17_mathima
description
Transcript of 17_mathima
1
∆ευτέρα, 14 ∆εκεµβρίου 2009.
Απόδειξη
Αφού η ( )xδ δ= είναι αποτελεσµατική, από το προηγούµενο θεώρηµα, µπο-
ρούµε να γράψουµε: ( ) ( ) ( ) ( )1
log ; , 1v
i
i
f x k v xθ θ δ θθ=
∂= − ∂∑ .
Συνάρτηση Πιθανοφάνειας: ( ) ( )1
;v
i
i
L f xθ θ=
= ⇒∏
( ) ( ) ( )1
log log ;v
i
i
l L f xθ θ θ=
= = =∏ ( )1
log ;v
i
i
f x θ=
⇒∑
( ) ( )1
log ;v
i
i
lf x
θθ
θ θ =
∂ ∂= =
∂ ∂ ∑ ( )1
log ;v
i
i
f x θθ=
∂∂∑ και για να βρούµε τη ɵθ , θέτου-
µε: ( ) ( )
1
log ; 0v
i
i
lf x
θθ
θ θ=
∂ ∂= =
∂ ∂∑ , οπότε από την ( )1 ,
( ) ( ) ( )1
log ; , 0v
i
i
f x k v xθ θ δ θθ=
∂= − = ⇒ ∂∑ ( ) ( ), 0k v xθ δ θ− =
και, επειδή ( ), 0k v θ > , θα πρέπει να ισχύει: ( ) 0xδ θ− = ⇒ ( )xθ δ= , ό.έ.δ.
Έλεγχος ακρότατου:
( )
( )
( )
( )
2
2
x x
l l
θ δ θ δ
θ θθ θ θ
= =
∂ ∂ ∂ = = ∂ ∂ ∂
( ) ( ){ }( )
,x
k v xθ δ
θ δ θθ =
∂ − = ∂
( ) ( ) ( ) ( )( )
, ' , 'x
k v x k v xθ δ
θ δ θ θ δ θ=
− + − =
( ) ( ) ( )( )( )
, ' , 1x
k v x k vθ δ
θ δ θ θ=
− + − = ( ) ( ) ( ) ( ), ' ,k v x x k vθ δ δ θ− − =
ɵ( ), 0k v θ− < , άρα το ακρότατο είναι µέγιστο και συνεπώς: ɵ ( )xθ δ=
Προβλήµατα στην εύρεση Ε.Μ.Π.
Έστω ( )L θ της µορφής (πιο περίεργη, όσο αυξάνει η διάσταση του θ)
∆εν χρησιµοποιείται πάντοτε η µέθοδος της παραγωγίσεως. Υπάρχει περίπτω-
ση, µε τη µέθοδο της παραγωγίσεως, να πάρουµε είτε τοπικό µέγιστο είτε ελά-
χιστο. Γενικά, το καταλληλότερο θ είναι αυτό που µεγιστοποιεί την ( )L θ .
Θεώρηµα:
Εάν 1 2, , ,v
X X X… τ.δ. από µονοπαραµετρική κατανοµή µε σ.π. (ή σ.π.π.)
( ),f x θ , ɵθ είναι Ε.Μ.Π. του θ και ( )xδ δ= µια αποτελεσµατική εκτιµή-
τρια της παραµέτρου θ, τότε ɵθ δ= .
2
Παράδειγµα:
Έστω 1 2, , ,v
X X X… τ.δ. από οµοιόµορφη κατανοµή ( ),U a β . Να βρεθούν
Ε.Μ.Π. για τα α και β.
( ) ( )1; ,f x a I a x
aβ β
β= ≤ ≤
−
1ο βήµα
Πιθανοφάνεια:
( ) ( )1
, ; ,v
i
i
L a f x aβ β=
= =∏ ( )1
1v
i
I a xa
ββ=
≤ ≤ =−∏ ( )
1
1*
vv
i
I a xa
ββ =
≤ ≤ −
∏
! Αν υπολογίσουµε παραγώγους ως προς α,β, και τις εξισώσουµε µε το 0, θα
προκύψει ότι, τουλάχιστον ένα από τα α και β είναι άπειρο.
