STATYSTYKA http://totto1.prv.pl
Pełen tekst
(2) STATYSTYKA http://totto1.prv.pl. 2. Jeżeli l jest dystrybuantą zmiennej losowej A o rozkładzie a%b, c d ) to: +0b . l%A) , m c. gdzie m%n) ,. p P √do 2Z B. u. 2. qr r. st – dystrybuanta rozkładu a%0,1). 3. Jeżeli A~a%b, c d ) oraz v , ^A w $ to v~a%^b w $, ^d c d ) 4. Jeżeli AB , … , A1 są niezależnymi zmiennymi losowymi o rozkładach a%bJ , cJd ) x , 1, … , & odpowiednio oraz zmienna losowa: 1. Wtedy:. v , I ^J AJ. ^J y 0. JKB 1. 1. v~a zI ^J bJ , I ^Jd cJd { JKB. JKB. Przykład 1: Niech AB , … , A1 będą niezależnymi zmiennymi losowymi o jednakowym rozkładzie a%b, c d ) Rozważmy zmienną losową: A , ∑1JKB AJ – średnia arytmetyczna B. 1. Mamy:. Zatem na podstawie własności 4.: 1. Ponadto niech:. Wtedy:. Stąd:. 1. 1 A , I AJ & 1. JKB. 1 1 d d cd A~a zI b , I c { , a b, & & & JKB. JKB. t,. t,. A0b √& c. √& √&b ·A0 c c. √& √&b & c d t~a b 0 , · , a%0,1) c c cd &. Definicja: Ciąg zmiennych losowych %A1 ) nazywamy asymptotycznie normalnym a%^1 , $1d ) $1 O 0, gdy ciąg zmiennych losowych: A1 0 ^1 $1 jest zbieżny według rozkładu do zmiennej losowej o rozkładzie normalnym a%0,1) Strona 2.
(3) STATYSTYKA http://totto1.prv.pl Twierdzenie 1 %Centralne tw. graniczne Linderberga – Levy’ego): Niech AB , … , A1 będzie ciągiem niezależnych zmiennych losowych o jednakowym rozkładzie z wartością oczekiwaną b i skończoną dodatnią wariancją c d .. Wtedy ciąg średnich %A1 ), gdzie A1 , 1 ∑1JKB AJ jest asymptotycznie normalny a -b,. B. r d. .. Twierdzenie 2: Niech ciąg zmiennych losowych %A1 ) będzie asymptotycznie normalny a%b, c1d ) przy czym c1 0 gdy & ∞ oraz niech : \ \ będzie funkcją różniczkowalną w punkcie b i %b) y 0 Wtedy ciąg zmiennych losowych %A1 ) jest asymptotycznie normalny a%%b), %b)d c1 ) Przykład 2: Niech %A1 ) będzie ciągiem niezależnych zmiennych losowych o rozkładzie M%N) Wtedy: N A1 ~a N, & Niech w twierdzeniu 2: A1 8 A1. Mamy: c1d , 1 0 Q. &∞. Ponadto: %+) , √+ ; %+) , d. Zatem: Stąd:. B. √/. %N) ,. 1. 2√N. O0. 1 dN 1 ) %A1 8 A1 ~a √N , , a √N , 4& 2√N &. 1.5 Rozkład chi – kwadrat Rozkład chi – kwadrat d %&) ; & , 1,2, …. Definicja: Niech AB , … , A1 będą niezależnymi zmiennymi losowymi o jednakowym rozkładzie a%0,1). Mówimy, że ABd w Add w w A1d ma rozkład chi – kwadrat z & stopniami swobody. Fakt:. Strona 3.
(4) STATYSTYKA http://totto1.prv.pl. V%+) ,. 1. 1. +d 1 & d 2 - . 2. 2B. /. · P 2d · X%Y,Z) %+) + [ \. Twierdzenie 3 %Fishera): Niech AB , Ad , … , A1 ) %& O 1) będą niezależnymi zmiennymi losowymi o jednakowym rozkładzie a%b, c d ). Wtedy zmienne losowe: 1. 1 A , I AJ & JKB. są niezależne oraz:. Wykład 2. cd &. A~a b ,. 27.02.2008r.. 1. 1 d , IAJ 0 AJ &01. ;. d. JKB. %& 0 1) d ~ d %& 0 1) cd. Lemat: Niech A , %AB , Ad , … , A1 ) , gdzie AB , Ad , … , A1 są niezależne i mają jednakowe rozkłady a%b, c d ). Ponadto niech: v , %vB , … , v1 ) , A przy czym , %^/ ) jest macierzą ortogonalną rozmiaru & & Wtedy vB , … , v1 są niezależne i mają rozkłady ab, ∑1KB ^J , c d , x , 1,2, … , &. Dowód tw. 3: Konstruujemy macierz w następujący sposób: 1) pierwszy wiersz -. B. √1. ,…,. B. √1. .. 2) pozostałe wyznaczamy tak, aby otrzymać macierz ortogonalną v , %vB , … , v1 ) , A A , %AB , Ad , … , A1 ) Mamy: 1. vB , … , v1 są niezależne 2. vB ,. B. √1. AB w. B. √1. 3. Dla x , 2, … , & 4.. ABd. Add. w Zatem. Ad w w. B. √1. A1 ,. i%vB ) , b √&. 1. B. √1 1. ∑1JKB AJ , √& A. i%vJ ) , b I ^J , b√& I. w w. A1d. KB. ,. vBd. 1. j^k%vB ) , c d. √& KB. ^J , b √& I ^B ^J , 0. j^k%vJ ) , c w w v1d. Strona 4. 1. d. KB.
(5) STATYSTYKA http://totto1.prv.pl 1. %& 0 1) , IAJ 0 A , d. JKB. ,. d. 1. I AJd JKB. 1. I AJd JKB. 0 2&A. Ponadto:. 0 2A I AJ &A ¡ JKB d. 1. d. 1¢. 1 1 d d d d w &A , I AJ 0 &A , I vJ 0 vB , I vJd JKB JKB JKd B B 1 d d ∑ A, , v są niezależne/ 12B JKd J √1. d. Stąd zmienna losowa. 1. 1. 1 d cd A~a b√&, c , a b, & & √&. %& 0 1) d ∑1JKB vJd vJd , , I , I ¤Jd cd cd cd. Mamy:. ¤J ~a . ¤B , … ¤1 0 niezależne Czyli:. 1. JKd. 1. JKd. 1 1 · 0, d c d , a%0,1) x , 2, … , & d c c %& 0 1) d ~ d %& 0 1) cd. Fakt: Niech zmienna losowa A~M%N) Wtedy l¢ %x) , 1 0 l¥ %2N) x , 1,2, … gdzie v~ d 2%x w 1) Dowód %szkic):. 1 0 l¥ %2N) , 1 0 ¦ J. dQ. Y. ,I ªKY. + 1 + 1 Q J 2u ,n J + exp -0 . s+ , © 2 © , 1 0 ¦ n P sn 2J§B ¨ %x w¨¡ 1) 2 x! Y ¨ ¨ s+ , 2sn J!. P 2Q Nª , l¢ %x) «!. 1.6 Rozkład 0 studenta Rozkład n 0 studenta n%&). & , 1,2, …. Definicja: Niech A~a%0,1) oraz v~ d %&) będą niezależnymi zmiennymi losowymi. Mówimy, że zmienna losowa. Strona 5.
(6) STATYSTYKA http://totto1.prv.pl A. 1 v & ma rozkład n 0 Studenta z & stopniami swobody.. Fakt:. 1§B &w1 d 2 d . + 2 V%+) , +[\ & 1 w & √&M · -2.. -. Fakt: Niech %V1 ) będzie ciągiem gęstości zmiennych losowych A1 o rozkładzie n%&) Wtedy: 1 +d ®/[\ : lim V1 %+) , ¯%+) , exp 0 1\ 2 √2M. Przykład 3: Niech AB , … , A1 będą niezależnymi zmiennymi losowymi o jednakowym rozkładzie a%b, c d ) %& O 1) wtedy: oraz. °,. A0b √& ~ a%0,1) ± przykład 1 c. %& 0 1) d ~ d %& 0 1) ± tw. 3 cd Ponadto zmienne losowe °, v są niezależne Wtedy: ° ~n%& 0 1) 1 & 0 1v Mamy:. A0b A0b c √& , , √& d %& 1 1 0 1) v &01 &01· cd 1.7 Rozkład ² 0 Snedecora Rozkład l 0 Snedecora l%&, _) &, _ , 1,2, … °. Definicja: Niech A~ d %&) oraz v~ d %_) będą niezależnymi zmiennymi losowymi. Mówimy, że zmienna losowa 1 &A 1 v _ Strona 6.
