Documente Academic
Documente Profesional
Documente Cultură
n multe aplicaii ale statisticii matematice, n tehnic sau tiinele experimentale, exist motivaia teoretic pentru a admite c repartiia variabilei (ce exprim o caracteristic a unei populaii statistice ce se studiaz) este o funcie cunoscut, n care intervin parametri cu valori necunoscute. entru finalizarea aplicaiilor practice, este necesar s se cunoasc repartiia exact, deci trebuie s fie determinate (estimate) valorile parametrilor respectivi, pentru ca le!ea de repartiie s fie complet specificat. ". #biectul teoria estimaiei. $onceptul de estimator. %ie & o variabil aleatoare cu densitatea de probabilitate f ( x ; ) i
x1 , x 2 , ..., x n un eantion de volum n asupra lui &.
resupunem c se cunoate natura repartiiei statistice a unei anumite caracteristici i ne intereseaz care sunt valorile efective ale parametrului n cazul analizat (eventual ale parametrilor n cazul n care sunt mai muli parametri). 'alorile lor adevrate nuse vor cunoate, dar se pot afla estimaii ale lor din datele x1 , x 2 , ..., x n de care dispunem( (parametrul) estimaia (funcie de x1 , x 2 , ..., x n ). )etodele de estimare a parametrilor repartiiilor statistice au drept obiect cutarea unor estimatori * c+t mai buni , , care s implice o form convenabil de calcul (rapiditate de calcul), s necesite un numr c+t mai mic de observaii (din cauza costurilor corespunztoare experimentrii) i care s fie c+t mai apropiat de adevrata valoare a parametrului estimat, deci care s permot concluzionri valide. -ezult de aici c un estimator al parametrului necunoscut al repartiiei F ( x ; ) . notat
= g n ( x1 , x2 ,..., xn )
cu anumite proprieti/ # funcie de valorile de selecie o vom numi statistic. Este clar c valorile statisticii g n trebuie s nu depind de . Exemple de statistici
1n 1 = xi = x n i= 1
^
1n ^ 2 2 = ( xi 1 ) n i= 1
^
se numete dispersie de selecie. utem astfel s definim un estimator ca fiind o funcie g n ( x1 , x 2 ,..., x n ) , unde x1 , x 2 ,..., x n sunt observaiile asupra variabilei & cu repartiia F ( x ; ) , care nu depinde de . )ai exact vorbind, dac f ( x1 , x 2 ,..., x n ) este o funcie de observaiile de selecie i dac
f ( x1 , x 2 ,..., x n )
A ,
n
adic f ( x1 , x 2 ,..., x n ) conver!e n probabilitate ctre 2, atunci f ( x1 , x 2 ,..., x n ) reprezint un estimator al valorii necunoscute 2. 3efiniia ". Estimatorul f ( x1 , x 2 ,..., x n ) al lui 2 se numete absolut corect, dac(
M ( f ( x1 , x 2 ,..., x n )) = A
i
D 2 ( f ( x1 , x 2 ,..., x n )) 0 .
n
3ac M ( f ( x1 , x 2 ,..., x n )) = A + B (n) i B(n) 0 c+nd estimatorul f ( x1 , x 2 ,..., x n ) se numete corect. #bservaie( n ambele cazuri are loc(
f ( x1 , x 2 ,..., x n )
n ,
A .
n
$+t de 4bun, sau c+t de 4slab, este acest estimator, n sensul *apropierii, respectiv *deprtrii, de valoarea real a parametrului vom vedea n cele ce urmeaz. -emarcm faptul c observaiile asupra variabilei & sunt aleatoare, deci rezultatul unei analize statistice . sintetizat n g n . este i el aleator. n mod natural g n ( x1 , x 2 ,..., x n ) nu va coincide cu valoarea lui / la o alt ' ' ' experien, se vor obine alte realizri x1 , x 2 ,..., x n care vor furniza alt valoare pentru statistica g n , deci o alt valoare a estimatorului. 5at motivaia afirmaiei c
3eoarece valoarea observat a unei statistici variaz de la o selecie la alta, o problem important n statistic este determinarea repartiiei statisticii.
