Escolar Documentos
Profissional Documentos
Cultura Documentos
1. Introdução
2. Família Exponencial
3. Estatística Suciente
4. Informação de Fisher
1
Introdução
Será apresentada a noção de estimador eciente, como sendo aquele que
atinge o limite inferior da variância dos estimadores não viciados. Estima-
dores ecientes são obtidos apenas para distribuições que são membros de
uma classe especial, que é a família exponencial de distribuições.
De modo informal, estatísticas sucientes para um parâmetro (ou para uma
distribuição) são aquelas que condensam os dados sem perder nenhuma
informação contida nos mesmos. Ou seja, eles são tão informativas para
o parâmetro (ou para a distribuição) quanto a amostra toda.
2
Família Exponencial
Família exponencial k -paramétrica
Seja X = (X1 , . . . , Xp )> um vetor aleatório. A função de densidade de
X pertence à família exponencial de densidades k -paramétricas se
fX (x; θ) puede expressarse como
Xk
fX (x; θ) = a(θ1 , . . . , θk )b(x) exp cj (θ1 , . . . , θk )dj (x)
j=1
3
Família exponencial uniparamétrica
Seja X = (X1 , . . . , Xp )> um vetor aleatório. A função de densidade de
X pertence à família exponencial de densidades uniparamétricas se
fX (x; θ) puede expressarse como
4
Estatística Suciente
Estatística Suciente
O estimador T = T (X1 , . . . , Xn ) para θ se diz uma estatística suciente
para θ, baseado em uma amostra aleatória X1 , . . . , Xn de uma população
com função de densidade fX (x; θ), se a distribuição condicional das variá-
veis aleatórias X1 , . . . , Xn dado T = t , não depende de θ para todo valor
de t .
5
Teorema: Critério de factorização de Fisher-Neyman
Seja X1 , . . . , Xn uma amostra aleatória de uma população com função de
densidade fX (x; θ). Seja T = T (X1 , . . . , Xn ), T é uma estatística suciene
para θ se, somente se, a função de verossimilhança da amostra pode ser
escrita como
6
Exemplo
Seja X1 , . . . , Xn uma amostra aleatória de uma população com distribuição
Pn
de Bernoulli de parâmetro θ. T = i=1 Xi é uma estatística suciente
para θ.
n
L(θ; x ) = θ
Pn Pn Y
i=1 xi
(1 − θ)
n− i=1 xi
I{0,1} (xi )
i=1
Pni=1 xi n
θ Y
= (1 − θ)n I{0,1} (xi )
1−θ
i=1
" Pni=1 xi #" n #
θ Y
= (1 − θ)n I{0,1} (xi ) ,
1−θ
i=1
| {z }| {z }
g ( ni=1 xi ;θ)
P
h(x1 ,...,xn )
Pn
pelo critério de Fisher-Neyman podese concluir que i=1 Xi é uma esta-
tística suciente para θ.
7
Estatísticas conjuntamente sucientes
Seja X1 , . . . , Xn uma a.a.s. de uma população com função de densidade
fX (x; θ). As estatísticas T1 , . . . , Tm , em que Ti = Ti (X1 , . . . , Xn ), i =
1, 2, . . . , m, são estatísticas conjuntamente sucientes para θ se, e somente
se, a distribuição de X1 , . . . , Xn dado T1 , . . . , Tm não depende de θ.
8
Teorema: Critério de factorização de Fisher-Neyman
Seja X1 , . . . , Xn uma a.a.s. de uma população com função de densi-
dade fX (x; θ). O conjunto de estatísticas T1 = T1 (X1 , . . . , Xn ), . . . Tm =
Tm (X1 , . . . , Xn ) constituye uma coleção de estatísticas conjuntamente su-
cientes para θ se, somente se, a função de verossimilhança da amostra
pode ser escrita como
9
Exemplo
Seja X1 , . . . , Xn uma a.a.s. de uma população normal, N(µ, σ 2 ), θ =
(µ, σ 2 )> .
n 2 !
1 1 xi
−µ
L(θ; x ) =
Y
√ exp −
2πσ 2 σ
i=1
" n n
!#
1 1 X
2
X
2
= 2
σ −n exp − 2 xi − 2µ xi + nµ ,
(2π) n/ 2σ
i=1 i=1
| {zP }
g(
Pn 2 n
i=1 xi , i=1 xi ;θ)
n n
!
1X 1 X
Xi ; (Xi − X )2
n n−1
i=1 i=1
10
Os estimadores de máxima verossimilhança tem propriedades que os fazem
interessantes. Um estimador de máxima verossimilhança pode ser uma
estatística suciente considerando os seguintes teoremas.
Teorema
Se T é uma estatística suciente para θ baseado em uma a.a.s. X1 , . . . , Xn
de uma população com função de densidade fX (x; θ) e se T ∗ é um esti-
mador de máxima verossimilhança de θ, e é único, então T ∗ é função de
T.
11
Estatísticas sucientes minimais
Uma coleção de estatísticas conjuntamente sucientes são minimais se,
somente se, são função de qualquer outro conjunto de estatísticas suci-
entes.
