14-es_1 / Высшая математика (РТФ) / умк_Пальчик_Теория вероятностей
.pdf13.5. Пример. СВ Х имеет нормальное распределение. По результа- там наблюдавшихся значений (13.1) этой СВ оценить параметры m и s нормального распределения.
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
− |
1 |
|
( x−m)2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
О. f (x, m, s) = |
|
|
|
|
|
× e 2σ2 |
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
|
|
|
s |
|
2p |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
По (13.7) функция правдоподобия имеет вид |
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
−m)2 |
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
∑ ( x |
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
|
|
|
|
− i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
L = |
|
|
|
|
|
|
|
|
|
× e |
|
2σ2 |
|
|
. |
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
(s |
|
|
|
|
)n |
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2p |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
Переходя к функции lnL, имеем: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
n |
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
ln L = -n ln s - |
|
|
ln(2p) - |
|
|
|
∑(x - m)2. |
|
||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
2s2 i=1 |
|
i |
|
|
|
|
||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
|
|
|
Воспользуемся необходимыми условиями экстремума. Получаем |
||||||||||||||||||||||||||||||||||||||||||||||||||
|
(ln L)' = - |
1 |
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|||||||||
|
|
× 2∑(x - m) × (-1) = 0 |
|
|
|
|
∑ |
(x - m) = 0 |
|
||||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||
|
|
|
m |
|
2s2 |
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s2 i=1 |
i |
|
||||||||||||
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
n |
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
-n + |
|
|
|||||||||||||||
|
(ln L)' |
= - |
+ |
∑ |
(x |
- m) |
2 = 0 |
|
|
|
|
|
|
∑(x - m)2 |
= 0 |
||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
2 |
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||||||||
|
|
σ |
|
|
s |
s |
i=1 |
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s |
2 |
i |
i |
|
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
=1 |
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
m = |
∑xi |
= xB , |
|
|
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||||||
|
|
|
|
(∑(xi |
- nm) = 0 |
|
|
|
|
|
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
Ä. |
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||
s2 |
i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
)2 |
= s2 |
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
s |
= |
∑(x |
- |
x |
|
|
||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
B |
|
|
|
|
|
|
B |
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
Метод моментов (Пирсон К., 1857 – 1936, |
Англия). |
|
||||||||||||||||||||||||||||||||||||||||||||||||
|
|
|
Пусть известен закон распределения СВ Х, содержащий неизвестные |
||||||||||||||||||||||||||||||||||||||||||||||||||
параметры Q1, Q2, …, |
|
Qr. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
Произведем выборку объема n этой СВ. Метод моментов состоит в |
||||||||||||||||||||||||||||||||||||||||||||||||||
том, что эмпирические моменты |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= xk |
= |
∑xk |
, |
|
|
|
|
|
|
|
|
|
|
|
|
(13.12) |
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n i =1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
101 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
μk |
|
|
|
|
|
1 |
n |
|
|
|
|
|
= (x − |
|
)k = |
− |
|
)k |
|
||||||
x |
∑(xi |
x |
(13.13) |
|||||||||
|
||||||||||||
|
|
|
|
|
|
n i=1 |
|
|
|
|
||
приравниваются теоретическим моментам |
|
|
|
|
||||||||
|
|
νk = M(Xk), |
|
|
|
(13.14) |
||||||
|
μk = M((X – M (X))k). |
(13.15) |
Из формул (13.12) и (13.13) видно, что эмпирические моменты вы- числяются по данным наблюдений xi.
