WnioskowanieStatystyczne/Statystyki i estymatory: Różnice pomiędzy wersjami

Z Brain-wiki
Linia 146: Linia 146:
 
Wynika stąd w szczególności, że  
 
Wynika stąd w szczególności, że  
 
<center><math>
 
<center><math>
  E(x_i^{2}) = \sigma^2 + \mu^2
+
  E(x_i^{2}) = \sigma_{x_i}^2 + \mu^2
 
</math></center>
 
</math></center>
  
Analogicznie dla wariancji średniej <math>\overline{x}</math> ,wynoszącej, jako pokazano wcześniej,
+
Analogicznie dla wariancji wartości średniej
 
<center><math>
 
<center><math>
  E(x_i^{2}) = \sigma^2 + \mu^2
+
  E(\overline{x}^2) = \sigma_\overline{x}^2 + \mu^2
 +
</math></center>
 +
 
 +
Ponieważ
 +
<math>
 +
{ \sigma ^{2}(\overline{x})=\frac{1}{n}\sigma ^{2}(\overline{x}) }
 +
</math>
 +
dostajemy
 +
 
 +
<center><math>
 +
\frac{1}{n}\sigma^{2}_\overline{x} = E(\overline{x}^2) + \mu^2
 +
</math></center>
 +
 
 +
czyli
 +
 
 +
<center><math>
 +
E(\overline{x}^2) = \frac{1}{n}\sigma^{2}_\overline{x} + \mu^2
 
</math></center>
 
</math></center>
  
Linia 157: Linia 173:
  
  
Jego wartość oczekiwana wyniesie
+
Policzmy teraz wartość oczekiwaną proponowanego estymatora wariancji
 +
<math> s_o^{2}=\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}(x_{i}-\overline{x})^{2}</math>
  
 
<math>
 
<math>
Linia 168: Linia 185:
 
\frac{1}{n} E\left(\sum\limits_{i=1}^{n}x_{i}^2 + \sum\limits_{i=1}^{n}\overline{x}^{2} + 2\sum\limits_{i=1}^{n} \overline{x} x_i \right)  
 
\frac{1}{n} E\left(\sum\limits_{i=1}^{n}x_{i}^2 + \sum\limits_{i=1}^{n}\overline{x}^{2} + 2\sum\limits_{i=1}^{n} \overline{x} x_i \right)  
 
</math>
 
</math>
 +
 +
 +
 +
  
  

Wersja z 21:37, 17 mar 2024

Wnioskowanie_Statystyczne_-_wykład


Statystyki i estymatory

Funkcję [math]S(x_{1},x_{2},...x_{n})[/math] określoną na elementach próby [math]\{x_i\}[/math] zwiemy statystyką. Obliczane w praktyce statystyki służą weryfikacji hipotez statystycznych (zwiemy je wtedy statystykami testowymi — tym zajmiemy się w następnym rozdziale) lub estymacji (szacowaniu) parametrów rozkładu prawdopodobieństwa w populacji zmiennej [math]x[/math], z której pobierana jest próba. W tym drugim przypadku zwiemy je estymatorami. Na przykład wartość średnia próby

[math] \overline{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}x_{i} [/math]

może być estymatorem wartości oczekiwanej populacji [math]\mu=E(x)[/math].

Estymator zwiemy nieobciążonym, jeśli dla każdej wielkości próby [math]n[/math] jego wartość oczekiwana jest równa wartości estymowanego parametru (oznaczmy go np. [math]\beta[/math]):

[math] \forall n \ E(S(x_{1}...x_{n}))=\beta. [/math]

Estymator zwiemy zgodnym, jeśli przy wielkości próby dążącej do nieskończoności jego wariancja dąży do zera:

[math] \underset{n\rightarrow \infty }{\lim }\sigma (S(x_{1}...x_{n}))=0. [/math]

Estymator wartości oczekiwanej

[math] \mu=E(x)=\overset{n}{\underset{i=1}{\sum }}x_{i}P(X=x_{i}) [/math]

[math] \mu=E(x)=\underset{-\infty }{\overset{\infty }{\int }}x p(x)dx. [/math]

Estymator wartości oczekiwanej postaci

[math] \overline{x}=\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}x_{i} [/math]

jest nieobciążony i zgodny.

Dowód:

[math] E(\overline{x})=E\left(\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}x_{i}\right)= \frac{1}{n}\underset{i=1}{\overset{n}{\sum }}E(x_{i}) =\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}\mu =\frac{1}{n}n\mu =\mu [/math]

[math] \sigma ^{2}\left( \overline{x}\right) = E \left( \left( \overline{x}-E(\overline{x})\right)^{2}\right) = E\left(\left(\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}x_{i}- \frac{1}{n}\underset{i=1}{\overset{n}{\sum }}\mu \right)^{2}\right) = [/math]

[math] =\frac{1}{n^{2}}E\left(\left(\underset{i=1}{\overset{n}{\sum }}(x_{i}-\mu )\right)^{2}\right) [/math]

