CAPI TO LU L 7

Estimatori pentru valoare medie i dispersie.

Estimarea parametrilor.
Dispersie minim. Verosimilitate maxim
7.1 Formule de estimare a parametrilor. Cazul specificat. Cazul nespecificat.
La nceput acest capitol prezint formule de estimare a parametrilor statistici, n cazul
specificat i n cel nespecificat. Exist mai multe tipuri de estimare a parametrilor necunoscui. n
unul din capitolele anterioare, pentru valoarea medie M ( X ) i dispersia D 2 ( X ) am
menionat dou tipuri de formule:1) formule teretice i 2) formule de calcul. Acum prezentm
un nou tip de formule i anume 3) formule de estimare. Primele dou tipuri de formule cer s
fie cunoscute probabilitile p i ale lui X , ceea ce nu este ntotdeauna comod. Formulele de
estimare 3) nu cer aceste probabiliti, dar cer o selecie de valori asupra variabilei aleatoare X ,
ceea ce nu este greu de realizat. ntre formulele 1), 2) i formulele 3) trebuie s existe o anumit
concordan, care s justifice posibilitatea de a nlocui o formula cu alta.
Formulele de estimare conduc la mai multe tipuri de extimri: estimaie consistent, estimaie
nedeplasat, estimaie absolut corect [19]. [21], [23]. Dup lmurirea acestor aspecte este
prezentat un algoritm care asigur dispersia minim pentru o formul de estimare. Funcia de
verosimilitate mpreun cu ecuaia sau sistemul verosimilitii maxime fac obiectul unei
subseciuni a acestei seciuni. . Urmeaz metoda verosimilitii maxime i metoda momentelor.
7.1.1 Formularea problemei de estimare a parametrilor.
Foarte des legea de probabilitate f ( xi ), f (k ) i densitatea de probabilitate f (x ) conine
unul sau mai muli parametri, notai R sau R s (s parametri). Astfel funciile f au
formele f ( xi ; ) , f ( x; ) sau f ( xi ; ) , f ( x; ) etc. n capitolul anterior am folosit
notaia simpl, fr a meniona i parametrii asociai funciei f .
Problema de estimare cere s se estimeze valoarea medie M ( X ) i dispersia D 2 ( X ) ,
precum i parametrii necunoscui. Exemple.
a) Repartiia Poisson discret:

k
f (k ; ) e
; 0, k 0,1,2, ,
k!

b) Repartiia Bernoulli discret: f (k ; p ) C kn p k (1 p ) k ;

unde n este un numr natural dat, are un parametru.

(are un parametru).

0 p 1, n N * ;

k n, k N

2
c) Repartiia normal continu: f ( x; m, )

exp(

( x m)
22

, x R, 0 ;

are doi parametri.

d) Repartiia exponenial contin:

f ( x; ) e x ;

0; x [0, ) are un parametru.

n viitor, pentru prezentarea teoriei estimaiei ne referim numai la un paramatru R , adic

funciile f au forma f ( xi ; ) sau f ( x; ) . Deseori vom face referire la dou tipuri se noiuni
i anume cazul specificat i cazul nespecificat. Literatura de specialitate prezint dou
versiuni de interpretare a acestor noiuni.
Versiunea 1. Cazul specificat nseamn c este cunoscut forma funciei f (repartiie Poisson
sau Bernoulli sau normal etc.). n cazul nespecificat nu este cunoscut forma funciei f .
Pentru calcularea lui M ( X ) i D 2 ( X ) trebuie s cunoatem forma repartiiei, adic s
cunoatem forma lui f .
Versiunea 2. Forma funciei f este cunoscut. n cazul specificat valoarea parametrului
este cunoscut. n cazul nespecificat valoarea parametrului nu este cunoscut.
n prezenta monografie vom preciza clar, de fiecare dat, n ce versiune ne situm.
Cnd are valoare cunoscut suntem n cazul specificat. Cnd are valoare
necunoscut sunten n cazul nespecificat. Repartiia variabilei aleatoare X este complet
cunoscut numai n cazul spacificat. n cazul nespecificat, valoarea parametrului trebuie
determinat. Detrenimarea se face prin formule de estimare. Totui noi vom gsi numai o valoare
aproximativ a lui .
se numete valoarea exact sau valoarea adevrat, iar se numete valoarea estimat
sau valoarea aproximativ. Este evident c noi dorim s gsim cea mai bun aproximare a
parametrului .
Formula prin care gsim valoarea aproximativ pentru parametrul se numete formul
de estimare. Exist multe tipuri de formule de estimare.

