14-es_1 / Высшая математика (РТФ) / умк_Пальчик_Теория вероятностей
.pdf12.3. Определение. Медианой выборки {x1, …, x n}, в которой значе-
ния СВ X расположены в порядке возрастания, называют значение X, на-
ходящееся в середине выборки. Если n = 2m + 1, то xm+1 = Me , если
n = 2m, то xm + xm+1 = Me . 2
Значение выборки, имеющее наибольшую частоту, называется мо-
дой выборки и обозначается Mo .
Если рассматривается интервальный статистический ряд, то среди
частичных интервалов одинаковой длины тот интервал считается модаль-
ным, который имеет наибольшую частоту значений СВ X.
|
|
12.4. |
|
Лемма. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s2B = xB2 - ( |
|
|
|
|
|
)2 , |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(12.7) |
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
xB |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s2 = x2 |
- ( |
|
|
|
)2 , |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(12.7¢) |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
0 |
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
1 |
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
где |
|
x2 = |
|
|
|
∑x2 |
, |
|
|
x2 |
= |
|
|
|
|
∑x2. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
B |
|
|
|
|
|
|
|
i |
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
N i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
1 |
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 ) = |
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
О. s2 = |
|
∑(x - |
x |
B |
)2 = |
∑(x2 |
- 2x × |
x |
B |
|
+ |
x |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
B |
|
n i=1 |
i |
|
|
|
|
|
|
n i=1 |
i |
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
B |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
1 |
n |
1 |
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
1 |
n |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||
= |
∑x2 - |
× 2 × |
x |
|
|
|
× ∑x |
|
+ |
∑ |
x |
|
|
|
= x2 |
+ |
× n × |
x |
|
|
- 2 |
x |
|
× |
x |
|
= x |
2 |
- ( |
x |
|
)2. |
||||||||||||||||||||||||||||||||||||||||||
|
|
B |
|
|
|
B |
|
|
B |
|
B |
B |
B |
B |
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
i |
n |
|
|
|
|
|
|
|
i |
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
B |
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
n i=1 |
|
|
|
|
|
|
|
|
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
Аналогично доказывается и (12.7¢). |
Ä. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
12.5. Лемма. Для ВС (12.2) имеет место соотношение |
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∑(xi |
- |
xB |
) = 0 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(12.8) |
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
О. ∑(x - |
x |
B |
) = ∑x |
|
- n × |
x |
B |
= |
∑x - n × |
|
|
∑x |
|
= 0. Ä. |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
i =1 |
i |
|
|
i=1 |
|
|
i |
|
|
|
|
|
|
|
|
|
|
i =1 |
i |
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
91
12.6. Теорема. Пусть X1,..., Xn - независимые в совокупности и оди-
наково распределенные СВ, причем M(Xi) = m и D( Xi ) = s2 "i =1, n . Пусть
X= 1 ( X1 +K + X n ) . Тогда n
M ( |
X |
) = m, D( |
X |
) = s2 / n . |
(12.9) |
О. Из свойства МО 6.13.2, 6.13.3, 6.13.4, 6.13.5 и свойств дисперсии
6.14.3 и 6.14.6 получаем:
M ( |
|
|
) = |
1 |
M ( X1 |
+K + X n ) = |
1 |
(M ( X1) +K + M ( X n )) = |
1 |
× n × m = m . |
|
||||||||
X |
|
||||||||||||||||||
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
n |
|
|
n |
|
|
n |
|
|
|||||
D( |
|
) = |
1 |
D( X1 |
+ K + X n ) = |
1 |
(D( X1) +K + D( X n )) = |
1 |
× n × s2 = s2 |
/ n .Ä. |
|||||||||
X |
|||||||||||||||||||
|
n2 |
n2 |
|||||||||||||||||
|
|
|
|
|
n2 |
|
|
|
|
|
|
||||||||
|
|
|
|
В соглашении 11.1 мы отметили, что выборка |
|
|
|
|
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
x1,..., xn |
|
|
|
|
(12.10) |
является реализацией n-мерной СВ (X1,..., Xn). Но тогда из определений 12.2 и 12.3 следует, что и каждая числовая характеристика выборки будет являться реализацией этой СВ.
12.7.Замечание. Ясно, что от выборки к выборке (см. (11.2) число- вая характеристика выборки может менять свои значения. То есть, число-
вые характеристики выборки сами являются случайными величинами, за- висящими от выборки, в то время как числовые характеристики ГС явля-
ются константами (так как ГС единственна).
