Professional Documents
Culture Documents
x!
x
a
P ( X = x; a ) = e a , pentru x = 0,1,2,3,... .
x!
n cadrul unui proces de producie, o caracteristic important o constituie procentul p de
rebut. Dac X este variabila aleatoare ce d numrul de produse corespunztoare ce se obin
n x
ntr-o selecie repetat de volum n, atunci: P ( X = x; p ) = Cnx p x (1 p ) , x = 0,1, 2,.., n .
S mai considerm un alt exemplu, cu o variabil aleatoare care admite o densitate de
repartiie. Fie T o variabil aleatoare ce reprezint durata de funcionare fr cderi a unei
anumite componente. n multe situaii, variabila T este caracterizat de densitatea de
1 t
e , t > 0
repartiie: fT ( t ; ) =
, unde parametrul > 0 .
0, t 0
1
este: f ( x; m, ) =
e
2
( m, ) R ( 0, ) .
( x m )2
22
n toate aceste exemple s-a specificat forma, fr a se preciza care anume repartiie este,
adic valorile exacte ale parametrilor care intervin.
Ori de cte ori avem forma funciei prin care se exprim legea de repartiie, spunem c
avem o problem specificat. Cunoaterea valorilor parametrilor conduce la cunoaterea
complet a legii de repartiie, adic avem o problem complet specificat.
Operaia de evaluare a parametrilor poart numele de estimare a parametrilor, care se face
pe baza unei selecii de volum n: X1, X2,.., Xn, extras din populaia caracterizat de variabila
aleatoare X, cu legea de repartiie specificat. Valorile parametrilor unic determinate pe baza
seleciei le vom numi estimaii punctuale. Valorile parametrilor le estimm cu ajutorul unei
statistici (o funcie cu datele de selecie) construite pe baza seleciei X1, X2,.., Xn i pe care o
Pentru a preciza ideile, vom presupune c selecia de volum n s-a efectuat dintr-o
populaie caracterizat de o variabil aleatoare X, care admite legea de repartiie dat de
f ( x; ) , aceasta fiind o densitate de repartiie, n cazul n care exist densitate sau, n cazul
unei variabile discrete, fiind P ( X = x; ) . Cu ajutorul funciei de selecie (numit estimator)
Valoarea luat de Tn ( X 1 , X 2 ,.., X n ) , pentru valori bine determinate ale variabilelor X1,
X2,.., Xn, o vom numi estimaie a parametrului . Din cele prezentate rezult c funcia de
estimaie este de natur teoretic, n timp ce estimaia este de natur empiric.
P
spunem c Tn ( X 1 , X 2 ,.., X n ) este o estimaie consistent
Dac Tn ( X 1 , X 2 ,.., X n )
n
a parametrului .
Cum exist o infinitate de funcii Tn ( X 1 , X 2 ,.., X n ) care converg n probabilitate ctre ,
pentru a mri precizia, vom recurge la convergene mai tari, care asigur convergena n
probabilitate. O atare convergen este convergena n medie ptratic, ce prezint avantajul
c este comod n calcul. Funcia de estimaie Tn ( X 1 , X 2 ,.., X n ) este o funcie de variabilele
aleatoare independente X1, X2,.., Xn i, deci, o variabil aleatoare cu funcia ei de repartiie.
Dac presupunem c operm cu convergena n medie ptratic, se admite implicit c
Tn ( X 1 , X 2 ,.., X n ) are momente de ordinul doi cel puin.
Definiia 2.1.1. Spunem c statistica Tn ( X 1 , X 2 ,.., X n ) este un estimator nedeplasat al
proprietatea c h ( n ) 0 .
n
Este clar c ntre eroarea de estimaie i deplasare exist o net deosebire. n timp ce
eroarea de estimaie este Tn ( X 1 , X 2 ,.., X n ) i este o variabil aleatoare, deplasarea
h ( n ) = M (Tn ( X 1 , X 2 ,.., X n ) ) este o funcie numeric, ce depinde de volumul de selecie
Aa de exemplu, Tn ( X 1 , X 2 ,.., X n ) = X =
1 n
X j este o estimaie nedeplasat a mediei
n j =1
( )
2
i M ( s 2 ) = 2 .
n
Aceasta dovedete c 2 este o estimaie negativ deplasat pentru dispersia teoretic 2 ,
n timp ce s2 este o estimaie nedeplasat pentru 2 .
