Статистика
.pdf
|
1 |
n |
s |
1 |
k |
s |
|
µˆs = |
|
∑(xi − x) = |
|
∑(xi − x) ni . |
|||
n |
n |
||||||
|
i=1 |
|
i=1 |
|
|||
Выборочной квантилью порядка |
p называется абсцисса xp точки, |
лежащей на кумулятивной кривой и имеющей ординату p .
Оценкой моды унимодального (одновершинного) распределения является элемент выборки, с наибольшей частотой.
Для группированной выборки, в том случае, когда интервал от минимального до максимального значения разбивается на
подынтервалы равной |
длины |
∆ , оценка |
моды вычисляется по |
||
формуле: |
|
|
|
|
|
~ |
|
nd − nd −1 |
|
|
|
|
|
|
|
||
dX |
|
|
, |
||
= xd + ∆ |
|
|
|
||
|
|
2nd − nd −1 − nd +1 |
|
||
где |
|
|
|
|
|
xd −нижняя граница интервала, |
содержащего наибольшее количество |
наблюдений;
nd −количество элементов выборки, попавших в этот подынтервал; nd −1, nd +1 − количество элементов выборки в соседних подынтервалах.
ˆ
Оценкой медианы hX называется число, которое делит вариационный ряд на две части, содержащие равное количество наблюдений.
Если количество элементов нечетное, то есть n = 2k +1 , то
ˆX = k+1 . h x
Если количество элементов четное, то есть n = 2k , то
ˆ |
= |
1 |
(xk + xk+1 ). |
hX |
2 |
||
|
|
|
13
2.5 Распределения статистик
1. Нормальное распределение
Говорят, что случайная величина имеет нормальное распределение или распределение Гаусса, если для x (−∞,+∞) её плотность
fX (x)имеет вид:
|
fX (x) |
|
|
1 |
|
|
|
|
|
|
(x − a)2 |
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
= |
σ |
|
2π |
exp |
− |
|
2σ |
2 |
|
. |
|
|
|||||||
|
X ~ N(a,σ ). |
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
Обозначают: |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Функция распределения имеет вид: |
|
|
|
|
|
|
|
|
|
(t − a)2 |
|
|||||||||
|
FX (x)= P(X < x)= |
|
|
1 |
|
|
|
x |
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
σ |
|
2π |
|
|
|
∫exp − |
2σ |
2 |
dt . |
||||||||||
|
|
|
|
|
|
|
|
|
−∞ |
|
|
|
|
|
||||||
Основные числовые характеристики: |
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
MX = a , |
DX =σ 2 , |
|
|
|
=σ − СКО. |
||||||||||||||
|
|
|
DX |
|||||||||||||||||
Квантили up |
= −u1−p . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Стандартное нормальное распределение:
Если a = 0 , σ =1, то говорят, что случайная величина X ~ N(0,1) имеет стандартное нормальное распределение.
Если Y = a +σX , где X ~ N(0,1), то Y ~ N(a,σ).
2. χ2 − распределение
Пусть имеется совокупность k совместно независимых стандартных нормальных величин
Ui ~ N(0,1), i =1, k .
Величина
χ2 (k)=U12 +U22 +... +Uk2
имеет χ2 − распределение с k степенями свободы и плотностью распределения
14
|
|
|
|
|
|
|
k |
|
|
k |
|
x |
|
f |
|
|
(x)= |
(1/ 2)2 |
|
x |
−1e− |
||||||
2 |
(k ) |
|
2 |
2 |
, |
||||||||
k |
|
|
|||||||||||
|
χ |
|
|
|
|
|
|
|
|||||
|
|
|
|
Γ |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||
|
|
|
|
2 |
|
|
|
|
|
|
|
где Γ(...)− гамма-функция,
+∞
Γ(z)= ∫t z−1e−t dt .
0
Основные числовые характеристики:
Mχ2 (k)= k , Dχ2 (k)= 2k .