M ( ) =
M ( ) =
1 , 2 ,. ., n
^ ^ ^
se numete ir consistent de
9eorema ". #ricare ar fi repartiia variabilei aleatoare &, media i dispersia mediei de selecie sunt(
M ( x ) = M ( X ) = ( = 1 )
i respectiv
D 2 ( x) = 1 2 2 D (X ) = . n n
9eorema 1. )edia de selecie conver!e n probabilitate ctre valoarea medie a variabilei aleatoare & a populaiei. 3emonstraie. 3in ine!alitatea lui $eb+ev rezult( D 2 ( x) 2 , P (| x |< ) 1 = 1 2 n 2 de unde rezult( lim P ( | x | < ) = 1
n
deoarece probabilitatea nu poate fi mai mare dec+t ". #bservaie. 3in teorema precedent retult c media de selecie este un estimator consistent pentru parametrul .
metoda verosimilitii maxime/ metoda celor mai mici ptrate/ metoda bazat pe intervale de ncredere.
)etoda momentelor
)etoda momentelor, propus de :. earson n ";<", este cea mai veche i tot odat cea mai simpl metod pentru estimarea parametrilor. $onsiderm x1 , x 2 ,..., x n o selecie dintr.o populaie n care caracteristica ce se cerceteaz este o variabil aleatoare & av+nd funcia de frecven (cazul discret) sau densitatea de repartiie (cazul continuu) f ( x; 1 , 2 ,..., k sunt = parametri ce trebuiesc estimai/ 1 , 2 ,..., k ) unde = ( , ,..., ), k 1 notm . 1 2 k )etoda momentelor const n urmtorele( ^
j ( j = 1, 2,..., k ) /
1n j j = xi , ( j = 1, 2,..., k ) n i= 1
j i se e!aleaz cu momentele teoretice j = M ( X ), j = 1, 2,..., k , care sunt, n !eneral funcii de parametrii 1 , 2 ,..., k / j M ( X ) = g j (1 , 2 ,..., k ), j =1, 2,..., k . - Estimatorii parametrilor 1 , 2 ,..., k prin metoda momentelor se obin rezolv+nd ecuaiile(
g j ( 1 , 2 ,..., k ) = j , j = 1, 2,..., k ,
dac acestea sunt funcional independente i
j = kj( 1, 2,. , k)
m= = x
2 2
^ ^^ ^
Exemplul ". %ie x1 , x 2 ,..., x n o selecie de volum n dintr.o populaie de medie m i dispersie 2 . rimele dou momente ale populaiei sunt( M ( ) = m = g1 (m , 2 ) / M ( 2 ) = m 2 + 2 = g 2 ( m, 2 ) . Estimaiile parametrilor m i 2 se obin ca soluii ale sistemului( ^ , 1
1n 2 m + = 2 = xi . n i= 1
^
-ezult(
m = 1 = x = h1( 1, 2)
^2 ^ ^
^^
^^
^ ^ 1 1 2 2 = 2 ( 1) = x x = (xi x) = h2( 1 , 2) n i= 1 n i= 1 2 2 i
b +a = g 1 ( a , b) / 2 b 2 + ab + a 2 M ( 2 ) = = g 2 (a , b) / 3 M ( ) =
Exemplul 1. %ie x1 , x 2 ,..., x n o selecie de volum n asupra variabilei aleatoare repartizat uniform pe intervalul (a, b). 2vem(
b+ a / 2 2 ^ b + ab + a 2 . 2= 3
1=
-ezult(
3(n 1) a = 1 3( 2 1 ) = x a n
^ ^ ^ ^2
3(n 1) b = 1+ 3( 2 1 ) = x + s n
^ ^ ^ ^2
n 1 2 ( 1 )2 = s 2 / n
^ ^
1 n s = ( xi x ) 2 . n 1 i =1
2
(")
