Teoria selectiei - Teoria estimatiei Selectii

Fie un experiment aleator caruia ii atasam variabila aleatoare (caracteristica) . Daca repetam experimentul de n ori in mod independent obtinem un sir de valori de observatie ale variabilei aleatoare notate . avand functia de (mai precis

Definitie. Multimea valorilor de observatie ale variabilei aleatoare asupra valorilor variabilei ) cu functia de repartitie F.

repartitie F, se numeste selectie de volum n efectuata asupra variabilei aleatoare

Selectia poate fi cu intoarcere sau fara intoarcere; in primul caz elementul extras din populatie este reintrodus la loc inainte de alegerea elementului urmator, iar in al doilea caz elementele alese nu se mai reintroduc in populatia generala. Daca volumul populatiei generale este suficient de mare, iar volumul selectiei suficient de mic, deosebirea dintre cele doua tipuri de selectie este foarte mica, iar in aplicatii practice o selectie fara intoarcere este considerata ca selectie cu intoarcere. Vom spune ca o selectie este reprezentativa daca toate valorile de selectie probabilitate de a intra in componenta ei. Functia de repartitie de selectie Fie o variabila aleatoare de volum n efectuata asupra lui cu functia de repartitie F. Sa presupunem ca avem o selectie . , au aceeasi

Definitie. Daca reprezinta numarul observatiilor in care a aparut o valoare a caracteristicii mai mica decat x vom numi functie de repartitie de selectie, functia definita prin relatia (7.1.) Exemplul 1. Se efectueaza o selectie de volum n=100 asupra unei variabile aleatoare furnizeaza valorile 1, 5, 9, 12 cu frecventele Functia de repartitie va fi: . care ne

Legatura dintre functia de repartitie teoretica si functia de repartitie de selectie este data de urmatoarea teorema a lui V. I. Glivenko, care ne furnizeaza si justificarea teoretica a utilizarii metodei selectiei. Teorema 1. Daca volumul selectiei marimea (7.2.) converge in probabilitate catre zero. Cu alte cuvinte, pentru frecventa relativa a evenimentului converge in probabilitate catre probabilitatea acestui eveniment (adica F(x)). (adica )

Deci pentru n suficient de mare functia de repartitie de selectie ne da o imagine suficient de precisa despre functia de repartitie teoretica. Valori tipice de selectie Momente de selectie. Numim moment de selectie de ordinul r variabila aleatoare: (7.3.) In particular, valoarea medie de selectie este: (7.4.) Momentul centrat de selectie de ordinul r este: (7.5.) Rezulta de aici dispersia de selectie: (7.6.)

Teorema 2. Daca repartitia teoretica are medie m si dispersia valoarea medie m si dispersia .

, atunci media de selectie are

Teorema 3. Momentele centrate ale variabilei normale cand .

tind catre momentele repartitiei

Teorema 4. Valoarea medie si dispersia momentului de selectie de ordin r, si .

sunt respectiv

Teoria estimatiei Sa consideram ca avem o selectie dintr-o populatie data a carei functie de repartitiei teoretica are o forma matematica cunoscuta, in care intra anumiti parametri cu valori necunoscute. Exista o infinitate de functii de selectie (statistici) care pot fi propuse ca estimatii pentru parametrii necunoscuti, dar trebuie alese acelea care dau cea mai buna aproximare a parametrilor. De exemplu, sa presupunem ca studiind un fenomen ajungem la concluzia ca repartitia lui este normala deci:

Pentru aplicatii practice trebuie sa determinam valorile numerice ale celor doi parametri m si

Repartitia exprimata printr-o functie data in care intra anumiti parametri necunoscuti se spune ca este o lege de repartitie specificata. Daca cunoastem valorile numerice ale parametrilor avem o lege de repartitie complet specificata. Deci o lege de repartitie nespecificata corespunde unei legi de repartitie necunoscute. Determinarea valorilor parametrilor unei repartitii specificate se face cu ajutorul unei selectii de volum n care conduce la valorile legate de variabila studiata.

