In de wiskundige statistiek is de fisherinformatie van een familie kansdichtheden een grootheid die informatie geeft over de kwaliteit van parameterschattingen. De grootheid is genoemd naar de Britse statisticus Ronald Aylmer Fisher.
Definitie
Eenparametrisch model
Zij
een familie kansdichtheden, geparametriseerd door
, met
een open verzameling.
De fisherinformatie
is gedefinieerd als de verwachtingswaarde van het kwadraat van de score
voor de uitkomst
:
![{\displaystyle S(\vartheta ,x)={\frac {\partial }{\partial \vartheta }}\ln f_{\vartheta }(x)={\frac {{\frac {\partial }{\partial \vartheta }}f_{\vartheta }(x)}{f_{\vartheta }(x)}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7f0aa7f1d2cde3c5647cb3f69d4dab45019f78c8)
en
,
waarin
de kansdichtheid
heeft.
Onder bepaalde regulariteitsvoorwaarden is de verwachtingswaarde van de score gelijk aan 0, zodat de fisherinformatie dan ook gelijk is aan de variantie van de score:
![{\displaystyle I(\vartheta )=\operatorname {var} (S(\vartheta ,X))}](https://wikimedia.org/api/rest_v1/media/math/render/svg/afe8b46bc2353bcb00841f0585f1ae429089feb1)
Meerdere parameters
Als de parameter meerdimensionaal is:
, is de fisherinformatiematrix de generalisatie van de fisherinformatie. Deze is gedefinieerd als de symmetrische matrix
met als elementen:
![{\displaystyle [I(\vartheta )]_{rk}={\frac {\partial }{\partial \vartheta _{r}}}\ln(f_{\vartheta }(x)){\frac {\partial }{\partial \vartheta _{k}}}\ln(f_{\vartheta }(x))={\frac {1}{(f_{\vartheta }(x))^{2}}}{\frac {\partial }{\partial \vartheta _{r}}}f_{\vartheta }(x){\frac {\partial }{\partial \vartheta _{k}}}f_{\vartheta }(x)}](https://wikimedia.org/api/rest_v1/media/math/render/svg/d3cb71315c060ec711d9000ed946078930cdfae5)
Voorbeelden
Discrete verdelingen
In het geval van een discrete verdeling betreft het dichtheden ten opzichte van de telmaat, dus kansfuncties.
- Binomiale verdeling
Voor de binomiale verdeling met parameters
en succeskans
geldt:
![{\displaystyle S(p,x)={\frac {x-np}{p(1-p)}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5b8befe136ba6a12abda412b2213b70b73a3d03d)
Er geldt:
,
zodat de fisherinformatie is:
![{\displaystyle I(p)=\operatorname {var} S(p,X)=\operatorname {var} \left({\frac {X-np}{p(1-p)}}\right)={\frac {n}{p(1-p)}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/6eec63e77a4684a50cd43ffcd7c6dfdf45c92755)
- Poissonverdeling
Voor de poissonverdeling met parameter
geldt:
![{\displaystyle S(\lambda ,x)={\frac {x}{\lambda }}-1}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5adbc04d05e75340949c8b9ceb72cf5de7380642)
Ook is weer:
![{\displaystyle \operatorname {E} S(\lambda ,X)={\frac {\operatorname {E} X}{\lambda }}-1=0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/7a5ee7ebd6ad28dc370db8dc65d937193ab30981)
De fisherinformatie is dus:
![{\displaystyle I(\lambda )=\operatorname {var} S(\lambda ,X)={\frac {\operatorname {var} (X)}{\lambda ^{2}}}={\frac {1}{\lambda }}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/59c44bc3456452ae327573f98ca34d7f6f382399)
Continue verdelingen
- Exponentiële verdeling
Voor de exponentiële verdeling met parameter
geldt:
![{\displaystyle S(\lambda ,x)={\frac {\partial }{\partial \lambda }}\ln \left(\lambda e^{-\lambda x}\right)={\frac {\partial }{\partial \lambda }}(\ln \lambda -\lambda x)={\frac {1}{\lambda }}-x}](https://wikimedia.org/api/rest_v1/media/math/render/svg/b5fc1bca43b31ae87b522dd1bb7f1929ed963a98)
