Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sufi Cien CIA
Sufi Cien CIA
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Definicion
X P con .
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Rao Blackwell
Sea X un vector de una distribuci
on perteneciente a la familia
P = {P : }. Sea T un estadstico suficiente para
y (X) un estimador de q().
Sea R(, ) = E L(, (X)) con L(, d) convexa en d.
Supongamos E |(X)| < . Definamos un nuevo estimador
(T) = E((X)|T).
Luego se tiene
(i) R(, ) R(, ),
(ii) Cuando L(, d) es estrictamente convexa en d, la igualdad en
(i) se satisface si y s
olo si
P ((T) = (X)) = 1
(iii) Si (X) es insesgado, entonces (T) tambien lo es.
3
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema de Factorizacion
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Otros resultados
Corolario.
Sea X un vector aleatorio con funci
on de densidad o funcion
de probabilidad puntual p(x, ), . Supongamos que la
familia P = {p(x, )} tiene soporte com
un, independiente de
.
Entonces, una condici
on necesaria y suficiente para que T sea
suficiente para es que fijados 1 y 2 el cociente
p(x, 1 )
p(x, 2 )
sea funcion de T.
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Otros resultados
Corolario.
Sea X un vector aleatorio con funci
on de densidad o funcion
de probabilidad puntual p(x, ), . Supongamos que la
familia P = {p(x, )} tiene soporte com
un, independiente de
.
Entonces, una condici
on necesaria y suficiente para que T sea
suficiente para es que fijados 1 y 2 el cociente
p(x, 1 )
p(x, 2 )
sea funcion de T.
Lema. Si X es un vector aleatorio con una distribucion F (x, ),
con si T = t(X) es un estadstico suficiente para y si m es
una funcion biunvoca de T entonces el estadstico V = m(T)
tambien es suficiente para .
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Minimal suficiente
Definici
on: Sea X un vector aleatorio con distribucion P con
.
Se dice que un estadstico T = t(X) es minimal suficiente para
si:
T es suficiente para .
Dado cualquier otro estadstico U = g (X) suficiente para
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
p2 (X)
pk (X)
,...,
p1 (X)
p1 (X)
es minimal suficiente.
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
Teorema. Supongamos que X tiene una distribucion perteneciente
a una familia de distribuciones P = {P } con soporte
com
un.
Sea P0 P.
Supongamos que
T = t(X) es un estadstico minimal suficiente para P0
T = t(X) es suficiente para P,
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Completitud
Definici
on. Sea X un vector aleatorio cuya distribucion pertenece
a una familia P = {P : }.
Un estadstico T = t(X) se dice completo si
E (g (T)) = 0
implica que
P (g (T) = 0) = 1
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
Teorema. Supongamos que X tiene una distribucion perteneciente
a una familia de distribuciones P = {P }.
Supongamos que
existe un estadstico minimal suficiente para P
T = t(X) es suficiente y completo para P,
10
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
Teorema de Basu. Supongamos que X tiene una distribucion
perteneciente a una familia de distribuciones P = {P }.
Supongamos que
T = t(X) es suficiente y completo para P.
Entonces,
Dado cualquier estadstico U = g (X) anciliario, o sea, tal que su
distribucion no depende de , se tiene que
U es independiente de T.
11
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema de Lehmann-Scheffe
Sea X un vector aleatorio de cuya distribuci
on pertenece a la
familia de distribuciones P = {P
}.
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sea X un vector aleatorio de cuya distribuci
on pertenece a la
familia de distribuciones P = {P
}.
13
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Definici
on.
Se dice que una familia de distribuciones continuas o discretas en
Rq , P , donde Rp es una familia exponencial a k
parametros si su densidad o probabilidad puntual se puede escribir
como
Pk
(1)
p(x, ) = A()e j=1 j ( ) tj (x) h(x)
donde
j : R,
A : R+
tj : Rq R
h : Rq R+ .
14
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
Teorema. Una familia exponencial a k parametros cuya funcion de
densidad viene dada por (1) tiene como estadstico suficiente para
el vector T = t(X) = (t1 (X), . . . , tk (X)).
Teorema. Sea X1 , X2 , . . . , Xn una muestra aleatoria de una
distribucion que pertenece a una familia exponencial a k
parametros, cuya funci
on de densidad viene dada por (1).
Luego,
la distribuci
on conjunta de X1 , . . . , Xn tambien pertenece a
T =
(T1 , . . . , Tk ),
donde
Tj
n
X
tj (Xi ),
1j k
i=1
15
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Resultados
Teorema. Sea X un vector cuya distribuci
on pertenece a una
familia exponencial a k parametros cuya funci
on de densidad
satisface (1).
Luego, la funcion de densidad de los estadsticos suficientes
T = (t1 (X), . . . , tk (X)) es de la forma
pT (t1 , t2 , . . . , tk , ) = A()e
Pk
j=1
j ( )tj
h (t1 , . . . , tk )
16
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Lema
Sea X = (X1 , . . . , Xq ) un vector aleatorio cuya distribucion
pertenece a una familia exponencial a un parametro continua
p(x, ) = A()e ()t(x) h(x)
R, abierto
() infinitamente derivable.
entonces, la expresion
Z
Z
. . . m(x)e ()t(x) h(x)dx1 . . . dxq
es infinitamente derivable y se puede derivar dentro del signo
integral.