In cele ce urmeaza ne vom ocupa de repartitii specificate care depind de un singur parametru. Deci functia de repartitie teoretica contine un singur parametru necunoscut din colectivitate ne-a dat estimatia procedeul obtinem estimatiile Deci o estimatie . Estimatii consistente, corecte si absolut corecte, nedeplasate, deplasate Fie un parametru al colectivitatii generale (medie, dispersie, mediana etc.) si functie de selectie. Definitie. Daca este o estimatie consistenta a lui Definitie. Daca: . converge in probabilitate catre parametrul , spunem ca o a lui . poate fi privita ca o variabila aleatoare cu valorile posibile . O selectie de volum n etc. Repetand alta selectie de volum n ne da estimatia

(7.7.)

spunem ca

este o estimatie absoluta corecta a parametrului

Teorema 5. Momentele de selectie sunt estimatii absolut corecte ale momentelor teoretice. Teorema 6. Dispersia de selectie este o estimatie consistenta pentru dispersia teoretica. Exemplul 4. Fie o schema de tip Bernoulli cu doua stari. In n observatii independente ori, . Sa se estimeze p si p2 cu ajutorul lui .

evenimentul A apare cu probabilitatea p de

R. Verificam daca

este o estimatie a lui p. Avem:

Deci Avem:

este o estimatie absolut corecta a lui p.

deci corecta.

, dar

nu este o estimatie absolut corecta a lui p, este numai o estimatie

Functii de estimatie eficiente. Metoda verosimilitatii maxime De multe ori o estimatie nedeplasata nu ne da cea mai buna aproximare a parametrului de estimat. Valorile posibile ale estimatiei lui o eroare alegand pot fi mult imprastiate in jurul valorii medii (daca . si atunci este , deci se face mare), iar estimatia calculata de o selectie data poate fi indepartata de valoarea medie a lui ca estimatie pentru

Daca este o estimatie absolut corecta pentru parametrul inegalitatea lui Cebisev:

da un criteriu pentru alegerea estimatiilor si anume: alegem acea estimatie care are dispersia minima. Fie raport cu o familie de densitati de probabilitate ale unei repartitii specificate continue, cu si existenta derivatelor acestor functii in pana la ordinele necesare calculelor. este o estimatie absolut corecta a parametrului

parametrul real. Vom admite continuitatea functiilor

Teorema 7. (Rao-Cramer). Daca , atunci:

(7.8.)

Egalitatea are loc daca si numai daca exista o constanta k, ce depinde de n si aproape sigur:

, asa incat,

. Definitie. O estimatie absolut corecta eficienta daca are dispersia minima. Daca a parametrului se numeste estimatie

este o functie de estimatie absolut corecta, raportul:

(7.9.)

se numeste eficienta lui Se observa ca:

. . Daca , estimatia este eficienta. cu

Exemplul 6. Caracteristica a elementelor unei populatii are o repartitie normala m cunoscut si necunoscut. Consideram ca estimatie a acestui parametru:

unde variabilele aleatoare lui .

sunt independente si au aceeasi repartitie ca

. Sa se determine eficienta

R. Avem:

Deci

este o estimatie absolut corecta a lui

. Eficienta sa este:

Deci

nu este cel mai eficient estimator. sunt egale aproape sigur.

Teorema 9. Doua estimatii eficiente ale parametrului Fie repartitia de tip continu de selectie unde

poate lua orice valoare dintr-un interval I. Valorile

obtinute in urma a n extractii independente din populatie sunt variabile aleatoare . Fiecare selectie o consideram ca , iar probabilitatea elementara a vectorului

independente cu aceeasi densitate de probabilitate un punct in spatiul de selectie n-dimensional este:

(7.10.) Definitie. Functia se numeste functie de verosimilitate. este un punct

Definitie. Estimatia se numeste estimatie de verosimilitate daca de maxim pentru functia de verosimilitate. Rezulta ca este o solutie a ecuatiei: (7.11.) Ecuatia (7.11.) se numeste ecuatie de verosimilitate. Teorema 10. Orice estimatie eficienta a parametrului maxima.

este o estimatie de verosimilitate

Exemplul 8. Fie repartitia normala cu densitatea de probabilitate: se estimeze media m. R. Avem:

. Sa

. Din teorema 7.7. rezulta ca:

este o functie de estimatie eficienta a lui m deoarece:

si

, Rezulta ca

este o estimatie absolut corecta. Functia de verosimilitate este:

iar din ecuatia verosimilitatii maxime ln P=0 rezulta

sau