7.1.2 Cteva tipuri de formule de estimare.

Fie X o variabil aleatoare (discret sau continu), cu lege de probabiliatate f sau densitate
de probabilitate f cunoscut, care depinde de parametrul cu valoare necunoscut.
Parametrul trebuie estimat prin .
Pentru aceasta folosim o selecie discret x1 , , xi , , x N asupra lui X , avnd volumul N.
Notm prin N ( x1 , , x N ) o funcie de estimare a valorii adevrate (necunoscute) .
Vrem s gsim cea mai bun aproximare N , n raport cu un criteriu de aproximare sau cu o
definiie de aproximare. Funcia N este o variabil aleatoare.

Definiia 1. irul de variabile aleatoare N ( x1 , , x N ) converge n probabilitate ctre

variabila aleatoare dac

lim P ( N ) 0

pentru orice valoare 0 dat.

Din aceast definiie (adic din acest tip de convergen) noi nelegem c volumul de selecie
N trebuie s fie un numr foarte mare, ceea ce n aplicaii nu este comod.
Definition 2. Dac definiia 1 este satisfcut, atunci este o estimare consistent a
P
valorii i scriem N (convergen n probabilitatea P ).
Definiia 3. Dac valoarea medie este , adic M ( N ( x1 , , x N ) , atunci se
numete estimaie nedeplasat (estimaie exact) a lui .
D 2 N ( x1 , , x N ) 0 , arunci se
Definiia 4. Dac M N ( x1 , , x N ) i Nlim

numete estimaie absolut corect (estimaie absolut exact) a lui .

Observm c definiia 4 genereaz cea mai bun idee de estimare.
7.1.3 Formule de estimare i proprietile lor.
Reamintim c dorim s estimm valoarea medie M ( X ) , dispersia D 2 ( X ) i dup caz,
valoarea unor parametri. Formulele de estimare au notaii specifice, care difer fundamental de
formulele teoretice sau formulele de calcul. De exemplu, n timp ce valoarea medie se noteaz
M ( X ) sau m X sau m , valoarea medie estimat se noteaz prin X .
Folosim selecia x1 , , xi , , x N de volum N . Atunci
1
N
x
X M (X ) ;

i 1 i este formula de estimare a valorii medii a lui X ;

N
1
N
2
s 2X i 1 xi X este prima formul de estimare a dispersiei ; s 2X D 2 ( X ) ;
N
1
N
2
s* X
xi X 2 este a doua formul de estimare a dispersiei; s 2 X D 2 ( X ) .

1
N 1
Propoziia 1. Valoarea X este o estimare absolut corect a valorii medii M ( X ) . De
asemenea X este o estimare nedeplasat a valorii medii.
Propoziia 2. Varoarea s 2X este o estimare consistent a dispersiei D 2 ( X ) .
X

Propoziia 3. Valoarea s 2X este o estimare absolut corect a dispersiei D 2 ( X ) .

Valoarea s 2X este o estimare nedeplasat a dispersiei D 2 ( X ) .
2
Formula lui s X se folosete atunci cnd volumul de selecie N este mic n raport cu numrul
total de date ale variabilei X .
Observaia 1. A) Formulele teoretice pentru M ( X ) i D 2 ( X ) folosesc probabilitile
pi , i 1, n . Formulele de estimare nu folosesc aceste probabiliti deoarece valorile de selecie
x1 , , xi , , x N sunt independente i identic repartizate.
B) Dac variabila aleatoare discret X este definit prin selecia

 x1 x2 xk x N

f1 f 2 f k f N

, unde f1 , f 2 , , f k , , f N sunt frecvene absolute (numere naturale),

atunci formula de calculare a lui X are forma X =

x1 f1 x2 f 2 x N f N
.
f1 f 2 f N

Cu ajutorul frecvenelor absolute i a legii de probabilitate se calculeaz frecvenele relative.