Παρατηρούµε ότι:
Το α πρέπει να είναι µικρότερο από όλες τις παρατηρήσεις ( )ia X< και κατά
συνέπεια και από το ελάχιστο δειγµατικό ( )( )1X , ενώ το β πρέπει να είναι µεγα-
λύτερο από όλες τις παρατηρήσεις ( )iXβ > και κατά συνέπεια και από το µέ-
γιστο δειγµατικό ( )( )vX
Άρα η πιθανοφάνεια µεγαλώνει, όσο µικραίνει το β-α, δηλαδή αν πάρουµε την
ελάχιστη δυνατή τιµή του β και τη µέγιστη δυνατή τιµή του α, δηλαδή �
( )vxβ = και ɵ ( )1
a x= . Μικρότερο διάστηµα ( ) ( )1va x xβ − = − , άρα µέγιστη
( )( ) ( )( )1
1,
v
v
L a
X X
β =−
.
Άρα οι ζητούµενες Ε.Μ.Π. είναι:
ɵ { } ( )
� { } ( )
1min
max
i
i v
a X X
X Xβ
= =
= =
Παρατήρηση
Οι Ε.Μ.Π. έχουν την ιδιότητα του Αναλλοίωτου (Invariance property).
Αν ɵθ είναι η Ε.Μ.Π. του θ, και ( )u θ είναι συνάρτηση του θ, µε µονότιµη αντί-
στροφή συνάρτηση, τότε η ɵ( )u θ είναι η Ε.Μ.Π. του ( )u θ .
π.χ. αν έχουν τ.δ. από κανονική κατανοµή (Ν(µ,σ2)) και ζητείται ο ( )2log σ ,
βρίσκουµε την Ε.Μ.Π. του 2σ , δηλαδή � ( )2
2
1
1 v
i
i
x xv
σ=
= −∑ και θέτουµε Ε.Μ.Π.
� ( )22
1
1log log
v
i
i
x xv
σ=
= −
∑
Παράδειγµα - Άσκηση:
Έστω 1 2, , , vX X X… τ.δ. από κατανοµή µε αθροιστική συνάρτηση κατανοµής:
3
( )3
3; 1 , 0F x x
x
θθ θ= − ≥ >
α) Να δειχθεί ότι: η ( )1min iX Xδ = = είναι Ε.Μ.Π. του θ και να βρεθεί η
κατανοµή της.
β) Να βρεθεί σταθερά a∈ℝ , τέτοια ώστε: η ( )1 1aXδ = να είναι αµερόληπτη
εκτιµήτρια του θ. Είναι η 1δ συνεπής;
Λύση:
α) ( ) ( ); ;d
f x F xdx
θ θ= = 3
31
d
dx x
θ − =
( )3 3d
xdx
θ −− = ( )( )3 3 13 xθ − −− − =
3
43 , 0x
x
θθ≥ > , και επειδή το στήριγµα εξαρτάται από το θ, επισυνάπτεται η
δείκτρια συνάρτηση:
( ) ( )3
4; 3f x I x
x
θθ θ= < < ∞ .
Πιθανοφάνεια:
( ) ( )1
,v
i
i
L f xθ θ=
= =∏ ( )3
41
3v
i i
I xx
θθ
=
< < ∞ =∏ ( )3
41
13
vv v
i i
I xx
θ θ=
< < ∞ =∏
( )3
4 1
1
13
vv v
iv
ii
i
I x
x
θ θ=
=
< < ∞∏∏
, η οποία µεγιστοποιείται, για αριθµητή µέγιστο,
δηλαδή για ( )1Xθ =
( ) ( )3
1
4
1
3max
v v
v
i
i
XL
x
θ
=
=
∏.
Κατανοµή της ( )1T X=
( ) ( )TF t P T t= ≤ = ( )( )1P X t≤ = ( )( )1
1 P X t− > = ( )1 21 , ,..., vP X X X t− > =
( ) ( ) ( )1 21 vP X t P X t P X t− > > ⋅ ⋅ ⋅ > = ( )1v
P X t− > = ( )1 1v
P X t− − ≤ =
( )1 1v
XF t− − =
3
31 1 1
v
t
θ − − − =
3
31
v
t
θ − =
3
31
v
vt
θ−
( ) ( )T T
df t F t
dt= =
3
31
v
v
d
dt t
θ − =
( ) ( )3 3v vd
tdt
θ −− = ( )( )( )3 3 13v vv tθ − −− − =
3
3 1
3,
v
v
vt
t
θθ
+≥ .
4
β) ( ) ( )( )1E T E X= = ( )T
tf t dtθ
∞
=∫ 3
3 13
v
vt v dt
tθ
θ∞
+ =∫ 3
3
13 v
vv dt
tθ
θ∞
=∫
3 3 113
3 1
v vv t
v θ
θ∞
− + = − +
3
3 1
3 1
3 1
v
v
v
v t θ
θ∞
−
= − +
3
3 1 3 1
3 1 1
3 1
v
v v
v
v
θθ− −
− = − + ∞
3
3 1
3 10
3 1
v
v
v
v
θθ −
− = − +
3
3 1
3 1
3 1
v
v
v
v
θθ −
− = − +
3
3 1
3
3 1
v
v
v
v
θθ −⋅ =
−
3
3 1
v
vθ⋅
−
Βλέπουµε ότι το επίπεδο της µεροληψίας είναι ελάχιστο, αν το ν είναι αξιοσέ-
βαστο, αλλά εξακολουθεί να υπάρχει.
