiện phân phối Pareto bằng cách chuyển đổi tập dữ liệu theo cách này và điều chỉnh nó đến một phân phối theo cấp số nhân trên quy mô chuyển đổi. α^đăng nhập( Xtôi/ m^)