)etoda verosimilitii maxime const n a considera ca estimaii ale parametrilor, acele valori ale acestora care maximizeaz funcia de verosimilitate maxim (") / funcia (") ca funcie de parametrii poart numele de funcie de verosimilitate. 3eci, valoarea cea mai verosimil pentru parametrul este aceea pentru care P ( x1 , x 2 ,..., x n ; ) este maxim. %ie * o valoare a lui pentru care P ( x1 , x 2 ,..., x n ; ) este maxim/ n !eneral * depinde de x1 , x 2 ,..., x n , adic * = * ( x1 , x 2 ,..., x n ) . 'om elimina valorile lui * care nu depind de x1 , x 2 ,..., x n i vom considera ca estimatori ai lui numai valorile lui * care sunt funcii de x1 , x 2 ,..., x n . )aximul lui P ( x1 , x 2 ,..., x n ; ) are loc are loc n acelai timp cu maximul lui ln P ( x1 , x 2 ,..., x n ; ) . 2tunci funcia de estimaie sau, cu alte cuvinte, estimatorul de verosimilitate maxim * verific ecuaia( n ln P( x1 , x 2 ,..., x n ; ) ln f ( xi , ) = =0 (1) i =1 n cazul n care avem de estimat un sin!ur parametru sistemul de ecuaii se reduce la( n d ln f ( xi , ) = 0. d i =1 Exemple( ". >e propunem s estimm proporia de indivizi, dintr.o populaie, care au o anumit caracteristic. $onsiderm o selecie de n indivizi din aceast populaie i observm numrul de indivizi care au proprietatea respectiv. 2sociem fiecrui individ o variabil aleatoare care poate lua valoarea " sau ? dup cum individul respectiv posed sau nu caracteristica cercetat. %uncia de frecven a variabilei aleatoare este( f ( x, ) = x (1 )1x ; x = 0 ,1 . entru o selecie de n indivizi, observaiile asupra lui vo fi x1 , x 2 ,..., x n , deci(
P ( x1 , x 2 ,..., x n ; ) = i =1 (1 ) -ezult c(
n i =1
xi
xi .
i =1
ln P( x1 , x 2 ,..., x n ; ) = xi ln + ( n xi ) ln(1 )
i =1
i
n ln P 1 n 1 = xi (n xi ) . i =1 1 i =1 3in
rezult(
ln P =0
1n = xi . n i= 1
^
#bservaie( 3eoarece(
1 M ( ) = n M ( ) = n
^
care posed caracteristica respectiv. 1. >e propunem s estimm parametrul al repartiiei oisson, in+nd deci seama de faptul c( k P ( x ; ) = e , k = 0 , 1, 2 ,... pe baza unei selecii repetate robabilitatea ca s avem( 1 , 2 ,..., n . 1 = x1 , 2 = x 2 , ..., n = x n , valorile x1 , x 2 ,..., x n fiind ntre!i nene!ativi este(
P ( x1 , x 2 ,..., x n ; ) = e n
k!
xi
i =1
xi !
i =1
1n = xi . n i= 1
^
7. %ie x1 , x 2 ,..., x n o selecie de volum n dintr.o populaie n care caracteristica ce se cerceteaz este o variabil aleatoare av+nd o repartiie >(m, 2 ) / m i 2 sunt parametrii necunoscui ce urmeaz a fi estimai. %uncia de verosimilitate este(
n
P ( x1 , x 2 ,..., x n ; m , 2 ) =
deci
1 (2 )
n/2
1 2
2
( xi m ) 2
i =1
,
n
n n 1 ln P ( x1 , x 2 ,..., x n ; m , ) = ln(2 ) ln 2 2 2 2 2 0istemul de ecuaii de verosimilitate maxim este( ln P 1 n = 2 ( x i m) = 0 / m i =1 n ln P n 1 = + ( x i m) 2 = 0 / 2 2 2 2( 2 ) 2 i =1 care furnizeaz soluia(
2
( x
i =1
m) 2 .
