Lekcija 10

1. Opisati dobijanje tackastih ocena.

Neka je dat prost slucajni uzorak (X1, X2, , Xn) obima n za posmatrano obelezje X.
Statistika Y=f(X1, X2, , Xn) je slucajna velicina koja implicitno zavisi od parametara
u raspodeli obelezja X. Ako se statistikom Y ocenjuje parameter , tada se statistika Y
naziva ocena parametra i oznacava se sa ` ili n`.
Nepoznati parametric raspodele posmatranog obelezja se ocenjuju na osnovu uzorka,
kao realizovane vrednosti pogodno odabranih statistika. Taj postupak se naziva
ocenjivanje parametara. Posto je realizovana vrednost statistike neki realni broj, tj.
neka tacka na realnoj pravoj, ovakve ocene parametara se nazivaju tackaste ocene.
2. Definisati nepristrasne i asimptotski nepristrasne ocene.
Definicija 1.
Neka je dat prost slucajan uzorak (X 1, X2, , Xn) obima n za posmatrano obelezje X i
neka je nepoznati parameter u raspodeli obelezja X. Statistika Y=f(X 1, X2, , Xn) je
nepristrasna ocean parametra ako je E(Y)=.
Ako statistika Y=f(X1, X2, , Xn) kojom se ocenjuje neki parameter postaje
nepristrasna u slucaju kada obim uzorka tezi beskonacnosti, tj. ako je E(Y), n,
tada je statistika asimtotski nepristrasna ocean posmatranog parametra .
3. Definisati pristrasne ocene.
Ocena ` parametra koja nema osobinu nepristrasnosti se naziva pristrasna ocena.
Velicina njene pristrasnosti se meri razlikom E(`) .
4. Definisati postojane ocene.
Pripada kategodiji nepristrasnih ocena.
Definicija 2.
Neka je dat prost slucajni uzorak (X 1, X2, , Xn) obima n za obelezje X i neka je
nepoznati parameter u raspodeli obelezja X. Statistika Y=f(X1, X2, , Xn) je
postojana ocena parametra ako Y--p-->, n.
Teorema 1.
Ako je statistika Y=f(X1, X2, , Xn) nepristrasna ocena za nepoznati parameter i ako
D(Y)0, n, tada je Y postojana ocena za .

5. Definisati efikasnije ocene.

Definicija 3. Neka je dat prost slucajni uzorak (X1, X2, , Xn) obima n za obelezje X i
neka je nepoznati parameter u raspodeli obelezja X. Neka su dve nepristrasne ocene
tog parametra date statistikama Y=f(X1, X2, , Xn) i Z=g(X1, X2, , Xn). Ako je D(Y)
D(Z) statistika Y je efikasnija ocena parametra statistike Z.

6. Navesti neke osobine uzoracke sredine i uzoracke disperzije u slucaju obelezja sa

normalnom raspodelom.
Neka obelezje X ima N(m, 2) raspodelu i neka je dat prost slucajni uzorak (X1, X2, ,
Xn) obima n za posmatrano obelezje.
n

1. Statistika

je N(m,

1
X
n i=1 i

X n=

2
), dok statistika
n
2

2. Statistika

2
n

nS n

X nm
n

1
2
X m )
2 ( i
i=1

ima

ima N(0, 1) raspodelu.

2n , pa je E( S 2n

= 2

D( S 2n

3. Statistika

je nepristrasna i postojana ocena za m i njena raspodela

S n =

n S 2n 1 n
= 2 ( X i X n ) 2
2

i=1

( n1 ) 2
n

2
4. Statitike X`n i S n

, D(

S n =

n S 2n 1 n
= 2 ( X i m )2
2

i=1
2 ( n1 ) 4
n2

ima

2
n , pa je E(

su nezavisne slucajne velicine.

5. Uzoracka sredina X`n je najefikasnija u klasi linearnih nepristrasnih ocena

matematickog ocekivanja koje su oblika
n

j X j
j=1

j =1
j=1

7. Navesti neke osobine uzoracke sredine i uzoracke disperzije u slucaju obelezja sa

proizvoljnom raspodelom.
Neka je dato obelezje X koje ima konacno matematicko ocekivanje m i konacnu
disperziju 2. Neka je (X1, X2, , Xn) prost slucajan uzorak za posmatrano obelezje.
Vazi sledece:

1. Statistika

X n=

1
X
n i=1 i

je nepristrasna ocena za m, a ako je disperzija

obelezja konacna, onda je uzoracka sredina

Raspodela za
X n=

X nm
n

2. Statistika

konvergira ka N(m,

postojana ocena za m.