Для данного распределения справедливо
χ2 (k1 )+ χ2 (k2 )= χ2 (k1 + k2 ),
χ2 (k)~ U (k,2k)
3. Распределение Стьюдента |
|
|
|
|
|
|
|
|
|
|
|
||||||||
Пусть имеется стандартная |
нормальная величина U и величина |
||||||||||||||||||
χ2 (k), имеющая распределение χ2 |
с k |
степенями свободы. |
|||||||||||||||||
Тогда величина t(k)= |
|
|
|
|
U |
|
|
|
|
имеет распределение Стьюдента с k |
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
χ2 (k) k |
||||||||||||||||||
степенями свободы. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Плотность распределения Стьюдента |
|
|
|
|
|||||||||||||||
|
|
k +1 |
|
|
|
|
|
|
k+1 |
|
|
||||||||
|
|
Γ |
|
|
|
|
|
|
x2 |
− |
|
|
|||||||
|
|
|
2 |
|
|
|
|||||||||||||
|
|
|
|
|
|
2 |
|
|
|||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S(x, k)= |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
, −∞ < x < +∞ |
||||
k |
|
|
|
|
|
1+ |
k |
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
||||||||||
|
Γ |
|
πk |
|
|
|
|
|
|
||||||||||
|
|
|
|
|
|||||||||||||||
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
Основные числовые характеристики:
Mt(k)= 0 , Dt(k)= k −k 2 .
Квантили tp = −t1−p .
Для данного распределения при числе степеней свободы k > 30 справедливо
t(k)~ U (0,1)
4. Распределение Фишера
15
Пусть имеется две случайные величины |
χ |
2 (k |
) |
и |
χ2 (k |
2 |
), |
имеющие |
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|||
χ2 распределение с числом степеней свободы k |
и k |
2 |
соответственно. |
||||||||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
|
|
|
|
Тогда случайная величина |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
F(k1, k2 ) |
|
|
χ2 (k ) k |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
= χ |
2 (k2 ) k2 |
|
|
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
1 |
|
|
|
|
|
|
|
|
|
|
имеет распределение Фишера с числом степеней свободы k1 |
и k2 . |
||||||||||||||||||||||||||||||||||||||||||||
Плотность распределения Фишера |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
0, |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
x ≤ 0; |
|
|
|
|||||
|
|
|
|
|
|
k |
|
+ k |
2 |
|
|
|
|
|
|
|
|
k1 |
|
|
|
|
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
Γ |
1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1 |
−1 |
|
|
|
|
|
|
|
|
|
||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|||||||||||
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
x |
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
f |
F |
(x; k , k |
2 |
)= |
|
|
|
|
|
|
k1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
, x > 0. |
|
|
|
|||||||||||||||||
|
1 |
|
k |
k |
|
|
|
k |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
k1+k2 |
|
|
|
|
||||||||||||||||||
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
Γ |
1 |
|
Γ |
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
k1 |
|
2 |
|
|
|
|
|
|
|
|
||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||
|
|
|
|
|
|
2 2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
1+ |
k |
|
|
x |
|
|
|
|
|
|
|
|
|
|||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
2 |
|
|
|
|
|
|
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||
Математическое ожидание MF = |
|
|
k2 |
|
|
, |
|
k2 > 2 . |
|
|
|
|
|
|
|||||||||||||||||||||||||||||||
|
k2 − 2 |
|
|
|
|
|
|
|
|||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
Квантили F1−p (k1, k2 )= |
|
|
|
|
|
|
1 |
|
|
|
|
|
. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||
|
Fp (k2 , k1 ) |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
Между этими распределениями существует следующая связь:
χ2 (1)=U 2 ,
t2 (k)= F(1, k), F(k,∞)= χ2k(k) .
2.6 Основные статистики и их распределения
Рассмотрим теперь, какие статистики имеют какие распределения. Пусть x1, x2 ,..., xn выборка, полученная при наблюдении за случайной величиной X , имеющей нормальное распределение с
параметрами mX и σ 2 .