Неизвестный закон распределения в нашем случае можно записать в виде плотности распределения
|
|
|
|
|
|
f(x, Θ1, Θ2, …, |
Θr). |
|
( ) |
|||
Тогда из (13.14) и (13.15) следует: |
|
|
|
|
||||||||
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
∑xik pi (x, Θ1,K, Θr ) |
для ДСВ |
|
|||||||
ν |
|
i=1 |
|
|
|
|
|
|
|
|
(13.16) |
|
k |
= |
∞ xk |
|
|
|
|
|
|
|
|
||
|
|
f (x, Θ ,K,Θ |
)dx |
для НСВ |
|
|||||||
|
|
|
∫ |
|
|
1 |
r |
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
∑(xi − mX )k pi (x, Θ1,K, Θr ) |
для ДСВ |
|
|||||||
μ |
|
i=1 |
|
|
|
|
|
|
|
. |
(13.17) |
|
k |
= |
∞ (x − m |
|
|
|
|
|
|
||||
|
|
X |
)k f (x, Θ ,K,Θ |
)dx |
для НСВ |
|
||||||
|
|
|
∫ |
|
|
|
1 |
r |
|
|
|
|
|
|
−∞ |
|
|
|
|
|
|
|
|
|
Таким образом, метод моментов состоит в составлении (и решении) системы уравнений
n1(Q1,K, Qr ) = n1 (Q1,K, Qr )
LLLLLLLLLLLLL , k ³ r , (13.18)
nk (Q1,K, Qr ) = nk (Q1,K, Qr )
и аналогично
|
|
|
|
(Q1,K, Qr ), |
|
m j (Q1,K, Qr ) = m j |
|||
|
|
|
|
(13.19) |
j = |
1, k, |
k ³ r. |
|
|
|
|
|
102 |
|
13.6. Пример. Пусть СВ Х распределена по показательному закону с плотностью распределения f(x, Q) = Qe-Θx, x ³ 0. (Здесь Q1 = Q, r = 1).
По результатам выборки x1, ..., xn оценить Q.
О. По методу моментов (13.18) достаточно составить одно уравнение
|
ν = ν |
(13.20) |
|
|
1 |
1 |
|
∞ |
∞ |
|
∞ |
ν1 = (по (13.16) = ∫ x × f (x, Q)dx = ∫ x × Q × e−Θx × dx = Q∫ x × e−Θx × dx = |
|||
0 |
0 |
|
0 |
1 = (по частям) = Q .
n1 = (по (13.12) = xB = 1 ∑n xi . n i =1
Поэтому (13.20) дает нам Q1 = xB .
Ответ: Q = 1 . Ä. xB
Метод наименьших квадратов
Пусть требуется оценить величину Х по результатам n измерений
xi = Q + ei , i =1, n,
где ei – ошибки измерений, Q – точное значение Х.
Метод наименьших квадратов (МНК-метод) состоит в том, что на-
ходят точечную оценку Q величины Q, которая минимизирует функцию
n |
|
- Q) |
n |
|
U (Q) = ∑ |
(x |
2 = ∑e2 |
, |
|
i=1 |
i |
|
i |
|
|
|
i=1 |
|
то есть минимизирует сумму квадратов отклонений данных выборки от точного значения Q величины Х.
13.7. Пример. МНК-методом найти оценку Q выборочного среднего x0 генеральной совокупности по выборке {x1,..., xn}.
n
О. Составим функцию U (Q) = ∑(xi - Q)2.
i=1
103
|
|
|
' |
|
|
|
n |
(x - Q) = 0. |
||
Найдем ее минимум U |
(Q) = -2∑ |
|||||||||
|
|
|
Θ |
|
|
|
i=1 |
i |
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
|
|||
Откуда ∑ |
(x |
- Q) = 0 Q = |
|
∑x |
= x |
. Ä. |
||||
|
||||||||||
i =1 |
i |
|
|
|
|
|
i |
|
B |
|
|
|
|
|
|
n i=1 |
|
|
|
14.Распределение χ2 (хи-квадрат) и его значение в МС. Распределение Стьюдента и его значение в МС.
Распределение Фишера и его значение в МС
Пусть СВ Y Î N(m, s). Тогда СВ U = Y −sm называется стандарти-
зированной СВ (по отношению к Y). Как показано в лекции 10 (см. (10.22),
UÎ N(0, 1).
14.1.Определение. Квадрат стандартизированной СВ
|
2 |
Y - m 2 |
2 |
|
|||
U |
|
= |
|
|
= c |
|
(14.1) |
|
s |
|
|||||
|
|
|
|
|
|
|
называется случайной величиной c2 (хи-квадрат) с одной степенью свободы.
