Estad´ıstica Miguel Angel Chong R.´ [email protected] 24 de septiembre del ... · 2013....
Transcript of Estad´ıstica Miguel Angel Chong R.´ [email protected] 24 de septiembre del ... · 2013....
-
Curso Inferencia
Estad́ıstica
Miguel
´
Angel Chong R.
24 de septiembre del 2013
Miguel Chong Inferencia
-
Suficiencia
Cuando hacemos inferencia sobre un parámetro ✓, usando unamuestra aleatoria (X
1
, . . . ,Xn
) y un estad́ıstico
ˆ✓ (X1
, . . . ,Xn
) que
resume la información proporcionada por la muestra. Podŕıamos
preguntarnos lo siguiente:
¿El resumen que realiza
ˆ✓ (X1
, . . . ,Xn
) con respecto a (X
1
, . . . ,Xn
)
es tal que no se pierde información que pudiera contener la
muestra acerca del (los) parámetro(s) poblacional(es)?
Según Fisher, un estad́ıstico es suficiente para hacer inferencia
sobre un parámetro ✓, si resume el conjunto de informaciónrelevante suministrada por la muestra y ningún otro estad́ıstico
(otra función de la muestra) puede proporcionar información
adicional a cerca del parámetro desconocido ✓.
Miguel Chong Inferencia
-
Definición Estad́ıstico suficiente
Un estad́ıstico es suficiente respecto al parámetro ✓ si ladistribución de probabilidad de la muestra (X
1
, . . . ,Xn
)
condicionada al estad́ıstico no depende del parámetro ✓, es decir
F
⇣(X
1
, . . . ,Xn
) |ˆ✓ (X1
, . . . ,Xn
)
⌘= t) no depende de ✓ .
Miguel Chong Inferencia
-
Existe otra manera que nos permitirá de manera más fácil decir si
un estad́ıstico es suficiente.
Teorema de Factorización
Una condición necesaria y suficiente para que el estad́ıstico
ˆ✓ (X )sea suficiente, es que la función de verosimilitud de la muestra la
podamos escribir de la siguiente forma
L(✓;X ) =nY
i=1
f (x
i
; ✓)
= g
⇣ˆ✓ (X ) ; ✓
⌘· h(X )
donde g(
ˆ✓ (X ) ; ✓) depende del parámetro y de la muestra, a travésdel estad́ıstico
ˆ✓ (X ), y h(X ) no depende de ✓.
Miguel Chong Inferencia
-
Teorema Si el estad́ıstico
ˆ✓1
(X ) es suficiente y existe una función inyectiva tal
que
ˆ✓2
(X ) = f⇣ˆ✓1
(X )⌘entonces el estad́ıstico
ˆ✓2
(X ) es también suficiente.
Demostración Por ser f inyectiva tenemos que si ˆ✓2
(X ) = f⇣ˆ✓1
(X )⌘
entonces está bien definida
ˆ✓1
(X ) = f �1⇣ˆ✓2
(X )⌘.
Por otro lado como
ˆ✓1
(X ) es suficiente tenemos que
L(✓;X) = g⇣ˆ✓1
(X ) ; ✓⌘· h(X )
= g⇣f �1
⇣ˆ✓2
(X )⌘; ✓⌘· h(X )
= g1
⇣ˆ✓2
(X ) ; ✓⌘· h(X ),
donde g1
⇣ˆ✓2
(X ) ; ✓⌘= g � f �1
⇣ˆ✓2
(X ) ; ✓⌘. Entonces ˆ✓
2
(X ) es suficiente para
✓.
⇤
De manera intuitiva podŕıamos entender este resultado como, si
ˆ✓1
(X ) sepuede calcularse a partir de
ˆ✓2
(X ), entonces el conocimiento de ˆ✓2
(X ), debeser al menos tan bueno como el de
ˆ✓1
(X ).