Ζητάµε α: ( )1 1aXδ = αµερόληπτη εκτιµήτρια του θ.
( ) ( )1E E aTδ θ= = , δηλαδή: ( )aE T θ= ⇒ ( )
aE T
θ= =
3
3 1
v
v
θ
θ=
⋅−
3 1
3
v
v
−
Για τη συνέπεια:
Αφού έχουµε δείξει ότι ( )1E δ θ= , δηλαδή αµερόληπτη, αρκεί ν.δ.ό.
( )1lim 0v
V δ→∞
=
( ) ( )1V V aTδ = = ( )2a V T = ( )
23 1
3
vV T
v
−
(1)
( ) ( ) ( ) 22V T E T E T= − (2)
( ) ( )2 2
TE T t F t dt
θ
∞
= =∫ 3
2
3 1
3 v
v
vt dt
tθ
θ∞
+ =∫ 3
3 13 v
v
dtv
tθ
θ∞
− =∫ 3
3 2
1 13
3 1 1
v
vv
v t θ
θ∞
−
= − + +
3
3 2 3 2
1 1 13
3 2
v
v vv
v t t θ
θ∞
− −
− = − +
3
3 2 3 2
1 1 13
3 2
v
v vv
vθ
θ− −
− = − + ∞
3
3 2
1 13 0
3 2
v
vv
vθ
θ −
− = − + 3
3 2
1 13
3 2
v
vv
vθ
θ −=
−
3
3 2
3
3 2
v
v
v
v
θθ −⋅ =
− 23
3 2
v
vθ
−(3)
(1)(2)(3) ( ) ( )2
1
3 1
3
vV V T
vδ
− ⇒ = =
( ) ( ){ }2
223 1
3
vE T E T
v
− − =
2 2
23 1 3 3
3 3 2 3 1
v v v
v v vθ θ
− − ⋅ = − − ( )
( )
2 2 22
22
3 1 3 9
9 3 2 3 1
v v v
v v v
θθ
−− =
− −
( )( )
2 2 22
2 2
3 3 1 9
3 2 9 9
v v v
v v v
θθ
−− =
−
( )( )
2
2 23 1
3 2 3
v
v vθ θ
−− =
− ( ) ( )
( )
2 2 23 1 3 2 3
3 2 3
v v v
v v
θ θ− − −=
−
( ) ( )( )
2 23 1 3 2 3
3 2 3
v v v
v v
θ − − − =−
( )
2 2 29 6 1 9 6
3 2 3
v v v v
v v
θ − + − + =−
( )
2
3 2 3v v
θ⇒
−
( )( )
2
1lim lim 03 2 3v v
Vv v
θδ
→∞ →∞
= =
− ,
5
άρα η 1δ είναι συνεπής.
Παράδειγµα – Άσκηση (∆εν θεωρείται εύκολη άσκηση):
Έστω 1 2, , ,v
X X X… τ.δ. από κατανοµή µε
( )2 33
, exp , 0, 0x x
f x xθ θθ θ
= − ≥ >
.
Να δειχθεί ότι η εκτιµήτρια µέγιστης πιθανοφάνειας είναι αµερόληπτη και συ-
νεπής.