12.8.Определение. СВ U, зависящую от выборки, называют выбо-
рочной функцией (или статистикой) и обозначают
U = U(x1,..., xn) |
(12.11) |
или иногда |
|
U = U(X1,..., Xn). |
(12.12) |
12.9. Замечание. Примерами выборочных функций являются число-
вые характеристики выборки ( xB , s2B , Me, Mo и другие), так как для раз-
личных выборок объема n они могут принимать различные значения, вы- числяемые по формулам (12.5), (12.6) или по правилам, указанным в п. 12.3.
92
Влекции 11 отмечено, что главной задачей анализа эксперимента E является подбор подходящего закона распределения F(x) для изучаемого признака X.
Внашем распоряжении имеется только n измеренных значений X,
которые были получены во время n-кратного повторения E в одинаковых условиях.
По виду полигона частостей или гистограммы можно сделать пред- положение о виде функций f(x) и F(x). Например, если гистограмма, по- строенная на основании выборки (12.10), «вписывается» в кривую Гаусса, то в качестве F(x) для E можно взять функцию
|
|
1 |
|
x |
|
F (x) = F (x, m, σ) = |
|
|
∫ e−(t −m)2 / 2σ2 dt . |
||
|
|
|
|
||
|
σ |
|
2π −∞ |
После выбора подходящей функции в качестве F(x) требуется на ос- новании выборки (12.10) оценить хотя бы приближенно значения входя-
щих в выбранную функцию параметров. Например, в случае X N(m, σ)
надо приближенно указать значения параметров m и σ.
12.10.Замечание. Из соглашения 11.1 и теоремы 8.11. следует
(и в том их значение!), что функцию F(x, m, σ) чаще других можно прини- мать за приближенную модель E, описываемого СВ X.
Итак, пусть вид функции распределения для СВ X из E указан. Пусть
Θ − один из неизвестных параметров, фигурирующих в этой функции. Следующий шаг состоит в том, чтобы подобрать подходящую выбороч- ную функцию (12.11) таким образом, чтобы выполнялось равенство
Θ ≈ U(x1, …, x n). |
(12.13) |
Тогда число Θ = U (x1,K, xn ) , где x1,..., xn есть выборка (12.10), назы-
вается точечной оценкой параметра Θ.
Интервальной оценкой параметра Θ называется пара чисел Θ1 и Θ2 ,
таких, что Θ Θ1, Θ2 .
Теория оценок исходит из того, что нужна наилучшая оценка пара-
метра Θ. Поэтому выработаны определенные требования к оценкам.
93
12.11. Определение. Оценка Θ = U (x1,K, xn ) называется несмещен-
ной (т.е. без систематических ошибок одного знака) для Θ, если M (Θ) = Θ .
Величину B = M (Θ) − Θ называют смещением оценки.
Несмещенность оценки означает, что при ее использовании в одних случаях будет Q < Q , в других - Q > Q , но в среднем Q » Q .
12.12. Пример. xB является несмещенной оценкой для M(X). То есть
M ( |
xB |
) = M ( X ) = |
x0 |
. |
(12.14) |
О. В силу соглашения 11.1 выборка x1,..., xn рассматривается как реа-
лизация СВ (X1,... Xn), в которой компоненты Xi , i =1, n , независимы и оди-
наково распределены (как и СВ X). |
|
Поэтому |
M ( Xi ) = M ( X ) = m = |
x0 |
, и |
||||||||||||||||||||||||||||||||||
ввиду 12.9 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
1 |
|
n |
1 |
|
|
|
n |
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
M (x |
B |
) = M ( |
|
|
|
∑x ) = M ( |
|
|
|
|
∑ X |
) = M ( X ) |
= m = x |
|
|
|||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
i |
|
|
|
|
0 |
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n i=1 |
n i =1 |
|
|
|
|
|
|
|
|
|
||||||||||||||
по теореме 12.6. Ä. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
12.13. Определение. |
|
|
|
|
|
|
|
|
|
|
|
|
|
эффективной, |
|
|||||||||||||||||||||
|
|
|
|
Оценка |
Q |
называется |
если |
||||||||||||||||||||||||||||||||
D( |
|
) принимает минимальное значение по сравнению со всеми другими |
|||||||||||||||||||||||||||||||||||||
Q |
|||||||||||||||||||||||||||||||||||||||
оценками |
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