1n m = xi / n i= 1 ^2 1 n 1n 2 = ( xi xi ) . n i= 1 n i= 1
^
3eoarece
rezult c
m
^2
n continuare avem(
1n 2 1 n 2 1n 2 1 n 2 M ( ) = M ( xi 2 ( xi ) ) = M ( xi ) 2 M ( xi ) , n i= 1 n i= 1 n i= 1 n i= 1
dar M( 1 n 2 1 n 1 n 2 x ) = M ( x ) = M ( 2 ) = M ( 2 ) , i n i n i =1 n i =1 i =1
1n 1 n M ( xi ) = 2 M ( xi2 + 2 xi x j ) = n i= 1 n i= 1 i, j = 1
i j
1 n 1 n 1 M ( ) = M ( 2 ) [ M ( 2 ) + M 2 ( )] = [M ( 2 ) M 2 ( )] = n n n
^2
n 1 2 , n
>e limitm la a prezenta cazul n care mediile variabilelor aleatoare sunt funcii liniare de parametri, deci(
mi (1 , 2 ,..., k ) = aij j = a i11 + a i 2 2 + ... + a ik k , 1 i n
k j =1
unde ai@ sunt constante cunoscute, j sunt parametrii necunoscui, iar dispersiile sunt e!ale( 2 2 12 = 2 = ... = n = 2 (necunoscut), prin urmare, funcia care se minimizeaz este( F (1 , 2 ,..., k ) = ( i ai11 a i 2 2 ... a ik k ) 2 minim.
i =1 n
F = 0 , (1 j k ) , j
sau
Q j b j11 b j 22 ... b jk k = 0 , 1 j k
(7)
Q j = a1 j 1 + a 2 j 2 + ... + a nj n /
b ji = a1 j a1i + a 2 j a 2i + ... + a nj a ni / 1 i k .
1 , 2 , . ., k
^ ^
0punem c funcia liniar parametric( ' = l11 + l 22 + ... + l k k unde l1 , l 2 ,..., l k sunt coeficieni cunoscui este estimabil dac exist un estimator nedeplasat pentru . 3ac este estimabil, estimatorul su nedeplasat de minim dispersie este dat de(
= l1 1+ l2 2+ . + lk k
^
^ ^ ^ ^
3eoarece fiecare
^ j
= 1 Q1 + 2 Q2 + ... + k Qk
rezult c
D ( ) = (l1 1 + l2 2 + ... + lk k ) 2 .
2
P({
unde nu depinde de . 3ac numrul este foarte apropiat de ", atunci ine!alitatea (A) este ndeplinit n ma@oritatea cazurilor.$um ns este cuprins ntre I ( x1 , x 2 ,..., x n ) i S ( x1 , x 2 ,..., x n ) , rezult c am !sit un interval care acoper pe cu o probabilitate , apropiat de ". $u c+t acest interval este mai mic i probabilitatea este mai mare, cu at+t avem o indicaie mai precis cu privire la valoarea lui . 3ac I i S sunt astfel nc+t pentru un dat, 0 < < 1 , s avem(
P({
(B)
atunci (I , S ) se numete 4interval de ncredere, pentru parametrul . -elaia (B) trebuie citit astfel( 4cu probabilitatea 1 intervalul (I , S ) acoper adevrata valoare a parametrului , i nu 4probabilitatea ca s se !seasc n intervalul (I , S ) este 1 ,, deoarece parametrul este fix, fiind un numr real (de cele mai multe ori pozitiv) i nu o variabil aleatoare. 5ntervalul de ncredere este o variabil aleatoare/ valoarea 1 se numete 4coeficient de ncredere,, iar expresia S ( x1 , x 2 ,..., x n ) I ( x1 , x 2 ,..., x n ) este 4lun!imea intervalului de ncredere,. 