( )
Am vzut, de asemenea, c M 2 = 2
( )
( )
M Mr = Mr ( X) , D Mr =
M 2r ( X ) M 2r ( X )
0
n
n
n particular X este o estimaie absolut corect pentru M ( X ) = m , oricare ar fi repartiia
2
2
2
i
4 0 precum i M 2 = 2
n
n
n 1
( )
2 ( n 1) 4
0 rezult c s2 este o estimaie absolut corect pentru 2 , n timp
2
n
n
ce 2 este numai corect pentru 2 (n selecii dintr-o populaie normal N ( m, ) ).
( )
D2 2 =
Din rezultatele menionate mai sus, este clar c vom prefera totdeauna s avem o
estimaie nedeplasat pentru un parametru .
Dar, pot exista, pentru acelai parametru , mai multe estimaii nedeplasate i, deci, este
natural s o preferm pe aceea care are dispersia cea mai mic, ntruct valorile statisticii
Tn ( X 1 , X 2 ,.., X n ) se vor grupa mai bine n jurul valorii . n felul acesta, ne punem problema
existenei unei estimaii nedeplasate, care s aib cea mai mic dispersie i ct de mic poate
s fie dispersia unei estimaii.
n acest sens, avem binecunoscuta teorem a minimului dispersiei, cunoscut sub numele
de teorema Rao-Cramer.
Teorema 2.1.1. (Rao-Cramer)
Dac Tn ( X 1 , X 2 ,.., X n ) este o estimaie absolut corect pentru parametrul din repartiia
dat
de
f(x;)
variabilei
aleatoare
(discret
sau
continu),
atunci:
1
, unde I ( ) este cantitatea de informaie pe o observaie i
n I ( )
D 2 (Tn ( X 1 , X 2 ,.., X n ) )
ln f ( X , ) 2
2 ln f ( X , )
are expresia: I ( ) = M
M
=
1
.
n I ( )
1
n I ( )
D 2 (Tn ( X 1 , X 2 ,.., X n ) )
Cum eficiena este o funcie de volumul n al seleciei i cum la limit trebuie s obinem
cea mai mare informaie posibil rezult c lim e (Tn ( X 1 , X 2 ,.., X n ) ) = 1 i n acest caz vom
n
( )
unde
f ( x; 1 , 2 ,.., k )
( )
este
densitatea
de
repartiie,
dac
aceasta
exist,
sau
Admitem c variabila aleatoare X are momente cel puin pn la ordinul k inclusiv. Atunci
M S ( X 1 , 2 ,.., k ) sunt funcii de parametrii necunoscui 1 , 2 ,.., k , s 1 .
Alctuim sistemul de ecuaii: M S ( X 1 , 2 ,.., k ) = M S , 1 s k , unde M S =
1 n s
X j .
n j =1
j=1
=0
j=1
j=1
L ( X1 , X 2 ,.., X n ; 1 , 2 ,.., k )
r
= 0, 1 r k
r s 1 r ,s k
funcionale ptratice negativ definite.
Fr a intra n amnunte, vom sublinia unele proprieti ale estimaiilor de verosimilitate
maxim, proprieti ce le recomand pentru aplicaii. n cazul unui singur parametru ,
estimaia de verosimilitate maxim este consistent n probabilitate, iar pentru valori mari ale
lui n, repartiia ei este aproximativ normal cu media M = i cu dispersia
()
()
D 2 =
.
ln f ( X; ) 2
n M
Altfel spus, estimaia obinut prin metoda verosimilitii maxime este asimptotic
eficient, n sensul c nu exist o alt estimaie asimptotic normal cu dispersie mai mic.
