Достаточная статистика для параметра ${\displaystyle \theta \in \Theta ,\;}$ определяющая некоторое семейство ${\displaystyle F_{\theta }}$ распределений вероятности — статистика ${\displaystyle T=\mathrm {T} (X)\;}$ такая, что условная вероятность выборки ${\displaystyle X=X_{1},X_{2},\ldots ,X_{n}\;}$ при данном значении ${\displaystyle \mathrm {T} (X)\;}$ не зависит от параметра ${\displaystyle \theta \;.}$ То есть выполняется равенство:

${\displaystyle \mathbb {P} (X\in {\bar {X}}|\mathrm {T} (X)=t,\theta )=\mathbb {P} (X\in {\bar {X}}|\mathrm {T} (X)=t),}$

Достаточная статистика ${\displaystyle \mathrm {T} (X),\;}$ таким образом, содержит в себе всю информацию о параметре ${\displaystyle \theta \;}$ , которая может быть получена на основе выборки X . Поэтому понятие достаточной статистики широко используется в теории оценки параметров .

Наиболее простой достаточной статистикой является сама выборка ${\displaystyle \mathrm {T} (X)=X\;}$ , однако действительно важными являются случаи, когда размерность достаточной статистики значительно меньше размерности выборки, в частности, когда достаточная статистика выражается лишь несколькими числами.

Достаточная статистика ${\displaystyle S=\mathrm {S} (X)\;}$ называется минимально достаточной , если для каждой достаточной статистики T существует неслучайная измеримая функция g , что ${\displaystyle S(X)=g(T(X))}$ почти всюду .

Теорема факторизации

Теорема факторизации даёт способ практического нахождения достаточной статистики для распределения вероятности. Она даёт достаточные и необходимые условия достаточности статистики и утверждение теорем иногда используется в качестве определения.

Пусть ${\displaystyle \mathrm {T} (X)\;}$ — некоторая статистика, а ${\displaystyle f_{\theta }(x)}$ — условная функция плотности или функция вероятности (в зависимости от вида распределения) для вектора наблюдений X . Тогда ${\displaystyle \mathrm {T} (X)\;}$ является достаточной статистикой для параметра ${\displaystyle \theta \in \Theta \;}$ , тогда и только тогда, когда существуют такие измеримые функции ${\displaystyle h}$ и ${\displaystyle g}$ , что можно записать:

${\displaystyle f_{\theta }(x)=h(x)\,g(\theta ,\mathrm {T} (x))}$

Доказательство

Ниже приведено доказательство для частного случая, когда распределение вероятностей является дискретным . Тогда ${\displaystyle f_{\theta }(x)=\mathbb {P} (X=x|\theta )}$ — Функция вероятности .

Пусть данная функция имеет факторизацию, как в формулировке теоремы, и ${\displaystyle \mathrm {T} (x)=t.}$

Тогда имеем:

${\displaystyle {\begin{aligned}\mathbb {P} (X=x|\mathrm {T} (X)=t,\theta )&={\frac {\mathbb {P} (X=x|\theta )}{\mathbb {P} (\mathrm {T} (X)=t|\theta )}}&={\frac {h(x)\,g(\theta ,\mathrm {T} (x))}{\sum _{x:\mathrm {T} (x)=t}h(x)\,g(\theta ,\mathrm {T} (x))}}\\&={\frac {h(x)\,g(\theta ,t)}{\sum _{x:\mathrm {T} (x)=t}h(x)\,g(\theta ,t)}}&={\frac {h(x)\,}{\sum _{x:\mathrm {T} (x)=t}h(x)\,}}.\end{aligned}}}$

Отсюда видим, что условная вероятность вектора X при заданном значении статистики ${\displaystyle \mathrm {T} (X)\;}$ не зависит от параметра и соответственно ${\displaystyle \mathrm {T} (X)\;}$ — достаточная статистика.

Наоборот можем записать:

${\displaystyle \mathbb {P} (X=x|\theta )=\mathbb {P} (X=x|\mathrm {T} (X)=t,\theta )\cdot \mathbb {P} (\mathrm {T} (X)=t|\theta ).}$

Из приведённого выше имеем, что первый множитель правой части не зависит от параметра ${\displaystyle \theta }$ и его можно взять за функцию ${\displaystyle h(x)}$ из формулировки теоремы. Другой множитель является функцией от ${\displaystyle \theta \;}$ и ${\displaystyle \mathrm {T} (X),\;}$ и его можно взять за функцию ${\displaystyle g(\theta ,\mathrm {T} (x)).}$ Таким образом, получена необходимая декомпозиция, что завершает доказательство теоремы.

