1. События и операции над ними. Относительные частоты и их свойства
![]()
|
ПРОДОЛЖЕНИЕ 26 При непрерывном распределении признака весь интервал, в котором заключены все наблюдаемые значения признака, разбивают на ряд частичных интервалов длиной h и находят ni- сумму частот вариант, попавших в i-ый интервал. Гистограммой частот называют ступенчатую фигуру, состоящую из прямоугольников, основаниями которых служат частичные интервалы длины h, а высоты равны отношению ![]() ![]() ![]() ![]() На рис. 3 изображена гистограмма частот по данному распределению выборки объёма n=100.
27. Точечные оценки неизвестных параметров. Несмещённые, состоятельные и эффективные оценки. Задача оценки параметров возникает при рассмотрении параметрической модели. В этом случае полагают, что закон распределения генеральной совокупности имеет вид: F(x; ![]() То есть функция распределения генеральной совокупности известна с точностью до параметра ![]() В математической статистике рассматривают два вида оценок: точечные и интервальные. Статистику ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Задача оценки параметров сводится к нахождению неизвестного параметра распределения по результатам измерений (реализации случайной выборки). В качестве оценки выбирают некоторую функцию от измеренных величин. Для того, чтобы определить «оптимальную» для оцениваемого параметра статистику, необходимо, чтобы она удовлетворяла ряду условий. Так, например, оценка должна быть состоятельной. Предпочтительнее использовать эффективные оценки и т. д. Состоятельная оценка Статистику ![]() ![]() ![]() Несмещенная оценка Статистику ![]() ![]() ![]() ![]() Оценка является смещенной с параметром смещения b, если это равенство не выполняется. () = ![]() ![]() Смещение оценки можно устранить, введя соответствующую поправку. Иногда достаточно найти асимптотически несмещенную оценку. Оценка ![]() ![]() ![]() ![]() 27.2 Эффективная оценка Пусть имеются две несмещенные оценки ![]() ![]() ![]() ![]() ![]() ![]() ![]() ![]() Очевидно, что при выборе статистики, используемой для получения оценки параметра, следует предпочесть ![]() ![]() Если в некотором классе несмещенных оценок параметра имеется такая ![]() ![]() ![]() ![]() ![]() ![]() Таким образом, дисперсия эффективной оценки параметра в некотором классе является минимальной среди дисперсий всех оценок. Эффективную оценку называют также несмещенной оценкой с минимальной дисперсией, или оптимальной оценкой. 28. Методы моментов и максимального правдоподобия. Метод максимального правдоподобия, сокращенно ММП - это общий метод оценивания параметров генеральной совокупности с помощью максимизации функции правдоподобия L выборки. Функция правдоподобия L есть совместное распределение выборки, которое представляет собой функцию параметра ![]() ![]() Если выборка имеет непрерывное распределение, функция правдоподобия L описывается совместной плотностью распределения ![]() В случае, если элементы выборки ![]() ![]() Величину функция правдоподобия можно считать мерой правдоподобия значения θ при заданной реализации x. Пусть L - функция правдоподобия выборки; при наблюдаемых значениях - является функцией параметров θ. ![]() Тогда оценками максимального правдоподобия θ называются наиболее правдоподобные значения максимизирующие функцию L. = ![]() Очевидно, оценки зависят от наблюдений ![]() Часто проще искать точку максимума функции ![]() Пусть θ - это элемент пространства ![]() ![]() ![]() ![]() ![]() Метод моментов состоит в приравнивании теоретических моментов соответствующим эмпирическим моментам того же порядка. Если распределение определяется одним параметром, то для его отыскания приравнивают один теоретический момент одному эмпирическому моменту того же порядка. Например, можно приравнять начальный теоретический момент первого порядка начальному эмпирическому моменту первого порядка: ![]() ![]() ![]() ![]() Математическое ожидание является функцией от неизвестного параметра заданного распределения, поэтому, решив уравнение (12) относительно неизвестного параметра, тем самым получим его точечную оценку. ПРОДОЛЖЕНИЕ 28 Если распределение определяется двумя параметрами, то приравнивают два теоретических момента двум соответствующим эмпирическим моментам того же порядка. Например, можно приравнять начальный теоретический момент первого порядка начальному эмпирическому моменту первого порядка и центральный теоретический момент второго порядка центральному эмпирическому моменту второго порядка: ![]() ![]() Учитывая, что ![]() ![]() ![]() ![]() ![]() Левые части этих равенств являются функциями от неизвестных параметров, поэтому, решив систему относительно неизвестных параметров, тем самым получим их точечные оценки. Разумеется, для вычисления выборочной средней и выборочной дисперсии надо располагать выборкой ![]() 29.Интервальные оценки неизвестных параметров. Доверительные интервалы для математического ожидания и дисперсии. Пусть имеется выборка х1,х2,…,хn объема n из ген. совокупности ф-ция распред. которой F(x|a) зависит от неизвест. па-ра a , при построении точечной оценки па-ра а невозможно оценить погрешность приближения его оценкой а^=a^(x1,x2,…,xn), поэтому часто выгоднее пользоваться интервальной оценкой па-ров, основанной на построении некоторого интервала внутри которого с опред. вероятностью находится неизвест. па-р а Если аn^ - точечная оценка параметра а, то чем меньше |a-an^|, тем выше качество оценки, т.е. число ![]() ![]() Опред. Случ. величина аh=ah(x1,…,xn) и ab=ab(x1,…,xn), являющиеся функциями от выборочных значений наз. соответственно нижним и верхним двусторонним доверительным пределом для неизвестного параметра a c надежностью (коэф. доверия, доверительной вероятностью) P(0,5 a. |