(7) STATYSTYKA http://totto1.prv.pl. ma rozkład l 0 Snedecora z &, _ stopniami swobody.. Fakt:. 1 _w& 2B . _ ³ d A d 2 V%+) , ³§1 XY,Z %+) + [ \ & _ - . - .- . & _ d 2 2 -A w . &. Przykład 4: Niech AB , … , A1 vB , … , v1 będą niezależnymi zmiennymi losowymi o rozkładach odpowiednio równych a%b¢ , c d ); a%b¥ , c d ) Wtedy: %& 0 1) d A, ~ d %& 0 1) ± tw. 3 cd %_ 0 1) d ~ d %_ 0 1) ± tw. 3 v, cd Ponadto zmienna losowa A, v są niezależne 1 & 0 1 A ~l%& 0 1, _ 0 1) 1 _ 0 1v Mamy: 1 %& 0 1)¢d 1 A ¢d &01 , &01 cd , 1 1 %_ 0 1)¥d ¥d v _01 _01 cd. 2. DANE STATYSTYCZNE. MODEL STATYSTYCZNY. Przykład 5: 1) Centrala telefoniczna W 200 losowo wybranych 5 0 sekundowych odcinkach czasowych, badano liczbę zgłoszeń. otrzymano wynik: 0,5,3, … ,2. 2) Auto – test Przeprowadzono 50 niezależnych eksperymentów polegających na hamowaniu badanego typu samochodu. Zaobserwowano długości drogi hamowania %w metrach) 18,13; 17,61; … ; 18,62 Wykład 3. 05.03.2008r.. Definicja: Populacja – zbiór obiektów Cecha %zmienna) – funkcja określona na obiektach populacji %ozn. A) Strona 7.
(8) STATYSTYKA http://totto1.prv.pl. Rozkład %rzeczywisty) populacji – rozkład wartości tej cechy A na elementach populacji. Próba – podzbiór populacji złożony z obiektów podlegających badaniu statystycznemu Rozkład %empiryczny) z próby – rozkład wartości cechy A na elementach próby. AB A A , ´ d ¶ 0 dane µ A1 Przykład 5 %Cd.): częstość zgłoszeń 0 1 2 3 4 5. %. 16% 33,5% 24,5% 15,5% 7,5% 3%. dyskretna cecha. długość drogi liczebność hamowania hamowania 17,6 – 17,8 4 17,8 – 18 5 18 – 18,2 6 18,2 – 18,4 8 18,4 – 18,6 11 18,6 – 18,8 12 18,8 – 19 4. ciągła cecha. Konstruując model matematyczny eksperymentu statystycznego. Dane A , %AB , Ad , … , A1 ) traktujemy jako realizację wektora losowego A , %AB , Ad , … , A1 ) o rozkładzie ¹ należącej do pewnej rodziny rozkładu º » 0 przestrzeń próby ¼ 0 c 0 ciało podzbiorów zbioru » na którym określone są rozkłady ¹ w zbiorze ½ Próby proste. », ¼, º 0 przestrzeń statystyczna. • częstość wartości cechy A w próbie %rozkład empiryczny) • funkcja prawdopodobieństwa rozkładu Poissona %rozkład tradycyjny). • wielobok częstotliwości wartości cechy A w próbie %rozkład empiryczny) • gęstość rozkładu normalnego %rozkład teoretyczny) Strona 8.
(9) STATYSTYKA http://totto1.prv.pl. Budując model zakładamy, że cecha A jest zmienną losową o rozkładzie ¹ z rodziny º %jednowymiarowy). Indukuje ona przestrzeń statystyczną w taki sposób, że AB , … , A1 są niezależnymi zmiennymi losowymi o jednakowym rozkładzie ¹ [ º. »,» ¨ ¨¨» ¨ ¨ … ¨¨ ¨¡ » 1. ¼,¼ ¨¨¨¨ ¨¨¨¨¡ ¼ … ¼ 1. º,º ¨ ¨¨º ¨ ¨ … ¨¨¨¡ º 1. », ¼, º 8 %», ¼, º)1. ¹ 0 rozkład populacji º , ¾¹¿ : À [ Á Á 0 przestrzeń populacji Á à \J 0 model parametryczny Á Ä \J 0 model nieparametryczny. Przykład 5: 1) A 0 budujemy model Zakładamy A~M%N) N O 0 Zatem » , ¾0,1,2, …  0 zbiór potencjalnych wartości ¼ , 2» º , ¾M%N) N O 0 Model %», ¼, º)dYY Uwaga: À,N Á , \§ à \ 0 przestrzeń parametru. 2) A 0 długość drogi hamowania Zakładamy, że A~a%b, c d ) b [ \; c O 0 »,\ ¼ , Å %borelowski) º , ¾Æ%b, c d ): b [ \, c d O 0 zatem Model %», ¼, º)ÇY 0 przestrzeń statystyczna Uwaga: À , %b, c d ) 0 parametr Á , \ \§ à \d 0 przestrzeń parametru. Strona 9.
(10) STATYSTYKA http://totto1.prv.pl. Niech %», ¼, º) będzie przestrzenią statystyczną 8 Niech A , %AB , Ad , … , A1 ) będzie próbą z populacji o rozkładzie ¹¿ , gdzie À [ Á jest parametrem.. Wykład 4. 12.03.2008r.. 3. STATYSTYKI DOSTATECZNE I ZUPEŁNE. Niech A , %AB , Ad , … , A1 ) będzie próba z populacji o rozkładach ¹¿ gdzie À [ Á jest parametrem. Statystyką nazywamy każdą funkcję mierzalną È próby A. np. A , ∑1JKB AJ 0 średnia z próby. B. 1. d , 12B ∑1JKBAJ 0 A 0 wariancja z próby B. d. Definicja: Statystyka È jest dostateczna dla rodziny rozkładów º , ¾¹¿ : À [ Á gdy rozkład warunkowy: A|È , n nie zależy od parametru À. Przykład 6: Niech A , %AB , Ad , … , A1 ) będzie próbą z populacji o rozkładzie M%N), N O 0 0 parametr. rozważmy statystykę postaci: 1. ÈA , I AJ JKB. Mamy È~M%&N) Zatem Î 0, Ì. 1. I +J y n. JKB 1. ͹A , + , I +J , n Ì Ë ¹%È , n) JKB ,. Î0, Ì. ¹A , +ÊÈ 0 n , Ï,. Î 0, Ì. ¹A , +, È , n ¹%È , n) 1. I +J y n. JKB 1. Í∏1JKB ¹%AJ , +J ) , I +J , n Ì ¹%È , n) Ë JKB 1. I +J y n. JKB 1. ÍP n! , I +J , n Ì 1 2Q1 u u Ë ∏JKB +J ! P & N JKB 21Q %0N)∑Ò ÑÓÔ /Ñ. Strona 10. Ï,. Î0, Ì. Ï,. 1. Î 0, Ì Ì. I +J y n. JKB. Ï P 2Q N/Ñ 1 1 ∏ Í JKB + ! J Ì Ì P 21Q %0N)u , I +J , n JKB Ë n! 1. I +J y n. JKB 1. Í n! , I +J , n Ì u 1 Ë & ∏JKB +J ! JKB. Ï.
(11) STATYSTYKA http://totto1.prv.pl. Stąd rozkład warunkowy A|È , n nie zależy od N, czyli ÈA , ∑1JKB AJ jest dostateczny od parametru N. Twierdzenie 4 %Kryterium faktoryzacji): Statystyka È jest dostateczna dla parametru À ⇔ funkcje prawdopodobieństwa %gęstość) próby A można przestawić w postaci: ¹¿ A , ¿ -ÈA. ÖA. gdzie funkcja Ö nie zależy od parametru À a funkcja %zależna od À) zależy od A tylko poprzez wartości statystyki È.. Przykład 7: Niech A , %AB , Ad , … , A1 ) będzie próbą z populacji o rozkładzie a%b, c d ), b [ \, c d O 0 Wtedy: 1. 1. V[,r A , × VØ,r %AJ ) , × Ù JKB. , %2Mc) ,. gdzie. 2. JKB. 1 d exp Û0. 1. √2Mc d 1. exp f0. 1 %AJ 0 b)d gÚ cd 2. 1 I%AJ 0 b)Ü 2c d. 1 %2Mc d )2 d exp Û0. JKB. 1. 1. 1 zI AJd 0 2b I AJ w &b d {Ü 2c d JKB. JKB. ß ã 1 1 1 &b d â Þ & d exp Þ0 d I AJ 0 d I AJ 0 d â · ç 1 , Ø,r %n)ÖA , 2c ¡ 2c ¡ 2c Þ â è%/) JKB JKB Ý á àÔ %¢) àr %¢) ¨¨¨¨¨¨¨¨¨¨¨¨¨¨¨ ¨¨¨¨¨¨¨¨¨¨¨¨¨¨¨¡ 1 %2Mc d )2 d. n , %nB , nd );. äå,ær %u). 1. nB A , I AJ ; JKB. 1. nd A , I AJd JKB. Zatem statystyka dostateczna dla parametru À , %b, c d ) ma postać: 1. 1. ÈA , zI AJ , I AJd { JKB. JKB. Definicja: Statystykę dostateczną È nazywamy minimalną statystyka dostateczną jeżeli dla każdej statystyki dostatecznej istnieje funkcja Ö taka, że È , Ö%é). Definicja: Statystyka È jest zupełna dla rodziny rozkładów º , ¾¹¿ : À [ Á) %dla parametru Θ) gdy z warunku ®¿[ë : i¿ Ö%È) , 0 Strona 11.