Λύση:
Πιθανοφάνεια: ( ) ( ),L f xθ θ= = ( )1
,v
i
i
f x θ=
=∏ 2 3
1
3exp
v
i i
i
x x
θ θ=
− =
∏
2 3
11
3 1exp
v v v
i ivii
x xθ θ ==
−
∑∏
( ) ( )logl Lθ θ= = 2 3
11
3 1log exp
v v v
i ivii
x xθ θ ==
− =
∑∏
2 3
11
3 1log log exp
v v v
i ivii
x xθ θ ==
+ − =
∑∏ 2 3
11
3 1log log
v v v
i ivii
x xθ θ ==
+ − =
∑∏
( )2 3
1 1
3 1log log
v v v
i ivi i
x xθ θ= =
+ − =
∑ ∑ ( )2 3
1 1
1log3 log log
v v
i i
i i
v v x xθθ= =
− + −∑ ∑
( ) ( )2 3
1 1
1log3 log log
v v
i i
i i
lv v x x
θθ
θ θ θ= =
∂ ∂ = − + − = ∂ ∂
∑ ∑ 3
21
10
v
i
i
vx
θ θ =
− + = ⇒∑
3
21
1 v
i
i
vx
θ θ=
= ⇒∑ 2
3
1
1 v
i
i
xv
θθ=
= ⇒∑ 3
1
1 v
i
i
xv
θ=
= ∑
Ελέγχουµε αν πρόκειται για µέγιστο µε το πρόσηµο της β΄ παραγώγου:
( )2
2
l θθ
∂=
∂
( )l θθ θ
∂ ∂= ∂ ∂
3
21
1 v
i
i
vx
θ θ θ =
∂ − + = ∂
∑ ( ) 3 3
21
2v
i
i
vxθ
θ−
=
+ − =∑
3
2 31
2 v
i
i
vx
θ θ =
− =∑ 3
3 31
2 v
i
i
vx
θθ θ =
− =∑
3
1
3
2v
i
i
v xθ
θ=
− ∑
( )ɵ
ɵ
ɵ
32
1
32
2v
i
i
v xl
θ θ
θθ
θ θ=
=
−∂
= =∂
∑
3 3
1 1
3
3
1
12
1
v v
i i
i i
v
i
i
v x xv
xv
= =
=
−
=
∑ ∑
∑
3 3
1 1
3
3
31
2
1
v v
i i
i i
v
i
i
x x
xv
= =
=
−=
∑ ∑
∑
6
3 3
1
3
3
1
v
i
i
v
i
i
v x
x
=
=
−=
∑
∑
3
2
3
1
0v
i
i
v
x=
−<
∑
. Άρα το ακρότατο που διαπιστώσαµε πριν, πρόκειται
για µέγιστο και εποµένως: ɵ3
1
1 v
i
i
xv
θ=
= ∑ .
ɵ( ) 3
1
1 v
i
i
E E xv
θ=
= =
∑ 3
1
1 v
i
i
E xv =
=
∑ ( )3
1
1 v
i
i
E xv =∑ (1)
( )3
23 3 3
x
i
xE x x e dxθ
θ
∞−
−∞
= ∫ , το οποίο δεν είναι εύκολο να λυθεί.
Υπάρχει άλλος τρόπος µε τον οποίον θα µπορούσαµε να το βρούµε.
Θέτουµε 3Y x= και προσπαθούµε να βρούµε την κατανοµή, τη µέση τιµή και
διασπορά της;
Κατανοµή του 3x .
Αρχικά βρίσκουµε την αθροιστική της 3Y x= στην αρχή:
( ) ( )YF y P Y y= ≤ = ( )3P x y≤ = ( )3P x y≤ = ( )3
XF y
( ) ( )Y
Y
dF yf y
dy= =
( )YdF y
dy= ( )3
X
dF y
dy=
1
3X
dF y
dy
=
1 2
3 31
3Xf y y
−
( )3
2 2 3
3 31 3
3
y
Yf y y y e θ
θ
− −= ⇒ ( ) 1
y
Yf y e θ
θ
−= ,
δηλαδή η 3Y x= ακολουθεί εκθετική κατανοµή µε παράµετρο θ (ή
1
θ),
3 1~i iY x Exp
θ =
.
Και εύκολα συµπεραίνουµε ότι:
[ ] ( )3E Y E xθ= =
ɵ ( )3
1
1 vn
i
E E xv
θ=
= = ∑ 1
vv
θ θ= , άρα αµερόληπτη.
Το άθροισµα 3
1
1~ ,
v
i
i
x Gamma vθ=
∑
όπου ν το πλήθος των εκθετικών που θα προσθέσουµε
1
v
i
i
E Y=
=
∑ 3
1
v
i
i
E x vθ=
=
∑ (µέση τιµή της γάµµα)
Συνέπεια:
ɵ( ) 3
1
1 v
i
i
Var Var xv
θ=
= =
∑ 3
21
1 v
i
i
Var xv =
=
∑ ( )2
1Var T
v
7
( ) 2
21
vVar T vθ
θ
= =
ɵ( )2
2
2
1Var v
v v
θθ θ= ⋅ =
ɵ( )2
lim lim 0v v
Varv
θθ
→∞ →∞= = , άρα είναι συνεπής.
8
Μέθοδος των Ροπών (Method of Moments)
Αν θέλουµε να εκτιµήσουµε s παραµέτρους, εξισώνουµε τις s πρώτες ροπές
(περί το 0) πληθυσµού – δείγµατος.