5ntervalele de ncredere pot fi determinate n urmtoarele dou cazuri( a). resupunem c exist o funcie g ( x1 , x 2 ,..., x n ;) aa nc+t probabilitatea ca s avem( a g ( x1 , x 2 ,..., x n ;) b nu depinde de . 0e pot !si atunci dou numere a () i b() care depind de aa nc+t P ( a ( ) g ( x1 , x 2 ,..., x n ; ) b( )) = unde ale!em pe c+t mai apropiat de ". n ipoteza c funcia g ( x1 , x 2 ,..., x n ;) este o funcie strict monoton n raport cu (pentru precizarea lucrurilor vom considera funcia strict cresctoare raport cu ) exist o valoare unic A( x1 , x 2 ,..., x n ; ) astfel nc+t ine!alitile( a () g ( x1 , x 2 ,..., x n ; ) A( x1 , x 2 ,..., x n ; ) s fie echivalente i de asemenea o valoare unic B ( x1 , x 2 ,..., x n ; ) astfel nc+t ine!alitile( g ( x1 , x 2 ,..., x n ;) b( ) B ( x1 , x 2 ,..., x n ; ) s fie evchivalente. -ezult atunci c ine!alitile( a ( ) g ( x1 , x 2 ,..., x n ;) b( ) sunt echivalente cu ine!alitile( A( x1 , x 2 ,..., x n ; ) B ( x1 , x 2 ,..., x n ; ) . 2tunci putem scrie(
prin urmare am determinat un interval de ncredere C2, DE pentru . b). resupunem c g ( x1 , x 2 ,..., x n ) este o statistic a crei funcie de repartiie este cunoscut (notat H ( x, ) ) i c acest funcie de repartiie admite o densitate de probabilitate continu (notat h( x, ) ). %ie r i s dou numere pozitive aa nc+t r F s G" i a1 ( ; ) , b1 ( ; ) dou funcii de i pentru care au loc relaiile(
a1 ( , )
P ( A( x1 , x 2 ,..., x n ; ) B ( x1 , x 2 ,..., x n ; )) =
h ( x ,) dx = r (1 )
a
b
(H) (I)
b1 (, )
h ( x , ) dx = s (1 )
(;)
h( x,) dx =1 .
a
h ( x, ) dx = .
(<)
2rtm c dac funciile a1 ( ; ) i b1 ( ; ) sunt respectiv descresctoare i cresctoare n raport cu , se poate construi un interval de ncredere pentru . ntr.adevr, n baza relaiei (<) putem scrie( P ( a1 ( , ) g ( x1 , x 2 ,..., x n ) b1 ( , )) = , deci probabilitatea ine!alitii( a1 ( , ) g ( x1 , x 2 ,..., x n ) b1 ( , ) ("?) nu depinde de . %uncia a1 ( ; ) fiind descresctoare n raport cu , exist, analo! ca n cazul a), un numr A( x1 , x 2 ,..., x n ; ) astfel c ine!alitile( A( x1 , x 2 ,..., x n ; ) a1 ( , ) g ( x1 , x 2 ,..., x n ) s fie echivalente i la fel, funcia b1 ( ; ) fiind cresctoare n raport cu , exist un numr B ( x1 , x 2 ,..., x n ; ) astfel nc+t ine!alitile( B ( x1 , x 2 ,..., x n ; ) g ( x1 , x 2 ,..., x n ;) b1 ( , ) s fie echivalente. -ezult atunci c ine!alitatea ("?) este echivalent cu ine!alitatea( A( x1 , x 2 ,..., x n ; ) B ( x1 , x 2 ,..., x n ; ) i prin urmare P ( A( x1 , x 2 ,..., x n ; ) B ( x1 , x 2 ,..., x n ; )) = , ceea ce exprim faptul c am determinat intervalul de ncredere C2, DE pentru parametrul . Exemple( (i). $azul repartiiei normale >(m, ").