En el caso discreto, se reemplazan las integrales por sumatorias.
17
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sea X = (X1 , . . . , Xq ) un vector aleatorio cuya distribucion
pertenece a una familia exponencial a un parametro con densidad
dada por
p(x, ) = A()e ()t(x) h(x)
A0 ()
A() 0 ()
Var (t(X)) =
E (t(X))
0 ()
(iii)
18
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sea una familia exponencial a k parametros, discreta o continua
con funcion de densidad dada por
p(x, ) = A()e
Pq
j=1
j 1( ) tj (x)
h(x)
y sea
= { = (1 , 2 , . . . , k )t Rk : j = j (); }
19
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Caracterizacion
20
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Caracterizacion
Teorema. Supongamos que X es un vector aleatorio de cuya
distribucion pertenece a la familia P = {P }.
Sean
= {(X) : E 2 (X) < }
U = {{(X) : E (X)} = 0 } .
Una condicion necesaria y suficiente para que , insesgado,
sea IMVU para q() es que
Cov(, U) = E (U) = 0
U U
21
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Supongamos que
X es un vector aleatorio de cuya distribuci
on pertenece a la
familia P = {P
}.
(X) de q().
L(, d) es tal que
L(, d) M, para todo y d.
L(, q()) = 0, para todo .
22
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Hipotesis
Supongamos que X f (x, ), con ; un conjunto abierto
de R.
(A) El conjunto S = {x : f (x, ) > 0} es independiente de .
(B) Para todo x, f (x, ) es derivable respecto de .
(C) Si h(X) es un estadstico tal que E [|h(X)|] < para todo
entonces se tiene
Z
Z
f (x, )
h(x)p(x, )dx = h(x)
dx
(D)
"
0 < I () = E
log f (X, )
2 #
<
I () se denomina n
umero de informaci
on de Fisher.
23
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Lema
Supongamos que se cumplan las condiciones A, B, C y D. Sea
(x, ) =
log(f (x, ))
Entonces,
(i) E (X, ) = 0 y Var (X, ) = I ().
(ii) Si ademas existe la derivada segunda de f (x, ) respecto de
y si para todo estadstico h(X) tal que, E [|h(X)|] < para
todo , se cumple que
Z
Z
2 f (x, )
2
h(x)f
(x,
)dx
=
h(x)
dx
(2)
2
2
entonces
I () = E
2 log f (X, )
(X, )
= E
2
24
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sea X = (X1 , . . . , Xq ) un vector aleatorio cuya distribucion
pertenece a una familia exponencial a un parametro con densidad
dada por
f (x, ) = A()e ()t(x) h(x)
con un abierto en R.
Supongamos que
= E (t(X))
() es derivable.
Luego, si T = t(X)
I () =
1
= 0 ()
Var (T )
25
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sea X1 , . . . , Xn una muestra aleatoria de una distribucion con
densidad f (x, ) con R.
Luego, si se denomina
In () al n
umero de informaci
on de X1 , X2 , . . . , Xn y
I1 () al n
umero de informaci
on de X1 ,
entonces se tiene
In () = nI1 ()
26
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema de RaoCramer
|q 0 ()|2
I ()
27
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
28
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
c.t.p.
28
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
c.t.p.
n (X1 , . . . , Xn ) q()
o sea, si para todo > 0 y
lim P (|n (X1 , . . . , Xn ) q()| > ) = 0 .
28
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Propiedades
Teorema. Sea, para todo n, n = n (X1 , . . . , Xn ) un estimador de
q() basado en una muestra aleatoria de tama
no n. Si
Var (n ) 0
E (n ) q(),
29
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Propiedades
Teorema. Sea, para todo n, n = n (X1 , . . . , Xn ) un estimador de
q() basado en una muestra aleatoria de tama
no n. Si
Var (n ) 0
E (n ) q(),
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
1X
h(Xi ) = E (h(X1 )).
n
(3)
i=1
30
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
=0
(4)
31
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
32
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
[q 0 ()]2
D
n(n (X1 , . . . , Xn ) q()) N 0,
I1 ()
donde
0 < I1 () = E
log f (X, )
2
<
32
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Supongamos que X1 , . . . Xn son i.i.d. Xi f (x, ), con
R,
abierto
y que se cumple
(A) El conjunto S = {x : f (x, ) > 0} es independiente de .
(B) Para todo x, f (x, ) es tres veces derivable respecto de y
3 f (x, )
3
es continua en .
(C) Si h(X) es un estadsticoR tal que E |h(X)| < para todo
entonces g () = h(x)f (x, )dx es dos veces
diferenciable y para s = 1, 2
Z
Z
s
s f (x, )
h(x)f
(x,
)dx
=
h(x)
dx
s
s
33
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
log f (X, ) 2
<
(D) 0 < I1 () = E
34
Suficiencia
Completitud
Familias Exponenciales
IMVU
Desigualdad de RaoCramer
Consistencia
Estimadores A.N.E
Teorema
Sean
bn un estimador de m
axima verosimilitud de consistente y
0
q() derivable con q () 6= 0 para todo .
35