- •Полные статистики.
- •Свойства условных математических ожиданий.
- •Теорема о построении эффективных оценок
- •Алгоритм нахождения эффективных оценок
- •Неравенство Рао-Крамера. Теорема Рао-Крамера
- •Пример 1.
- •Пример 2.
- •Пример 3.
- •Лемма Неймана-Пирсона ( нерэндомизированный вариант).
- •Лемма Неймана-Пирсона ( рэндомизированный вариант).
- •Статистика
- •Критерий
- •Критерий согласия Пирсона
- •Статистика критерия
- •Правило критерия
- •28) Критерий согласия Пирсона (Хи-квадрат)
- •Поведение, когда гипотезаверна.
- •Поведение, когда гипотезаневерна.
- •Критерий проверки.
- •Границы применимости критерия на практике.
- •Доверительный интервал и примеры. Доверительный интервал.
- •Примеры
- •Общая задача дисперсионного анализа.
- •Однофакторный, двуфакторный дисперсионный анализ. Однофакторный дисперсионный анализ
- •Двуфакторный дисперсионный анализ
- •Байесовская классификация.
- •Дискриминантный анализ
Неравенство Рао-Крамера. Теорема Рао-Крамера
Пусть существует X=(X1,...,Xn), g(),p(x,)
ET=g(), для всехR.
DT>- неравенство Крамера
Граница может достигаться а может и не достигаться
Всегда имеем дело с оценкой, насколько она хороша – она не может быть лучше дисперсии. Если она мало отличается от дисперсии, то оценка хорошая.
I()=, тогда неравенство Рао-Крамера выполняется, но оно выполняется не всегда, а при определенных условиях
Пример:
Условие регулярности
I() корректно определению, т.е. существует производнаяи такое мат.ожиданиеI() конечно
Можно переходить к пределу под знаком
=- возможность дифференцирования под знаком интеграла, достаточно потребоватьh(x) – рвномерно по всем
h(x) – интегрируема вRn
если 1), 2) выполняются, то выполняется неравенство Рао-Крамера.
I(информационное количество Фишера
Доказательство:
Т.к. T– несмещенная оценка дляg(), тоET=g(), аE+T=g(), значитg()-g()=E+T-ET=T(x)p(x,)d-T(x)p(x,)d=T(x)(p(x,)-p(x,))d(T(x)-ET(x))(p(x,)-p(x,))d==применим неравенство Коши-Буняковского в терминах мат.ожидания
|Exy|<(Ex2Ey2) равенство <=> когда x,y пропорциональны с вероятностью 1, т.е. существует константа: x=y
<
Это верно при малых . Условие регулярности позволяет перейти к пределу0
Случай равенства:
T(x)-ET(x)=()
- это экспоненциальное семейство первого порядка
т.е. равенства достигаются, если p(x,) – экспоненциальное семейство, тогдаT– ПДС
DT>(g’())2/I()
I()=, p(x,)=
ln p(x,)=
=
=(*)
==0
достаточно, чтобы p(x,) мажорировалась непрерывной функцией. => (*)=0
тогда I()=nI1()
I() – информация о всей выборке
I1() – информация о первом наблюдении
DT>(g’())2/nI1() при условии регулярности дисперсия убывает не быстрее чем1/n
Замечание:
Существует случай, когда дисперсия убывает быстрее чем 1/n
Пример 1.
Пусть R(0,) – ПДС , статистикаT=maxi<nxi, но она смещенная.
Пусть T1=- несмещенная
D(T1)=DT=, нарушено условие регулярности для равномерного распределения, т.к. область зависит от, тогда нельзя говорить о дифференцируемостиp/
Т.е. такие распределения не очень хороши для оценивания
Такое явление, когда дисперсия убывает быстрее, чем 1/n, называется суперэффективным
Не всегда существует оценка : в неравенстве Рао-Крамера достигается равенство.
Рассмотрим ситуацию : D>(g’())2/I()
но k-мерный=(1,…,k)
Будем понимать под g’() – градиент из частных производных.
g'()=)
под I() понимаем :I()=
I()=
im,n=, тогда дисперсияDT>1/ng'()I-1()(g'())T
Пример 2.
N(m,2)
Пусть существует выборка из нормального распределения оценивать надо скалярные величины, будем оценивать m,2
Надо посчитать информацию матрицы Фишера
p(x,)=
ln p(x,)=
==
=====
т.е.
i12=i21=E((=0, т.к. перемножаются либо 1, либо 3 моменты.
I=,I-1=, т.е. по Неравенству Рао-Крамера
DT>22/n
g'()=(0,1)
DT>g'()I-1()g()/n
Всегда ли достигается равенство
Пусть существует эффективная оценка S2=
Посчитаем дисперсию оценки:
DS2=
Границы не совпадают
=> этом примере ни при каких nне достигается равенство в неравенстве Рао-Крамера
Если какой-то параметр знаем, то равенство достигается