Miguel Chong Inferencia
-
Notemos que un rećıproco al último teorema seŕıa el siguiente:
Si los estad́ısticos estadisticos
ˆ✓1
(X ) y
ˆ✓2
(X ) son suficientes para
el parámetro ✓ entonces están relacionados funcionalmente, esdecir uno se puede ver como una función del otro.
Miguel Chong Inferencia
-
Ahora si una distribución depende de dos parámetros ✓1
y ✓2
, también podemos
encontrar v́ıa el criterio de factorización estimadores suficientes
ˆ✓1
(X ) y
ˆ✓2
(X ) para
✓1
y ✓2
respectivamente, esto es lo que nos dice el siguiente resultado.
Teorema
Los estad́ısticos
ˆ✓1
(X ) y
ˆ✓2
(X ) son conjuntamente suficientes para ✓1
y ✓2
respectivamente si solo si
L(✓1
, ✓2
;X ) = g
1
⇣ˆ✓1
(X ) , ˆ✓2
(X ) ; ✓1
, ✓2
⌘· h(X)
donde
g
1
⇣ˆ✓1
(X ) ; ✓1
⌘depende del parámetro ✓
1
y de la muestra, a través del estad́ıstico
ˆ✓1
(X ),
g
2
⇣ˆ✓2
(X ) ; ✓2
⌘depende del parámetro ✓
2
y de la muestra, a través del estad́ıstico
ˆ✓2
(X ) y
h(X ) no depende de ✓.
Miguel Chong Inferencia
-
Suficiencia Minimal
A continuación veremos un método general para encontrar un
estad́ıstico que resuma la información de la muestra lo más posible
y sin pérdida de información sobre el parámentro ✓, y a esteestad́ıstico lo llamaremos suficiente minimal.
Definición Estad́ıstico suficiente y minimal
Un estimador es suficiente minimal, si es suficiente y cualquier
reducción de la información definida por el ya no es suficiente, es
decir desprecia información que está contenida en la muestra,
acerca del parámetro ✓.
Miguel Chong Inferencia
-
Existe un método general
1
para encontrar estad́ıstico(s)
suficiente(s) minimal(es), este método supone la existencia de dos
muestras aleatorias de tamaño n, X = (X
1
= x
1
, . . . ,Xn
= x
n
) y
Y = (Y
1
= y
1
, . . . ,Yn
= y
n
), y se calcula el cociente de sus
verosimilitudes, es decir
Qn
i=1
f (x
i
; ✓)Qn
i=1
f (y
i
; ✓)=
L(✓;X )
L(✓;X )=
g
⇣ˆ✓ (X ) ; ✓
⌘· h (X )
g
⇣ˆ✓ (Y ) ; ✓
⌘· h (Y )
.
Para que esta última igualdad no dependa del parámetro ✓necesitamos que
g
⇣ˆ✓ (X ) ; ✓
⌘= g
⇣ˆ✓ (Y ) ; ✓
⌘,
y entonces diremos que
ˆ✓ (X ) es suficiente y minimal para ✓.
1
Debido a Lehmann y She↵é
Miguel Chong Inferencia
-
Teorema de Rao-Blackwell
Sea una población con función de densidad f (x ; ✓) y sea ˆ✓ un estimadorinsesgado para el parámetro ✓ y T un estad́ıstico suficiente del mismoparámetro ✓. Entonces si hacemos:
g(T ) = Ehˆ✓|T
i
se verifica:
1
g(T ) es un estad́ıstico y es función del estad́ıstico suficiente.
2 E [g(T )] = ✓.3
Var (g (T )) Var⇣ˆ✓⌘.
Es decir, el estad́ıstico g(T ) es función del estad́ıstico suficiente, es un
estimador insesgado de ✓ y su varianza es menor que la del estimadorinsesgado ✓.
Miguel Chong Inferencia
-
Completitud
Definición Familia completa
Una familia de distribuciones {F (x ; ✓)} es completa si paracualquier función h(x) la identidad:
E [h(x)] = 0 entonces P (h(x) = 0) = 1
en todos los puntos para los cuales f (x ; ✓) > 0 para algún ✓.
