Documente Academic
Documente Profesional
Documente Cultură
Vegheş Ovidiu
email: ovidiuvro2012@gmail.com
2019.12
2 Aplicaţii
Aplicaţie la repartiţia Gama
Aplicaţie la repartiţia Poisson
Aplicaţie la repartiţia uniformă continuă
Aplicaţie la repartiţia normală
Folosirea estimatorilor în cazul repartiţiei normale
3 Bibliografie
Metoda momentelor
Procedeul datorat lui K.Pearson se bazează pe convergenţa în probabilitate a
momentelor de selecţie către momentele teoretice corespunzătoare, adică pe
consistenţa momentelor de selecţie.
Metoda lui Pearson pentru estimarea parametrilor θ = (θ1 , θ2 , . . . , θr ) din
legea de repartiţie f (x; θ) a variabilei observate X constă în formarea unui
sistem de ecuaţii prin egalarea a r momente teoretice cu momente de selecţie
corespunzătoare, unde r reprezintă numărul parametrilor de estimat. De
obicei se iau primele r momente:
mk (θ1 , θ2 , . . . , θr ) = mk∗ (x1 , x2 , . . . , xn ) , k = 1, 2, . . . , r .
Dacă ecuaţiile sunt independente funcţional obţinem
θ̂l = θ̂l (m1∗ (x1 , x2 , . . . , xn ) , . . . , mr∗ (x1 , x2 , . . . , xn )) , l = 1, 2, . . . , r .
Observaţie. În acest caz când numărul n al observaţiilor este mare este suficient ca estimaţia
parametrului necunoscut şă satisfacă condiţia de consistenţă, fără a fi obligatoriu nedeplasată
(dar fiind asimptotic nedeplasată), deoarece eroarea sistematică devine neglijabilă, iar dispersia
estimaţiei va asigura o concentraţie suficient de bună a valorilor ei în jurul parametrului pe care în
estimăm.
Vegheş Ovidiu (email: ovidiuvro2012@gmail.com) C URS 12 - M ATEMATICI APLICATE ÎN ECONOMIE 2019.12 3 / 15
Metode de estimare a parametrilor Metoda verosimilităţii maxime
= n2 (M + M (Xn )) = n2
1 ) + M (X2) + . . .
(X nM (X ) = 2 · θ
2 = θ.
X1 +X2 +...+Xn
D θ̂ = D 2X = 4D X = 4D n
v.a.i. 4 4 4 θ2 θ2
= (D (X1 ) + D (X2 ) + . . . + D (Xn )) = nD (X ) = · = .
n2 n2 n 8 2n
θ̂ = 2X este un estimator nedeplasat pentru că M θ̂ = θ.
θ̂ = 2X este un estimator absolut corect pentru că M θ̂ = θ şi lim D θ̂ = 0.
n→∞
P
θ̂ = 2X este un estimator consistent (θ̂ −→ θ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
Verificăm că este estimatorul este eficient.
∂ ln f (x;θ)
Avem ln f (x; θ) = ln 16 − 2 ln θ + ln x − 4x
θ şi = − θ2 + 4x
.
∂θ θ2
2
∂ ln f (x;θ) 2 2
4X
I (θ) =M =M − θ2 = M 16X4 − 16X + 42
∂θ θ2 θ θ3 θ
16M X 2 16M(X )
2 2
4 16 θ
+ θ2 − 163 θ2 + 42 = 22 .
= − + =
θ4 θ3 θ2 θ4 8 θ θ θ
θ2
1 1
Constatăm că n·I(θ)
= = 2n = D θ̂ .
n· 2
θ2
1
θ̂ = 2X este un estimator eficient pentru că M θ̂ = θ şi D θ̂ = n·I(θ)
.
= n2 (M + M (Xn )) = n2
1 ) + M (X2) + . . .
(X nM (X ) = 2 · θ
2 = θ.
X1 +X2 +...+Xn
D θ̂ = D 2X = 4D X = 4D n
v.a.i. 4 4 4 θ 2θ
= (D (X1 ) + D (X2 ) + . . . + D (Xn )) = nD (X ) = · = n .
n2 n2 n 2
θ̂ = 2X este un estimator nedeplasat pentru că M θ̂ = θ.
θ̂ = 2X este un estimator absolut corect pentru că M θ̂ = θ şi lim D θ̂ = 0.
n→∞
P
θ̂ = 2X este un estimator consistent (θ̂ −→ θ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
Verificăm că este estimatorul este eficient.
∂ ln f (x;θ) x 1
Avem ln f (x; θ) = x (ln θ − ln 2) − ln (x!) − θ2 şi ∂θ = θ − 2.
2 2
∂ ln f (x;θ) X 1 2
= M X 2 − Xθ + 14
I (θ) =M ∂θ =M θ − 2 θ
M X2 M(X )
2
1 1 θ
+ θ2 − θ1 θ2 + 41 = 2θ1
= − + = .
θ2 θ 4 θ2 2
1 1 2θ
Constatăm că n·I(θ)
= = D θ̂ .
1
= n
n·
2θ
1
θ̂ = 2X este un estimator eficient pentru că M θ̂ = θ şi D θ̂ = n·I(θ)
.
V.a. X ∈ U (a, b) are o repartiţie uniformă continuă de parametrii a, b, cu b > a, dacă densitatea ei este
(
eitb −eita
1
fX (x) = b−a , x ∈ [a, b] . Atunci ϕX (t) = (b−a)it
, t 6= 0 , M (X ) = a+b , D (X ) = (b−a)2 .
2 12
1 ,t =0
V.a.X are o repartiţie normală de parametri m ∈ R şi σ > 0 (adică X ∈ N (m, σ)), dacă densitatea ei este
−(x−m)2 σ2 t 2
fX (x) = √1
e 2σ 2 , x ∈ (−∞, +∞) . Atunci ϕX (t) = emit− 2 , M (X ) = m , D (X ) = σ 2 .