16
1. Выборочное среднее x = 1 |
|
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
∑xi |
имеет нормальное распределение с |
||||||||||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
n |
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||
параметрами |
mX и |
σ 2 |
, так как |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||
n |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
|
|
|
|
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
|
1 |
n |
|
|
|
|
|
|
|
1 |
|
|
|
|
|
||||
|
|
|
|
|
Mx = M |
|
∑Xi |
|
= |
∑MXi = |
|
nmX = mX , |
|
||||||||||||||||||||||||
|
|
|
|
|
|
|
n |
|
|
||||||||||||||||||||||||||||
|
|
|
|
|
|
|
|
n |
i=1 |
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
n |
|
|
|
|
|||||||||
|
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
1 |
|
n |
|
|
|
|
|
|
1 |
|
σ |
2 |
|
||||||
|
|
|
|
|
Dx = D |
∑Xi |
|
= |
|
|
∑DXi = |
nσ 2 = |
. |
|
|||||||||||||||||||||||
|
|
|
|
|
|
|
|
|
2 |
2 |
|
|
|||||||||||||||||||||||||
|
|
|
|
|
|
|
n |
i=1 |
|
|
|
|
|
|
n |
i=1 |
|
|
|
|
|
|
n |
|
|
|
n |
|
|||||||||
|
|
|
|
|
|
|
|
|
|
|
|
1 |
|
|
n |
|
|
|
|
|
|
|
|
|
|
σ |
2 |
|
|
|
|
||||||
|
|
|
|
|
|
|
|
|
|
x = |
|
∑xi = N |
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
n |
mX , |
|
|
|
. |
|
|
|
||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
n |
|
|
|
|
||||||||
2. Выборочная дисперсия при известном математическом ожидании |
|||||||||||||||||||||||||||||||||||||
2 |
= |
1 |
n |
|
|
2 |
являясь суммой квадратов отклонений, имеющих |
||||||||||||||||||||||||||||||
S0 |
n |
∑(xi |
− mX ) |
, |
|||||||||||||||||||||||||||||||||
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
нормальное |
распределение, |
|
имеет |
распределение |
|
χ2 с |
числом |
||||||||||||||||||||||||||||||
степеней свободы n . |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||||
|
|
|
|
|
|
|
|
2 |
|
= |
1 |
|
n |
|
|
|
|
|
|
|
|
|
2 |
= |
σ 2 |
χ |
2 |
(n). |
|
|
|
||||||
|
|
|
|
|
|
|
S0 |
|
n |
∑(xi − mX ) |
|
n |
|
|
|
|
|
||||||||||||||||||||
|
|
|
|
|
|
|
|
|
|
|
|
i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
3. |
Выборочная дисперсия при неизвестном математическом ожидании |
||||||||||||||||||||||||||||||||||||
|
|
|
1 |
n |
(xi − x)2 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
S 2 |
= |
|
∑ |
|
|
имеет |
|
|
распределение |
|
|
χ2 с числом |
степеней |
||||||||||||||||||||||||
|
|
|
|
|
|
|
|
||||||||||||||||||||||||||||||
|
|
n −1 i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
||
свободы n −1. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|||||
|
|
|
|
|
|
2 |
|
|
|
1 |
|
n |
|
|
|
|
|
|
|
|
2 |
|
|
σ 2 |
|
|
2 |
(n −1). |
|
|
|
||||||
|
|
|
|
|
S |
|
= |
|
|
|
|
∑ |
(xi − x) = |
|
|
|
|
|
χ |
|
|
|
|
|
|||||||||||||
|
|
|
|
|
|
|
|
|
|
|
n −1 |
|
|
|
|
|
|||||||||||||||||||||
|
|
|
|
|
|
|
|
|
n −1 i=1 |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
17
3. Статистика Y = |
x − mX |
|
представляет собой центрированную |
||
|
|
|
|||
σ n |
|||||
|
|
(вычитается мат ожидание) нормированную (делится на СКО)
величину, |
следовательно, |
имеет |
стандартное |
нормальное |
||||||||
распределение. |
|
|
|
|
|
|
|
|
|
|
||
|
|
Y = |
|
x − mX |
|
= N(0,1). |
|
|||||
|
|
|
|
|
|
|
||||||
|
|
|
|
|
σ |
|
n |
|
|
|||
4. Статистика Y = |
x − mX |
|
представляет собой |
отношение |
||||||||
|
|
|
|
|||||||||
|
|
S |
|
|
n |
|
|
|
|
|
|
|
нормальной |
величины |
к |
корню |
величины, имеющей χ2 |
распределение, следовательно, имеет распределение Стьюдента с числом степеней свободы k = n −1.
