- •Математичечская статистика
- •1. Генеральная и выборочная совокупность данных
- •2. Статистическое распределение выборки. Выборочный ряд, полигон, гистограмма и комулянта выборки.
- •3. Выборочные характеристики
- •1. Распределения Стьюдента и Пирсона
- •2. Таблицы распределения выборочных величин
- •1. Точечные оценки.
- •2. Методы построения точечных оценок
- •3. Интервальные оценки и алгоритм построения
2. Методы построения точечных оценок
Метод моментов для нахождения точечных оценок неизвестных параметров распределения fX (x,r) наблюдаемой в выборке случайной величины Х, состоит в приравнивании теоретических моментов к выборочным моментам. Для нахождения r параметров к начальные Ак или центральные Вк моменты до порядка r включительно приравниваются к соответствующим эмпирическим выборочным моментам ак,, вк, тем самым получим систему r нелинейных уравнений метода моментов.
или .
Например, построим оценку параметра а случайной величины Х, имеющей треугольное распределение (рис.12.1), по заданной выборке хВ = {xi; i=1,n}, где n – объем выборки:
f(x)
+1
-1 0 a +1
Рис. 12.1. Треугольное расапределение
Поскольку неизвестный параметр один то, вычисляя и приравнивая только первые начальные теоретические и эмпирические моменты.
, ,
получим оценку .
Метод моментов достаточно прост в применении и дает состоятельные оценки, однако их эффективность и несмещенность требуют дополнительных исследований.
Метод максимального правдоподобия основан на принципе правдоподобия, состоящем в том, что наблюдаемые в опыте события имеют большую вероятность, а маловероятные события практически не наблюдаемы. Вероятность наблюдения в опыте выборки хВ = {xi; i=1,n} оценивается функцией правдоподобия
…,
а поскольку данная нам выборка уже получена в опыте, то она должна обладать максимальным правдоподобием. За оценку *n неизвестного параметра распределения принимается его значение, при котором функция правдоподобия максимальна, поэтому уравнение метода для нахождения оценки *n:
, при условии .
Для решения этих уравнений чаще используется логарифм функции правдоподобия l(х1, х2, …хn,, ) =ln L(х1, х2, …хn,, ) , поскольку максимум этих функций достигается при одном и том же значении неизвестного параметра
Например, рассмотрим случайную величину Пуассона Х>0 с плотностью распределения , где неизвестный параметр распределения. Тогда функция правдоподобия и уравнение метода имеет вид:
….
Доказано, что метод максимального правдоподобия позволяет строить состоятельные и эффективные оценки.
Метод наименьших квадратов основан на идее минимизации суммы квадратов отклонения выборочных данных (или их функции) от определяемой оценки, он не требует знания закона распределения наблюдаемой случайной величины и кратко называется методом МНК.
Например, рассмотрим оценку дисперсии 2 случайной величины по выборке хВ = {xi; i=1,n}, где n – объем выборки. Построим функцию квадратов отклонения ,
из условия минимума и находим