n acest caz densitatea de probabilitate este( ( x m ) 2 1 f ( x; m) = e 2 . 2 1 n x m $onsiderm statistica unde x = xi . n n i =1 'om demonstra c aceast statistic aparine clasei N (0 , ce rezult din teorema urmtoare. 9eorema 7. 3ac repartiia teoretic are media media i dispersia mediei de selecie
x
1 ) , afirmaie n
3emonstraie. n 1 1 n 1 M ( x) = M ( xi ) = M ( xi ) = nm = m / n n i =1 n i =1 n n 1 1 M ( x m) 2 = M ( xi m) 2 = 2 M [ ( xi m)] 2 = n i =1 n i =1 2 n 1 = 2 M ( ( x i m) 2 = . n n i =1 2m folosit faptul c n cazul seleciilor repetate variabilele aleatoare , 1 2 ,..., n sunt independente i au aceeai repartiie cu variabila aleatoare (caracteristica studiat). 0tatistica considerat este descresctoare n raport cu m i repartiia ei nu depinde de m , prin urmare, suntem n condiiile cazului a), deci putem construe un interval de ncredere pentru parametrul m . 2vem relaia( n x b x m n 2 P ( ) = e dx . n 2 utem ale!e numerele i astfel nc+t s aib loc e!alitatea( n x n ("") e 2 = , 2 fiind un numr apropiat de ", de unde rezult c(
2 2 2 2
P (
x m n
) =
sau
P ( x n m x n ) = . 2m construit astfel intervalul de ncredere
[ x n , x n ]
pentru parametrul m. #bservm c se pot obine o infinitate de intervale de ncredere pentru parametrul m, toate cu aceeai probabilitate , deoarece numerele i verific o sin!ur condiie (""). entru ale!erea intervalului cel mai convenabil exist criterii asimptotice n teoria testelor de verificare a ipotezelor. (ii). $azul repartiiei normale >(?,
).
3ensitatea de probabilitate este, n acest caz( . 2 $onsiderm statistica( 2 2 x12 + x 2 + ... + x n 2 care aparine clasei J(n ,"), dup cum rezult din teorema urmtoare( 9eorema A. 3ac variabilele aleatoare independente 1 ,..., s aparin 2 2 clasei >(?, ), atunci variabila = 1 + ... + s aparine clasei J(s , ). 3emonstraie. 3eterminm, pentru nceput, funcia caracteristic a 2 variabilei j , 1 j s . 2vem pentru x ?( e
P ( < x) = P ( x < j < x ) =
2 j
f ( x; ) =
x2 2 2
y2 2 2
dy =
e
0
y2 2 2
dy .
x
M (e
2 j ti
)=
xti e x
1 2
x 2 2
x
0
p 1
e ax dx =
M (e
2 j ti
) = (1 2 2 ti )
2 j ti
) = (1 2 2 ti )
s 2
adic funcia caracteristic a repartiiei J(s , ). 9eorema este demonstrat. 0tatistica considerat este descresctoare n raport cu i repartiia ei nu depinde de , deci suntem n cazul a), deci putem construi un interval de ncredere pentru parametrul . 2vem relaia( n x 2 2 1 x12 + x 2 + ... + x n 1 2 2 P ( ) = n x e dx . 2 n 2 2 ( ) 2
2le!em numerele i astfel nc+t( n x 1 1 x 2 e 2 dx = , n 2 n ( ) 2 fiind un numr apropiat de ". -ezult deci c( 2 2 x12 + x2 + ... + x n P( ) = 2 sau
P(
xi2
i =1
ceea ce nseamn c am determinat o infinitate de intervale de ncredere pentru parametrul , toate cu aceeai probabilitate .