Y= xS− mnX = t(n −1) .
5.Пусть имеется две независимые выборки объема n1 и n2 соответственно из нормальных генеральных совокупностей с дисперсиями σ12 и σ22 . Найденные по этим выборкам выборочные
дисперсии S 2 |
и S |
2 . |
Тогда |
статистика F = |
S 2 |
σ 2 |
имеет |
|||||
1 |
1 |
|||||||||||
S22 |
σ22 |
|||||||||||
1 |
|
2 |
|
|
|
|
|
|
|
|||
распределение |
Фишера |
|
с |
числом |
степеней свободы |
k1 = n1 −1 и |
||||||
k2 = n2 −1. |
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
S 2 |
σ 2 |
|
|
|
|
|
|
||
|
F = |
1 |
1 |
= F(n −1,n |
|
−1). |
|
|
|
|||
|
S22 |
|
|
|
|
|
||||||
|
|
|
σ22 |
1 |
2 |
|
|
|
|
18
2.7 Метод максимального правдоподобия
Метод максимального правдоподобия, предложенный Фишером, является одним из наиболее распространенных методов нахождения оценок неизвестных параметров.
При построении оценок по этому методу, в качестве оценок параметров θ1,θ2 ,...,θk принимают значения θˆ1,θˆ2 ,...,θˆk , доставляющие максимум функции правдоподобия.
Пусть имеется выборка x1, x2 ,..., xn . Закон распределения выборки при конкретных значениях переменных является функцией неизвестных параметров θ1,θ2 ,...,θk .
Функцией правдоподобия дискретной случайной величины X в
случае независимых наблюдений называют функцию аргументов
θ1,θ2 ,...,θk
L(x1, x2 ,..., xn ;θ1,θ2 ,...,θk )= P{X1 = x1, X 2 = x2 ,..., X n = xn }= = P{X1 = x1} P{X 2 = x2} ... P{X n = xn }.
Функцией правдоподобия непрерывной случайной величины X в
случае независимых наблюдений называют функцию аргументов
θ1,θ2 ,...,θk
L(x1, x2 ,..., xn ;θ1,θ2 ,...,θk )=
= f (x1;θ1,θ2 ,...,θk )f (x2 ;θ1,θ2 ,...,θk )... f (xn ;θ1,θ2 ,...,θk ).
Иногда для удобства рассматривают не саму функцию правдоподобия, а ее логарифм, то есть ln L(x1, x2 ,..., xn ;θ1,θ2 ,...,θk ).
Для нахождения МП-оценок необходимо найти те значения параметров θ1,θ2 ,...,θk , которые дают максимум функции правдоподобия.
19
Для этого находят частные производные функции правдоподобия по каждому параметру и приравнивают их к нулю
∂L = 0, i =1, k .
∂θi
Тем самым находят критические точки θ1* ,θ2* ,...,θk* . Далее, находят вторые производные. Если значение второй производной в критической точке отрицательное, то точка θ* = (θ1* ,θ2* ,...,θk* )−точка
максимума. И МП-оценки θˆ =θ* .
