Bezstronny estymator z minimalną wariancją dla

Niech będzie losową próbką o rozkładzie dla . To znaczy, $X_1, ...,X_n$ $Geometric(\theta)$ $0<\theta<1$

p_{θ} (x) = θ (1 - θ)^{x - 1} I_{{1, 2, . . .}} (x)

$p_{\theta}(x)=\theta(1-\theta)^{x-1} I_{\{1,2,...\}}(x)$

Znajdź obiektywny estymator o minimalnej wariancji dla $g(\theta)=\frac{1}{\theta}$

Moja próba:

Ponieważ rozkład geometryczny pochodzi z rodziny wykładniczej, statystyki jest kompletna i wystarczająca dla . Ponadto, jeśli jest estymatorem dla , jest on bezstronny. Dlatego według twierdzenia Rao-Blackwella i twierdzenia Lehmanna-Scheffégo jest estymatorem, którego szukamy.

\sum X_{i}

$\sum X_i$

θ

$\theta$

T (X) = X_{1}

$T(X)=X_1$

g (θ)

$g(\theta)$

W (X) = E [X_{1} | \sum X_{i}]

$W(X) = E[X_1|\sum X_i]$

Mamy następujące:

$W(X) = \sum_{i=1}^t i\, P(X_1=i|\sum X_i =t) = \sum_{i=1}^t i\, \frac{P(\sum_{i \geq 2} X_i =t-i)P(X_1=i)}{P(\sum_{i \geq 1}X_i =t)}$

Ponieważ zmienne mają tę samą geometrię, oba rozkłady sum są ujemnymi dwumianami. Ale mam kłopoty, aby uprościć współczynniki dwumianowe i dać ostateczną odpowiedź w lepszej formie, jeśli to możliwe. Wpuld byłbym zadowolony, gdybym mógł uzyskać pomoc.

Dzięki!

Edycja: Nie sądzę, że rozumiecie moje wątpliwości: Myślę, że zrobiłem wszystkie właściwe kroki, może zapomniałem tylko o funkcji wskaźnika. Oto co zrobiłem:

. . . = \sum_{i = 1}^{t} i \frac{(\binom{t - i - 1}{n - 2}) θ^{n - i} (1 - θ)^{t - i - n + 1} θ (1 - θ)^{i - 1}}{(\binom{t - 1}{n - 1}) θ^{n} (1 - θ)^{t - n}} = \sum_{i = 1}^{t} i \frac{(\binom{t - i - 1}{n - 2})}{(\binom{t - 1}{n - 1})}

$...=\sum_{i=1}^ti\frac{\binom{t-i-1}{n-2}\theta^{n-i}(1-\theta)^{t-i-n+1} \theta(1-\theta)^{i-1}}{\binom{t-1}{n-1}\theta^n(1-\theta)^{t-n}}=\sum_{i=1}^t i \frac{\binom{t-i-1}{n-2}}{\binom{t-1}{n-1}}$

Jak powiedziałem, mam problemy z uproszczeniem tego i ze wskaźnikiem somatory

— Giiovanna
źródło

Rzeczywiście, dla wariantu Geometryczny , , a twierdzenie Rao-Blackwella sugeruje, że to unikatowy estymator obiektywny dla minimalnej wariancji. Ale zamiast próbować bezpośrednio obliczyć to warunkowe oczekiwanie, można zauważyć, że stąd, że Nawiasem mówiąc, od czasu ${\cal G}(\theta)$ $X$

E_{θ} [X] = 1 / θ = g (θ)

$\mathbb{E}_\theta[X]=1/\theta=g(\theta)$

\hat{θ} (T) = E_{θ} [X_{1} | \sum_{i = 1}^{n} X_{i} = T]

$\hat{\theta}(T)=\mathbb{E}_\theta\left[X_1\Bigg|\sum_{i=1}^n X_i=T\right]$

E_{θ} [X_{1} | \sum_{i = 1}^{n} X_{i} = T] = \dots = E_{θ} [X_{n} | \sum_{i = 1}^{n} X_{i} = T]

$\mathbb{E}_\theta\left[X_1\Bigg|\sum_{i=1}^n X_i=T\right]=\ldots=\mathbb{E}_\theta\left[X_n\Bigg|\sum_{i=1}^n X_i=T\right]$

E_{θ} [X_{1} | \sum_{i = 1}^{n} X_{i} = T] = \frac{1}{n} \sum_{i = 1}^{n} E_{θ} [X_{i} | \sum_{i = 1}^{n} X_{i} = T] = \frac{T}{n}

$\mathbb{E}_\theta\left[X_1\Bigg|\sum_{i=1}^n X_i=T\right]=\frac{1}{n}\sum_{i=1}^n \mathbb{E}_\theta\left[X_i\Bigg|\sum_{i=1}^n X_i=T\right]=\frac{T}{n}$

\sum_{j \geq 2} X_{j}

$\sum_{j\ge 2} X_j$ jest ujemnym stąd ostateczna suma powinna be

N e g (n - 1, θ)

$\cal{N}eg(n-1,\theta)$

P (\sum_{j \geq 2} X_{j} = m) = (\binom{m - 1}{n - 2}) θ^{n - 1} (1 - θ)^{m - n + 1} I_{m > n - 1}

$\mathbb{P}\left(\sum_{j\ge 2} X_j=m\right)={m-1\choose n-2}\theta^{n-1}(1-\theta)^{m-n+1}\mathbb{I}_{m>n-1}$

\sum_{i = 1}^{t - n + 1} i (\binom{t - i - 1}{n - 2}) / (\binom{t - 1}{n - 1})

$\sum_{i=1}^{t-n+1} i {\binom{t-i-1}{n-2}}\bigg/{\binom{t-1}{n-1}}$

— Xi'an
źródło