Niech oznaczają wektor losowej (odpowiadający pomiarów) pochodzącą z parametryzowaną rodziny od funkcji gęstości prawdopodobieństwa lub funkcji masy prawdopodobieństwa , który zależy od nieznanego parametru deterministyczny . Przestrzeń parametrów jest podzielona na dwa rozłączne zestawy i . Niech oznaczają hipotezę, że i niech oznaczają hipotezę, że . Binarny test hipotez jest wykonywany za pomocą funkcji testowej .
co oznacza, że obowiązuje w przypadku pomiaru i to w przypadku pomiaru . Zauważ, że jest to rozłączne pokrycie przestrzeni pomiarowej.
Definicja formalna
Funkcja testowa ma rozmiar UMP, jeśli dla jakiejkolwiek innej funkcji testowej jest zadowalająca
mamy
Twierdzenie Karlina-Rubina
Twierdzenie Karlina – Rubina można traktować jako rozszerzenie lematu Neymana – Pearsona dla hipotez złożonych. Rozważmy pomiar skalarny z funkcją gęstości prawdopodobieństwa sparametryzowaną parametrem skalarnym θ i zdefiniuj współczynnik wiarygodności . Jeśli jest monotoniczny, nie malejący, in dla dowolnej pary (co oznacza, że im większe , tym bardziej prawdopodobne ), to test progowy:
gdzie jest taki wybrany
to test UMP o rozmiarze α do testowania
Zauważ, że dokładnie tym samym testem jest również UMP do testowania
ma monotoniczny, nie malejący współczynnik prawdopodobieństwa w statystykach wystarczających , pod warunkiem, że nie zmniejsza się.
Przykład
Niech oznaczają IID zwykle rozmieszczone wymiarową losowych wektorów ze średnią i macierz kowariancji . Mamy wtedy
który ma dokładnie postać wykładniczej rodziny pokazanej w poprzedniej sekcji, z wystarczającym bytem statystycznym
W związku z tym dochodzimy do wniosku, że test
to test UMP rozmiaru do testowania vs.
Dalsza dyskusja
Na koniec zauważamy, że generalnie testy UMP nie istnieją dla parametrów wektorów ani dla testów dwustronnych (test, w którym jedna hipoteza leży po obu stronach alternatywy). Powodem jest to, że w takich sytuacjach, najbardziej wydajne test danej wielkości dla jednego z możliwych wartości parametru (na przykład dla gdzie ) różni się od najbardziej mocny próbie tej samej wielkości dla różnych wartości parametru (na przykład dla gdzie ). W rezultacie żaden test nie jest jednakowo najsilniejszy w takich sytuacjach.
Bibliografia
Dalsza lektura
Ferguson, TS (1967). Rozdział 5.2: Jednolicie najsilniejsze testy . Statystyka matematyczna: podejście oparte na teorii decyzji . Nowy Jork: Academic Press.
Mood, AM; Graybill, FA; Boes, DC (1974). „Rozdział IX.3.2: Jednolite najsilniejsze testy ”. Wprowadzenie do teorii statystyki (wyd. 3). Nowy Jork: McGraw-Hill.
LL Scharf, Statistical Signal Processing , Addison-Wesley, 1991, sekcja 4.7.