Q |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
12.14. Пример. |
xB |
|
является эффективной оценкой для M(X). |
|
|
|||||||||||||||||||||||||||||||
|
|
|
О. Рассуждаем как в предыдущем |
|
примере. Тогда |
при |
|||||||||||||||||||||||||||||||||
D( Xi ) = D( X ) = s02 , i = |
|
|
, по теореме 12.6 ввиду 12.7 имеем: |
|
|
||||||||||||||||||||||||||||||||||
1, n |
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
D( |
|
) = D( |
|
|
|
) = s02 / n = D( X ) / n . |
(12.15) |
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
xB |
X |
|||||||||||||||||||||||||||||
|
|
|
Все другие оценки будут иметь большие дисперсии. Например, |
||||||||||||||||||||||||||||||||||||
D( |
|
) = D(( X k + X k +1) / 2) = (1/ 4) × 2D( X ) , если n = 2k. |
|
|
|||||||||||||||||||||||||||||||||||
Me |
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
Если n = 2k+1, то D( |
|
) = D( X k ) = D( X ) = s02 . |
Ä. |
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
Me |
|
|
|
|
||||||||||||||||||||||||||||||||
|
|
|
12.15. Определение. |
|
Оценка |
|
|
= U (x1,K, xn ) |
|
||||||||||||||||||||||||||||||
|
|
|
|
Q |
называется состоя- |
||||||||||||||||||||||||||||||||||
тельной для параметра Q, если при увеличении числа испытаний она схо- |
|||||||||||||||||||||||||||||||||||||||
дится по вероятности к оцениваемому параметру Q, то есть |
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
< e) =1. |
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
lim P( |
|
Q - |
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Q |
|
|
|
(12.16) |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n→∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
94 |
|
|
|
|
|
|
|
|
|
|
|
|
|
12.16. Пример. xB является состоятельной оценкой для M(X).
О. По соглашению 11.1 выборка (12.10) рассматривается как одна из реализаций СВ (X1,..., Xn), в которой компоненты Xi , i =1, n , независимы и
распределены одинаково (так же, |
как и X). Поэтому M ( Xi ) = M ( X ) = |
x0 |
|
||||||||||||||||||||||||||||||||||
для любого i = |
|
|
. Поэтому по (8.8) имеем lim P( |
|
X1 +K + X n |
- |
|
|
< e) =1. |
||||||||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||||||||
1, n |
|
x |
|||||||||||||||||||||||||||||||||||
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n→∞ |
|
|
|
n |
|
0 |
|
|
|
|
||||||
|
X1 + K + X n |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
Но |
на выборке (12.10) принимает значение |
x |
B |
. Поэтому |
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
- |
|
|
|
< e) =1 и выполняется условие (12.16) для |
|
= M ( X ) . |
Ä. |
|
|
||||||||||||||||||||||||||
lim ( |
|
|
xB |
x0 |
|
|
x0 |
|
|
||||||||||||||||||||||||||||
n→∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
12.17. Определение. Исправленной выборочной дисперсией называ- |
|||||||||||||||||||||||||||||||||
ют величину |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 = |
n |
|
s2 |
|
1 |
n |
|
|
|
|
)2 . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S |
|
= |
∑ |
(x - |
x |
|
|
|
|
|
|
|
|
|
(12.17) |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n - |
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 B |
|
n -1i=1 |
i |
B |
|
|
|
|
|
|
|
|
|
|
|
|
12.18. Теорема. S 2 является несмещенной оценкой для дисперсии
D(X) СВ X в ГС, а s2B является состоятельной оценкой для дисперсии D(X)
СВ X в ГС.
О. По соглашению 11.1 выборка (12.10) рассматривается как одна из реализаций СВ (X1,..., Xn), в которой Xi , i =1, n независимы и распределены одинаково (как X). В частности, M ( Xi ) = M ( X ) = x0 и M ( Xi2 ) = M ( X 2 ) (ввиду определения 6.1).
M(X) легко вычислить, используя сгруппированный ряд для ГС СВ X
(12.1).
