famiexp
famiexp
famiexp
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
1 Família Exponencial<br />
Muitas das distribuiçôes estudadas até agora são membros da chamada classe ou família<br />
exponencial. Assim, por exemplo, o são as distribuições normal, binomial, binomial nega-<br />
tiva, gama, Poisson e normal inversa. Esta classe de famílias de distribuições foi descoberta<br />
independentemente por Koopman, Pitman e Darmois através do estudo de propriedades<br />
de suficiência estatística. Posteriormente, muitos outros aspectos dessas famílias foram de-<br />
scobertos e tornaram-se importantes na teoria moderna de estatística.<br />
1.1 Caso de um parâmetro<br />
Seja a família F = {f(y; θ); θ ∈ Ω} de f.d.p.. Diz-se que ela é a família exponencial de<br />
distribuições com parâmetro θ se<br />
f(y; θ) = ρ(y)t(θ)e a(y)b(θ) IA(y) (1.1)<br />
onde a(.), b(.), s(.) e t(.) são funções conhecidas e IA é o indicador do conjunto A e não pode<br />
depender de θ. Outra forma com que se apresenta a família é:<br />
f(y; θ) = exp[a(y)b(θ) + ln(s(y)) + ln(t(θ))]<br />
e tomando-se, ln(s(y)) = d(y) e ln(t(θ)) = c(θ),tem-se<br />
f(y; θ) = exp[a(y)b(θ) + d(y) + c(θ)] (1.2)<br />
Além disso, transformações do tipo 1 − 1 de variáveis ou de parâmetros não afetam a<br />
forma geral de f(y; θ). Então, desde que a(.),b(.) são funções monotônicas, podemos fazer:<br />
Tem-se, então<br />
θ ′ = b(θ)<br />
φ<br />
e a(y) = z, φ > 0 conhecido e fixo.<br />
1
g(z; θ ′ ) = exp{zφθ ′ + d1(z) + c1(θ ′ , φ)} e como φ é fixo<br />
= expφ[zθ ′ + d2(z, φ) + c2(θ ′ , φ)]<br />
ou ainda, usando a notação de Cordeiro (1986), tem-se<br />
f(y; θ) = exp{φ[yθ − b(θ) + c(y, φ)]} (1.3)<br />
ou então, de acordo com a notação de McCullagh e Nelder, fazendo φ = 1<br />
a(φ ′ )<br />
<br />
[yθ − b(θ)]<br />
f(y; θ) = exp<br />
a(φ ′ ) + c(y, φ ′ <br />
)<br />
2<br />
(1.4)<br />
Tem-se nesses dois últimos casos a família exponencial na forma canônica com parâmetro<br />
canônico ou natural θ. Se há outros parâmetros além de θ, eles são olhados como parâmetros<br />
”nuisance”e são tratados como se fossem conhecidos.<br />
2 Média e variância da família exponencial<br />
na forma (2) têm-se:<br />
mas<br />
b<br />
a fx(x; θ)dx = 1<br />
b<br />
exp{a(x)bθ) + d(x) + c(θ)}dx = 1<br />
a<br />
derivando-se em relação a θ fica<br />
fx(x; θ) = exp{a(x)b(θ) + d(x) + c(θ)}IA(x)<br />
b<br />
a exp{a(x)bθ) + d(x) + c(θ)}[a(x)b′ (x) + c ′ (θ)]dx = 0
′ (θ) a(x)exp{a(x)b(θ) + d(x) + c(θ)} dx + c<br />
<br />
E(a(X))<br />
′ (θ) = 0<br />
<br />
∴ E a(X) = − c′ (θ)<br />
b(θ)<br />
2.1 Função geradora de momentos e função geradora de cumu-<br />
mas<br />
<br />
<br />
A<br />
A<br />
lantes<br />
A f.g.m. para a família exponencial com um parâmetro é dada por<br />
M(t; θ; φ) = E[e ty ] =<br />
f(y; θ; φ)dy = 1<br />
=<br />
exp{φ[θ y − b(θ) + c(y, φ)]}dy = 1<br />
<br />
t<br />
exp φ<br />
A φ<br />
<br />
1<br />
exp [φ b(θ)]<br />
<br />
1<br />
exp{φ[θ y + c(y, φ)]}dy = 1<br />
exp [φ b(θ)] A<br />
<br />
exp{φ[θ y + c(y, φ)]} = exp [φ b(θ)]<br />
A<br />
portanto<br />
M(t; θ; φ) =<br />
A<br />
<br />
+ θ<br />
exp<br />
<br />
y − b(θ) + c(y, φ)<br />
dy<br />
<br />
t<br />
φ + θ y + c(y, φ) dy<br />
φ<br />
1<br />
exp [φ b(θ)] exp<br />
<br />
t<br />
φ b + θ<br />
φ<br />
3
t<br />
M(t; θ; φ) = exp φ b + θ − b(θ)<br />
φ<br />
e a função geradora de cumulantes correspondentes é<br />
de onde se obtém<br />
ϕ ′ <br />
= φ b ′<br />
<br />
t 1<br />
+ θ φ<br />
ϕ ′′ = b ′′<br />
<br />
t<br />
φ<br />
<br />
1<br />
+ θ<br />
φ<br />
ϕ ′′′ = b ′′′<br />
<br />
t<br />
+ θ<br />
φ<br />
. . .<br />
ϕ (r) = b (r)<br />
<br />
t<br />
+ θ φ<br />