Dac parametrul admite o estimaie eficient, atunci aceasta se obine n mod unic,
rezolvnd ecuaia de verosimilitate.
3.2.2.3. Intervale de ncredere
S considerm variabila aleatoare X, caracterizat de familia de repartiii f ( x; ) , ce
depinde de parametrul a crui valoarea bine determinat nu o cunoatem i pe care dorim s
o estimm, pe baza unei selecii de volum n: X1,X2,..,Xn.
Metoda punctual de estimare caut o funcie de selecie Tn ( X 1 , X 2 ,.., X n ) , care s
P
pentru parametrul .
ntruct Tn ( X 1 , X 2 ,.., X n ) variaz ca precizie, este de dorit s dispunem de o indicaie
asupra preciziei sale, iar metoda intervalelor de ncredere, pe care o punem n eviden n cele
ce urmeaz, are astfel de virtui.
S presupunem c pe baza seleciei menionate, se pot determina dou funcii de selecie
1 ( X1 , X 2 ,.., X n ) i 2 ( X1 , X 2 ,.., X n ) astfel nct :
P ( 1 ( X1 , X 2 ,.., X n ) 2 ( X1 , X 2 ,.., X n ) ) =
este independent de .
n aceast situaie, pentru orice ( 0,1) fixat, putem determina dou numerele reale
au aceeai
X m
.
X m
am
n
vzut c are o repartiie normal N(0;1), adic funcia ei de repartiie nu depinde de
parametrul m.
X m
Pe de alt parte
este continu i strict descresctoare n raport cu variabila m.
n
X m
Din faptul c
are o repartiie normal N(0;1) rezult c, pentru orice ( 0,1)
n
fixat i apropiat de 1, putem determina numerele z1 i z2 astfel nct:
Selecia fiind efectuat dintr-o populaie normal N(m, ), variabila aleatoare
z2
2
X m
1
x
P z1
z2 =
e 2 dx = ( z2 ) z1 =
2 z1
( )
X m
n
n
condiia ( z 2 ) ( z1 ) = .
x
z2
1
legtura
e 2 dx = .
2 z1
Aplicnd metoda multiplicatorilor lui Lagrange, vom cuta minimul funciei:
x2
z2
1
( z2 z1 ) +
e 2 dx
H ( z1 , z2 , ) =
2 z
n
1
H
H
H
Din sistemul
=0;
= 0;
= 0 se obine:
z2
z1
z
z
1
2
e 2 = 0 ;
+
e 2 = 0 i de aici:
n
2
n
2
2
z2
z2
1
2
2 z21
2 z22
=
e =
e ; e 2 = e 2 adic z12 = z22 sau z1 = z2 .
n
n
Cum > 0 , soluia z1 = z 2 nu convine i, deci z1 = z 2 ; z 2 = z .
( z ) ( z ) = , de unde obinem:
+1 1+1
=
= 1 , z = 1 1 = z , care se afl din
2
2
2
2 1 2
tabelele pentru repartiia normal N(0;1).
n final, intervalul de ncredere pentru parametrul m, cnd este cunoscut, cu nivelul de
; X +z
ncredere = 1 este: X z
.
1
1
n
n
2
2
2 ( z ) 1 = , ( z ) =
n
n
t2
2
s
x
2
H ( t1 , t2 , ) =
( t2 t1 ) +
1 +
dx
n
n 1 n 1 t1 n 1
n
2
1
s2 =
X j X .
n 1 j =1
unde
X m
urmeaz o lege de repartiie Student cu n 1 grade
s
n
de libertate.
X m
este funcie continu
s
n
i strict descresctoare n raport cu m, pentru orice ( 0,1) fixat, putem determina numerele
reale t1 i t2 astfel nct:
Cum funcia de repartiie Student nu depinde de m i n plus
X m
t2 =
P t1
s
n
2
x2 2
1 +
dx =
n 1 t1 n 1
( n 1)
2
t2
X m
s
s
t2 este echivalent cu X t2
m X t1
Cum evenimentul t1
,
s
n
n
s
s
m X t1
nseamn c au aceeai probabilitate, adic: P X t2
= i deci am
n
n
s
s
; X t1
determinat intervalul de ncredere X t2
care, cu probabilitatea ,
n
n
acoper parametrul m.