Er geldt weer:
![{\displaystyle \operatorname {E} S(\lambda ,X)={\frac {1}{\lambda }}-\operatorname {E} X=0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/5cd0f8dff7a064cedd1498aa1f7e50de75775cba)
De fisherinformatie is dus:
![{\displaystyle I(\lambda )=\operatorname {var} (S(\lambda ,X))=\operatorname {var} (X)={\frac {1}{\lambda ^{2}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/21693f1bb183e9523bcf3b9066a3a375b49266d7)
- Normale verdeling
Voor de normale verdeling met parameters 0 en
geldt:
![{\displaystyle S(\vartheta ,x)=-{\frac {1}{2\vartheta }}+{\frac {x^{2}}{2\vartheta ^{2}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cf6e8eed645f24fabc9221b3ea72ec22d4d231bc)
Er geldt weer:
![{\displaystyle \operatorname {E} S(\vartheta ,X)=-{\frac {1}{2\vartheta }}+{\frac {\operatorname {E} X^{2}}{2\vartheta ^{2}}}=0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/653fcda7d578bd87af75d063db34b4f12165b17a)
De fisherinformatie is dus:
![{\displaystyle I(\sigma ^{2})=I(\vartheta )=\operatorname {var} (S(\vartheta ,X))={\frac {\operatorname {var} (X^{2})}{4\vartheta ^{4}}}={\frac {1}{2\vartheta ^{2}}}={\frac {1}{2\sigma ^{4}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/13e315709d7f0e0e048d83a933b7b036075c2a03)
Vat men
als parameter op, dan geldt:
![{\displaystyle S(\sigma ,x)=-{\frac {1}{\sigma }}+{\frac {x^{2}}{\sigma ^{3}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/e244402dec5b87ff4a6a25a53efc6251a6052c67)
Ook dan is:
![{\displaystyle \operatorname {E} S(\sigma ,X)=-{\frac {1}{\sigma }}+{\frac {\operatorname {E} X^{2}}{\sigma ^{3}}}=0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/95977d1ea63e9966ca4ac0f31904fd41c17a528b)
zodat
![{\displaystyle I(\sigma )=\operatorname {var} (S(\sigma ,X))={\frac {\operatorname {var} (X^{2})}{\sigma ^{6}}}={\frac {2}{\sigma ^{2}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/c21a5a91e12257067afd5e3f6bc88acb363c7899)
Als de verwachtingswaarde gelijk is aan
geldt voor deze parameter:
![{\displaystyle S(\mu ,x)={\frac {x-\mu }{\sigma ^{2}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/621e5f20898747e6daddfa64c8a24703a87be152)
Weer is
![{\displaystyle \operatorname {E} S(\mu ,X)=\operatorname {E} {\frac {x-\mu }{\sigma ^{2}}}=0}](https://wikimedia.org/api/rest_v1/media/math/render/svg/83a846902346f6bbddf874e237031a49522c32c1)
en is:
![{\displaystyle I(\mu )=\operatorname {var} (S(\mu ,X))={\frac {\operatorname {var} (X)}{\sigma ^{4}}}={\frac {1}{\sigma ^{2}}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/009f8490a7687fb94a9831d1628a812c358038a5)
Voor het parameterpaar
geldt:
,
zodat de fisherinformatiematrix gelijk is aan:
![{\displaystyle I(\mu ,\sigma ^{2})=\operatorname {E} {\begin{bmatrix}{\frac {(X-\mu )^{2}}{\sigma ^{4}}}&{\frac {X-\mu }{\sigma ^{2}}}{\frac {(X-\mu )^{2}-\sigma ^{2}}{2\sigma ^{4}}}\\{\frac {X-\mu }{\sigma ^{2}}}{\frac {(X-\mu )^{2}-\sigma ^{2}}{2\sigma ^{4}}}&{\frac {((X-\mu )^{2}-\sigma ^{2})^{2}}{4\sigma ^{8}}}\end{bmatrix}}={\begin{bmatrix}{\frac {1}{\sigma ^{2}}}&0\\0&{\frac {1}{2\sigma ^{4}}}\end{bmatrix}}}](https://wikimedia.org/api/rest_v1/media/math/render/svg/cb4683aeb920dee5bb33a4b89f09f888d5e76faf)
Zie ook