,
где m – число появления события А в n испытаниях. Случайная величина m распределена по биномиальному закону, следовательно,искомое распределение будет иметь следующий вид:
P( = k) = .
|
0 |
. . . |
|
. . . |
1 |
|
P |
. . . |
. . . |
Так как – случайная величина и выборка тоже многомерная случайная величина в математической статистике, как правило, мы не гарантированы от сколь угодно больших ошибок. Значит, гарантировать достаточную близость оценки к оцениваемому параметру можно лишь с некоторой вероятностью и, для того чтобы увеличить эту вероятность, приходится увеличивать объем выборки.
Главное свойство любой оценки, оправдывающее само название "оценка" – возможность, хотя бы ценой увеличения объема выборки до бесконечности, получить точное значение неизвестного параметра
Поэтому оценка называется состоятельной, если с ростом объема выборки она сходится к оцениваемому параметру, т.е. при всех возможных значениях параметра :
.
Выборочной средней – называется среднее арифметическое вариант выборки
Выборочной дисперсией – называется среднее арифметическое квадратов отклонения вариант от выборочной средней
,
Для любой случайной величины : – точечная оценка для математического ожидания М(m), – точечная оценка для дисперсии D(m).
Получим полезную для дальнейшего изложения формулу, так как
,
то
,
С помощью аналогичных выкладок можно показать справедливость равенства
, (3.1)
где m = M(m).
Покажем состоятельность этих оценок:
1) .
– состоятельная оценка для М(m).
2) .
По теореме Чебышева, рассматривая случайные величины mi = (xi – m)2, получаем:
== D(m).
второе слагаемое 0 D(m)
– это и означает состоятельность оценки.
Величина d(,q) = М() – q называется смещением оценки относительно параметра q.
Оценка называется несмещённой, если d(,q) = 0 Û М() = q .
Несмещённость выборочной средней :
М() = М m = M(m) = q
оценка является несмещенной для M(m).
Смещенность выборочной дисперсии :
M()M. (*)
= =.
Рассматриваем первое слагаемое в равенстве (*). Здесь xi– одинаково распределенные независимые случайные величины, следовательно,
M(xi– m)2=D(xi)=D(m), =.
Второе слагаемое в равенстве (*):
= D() = D=.
Таким образом,
= D(m) – D(m) =
– смещённая оценка для дисперсии .
Исправленная выборочная дисперсия – это величина, равная
= Þ Þ
– несмещённая оценка для дисперсии случайной величины.
На практике используется и , и , так как .
Очевидно, что для любого параметра можно рассматривать бесконечное множество оценок и из всех этих оценок желательно выбрать ту, которая имеет наименьший разброс. Мерой разброса случайной величины является дисперсия
.
Но для смещённых оценок мы получаем меру отклонения не от оцениваемого параметра, а от математического ожидания . Поэтому следующее требование предъявляется к несмещённым оценкам, тогда и .
Оценка называется эффективной, если при любом значении параметра q дисперсия этой оценки минимальна, т.е. выбирается из условия:
.
Теорема 3.2. Для произвольной оценки параметра распределения q выполняется неравенство:
,
где – информация Фишера.
Информация Фишера для дискретной случайной величины вычисляется по формуле
, .
Здесь, если закон распределения случайной величины имеет вид
m |
t1 |
t2 |
. . . |
tL |
P |
p1 |
p2 |
. . . |
pL |
то закон распределения случайной величиныh = Р(m; q) будет следующим
|
p1 |
p2 |
. . . |
pL |
P |
p1 |
p2 |
. . . |
pL |
Для непрерывной случайной величины информация Фишера вычисляется по формуле
.
Величина называется эффективностьюоценки.
mi |
0 |
1 |
P |
1–q |
q |
Пусть доказать, что эта оценка является эффективной.
Решение. Закон распределения случайной величины h = P(m, q) имеет вид
h |
1–q |
q |
P |
1–q |
q |
тогда P(0; q) = 1 – q, P(1; q) = q,
,
I(q) =
Þ ,
следовательно, данная оценка является эффективной для вероятностиp = P(A).
Пример 3.3. Рассмотрим нормальный закон распределения с параметрами m, s2, в котором дисперсия s2 известна, а неизвестен параметр . Пусть . Установить, является ли эта оценка эффективной.
Решение. Здесь
, f(m; q) = ,
,
I(q) ,
,
следовательно, данная оценка является эффективной.
Пример 3.4. В показательном распределении
неизвестен параметр . Убедиться, что – эффективная оценка для этого параметра.
Решение. Из курса теории вероятностей известно, что для показательного распределения
М(m) = , D(m) = .
Пусть q = = М(m) тогда и является точечной оценкой для параметра
, I(q) = ,
,
значит оценка является эффективной для , следовательно – эффективная оценка для .
3.3. Основные методы получения точечных оценок
3.3.1. Метод моментов
По аналогии с определением начальных и центральных моментов k-го порядка случайной величины, по данным случайной выборки можно определить начальные и центральные выборочные моменты k-го порядка.
Уважаемый посетитель!
Чтобы распечатать файл, скачайте его (в формате Word).
Ссылка на скачивание - внизу страницы.