Jeśli elementy próby są niezależne, to

[math] E\left((x_{i}-\mu)(x_{j}-\mu )\right) =\delta _{ij}\sigma ^{2}(x_{i}), [/math]

gdzie [math]\delta_{ij}[/math] oznacza deltę Kroneckera ([math]\delta_{ij}=1\ \textrm{ dla }\ i=j, \delta_{ij}=0\ \textrm{ dla }\ i\neq j[/math]), czyli:

[math]\sigma ^{2}\left( \overline{x}\right) =\frac{1}{n^{2}}E\left(\underset{i=1}{\overset{n}{\sum }}(x_{i}-\mu )^{2}\right) =\frac{1}{n^{2}}\left(\underset{i=1}{\overset{n}{\sum }}E(x_{i}-\mu )^{2}\right) = \frac{1}{n^{2}}\underset{i=1}{\overset{n}{ \sum }}\sigma ^{2}(x_i) [/math]


Ponadto, jeśli elementy próby pochodzą z tego samego rozkładu, to [math]\sigma ^{2}(x_{i})=\sigma^{2}(x)[/math], czyli

[math] { \sigma ^{2}(\overline{x})=\frac{1}{n^{2}}\underset{i=1}{\overset{n}{ \sum }}\sigma ^{2}(x)=\frac{1}{n}\sigma ^{2}(x)\ }. [/math]


Estymator wariancji

Spróbujmy skonstruować estymator wariancji z próby jako [math] s_o^{2}=\frac{1}{n} \underset{i=1}{\overset{n}{\sum }}(x_{i}-\overline{x})^{2}.[/math]

Aby wyliczyć jego wartość oczekiwaną, wyprowadźmy jeszcze kilka prostych zależności. Na początek wykażemy, że wariancja zmiennej losowej jest równa różnicy wartości oczekiwanej kwadratu tej zmiennej i kwadratu jej wartości oczekiwanej:

[math] \sigma^{2}(x_i)=E((x_i-\mu )^{2})=E(x_i^{2}-2x_i\mu+\mu ^{2})=E(x_i^{2})-2\mu E(x_i)+\mu^{2}=E(x_i^{2})-\mu^{2}=E(x_i^{2})-\left\{ E(x_i)\right\} ^{2} [/math]

Czyli

[math] \sigma ^{2}(x_i) = E(x_i^{2})-\left\{ E(x_i)\right\} ^{2} = E(x_i^{2}) - \mu^2 [/math]

Wynika stąd w szczególności, że

[math] E(x_i^{2}) = \sigma_{x_i}^2 + \mu^2 [/math]

Analogicznie dla wariancji wartości średniej

[math] E(\overline{x}^2) = \sigma_\overline{x}^2 + \mu^2 [/math]

Ponieważ [math] { \sigma ^{2}(\overline{x})=\frac{1}{n}\sigma ^{2}(\overline{x}) } [/math] dostajemy

[math] \frac{1}{n}\sigma^{2}_\overline{x} = E(\overline{x}^2) + \mu^2 [/math]

czyli

[math] E(\overline{x}^2) = \frac{1}{n}\sigma^{2}_\overline{x} + \mu^2 [/math]



Policzmy teraz wartość oczekiwaną proponowanego estymatora wariancji [math] s_o^{2}=\frac{1}{n}\underset{i=1}{\overset{n}{\sum }}(x_{i}-\overline{x})^{2}[/math]

[math] E\left( s_o^{2}\right) = \frac{1}{n} E\left(\sum\limits_{i=1}^{n}(x_{i}-\overline{x})^{2}\right) [/math]


[math] = \frac{1}{n} E\left(\sum\limits_{i=1}^{n}x_{i}^2 + \sum\limits_{i=1}^{n}\overline{x}^{2} + 2\sum\limits_{i=1}^{n} \overline{x} x_i \right) [/math]







[math] = \frac{1}{n} \left( n \sigma^{2}(x)-n\left(\frac{1}{n}\sigma^{2}(x)\right)\right) [/math]


[math] =\frac{n-1}{n}\sigma ^{2}(x) [/math]


czyli nie jest dla każdej wielkości próby [math]n[/math] wartość oczekiwana tego estymatora wyniesie [math]\sigma^2(x)[/math]. Tak więc [math]s_o^2[/math] jest estymatorem obciążonym.


W tej sytuacji, jako nieobciążony estymator wariancji możemy zaproponować

[math] { s^{2}=\frac{1}{n-1}\underset{i=1}{\overset{n}{\sum }}(x_{i}- \overline{x})^{2} } [/math]


Podstawiając ten estymator wariancji do wyprowadzonego powyżej wzoru na wariancję wartości średniej (3) w miejsce [math]\sigma^2[/math], dostajemy wzór na estymator wariancji wartości średniej próby


[math] s^2_{\overline{x}} = \frac{1}{n(n-1)}\sum_{i=1}^n(x_{i}-\overline{x})^{2}. [/math]


Pierwiastek tej wielkości


[math] s_{\overline{x}} = \sqrt{ \frac{1}{n(n-1)}\sum_{i=1}^n(x_{i}-\overline{x})^{2}} [/math]


jest estymatorem odchylenia standardowego wartości średniej. Wielkość tę czasem utożsamia się z "błędem wartości średniej".