Если рассматривать n независимых СВ Y1,..., Yn, где Yi Î N(mi, si ), i =1, n, то сумма квадратов их стандартизированных величин
|
2 |
|
|
|
2 |
Y - m |
2 |
Y - m |
2 |
2 |
|
|||
U |
1 |
+K +U |
n |
= |
1 1 |
+K + |
|
n |
n |
= c |
n |
(14.2) |
||
s1 |
|
sn |
||||||||||||
|
|
|
|
|
|
|
|
|
|
|||||
называется СВ cn2 с n степенями свободы. |
|
|
|
|
|
|
||||||||
Если Yi , |
|
i = |
|
, являются зависимыми СВ и имеется r соотноше- |
||||||||||
|
1, n |
|||||||||||||
ний, связывающих их, то число степеней свободы СВ |
cn2 определяется |
|||||||||||||
формулой |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n = n – r. |
|
|
|
|
|
(14.3) |
104
В МС изучена (К. Пирсоном) плотность распределения f (χ2n ) СВ χ2n . f (χ2n ) является неэлементарной функцией от числа ν степеней свободы.
Ее явное выражение можно найти, например, в [3, (19.28), c. 144].
Для практических специалистов, как правило, достаточно использо-
вать квантили χ2n -распределения.
14.2. Определение. Квантилью, соответствующей вероятности α, на- зывается такое значение СВ X, X = xα, при котором
∞ |
|
P( X > xα ) = ∫ f (x)dx = α, |
(14.4) |
xα
где f(x) – плотность распределения СВ Х.
С геометрической точки зрения нахождение квантили xα заключается в таком выборе значения X = xα, при котором площадь криво- линейной трапеции правее прямой X = xα (рис. 14.1) была бы равна α. Поэтому квантили xα и x1-α называются симметрическими. Если график f(x) симметричен относительно прямой x = 0, то xα = – x1-α.
f(x)
S=α
0 |
x |
x1-α |
xα |
Рис. 14.1
Из формулы (4.5) следует, что для квантилей xα и xβ имеет место формула
P(xα ≤ X ≤ xβ) = β – α. |
(14.5) |
105
Для χ2n -распределения с n степенями свободы квантиль, соответст-
вующая вероятности a, обозначается
|
cα2 |
, ν . |
(14.6) |
Для наиболее распространенных в МС значений a и n имеются таб- |
|||
лицы квантилей c2-распределения. |
|
|
|
Например, c0,20;2 |
9 =12, 242 означает, что P(c92 >12, 242) = 0, 20 . |
|
Значение c2-распределения в МС показывает следующая теорема.
14.3. Теорема. Пусть X1, ..., Xn – независимые СВ, Xi Î N (m, s), i =1, n .
Тогда СВ
V 2 = n × SX2 / s2 = cn2−1 |
|
(14.7) |
имеет распределение c2 с n – 1 степенями свободы, где S X2 |
– |
выборочная |
дисперсия. Æ. |
|
|
Если требуется найти вероятность события a £ SX2 £ b , |
то, умножив |
все части этого неравенства на n/s2, получаем a n / s2 £ SX2 n / s2 £ b n / s2 и
применяем формулу (14.5) для c2-распределения ввиду теоремы 14.3. Получаем
P(a £ Sx2 £ b) = P(a n / s2 £ V 2 £ b n / s2 ) . |
(14.8) |
c2-распределение применяется также при проверке статистических гипотез, что будет рассмотрено далее.
Пусть |
Y1, ..., Yn, |
Yn+1 |
= |
Y |
|
– |
|
независимые |
СВ, причем |
|||||||||
Yi Î N (0, 1), |
i = |
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1, n +1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
14.4. |
Определение. Случайная величина |
|
||||||||||||||||
|
|
|
t = |
|
|
Y |
|
|
= |
|
Y |
|
|
= |
Y |
|
(14.9) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Z |
|||||
|
|
|
|
1 n |
|
1 |
|
2 |
||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
∑Yi |
2 |
|
|
|
|
cn |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
|
называется безразмерной дробью Стьюдента (псевдоним английского статистика В.С. Госсета (1886 – 1937) с n степенями свободы, где
Z = |
1 |
χ2 . |
|
||
|
n |
n |
|
|
106
Стьюдентом изучена плотность распределения f(t) СВ t и показано, что она зависит только от одного параметра n – числа степеней свободы. Им же изучен график функции f(t), который при любом n симметричен от- носительно оси ординат. При n → ∞ f(t) → N(0,1). На практике уже при n > 30 f(t) заменяют нормальным распределением N (0,1).
На практике используются квантили t-распределения tα / 2; n в зависи-
мости от числа степеней свободы n и заданной вероятности доверия α .