(12) STATYSTYKA http://totto1.prv.pl. wynika, że:. Przykład 6 %Cd.):. Ö 8 0 prawie wszędzie º. 1. ÈA , I AJ 0 statystyka dostateczna dla parametru N.. Niech:. JKB. 21Q %&N)J ∑Z Ö%x) · &J J JKY Ö%x)P 21Q iQ Ö%È) , , Pì I N ,0 x! x! íY JKY ¨¨¨¨ ¨¨¨¨¡ Z. îïðñðä òóuęäóôõ. Ö%x) · & , 0 x , 0,1,2, … x! Ö%x) , 0 x , 0,1,2, … Ö80 1 ∑ Zatem statystyka È , JKB AJ jest zupełna dla parametru N. J. Twierdzenie 5: Jeżeli statystyka È jest dostateczna i zupełna dla rodziny rozkładów º, to È jest minimalną statystyką dostateczną dla rodziny º.. Definicja: Rodzinę rozkładów prawdopodobieństwa º , ¾¹¿ : À [ Á nazywamy ö 0 parametrową rodziną wykładniczą jeżeli funkcje prawdopodobieństwa %lub gęstość) rozkładu ¹¿ można zapisać w postaci: ú. Przykład 8: Zatem:. VØ,r ,. (¿ %+) , Ö%+) exp ÷I øª %À)Ȫ %+) 0 ù%À)û ªKB. º , ¾a%b, c d ), b [ \, c d O 0Â. 1 %AJ 0 b)d 1 1 g, exp ü0 d %+ d 0 2b+ w b d )ý d 2 c 2c √2Mc d √2Mc d d 1 b 1 b , exp f d + 0 d + d 0 d g c 2c 2c √2Mc d 1. exp f0. , exp þ. øB %b, c d ) ,. b cd. b 1 d bd 1 ç + 0 + 0 0 ln%2Mc d ) d d d ¨¨¨¨¨ ¨ c 2c 2c 2 ¨¨¨¨¡ Ô. àÔ. r. àr. ÈB %+) , +. ød %b, c d ) ,. 1 2c d. . ù%+) , 0. Èd %+) , + d. Strona 12. bd 1 w ln%2Mc d ) d 2c 2 Ö%+) , 1.
(13) STATYSTYKA http://totto1.prv.pl. Zatem rodzina rozkładów º jest rodziną wykładniczą.. Wykład 5. 19.03.2008r.. Twierdzenie 6 %Lemanna): Niech A , %AB , Ad , … , A1 ) będzie próbą z populacji o rozkładzie z rodziną wykładniczą º dla której zbiór ¾øB %À), … , øú %À): À [ Á zawiera niezdegerowany prostokąt w \d . Wtedy statystyka 1. 1. ÈA , zI ÈB %AJ ), … , I Èú %AJ ){ JKB. JKB. jest dostateczna i zupełna dla rodziny rozkładów º. Przykład 8 %Cd.): Rozważmy następujący zbiór:. b 1 øB %b, c d ), ød %b, c d ): b [ \, c d O 0 , d , 0 d : b [ \, c d O 0 , \ \ c 2c d – zawiera niezdegenerowany prostokąt w \ . zatem statystyka: 1. 1. 1. 1. ÈA , zI ÈB %AJ ), I Èd %AJ ){ , zI AJ , I AJ { JKB. JKB. JKB. jest dostateczna i zupełna dla rodziny rozkładów normalnych.. JKB. 4. ESTYMACJA PUNKTOWA %SZACOWANIE). Niech A , %AB , Ad , … , A1 ) będzie próbą z populacji z rozkładem prawdopodobieństwa o rozkładzie ¹¿ , gdzie À [ Á jest parametrem. Ponadto niech %À) będzie funkcją parametryczną. Definicja: Statystykę ÈA o wartościach w zbiorze %À) %skonstruowana w ten sposób, aby jej wartości szacowały prawdziwą wartość funkcji parametrycznej %À)) nazywamy estymatorem funkcji parametrycznej %À). Oznaczamy A. Przykład 9: Załóżmy, że badamy cechę A o której to cesze zakładamy, że A~M%N), N O 0 0 (^k. Poszukamy estymatorów funkcji parametrycznej. a) B %N) , iQ %A) , N b) d %N) , ¹Q %A , 0) , P 2Q. Przykładowe estymatory:. Strona 13.
(14) STATYSTYKA http://totto1.prv.pl a) B A , A. b) d A , P 2¢. Przykład 10: Badamy cechę A. Model: A~a%b, c d ), b, c d 0 parametry.. Poszukujemy estymatorów funkcji parametrycznej: a) B %b, c d ) , iØ,r %A) , b b) d %b, c d ) , j^kØ,r %A) , c d. Przykłady estymatorów: a) B A , A. b) d A , d. Definicja: Statystykę A nazywamy estymatorem nieobciążonym funkcji par %Á), gdy ®¿[ë i¿
(15) A , %À). Przykład 11: Zakładamy, że cecha A ma dowolny rozkład Estymujemy prawdopodobieństwo ( , ¹%A [ ), gdzie jest zbiorem borelowskim. Rozważmy „estymator częściowy” postaci: #¾x: AJ [ Â (̂ A , & Mamy #¾x: AJ [ Â ~ $%&, () Zatem 1 1 i -(̂ A. , i%#¾x: AJ [ Â , &( , ( & & Czyli estymator (̂ jest estymatorem nieobciążonym dla (. Uwaga: Niech l będzie dystrybuantą rozkładu zmiennej losowej A, tzn. l%+) , ¹%A +). Wtedy dystrybuanta empiryczna #¾x: AJ +Â l1 %+) , & jest nieobciążonym estymatorem dystrybuanty l w punkcie +. Przykład 12: Zakładamy, że badana cecha A populacji ma rozkład o wartości oczekiwanej b. Ponieważ. Strona 14.
(16) STATYSTYKA http://totto1.prv.pl 1. 1. 1 1 1 iA , i z I AJ { , I i%AJ ) , W b W & , b & & & JKB. JKB. Zatem A jest estymatorem nieobciążonym dla b.. Uwaga: Niech ^B , … , ^1 będą liczbami takimi, że ∑1JKB ^J , 1 Wtedy statystyka b̂ A , ∑1JKB ^J AJ jest nieobciążonym estymatorem parametru b. Mamy 1. 1. i -b̂ A. , I ^J i%AJ ) , b I ^J , b JKB. JKB. Przykład 12 (cd.): Zakładamy dodatkowo, że cecha A ma skończoną wariancję c d oraz, że & O 1. Wtedy: 1 1 1 1 2A & d d 1 d d) i% , i z IAJ 0 A { , i I AJ 0 IA w A &01 & 0 1 ¡J & 0 1 &01 JKB JKB JKB ¨¨¨ ¨¨ ¨¡ 1¢ , iz. Ponadto:. . 1. 1. 2. r. d¢ 1 12B. . 1 & 1 & d d I AJd 0 A {, I i%AJd ) 0 i -A . &01 &01 &01 &01 JKB. JKB. d i%AJd ) , j^k%A %A¨J¡) , c d w b d ¨ ¨¡ ¨ J) w i. 1. d. r. Ør. i -A . , j^kA w i d A , 1. cd w bd & 1. 1 1 1 1 d cd j^kA , j^k z I AJ { , d j^k zI AJ { , d I j^k%AJ ) , d c & , & & & & &. Zatem: i%. d). 1. JKB. JKB. 1 & cd , I%c d w b d ) 0 w bd &01 &01 & JKB. JKB. & & 1 & & 1 cd w bd 0 cd 0 bd , c d 0 , cd &01 &01 &01 &01 &01 &01 czyli statystyka d jest estymatorem nieobciążonym dla c d . ,. Wykład 6 26.03.2008r. %À) 0 funkcja parametryczna A , %AB , … , A1 ) 0 próba %A) 0 estymator dla %À). Strona 15.
