CURS 12

Metode statistice de estimare a parametrilor care caracterizează evoluția

fenomenelor economice
Metode de estimare punctuală a parametrilor:

• metoda momentelor și
• metoda verosimilității maxime

Există situații în care se cunoaște legea de repartiție, dar nu se cunosc toți parametrii repartiției
respective.

Exemple:

• Repartiția normală N (m,σ)

• Repartiția Gamma Γ (a,b)
Dar scopul cercetării statistice este de a cunoaște exact (sau cât mai exact) legea de repartiție.
Aproximarea acestor parametri se face pe baza datelor de selecție și poartă denumirea de
estimare a parametrilor.

Se cunosc două metode statistice de estimare a parametrilor.

I Metode de estimare punctuală

1. Metoda momentelor
2. Metoda verosimilității maxime

II Intervale de încredere

Presupunem că studiem o caracteristică a unei populații. Această caracteristică este modelată

printr-o variabilă aleatoare X cu legea de repartiție f(x ;θ), unde θ este un parametru necunoscut.

Fie o selecție de volum n: X1, ..., Xn efectuată asupra unei populații. Ne propunem să estimăm
parametrul θ din legea de repartiție f(x ;θ). Se obțin valorile de selecție x 1, ..., xn.

Se numește statistică o funcție de variabilele aleatoare X1, ..., Xn notată θn (X1, ..., Xn).

Se numește estimator al parametrului θ al repartiției f(x ;θ) o statistică θ n (X1, ..., Xn) determinată
pe baza unei metode de estimare.

Se numește estimație a parametrului θ valoarea statisticii θ n (X1, ..., Xn) pentru valorile
determinate x1, ..., xn.

1
Tipuri de estimatori

Statistica θn (X1, ..., Xn) se numește:

1. Estimator absolut corect al lui θ dacă

a. M ( θn (X1, ..., Xn) ) = θ
b. lim D ( θn (𝑋1 , . . . , 𝑋𝑛 ) ) = 0.
𝑛→∝
2. Estimator corect al lui θ dacă:
a. lim M ( θn (𝑋1 , . . . , 𝑋𝑛 ) ) = θ
𝑛→∝
b. lim D ( θn (𝑋1 , . . . , 𝑋𝑛 ) ) = 0.
𝑛→∝
3. Estimator nedeplasat al lui θ dacă:
M ( θn (X1, ..., Xn) ) = θ .
4. Estimator deplasat al lui θ dacă:
lim M ( θn (𝑋1 , . . . , 𝑋𝑛 ) ) = θ.
𝑛→∝

Propoziție
Media de selecție este un estimator absolut corect pentru media m a oricărei populații.
Dispersia de selecție este un estimator corect pentru dispersia σ2 a oricărei populații.
Dispersia de selecție corectată este un estimator absolut corect pentru dispersia σ2 a
oricărei populații.

I Metode de estimare punctuală

1. Metoda momentelor - propusă de Karl Pearson (1857 – 1936), unul din fondatorii statisticii
matematice

Fie legea de repartiție f(x ;θ) a variabilei aleatoare X, care depinde de un parametru necunoscut
θ.

Metoda momentelor constă în următoarele etape:

1. Fie o selecție de volum n: X1, ..., Xn cu valorile de selecție x1, ..., xn.
2. Rezolvăm ecuația 𝑋̅ = 𝑀 (𝑋),
unde 𝑋̅ este media de selecție și M (X) este media variabilei aleatoare (teoretice ) X.
Dacă ecuația 𝑋̅ = 𝑀 (𝑋) are soluții reale, atunci acestea sunt estimații ale
parametrului θ.