Esta definición nos indica que una familia de distribuciones es
completa si el único estimador insesgado de cero es el mismo cero.
Miguel Chong Inferencia
-
Un estad́ıstico T es completo si la correspondiente familia de
distribuciones de T es completa. Aśı pues se pone de manifiesto
que la propiedad de completitud es una propiedad de la familia de
distribuciones.
Definición Estad́ıstico suficiente completo.
Diremos que un estad́ıstico suficiente T es completo, si la familia
de distribuciones del estad́ıstico suficiente T es completa.
Miguel Chong Inferencia
-
Teorema de Lehmann-Sche↵é
Si T es un estad́ıstico suficiente y completo para ✓, y si existe unestimador insesgado
ˆ✓, del parámetro ✓, entonces existe un únicoestimador UMVUE dado por
g(T ) = Ehˆ✓|T
i
Miguel Chong Inferencia
-
La familia exponencial
Existe una clase o familia de distribuciones en la que todos los
parámetros de las distribuciones que la integran tienen estad́ısticos
suficientes. Este grupo de distribuciones recibe el nombre de familia
exponencial de distribuciones, y como veremos será bastante fácil
obtener estad́ısticos suficientes del parámetro con esta familia.
Miguel Chong Inferencia
-
Definición Familia exponencial de distribuciones uniparamétrica.
Diremos que una familia de distribuciones es exponencial
uniparamétrica si la forma de la función de masa de probabilidad
P (X = x) en el caso discreto o la densidad densidad f (x ; ✓) sepuede factorizar de la siguiente forma
f (x ; ✓) = a (✓) b (x) ec(✓)d(x),
donde:
a (✓) y c (✓) son funciones reales de ✓ y
b (x) y d (x) son funciones reales de x .
Miguel Chong Inferencia
-
A partir de un elemento de la familia exponencial podemos encontrar estimadores
suficientes y minimal usando el método de Lehmann y Sche↵é para obtener un
estad́ıstico suficiente y minimal de la familia exponencial
Supongamos que tenemos dos muestras
(X
1
, . . . ,Xn
) (Y
1
, . . . ,Yn
) .
Notemos que la verosimilitud con respecto a la primera muestra la podemos escribir
como
L (x
1
, . . . , xn
; ✓) = f (x1
, . . . , xn
; ✓) =nY
i=1
f (x
i
; ✓)
=
nY
i=1
a (✓) b (xi
) e
c(✓)d(xi
)
= a
n
(✓)nY
i=1
b (x
i
) e
c(✓)
nX
i=1
d(x
i
)
.
De forma análoga tenemos que para la segunda muestra
L (y
1
, . . . , yn
; ✓) = an (✓)nY
i=1
b (y
i
) e
c(✓)
nX
i=1
d(y
i
)
.Miguel Chong Inferencia
-
Por lo tanto el cociente de verosimilitudes queda como
L (x
1
, . . . , xn
; ✓)
L (y
1
, . . . , yn
; ✓)=
a
n
(✓)Q
n
i=1
b (x
i
) e
c(✓)
nX
i=1
d(x
i
)
a
n
(✓)Q
n
i=1
b (y
i
) e
c(✓)
nX
i=1
d(y
i
)
.
=
Qn
i=1
b (x
i
)
Qn
i=1
b (y
i
)
e
c(✓)
0
B@
nX
i=1
d(x
i
)�nX
i=1
d(y
i
)
1
CA
,
entonces el cociente de verosimilitudes no dependerá de ✓, siempre quenX
i=1
d (x
i
)�nX
i=1
d (y
i
) = 0, o equivalentemente si
nX
i=1
d (x
i
) =
nX
i=1
d (y
i
), y por lo tanto
nX
i=1
d (x
i
) es el estad́ıstico suficiente y minimal.
Miguel Chong Inferencia
-
Definición Estimador invariante.
Un estimador
ˆ✓ del parámetro ✓ es invariante si una función delestimador
ˆ✓, es igual a la función del estimador del parámetro
f (
ˆ✓) = df (✓).
Miguel Chong Inferencia