- •Математическая статистика. Вариационные ряды и их характеристики.
- •Основные понятия теории оценок
- •Неравенство Чепмена – Роббинса.
- •Неравенство информации.
- •Достаточные статистики.
- •Методы оценки неизвестных параметров. Метод моментов.
- •Метод максимального правдоподобия.
- •Оценка параметров нормального распределения методом максимального правдоподобия и свойства данных оценок.
- •Свойства оценок нормального распределения:
- •Основные статистические распределения.
- •Интервальные оценки.
- •Основные понятия проверки статических гипотез.
- •Подход Неймана - Пирсона к выбору решающей функции .
- •Критерии для проверки гипотезы о виде функции распределения.
- •Критерий согласия Колмогорова. Критерий Колмогорова – Смирнова. Критерий согласия Колмогорова:
- •Критерий согласия Колмогорова - Смирнова:
- •Проверка гипотезы о нормальном распределении выборочных значений по критерию Пирсона.
- •Проверка гипотезы о распределении выборочных значений по закону Пуассона.
- •Задача регрессионного анализа.
- •Определение оценок коэффициентов регрессии по данным пассивного эксперимента.
- •Основные понятия дисперсионного анализа. Однофакторный дисперсионный анализ.
- •Однофакторный дисперсионный анализ
Методы оценки неизвестных параметров. Метод моментов.
Пусть есть вектор неизвестных параметров: , - СВ с плотностью распределения , по выборке . , тогда начальный момент k-го порядка СВ может быть вычислен по формуле: , - количество неизвестных параметров.
По выборке можно вычислить оценку моментов k-го порядка по формуле: .
Метод моментов заключается в том, что оценку неизвестных параметров находим из системы уравнений полученной путём приравнивания теоретических моментов к выборочным.
Система имеет вид: . Достоинство данного метода является простота получения оценок, а недостатком – оценки моментов высших порядков дают очень большие ошибки, поэтому нужно использовать моменты не выше 4-го порядка, т.е. число оценок порядка не должно превышать 4.
Метод максимального правдоподобия.
Пусть выборка. Производимые опыты являются независимыми: , где неизвестные параметры.
Определение: называется функцией правдоподобия.
Метод максимального правдоподобия заключается в следующем:
В качестве оценки неизвестного параметра следует брать те значения аргумента, при котором функция правдоподобия достигает своего максимума: .
Определение: Оценка получаемая по методу оценки максимального правдоподобия называется оценкой максимального правдоподобия.
Замечание: В целях удобства вместо функции правдоподобия рассмотрим её логарифм: , т.к. функция и её логарифм достигают своего максимума при одном и том же .
Оценка параметров нормального распределения методом максимального правдоподобия и свойства данных оценок.
Пусть есть СВ для которой плотность распределения задаётся формулой:
, где - неизвестные параметры, - математическое ожидание, - дисперсия. Полученная выборка является реализованная СВ .
Найдём оценки и неизвестных параметров:
Запишем функцию правдоподобия:
,
, .
Получим:
, .
Свойства оценок нормального распределения:
1) , т.к. математическое ожидание случайной величины равно : .
2) , где .
Исследуем поведение оценки:
,
,
Упражнение: - несмещённая оценка параметра .
Основные статистические распределения.
- распределение (распределение Пирсана). Это распределение имеет следующий вид: , где - распределено по нормальному закону с параметрами . Иногда распределении обозначают: , n – число степеней свободы.
- распределение (Стьюдента). Пусть имеются СВ: и . Тогда: , , , если t-распределение: и .
Распределение Спедекора-Фишера – это распределение имеет СВ вида: , , , .
Интервальные оценки.
Если известен закон распределения оценки или её дисперсия, то можно указать приделы в которых с большой вероятностью находятся неизвестные значения параметра.
Пусть имеется выборка . Предположим, что выборочные значения распределены по закону: с точностью до .
Предположим, что мы нашли функцию: и , причём , и . Величина называется доверительным уровням. Обычно берётся очень маленьким: 0.05, 0.01…
Вероятность того, что покроет неизвестный параметр не зависит от . В этом случаи интервал - доверительный интервал для неизвестного параметра соответствующей доверительной вероятности .
Пример:
Пусть имеется выборка . Предположим, выборка распределена по нормальному закону: , где - неизвестно, а - известно.
Найдём доверительный интервал для параметра . Известно, что (по центральной предельной теореме) , тогда величина распределена по закону . Доверительный интервал будем строить используя следующее соотношение:
, где -находится путём решения уравнения: (по заданному уровню ). Окончательно имеем: . Доверительный интервал имеет вид: .