X |
|
x1 |
... |
xk |
|
|
|
|
|
|
|
Частости |
|
M1/N |
... |
Mk/N |
|
|
|
(12.18) |
|||
|
|
|
|
k |
|
Mi |
|
|
|
||
Из (12.18) вычисляем, что M ( X ) = ∑x |
× |
= |
x |
. |
|||||||
|
|||||||||||
|
|
|
|
i |
|
N |
0 |
|
|||
|
|
|
|
i=1 |
|
|
|
|
|||
По определению 6.1 из (12.18) получаем закон распределения для X2: |
|||||||||||
X2 |
|
x12 |
|
xk2 |
|
|
|
|
|
|
|
|
... |
|
|
|
|
|
|
||||
Частости |
|
M1/N |
... |
Mk/N |
|
|
|
(12.19) |
95
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
M |
i |
|
|
|
|
|
1 |
|
|
N |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||
Откуда M ( X 2 ) = ∑x2 |
× |
|
|
|
|
|
|
= |
|
|
|
|
|
∑M |
x2 |
= x2 |
. Тогда и |
|||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
i |
|
|
|
|
N |
|
|
|
|
|
|
|
N i =1 |
i i |
|
|
|
|
|
0 |
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M ( X 2 ) = M ( X |
2 ) = x2 . |
|
(12.20) |
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
)2 |
|
|||||||||||||||||||||||||
Далее, ввиду 12.7, можно вычислить M ( |
x |
B |
: |
|||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
)2 |
= M ( |
|
|
- |
|
|
) + |
|
|
|
|
|
2 |
|
= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
M (x |
B |
x |
B |
x |
x |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
= M |
( |
|
|
- |
|
|
)2 |
+ 2( |
|
|
|
|
- |
|
|
) |
|
|
+ |
|
|
2 |
= (6.25) = |
|
||||||||||||||||||||||||||||
x |
B |
x |
x |
B |
x |
x |
|
|
x |
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
0 |
|
0 |
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= M ( |
|
|
- |
|
)2 + 2M ( |
|
|
|
|
|
- |
|
) |
|
|
+ M ( |
|
|
2 ) = |
|
(12.21) |
|||||||||||||||||||||||||||||||
x |
B |
x |
x |
B |
|
|
x |
x |
|
x |
|
|
||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
0 |
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
=12.7, (6.16), 6.13.2 = M (xB - x0 )2 + 2x0M (xB - x0 ) + x0 2 =
=D(xB ) + 2x0 (M (xB ) - x0 ) + x0 2 = D(xB ) + x0 2.
|
|
|
Здесь мы учли, что по (12.14) M ( |
xB |
) = |
x0 |
|
и поэтому M ( |
xB |
- |
x0 |
) = |
|||||||||||||||||||||||||||||||||||||||||
= M ( |
|
) - M ( |
|
) = |
|
|
|
- |
|
|
= 0 и что ввиду 12.7 и определения (6.18) |
||||||||||||||||||||||||||||||||||||||||||
xB |
x0 |
x0 |
x0 |
||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- |
|
)2 |
|
= D( |
|
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
M ( |
x |
B |
x |
x |
B |
) . |
|
|
(12.22) |
|||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
Теперь из (12.7) получаем |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
2 |
|
|
2 |
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
- (xB ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= |
|
|
|
|
|
|||||||||||||||||||||||||||||||
M (sB ) |
= M xB |
|
= M (xB ) |
- M (xB ) |
|
= (12.21) |
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
= M ( |
X12 +K + X n2 |
) - D( |
|
|
|
) - |
|
2 |
= (12.20) = |
|
|
|
|
|
|
|
|
|
(12.23) |
||||||||||||||||||||||||||||||||||
x |
B |
x |
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
1 |
|
|
- |
|
2 |
|
|
|
|
|
|
/n = |
n-1 |
s2 . |
||||||||||||||||||||||||||||||||||||||
= |
× n × x2 |
- D( |
|
|
|
) = (12.7¢), (12.15) = s2 |
- s2 |
||||||||||||||||||||||||||||||||||||||||||||||
x |
x |
B |
|||||||||||||||||||||||||||||||||||||||||||||||||||
|
|
||||||||||||||||||||||||||||||||||||||||||||||||||||
|
n |
0 |
0 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0 |
|
|
|
|
0 |
|
|
n |
0 |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
96
Из (12.23) легко видеть, что
|
|
|
|
M ( |
n |
× s2B ) = |
n |
|
× |
n −1 |
s02 = s02 . |
(12.24) |
||||
|
|
|
n -1 |
|
|
|
||||||||||
|
|
|
|
|
n -1 |
|
|
|
n |
|
||||||
|
Равенство (12.24) показывает, что исправленная выборочная диспер- |
|||||||||||||||
|
n |
× s2B = |
|
2 является несмещенной оценкой для s02 = D( X ) . |
|
|||||||||||
сия |
S |
|
||||||||||||||
|
|
|||||||||||||||
|
n -1 |
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
Из (12.6) и (12.4) |
видно, что при n ® N s2B ® s02 . Но тогда при |
||||||||||||||
n ® ¥ тем более будет иметь место |
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
lim P( |
|
s02 - s2B |
|
< e) =1. |
(12.25) |
|||||
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
n→∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(12.25) означает, что s2B есть состоятельная оценка для s02 ввиду оп-
ределения 12.15. Ä.