για 1s = , εξισώνουµε το την πρώτη δειγµατική ροπή (δειγµατικό µέσο) µε τη
ροπή του πληθυσµού, η οποία θα είναι συνάρτηση της παραµέτρου (ή και η ίδια
η παράµετρος), οπότε µε αντίστροφη συνάρτηση παίρνουµε την εκτιµήτρια της
παραµέτρου: ( )1
1 v
i
i
X gv
θ=
= ⇒∑ ( )1g Xθ −=
1
1
1'
v
i
i
M x xv =
= =∑
2
2
1
1'
v
i
i
M xv =
= ∑
.
.
1
1'
vs
s i
i
M xv =
= ∑
και από την άλλη τις θεωρητικές και έχουµε:
( )1' E Xµ =
( )2
2' E Xµ =
.
.
( )' s
s E Xµ =
∆ειγµατικές = θεωρητικές ροπές.
Αν είναι π.χ. διωνυµική ( )E X vp= (ν γνωστό) άρα εξετάζω το p.
Αν είναι περί το µ θα είναι ( )2
2
1
1'
v
i
i
M xv
µ=
= −∑ (η διασπορά)
Απλά παραδείγµατα
Άσκηση
Έστω 1 2, , , vX X X… τ.δ. από κατανοµή Bernoulli (p) ( )( )1,Bin p .
Να βρεθεί εκτιµήτρια του p, µε τη µέθοδο των ροπών.
Λύση:
( ) ( )1, 1 , 0,1.
xxf x p p p x
−= − =
( )( )
1
1
' ,
' ,
M x ή
p ή
δειγµατικ
µ θεωρητικ
=
= �p X= Η πρώτη δειγµατική µε θεωρητική είναι περί
την αρχή, ενώ τη δεύτερη µπορούµε να την πάρουµε περί το µέσο.
Άσκηση
Έστω 1 2, , , vX X X… τ.δ. από κατανοµή Poisson (λ).
9
Να βρεθεί εκτιµήτρια του λ, µε τη µέθοδο των ροπών.
Λύση:
( ) ( ), exp , 0,1,2,...!
x
f x xx
λλ λ= − =
1
1
'
'
M x
µ λ
=
= ɵ Xλ = .
Ροπές θεωρητικές, περί το µέσο είναι ( )k
k E xµ µ= −
και οι αντίστοιχες δειγµατικές είναι: ( )1
1 v k
k i
i
M x xv =
= −∑ .
Άσκηση
Έστω 1 2, , , vX X X… τ.δ. από ∆ιωνυµική κατανοµή ( )( ),Bin n p .
Να βρεθεί εκτιµήτρια του p, µε τη µέθοδο των ροπών.
Λύση:
( )E X xµ = = ⇒ np x= (1)
( )22 E xσ µ = − = ( )2
1
1 v
i
i
x xv =
− ⇒∑ ( ) ( ) ( )2
2
1
11 2
v
i
i
np p x x Mv =
− = − =∑
∆ιαιρούµε τη (2) διά της (1): ( ) 21
np x
np p M= ⇒
−( ) 21x p M− = ⇒
21M
px
− = ⇒ 21
Mp
x= −
(1) x
np
⇒ = = 21
x
M
x
=−
2
x
x M
x
=−
2
2
x
x M−.
Παρατηρήσεις:
α) Το n θα πρέπει να είναι ακέραιος. Άρα θα πάρουµε τον πλησιέστερο α-
κέραιο ή το ακέραιο µέρος της παράστασης
2
2
x
x M−.
β) Πρε΄πει να ισχύει 0 1p< < , άρα και 20 1 1M
x< − < ⇒ 2 1
M
x< ⇒ 2M x<
Αν αυτό δεν ισχύει τότε σηµαίνει ότι η διωνυµική κατανοµή δεν είναι καλό µο-
ντέλο για την περιγραφή των δεδοµένων µας.
Αν 2M X≈ η κατανοµή Poisson φαίνεται να είναι ένα κατάλληλο µοντέλο
( ) ( )E X V X λ= =
Αν 2M X> η αρνητική διωνυµική κατανοµή φαίνεται να είναι ένα κατάλληλο
µοντέλο ( ) ( )E X V X<
10
Αν 2M X>> (overdispersion) µία µικτή κατανοµή Poisson (π.χ. άλλη το πρωί,
άλλη το απόγευµα) φαίνεται να είναι ένα κατάλληλο µοντέλο.
Η µέθοδος των ροπών είναι σαφώς πιο εύκολη, αλλά πιο ποιοτική είναι η µέθο-
δος της πιθανοφάνειας.