σ 2π
Exemplu 4. i) Să se estimeze parametrii repartiţiei normale pe baza unei selecţii de volum n.
ii) Să se studieze proprietăţile estimatorilor obţinuţi.
X1 +X2 +...+Xn
m1∗ = X =
(
m1 = m1∗
n
Soluţie. i-a) Metoda momentelor: formăm sistemul , unde X 2 +X 2 +...+Xn2 .
m2 = m2∗ m2∗ = 1 2
n
Deoarece M (X ) = m şi M X 2 = m2 + σ 2 soluţia sistemului
(
m = m1∗
m̂ = X
este .
m2 + σ 2 = m2∗ c2 = m∗ − (m∗ )2 = S 2
σ 2 1 X
Într-adevăr
n n h
(Xk −X +X )2 (Xk −X )2 +2X (Xk −X )+X 2
P P i
X 2 +X 2 +...+Xn2
2 2 2
m2∗ − (m1∗ )2 = 1 2
n − X = k =1
n −X = k =1
n −X
!
n n n
(Xk −X )2 +2X Xk −nX +nX 2 (Xk −X )2
P P P
2
= k =1
n
k =1
− X = k =1 n = Wn = SX2 .
i-b) Metoda verosimilităţii maxime: Notăm d = σ 2 . Căutăm un punct de maxim local al funcţiei
(m, d) 7→ V (x1 , x2 , . . . , xn ; m, d) sau echivalent (m, d) 7→ L (x1 , x2 , . . . , xn ; m, d).
n
n n −12d
P
(xk −m)2
f (xk ; m, d) = √ 1
Q
Avem V (x1 , x2 , . . . , xn ; m, d) = e k =1 şi
2πd
k =1
√ n
L (x1 , x2 , . . . , xn ; m, d) = ln V (x1 , x2 , . . . , xn ; m, d) = −n ln 2π − n2 ln d − 2d 1
(xk − m)2 .
P
k =1
n n
0 = L0m (.; m, d) = d1 1
P P
(xk − m) m̂ = n
xk = x
k =1 k =1
Pas 1. n implică n .
0 −n 2
1 1
(xk − x)2 = wn
P P
0 = Ld (.; m, d) = 2d + 2 (xk − m) d̂ = n
2d
k =1 k =1
n n
−n −1 −1 P
L00 L00 (xk − m), L00
P
Pas 2. Deoarece mm (.; m, d) = d , md (.; m, d) = dm (.; m, d) = d 2 (xk − m),
d2
k =1 k =1
−n 2
n 0
L00 n 1
(xk − m)2 avem HL .; m̂, d̂ = w
P
dd (.; m, d) = 2d 2 − d 3
. Matricea este pozitiv definită
−n3
k =1 0 2
2w
şi prin urmare punctul m̂, d̂ este punct de maxim local.
(
m̂ = X
În concluzie putem considera estimatorii c2 = W = S 2 pentru aflarea valorilor lui m şi σ 2 .
σ n X
c2
M σ = M SX2 = n−1 n σ
2
(conform Propoziţia 2/Teoria selecţei - Curs 11).
h i
n−1 2(n−1) 4
D σ2
c = D SX = 3 (n − 1) 3σ 4 − (n − 3) σ 4 =
2
σ
n n2
(conform Propoziţia 2/Teoria selecţei - Curs 11).
c2 = S 2 este un estimator deplasat pentru că M σ
σ c2 = σ 2 − 1 σ 2 6= σ 2 . Statistica trebuie corectată.
X
n
Temă: Să se calculeze momentul centrat de ordinul 4: µ4 = M (X − m)4 pentru X ∈ N (m, σ).
Vrem să aflăm valoarea unei constante α ∈ R astfel încât M αSX2 = α n−1 2 2
n σ = σ . Obţinem α =
n
n−1 .
2
c2 =
Studiem proprietăţile estimatorului σ n
n−1 SX = n W
n−1 n = W
n−1 = sX2 .
c2
M σ = M sX2 = σ 2 (conform Propoziţia 3/Teoria selecţei - Curs 11).
h i
D σ2
c = D sX2 = n1 3σ 4 − n−3 n−1 σ
4 2
= n−1 σ4
(conform Propoziţia 3/Teoria selecţei - Curs 11).
c2 = s2 este un estimator nedeplasat pentru că M σ
σ c2 = σ 2 .
X
2 c2 = σ 2 şi lim D σ
σ 2 = sX este un estimator absolut corect pentru că M σ
c c2 = 0.
n→∞
c2 = s2 este un estimator consistent (σ P
σ X
c2 −→ σ 2 ) pentru că o condiţie suficientă este să fie absolut corect.
n→∞
c2 = s2 este eficient pentru aflarea valorilor lui σ 2 .
Temă: Să se cerceteze dacă estimatorul σ X
Indicaţie. 1 = 2 σ 4 < 2 σ 4 = D s2 = D d̂ , unde d = σ 2 . Estimatorul nu este eficient.
n·I(d) n n−1 X
Observaţie. S-a folosit teorema care afirmă că dacă X1 , . . . , Xn v.a.i.i. cu X ∈ N (m, σ),
atunci:
1) X şi sX2 sunt v.a.i.;
2) X ∈ N m, √σn şi sX2 ∈ Γ n−1
2
, 2
n−1
σ2 ;
2
X −m X −m (n−1)sX n−1
3) Z = σ
√
∈ N (m, σ), T = s ∈ tn−1 şi U = σ2
∈ χ2n−1 ≡ Γ 2
,2 .
n √X
n
Bibliografie