13.Методы нахождения точечных оценок: метод наибольшего правдоподобия,
метод моментов, метод наименьших квадратов
Метод максимального правдоподобия (МП-метод) предложен в 1912 году английским статистиком Р. Фишером.
Пусть ГС имеет плотность распределения f(x, Q), зависящую от не- известного параметра Q. Например, пусть СВ Х, изучаемая в ГС, имеет распределение Пуассона P(X = k) = lke−λ / k !. Здесь в качестве Q фигури- рует параметр l.
Пусть из ГС произведена выборка объема n и в результате n измере- ний Х получены результаты
x1, ..., xn . |
(13.1) |
По соглашению 11.1 выборка (13.1) есть одна из реализаций СВ (X1,..., Xn ), компоненты которой независимы и имеют один и тот же закон распределения (такой, как Х, т.е. f(x, Q)).
97
Рассмотрим вероятность того, что составляющие СВ (X1 ,..., Xn ) при- мут значения, равные наблюдаемым (13.1).
L = P(X1 = x1, …, X n = xn) = P(X1 = x1, Θ)… P (Xn = xn, Θ) =
n |
= xi ,Θ). |
|
= ∏ P( Xi |
(13.2) |
i=1
Для НСВ (X1 ,..., Xn ) эта вероятность выразится с помощью плотно- сти распределения:
n |
|
L = f (x1,K, xn ) = f (x1,Θ)K f (xn ,Θ) = ∏ f (xi ,Θ). |
(13.3) |
i=1
Правая часть (13.2) или (13.3) отражает независимость компонент у
СВ (X1 ,..., Xn ).
L называют функцией правдоподобия.
Идея МП-метода состоит в том, чтобы в качестве оценки параметра
Θ в (13.3) или (13.2) подобрать такое число Θ = f (x1,K, xn ) , при котором наблюдаемые значения СВ Х (13.1) были бы наиболее вероятны или, дру-
гими словами, функция L достигла бы максимума в точке Θ (≈ Θ).
Из дифференциального исчисления известно, что функция (13.3) может достигать экстремума только в точке, которую можно найти из ус- ловия
f |
' |
(x ,K, x ) = 0. |
(13.4) |
|
|
Θ |
1 |
n |
|
13.1. Замечание. Если требуется по МП-методу определить оценки r параметров, то в (13.2), (13.3) вместо Θ пишут (Θ1, …, Θr).
(13.4) превратится в систему из r уравнений:
f |
' |
(x ,¼, x ,Q ,¼,Q |
|
) = 0 |
|
||||
|
|
Θ |
1 |
n 1 |
r |
|
|
||
|
|
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(13.5) |
LLLLLLLLLLLL |
|||||||||
f |
|
' |
|
(x ,¼, x ,Q ,¼,Q |
) = 0 . |
|
|||
|
Θ |
r |
1 |
r 1 |
r |
|
|
|
|
|
|
|
|
|
|
|
|
|
Среди решений системы (13.5) выбирается то, которое дает макси- мальное значение функции правдоподобия L.
98
13.2. Замечание. Поскольку экстремум функций L и ln L достигает-
ся при одних и тех же значениях аргументов (Q1, …, Qr), то иногда для уп- рощения расчетов пользуются функцией ln L . Тогда система (13.5) будет иметь вид:
∂ ln L = 0, i = |
|
. |
(13.6) |
1, r |
|||
¶Qi |
|
МП-метод дает состоятельные и эффективные оценки, если послед- ние существуют.
Недостатком МП-метода является то, что оценки иногда являются смещенными и их приходится исправлять введением поправок. Кроме то- го, система (13.6) может оказаться сложной для решения.
13.3. Примеры функций правдоподобия.