(17) STATYSTYKA http://totto1.prv.pl 0 estymator nieobciążony. ®¿[ë i¿ - A. , %À). Definicja: Ciąg estymatorów - 1 A. funkcji parametrycznej %À) nazywamy (słabo) zgodnym,. gdy ciąg - 1 A. jest zbieżny według prawdopodobieństwa do %À) tzn.: ®¿[ë ®íY lim ¹¿ %| 1 %A) 0 %À)| ) , 0 1Z. Przykład 12 (cd.): Z prawa wielkich liczb Chińczyna wynika, że jest zgodnym estymatorem dla b.. Ponadto d 0. - ∑1 A d 0 A . 12B 1 JKB J 1. B. d. b̂ 1 A , A. Zastosujemy prawo wielkich liczb Chińczyna do ciągu ABd , Add Wtedy 1. Zatem c d. 1Z. d. 1Z 1 I AJd i%A d ) , c d w b d & JKB. Czyli jest zgodnym estymatorem parametru c d d. Twierdzenie 7: Niech 1 A będzie nieobciążonym estymatorem funkcji parametrycznej %À), dla której: ®¿[ë j^k¿
(18) 1 A 0 Wtedy 1 A jest zgodnym estymatorem dla %À).. 1[Z. Lemat %Nierówność Czybyszewa): Jeżeli A jest zmienną losową o wartości oczekiwanej b i skończonej wariancji c d , to prawdziwe jest: 1 ®QíY : ¹%|A 0 b| Nc) d N Dowód tw. 7: Obieramy dowolne À [ Á; O 0 Mamy: ®¿[ë : i¿
(19) 1 A , %À) Niech: N, j^k¿
(20) 1 A Zatem:. Strona 16.
(21) STATYSTYKA http://totto1.prv.pl ¹¿ z ¡. 1 A 0 %À) { ì ç ¢. Ponieważ:. Ø. Q. j^k¿
(22) 1 A d. j^k
(23) 1 A 0 1Z d. ¹¿ %| 1 A 0 %À)| ) 0. Zatem:. 1Z. Czyli 1 A jest zgodnym estymatorem dla %À). 4.1 Estymatory nieobciążone o minimalnej wariancji. Niech ! będzie rodziną estymatorów nieobciążonych posiadających skończoną wariancję dla każdego À [ Á dla %À). Statystykę Y A nazywamy estymatorem nieobciążonym o minimalnej wariancji (ENMW) funkcji parametrycznej %À), gdy: ®ä ¢[" ®¿[ë j^k¿
(24) Y A j^k¿
(25) A. Twierdzenie 8: ENMW funkcji parametrycznej %À) jest wyznaczony jednoznacznie z dokładnością do zbioru miary zero. Lemat 1: Niech È będzie ENMW funkcji parametrycznej %À), statystyką taką, że: ®¿[ë : i¿ %) , 0. Wtedy ®¿[ë : i¿ %È) , 0 Dowód lematu 1: Niech ° , È w #; # [ \ Mamy i%°) , i%È) ì w #i%) ¡ , %À) ä%¿). KY. Zatem U jest estymatorem nieobciążonym dla %À). j^k%°) , j^k%È) w # d j^k%) w 2# ¨ $%&%È, é) ¨ ¨ ¨¡. '
(26) à2ä%¿)(. Ponieważ È jest ENMW dla %À), to:. Stąd ) 0. Lemat 2:. j^k%È) j^k%°) , j^k%È) w # d j^k%) w 2#i -È 0 %À). # d jk%) w 2#i -È 0 %À). 0 ) , 4i
(27) È 0 %À) 0 d. i -È 0 %À). , 0. i%È) 0 %À)i%) , 0 i%È) , 0. Strona 17.
(28) STATYSTYKA http://totto1.prv.pl. Niech A, v będą zmiennymi losowymi takimi, że |*%A, v)| , 1 Wtedy istnieją, liczby ^ y 0 i $ y 0 takie, że ¹%v , ^A w $) , 1 Ponadto ^ ,. +ó,%¢,¥) -.ñ%/). ; $ , i%v) 0 ^i%A). Dowód tw. 8: Niech È, będą ENMW dla %À). Zatem i%È) , i%) , %À); j^k%È) , j^k%) Ponadto: $%&%È, ) , i
(29) È 0 %À) 0 %À) , i%È) 0 %À) i%È) ì 0 %À) i%) ì w d %À) ä%¿). , i%È) 0 d %À) , i%È d ) 0 d %À) , j^k%È) Mamy i%È 0 ) , 0 Czyli È 0 0 ia dla 0 Zatem (z lematu 1) mamy iÈ%È 0 ) , 0 i%È d ) 0 i%È) , 0 i%È) , i%È d ) Stąd: $%&%È, ) j^k%È) *%È, ) , , ,1 /&^k%È)j^k%) j^k%È) Zatem (z lematu 2) mamy: Istnieją stałe # y 0 i 0 takie, że:. Ponadto:. Stąd È , (. 1.. ä%¿). È , # w 0 (. 1.. $%&%È, ) j^k%È) , ,1 j^k%) j^k%È) 0 , i%È) 0 i%) , 0. #,. Twierdzenie 9 %Rao ― Blackwella): Niech A będzie estymatorem nieobciążonym funkcji parametrycznej %À), È statystyką dostateczną dla parametru À. Wtedy: 1. i% |È) 0 estymator nieobciążony funkcji parametrycznej %À) 2. ®¿[ë : j^k¿ i% |È) j^k¿
(30) A Lemat: Jeżeli odpowiednie wartości oczekiwane istnieją, to: 1. ii%A|v) , i%A) 2. j^ki%A|v) j^k%A). Dowód : Mamy, że A|È , n nie zależy od parametru θ, bo È jest statystyką dostateczną. Zatem A|È , n nie zależy od parametru θ.. Strona 18.
(31) STATYSTYKA http://totto1.prv.pl Wykład 7. 02.04.2008r.. Twierdzenie 9: A ― Estymator nieobciążony dla %À) È 0 statystyka dostateczna dla À i A|È 1. Estymator nieobciążony dla %À). 2. j^k -i - A. |È. j^k - A.. Stąd: i AÊÈ nie zależy od parametru À, czyli jest statystyką. Ponadto:. i¿ %i AÊÈ , i¿ - A. , %À). czyli i AÊÈ jest Estymatorem nieobciążonym dla %À) dodatkowo:. j^k -i AÊÈ. j^k - A.. Twierdzenie 10 %Lehmanna ― Scheffego): Niech będzie nieobciążonym estymatorem funkcji parametrycznej %À), È statystyką dostateczną i zupełną dla parametru À. Wtedy i AÊÈ jest Estymatorem nieobciążonym o minimalnej wariancji funkcji parametrycznej %À). Dowód tw. 10: Niech %È) , i AÊÈ Mamy i¿ %È) , %À). j^k %%È)) j^k - A.. Niech A będzie dowolnym estymatorem nieobciążonym dla funkcji parametrycznej %À). Zatem dla każdego c [ Á. Rozważmy statystykę: mamy:. %È) , iAÊÈ i¿ -%È). , %À). j^k -%È). j^k -A. 0 %È). l¿ - 0 %È). , l %È) 0 i -%È). , 0. Zatem z zupełności statystyki È. Strona 19.
(32) STATYSTYKA http://totto1.prv.pl 0 8 0 (. 1. 8 (. 1.. Stąd ®[ë. j^k %È) , j^k -%È). j^k -A.. czyli %È) , i AÊÈ jest Estymatorem nieobciążonym o minimalnej wariancji funkcji parametrycznej %À). Przykład 9 (cd.): Niech A , %AB , … , A1 )4 będzie próbą z populacji o rozkładzie M%N), N O 0 0 parametr oraz niech d %N) , P 2Q .. Niech d A ,. #¾J:¢Ñ KY 1. , 1 ∑1JKB XY %AJ ) B. Wiemy, że d A 0 Estymator nieobciążony dla d %N) 0 przykład 11 Poznadto ÈA , ∑1JKB AJ ― statystyka dostateczna i zupełna dla parametru N %przykład 6) Zatem: 1. 1. 1. 1. 1 1 i d AÊÈ , n , i z I XY %AJ ) I Aª , nÏ { , I i zXY %AJ ) I Aª , nÏ{ & & JKB. 1. ªKB. JKB 1. , i zXY %AB ) I Aª , nÏ{ , ¹ zAB , 0 I AJ , n{ ªKB. ªKB. JKB. ¹%AB , 0, ∑1JKB AJ , n) ¹%AB , 0) W ¹%∑1JKB AJ , n) , , ¹%∑1JKB AJ , n) ¹%∑1JKB AJ , n) %& 0 1)Nu P 2%12B)Q P 2Q %& 0 1)u 1 u n! , , , 1 0 %&N)u P 21Q &n & n! 1 à d A , 1 0 &. Twierdzenie 11: Niech È będzie statystyką dostateczną i zupełną dla parametru À oraz niech %È) będzie Estymatorem nieobciążonym funkcji parametrycznej %À). Wtedy %È) jest Estymatorem nieobciążonym o minimalnej wariancji funkcji parametrycznej %À). Lemat: Jeżeli A , Ö%v) oraz istnieje i%A|v), to i%A|v) , A. Dowód tw. 11: Z twierdzenia 10 i% %È)|È) 0 ENMW funkcji parametrycznej %À) Z lematu i% %È)|È) , %È) czyli %È) jest ENMW funkcji parametrycznej %À).. Strona 20.
