Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Sufi Cien CIA
Sufi Cien CIA
Fundamentos de Inferencia
Estadstica
dEstadstica
JordiDepartament
Ocaa
Rebull
Divisi de Cincies Experimentals i
Matemtiques
Puntos a tratar
Idea intuitiva de suficiencia
Definicin de suficiencia
Teorema de factorizacin de Neyman
Suficiencia en trminos de verosimilitudes
equivalentes
Estadstico suficiente minimal
Familias o modelos exponenciales
Propiedades de los modelos
exponenciales
Definicin de suficiencia
Dado un modelo
F = { f ( ; q) : q Q Rk }
el estadstico T (posiblemente
multidimensional) es suficiente para el
parmetro sii la distribucin de Y
condicionada al valor observado de T,
f(y|T=t), no depende de
Conocido T, la probabilidad asociada a
la muestra ya no depende del
parmetro
Teorema de factorizacin
de Neyman
Definicin anterior equivalente a
poder escribir.
f ( y; q) = h ( y ) g( T ( y ) ; q)
o, equivalentemente,
L ( q;y ) g( T ( y ) ; q)
Estadsticos suficientes,
ejemplos
Estadstico suficiente trivial. Caso
Poisson
Estadsticos suficientes,
ejemplos
Parmetros de la normal univariante
T2 ( y ) = (
y,
i =1 i
2
y
i =1 i )
1
T 3 ( y ) = ( y, s ) s =
n
todos son suficientes
2
( yi - y )
i =1
Estadsticos suficientes,
ejemplos
Parmetro p en experimentos de
y1, ..., Bernouilli
yn Bernouilli b(1,p) iid, indicadores
L ( p;y )
i =1
1- yi
(
)
p 1- p
yi
yi
yi ( 1 - p) n- estadstico
frecuencia
= pabsoluta
n
suficiente para p
#n ( A )
(o tambin frecuencia relativa)
yi
i =1
Estadsticos suficientes,
ejemplos
Experimentos de Bernouilli
Generalizable
al caso multinomial, cada
multinomiales
p
=
1
j
j =1
( #n ( A1 ) ,K ,#n ( Ak- 1 ) )
Suficiencia en trminos de
verosimilitudes
Para el equivalentes
modelo un estadstico T(y) es
suficiente para el parmetro sii toma los
mismos valores en dos puntos y, z del
espacio muestral slo si tienen
verosimilitudes equivalentes, es decir:
T ( y ) = T ( z ) L ( q;y ) L ( q;z )
Podra
servir
de suficiencia
para
todode
q definicin
Q
Concepto dependiente del modelo
Comentarios sobre el
sentido del concepto de
suficiencia.
I
El resultado
final de los experimentos,
y, concebible como obtenido en dos
fases:
Seleccionar el valor de t a partir de
densidad g(t,) (dependiente de )
Equivalente a haber escogido el conjunto
de las muestras que podrian conducir a t:
At = {y:T(y)=t}. De l se extrae finalmente
un elemento y At segn ley de
probabilidad que no depende de
Comentarios sobre el
sentido del concepto de
II L(;y) L(;y)
y, z suficiencia.
At T(y)=T(z)=t
Ms importante que valor concreto t es
Estadstico suficiente
minimal
Estadstico suficiente puede no ser
para todo y, z Y
T ( y ) = T ( z ) L ( q;y ) L ( q;z )
para todo q Q
Comentarios sobre el
estadstico suficiente
Siempre
minimal
existe, cualquiera asociado a
la particin de segn L equivalentes
el valor concreto que tome no importa,
lo importante es que cada valor distinto
debe representar L distinta
esencialmente el mismo, invariante
respecto de transformaciones biyectivas
L ( q;y )
T ( y) = T ( z)
no depende de q
L ( q;z )
Familias o modelos
exponenciales
Un modelo es exponencial sii sus
(
)
(
)
(
)
f ( y;q) = q( y ) exp
y
q
t
y
+
t
q
i
i
i =1
ti ,q no dependen de q
yi , t no dependen de y
(
)
(
)
(
)
L ( q;y ) exp
y
q
t
y
+
t
q
i
i
i =1
Ejemplos de modelos
exponenciales: binomial
n- y
y
(
)
q = p f ( y; p ) =
p
1
p
t( y) = y
q( y ) =
p
y ( p ) = log
t ( p ) = - log( 1 - p )
1- p
p
( 1- p)
f ( y; p ) = exp
y
log
+
n
log
1- p
Ejemplos de modelos
exponenciales: normal
f ( y; q) = ( s
2 -
n
2
( 2p )
n
2
exp
1
2
1
2
2s 2 ( yi - m)
i =1
q = ( ms
, 2)
t1 ( y ) = yi
t2 ( y ) = y2i
m
y1 ( q) = 2
s
1
y2 ( q) = 2s 2
nm2 n
t ( q) = 2 + logs 2
2
2s
q( y ) = ( 2p )
n
2
Propiedades
Reproducible
Soporte independiente del parmetro
Si modelo reducido (no redundantes),
respecto de si i lo son
Integral y derivada intercambiables en
ds
s g( y ) f ( y; q) dn( y )
dq Y