▲
Следует обратить внимание на то, что выборка, приведённая в
табл.4.7, принадлежит той же генеральной совокупности, что и в табл.4.3.
Однако, как видно из решений примеров 5.1 и 5.2, в последнем случае даже
приближённое значение оценки меньше отличается от
истинного значения параметра
= 100 ч.
Это объясняется бо́льшим объёмом n
и, следовательно, большей информативностью выборки, приведённой в табл.4.7.
Пусть характеристики точности наблюдений от опыта к опыту изменяются
так, что наблюдаемая в i-м опыте случайная
величина имеет дисперсию
,
.
При этом среднее значение случайной величины от опыта к опыту не изменяется:
,
.
В данном случае оценка математического
ожидания случайной величины
по-прежнему будет
являться функцией случайной выборки:
.
Необходимо так выбрать вид этой зависимости, чтобы оценка имела простое аналитическое выражение и была несмещённой, состоятельной и эффективной.
Так как наиболее простой функциональной зависимостью
является линейная, то будем искать оценку в
классе линейных функций:
. (5.1.5)
Очевидно, что теперь решение поставленной задачи состоит в
отыскании значений коэффициентов ci, линейной формы (5.1.5), при которых оценка
будет удовлетворять всем трём указанным
выше требованиям.
1. Чтобы оценка была несмещённой, должно выполняться равенство
.
Поскольку в этом случае
,
то коэффициенты ci должны удовлетворять условию
.
2. Для того чтобы оценка была
эффективной, её дисперсия
(5.1.6)
должна быть минимальной при условии, что
. (5.1.7)
Условный экстремум (минимум) функции (5.1.6) с переменными c1, c2,…, cn отыскиваем методом неопределённых множителей Лагранжа. При этом учитываем, что должно выполняться равенство (5.1.7). Следовательно, исследуем на минимум вспомогательную функцию
,
где l – неопределённый множитель Лагранжа.
Решаем систему n уравнений
,
относительно переменных c1, c2,…, cn и получаем
.
Таким образом, вес ci,
с которым должен входить результат i-го наблюдения
в формулу для оценки , должен быть обратно пропорционален
его дисперсии. Иными словами, чем точнее наблюдение, тем с бо́льшим
весом необходимо учитывать его результат. Вывод, полученный формально,
полностью согласуется с вербальными рассуждениями: чем точнее наблюдение, тем
больше ему следует доверять.
Поскольку , то
и, следовательно,
. (5.1.8)
Обозначим 1/Di = di, тогда (5.1.8) представляется как и
,
. (5.1.9)
Таким образом, выражение для оценки (5.1.5) будет иметь вид
. (5.1.10)
Оценка вида (5.1.10) является эффективной, так как получена на основе требования минимума дисперсии.
3. Минимальная дисперсия несмещённой оценки
, (5.1.11)
а её среднее квадратическое отклонение
.
Поскольку di = 1/Di = const, , то из выражения (5.1.11) вытекает, что
при неограниченном возрастании количества наблюдений l ® 0.
Следовательно,
сходится по вероятности к
, т.е. является состоятельной оценкой
математического ожидания
.
Частный случай. Предположим, что все
наблюдения равноточны. Это означает, что ,
,
,
и тогда
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.