(33) STATYSTYKA http://totto1.prv.pl Przykład 10 (cd.): Niech A , %AB , … , A1 ) %& O 1) będzie próbą z populacji o rozkładzie a%b, c d ); b [ \; c O 0 Estymujemy funkcję parametryczną B %b, c d ) , b, d %b, c d ) , c d Wiemy, że statystyka 1. 1. ÈA , zI AJ , I AJd {. jest dostateczna i zupełna dla %b, c d ) Mamy:. JKB. JKB. B A , A ― Estymator nieobciążony dla parametru b. d A , d 0 Estymator nieobciążony dla parametru c d Zatem 1. 1. 1 1 B A , A , I AJ , ÈB A & & JKB 1. d. d 1 1 1 1 I AJd 0 zI AJ { , Èd A 0 -ÈB A. d A , d , &01 &%& 0 1) &01 &%& 0 1) JKB. JKB. Zatem A i są ENMW dla b i c odpowiednio. d. d. Mówimy, że rodzina rozkładów º , ¾¹¿ : À [ Á à \ na przestrzeni próby » à \1 spełnia warunki regularności Cramera – Rao , gdy dla funkcji prawdopodobieństwa (lub gęstości) rozkładu ¹¿ mamy: Zbiór , A , »: ¹¿ A O 0 nie zależy od parametru À. Dla dowolnych + [ i À [ Á istnieje skończona pochodna 5 ln (¿ %+) 5À Jeżeli È jest dowolną statystyką taką, że i¿ %È) * ∞ dla dowolnych À [ Á, to 5 5 ¦ ÈA¹¿ As+ , ¦ ÈA ¹¿ As+ 5À » 5À » Do końca rozdziału zakładamy, że rodzina º , ¾¹¿ : À [ Á rozkładów prawdopodobieństwa spełnia warunki regularności Cramera – Rao. d. Funkcję X1 %À) , i¿ 68¿ ln (¿ A9 nazywamy ilością informacji Fishera o parametrze À z. próby A.. Wykład 8. Własność 1:. Dowód:. 7. 09.04.2008r.. X1 %À) , &XB %À). Strona 21.
(34) STATYSTYKA http://totto1.prv.pl d. 1. d. 1. 1. 5 5 5 X1 %À) , i¿ Û ln z× (¿ %AJ ){Ü , i¿ Û I ln (¿ %AJ )Ü , i¿ ÛI ln (¿ %AJ )Ü 5À 5À 5À JKB 1. JKB. JKB. d. d 5 5 5 , i¿ :I ln (¿ %AJ ) w 2 I ln (¿ %Aª ) ln (¿ A < 5À 5À 5À 1. JKB. , I i¿ ü JKB. ª;. d 5 5 5 ln (¿ %AJ )ý w 2 I üi¿ ln (¿ %Aª ) W i¿ ln (¿ A ý 5À 5À 5À ª;. 5 , & i¿ ü ln (¿ %AB )ý , &XB %À) ¨¨5À ¨¨¨ ¨¨¨¨¨¡ d. =Ô %¿). 1 5 5 5 %>) , ¦ ln (¿ %Aª )(¿ %Aª ) s+ª , ¦ W (¿ %Aª ) W (¿ %Aª )s+ª , ¦ (¿ %Aª )s+ª » 5À » (¿ %Aª ) 5À » 5À 5 , ¦ (¿ %Aª )s+ª , 0 5À ¨ » ¨¨ ¨¨¨¡ B. Jeżeli dla dowolnych + [ i À [ Á istnieje skończona pochodna 7¿r ln (¿ A oraz Własność 2:. 5d 5d ¦ ( As+ , ¦ ( As+ d ¿ 5À d » ¿ » 5À. 7r. to X1 %À) , i¿ 60 7¿r ln (¿ A9 Dowód:. 7r. i¿ ü0. 5 5 5 1 5 ln (¿ Aý , i¿ :0 ? W ( A@< 5À sÀ 5À (¿ A 5À ¿ d. 5 1 5d , i¿ ´0 þ0 (¿ A{ w (¿ A¶ dz (¿ A 5À d (¿ A 5À 1. 1. 5 1 5d , i¿ f W (¿ Ag 0 i¿ f W (¿ Ag , X1 %À) (¿ A 5À (¿ A 5À d ¨¨¨¨¨ ¨¨¨¨¨¡ ¨¨¨¨¨¨ ¨¨¨¨¨¨¡ AB òC ¢ ¨¨¨¨¨¨ ¨¨¨¨¨¨¡ 7¿ 7. 7 'C ü AB òC ¢ý 7¿ ¨¨¨¨ ¨¨¨¨¡. %>)KY. DÒ %C). 5 5d 5d ( A W ( A W ( As+ , ¦ ( As+ , ¦ (¿ As+ , 0 ¿ ¿ d ¿ d ¿ 5À d ¨¨ ¨¨¡ » (¿ A 5À » 5À ». %>) ¦. 1. d. W. d. B. Przykład13: Niech A , %AB , … , A1 ) będzie próbą z populacji o rozkładzie M%N), gdzie N O 0 Mamy:. Strona 22.
(35) STATYSTYKA http://totto1.prv.pl. P 2Q N/ (Q , ; + , 1,2, … +! ln (Q %+) , 0N w + ln N 0 ln +! 5 + ln (Q %+) , 01 w 5N N d 5 + ln (Q %+) , 0 d d 5N N. + 1 & X1 %N) , &XB %N) , & W iQ - d . , & W d i ¡ Q %A) , N N N. Zatem:. Q. Twierdzenie 12 %Nierówność Cramera ― Rao): Niech A będzie estymatorem nieobciążonym o skończonej wariancji funkcji parametrycznej %À) oraz niech 0 * X1 %À) * ∞. Wtedy: %À)d ®¿[ë : j^k¿
(36) A X1 %À) oraz równość zachodzi ⇔ gdy. 7. 7¿. ln (¿ A , x%À)
(37) A 0 %À). Dowód: Lemat %Nierówność Cauchy’ego ― Schwarza): Jeżeli odpowiednie wartości oczekiwane istnieją, to $%&%A, v)d j^k%A)j^k%v), przy czym równość zachodzi ⇔ gdy ¹%v , ^A w $) , 1, gdzie $%&%A, v) ; $ , i%v) 0 ^i%A) ^, j^k%A) Dowód tw. 12: Niech A ,. Zatem. 7. 7¿. ln (¿ A. EF %G) , i¿ ü. v , A. 5 5 1 5 ln (¿ Aý , ¦ ln (¿ A(¿ A s+ , ¦ W (¿ %A) W (¿ As+ 5À » 5À » (¿ A 5À 5 5 (¿ As+ , ¦ (¿ As+ , 0 5À ¨ » 5À »¨ ¨ ¨¨¨¡. ,¦. KB. i¿ %A) , 0. d 5 HIJF %G) , i¿ A 0 i¿ , i¿ ü ln (¿ Aý , X³ %À) 5À EF %K) , i¿
(38) A , %À) d. %A)d. HIJF %K) , j^k¿ - A.. Strona 23.
(39) STATYSTYKA http://totto1.prv.pl. $%&¿ %A, v) , i¿ ü. 5 ln (¿ A - A 0 %À).ý 5À. , i¿ ü. 5 5 ln (¿ A Aý 0 %À) i¿ : ln (¿ A< ¨¨ ¨¨¡ 5À 5À ¨¨¨¨ ¨¨¨¨¡ ¢ KY. 5 1 5 ,¦ ln (¿ A A(¿ As+ , ¦ W (¿ %A) W A W (¿ As+ » 5À » (¿ A 5À 5 5 , ¦ A (¿ As+ , ¦ A(¿ As+ , 4%À) 5À 5À ¨¨¨¨ ¨¨¨¨¡ » »
(40) ä ¢ 'C¨ ¨ ¨ ¨¡. Stąd: czyli:. Ponadto:. Zatem:. L%C). %À)d X1 %À) W j^k¿
(41) A j^k¿
(42) A . %À)d X1 %À). 5 ln (¿ A , # A w 0, gdzie 5À $%&¿ %v, A) %À) #, , , x%À) j^k%v) j^k¿
(43) A 5 0 , i¿ A 0 #i¿ %v) , i¿ ü ln (¿ Aý 0 # ¨ i¿¨ ¨
(44) A ¨¡ , 0#%À) ¨¨¨¨ ¨¨¨¨¡ 5À KY. ä%¿). 5 ln (¿ A , x%À) A 0 x%À)%À) , x%À)
(45) A 0 %À) 5À. Wniosek: Estymator nieobciążony A funkcji parametrycznej %À) dla którego %À)d ®¿[ë j^k¿
(46) A , X1 %À) jest Estymatorem nieobciążonym o minimalnej wariancji funkcji parametrycznej %À). Estymatory nieobciążone, dla których spełniona jest powyższa równość nazywamy efektywnymi w sensie Cramera – Rao. Przykład 9 (cd.): Niech A , %AB , … , A1 ) będzie próbą z populacji o rozkładzie M%N), gdzie N O 0 Ponadto niech B %N) , N. Niech B A , A 0 Estymator nieobciążony dla B %N) , N %przykład 12) Mamy: & %przykład 13) X1 %N) , N Strona 24.