13.3.1. X Î N(m, s) (см. 7.6).
В этом случае для точечных оценок параметров m и s используется функция правдоподобия
|
|
|
|
|
|
|
n |
( x −m)2 |
|
|
|
|
|
|
|
|
|
|
∑ |
|
|
||
|
|
|
|
|
|
− |
i=1 |
i |
|
|
|
|
|
n |
1 |
|
|
|
|
||||
|
|
|
|
|
|||||||
|
|
L = ∏ f (xi , m, s) = |
|
× e |
2σ2 |
, |
(13.7) |
||||
|
|
|
|||||||||
(s 2p)n |
|||||||||||
|
|
i=1 |
|
|
|
|
|
||||
где xi , i = |
|
– наблюдавшиеся значения СВ X из (13.1), n – |
объем выбор- |
||||||||
1, n |
|||||||||||
ки (13.1). |
|
|
|
|
|
|
|
|
13.3.2. Если Х имеет показательное распределение (5.22), то для оценки параметра λ функцию правдоподобия определяют по формуле
|
|
|
n |
|
|
|
n |
−λ ∑ xi |
|
|
|
L = ∏ f (xi ,λ) = λne i=1 , |
(13.8) |
|
|
|
i=1 |
|
|
где xi , i = |
|
– значения Х из (13.1), n – |
объем выборки. |
|
1, n |
|
13.3.3. Если ДСВ Х распределена по закону Пуассона (5.7), то для оценки параметра λ по результатам выборки (13.1), которая после группи- ровки принимает вид
Xi |
x1 |
x2 |
... |
xk |
|
|
mi |
m1 |
m2 |
... |
mk |
k |
(13.9) |
|
|
|
|
|
∑mi |
= n , |
|
|
|
|
|
i =1 |
|
|
|
|
|
99 |
|
|
используется функция правдоподобия
|
k |
|
|
|
∑ mi xi |
|
|
n |
li=1 |
× e−nλ . |
|
L = ∏ f (xi ,l) = |
(x1!)m1 (x2 !)m2 K(xk !)mk |
(13.10) |
|
i=1 |
|
|
13.3.4. Если ДСВ Х имеет биномиальное распределение (5.2) и (5.1), то для оценки параметра р по результатам наблюдавшихся значений Х, указанных в таблице (13.9), используют функцию правдоподобия
|
k |
n |
∑ mi xi |
L = ∏ f (xi , p) = (Cnx1 )m1 |
× (Cnx2 )m2 K(Cnxk )mk × pi=1 |
i=1 |
|
n2 |
k |
|
− ∑ m x |
||
× (1 - p) |
i |
i |
i=1 |
. (13.11) |
Можно видеть, что функции (13.7), (13.8), (13.10), (13.11) сконструи-
рованы из соответствующих законов (7.6), (5.22), (5.7), (5.2) с помощью
(13.3) и (13.1).
13.4. Пример. Пусть СВ Х имеет распределение Пуассона
P(X = x) = lxe-λ/x!, x = 0, 1, …, n.
По результатам наблюдавшихся значений (13.1) требуется оценить параметр l этого распределения.
О. Запишем функцию правдоподобия для нашего случая (см. (13.10):
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
lx1 |
|
−λ lx2 |
|
|
|
lxn |
|
|
|
∑ xi |
|
|
|
||
L = |
× e |
× e |
−λ |
L |
× e |
−λ |
= |
li=1 |
× e |
−λn |
. |
|||||
|
|
|
|
|
|
|
|
|
||||||||
x1! |
|
x2 ! |
|
xn ! |
|
x1!x2 !Kxn ! |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
Найдем такое значение l = l(x1, …, x n), при котором L достигает мак- симума или, что равносильно, когда lnL достигает максимума.
n |
n |
ln L = -n l + ∑xi ln l - ∑ln xi ! . |
|
i=1 |
i=1 |
Экстремум достигается в критической точке, которую находим из условия
(ln L)' |
|
|
n |
1 |
n |
1 |
|
|
|
|
|
1 n |
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
||||||||||
= 0, т.е. -n + ∑x |
|
- 0 = 0 или ∑x |
|
= n, |
l = |
|
∑x |
= x |
|
. |
|||||||||
|
|
|
|
||||||||||||||||
λ |
|
|
i=1 |
i l |
i =1 i l |
|
|
|
|
|
n i =1 |
i |
|
|
B |
|
|||
Ответ: за оценку |
|
параметра l принимаем |
|
= |
|
|
Ä. |
|
|
|
|
|
|||||||
l |
l |
xB. |
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
100 |
|
|
|
|
|
|
|
|
|
|
|
|
|