Eenparametrisch model
bewerken
Zij
{
f
ϑ
|
ϑ
∈
Θ
}
{\displaystyle \{f_{\vartheta }|\vartheta \in \Theta \}}
een familie kansdichtheden, geparametriseerd door
ϑ
∈
Θ
{\displaystyle \vartheta \in \Theta }
, met
Θ
{\displaystyle \Theta }
een open verzameling .
De scorefunctie van deze familie is gedefinieerd door
S
(
ϑ
,
x
)
=
∂
∂
ϑ
ln
f
ϑ
(
x
)
=
∂
∂
ϑ
f
ϑ
(
x
)
f
ϑ
(
x
)
{\displaystyle S(\vartheta ,x)={\frac {\partial }{\partial \vartheta }}\ln f_{\vartheta }(x)={\frac {{\frac {\partial }{\partial \vartheta }}f_{\vartheta }(x)}{f_{\vartheta }(x)}}}
,
mits deze bestaat en eindig is.
Meerdere parameters
bewerken
Als de parameter meerdimensionaal is:
ϑ
=
(
ϑ
1
,
…
,
ϑ
m
)
{\displaystyle \vartheta =(\vartheta _{1},\ldots ,\vartheta _{m})}
, is de score :
S
(
ϑ
,
x
)
=
g
r
a
d
(
ln
f
ϑ
(
x
)
)
=
1
f
ϑ
(
x
)
(
∂
∂
ϑ
1
f
ϑ
(
x
)
,
…
,
∂
∂
ϑ
m
f
ϑ
(
x
)
)
{\displaystyle S(\vartheta ,x)=\mathrm {grad} (\ln f_{\vartheta }(x))={\frac {1}{f_{\vartheta }(x)}}\left({\frac {\partial }{\partial \vartheta _{1}}}f_{\vartheta }(x),\ldots ,{\frac {\partial }{\partial \vartheta _{m}}}f_{\vartheta }(x)\right)}
mits deze bestaat en eindig is.
Onder de regulariteitsvoorwaarden dat differentiëren en integreren verwisseld mogen worden, is de verwachtingswaarde van de score gelijk aan 0, immers:
E
∂
∂
θ
log
f
ϑ
(
X
)
=
∫
∂
∂
θ
f
ϑ
(
x
)
f
ϑ
(
x
)
f
ϑ
(
x
)
d
x
=
∂
∂
θ
∫
f
ϑ
(
x
)
d
x
=
∂
∂
θ
1
=
0
{\displaystyle \operatorname {E} {\frac {\partial }{\partial \theta }}\log f_{\vartheta }(X)=\int {\frac {{\frac {\partial }{\partial \theta }}f_{\vartheta }(x)}{f_{\vartheta }(x)}}f_{\vartheta }(x)\,\mathrm {d} x={\frac {\partial }{\partial \theta }}\int f_{\vartheta }(x)\,\mathrm {d} x={\frac {\partial }{\partial \theta }}1=0}
Discrete verdelingen
bewerken
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
n
{\displaystyle n}
en succeskans
p
{\displaystyle p}
geldt:
S
(
p
,
x
)
=
∂
∂
p
ln
(
(
n
x
)
p
x
(
1
−
p
)
n
−
x
)
=
x
p
−
n
−
x
1
−
p
=
x
−
n
p
p
(
1
−
p
)
{\displaystyle S(p,x)={\frac {\partial }{\partial p}}\ln \left({\tbinom {n}{x}}p^{x}(1-p)^{n-x}\right)={\frac {x}{p}}-{\frac {n-x}{1-p}}={\frac {x-np}{p(1-p)}}}
Inderdaad is:
E
S
(
p
,
X
)
=
E
X
−
n
p
p
(
1
−
p
)
=
0
{\displaystyle \operatorname {E} S(p,X)=\operatorname {E} {\frac {X-np}{p(1-p)}}=0}
Poissonverdeling
Voor de poissonverdeling met parameter
λ
{\displaystyle \lambda }
geldt:
S
(
λ
,
x
)
=
∂
∂
λ
ln
(
λ
x
x
!
e
−
λ
)
=
∂
∂
λ
(
x
ln
λ
−
ln
(
x
!