Ca i n cazul anterior, punem condiia ca lungimea intervalului s fie minim, cu
n
n
t2
2
x 2
2
1 +
restricia:
dx = .
n 1 t1 n 1
( n 1)
2
Aplicnd metoda multiplicatorilor lui Lagrange se obine din
n
n
t2
2
s
x
H
2
H ( t1 , t2 , ) =
dx
( t2 t1 ) +
1 +
i
= 0,
t1
n
n 1 n 1 t1 n 1
2
H
= 0 c t1 = t2 , t2 = t , iar intervalul de ncredere devine:
1
t2
2
s
s
; X +t
X t1
.
1
n
n
2
2
n 1) s 2
(
=
2
2
( cu n 1 grade de libertate).
Atunci, pentru = 1 ( 0,1) fixat, se pot determina dou numere 12 i 22 astfel nct:
2 n 1
x
2 ( n 1) s 2
1
2
2
2
2 = n 1
x
e dx =
P 1
2
2 2 n 1 12
2
n 1) s 2
(
Cum funcia de repartiie a variabilei
este independent de 2 i n plus
2
( n 1) s 2 este continu i strict descresctoare n raport cu 2 , nseamn c statistica aleas
2
ndeplinete condiiile pentru a putea construi un interval de ncredere pentru 2 .
( n 1) s 2 2 i ( n 1) s 2 2 ( n 1) s 2 fiind echivalente,
Evenimentele 12
2
2
22
12
( n 1) s 2
n 1) s 2
(
2
P
=
22
12
2
2
( n 1) s ( n 1) s
adic am determinat intervalul
;
care, cu o probabilitate fixat,
22
12
2
acoper parametrul .
Numerele 12 i 22 depind de i, ca atare, s le stabilim valoarea cnd este dat.
Densitatea de repartiie a unei variabile (2k ) , nemaifiind simetric i lund numai valori
pozitive, nu vom mai putea adopta ca metod minimizarea lungimii intervalului, cu restricii.
Vom adopta n acest caz regula: P ( 2 < 12 ) = ; P ( 2 > 22 ) = , numit regula cozilor
2
2
egale.
f(x)
Avnd n vedere modul cum sunt construite tabelele pentru funcia de repartiie a unei
i cu acestea intervalul
variabile (2k ) , obinem: 12 = 2 ; 22 = 2
( n 1),
( n 1),1
( n 1) s 2 ( n 1) s 2
2
, 2
care, cu o probabilitate , acoper parametrul .
2
( n 1),1
( n 1),
2
2
0, x 0
x2
1
n2
f ( x ) = n 3
x e 2 , x > 0
2 2 n 1
2
Pentru = 1 fixat, se pot determina dou numere U1 i U2 astfel nct:
x
U2
n 1 s
1
P U1
U 2 = n 3
x n 2 e 2 dx =
2 2 n 1 U1
2
2
n 1 s n 1 s
Se obine astfel intervalul:
,
care, cu o probabilitate , acoper
U1
U2
parametrul .
Valorile numerice se pot determina fie folosind cuantilele repartiiei (2k ) , fie prin
integrare numeric pe calculator.
3.2.4.4. Selecii din dou populaii normale N(m1,1) i N(m2, 2)
S presupunem c s-au efectuat dou selecii, una de volum n1 din populaia N(m1, 1) i
X1 =
1 n1
X1 j ;
n1 j =1
2
2
1 n1
1 n2
1 n2
2
s =
X 1 j X 1 ; X 2 = X 2 j ; s2 =
X2 j X 2 .
n2 1 j =1
n2 j =1
n1 1 j =1
Construim un interval de ncredere pentru m 1 m2 n cazul n care 1 i 2 sunt
cunoscute.