Числа tα / 2; n находятся из решения уравнения
∞ |
|
P(| t |> tα / 2; n ) = 2 ∫ f (t) dt = α . |
(14.10) |
tα / 2; n
Сгеометрической точки зрения нахождение квантилей заключается
ввыборе такого значения t = tα / 2; n , при котором суммарная площадь за-
штрихованных криволинейных трапеций (рис. 14.2) была бы равной α. Для квантилей t-распределения имеются специальные таблицы значе-
ний, поскольку решение уравнений (14.10) достаточно сложная процедура.
f(t)
α /2 |
|
α /2 |
|
|
t |
-tα /2;n |
0 |
tα /2;n |
|
Рис. 14.2 |
|
Значение t-распределения в МС показывают следующие две теоремы. 14.5. Теорема. Пусть X1, ..., Xn – независимые СВ, распределенные
нормально с M(Xi ) = m и D(Xi ) = σ2 для всех i = 1, n . Тогда СВ
T = n −1(xB − m) / SX ,
|
|
= |
1 |
n |
SX2 = |
1 |
n |
− |
|
)2 , имеет распределение Стьюдента с |
|
где xB |
∑xi , |
∑(xi |
xB |
||||||||
|
|
||||||||||
ν = n – |
|
n i=1 |
|
N i=1 |
. |
||||||
1 степенями свободы. |
107
14.6. Теорема. Пусть из двух нормально распределенных ГС с оди- наковым средним квадратическим отклонением сделаны две независимые
выборки объемов n1 |
и n2. Пусть |
|
|
= |
|
, |
S 2 |
|
|
= |
|
, S |
2 |
– соответствен- |
|||||||||
x |
x |
и x |
x |
||||||||||||||||||||
|
|
|
|
|
|
|
|
1B |
1 |
|
1 |
|
2B |
2 |
|
|
|
2 |
|
||||
но средние арифметические и выборочные дисперсии этих выборок. |
|||||||||||||||||||||||
Тогда СВ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
× |
|
|
|
, |
|
|
||||||||||
T = |
|
|
- |
|
|
- (m1 - m2 ) |
n1n2 (n1 + n2 - 2) |
|
|
||||||||||||||
x1 |
x2 |
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
n1S12 + n2S22 |
|
|
|
|
|
n1 + n2 |
|
|
где m1 и m2 – математические ожидания первой и второй ГС соответственно, имеют распределение Стьюдента с n = n1 + n2 – 2 степенями свободы. Æ.
Пусть СВ X1, ..., Xm; Y1, ..., Yn – независимы и
{Xi , Yj}Î N (0,1), i = |
|
; j = |
|
|
(14.11) |
1, m |
1, n . |
14.7. Определение. Безразмерная СВ
|
m |
|
|
|
|
|
|
|
n × ∑ Xi2 |
|
n |
|
U |
|
|
F = |
i=1 |
= |
× |
, |
(14.12) |
||
n |
|
|
|||||
|
|
m |
|
Z |
|
||
|
m × ∑Y 2 |
|
|
|
|||
|
|
|
|
|
|
|
j =1
где U и Z имеют c2-распределения соответственно с m и n степенями сво-
боды, называется безразмерной дробью Фишера.
Фишер нашел выражение для плотности распределения f(F) = j(n1, n2), где n1 = m, n2 = n и применил СВ F для сравнения дисперсий генеральных совокупностей, распределенных нормально, на основании сделанных из них выборок.
А именно, имеет место
14.8. Теорема. Пусть S12 и S 22 – исправленные выборочные диспер- сии, определенные из выборок объемов n1 и n2, взятых из нормально рас- пределенных ГС с одинаковыми средними квадратическими отклонения-
ми, и |
|
12 > |
|
22 . Тогда СВ |
|
|
12 / |
|
22 имеет распределение Фишера – Снедекора с |
||||||||
S |
S |
S |
S |
||||||||||||||
ν1 = n1 −1 и ν2 = n2 −1 степенями свободы, где |
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
|
|
|
|
|
|
2j = |
|
1 |
|
|
∑j |
(xi − |
|
|
)2 , j = 1, 2 . |
||
|
|
|
|
|
S |
|
xB |
|
|||||||||
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
n j |
−1 i=1 |
|
|
j |
|||||
|
|
|
|
|
|
|
|
|
|
|
|
.