Оценки, получаемые по ММП, имеют асимптотически нормальное распределение и для некоторых распределений генеральной совокупности имеют минимальную дисперсию.
Пример. Построить МП-оценку параметра λ распределения Пуассона. Пусть имеется выборка x1, x2 ,..., xn наблюдений за случайной величиной X , имеющей распределения Пуассона с параметром λ . Функция правдоподобия является функцией параметра λ и имеет вид
L(x1, x2 ,..., xn ;λ)= P{X1 = x1} P{X 2 = x2 } ... P{X n = xn }=
n |
n |
λ |
xi |
|
∑xi |
|
|
||
|
|
|
|
|
λ |
|
|
|
|
= ∏P{Xi = xi }= ∏ x |
! e−λ |
= |
|
|
|
e−λn . |
|||
x !x |
!...x |
! |
|||||||
i=1 |
i=1 |
|
i |
|
|
1 2 |
n |
|
|
Отбрасывая не зависящую от параметра λ константу, получаем:
L(λ)= λ∑xi e−λn .
Логарифмируем
ln L(λ)= ∑xi ln λ −λn .
Найдем производную и приравняем ее к нулю
20
|
d ln L(λ) |
= |
∑xi |
− n |
= 0 . |
||
|
|
|
|||||
|
dλ |
λ |
|
|
|||
Из последнего соотношения выразим λ |
|
|
|||||
|
|
1 |
|
n |
|
|
|
|
λˆ = |
∑xi = x . |
|
||||
|
|
|
|||||
|
|
n |
i=1 |
|
|
Видно, что при этом значении λ вторая производная отрицательная
|
d 2 ln L(λ) |
|
= − |
∑2xi |
||||
|
2 |
|||||||
|
dλ |
|
|
λ |
|
|||
|
|
|
|
|
|
1 |
n |
|
Следовательно, найденное значение |
λˆ = |
∑xi = x точка минимума |
||||||
n |
||||||||
|
|
|
|
|
|
i=1 |
функции правдоподобия.
Как видно из полученного соотношения, оценка параметра распределения Пуассона совпадает с выборочным средним. Это логично, так как для данного распределения MX = λ .
2.8Интервальные оценки
Вотличие от точечных оценок, выражающихся одним числом, интервальные оценки определяются двумя числами, границами интервала, между которыми с заданной достоверностью лежит истинное значение параметра.
Доверительным интервалом для параметра θ называется
интервал (θ1;θ2 ), содержащий истинное значение параметра с заданной вероятностью p =1−α , то есть
P(θ1 <θ <θ2 )=1−α .
Здесь
21
p =1−α называется доверительной вероятностью (надежностью) оценки; α − уровень значимости.
Чаще задают надежность, равную 0.95, 0.99 и т.д., то есть при уровне значимости 0.05, 0.01 и т.д.
Алгоритм построения доверительного интервала.
Пусть наблюдается некоторая случайная величина X с функцией распределения FX (x). Необходимо по наблюдениям x1, x2 ,..., xn за случайной величиной построить доверительный интервал для неизвестного параметра θ .
Сначала строится точечная оценка данного параметра θˆ . Далее выбирается статистика, зависящая только от оцениваемого параметра
θи его точечной оценки θˆ . Пусть это статистика Y (θ,θˆ),
распределение которой известно. |
|
|
|
|
Если распределение Y известно, то можно найти такие y1 |
и y2 , |
|||
что с заданной вероятностью |
p =1−α при фиксированном уровне |
|||
значимости α будет выполняться неравенство |
|
|||
P{y <Y |
(θ,θˆ)< y |
2 |
}= p =1−α . |
|
1 |
|
|
|
|
Решая неравенство в скобках относительно неизвестного |
||||
параметра θ , находим границы доверительного интервала θ1 |
и θ2 , |
|||
такие, что |
|
|
|
|
P{θ1 <θ <θ2}= p =1−α . |
|
Пример. Построение доверительного интервала для математического ожидания нормального распределения при известной дисперсии.
22