Prawdopodobienstwo i statystyka
Transkrypt
Prawdopodobienstwo i statystyka
Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II 8 grudnia 2014 Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Zgodność estymatorów Przykłady zgodnych estymatorow Zgodność estymatorów Definicja zgodności ciągu estymatorów Niech będzie dany ciąg modeli dla próby prostej z tej samej populacji o rosnącej długości. Niech ĝn (X1 , X2 , . . . , Xn ) będzie ciągiem estymatorów parametru g : Θ → R1 . Ciąg {ĝn } jest: Słabo zgodny, jeśli dla każdego θ ∈ Θ lim Pθ (|ĝn (X1 , X2 , . . . , Xn ) − g (θ)| > ε) = 0, ε > 0. n→∞ Zgodny w sensie L2 , jeśli dla każdego θ ∈ Θ lim Eθ (ĝn (X1 , X2 , . . . , Xn ) − g (θ))2 = 0. n→∞ Mocno zgodny, jeśli ĝn (X1 , X2 , . . . , Xn ) → g (θ) prawie wszędzie. Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Zgodność estymatorów Przykłady zgodnych estymatorow Uwagi i przykład Jeśli ciąg {ĝn } jest mocno zgodny, to jest słabo zgodny. Jeśli ciąg {ĝn } jest zgodny w sensie L2 , to jest słabo zgodny. Przykład Jeśli istnieją drugie momenty, to ciąg estymatorów {X̄n } jest zgodny w sensie L2 . Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Zgodność estymatorów Przykłady zgodnych estymatorow Wnioski Ciąg estymatorów {X̄n } jest mocno zgodny. Zgodność obu ciągów estymatorów wariancji. Zgodność ciągu estymatorów prawdopodobieństwa sukcesu w schemacie Bernoullego. Zgodność obu ciągów estymatorów dla P(Y = 0) z rozkładu Poissona. Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Zgodność estymatorów Przykłady zgodnych estymatorow Pytanie: jak szukać „odpowiednich” wzorów? Na poprzednim wykładzie pojawiło się wiele wzorów, które miały rozmaite dobre własności. Czy istnieje metoda znajdowania takich wzorów? Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Estymatory największej wiarogodności Estymatory największej wiarogodności Funkcja wiarogodności Niech (X , B, {Pθ }θ∈Θ ) będzie przestrzenią statystyczną. Załóżmy, że wszystkie rozkłady Pθ zadają się gęstością pθ (x) względem pewnej miary referencyjnej Λ. Dla ustalonego x ∈ X funkcję Θ 3 θ 7→ L(θ ; x) := pθ (x) nazywamy wiarogodnością θ, gdy zaobserwowano x. Uwaga: gdy wszystkie rozkłady Pθ są dyskretne i skoncentrowane na tym samym zbiorze przeliczalnym X0 , jako miarę referencyjną możemy wybrać miarę liczącą: Λ(A) = #A, A ⊂ X0 . Wtedy „gęstość w punkcie” x ∈ X0 jest dana wzorem pθ (x) = Pθ ({x}). Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Estymatory największej wiarogodności Estymatory największej wiarogodności - cd. Estymator największej wiarogodności Jeśli przy każdym ustalonym x ∈ X istnieje θ̂ = θ̂(x) ∈ Θ takie, że L(θ̂ ; x) = sup L(θ ; x) = sup pθ (x) , θ∈Θ θ∈Θ to odwzorowanie X 3 x 7→ θ̂(x) ∈ Θ nazywamy estymatorem największej wiarogodności (parametru θ!). ENW nie musi być nieobciążony. ENW może nie istnieć. ENW może nie być określony jednoznacznie lub jego wyznaczenie może być bardzo trudne. Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Przykłady ENW ENW dla prawdopodobieństwa sukcesu w schemacie N prób Bernoullego. p̂(X1 , X2 , . . . , XN ) = X1 + X2 + . . . + XN . N ENW dla wartości oczekiwanej i wariancji dla próby prostej gaussowskiej długości N. µ̂ = X1 + X2 + . . . + XN = X̄N . N (X1 − X̄N )2 + (X2 − X̄N )2 + . . . + (XN − X̄N )2 N −1 2 σˆ2 = = S̄N N N Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Porównywanie estymatorów Estymatory nieobciążone minimalnej wariancji Porównywanie estymatorów Przypomnienie: Estymatory dla P(X = 0) z rozkładu Poissona Θ = {rozkład Poissona z parametrem θ ∈ R+ }, g (θ) = e −θ (= Pθ (X = 0)). ĝ1 (X1 , X2 , . . . , XN ) = 1I {X1 =0} + 1I {X2 =0} + . . . + 1I {XN =0} . N 1 ĝ2 (X1 , X2 , . . . , XN ) = 1 − N X1 +X2 +...+XN Który jest lepszy i w jakim sensie? Var θ (ĝ2 ) < Var θ (ĝ1 ) ! Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II . Zgodność ciągu estymatorów Estymatory największej wiarogodności Przykłady ENW Estymatory minimalnej wariancji Porównywanie estymatorów Estymatory nieobciążone minimalnej wariancji Estymator nieobciążony minimalnej wariancji Definicja ENMW Estymatorem nieobciążonym minimalnej wariancji (ENMW) parametru g nazywamy estymator nieobciążony ĝ , który ma wariancję niewiększą niż każdy inny estymator nieobciążony ĥ Var θ (ĝ ) ¬ Var θ (ĥ). Uwaga: Istnieje piękna teoria, równie pięknie przedstawiona w książce R. Zieliński, Siedem wykładów wprowadzających do statystyki matematycznej, PWN Warszawa 1990, która pojęcie „estymator nieobciążony minimalnej wariancji” analizuje z punktu widzenia tzw. statystyk dostatecznych (tzn. zawierających pełną informację o modelu statystycznym). Prawdopodobieństwo i statystyka Wykład IX: Estymatory - cz. II