)
−
λ
)
=
x
λ
−
1
{\displaystyle S(\lambda ,x)={\frac {\partial }{\partial \lambda }}\ln \left({\frac {\lambda ^{x}}{x!}}\,e^{-\lambda }\right)={\frac {\partial }{\partial \lambda }}\left(x\ln \lambda -\ln(x!)-\lambda \right)={\frac {x}{\lambda }}-1}
Ook is weer:
E
S
(
λ
,
X
)
=
E
X
λ
=
E
X
λ
−
1
=
0
{\displaystyle \operatorname {E} S(\lambda ,X)={\frac {\operatorname {E} X}{\lambda }}={\frac {\operatorname {E} X}{\lambda }}-1=0}
Continue verdelingen
bewerken
Exponentiële verdeling
Voor de exponentiële verdeling met parameter
λ
{\displaystyle \lambda }
geldt:
S
(
λ
,
x
)
=
∂
∂
λ
ln
(
λ
e
−
λ
x
)
=
∂
∂
λ
(
ln
λ
−
λ
x
)
=
1
λ
−
x
{\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}
Er geldt weer:
E
S
(
λ
,
X
)
=
1
λ
−
E
X
=
0
{\displaystyle \operatorname {E} S(\lambda ,X)={\frac {1}{\lambda }}-\operatorname {E} X=0}
Normale verdeling
Voor de normale verdeling met parameters 0 en
σ
2
=
ϑ
{\displaystyle \sigma ^{2}=\vartheta }
geldt:
S
(
ϑ
,
x
)
=
∂
∂
ϑ
ln
(
1
2
π
ϑ
e
−
x
2
2
ϑ
)
=
∂
∂
ϑ
(
−
1
2
ln
ϑ
−
x
2
2
ϑ
)
=
−
1
2
ϑ
+
x
2
2
ϑ
2
{\displaystyle S(\vartheta ,x)={\frac {\partial }{\partial \vartheta }}\ln \left({\frac {1}{\sqrt {2\pi \vartheta }}}e^{-{\frac {x^{2}}{2\vartheta }}}\right)={\frac {\partial }{\partial \vartheta }}\left(-{\tfrac {1}{2}}\ln \vartheta -{\frac {x^{2}}{2\vartheta }}\right)=-{\frac {1}{2\vartheta }}+{\frac {x^{2}}{2\vartheta ^{2}}}}
,
dus
S
(
σ
2
,
x
)
=
x
2
−
σ
2
2
σ
4
{\displaystyle S(\sigma ^{2},x)={\frac {x^{2}-\sigma ^{2}}{2\sigma ^{4}}}}
Er geldt weer:
E
S
(
ϑ
,
X
)
=
−
1
2
ϑ
+
E
X
2
2
ϑ
2
=
0
{\displaystyle \operatorname {E} S(\vartheta ,X)=-{\frac {1}{2\vartheta }}+{\frac {\operatorname {E} X^{2}}{2\vartheta ^{2}}}=0}
Vat men
σ
{\displaystyle \sigma }
als parameter op, dan geldt:
S
(
σ
,
x
)
=
∂
∂
σ
ln
(
1
σ
2
π
e
−
x
2
2
σ
2
)
=
∂
∂
σ
(
−
ln
σ
−
x
2
2
σ
2
)
=
x
2
−
σ
2
σ
3
{\displaystyle S(\sigma ,x)={\frac {\partial }{\partial \sigma }}\ln \left({\frac {1}{\sigma {\sqrt {2\pi }}}}e^{-{\frac {x^{2}}{2\sigma ^{2}}}}\right)={\frac {\partial }{\partial \sigma }}\left(-\ln \sigma -{\frac {x^{2}}{2\sigma ^{2}}}\right)={\frac {x^{2}-\sigma ^{2}}{\sigma ^{3}}}}
Als de verwachtingswaarde gelijk is aan
μ
{\displaystyle \mu }
geldt voor deze parameter:
S
(
μ
,
x
)
=
∂
∂
μ
ln
(
1
2
π
σ
2
e
−
(
x
−
μ
)
2
2
σ
2
)
=
∂
∂
μ
(
−
(
x
−
μ
)
2
2
σ
2
)
=
x
−
μ
σ
2
{\displaystyle S(\mu ,x)={\frac {\partial }{\partial \mu }}\ln \left({\frac {1}{\sqrt {2\pi \sigma ^{2}}}}e^{-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}}\right)={\frac {\partial }{\partial \mu }}\left(-{\frac {(x-\mu )^{2}}{2\sigma ^{2}}}\right)={\frac {x-\mu }{\sigma ^{2}}}}
Algemeen geldt:
S
(
(
μ
,
σ
2
)
,
x
)
=
(
x
−
μ
σ
2
,
(
x
−
μ
)
2
−
σ
2
2
σ
4
)
{\displaystyle S((\mu ,\sigma ^{2}),x)=\left({\frac {x-\mu }{\sigma ^{2}}},{\frac {(x-\mu )^{2}-\sigma ^{2}}{2\sigma ^{4}}}\right)}