- •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.
7.Методы построения статистических оценок. Метод максимального правдоподобия и метод моментов. Примеры.
Метод моментов построения статистических оценок. Примеры:
Пусть Х1,…,Хn –выборка из распеределения с начальными r моментами i порядка:
Они являются функциями от неизвестных параметров .
Начальные выборочные моменты i порядка .
Тогда метод моменов состоит в приравнивании выборочных и теоретических моментов одного порядка:
, где r – выбирается сообразно тому, сколько нбх уравнений для существования и единственности решения, обычно
Примеры.
1) распределение Бернулли
- теоретич. момент
- выборочный момент
Уравнение методом моментов:
- оценка методом моментов (ММ)
2) распределение Лапласа DE(a,b)
теор. момент 1 порядка
теор момент 2 порядка
выбор. моменты 1 и 2 порядка
Уравнение ММ:
Оценки ММ:
Метод максимального правдоподобия. Примеры:
Понятие правдоподобия позволяет сравнивать вероятносные шансы тех или иных исходов эксперимента при различных значениях параметра .
В рез-те эксперимента поступает более точная информация, тогда прикаждом фикс. Значении естественно сравнивать достоверности исходов через значение плотности ( или производной Радона-Никодима) относительно некоторой домин. меры.
Пусть - семейство вероятностных мер, доминирующих некоторой мерой .
(если величины имеют абс. непрер. распределение, то мера Лебега,
если дискретное – можно выбрать считающую меру на мн-ве возможных значений результата эксперимента)
- плотность распределения.
Функция правдоподобия является плотностью распределения случайного вектора :
Опр-е
Оценка - называется оценкой правдоподобия, если для каждого из выборочного пространства
Пусть Х1,…,Хn - выборка из одномерного семейства <<
- плотность
Выбираем , т.е.
и
функция правдоподобия
Идея метода макс. правдоподобия состоит в отыскании значения , максимизирующее правдоподобие, т.е.
В силу монотонности логарифма задача сводиться к максимизации логарифма правдоподобия.
И далее нахождения max:
Примеры.
1) распределение Бернулли
Х1,…,Хn ~ Bi(1,p)
- считающая мера на Z
Функция правд-я
- оценка макс. правдоподобия
2)нормальное распределение Х1,…,Хn ~ N(a,b),
решаем уравнение
8. Регулярный эксперимент. Информация Фишера. Неравенство Рао-Крамера. Эффективные по Фишеру оценки.
Регулярный эксперимент:
Пусть x1..xn выборкаиз P(ро)={Pθ :θ€ΘcR}-сем-во однопарам, существ мера μ доминирующая сем-во P(ро) μ>>P(ро) с плотностями Pθ условие регулярности :
Эксперимент (сем-во) наз-ся реулярным если1) Pθ непрерывно дифф-мо по θ 2) В условиях сем-ва допускаются диффер-ное под знаком ∫ :
∂\∂θ∫Pθ(x~)μ(dx)=∫∂Pθ(x~)/∂θ*μ(dx)=0 3) Существ I(θ): I(θ)€(0..∞) ; I(θ)=∫[(Pθ’(x~))2/Pθ(x)]*μ(dx)=∫(Pθ’(x)/Pθ(x))2*Pθ(x)
[pθ’(x)=pθ(x)/∂θ] ; μ(dx)=Eθ[(lnpθ(x~))’]2 ;pθ(x~)=L(x¬,θ)-ф-ция правдоп. I(θ)-информ Фишера[характеризует наск-ко сильно различаются плотности возле (.)-ки пар-ра θ] С ростом кол-ва наблюдений инфор-ция накапливается
Неравенство Рао-Крамера. Эффективные по Фишеру оценки.
Пусть X1…Xn – выборка из P ={Pθ: θ є Ĥ R} – семейство однопараметрическое, мера доминирующая семейство P: >> P с плотностями Pθ. Условие регулярности:
эксперимент (семейство) называется регулярным если:
Pθ непрерывно дифференцируема по
В условиях семейства допускается дифференцирование под знаком интеграла.
3. I( ) : I( ) (0, )
- функция правдоподобия
- информация Фишера (характеризует, насколько сильно различаются плотности возле точки параметра ).
С ростом количества наблюдений информация накапливается.
Свойства информации.
Теорема: Пусть имеются 2 независимых экспиремента:
P1 ={P1θ, θ є Ĥ} P2 ={P2θ, θ є Ĥ}
Рассмотрим экспиремент:
- т.е. 2 независимых эксперимента
Пусть оба они регулярны : и
Тогда эксперимент общий тоже регулярный, а
Док-во: Пусть исходные семейства были регулярны, тогда по св1 регулярности ρ1 и ρ2 , следовательно
Следовательно свойство 1 выполнено для ρ.
Свойство 2: Рассмотрим
Свойство 3: {сложение информации} Замечание: В условиях регулярного эксперимента ( log L =0
Неравенство Рао-Крамера (теорема).
Оценка δ – разрешенная, если .
{диф-ние под знаком интеграла}
Пусть - регулярный эксперимент, причем - информация Фишера и
- разрешенная оценка, b( ) = - -смещение оценки . Тогда и +
-дает нижнюю границу для оценки (нер-во Крамера)
Следствие: Если - несмещенная, то
Док-во: Отметим . Поскольку - разрешенная
1-е нер-во.
Т.к.
Значение информации в знаменателе характеризует информацию в исх. данных для того, чтобы оценить параметр
Когда бывает равенство в нер-ве Рао-Крамера?
Рав-во достигается в том и только в том случае
(*)
1. Рав-во Коши-Бун-ко, когда (*) пропорц-но x - const но зависит от парам-ра, принимает разные значения
(**) - однопараметрич. экспотенциальное семейство
Т.е. рав-во возможно в случае экспотенц. сем-ва
2. Из (**) берем
Пусть эксперимент регулярен и ; если это условие выполнено, тогда . Покажем
Оценка называется эффективной по Фишеру, если
a) - несмещенная {только в эксп.семействах}
b) -только для правельных пар-ров