C) La foarte multe repartiii statistice exist o legtur direct ntre valoarea medie M ( X ) i
parametrul (sau parametri) care definesc funcia de repartiie. De aceea estimatorul lui M ( X ) se
folosete la estimarea parametrilor, cu ajutorul unei selecii asupra valorilor lui X .
Exemple.
Repartiia discret Poisson. f ( x ; ) =

exp ( )

k
k!

; k 0,1, 2 , , ; 0 .

M ( X ) = ; X (estimator) ; D 2 ( X ) .
Repartiia continu exponenial. f ( x ; ) = exp ( x) ; x 0 ; 0 .
1
1
1
2
M (X ) =
;
(estimator) ; D ( X ) 2 .

2
( x m)
1
exp
; xR.
Repartiia continu normal. f ( x ; m, 2 ) =
2
2 2

M ( X ) = m ; m X (estimator) ; D 2 ( X ) 2 .

7.1.4 Formule de estimare care genereaz estimri cu diepersia minim.

Pentru un parametru R putem gsi o mulime de estimatori nedeplasai N ( x1 , , x N ) ,
aa nct M ( N ) . De aceea cutm estimatorul care asigur dispersia minim. n acest caz
valorile N sunt bine grupate n jurul lui R .
Definiia 5. Fie X o variabil aleatoare cu densitatea f ( x; ) . Fie N o estimaie
nedeplasat a lui R . Dac urmtoarea egalitate este satisfcut
D 2 [ N ( x1 , x 2 , , x N )]

atunci estimaia
minim.

1
ln f ( x; 2

N * M

N ( x1 , , x N ) este numit estimaie

(1)

eficient i aceasta are

dispersia

Egalitatea (1) provine din teorema Rao-Cramer i este condiia necesar i suficient ca o
estimaie s fie eficient.
Algoritmul dispersiei minmime.
1) Folosim variabila aleatoare X cu densitatea f ( x; ) . Funcia f este cunoscut, iar
parametrul este necunoscut.
2) Folosim selecia x1 , x 2 , , x N asupra variabilei X .
3) Alegem estimarorul nedeplasat N ( x1 , , x N ) al lui .
4) Calculm partea stng din egalitatea (1) D 2 [ N ( x1 , x2 , , x N )] .
5) Calculm partea dreapt din egalitatea (1), dup cum urmraz: ln f ( x; ) ;
ln f ( x;

ln f ( x;
M

ln f ( x; )

pentru uurarea redactrii. Apoi calculm N * A i

ln f ( x; )
;

f ( x; ) dx A .

A este o notaie

1
(* este nmulirea din real).
N*A

6) Comparm membrul stng cu membrul drept din (1). Dac egaliatatea (1) este satisfcut,
atunci N are dispersia minim. Deci N este estimator efficient pentru parametrul R .
Observaia 2. Facem o recapitulare a tipurilor de estimaii pe care le-am ntlnit pn acum:
estimaie consistent, estimaie nedeplasat, estimaie absolut corect, estimaie eficient.
7.1.5 Funcia de verosimilitate. Ecuaia de verosimilitate maxim.
Sistemul de verosimiliate maxim.
a) Cazul cu parametrul unidimensional . Fie X o variabil aleatoare cu densitatea de
f ( x; ) sau f ( x; ) , cu R; R k . Tratm cazul cu parametrul
probabilitate
unidimensional.
Pentru X folosim selecia x1 , , xi , , x N .
Definiia 6. Funcia de verosimilitate (unidimensional) se noteaz cu i are forma de
produs
N

f ( x; ) ; ( x1 , x 2 , , x N ; ) f ( xi ; )
i 1

(2)

Proprietate important. Punctele staionare (relative la ) ale funciei coincid cu

punctele staionare ale funciei ln .
Ecuaia verosimilitii maxime are forma

ln
0

(3)