Observație (caz general). Fie legea de repartiție f (x ;θ1, ..., θk) a variabilei aleatoare X, care
depinde de k parametri θ1, ..., θk și că variabila aleatoare X admite momente inițiale de cel puțin
până la ordinul k inclusiv (k ϵ ℕ*). Atunci metoda momentelor constă în următoarele etape:

2
1. Fie o selecție de volum n: X1, ..., Xn cu valorile de selecție x1, ..., xn.
2. Rezolvăm sistemul de ecuații (numărul de ecuații din sistem fiind egal cu numărul
parametrilor estimați k):
𝑀𝑟 (𝑋) = ̅̅̅̅𝑀𝑟 , 𝑟 = ̅̅̅̅̅
1, 𝑘,
unde ̅̅̅̅
𝑀𝑟 este momentul inițial de selecție de ordin r și 𝑀𝑟 (𝑋) este momentul inițial
de ordin r al variabilei aleatoare (teoretice ) X.
Dacă sistemul de ecuații are soluții reale, atunci acestea sunt estimații ale parametrilor
θ1, ..., θk .

Exemplu. Se consideră o variabilă aleatoare X cu densitatea de repartiție (legea de

repartiție):
 x −
x

  e 4
, x0
f : R → R, f ( x;  ) =  16   2 ,   0.
 
 0 , x 0
a. Să se determine un estimator al parametrului θ folosind o selecție de volum n.
b. Să se arate că estimatorul obținut este nedeplasat.
c. Se consideră valorile observate:

xi 2 3 4 5
ni 3 6 1 2

Să se determine, pe baza datelor de selecție, estimația pentru parametrul θ.

Rezolvare
a. Rezolvăm prin metoda momentelor
1. Fie o selecție de volum n: X1, ..., Xn cu valorile de selecție x1, ..., xn.
2. Rezolvăm ecuația 𝑋̅ = 𝑀 (𝑋),
∞
𝑀(𝑋) = ∫ 𝑥 ∙ 𝑓 (𝑥; 𝜃 ) 𝑑𝑥 =
−∞
∞
∞ 𝑥 −
𝑥 1 2 −
𝑥
= ∫ 𝑥 ∙ 16 ∙ 𝜃 2 ∙ 𝑒 4𝜃 𝑑𝑥 = ∫
16𝜃 2 0
𝑥 ∙ 𝑒 4𝜃 𝑑𝑥
0
𝑥
Efectuăm schimbarea de variabilă: 𝑡 = 4𝜃.
Rezultă x = 4·θ·t , dx = 4·θ· dt.
x=0 ⟹t=0
𝑥 → ∞ ⟹𝑡 → ∞
∞
1 (4𝜃𝑡)2 ∙ 𝑒 −𝑡 4 · θ · dt = 4𝜃𝛤(3) = 8𝜃
𝑀 (𝑋 ) = ∫
16𝜃 2 0
𝑋̅
Deoarece 𝑀 (𝑋) = 𝑋̅, adică 8𝜃 = 𝑋̅. Obținem 𝜃 = .
8
𝑋̅
Notăm estimatorul lui θ cu 𝜃̃ = .
8

3
 b. Demonstrăm că estimatorul 𝜃̃ este nedeplasat, adică verifică relația 𝑀(𝜃̃ ) = 𝜃.
𝑋̅ 1 1 1
𝑀(𝜃̃ ) = 𝑀 (8 ) = ∙ 𝑀 (𝑋̅ ) = ∙ ∑𝑛𝑖=1 𝑀 (𝑋) = ∙ 𝑛 ∙ 8 ∙ 𝜃 = 𝜃.
8 8𝑛 8∙𝑛
c. Pe baza datelor de selecție obținem:
1 19
𝑋̅ = (2 ∙ 3 + 3 ∙ 6 + 4 ∙ 1 + 5 ∙ 2) = .
12 6
19
𝑋̅ 19
Estimația parametrului θ este valoarea lui 𝜃̃ = , adică 6
= 48.
8 8

2. Metoda verosimilității maxime – propusă de sir Ronald A. Fisher (1890 – 1962)

Metoda verosimilității maxime constă în următoarele etape:

1. Fie o selecție de volum n: X1, ..., Xn cu valorile de selecție x1, ..., xn.
2. Definim funcția de verosimilitate:
𝑃 (𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = ∏𝑛𝑖=1 𝑓(𝑥𝑖 ; 𝜃) = 𝑓(𝑥1 ; 𝜃) ∙ … ∙ 𝑓(𝑥𝑛 ; 𝜃).
3. Logaritmăm funcția de verosimilitate:
𝐿(𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = ln 𝑃(𝑥1 , … , 𝑥𝑛 ; 𝜃).
4. Rezolvăm ecuația de verosimilitate:
𝐿′𝜃 (𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = 0.
Soluția ecuației de verosimilitate este estimatorul 𝜃̃ .
5. Verificăm dacă 𝐿′′𝜃2 (𝑥1 , … , 𝑥𝑛 ; 𝜃̃ ) < 0 . În caz afirmativ, atunci 𝜃̃ este estimatorul
de maximă verosimilitate al lui θ.

Exemplu. Se consideră o variabilă aleatoare X cu densitatea de repartiție (legea de

repartiție):
 x −
x

  e 4
, x0
f : R → R, f ( x;  ) =  16   2 ,   0.
 x0
 0,

Să se determine un estimator al parametrului θ folosind o selecție de volum n, prin

metoda verosimilității maxime.

Rezolvare:

1. Fie o selecție de volum n: X1, ..., Xn cu valorile de selecție x1, ..., xn.
2. Definim funcția de verosimilitate:
𝑥1 𝑥1 𝑥𝑛 𝑥𝑛
𝑃 (𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = 𝑓 (𝑥1 ; 𝜃 ) … ∙ 𝑓(𝑥𝑛 ; 𝜃 ) = 2
𝑒 − 4𝜃 . … . 2
𝑒 − 4𝜃 =
16𝜃 16𝜃
𝑥1 ∙ … ∙ 𝑥𝑛 − 𝑥1 +⋯+𝑥 𝑛 𝑛 𝑥1 ∙ … ∙ 𝑥𝑛 ̅
𝑛∙𝑋
∙ −
= ∙ 𝑒 4𝜃 𝑛 = ∙ 𝑒 4𝜃
16𝑛 ∙ 𝜃 2𝑛 16𝑛 ∙ 𝜃 2𝑛
3. Logaritmăm funcția de verosimilitate:

4
 𝑥1 ∙ … ∙ 𝑥𝑛 𝑛∙𝑋̅
−
𝐿(𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = ln 𝑃(𝑥1 , … , 𝑥𝑛 ; 𝜃) = ln ( ∙ 𝑒 4𝜃 ) =
16𝑛 ∙ 𝜃 2𝑛
𝑛∙𝑋̅
= ln ( 𝑥1 ∙ … ∙ 𝑥𝑛 ) − ln(16𝑛 ∙ 𝜃 2𝑛 ) + ln 𝑒 − 4𝜃 =
𝑛𝑋̅
= ln ( 𝑥1 ∙ … ∙ 𝑥𝑛 ) − 𝑛 ln 16 − 2𝑛 ln 𝜃 −
4𝜃
4. Rezolvăm ecuația de verosimilitate:
2𝑛 𝑛𝑋̅ 1
𝐿′𝜃 (𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = 0 ⟺ − − ∙ (− ) =0
𝜃 4 𝜃2
2𝑛 𝑛𝑋̅ 𝑋̅
⟺ − + = 0 ⇒ −8𝑛𝜃 + 𝑛𝑋̅ = 0 ⇒ 𝜃 =
𝜃 4𝜃2 8
𝑋̅
Notăm estimatorul lui θ cu 𝜃̃ = .
8
5. Verificăm dacă 𝐿′′𝜃 (𝑥1 , … , 𝑥𝑛 ; 𝜃̃ ) < 0.
2𝑛 𝑛𝑥̅ 1 2𝑛 𝑥̅
𝐿′′𝜃2 (𝑥1 , … , 𝑥𝑛 ; 𝜃 ) = 𝜃2 + 4
∙ (−2) ∙ 𝜃3 = 𝜃2
(1 − 4𝜃)
𝑥̅ 128𝑛 𝑋̅
Pentru 𝜃 = 8
, 𝐿′′𝜃2 devine − 𝑥̅ 2
< 0. Rezultă că 𝜃̃ = 8
este estimatorul de maximă
verosimilitate al lui θ.