(iii). $azul repartiiei normale >(m,
x
i =1
2 i
)=
).
f ( x; m, ) =
( x m ) 2 2 2
unde(
x1 + x 2 + ... + x n ( x x) 2 + ... + ( x n x) 2 , 2 = 1 . n n 0tatistica considerat aparine clasei 0(n.") i repartiia ei nu depinde de . 2ceste afirmaii rezult din urmtoarele dou teoreme. 9eorema B. n cazul seleciilor repetate de volum n pentru o caracteristic normal N ( m , ) sunt adevrate afirmaiile( ) . (i). )edia de selecie x aparine clasei N ( m , x=
(ii). 'ariabilele i 2 (momentul centrat de selecie de ordinul doi) sunt independente i n 2 aparin clasei H ( n 1, ) . (iii). 3ensitatea de probabilitate a variabilei = 2 este(
x e , x 0. n 1 2 ( ) 2 3emonstraie. 2firmaia (i) a fost demonstrat. entru a demonstra (ii) putem presupune m G ? , deoarece momentul de selecie 2 este invariabil la o schimbare a ori!inii. Este cunoscut c(
n 1 2 n 1
f ( x) =
2n
n 1 2
n 2
nx 2 2
2 =
i
i n 1 n2 1 , 2 i=2 i =3 ( xi x) = ( x1 ) + ( x2 ) 2 + ... + ( x n 1 x n ) 2 n n 1 n 1 n2 2 i =1 de unde rezult( n i 2
x
n
x
n
xi . 1 n n 1 n2 1 2 2 2 2 i=2 i =3 x = ( x ) + ( x ) + ( x ) + ... + ( x x ) i 1 2 n 1 n n i =1 n n 1 n 1 n2 2 i =1 n membrul al doilea al e!alitii ultime avem o sum de n forme patratice pozitiv definite, fiecare av+nd ran!ul e!al cu ". 3eoarece suma ran!urilor acestor forma ptratice pozitiv definite este e!al cu n iar variabilele x k , 1 k n aparin clasei N (0 , ) , variabilele(
n 2 i
xi
1 =
xi n 1 , i =2 ( x1 ) n n 1 xi n2 , i =3 ( x2 ) n 1 n2
1 ( x n 1 x n ) , 2
n n
2 =
....................................
1
n 1 =
xi n i =1 sunt independente. 3in faptul c( 2 + 22 + ... + n21 2 = i n rezult independena variabilelor x i 2 . entru a demonstra (iii) observm c( M (k ) = 0 i D 2 ( k ) = 2 , 1 k n , deci variabila aleatoare n 2 aparine clasei H ( n 1, ) i funcia de repartiie a variabilei = 2 va fi(
n =
t e dt , x 0 . n 0 2 ( ) 2 3eriv+nd n raport cu x obinem densitatea de probabilitate a lui . 9eorema H. n cazul seleciilor repetate de volum n pentru o caracteristic normal variabila
P ( < x) = P (n 2 < nx ) =
2 n 1 2 2 2 n 1
nx 2
n 3 2
= n 1
aparine clasei 0(n."). 0tatistica fiind descresctoare n raport cu m suntem n condiiile cazului a), prin urmare avem( n ( ) n x m x 2 2 2 P( n 1 ) = ( 1 + ) n 1 dx . n 1 2 (n 1)( ) 2 2le!em numerele i astfel ca n ( ) n x 2 2 2 ( 1 + ) n 1 dx = , n 1 (n 1)( ) 2 fiind un numr apropiat de ". -ezult deci c(
P ( n 1 x m
) =
sau
P( x
2 m x 2 ) = . n 1 n 1
utem obine o infinitate de intervale de ncredere pentru parametrul m, toate cu probabilitatea . 2ceste intervale sunt determinate oricare ar fi valoarea lui , care este deci un parametru inutil. 3eterminm acum un interval de ncredere pentru . $onsiderm statistica ( x1 x) 2 + ... + ( x n x) 2 2 care aparine clasei J(n L", ")/ statistica este descresctoare n raport cu i repartiia ei nu depinde de , deci suntem n condiiile cazului a), aadar putem construi un interval de ncredere pentru parametrul . 2vem relaia(
P (
(x
i =1
x) 2 ) =
n 1 2
n 3 2
e dx .
x 2
1 n 1 n 2 ( x x ) ( xi x ) 2 = . i i =1 i =1 #binem i de aceast dat o infinitate de inervale de ncredere pentru parametrul , care se pot determina oricare ar fi valoarea lui m/ parametrul m este, n acest caz, un parametru inutil.