Примеры

Распределение Бернулли

Пусть ${\displaystyle X_{1},X_{2},\ldots ,X_{n}\;}$ — последовательность случайных величин , что равны 1 с вероятностью ${\displaystyle p}$ и равны 0 с вероятностью ${\displaystyle 1-p}$ (то есть, имеют распределение Бернулли ). Тогда

${\displaystyle \mathbb {P} (x_{1},\ldots x_{n}|p)=p^{\sum x_{i}}(1-p)^{n-\sum x_{i}}=p^{\mathrm {T} (x)}(1-p)^{n-\mathrm {T} (x)},}$

если взять ${\displaystyle \mathrm {T} (X)=X_{1}+\ldots +X_{n}.}$

Тогда данная статистика является достаточной согласно теореме факторизации, если обозначить

${\displaystyle g(p,\mathrm {T} (x_{1},\ldots x_{n}))=p^{\mathrm {T} (x_{1},\ldots x_{n})}(1-p)^{n-\mathrm {T} (x_{1},\ldots x_{n})},}$

${\displaystyle h(x_{1},\ldots x_{n})=1.}$

Распределение Пуассона

Пусть ${\displaystyle X_{1},X_{2},\ldots ,X_{n}\;}$ — последовательность случайных величин с распределением Пуассона . Тогда

${\displaystyle \mathbb {P} (x_{1},\ldots x_{n}|\lambda )={e^{-\lambda }\lambda ^{x_{1}} \over x_{1}!}\cdot {e^{-\lambda }\lambda ^{x_{2}} \over x_{2}!}\cdots {e^{-\lambda }\lambda ^{x_{n}} \over x_{n}!}=e^{-n\lambda }\lambda ^{(x_{1}+x_{2}+\cdots +x_{n})}\cdot {1 \over x_{1}!x_{2}!\cdots x_{n}!}=e^{-n\lambda }\lambda ^{\mathrm {T} (x)}\cdot {1 \over x_{1}!x_{2}!\cdots x_{n}!}}$

где ${\displaystyle \mathrm {T} (X)=X_{1}+\ldots +X_{n}.}$

Данная статистика является достаточной согласно теореме факторизации, если обозначить

${\displaystyle g(\lambda ,\mathrm {T} (x_{1},\ldots x_{n}))=e^{-n\lambda }\lambda ^{\mathrm {T} (x)}}$

${\displaystyle h(x_{1},\ldots x_{n})={1 \over x_{1}!x_{2}!\cdots x_{n}!}}$

Равномерное распределение

Пусть ${\displaystyle X_{1},X_{2},\ldots ,X_{n}\;}$ — последовательность равномерно распределённых случайных величин ${\displaystyle X_{1},X_{2},\ldots ,X_{n}\;~U(a,b)}$ . Для этого случая

${\displaystyle \mathbb {P} (x_{1},\ldots x_{n}|a,b)=\left(b-a\right)^{-n}\mathbf {1} _{\{a\,\leq \,\min _{1\leq i\leq n}X_{i}\}}\mathbf {1} _{\{\max _{1\leq i\leq n}X_{i}\,\leq \,b\}}.}$

Отсюда следует, что статистика ${\displaystyle T(X)=\left(\min _{1\leq i\leq n}X_{i},\max _{1\leq i\leq n}X_{i}\right)}$ является достаточной.

Нормальное распределение

Для случайных величин ${\displaystyle X_{1},X_{2},\ldots ,X_{n}\;}$ с нормальным распределением ${\displaystyle {\mathcal {N}}(\mu ,\,\sigma ^{2})}$ достаточной статистикой будет ${\displaystyle \mathrm {T} (X)=\left(\sum _{i=1}^{n}X_{i},\sum _{i=1}^{n}X_{i}^{2}\right)\,.}$

Свойства

• Для достаточной статистики T и биективного отображения ${\displaystyle \phi }$ статистика ${\displaystyle \phi (T)}$ тоже является достаточной.
• Если ${\displaystyle \delta (X)}$ — статистическая оценка некоторого параметра ${\displaystyle \theta ,}$ ${\displaystyle \mathrm {T} (X),\;}$ — некоторая достаточная статистика и ${\displaystyle \delta _{1}(X)={\textrm {E}}[\delta (X)|T(X)]}$ то ${\displaystyle \delta _{1}(X)}$ является лучшей оценкой параметра в смысле среднеквадратичного отклонения, то есть выполняется неравенство

${\displaystyle {\textrm {E}}[(\delta _{1}(X)-\theta )^{2}]\leq {\textrm {E}}[(\delta (X)-\theta )^{2}]}$

причём равенство достигается лишь когда ${\displaystyle \delta }$ является измеримой функцией от T . ( Теорема Рао — Блэквелла — Колмогорова )

• Из предыдущего получается, что оценка может быть оптимальной в смысле среднеквадратичного отклонения лишь когда она является измеримой функцией минимальной достаточной статистики.
• Если статистика ${\displaystyle T=\mathrm {T} (X),\;}$ является достаточной и полной (то есть, из того, что ${\displaystyle E_{\theta }[g(T(X))]=0,\,\forall \theta \in \Theta }$ следует, что ${\displaystyle P_{\theta }(g(T(X))=0)=1\,\forall \theta \in \Theta }$ ), то произвольная измеримая функция от неё является оптимальной оценкой своего математического ожидания .

См. также

• Статистическая оценка
• Параметр

Литература

• Lehmann, E. L.; Casella, G. (1998). Theory of Point Estimation (2nd ed.). Springer . Chapter 4. ISBN 0-387-98502-6 .
• Леман Э. Теория точечного оценивания. — М. : Наука, 1991. — 448 с. — ISBN 5-02-013941-6 .