Documente Academic
Documente Profesional
Documente Cultură
• metoda momentelor și
• metoda verosimilității maxime
Există situații în care se cunoaște legea de repartiție, dar nu se cunosc toți parametrii repartiției
respective.
Exemple:
1. Metoda momentelor
2. Metoda verosimilității maxime
II Intervale de încredere
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
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.
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.
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 .
e 4
, x0
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
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
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.
e 4
, x0
f : R → R, f ( x; ) = 16 2 , 0.
x0
0,
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.