(47) STATYSTYKA http://totto1.prv.pl j^kQ A ,. j^kQ %A) N , & &. N B %N)d , & X1 %N) czyli B A , A jest ENMW (efektywnym w sensie Cramera – Rao) parametru N.. Stąd:. j^kQ A ,. 4.2. Estymatory największej wiarygodności. Niech A , %AB , … , A1 ) będzie próbą z populacji o rozkładzie ¹¿ z rodziny º , ¾¹¿ : À [ Á à \8  Ponadto niech rozkłady ¹¿ opisane będą za pomocą funkcji prawdopodobieństwa (lub gęstości). Funkcję ö określoną wzorem:. öÀ, + , (¿ A. nazywamy funkcją wiarygodności. Estymatorem największej wiarygodności parametru À (ENW) nazywamy statystykę ÀM+, której wartość ÀM+ spełnia warunek: ®/[» : öÀM+, + , sup öÀ, + ¿[ë. Uwaga: Dla dowolnego parametru À, ENW może istnieć albo być wyznaczony niejednoznacznie. Przyjmujemy, że funkcja parametryczna %À) jest statystyką -ÀM+., gdzie ÀM+ ENW parametru À. Zazwyczaj wygodnie jest operować funkcją ln ö niż funkcją ö.. Przykład 9 (cd.): Mamy A~M%N) N O 0 Zatem:. B %N) , N;. (Q %+) , 1. d %N) , P 2Q. P 2Q N/ ; +! 1. + , 0,1,2, …. P 2Q N¢Ñ N1¢ 21Q öN, A , × (Q %AJ ) , × ,P ∏1JKB AJ ! AJ ! JKB. JKB. 1. ö , lnö%N, A) , 0&N w &A ln N 0 ln × AJ ! &A 5ö , 0& w N 5N Strona 25. JKB.
(48) STATYSTYKA http://totto1.prv.pl &A ,0 ⇔N,A N &A 5 dö & 5 dö , 0 ; A , 0 * 0 d d d 5N N 5N A N Zatem ENW dla parametru N jest NA , A 0& w. Stąd ENW dla B %N) jest B A , A. d %N) jest d A , P 2¢. Wykład 9 16.04.2008r. Niech A , %AB , … , A1 )4 będzie próbą z populacji o rozkładzie ¹¿ , gdzie À [ Á jest parametrem.. 5. ESTYMACJA PRZEDZIAŁOWA. Ponadto niech %À) [ \ będzie funkcją parametryczną.. Definicja: Przedział -ÈB A, nd A. określony parą statystyk ÈB , Èd takich, że ¹¿ %ÈB Èd ) , 1 dla. każdego À [ Á, nazywamy przedziałem ufności dla %À) na poziomie ufności 1 0 # %0 * # * 1), gdy: ®¿[ë : ¹¿ -ÈB A * %À) * Èd A. 1 0 #. Przykład14: Niech A , %AB , … , A1 )4 będzie próbą z populacji o rozkładzie z wartością oczekiwaną b i skończoną wariancją c d .. Zakładamy, że b [ \ jest parametrem, a c d jest znane. Mamy:. ¹Ø OA 0 iA ¡O N PA ¡ . Ø. √1. ¹Ø . . 1 0 z nierówności Czebyszewa Nd. ÊA 0 bÊ 1 √& N d c N. ÊA 0 bÊ 1 ¹Ø √& * N 1 0 d c N. Strona 26.
(49) STATYSTYKA http://totto1.prv.pl ¹Ø 0N *. ¹Ø 0. Nc. √&. ¹Ø A 0. A0b 1 √& * N 1 0 d c N. *A0b *. Nc. √&. Nc. √&. *b*Aw. 10# , 10. 1 Nd. 10. Nc. √&. Q. 1 Nd. 10 N , √#. 1 Nd. c c ¹Ø A 0 *b*Aw 10# ¨ ¨ ¨ #& ¨ ¨ ¨ #& √¨¡ √¨¡ . àÔ ¢. àr ¢. . Zatem %1 0 #) W 100% przedział ufności dla parametru b ma postać: A 0. c. √#&. ; Aw. c. √#&. . Definicja: Funkcję R -A, %À). nazywamy funkcją centralną dla %À), gdy rozkład. Konstrukcja przedziałów ufności za pomocą funkcji centralnej.. prawdopodobieństwa R -A, %À). jest absolutnie ciągły i nie zależy od parametru À.. R -A, %À). jest funkcją ciągłą i ściśle monotoniczną względem %À). Obieramy funkcję centralną R -A, %À). Konstrukcja:. Wybieramy stałe ^ i $ tak, aby ®¿[ë : ¹¿ -^ * R -A, %À). * $. , 1 0 #. Stałe ^, $ można dobrać na wiele sposobów. Zazwyczaj dobieramy je tak, aby # ¹¿ %R ^) , ¹%R $) , 2. Strona 27.
(50) STATYSTYKA http://totto1.prv.pl Rozwiązujemy nierówność ^ * R -A, %À). * $ względem %À) otrzymując przedział. -ÈB A, Èd A... Przykład 10 (cd.): A~a%b, c d ) ; b, c d 0 parametry B %b, c d ) , b ; d %b, c d ) , c d a) Dla B : RA, b ,. A0b √& ; RA, b~n%& 0 1) 0 przykład 3 . ¹Ø,r %R n#) ,. # 2. # ¹Ø,r %R * n#) , 1 0 2 # # lS %n#) , 1 0 n# , n%1 0 , & 0 1) 2 2 A0b 0n# * √& * n# n# n# 0 * A 0 b √& * √& √& n# n# A0 * b √& * A w √& √& %1 zatem 0 #) W 100% przedział ufności dla b: b) Dla d :. %>) zA 0. . √&. n -1 0. # # , & 0 1. , A w n -1 0 , & 0 1.{ 2 2 √&. %& 0 1) d RA, c , cd d d %& RA, c ~ 0 1) 0 tw. 3 d. Strona 28.
(51) STATYSTYKA http://totto1.prv.pl. # ¹Ø,r %R ^) , 2 # lS %^) , 2. %& 0 1) d ^* *$ cd %& 0 1) d %& 0 1) d * cd * $ ^ # ¹Ø,r %R * $) , 1 0 2 # lS %$) , 1 0 2 # d $ , -1 0 , & 0 1. 2 d Zatem %1 0 #) W 100% przedział ufności dla c ma postać # ^ , - , & 0 1. 2 # ¹Ø,r %R $) , 2 d. %& 0 1) d %& 0 1) d ? , @ # # d -1 0 , & 0 1. d - , & 0 1. 2 2. Przykład 9 (cd.): A~M%N) N O 0 0 parametr B %N) , N ; d %N) , P 2Q %& 100) ^) Dla B : Q A~a -N, 1. 0 z centralnego twierdzenia granicznego szukamy stałych ^ i $:. RA, N ,. A0N. √& √N RA, N~a%0,1). ¹Q %R tT ) ,. Strona 29. # 2.
(52) STATYSTYKA http://totto1.prv.pl. # ¹Q %R * tT ) , 1 0 2 # lS %°T ) , 1 0 2 # m%tT ) , 1 0 2 # tT , t -1 0 . 2 A0N 0tT * √& * tT √N ÊA 0 NÊ √& * tT /d bo tT O 0 √N d A 0 N & * tTd N d &A 0 2&NA w &Nd 0 NtTd * 0 d. &Nd 0 2&A w tTd N w &A * 0. d. d. d. d. ) , 2&A w tTd 0 4&d A , 4&d A w tTU w 4&AtTd 0 4&d A , tTd 4&A w tTd O 0. ÈB A ,. 2&A w tTd 0 tT 4&A w tTd 2&. ,Aw. 4# d # A A tTd 0 tT V w d W A 0 t -1 0 . V 2& & 4& 2 &. tTd # A A tTd w tT V w d W A w t -1 0 . V 2& & 4& 2 & Zatem %1 0 #)100% przedział ufności dla par N %& 100): Èd A , A w. # A # A %>>) ?max XA 0 t -1 0 . V Y , XA w t -1 0 . V Y@ 2 & 2 &. Porównajmy %>) i %>>). AZ. . √&. AZ. n -1 0. /A. # , & 0 1. 2. # t -1 0 . 2 √&. Fakt: %1 0 #)100% przedział ufności dla parametru N: 1 # 1 # z d - , 2&A. , d 1 0 , 2&A w 1{ 2& 2 2& 2 Przykład 5 (cd.): ^) A 0 liczba zgłoszeń Model: A~M%N) N O 0 0 parametr Funkcja parametryczna ]^ %_) , _ ]` %_) , a2_. Estymator punktowy 1,74 0,17. Strona 30. [\% przedział ufności %1,59; 1,89) %0,15; 0,20).