Pentru aceasta considerm statistica:
X 1 X 2 ( m1 m2 )
U X 11 , X 12 ,.., X 1n 1 , X 21 , X 22 ,.., X 2 n 2 ; m1 m2 =
12 22
+
n1 n2
care este repartizat normal N(0;1),de unde urmeaz, parcurgnd punct cu punct calea
parcurs n cazul unei singure selecii, intervalul de ncredere de nivel = 1 :
2 2
2 2
X1 X 2 z 1 + 2 ; X1 X 2 + z 1 + 2
1
1
n1 n2
n1 n2
2
2
Intervalul de ncredere pentru m1 m 2 n cazul n care 1 i 2 sunt necunoscute, dar
2
1 = 22 = 2 .
n acest scop se consider statistica:
X 1 X 2 ( m1 m2 )
2
1
1 1
+
n1 n2
( n1 1) s12 + ( n2 1) s22
n1 + n2 2
care are o repartiie Student cu n1 + n2 2 grade de libertate.
Atunci, procednd ca n cazul unei singure selecii dintr-o populaie normal N(m,),
obinem, pentru = 1 fixat, intervalul de ncredere:
2
2
n1 + n2 ( n1 1) s1 + ( n2 1) s2
X1 X 2 t
;
1 ; n 1+ n2 2
n1 n2
n1 + n2 2
2
2
2
n + n ( n 1) s1 + ( n2 1) s2
X1 X 2 +t
1 2 1
1 ; n 1+ n2 2
n1 n2
n1 + n2 2
2
Acest interval acoper, cu probabilitatea , valoarea m1 m 2 .
12
.
22
12 s22
.
22 s12
12
, iar ca funcie
22
12
este continu i strict cresctoare.
22
P F
Fn2 1; n1 1 F
=
n2 1; n1 1,1
2
n2 1;n 11, 2
Cum evenimentele:
s12
12 s22
12 s12
2 F
F
F
F
,
n 1;n 1,
2
2
2
2
n 2 1; n1 1,1
s n2 1;n1 1, 2 2 s2 n2 1;n1 1,1 2
2 2
2 1 2 2 s1
sunt echivalente, au aceeai probabilitate i am obinut intervalul:
s12
s12
F
;
F
2 n 1;n 1,
2
2
1
s2 n2 1;n 11,1 2
2
s2
2
care acoper valoarea parametrului 12 , cu probabilitatea .
2
3.2.4.5. Intervale de ncredere pentru parametri n cazul seleciilor de volum mare
Dup cum s-a vzut, determinarea unui interval de ncredere pentru parametrul , care
apare n legea de repartiie f ( x; ) , se baza pe construirea unei funcii de selecie, care s
depind de datele de selecie X1,X2,..,Xn, de volumul de selecie n i de parametrul estimat .
De asemenea, se presupunea c funcia de repartiie a statisticii nu depinde de parametrul
estimat. ns, n multe situaii, aflarea funciei de repartiie a statisticii este o problem
dificil, dar se poate determina repartiia asimptotic a statisticii care conine parametrul
necunoscut i se poate utiliza repartiia asimptotic, dac n este suficient de mare, caz n care
erorile comise sunt neglijabile.
Fie variabila aleatoare X cu densitatea de repartiie f ( x; ) ce caracterizeaz o populaie
C, din care se efectueaz selecia de volum n: X1,X2,..,Xn. n ipoteza c valorile de selecie
ln f ( X j ; )
ln P n ln f ( X j ; )
=
Yj =
. Notnd
, 1 j n
j =1
ln f ( X ; ) ln f ( x; )
M (Y j ) = M
f ( x; ) dx = 0
=
Presupunem c:
Rezult:
j =1
obinem:
ln f ( x; )
0 < M 2 (Y j ) =
f ( x; ) dx <
ln f ( X ; )
Atunci D 2 (Y j ) = M 2 (Y j ) = M 2
, iar variabila:
ln P
ln P
M
=
ln P
D
ln f ( X j ; )
ln f ( X j ; )
n
n
M
Yi
j =1
=
i =1
este asimptotic
2
n ln f ( X j ; )
n
D
Y
( j)
D 2
j =1
j =1
i =1
< b =
n D (Y j )
Yi
b x
1
e 2 dx i, prin urmare, pentru n suficient de
2 a
mare, statistica:
Yi
i =1
n D (Y j )
1
ln P
urmeaz aproximativ o lege de repartiie
n D (Y j )
N(0;1).
ln P
este strict monoton n raport cu , atunci se poate construi un
Dac, n plus,
Aplicaii
Pe baza seleciei X 1 , X 2 , , X n s se estimeze parametrul al repartiiei Poisson:
e k
, k = 0,1, 2, i s se analizeze estimatorul obinut.
