Категории: ДомЗдоровьеЗоологияИнформатикаИскусствоИскусствоКомпьютерыКулинарияМаркетингМатематикаМедицинаМенеджментОбразованиеПедагогикаПитомцыПрограммированиеПроизводствоПромышленностьПсихологияРазноеРелигияСоциологияСпортСтатистикаТранспортФизикаФилософияФинансыХимияХоббиЭкологияЭкономикаЭлектроника |
Свойства выборочного среднего и выборочной дисперсии1. Свойства . Свойство 1. Выборочное среднее является состоятельной оценкой генерального математического ожидания m= МX, что следует из предельной теоремы Чебышёва: (3.12) Свойство 2. является несмещенной оценкой m: . (3.13)
Свойство 3. не является робастной оценкой т, так как в своем составе имеет крайние элементы вариационного ряда. Свойство 4. (3.14) Этот результат означает, что с ростом n рассеяние уменьшается обратно пропорционально n . Аналогично доказывается, что выборочный начальный момент порядка l также является состоятельной и несмещенной оценкой генерального начального момента порядка l: (3.15)
Свойства оценок для m и в случае нормального распределения Свойства оценок математического ожидания т. Рассматриваем 4 выборочных характеристики , med, tq, tR. Так как нормальное распределение - симметричное, то эти выборочные характеристики являются оценками m. Действительно, выборочная медиана med является оценкой генеральной медианы Ме, полусумма выборочных квартилей является оценкой полусуммы генеральных квартилей Q, а так как m = Ме = Q, то все они оценивают m. Оценка в силу симметричности конструкции также оценивает m. Все эти оценки состоятельные и несмещенные, tq и med являются робастными оценками, и tR - нет. Относительная эффективность этих оценок различна. При n > 4 имеют место неравенства (3.20) Доказано, что для нормального распределения при известном а выборочное среднее является эффективной оценкой параметра m [11]. Свойства оценок среднего квадратического отклонения . Рассматриваем 4 выборочных характеристики: - интерквартильная широта, R=xmax -xmin - размах. Все они характеризуют рассеяние, но являются смещенными оценками , выражаются через , следовательно, после нормирования, означающего деление на соответствующий нормирующий коэффициент , эти характеристики станут несмещенными оценками . Таблица нормирующих коэффициентов приведена в приложении (таблица VII). Образуем несмещенные оценки : Нормированное среднее квадратическое отклонение s’=s/ks(n); ks(n)= . Нормированное среднее абсолютное отклонение d*=d/kd(n). Нормированная интерквартильная широта q*=q/kq(n). Нормированный размах R*=R/kR(n). Все эти оценки - состоятельные [11], qявляется робастной оценкой, остальные - нет. Относительная эффективность этих оценок различна, так как различны их дисперсии. При n > 6 имеют место следующие неравенства [11]: Свойства выборочной дисперсии Свойство 1. Выборочная дисперсия является состоятельной оценкой генеральной дисперсии: Свойство 2. Вспомогательная формула для выборочной дисперсии (3.17) Свойство 3. Выборочная дисперсия - смещенная оценка генеральной дисперсии с отрицательным смещением - (3.18) Вследствие смещённости выборочной дисперсии возникает задача создания несмещённой оценки дисперсии. Так как , то смещение можно устранить, умножив на множитель : (3.19) является несмещённой оценкой . Действительно, В заключение заметим, что не является робастной оценкой .
7. Метод максимального правдоподобия.
Метод максимального правдоподобия, созданный Фишером (Р. Фишер -англ. математик, 1890-1962), является достаточно универсальным и плодотворным методом оценивания. Пусть имеется выборка (x1,x2,…xn) из генеральной совокупности с плотностью вероятности f(x, , содержащей один неизвестный параметр . Выборка является n -мерной случайной величиной, компоненты xi которой взаимно независимы, одинаково распределены с плотностью f(x, . Тогда плотность распределения n-мерной случайной величины (x1,x2,…xn) будет равна (3.23) Эта функция называется функцией правдоподобия для рассматриваемой выборки. Будем считать переменной неслучайной величиной, а элементы (x1,x2,…xn) выборки фиксированными, так как выборка фактически осуществлена. Если придавать различные значения, то естественно ожидать, что плотность примет максимальное значение в случае, когда окажется равным истинному его значению, так как при других значениях менее вероятно за один раз получить именно данную выборку. Эти интуитивные соображения приводят к тому, что за оценку берут такое значение , при котором функция правдоподобия достигает максимума. Технически (так как L состоит из произведений) удобнее искать max lnL (точка , дающая максимум lnL, дает и максимум L). Итак, для отыскания имеем уравнение (3.24) которое называется уравнением правдоподобия, а его решение , зависящее от элементов выборки, оценкой максимального правдоподобия. При выполнении достаточно общих условий оценки максимального правдоподобия являются состоятельными и асимптотически эффективными. В общем случае они являются смещенными [10]. В случае, когда генеральная плотность вероятности содержит k параметров, вместо одного уравнения правдоподобия решается система уравнений (3.35) Пример. Рассмотрим показательный закон с плотностью Функция правдоподобия при х > О имеет вид
Отсюда Оценки максимального правдоподобия и метода моментов параметра показательного Замечание. Выше рассмотрены два наиболее употребительных на практике метода получения оценок параметров закона распределения - методы моментов и максимума правдоподобия. Существуют и другие методы, освещенные в литературе. Назовем еще методы квантилей, минимума хи-квадрат, наименьших квадратов, наименьших абсолютных отклонений, минимакса [10,11].
8. Распределение средней арифметической для выборок из нормальной совокупности.
9. Распределение Стьюдента. 10. Распределение дисперсии в выборках из нормальной генеральной совокупности 11. Распределение Хи-квадрат Пирсона. 12. Понятие доверительного интервала
|
|
Последнее изменение этой страницы: 2016-08-11 lectmania.ru. Все права принадлежат авторам данных материалов. В случае нарушения авторского права напишите нам сюда... |