Akıl yürütmeniz çoğunlukla doğrudur.
Numunenin eklem yoğunluğu (X1,X2,…,Xn) dır-dir
fθ(x1,x2,…,xn)⟹lnfθ(x1,x2,…,xn)⟹∂∂θlnfθ(x1,x2,…,xn)=θn(∏ni=1(1+xi))1+θ1x1,x2,…,xn>0,θ>0=nln(θ)−(1+θ)∑i=1nln(1+xi)+ln(1min1≤i≤nxi>0)=nθ−∑i=1nln(1+xi)=−n(∑ni=1ln(1+xi)n−1θ)
Böylece skor fonksiyonunu formda ifade ettik.
∂∂θlnfθ(x1,x2,…,xn)=k(θ)(T(x1,x2,…,xn)−1θ)(1)
Cramér-Rao eşitsizliğinde eşitlik şartıdır.
Bunu doğrulamak zor değil E(T)=1n∑i=1nE(ln(1+Xi))=1/θ=1θ(2)
itibaren (1) ve (2) bunu sonuçlandırabiliriz
- İstatistik T(X1,X2,…,Xn) tarafsız bir tahmin edicisidir 1/θ.
- T Cramér-Rao eşitsizliğinin eşitlik koşulunu yerine getirir.
Bu iki gerçek birlikte T UMVUE 1/θ.
İkinci mermi aslında bize bu varyansın T için Cramér-Rao alt sınırına ulaşır 1/θ.
Gerçekten de, gösterdiğiniz gibi,
Eθ[∂2∂θ2lnfθ(X1)]=−1θ2
Bu, tüm örnek için bilgi fonksiyonunun I(θ)=−nEθ[∂2∂θ2lnfθ(X1)]=nθ2
Böylece Cramér-Rao alt sınırı 1/θ ve dolayısıyla UMVUE'nun varyansı
Var(T)=[ddθ(1θ)]2I(θ)=1nθ2
Burada, bir dağılım ailesi için şunu söyleyen Cramér-Rao eşitsizliğinin bir sonucunu kullandık f parametreleyen θ (eğer CR eşitsizliğinin düzenlilik koşullarının geçerli olduğunu varsayarak) T tarafsız g(θ) bazı işlevler için g ve eğer CR eşitsizliğinde eşitlik koşulunu sağlıyorsa, yani ∂∂θlnfθ(x)=k(θ)(T(x)−g(θ))
, sonra T UMVUE olmalı g(θ). Yani bu argüman her problemde işe yaramıyor.
Alternatif olarak, Lehmann-Scheffe teoremini kullanarak şunu söyleyebilirsiniz: T=1n∑ni=1ln(1+Xi) UMVUE 1/θ tarafsız olduğu için 1/θve dağıtım ailesi için tam bir istatistiktir. oTtek parametreli üstel bir aile açısından numunenin eklem yoğunluğunun yapısından yeterince açık rekabet eder. Ancak varyansıT doğrudan bulmak biraz zor olabilir.