Definiia 7. Notm cu o soluie a ecuaiei (3). Valoarea se numete estimaie cu

verosimilitate maxim pentru parametrul .
b) Cazul cu parametrul multidimensional . Fie r variabile aleatoare X 1 , X 2 , , X r ,
care depind de parametrii 1 , 2 , , k R . Parametrul are dimensiunea k .
Folosim o selecie de volum N de forma
, x N x1N x 2 N x rN T , unde semnul T
x1 x11 x 21 x r1 T ; x 2 x12 x 22 x r 2 T ;
reprezint operaia de transpunere.
Definiia 8. Funcia de verosimilitate (multidimensional) are forma

f ( x; ) ; ( x1 , x 2 , , x N ; 1, 2 , , k )

f ( xi ; 1 , 2 , , k )

, i 1

(4)

Sistemul (de ecuaii) de verosimilitate maxim are forma

ln
ln
ln
0,
0 , ,
0
1
2
k

(5)

Definiia 9. Soluia 1 , , k a sistemului (5) se numete estimare cu verosimilitate

maxim pentru parametri 1 , 2 , , k .
Definiia 10. O estimare care are verosimilitate maxim se numete estimare eficient sau
estimare exhaustiv.
7.1.6 Metode de estimare a parametrilor.
Metoda verosimilitii maxime. Metoda momentelor.
Parametrii necunoscui ai unei densiti de probabil;itate se estimeaz cu ajutorul unei selecii
x1 , , xi , , x N . Exist dou metode principale de estimare a parametrilor.
Metoda 1. Metoda verosimilitii maxime. Algoritmul 1.
a) Alegem cazul f ( x; ) sau f ( x; ) . Forma funciei f este cunoscut, dar parametrul /
parametri sunt necunoscui. Tratm cazul f ( x; ) .
b) Lum o selecie de forma x1 , , xi , , x N .
c) Scriem funcia de verosimilitate (2) i calculm ln .
d) Scriem i rezolvm ecuaia (3)

ln
0.

Obinem soluia

( x1 ,, x N ) .

e) Lum estimarea .
Observaia 3. n cazul f ( x; ) se urmeaz aceeai cale, dar se rezolv sistemul de ecuaii
(5).
Metoda 2. Metoda momentelor. Algoritmul 2.
Reamintim cteva idei i formule legate de variabilele aleatoare unidimensionale, discrete sau
continue.

k xxxx k k

21 ni k x1 2 i xxx n
X ,X ,n N*,k N*,xiR
21 pppp ni p ppp
1 2 ni

 x k xk
X X ,kN*
f (x) xf )(
,

M (X )

, f : R [0, )

n
i 1 xi pi (n cazul discret; ,

M (X )

n
D 2 ( X ) M [( X m X ) 2 ] i 1 ( xi m X ) 2 pi
n

M k ( X ) M ( X k ) i 1 x ik pi
M k (X ) M (X k )

x f ( x ) dx

D2 (X )

(n cazul continuu)

x m X

f ( x) dx

; k 1, M 1 ( X ) M ( X ) (momente necentrate)

f ( x ) dx ;

k 1, M 1 ( X ) M ( X ) (momente necentrate).

a) Alegem cazul f ( x; ) sau f ( x; ) i socotim numrul de parametri ai funciei

cunoscute (ca form) f . Numrul de momente M k , k 1, 2, pe care se bazeaz matoda 2
este egal cu numrul de parametri care trebuie estimai.
b) Scriem formulele pentru toate momentele necesare.
M 1 ( X ) M ( X ) ; M 2 ( X ) M ( X 2 ) etc.
c) Lum o selecie de volum N , de forma x1 , , xi , , x N . Scriem formulele pentru
valorile momentelor de selecie m1

1
N

i 1 x i ; m 2 N i 1 xi2

etc.

d) Scriem sistemul de ecuaii cu parametrul sau parametri necunoscui.

M 1 ( X ) m 1 ; M 2 ( X ) m2 etc.
e) Se rezolv ecuaia de la d) sau sistemul de la d).
Observaia 4. Exixt o anumit frumoas i interesant dualitate de exprimare:
dispersie minim; verosimilitate maxim.
7.1.7 Probleme rezolvate. Estimri cu diepersia minim. Verosimilitate maxim.
Problema 1. Estimare eficient. Dispersie minim. Repartiia normal. Un singur parametru.
Fie X o variabil aleatoare normal
2
X N (m, 2 ) ; f ( x; m, )

1
S se demonstreze c X
N

( x m) 2
exp

2
2 2

N
x
i 1 i

; xR.

este o estimare eficient a valorii medii M ( X ) m .

