- •1. Основные понятия математической статистики. Статистический эксперимент. Способы накопления статистической информации. Понятие выборки.
- •2. Примеры параметрических семейств распределений.
- •3.Виды задач математической статистики. Задачи точечного оценивания, доверительного оценивания, проверки статистических гипотез.
- •5.Постановка задачи точечного оценивания параметра. Риск оценки (квадратичный). Понятие состоятельности, несмещенности, асимптотической нормальности оценки.
- •6. Несмещенные оценки с равномерно-минимальной дисперсией. Минимаксный и байесовский подходы. Метод построения Байесовсих оценок.
- •7.Методы построения статистических оценок. Метод максимального правдоподобия и метод моментов. Примеры.
- •8. Регулярный эксперимент. Информация Фишера. Неравенство Рао-Крамера. Эффективные по Фишеру оценки.
- •9. Выборка из нормального распределения. Представление Хи-квадрат распределения с помощью нормальных. Распределение Стьюдента. Распределение Фишера-Снедекора. Лемма Фишера.
5.Постановка задачи точечного оценивания параметра. Риск оценки (квадратичный). Понятие состоятельности, несмещенности, асимптотической нормальности оценки.
Постановка задачи точечного оценивания параметра. Риск оценки:
Пусть ( )- статистический эксперимент, результатом которого является набор наблюдений X1…Xn. Задача точечного оценивания заключается в том, чтобы используя результаты наблюдений, выбрать из множества параметров θ значение, наиболее подходящее в том или ином смысле.
Пусть в качестве оценки параметра θ (или функции от пар-ра g(θ)) выбрана оценка .Для определения близости оценки к истинному значению пар-ра θ вводится функция потерь W(δ, θ) удовлетворяющая следующим условиям:
неотрицательность W(δ, θ)
если δ=0, то потери нулевые: W(θ, θ)=0
Наиболее употребительными функциями потерь являются W (δ, θ)=( δ - θ)2 - функция потерь Гаусса и W(δ, θ)= |δ - θ| - функция потерь Лапласа.
Функция потерь – величина случайная, зависящая от двух параметров.
Точность оценки измеряется функцией риска R(δ, θ)=Eθ W(δ , θ), где Eθ берется при условии , что распределение соответствует значению параметра θ , т.е. средними потерями при оценивании с помощью δ.
Риск в случае функции потерь Гаусса R(δ, θ)=Eθ т.н. средне квадратичное отклонение
Хотелось бы найти оценку , минимизирующую риск при каждом значении θ. Однако в такой постановке задача неразрешима. Действительно, если выбрать в качестве оценки параметра θ некоторое постоянное значение δ = θ0 , θ0 , то при θ= θ0 данная оценка абсолютно точна, т.е. имеет нулевой риск. Ясно , что подобная оценка с точки зрения матстатистики абсолютно бесполезна, однако приведённый пример показывает , что , за исключением тривиальных случаев (когда параметр определяется абсолютно точно), оценки , минимизирующей риск при каждом не существует.Для преодоления этой трудности можно ограничить класс рассматриваемых оценок:
рассматривать только состоятельные оценки
рассматривать только несмещенные оценки
Понятие состоятельности, несмещенности, асимптотической нормальности оценки:
Пусть имеется (Х,
Дn,Ρ),
где Ρ={Рθ,θєΘ}
- статистический эксперимент.
Статистика - V
отображение из Х
в какое-то пространство Е
(T:
Х->E)
Отображение δ:
Х->Θ
точечная оценка параметра Θ (δ(х)
– оценка параметра).
δ(х) можно сделать зависящей от n определенным образом δ(х)= δn(х) sdfg
Оценка δ(х)
(в смысле δn(х))
называется состоятельной,
если δn(х)->
θ ; V
θєΘ по
вероятности, т.е. Рθ(|δn(х)
– θ|>ε)->0
при n->∞.
Оценка сильносостоятельная, если Рθ(δn(х) –> θ(почти наверное))->1
Оценка δ(х) называется несмещенной, если Еθδ(х)= θ и асимптотически несмещенной если Еθδn(х)-> θ при n->∞.
Асимптотически нормальна, если по распределению
6. Несмещенные оценки с равномерно-минимальной дисперсией. Минимаксный и байесовский подходы. Метод построения Байесовсих оценок.
Несмещенные оценки:
Оценка параметрической функции называется несмещенной , если при любом значении параметра
или просто
Смещением оценки называется величина .
Отметим что выборочная дисперсия не является несмещенной. С учетом независимости наблюдений (не умаляя общности считаем что ):
Тогда смещение . Нетрудно заметить что несмещенной оценкой дисперсии будет .
Несмещенная оценка не всегда может быть построена.Рассмотрим семейство распределений Пуассона. 1) θ= λ → -несмещенная оценка; 2)если Ограничимся одним наблюдением и построим несмещенную оценку:
, т.е. равенство не достижимо.
несмещенной оценки.
Риск несмещенной оценки совпадает с её дисперсией, поэтому если существует равномерно наилучшая из несмещенных оценок (т.е. имеющая наименьший среди всех несмещенных оценок риск при каждом значении ), то она называется несмещенной с равномерно минимальной дисперсией(НРМД).Т.е. , где δ*- несмещ оценка.
Минимаксный и байесовский подходы. Метод построения Байесовсих оценок:
Оценка называется минимаксной если она минимизирует максимальный риск , т.е. или
Другой подход : Байесовский.
Пусть Q распределение задано на множестве
Байесовским риском оценки , с соответствующим функции потерь W, называется величина
Оценка минимизирующая байесовский риск, называется байесовской.
Пусть на задана (мера) вероятность , плотность которой (относительно доминирующей меры ) задается формулой , где - плотность р-ния θ, а - условная плотность р-ния при условии θ [ (- где - мера Лебега)],относительно некоторой доминирующей меры . Байесовский риск(функция потерь Гаусса)
Найдем минимум этой функции по оценкам . Поскольку , фиксируем X, будем минимизировать интегральное выражение по d
Тогда -байесовская оценка.
Совместная плотность
Условная плотность (апостериорная)
- формула Байеса в непрерывном случае
-апостериорное матожидание при условии .