φ 1−r<br />
<br />
t<br />
ϕ = ln M(t; θ; φ) = φ b + θ − b(θ)<br />
φ<br />
<br />
t<br />
= b′<br />
φ φ<br />
<br />
t<br />
= b′′ + θ φ<br />
φ −1<br />
<br />
φ −2<br />
<br />
+ θ = b ′<br />
<br />
t<br />
φ<br />
<br />
+ θ φ 0<br />
e como já foi visto para t = 0, temos os cumulantes<br />
k1 = b ′ (θ)<br />
k2 = φ −1 b ′′ (θ)<br />
. . .<br />
kr = φ 1−r b (r) (θ)<br />
Verifica-se, portanto, que existe uma relação de recorrência entre os cumulantes da família<br />
exponencial. Isto é fundamental na obtenção dew propriedades assintóticas dos modelos lin-<br />
eares generalizados.<br />
Os momentos da família exponencial podem ser facilmente obtidos a partir dos cumu-<br />
lantes (Kendall e Stuart, 1977-vol.1, cap.3).<br />
4
2.1.1 Relação entre cumulantes e momentos em relação à origem<br />
k1 = µ ′ 1<br />
k2 = µ ′ 2 − (µ ′ 1) 2<br />
k3 = µ ′ 3 − 3µ ′ 2µ ′ 1 + 2(µ ′ ) 3<br />
k4 = µ ′ 4 − 4µ ′ 3µ ′ 1 − 3(µ ′ 2) 2 + 12µ ′ 2(µ ′ 1) 2 − 6(µ ′ 1) 4<br />
2.1.2 Relação entre cumulantes e momentos em relação à média<br />
k2 = µ2<br />
k3 = µ3<br />
k4 = µ4 − 3(µ2) 2<br />
Portanto, a média a variância da família exponencial são dadas por<br />
µ = E(y) = b ′ (θ)<br />
σ 2 = var(y) = 1<br />
φ b′′ (θ)<br />
IMP ORT ANT E!!!!!<br />
5
2.2 Suficiência na família exponencial<br />
Seja x1, x2, . . . , xn uma a.a. de uma distribuição que tem seu f.d.p. na família exponencial.<br />
A f.d.p. conjunta de x1, x2, . . . , xn é dada por:<br />
fX(x; θ) =<br />
n<br />
f(xi; θ) =<br />
i=1<br />
= t(θ) n<br />
n<br />
{s(xi)t(θ)exp[a(xi)b(θ)]}<br />
i=1<br />
n<br />
<br />
s(xi) exp b(θ)<br />
i=1<br />
= t(θ) n exp<br />
Fazendo U = n<br />
i=1 a(xi) , tem-se<br />
e, então<br />
e<br />
<br />
b(θ)<br />
n<br />
<br />
a(xi)<br />
i=1<br />
n<br />
<br />
n<br />
a(xi) s(xi)<br />
i=1<br />
fX(x; θ) = t(θ) n exp [b(θ)U]<br />
i=1<br />
n<br />
s(xi)<br />
g(u, θ) = [t(θ)] n exp[b(θ)u] que depende dos xi’s através de u<br />
h(x1, x2, . . . , xn) =<br />
i=1<br />
n<br />
s(xi) que independe deθ<br />
Portanto, U = a(Xi) é uma estatística suficiente para θ.<br />
i=1<br />
Isto mostra que, sob amostragem aleatória, se uma densidade pertence à família exponen-<br />
cial de um parâmetro, então, existe uma estatística suficiente. De fato, pode ser mostrado<br />
que a estatística suficiente assim obtida é minimal.<br />
6
3 Caso de k-parâmetros<br />
Numa família de distribuições F = {f(y; θ; θ ∈ r)} é dita para ser uma família exponencial<br />
de k-parâmetros se<br />
f(y; θ) = s(y) t(θ) e k<br />
j=1 aj(y) bj(θ) IA(y) (3.1)<br />
onde a(.), b(.), s(.) e t(.) são funções conhecidas e IA é o indicador do conjunto A e não<br />
pode depender de θ. Deforma similar pode-se ter a forma<br />
<br />
k<br />
<br />
f(y; θ) = exp aj(y) bj(θ) + ln s(y) + ln t(θ)<br />
j=1<br />
<br />
k<br />
<br />
= exp aj(y) bj(θ) + d(y) + c(θ)<br />
j=1<br />
e prova-se que A ′ = (A1, . . . , Ak) é uma estatística suficiente para θ ′ = (θ1, . . . , θk).<br />
7<br />
(3.2)<br />
Seja X1, X2, . . . , Xn uma a.a. da distribuição que tem f.d.p. que pertence à família<br />
exponencial com k parâmetros. A f.d.p. conjunta é dada por:<br />
f(y; θ) =<br />
e demonstra-se que A ′ <br />
n<br />
= A1i, . . . ,<br />
para θ ′ = (θ1, . . . , θk).<br />
i=1<br />
n<br />
f(xi; θ)<br />
i=1<br />
n<br />
<br />
Aki são estatísticas conjuntamente suficientes<br />
i=1
Exercícios<br />
Verifique se as distribuições que se seguem pertencem à família exponencial na forma<br />
canônica dada pela expressão (3). E obtenha ϕY (t), M(t), E(Y ) e V ar(Y ).<br />
1. Poisson: Y ∼ P (λ)<br />
2. Exponencial: Y ∼ Exp(λ).<br />
3. Binomial negativa.<br />
4. Gama<br />
8