Soluie. Densitatea de probabilitate are doi parametri

parametrul din expunerea teoretic este parametrul m .
Trebuie s artm c are loc egalitatea (1) din 7.1.4

m and 2 . n aceast problem

1
ln f ( x; 2

N * M

D 2 [ N ( x1 , x 2 , , x N )]

. Din membrul stng obinem succesiv

1
N
x

i
1 i
N
1
1
N
N
1
N

D 2 i 1 xi
D 2 ( xi ) =
D2 (X ) D2
xi

1
i

1
2
2

N
N
2
2
N
1

N
= 2 i 1 2 2
. Din membrul drept obinem succesiv

N ( x1 , , x N ) = X

ln f ( x; m, 2

ln f ( x;
M

( x m) 2

( x m) 2

f ( x; m, 2 ) dx =

2
( x m) dx . Calculm separat integrala notat A
(
x

m
)
exp

4 2
2 2

( x m) 2
2
dx ; artificiul 1: dedublarea lui ( x m) 2
A= ( x m) exp
2

( x m) 2

dx ; artificiul 2: u x m
(
x

m
)
(
x

m
)
exp

A=
2

u
du ; artificiul 3: f g ' dx f g f g ' dx
A= u u exp
2
2

A=

exp
du ;

2
A=

exp( t 2 ) dt

ln f ( x; 2
2
1

M

4
2

artificiul 4: t 2

; artificiul 5: exp( t
1

ln f
N
m

Cei doi membri ai egalitii (1) aunt egali cu

Deci, X

1
N

i 1 xi

) dt

; A=

1
2

1
N

2
.
N

este o estimare eficient a parametrului valoarea medie m , adic

estimarea are dispersie mimim.

Problema 2. Repartiie Poisson discret. Verosimilitate maxim. Un parametru.
Fie X o variabil aleatoare Poisson discret

x
X
f (x;)

x
f ( x; ) e
x!

; x 0,1, 2, 3, ; 0 ;

Folosind selecia x1 , , xi , , x N asupra lui X , s se determine pentru parametrul o

estimaie cu verosimitate maxim.
Soluie. Aplicm metoda verosimilitii maxime, prin algoritmul 1. Construim fruncia de
verosimilitate (2) i obinem succesiv:
N

x1 x 2
xN
A
e
e
=
e N
x1
x2
xN
B
i 1
x

x
1
x
unde, pentru o redactare mai clar, sus la putere am folosit notaia 1
, 2 x 2 etc, iar
A x 1 x 2 x N ; B x 1! x 2 ! x N ! . Cu aceste notaii rezult
ln
0 ; rezolvm aceast ecuaie n
ln ( x1 , x 2 , , x N ; ) N A ln ln B ;

( x1 , x 2 , , x N ; ) f ( x i ; ) = e

N A ;

A
1
;
N
N

i 1 xi X .

Deci parametrul este estimat prin media de selecie X , care este o estimaie nedeplasat
pentru M ( X ) a repatiiei Poisson.
Problema 3. Repartiie normal continu. Verosimilitate maxim. Doi parametri.
Fie X o variabil aleatoare cu repatiie normal, continu

x
X
f ( x; a , b )

; x R; a R; b 0 ; f ( x; a, b)

( x a) 2
exp

b 2
2b2

Folosind selecia x1 , , xi , , x N asupra lui X s se gseasc o estimare cu verosimilitate

maxim pentru cei doi parametri a i b .
Soluie. Aplicm metoda verosimilitii maxime, prin algoritmul 1. Construim fruncia de
verosimilitate (4) i obinem succesiv:
N