(53) STATYSTYKA http://totto1.prv.pl. $) A 0 długość drogi hamowania Model: a%b, c d ) b, c d 0 parametry Funkcja parametryczna ]^ b, c` , _ ]` b, c` , c`. Estymator punktowy 18,38 0,13. [\% przedział ufności %18,28; 18,48) %0,09; 0,20). Niech A , %AB , … , A1 )4 będzie próbą z populacji o rozkładzie ( [ ¹ , ¾¹¿ : À [ Á gdzie À jest parametrem.. 6. WERYFIKACJA HIPOTEZ STATYSTYCZNYCH. Hipoteza statystyczna: ― hipoteza zerowa: dY : ¹ [ ºY e º %À [ ÁY e Á) ― hipoteza alternatywna: dB : ¹ [ ºB e º %À [ ÁB e Á) ºY f ºB , g %ÁY f ÁB , g). Definicja: Testem statystycznym nazywamy statystykę: ¯: » ¾0,1 określoną następująco: 1, A [ ù Ï ¯+ , X A , Ù 0, A [ ù gdzie: 1 oznacza decyzję „odrzucamy hipotezę zerową dY ” 0 oznacza decyzję „nie ma podstaw do odrzucenia dY ” Typowa postać obszaru krytycznego ù: ù , ¾A [ »: ÈA ç x  ¡ Błąd I rodzaju: Odrzucamy dY , gdy jest ona prawdziwa Błąd II rodzaju: Przyjmujemy dY , gdy jest ona fałszywa. ô.ñuóść îu.uõîuõJª uðîuóôð. ô.ñuóść Jñõuõï1.. Definicja: Funkcję 0: Á 0,1 taką, że 0%À) , ¹¿ %A [ ù) nazywamy funkcją mocy testu. Uwaga:. Strona 31.
(54) STATYSTYKA http://totto1.prv.pl òñ.ô8. lłę8m = ñó8ï.m. Îhi iji ik ̹¿ %A [ ù ¹¿ A [¨¡ ù 0%À) , 1 0 ¨ ¨ ¨ Í òñ.ô8. Ì lłę8m == ñïę8m Ë. RYSUNEK!!!. , À [ ÁY. , À [ ÁB Ï. Uwaga: Zmniejszenie prawdopodobieństwa błędu I rodzaju powoduje zwiększenie prawdopodobieństwa błędu II rodzaju (i na odwrót). konstrukcja „optymalnego” (jednostajnie najmocniejszego) testu na poziomie istotności # %0 * # * 1): 1. Ustalamy poziom istotności # i wyznaczamy wszystkie testy, dla których: %>) À [ ÁY : 0%À) # 2. Wśród testów spełniających %>) wybieramy ten, dla którego: ®¿[ëÔ : 0%À) , max 6.1. Testy jednostajnie najmocniejsze.. Zakładamy, że rozkłady ¹¿ : À [ Á badanych cech A są absolutnie ciągłe z funkcją gęstości V¿ . Twierdzenie 14 %Lemat Neymana ― Pearsona): Niech ù , A [ »: n. nCÔ ¢ Cr ¢. xT będzie obszarem krytycznym dla testu hipotezy zerowej. dY : À [ Á, przeciwko hipotezie alternatywnej dB : À [ Á, przy czym xT O 0 wyznaczamy z równości: 0 %ÀY ) , # gdzie # jest zadanym poziomem istotności. Jeżeli ù > jest dowolnym obszarem krytycznym testu powyższej hipotezy na poziomie istotności #, to 0 %ÀB ) 0> %ÀB ) czyli test z obszarem krytycznym ù jest najmocniejszy. V¿ A ©0 %ÀY ) , ¹¿o A [ ù , ¹¿o xT , #© ? ? ? V¿ A Dowód tw. 14: Mamy:. Strona 32.
(55) STATYSTYKA http://totto1.prv.pl 0 %ÀB ) 0 0> %ÀB ) q ¹¿Ô A [ ù 0 ¹¿Ô A [ ù > , ¦ V¿Ô +s+ 0 ¦ V¿Ô +s+ ,¦. f>. ,¦. f>. V¿Ô +s+ w ¦. f>. V¿Ô +s+ 0 ¦. , xT f¦. f>. . V¿Ô +s+ 0 ¦. > 2. f>. V¿Ô +s+ ¦. V¿o +s+ 0 ¦. > 2. >. V¿Ô +s+ 0 ¦. f>. V¿o +s+g. > 2. xT V¿o +s+ 0 ¦. V¿Ô +s+. > 2. xT V¿o +s+. ß ã Þ â , xT Þ¦ V¿o +s+ w ¦ V¿o +s+ 0 ¦ V¿o +s+ w ¦ V¿o +s+â ¨¨¨¨¨¨¨¨¨¨ ¨¨¨¨¨¨¨¨¨¨¡ f> f> f> > f Þ¨¨¨¨¨¨¨¨¨ ¨¨¨¨¨¨¨¨¨¡ â /8/ n pr Co pr> nCo /8/ Ý á. %À¨Y¡) 0 %À , xT
(56) ¹¿o + [ ù 0 ¹¿o + [ ù > , x 0¨> T Û0 ¨ ¨Y¡)Ü 0 sY ¨¨¨¨¨ ¨¨¨¨¨¡ KT tT sY. Przykład 15: Niech A , %AB , … , A1 ) będzie próbą z populacji o rozkładzie a%b, c d ), gdzie b jest parametrem a c d jest znane. Weryfikujemy hipotezę dY : b , bY przeciwko hipotezie dB : b O bY. Niech dB : b , bB O bY Zatem:. Q. bY 0 bB * 0. 1 1 %+J 0 bB )d 1 d )2 d %2Mc VØÔ + , × VØÔ %+J ) , × exp Ù0 Ú , exp ÷0 I%+J 0 bB )d û d d d 2 c 2c √2Mc 1. JKB. stąd:. 1. JKB. 1. 1. 1. VØo + , %2Mc d )2 d exp ÷0. Strona 33. 1. 1 I%+J 0 bY )d û 2c d JKB. JKB.
(57) STATYSTYKA http://totto1.prv.pl. 1 1 d d ∑JKB%+J 0 bB ) v 2c 1 ù , X+ [ \ : xT Y 1 exp u0 d ∑1JKB%+J 0 bY )d v 2c 1 1 1 1 d , ÷+ [ \ : exp ÷0 d zI%+J 0 bB ) 0 I%+J 0 bY ){û xT û 2c exp u0. JKB. 1. JKB. 1. , ÷+ [ \1 : I%+J 0 bB )d 0 I%xJ 0 bY )d 02c d ln%xT )û. , ÷+ [ \. 1. JKB 1. : I +Jd JKB. JKB. 0 2bB &+ w. &bBd. 1. 0 I +Jd w 2bY &+ 0 &bYd 02c d ln xT û JKB. , + [ \ : 2&+%bY 0 bB ) w &%bBd 0 bYd ) 02c d ln xT , + [ \1 : 2&+%bY 0 bB ) 02c d ln xT 0 &%bBd 0 bYd ) 1. Î 02c d ln xT 0 &%bBd 0 bYd ){ , + [ \1 : + , + [ \1 : + xT ) 2&%b 0 b ¨¨¨¨¨¨¨ ¨¨¨¨¨¨¨¡ Í z Y B x Ë y Jw. Ponadto:. 0 %bY ) , # ¹Øo + [ ù , #. ¹Øo A xT , #. Ponieważ:. Zatem:. ¹Øo A * xT , 1 0 # l¢||o %xT ) , 1 0 # A|dY ~a bY ,. cd &. xT 0 bY m √& , 1 0 # c xT 0 bY √& , t%1 0 #) c c xT , bY w t%1 0 #) √&. c t%1 0 #)v M& Ponieważ obszar krytyczny ù nie zależy od wyboru wartości bB , zatem skonstruowany test jest jednostajnie najmocniejszy przy hipotezie alternatywnej dB : b O bY Uwaga: 1. Równoważna postać obszaru krytycznego: Stąd:. ù , u+ [ \1 : + bY w. Strona 34.
(58) STATYSTYKA http://totto1.prv.pl. + 0 bY √& t%1 0 #)Ú c 2. Dla hipotezy alternatywnej dB : b * bY jednostajnie najmocniejszy test ma postać: + 0 bY ù , Ù+ [ \1 : √& t%#)Ú c 3. Dla hipotezy alternatywnej dB : b y bY jednostajnie najmocniejszy test nie istnieje!! ù , Ù+ [ \1 :. 6.2. Testy ilorazu wiarygodności. Niech A , %AB , … , A1 )4 będzie próbą z populacji o rozkładzie z rodziny º , ¾¹¿ : À [ Á à \T  Ponadto niech rozkłady ¹¿ z rodziny º opisane będą za pomocą funkcji prawdopodobieństwa (lub gęstości) (¿ . Testujemy hipotezę dY : À [ ÁY przeciwko hipotezie alternatywnej dB : À [ ÁB Definicja: Testem ilorazu wiarygodności nazywamy test z obszarem krytycznym sup öÀ, + ¿[ëÔ ù , X+ [ »: xT Y sup öÀ, + ¿[ëo. gdzie xT jest najmniejszą stałą taką, że ®¿[ëo : 0%À) #.. Uwaga: Jeżeli dY i dB są hipotezami prostymi, to test ilorazu wiarygodności pokrywa się z testem lematu Neymana – Pearsona, czyli jest najmocniejszy. Wyznaczając test używamy równoważnego obszaru krytycznego postaci: sup öÀ, + ¿[ëÔ ù , X+ [ »: xT Y sup öÀ, + ¿[ëo. Supremum funkcji wiarygodności osiągane jest dla À , ÀM+, gdzie ÀM + jest ENW parametru À.. Przykład16 (Test t – Studenta dla jednej próby): Niech A , %AB , … , A1 ) będzie próbą z populacji o rozkładzie a%b, c d ), gdzie b, c d ― parametry. Wyznaczamy test ilorazu wiarygodności hipotezy zerowej dY : b , bY przeciwko hipotezie alternatywnej dB : b y bY Mamy: Á , ¾%b, c d ): b [ \, c d O 0 öb, c , + , %2M) d. 2. 1 1 2 d %c d ) d exp ÷0. Ponadto ENW parametrów b, c mają postać: d. Strona 35. 1. 1 I%+J 0 b)d û 2c d JKB.