12
Teorema
Seja T um estimador de máxima verossimilhança para θ, baseado em uma
a.a.s. X1 , . . . , Xn de uma população com função de densidade fX (x; θ). Se
T é o único estimador de máxima verossimilhança, T é função de uma
coleção minimal de estatísticas conjuntamente sucientes. Se T não é o
único estimador de máxima verossimilhança para θ, então existe um outro
estimador de máxima verossimilhança T 0 que é função de uma estatística
mínimal de estatísticas conjuntamente sucientes.
13
Resultado
Se fX (x; θ) pertence à família exponencial unidimensional de densidades
e se X1 , . . . , Xn é uma a.a.s. de uma população com f.d.p. fX (x; θ), a
estatística
n
X
d(Xi )
i=1
14
Demonstração
Seja fX (x; θ) uma f.d.p. que pertence à família exponencial unidimensional,
sua f.d.p. pode ser escrita como
n
( n
)
L(θ; x ) = a (θ)
Y X
n
b(xi ) exp c(θ) d(xi ) ,
i=1 i=1
( n
) n
X Y
n
= a (θ) exp c(θ) d(xi ) b(xi ) .
i=1 i=1
| {z } | {z }
g ( ni=1 d(xi );θ ) h(x)
P
Pn
pelo critério de Fisher-Neyman podese concluir que i=1 d(Xi ) é uma
estatística suciente para θ. A estatística i=1 d(Xi ) é chamada de es-
Pn
tatística natural. 15
O vetor θ∗ = (c1 (θ), . . . , ck (θ))> é chamado de parâmetro natural e a
estatística
n n
!>
X X
d1 (Xi ), . . . , dk (Xi ) ,
i=1 i=1
16
Nota
Se fX (x; θ) pertence à família exponencial k paramétrica, pelo teorema de
fatorização de Fisher-Neyman, as estatísticas
n
X n
X
d1 (Xi ), . . . , dk (Xi ),
i=1 i=1
17
Estatística Ancilar
Seja X1 , . . . , Xn uma a.a.s. de uma população com função de densidade
fX (x; θ). A estatística Tn = t(X1 , . . . , Xn ) é uma estatística ancilar para
o parâmeto θ se sua função de densidade não depende de θ.
18
Exemplo
n
1 X
S2 = (Xi − X )2 ,
n−1
i=1
sabe-se que
(n − 1)S 2
n
(Xi − X )2 = ∼ χ2n−1 .
X
σ2
i=1
19
Teorema de Basu
Seja X1 , . . . , Xn uma a.a.s. de uma população com função de densidade
fX (x; θ). Se Tn = t(X1 , . . . , Xn ) é uma estatística ancilar para o parâmetro
θ e a estatística Tn∗ = t ∗ (X1 , . . . , Xn ) é uma estatística suciente para θ,
então Tn e Tn∗ são variáveis aleatórias estatísticamente independentes.
20
Exemplo
n
1 X
X e S2 = (Xi − X )2 ,
n−1
i=1
21
Informação de Fisher
Informação de Fisher
Seja X uma v.a. com f.d.p. fX (x; θ) tal que ∂ log(fX (x; θ))/∂θ existe para
todo x , e todo θ ∈ Θ ⊆ R. A informação de Fisher do parâmetro θ na
v.a. X , I (θ) é dada por
( 2 )
∂
I (θ) = Eθ log fX (x; θ) .
∂θ
Nota
Se ∂ 2 log fX (x; θ)/∂θ2 existe para todo x , e todo θ ∈ Θ ⊆ R a informação
de Fisher do parâmetro θ, na v.a. X pode ser denida como
∂2
I (θ) = −Eθ log f (x; θ) .
∂θ2
X
22
Exemplo
Seja
1 (x − θ)2
fX (x; θ) = √ exp − ,
2πσ 2σ 2
com σ conhecido.
√ 1
log fX (x; θ) = − log σ − log 2π − (x − θ)2 .
2σ 2
∂ x −θ
log fX (x; θ) =
∂θ σ2
23
A informação de Fisher é
" 2 #
X −θ
I (θ) = Eθ
σ2
1
= Eθ [(X − θ)2 ]
σ4
Vθ (X )
=
σ4
1
= 2.
σ
24
Denição
A informação de Fisher do parâmetro θ na amostra aleatória X1 , . . . , Xn
de uma população com função de densidade fX (x; θ) é dada por
n
!2
∂ Y
Eθ log fX (Xi ; θ) ,
∂θ
i=1
25
Desigualdade de Cramer-Rao
Seja X1 , . . . , Xn uma amostra aleatória de uma população com função
de densidade fX (x; θ), r (θ) uma função de θ, T = T (X1 , . . . , Xn ) um
estimador para r (θ) e Bθ (T ) o viés de T . Sob as condições de regularidade
(r 0 (θ))2
Varθ (T ) ≥ ,
nI (θ)
conhecida como limite inferior de Cramér-Rao.
26
Teorema
Sob condições de regularidade, se T é um estimador de máxima verossi-
milhança para r (θ), T é um estimador tal que
√ 1
n(t − r (θ)) ∼ N 0; .
I (θ)
27
Exercício
√
p − θ) ∼ N (0, θ(1 − θ)) .
n(b
28
Referências
29