( x1 , x 2 , , x N ; a, b) f ( xi ; a, b) =
i 1

bN

( x1 , x 2 , , x N ; a, b)
N

A i 1 x 2
i

1
2

( x a) 2 ( x N a) 2
exp 1
N

2b2
2

A 2a B N a 2
exp
N

2b2

N
; B i 1 xi . Aplicm logaritmul natural

, unde folosim notaiile


A 2a B N a 2
N
ln ( x1 , x 2 , , x N ; a, b) N ln b
ln(2 )

2
2b2

. Folosim metoda

verosimilitii maxime pentru 2 parametii a b , folosim un system de dou ecuaii

B Na
ln
0;
0; B Na 0
a
2b2

2
ln
0 ; N A 2a B N a 0 ; N b 2 A 2 a B N a 2 0
b
b
b3

B
1
; a
N
N

i1 xi X ;

. Rezult

a este media de selecie X pentru X ; media de selecie X

este o estimaie cu verosimilitate maxim.

Pentru parametrul b 2 obinem
A 2aB
1

a2 ;
N
N
N
1
1
N
N
N
i 1 x 2i 2 X N i 1 xi + X 2 = N i 1 x 2i X 2 s 2 , deorece
1
1
N
N 2
( x X ) 2 s 2 . Deci, n parametrul b 2 recunoatem dispersia
xi X 2

i 1 i
i

1
N
N

b2

variabilei aleatoare X.
Rezultatele finale sunt a

1
N

i 1 xi

; b2

1
N

i 1 ( x i X ) 2 s 2 .

Problema 4. Repartiie Bernoulli discret. Verosimilitate maxim. Un parametru. .

Fie X variabil aleatoare discret cu repartiie binomial

x
X
f (x; p)

; x 0,1,2, , n ; p 0 ; f ( x; p) C nx p x (1 p) n x .

Funcia f ( x; p ) C nx p x (1 p ) n x este o funcie nemonoton, cu parametrul p .

Folosind o selecie x1 , , xi , , x N de valori ale lui X s se estimeze parametrul p nct
s aib verosimilitate maxim. ntre numerele naturale n i N nu exist nici o relaie.
Soluie. Folosim algoritmul 1, cu funcia de verosimilitate (2)
( x1 , x 2 , , x N ; p )

formulei am notat

f ( x i ; p) ;

i 1

x 1 x1 , x 2 x 2

( x1 , x 2 , , x N ; p )

f ( x i ; p ) C nx i p x i (1 p ) n x i ,

etc. Rezult

f ( x i ; p) = C nx11 p x11 (1 p) n x11 C nx N 1 p x N 1 (1 p) n x N 1

i 1

( x1 , x 2 , , x N ; p ) A p B (1 p) n B , unde
x1

x2

xN N

A C n 1 C n 2 C n

unde pentru claritatea

N
; B i `1 x i . Logaritmm

ln ( x1 , x 2 , , x N ; p ) ln A B ln p ( n B) ln(1 p ) ; derivm i rezolvm ecuaia

ln
B nB
1
0;

0 ; B np 0 ; p B
p
p 1 p
n
1
N
N
p i `1 x i ; n p i `1 x i . Parametrul p astfel estimat are verosimilitate maxim. El
n
genereaz valoarea medie M ( X ) a variabilei Bernoulli.

Problema 5. Repartiie discret. Verosimilitate maxim. Un parametru.

Fie X variabil aleatoare discret cu repartiia

1 0
X
p 1 p

; p 0.

Folosind o selecie x1 , , xi , , x N de valori ale lui X s se estimeze parametrul p nct

s aib verosimilitate maxim; x i {0 ;1} .
Soluie. Aplicm algoritmul 1. Funcia de verosimilitate are forma
( x1 , x 2 , , x N ; p ) p k (1 p ) N k , deoarece din cele N extracii de k ori a ieit 1 i de
N k a ieit valoarea 0. Logaritmm i obinem succesiv
ln ( x1 , x2 , , x N ; p ) k ln p ( N k ) ln(1 p )
ln
k N k
1
1
0;

0; k N p 0; p k
p
p 1 p
N
N

i 1 x i X .