P( X = k ) =
1.
k!
obine estimatorul n ( X1 , X 2 ,, X n ) = X =
avem
1 n
X i . Utiliznd metoda verosimilitii maxime
n i =1
funciile
de
i =1
i =1
P ( X1 , X 2 ,, X n ; ) = P ( X = X i ; ) =
verosimilitate
= e n
,
( X i )!
i =1 ( X i )!
Xi
Xi
L ( X 1 , X 2 ,, X n ; ) = ln P ( X 1 , X 2 ,, X n ; ) = n + ( X i ln ln ( X i )!)
L ( X 1 , X 2 , , X n ; )
verosimilitate
n ( X 1 , X 2 ,, X n ) =
ecuaia
de
i =1
= 0,
n +
deci
i =1
Xi = 0
se
obine
estimatorul
1 n
X i = X (acelai ca i la metoda momentelor, totui nu este obligatoriu
n i =1
ca ambele metode s dea acelai estimator). Pentru analiza estimatorului vom folosi faptul c
M ( X ) = i D ( X ) = .
Avem
1 n
1 n
1
1 n
1 n
M ( n ( X 1 , X 2 , , X n ) ) = M X = M X i = M ( X i ) = M ( X ) = = n = ,
n
n
n
n
n
i =1
i =1
i =1
i =1
( )
1
n2
D( Xi ) =
i =1
n
=
0 rezult c este estimator
n n
n2
absolut corect;
e X
ln f ( X ; )
X
ln f ( X ; ) = ln
= 1 + ,
= + X ln ln X ! ,
X!
2 ln f ( X ; )
2 ln f ( X ; )
X
X 1
,
=
M
=
(
)
= M 2 =
2
2
2
1
se verific faptul c D ( n ( X 1 , X 2 ,, X n ) ) = =
, deci este estimator eficient, are
n n I ( )
cum
eficiena e ( n ( X 1 , X 2 , , X n ) ) =
1 ( n I ( ))
D ( n ( X 1 , X 2 , , X n ) )
=1.
f ( x; ) =
, x = 0,1, 2, , i s se arate c este absolut corect.
(1 + ) x +1
Rezolvare: Avem ecuaia de verosimilitate
n
ln f ( X i ; ) = 0 ,
i =1
n
n
Xi
ln
=
( X i ln (1 + X i ) ln (1 + ) ) =
i =1 (1 + ) X i +1 i =1
Xi 1+ Xi
1+
i =1
n
X i n = 0 , se obine estimatorul
(1 + ) i =1
n ( X 1 , X 2 ,, X n ) =
M (X ) = x
Avem
x =0
x
1
1
=
x tx =
S1 ,
x +1
1 + x =1
1+
(1 + )
k
S1 = x t = lim x t = t lim x t
x =1
t lim
k x =1
k t k +1 ( k + 1) t k + 1
( t 1)
1 n
Xi = X
n i =1
k x =1
( t 1)
'
'
x 1
t=
unde
t k +1 t
k
= t lim t x = t lim
=
k x =1
k
t 1
(1 + )
1
+
= + 2 ,
rezult
1+
( 0,1)
M (X ) =
pentru
S1'
1
+ 2 = . Pentru a calcula M X 2
1+
aceasta
( )
procedm
astfel:
derivm
x =1
S1
raport
cu
'
= x t
2
x 1
x =1
deci
= 2 2 + ( + 1) ,
x
1
=
S 2 = 2 2 + ,
x +1
1+
(1 + )
( )
2
t
t 1) 2t ( t 1)
(
t2 + t
t
= t
=
=
( t 1)2
( t 1)3
( t 1)4
S2 = t S1'
t,
M X 2 = x2
x =0
( )