2
) raspodeli, tj normirani oblik
n

ima, za veliki uzorak, asimptotski N(0, 1) raspodelu.

n

1
S = ( X i m )2
n i=1
2
n

nepristrasna ocena za

, pri cemu se smatra da je m poznato, je

a uz uslov da je cetvrti moment u raspodeli

obelezja X konacan, to je i postojana ocena.

3. Statistika

S 2n=

1
X iX n )2

(
n1 i=1

je nepristrasna ocena za

kada je

m nepoznato, a uz uslov da je cetvrti moment u raspodeli obelezja X konacan,

to je i postojana ocena.
8. Definisati funkciju verodostojnosti.
Neka je nepoznati jednodimenzionalni parameter u raspodeli obelezja X i neka je
skup svih mogucih vrednosti parametra , tzv parametarski proctor. Neka je (X1, X2,
, Xn) prost slucajni uzorak za neprekidno obelezje X i neka je f(x, ) gustina
raspodele obelezja X. Funkcija

L(X;)= f(X1; )* f(X2; )*. . . * f(Xn; )

se naziva funkcija verodostojnosti.
Za ocenu parametra se uzima statistika za koju se dostize supremum funkcije
verodostojnosti.
9. Opisati MMV u slucaju jednodimenzionalnog parametra.
Ako je funkcija verodostojnosti diferencijabilna, najpre se odredjuju vrednosti
parametara koje su resenje jednacine
d L(X ; )
=0
d
ili jednacine

d ln ( L ( X ; ) )
=0
d

Medju dobijenim resenjima jednacine mogu se nalaziti vrednosti za koje funkcija L(ili
lnL) postize svoj supremum, odnosno maksimum ako je drugi izvod funkcije L(ili lnL)
negativan u tim tackama.
Ako je posmatrano obelezje diskretnog tipa, tada je funkcija verodostojnosti jednaka
proizvodu verovatnoca postizanja pojedinih vrednosti iz uzorka

L(X;)= p(X1; )* p(X2; )*. . . * p(Xn; )

gde je p(t; ) =P{X = t}. Zatim se odredjuje maksimalna vrednost funkcije L (ili lnL)
kao u predhodnom slucaju.
10. Opisati MMV u slucaju visedimenzionalnog parametra.
U slucaju visedimenzionalnog parametra =( 1, 2, , S) i diferencijabilne
funkcije verodostojnosti, najpre je potrebno odrediti resenje sistema jednacina
L( X ; )
=0, j=1,2, , s
j
ili sistema jednacina
ln L( X ; )
=0, j=1,2, , s
j
Zatim se odredjuje, npr. pomocu totalnog diferencijala drugog reda, za koja resenja
sistema se dobija maksimalna vrednost funkcije verodostojnosti(ili njenog logaritma).
11. Navesti neke osobine ocena dobijenih MMV.
Ocene koje se dobiju postupkom MMV imaju, cesto, dobre osobine, kao sto su
nepristrasnost i/ili postojanost, a takodje su cesto efikasnije od ocena dobijenih nekom
drugom metodom. Pod odredjenim uslovima raspodele ocena dobijenih MMV imaju
asimptotski normalnu raspodelu. Jedna od osobina ocena dobijenih MMV je i da su
one simetricne funkcije uzorka, tj da na vrednost ocene uticu vrednosti podataka, a ne
njihov redosled. Takodje imaju i osobinu intrivijantnosti:
Neka je g(x) neprekidna funkcija koja ima neprekidnu inverznu funkciju i
neka je Y statistika kojom se po MMV ocenjuje parameter . Tada je g(Y)
statistika kojom se po MMV ocenjuje g().

12. Opisati metodu momenata.

Metoda momenta se kao i MMV moze primeniti na obelezja sa disretnim i na
obelezja sa neprekidnim raspodelama. Zasniva se na cinjenici da su, pod izvesnim
uslovima, uzoracki momenti postojane i asimptotski nepristrasne ocene odgovarajucih
teorijskih momenata, a drugi razlog je to da u nekim slucajavima momenti
jednoznacno odredjuju raspodelu.
Ako u raspodeli obelezja X ima r, r 1, nepoznatih parameter, onda se statistike
kojima se ti parametric ocenjuju mogu dobiti resavanjem sistema od r jednacina
n

E(Xj)=

1
Xj
n j=1

, j=1, . . . , r

Metoda momenta se ne moze primeniti ako momenti raspodele obelezja ne postoje.

Statistike koje se dobijaju po metodi momenta su cesto manje efikasne ocene od
statistika koje se dobijaju po MMV.