108
Значения квантилей F-распределения Fα; ν1; ν2 в зависимости от чис-
ла степеней свободы ν1, ν2 и от заданной вероятности α находятся из уравнения
P(F > Fα; ν ; ν |
) = |
∞ |
f (F ) dF = α . |
∫ |
|||
1 |
2 |
Fα; ν ; ν |
|
|
|
2 |
|
|
|
1 |
Ввиду сложности решения этого уравнения созданы специальные таблицы значений Fα; ν1; ν2 .
15. Интервальные оценки параметров распределения. Доверительная вероятность. Доверительный интервал. Уровень значимости. Доверительный интервал для m, где X N(m, σ), σ − известная величина. Доверительный интервал для m,
где X N(m, σ), σ − неизвестная величина
После получения точечной оценки Θ параметра Θ возникает вопрос о величине Θ − Θ , т.е. о надежности оценки Θ . Если Θ − Θ < δ → 0 , то
оценка считается надежной.
Другими словами, возникает вопрос о вероятности события
Θ − Θ < δ , где δ − наперед заданное положительное число, желательно
малое.
P( Θ − Θ < δ) = P(−δ < Θ − Θ < δ) = P(Θ − δ < Θ < Θ + δ). (15.1)
Для ответа на этот вопрос заранее выбирают необходимую для су- щества дела доверительную вероятность 1 – α и проверяют выполнение соотношения
P( |
Θ |
− δ < Θ < |
Θ |
+ δ) = 1 − α . |
(15.2) |
Если равенство (15.2) выполняется, то говорят, что |
интервал |
]Θ − δ, Θ + δ[ является доверительным, так как точное значение параметра
109
Θ попадает в этот интервал с требуемой доверительной вероятностью (на-
дежностью) 1 – α.
Число α называют коэффициентом доверия или уровнем значимости.
На практике обычно α {0,1; 0,05; 0,01}, что соответствует 90-, 95- и 99 %-ным доверительным интервалам соответственно.
Если число δ велико, то оценка Θ считается «плохой».
15.1. Теорема. Предположим, что СВ X N(m, σ), σ − известная ве- личина. Пусть имеется выборка
|
|
|
x1, ..., xn |
|
|
|
|
|
(15.3) |
||||||
значений X и задана вероятность 1 – α. Тогда интервал |
|
||||||||||||||
|
|
− |
|
εσ |
|
|
+ |
εσ |
|
||||||
|
|
|
|||||||||||||
xB |
|
|
|
|
, xB |
|
|
|
|
(15.4) |
|||||
|
|
|
|
|
|
|
|||||||||
|
|
|
|
||||||||||||
|
|
|
|
n |
|
|
n |
|
является доверительным для m с надежностью 1 – α = 2Ф(ε).
О. Из 12.12, 12.14, 12.16 следует, что в качестве оценки для m можно
взять xB .
По соглашению 11.1 выборку (15.3) можно рассматривать как реали- зацию СВ (X1,..., Xn), у которой компоненты Xi являются независимыми и Xi N(m, σ) для всех i = 1, n .
По теореме 12.6
|
|
|
|
|
|
|
|
|
|
|
|
N (m,σ / |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
xB |
|
|
n ) |
|
|
|
|
(15.5) |
||||||||||||||
Рассмотрим СВ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Y = ( |
|
|
− m) |
|
n |
= ( |
(xi − m)) |
|
n |
|
|
|||||||||||||||||
|
|
|
xB |
|
∑ |
|
. |
(15.6) |
|||||||||||||||||||||||
|
|
|
|
|
|||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
σ |
|
n i=1 |
|
|
|
|
|
|
σ |
|
||||||||
|
|
|
|
= |
1 |
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
По (15.5) СВ xB |
∑xi распределена нормально. Тогда и случай- |
||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||
|
|
|
|
|
n i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
1 |
n |
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
|
− m) и ( |
|
− m)) |
|
|
|
n |
= Y распределены нормаль- |
|||||||||||||||||||||||
ные величины |
∑(xi |
|
∑(xi |
|
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
||||||||||||||||||||||||||
|
n i=1 |
|
|
|
|
|
|
n i =1 |
|
|
|
|
|
σ |
|
|
|
|
|
но, так как получены из xB с помощью операций с константами.
110