D ( X ) = M X 2 M 2 ( X ) = 2 + . Aadar,
1 n
1 n
1 n
M ( n ( X 1 , X 2 , , X n ) ) = M X = M X i = M ( X i ) = M ( X )
n i =1
n i =1 n i =1
( )
deci
estimatorul
D ( n ( X 1 , X 2 , , X n ) ) =
1
n2
este
1
D ( X i ) = n2 n D ( X ) =
nedeplasat,
+
2
0
n
i =1
1 n
1
= n = ,
n i =1
n
cum
rezult c estimatorul
repartiie: f ( x; ) =
Rezolvare:
Folosind
metoda
momentelor
M ( X ) = x f ( x ) dx =
avem:
2 e dx = y
0
e y dy = ( 3) = 2 ,
1
2
n ( X1 , X 2 ,, X n ) = X =
Folosind
deci ecuaia
M (X ) = X
ne d estimatorul
ln 2i e
i =1
1 n
Xi .
2 n i =1
metoda
Xi
verosimilitii
ln X i 2 ln
i =1
maxime
Xi
2 Xi
= + 2
i =1
n
avem:
2n 1
+
=
2
Avem M ( n ( X 1 , X 2 ,, X n ) ) =
este nedeplasat. Cum M ( X
)=x
0
ln f ( X i ; ) = 0,
i =1
Xi = 0 ,
se obine
i =1
1 n
X
Xi = .
2 n i =1
2
1
1
1 n
M ( X i ) = M ( X ) = 2 = , deci estimatorul
2
2
2 n i =1
f ( x ) dx =
x3
e dx =
2 y 3 e y dy = 2 ( 4 ) = 2 3! = 6 2 obinem D ( X ) = M ( X 2 ) M 2 ( X ) =
0
6 2 4 2 = 2 2 i D ( n ( X 1 , X 2 ,, X n ) ) =
1
4n2
D ( X i ) = 4n2 n D ( X ) =
i =1
2 2 =
estimatorului, e ( n ( X 1 , X 2 , , X n ) ) =
1 ( n I ( ) )
D ( n ( X 1 , X 2 , , X n ) )
, procedm astfel:
2 X 2 2X
X
2
2 X
=
ln f ( X ; ) =
ln
X
2ln
ln f ( X ; ) =
+
,
,
+ =
2
2
2 2 3
2 ln f ( X , )
2
2
2
2
2
2 2X
I ( ) = M
= M 2 3 = 2 + 3 M ( X ) = 2 + 3 2 = 2 ,
2
2 ( 2n )
= 1, aadar, estimatorul este eficient. Pentru selecia dat
e ( n ( X 1 , X 2 , , X n ) ) = 2
( 2n )
estimaia este n ( X 1 , X 2 ,, X n ) =
1 n
54
Xi =
= 1,8
2 n i =1
30
4. Se consider c greutatea unor saci cu cafea are o repartiie normal cu dispersia 12.
Cntrind la ntmplare 64 saci se obin greutile (n kg):
Nr. saci 5
10 10 11 8 10 6
4
Greutatea 82 80 81 77 78 79 80,5 78,5
X m
~ N ( 0,1) i P ( < Z < ) = 0,98 .
n
= F 1
Din
X 2,33
inegalitatea
n
I = ( 78,3348; 80,35267 ) .
Cum
X = 79,34375
se
intervalul
obine
cutat
intervalul
dat
de
inscripionarea
este
80 2%
J = ( 80 0,02 80; 80 + 0,02 80 ) = ( 78, 4; 81,6 ) , iar cel dat de inscripionarea 80 3% este
H = ( 80 0,03 80; 80 + 0,03 80 ) = ( 77,6; 82, 4 ) , cum
IH
i I J
corect este
inscripionarea 80 kg 3%
Intervalul