(59) STATYSTYKA http://totto1.prv.pl 1. 1 b̂ + , + c} , I%+J 0 b)d przykład 10 %4.2) & d. Zatem. sup öb, c d , + ,. %Ø,r )[ë. JKB. Î. { 1 1 Ì 1 1 & 2 d d d ~ d %2M) I%+ 0 +) , exp -0 . J d 2 Í 2~ ¨ z JKB¨¨ ¨¨¨¡Ì Ì 1(~ r Ë y d ¾%b, ): c b , bY , c O 0 ÁY ,. Ì 1 1 %2M)2 d %c} d )2 d exp 0. sup öb, c d + , sup öbY , c d , +. Zatem:. %Ø,r )[ë. íY. 1. & & 1 , ln öbY , c , + , 0 ln%2M) 0 ln%c d ) 0 d I%+J 0 bY )d 2c 2 2. Zatem:. d. 1. & 1 5 , 0 w I%+J 0 bY )d 2c d 2c U 5c d. JKB. JKB 1. 5 , 0 &c d , I%+J 0 bY )d 5c d cd ,. sup öbY , c d , + , r. 1 1 2 %2M)2 d ~Yd d. 1. JKB. 1 I%+J 0 bY )d , ~Yd & JKB. ß ã 1 1 1 & 2 Þ 1 â exp Þ0 d I%+J 0 bY )d â , %2M)2 d ~Yd d exp -0 . 2 2~Y ¨¨¨ ¨¨¨¡ JKB Þ â Ý 1(~or á. 2 & %2M)2 d ~ d d exp -0 . d ~Yd d ~ d 2 1 1 1 Y 1 %x ) ù , + [ \ : x , X+ [ \ : x Y , Ù+ [ \ : Ú , %>) T T T 1 1 2 & ~ d ~ d 2 d d ~ d %2M) Y exp -0 . 2 1 1 1 1 ~Yd , I%+J 0 bY )d , I%+J 0 + w + 0 bY )d & & 1. JKB. 1. JKB. 1. 1. 1. 1 2 , I%+J 0 +)d w %+ 0 bY ) I%+J 0 +) w %+ 0 bY )d , ~ d w %+ 0 bY )d & ¨¨¨ ¨¨¨¡ & ¨¨¨ ¨¨¨¡ JKB. (~ r. JKB ∑ /Ñ 21/ ì ¨ ¨ ¨ ¨¡ Ò Óo. Strona 36.
(60) STATYSTYKA http://totto1.prv.pl. d d %+ 0 bY )d ~ d w %+ 0 bY )d 1 1 1Ú %>) , Ù+ [ \ : %x ) %x ) Ú , Ù+ [ \ : 1 w T T ~ d ~ d 1. , Ù+ [ \1 : 1. d d %+ 0 bY )d |+ 0 bY | 1 1 1 %x ) %x ) 0 1Ú , ÷+ [ \ : 0 1û , %>>) T T ~ d ~ 1. 1 &01 1 &01 d W I%+J 0 +)d , , I%+J 0 +)d , & & &01 & ~d. JKB. JKB. Î { Ì Ì d |+ | 0 b Y %>>) , ÷+ [ \1 : 0 1û , + [ \1 : √& √& V%& 0 1) %xT )1 0 1 Í √& 0 1 W ¨¨¨¨¨¨ ¨¨¨¨¨¨¡z Ì Ì x Ë Jw y |+ 0 bY | ù , Ù+ [ \1 : √& xT Ú |+ 0 bY |. 0%bY ) # ¹Øo ÊÈ+Ê xT #. d %x )1 T. + Ï 0 bY √ & O ¨¨ ¨ ¨¡ óï1. à. |o. ~n%& 0 1). %przykład 3). ¹Øo ÊÈ+Ê * xT 1 0 #. ¹Øo 0xT * È+ * xT 1 0 # là||o %xT ) 0 là||o %0xT ) 1 0 # là||o %xT ) 0 1 w là||o %xT ) 1 0 # 2là||o %xT ) 2 0 # là||o %xT ) 1 0 d. T. xT n%1 0 d , & 0 1) T. Zatem:. ù , Ù+ [ \1 :. |+ 0 bY | # √& n -1 0 , & 0 1.Ú 2. Uwaga: Dla hipotezy alternatywnej dB : b O bY obszar krytyczny ma postać: + 0 bY ù , Ù+ [ \1 : √& n%1 0 #, & 0 1)Ú Dla hipotezy alternatywnej dB : b * bY obszar krytyczny ma postać: + 0 bY ù , Ù+ [ \1 : √& n%#, & 0 1)Ú Przykład 5b (cd.): Na poziomie istotności # , 0,05 zweryfikujmy hipotezę głoszącą, że średnia długość hamowania dla samochodu wyposażonego w nowy typ układu hamulcowego jest istotnie krótsza niż w poprzednio stosowanym typie (wynosiła ona wtedy 18,6 [m]). A 0 długość drogi hamowania Strona 37.
(61) STATYSTYKA http://totto1.prv.pl. Model: A~a%b, c d ); µ, σd 0 parametry Formułujemy hipotezy: d : b , 18,6Ï Y dB : b * 18,6. & , 50 ; A , 18,38 Wartość statystyki testowej: A 0 bY 18,38 0 18,6 W √50 W 04,32 √& , √0,13 Wartość krytyczna: n%#, & 0 1) , n%0,05,49) , 0n%0,95,49) , 01,677 Decyzja: Odrzucamy hipotezę dY .. Przykład 17 Test ` dla wariancji w jednej próbie: Niech A , %AB , … , A1 ) %& O 1) będzie próbą z populacji o rozkładzie a%b, c d ), gdzie b, c d ― parametry. Weryfikujemy hipotezę zerową dY : c d , cYd. Statystyka testowa: d ,. %12B)( r or d. Rozkład statystyki testowej || Y ~ d %& 0 1). Obszary krytyczne: 1. dB : c d y cYd. ù , u+ [ \1 : d + d -1 0. 2. dB : c d * cYd. 3. dB : c d * cYd. Wykład 11. 26.03.2008r.. # # , & 0 1. lub d + - , & 0 1.v 2 2. ù , ¾+ [ \1 : d + d %1 0 #, & 0 1). ù , + [ \1 : d + d %#, & 0 1). Przykład 18 (Test t – Studenta dla dwóch prób): Niech AB , %ABB , … , AB³ ) ; Ad , %AdB , … , Ad1 ) %_, & O 1) będą niezależnymi próbami z populacji o rozkładach a%bB , c d ); a%bd , c d ) odpowiednio, gdzie bB , bd , c d 0 parametry Weryfikujemy hipotezę zerową: dY : bB , bd przeciwko hipotezie alternatywnej dB : bB y bd. Strona 38.
(62)
Powiązane dokumenty
[r]
Znajdź estymator nieobciążony minimalnej wariancji pa- rametru
Niech T t bedzie mocno ciągłą półgrupą kontrakcji na przestrzeni Banacha X.. Niech U będzie
Wręcz przeciwnie, dla każdego wyboru węzłów znajdzie się funkcji ciągła taka, że błąd rozbiega do nieskończoności.. Fakt ten wynika z ogólnych (dość głębokich) twierdzeń
Na początku przedstawimy zatem jej dowód, a następnie przejdziemy do dowodu twierdzenia o zbieżności martyngałów.. Na końcy przedstawimy klasyczną nierówność
Dowód przeprowadzimy dla przesunięć lewostronnych, rozumowanie dla przesunięć prawostron- nych jest podobne... Przeprowadzimy dowód dla warstw lewostronnych, rozumowanie dla
Udowodnić, że jeśli nad pierścieniem przemiennym A każdy skończenie generowany A−moduł jest wolny, to A jest
W´ owczas f jest izomorfizmem liniowym wtedy i tylko wtedy, gdy macierz A jest odwracalna.. Za l´ o˙zmy, ˙ze f jest