Estimarea parametrului p are verosimilitate maxim i recunoatem n aceast estimare

chiar valoarea medie a variabilei X .
Problema 6. Repartiie normal continu. Estimare prin metoda momentelor. Doi parametri.
Fie variabila aleatoare normal
2
X N (m, 2 ) , cu densitatea f ( x; m, )

exp(

( x m) 2
2 2

, xR.

Folosind o selecie x1 , , xi , , x N de valori ale lui X s se estimeze parametrii

necunoecui m i 2 .
Soluie. Folosim metoda momentelor. Deoarece exist doi parametri, folosim primele dou
momente (necentrate) ale variabilei aleatoare normale X . Avem
M1 ( X ) M ( X ) m ; M 2 ( X ) M (X 2 ) m2 2 .
Momentele de selecie au forma
m1

1
N

i 1 x i ; m 2 N i 1 xi2 .

2
2
Construim sistemul liniar cu dou ecuaii i dou necunoscute m m 1 ; m m 2 ;

m m1

1
N

i 1 x i ; m 2 2

1
N

i 1 xi2 .

i 2 . Rezult
Rezolvm sistemul i notm soluiile prin m

1
N

i 1 x i =

2
X ;

1
N

totdeauna are loc egalitatea

1
N

i 1 xi2 m 2 N i 1 ( x i m ) 2 2

i 1 ( x i m ) 2 =

1
N

, deoarece

i 1 xi2 m 2 .

Deci, am gsit estimrile

1
N

X
m

i 1 x i ;

1
N

2 s 2

i 1( x i X ) 2 .

Recunoatem formule cunoscute, pe care le-am ntlnit la nceputul seciunii 7.1.3, care
trateaz estimarea nedeplasat a valorii medii i estimarea consistent a dispersiei.
Problema 7. Repartiie beta continu. Estimare prin metoda momentelor. Doi parametri.
Fie variabila aleatoare beta X B (a, b)
f ( x; a, b)

( a b) a 1
x a 1 (1 x ) b 1
x
(1 x) b 1
; x [0,1] , a 0, b 0 .
( a ) (b)
B ( a, b)

Folosind o selecie x1 , , xi , , x N de valori ale lui X s se estimeze parametrii a i b .

Soluie. Folosim metoda momentelor. Deoarece exist doi parametri, folosim primele dou
momente (necentrate) ale variabilei aleatoare normale X . Reamintim cteva formule
z 1 z

( z)

t z 1 e ( z 1) l n t

dt , z C , Re z 0 ;

pentru ramura principal a funciei multiforme ;

(1) 1 ; B ( a, b)

( a ) (b)
.
( a b)

Folosim momentele
M1( X ) M ( X ) m

0 x f ( x; a, b) dx a b
1

M 2 (X ) M (X 2 ) m2 2 = 0 x2
2

f ( x; a, b) ( x m)

f ( x; a, b) dx

dx

ab
( a b) 2 ( a b 1)

. Deci

2
ab
a
a
; M 2 (X )

2
(a b) ( a b 1)
ab
ab
1
1
N
N
m1 i 1 x i ; m 2 i 1 xi2 . Construim sistemul
N
N
M 1 ( X ) m1 ; M 2 ( X ) m2
2
ab
a
1
1
N
N
a
2
x
x i2

=
;
=

i
i 1
i

1
(
a

b
)
(
a

1
)
ab N
N
ab

M1(X )

Rezolvm sistemul neliniar i obinem succesiv

a
1
X ,
ab
N
1
N

i 1 ( x i X ) 2 = N i 1 xi2 X 2

i 1 x i2 = s 2 X 2 .

Deci, sistemul devine

ab
2
a
s2 X 2
=X , X
2
(a b) (a b 1)
ab

; s 2X

1
N

i 1 xi X
N

= s 2 (notaie)

ab

a
X Xb
s2 ;
, X
X
a a X

ab

a X3 b
a (1 X ) X 2 a (1 X )
,
s2 ; b
,
s2 .
X
a a X
X
a
a X

Soluia final este

X (X X 2 s2 )
(1 X ) ( X X 2 s 2 )
b

;
, unde
a
s2
s2
X

cunoscute.

1
N

i 1 x i ;

s2

1
N

i 1 xi X
N

. Totul este exprimat

cu

date (rezultate)