243

*9. ASZIMPTOTIKUS TARTOMÁNY KERESÉSE
*9.1. A probléma felvetése
Gyakran valasztunk olyan illesztóIüggvenyt. amelyról tudiuk. hogy az x
i

valtozonak van olyan tartomanya. ahol
( ) ( ) M . ξ
i i
f x ≠ .
(9.1)
Ez emlekeztet a kiszoro pontok deIinicioiara hasznalt (8.1) relaciora. de mar
a 8. Ieiezet eleien is hangsulyoztuk. hogy az x
i
valtozo emlitett tartomanyaba
esó mert ertekeket nem tekintiük kiszoro pontnak. hiszen a (9.1) relacio
Iennallasanak az oka az illesztóIüggveny tudatos egyszerúsitese. A
deIiniciot egy peldaval vilagitiuk meg. A 9.1. abran lathato pontok egy
meres eredmenyei. amelyról tudiuk. hogy x
i
elegendóen kis ertekeire
( ) ( ) M ξ
i i
a J a x =
1 0 2
.
(9.2)
ahol J
0
a nulladrendú Bessel-Iüggveny. amelyet Iolytonos görbevel be is
raizoltunk az abrara. Lathato. hogy körülbelül 15 cm-nel nagyobb x
i

ertekekre ez a Iüggveny nem iria le a mereseket. hiszen a mert pontok 16 cm
utan emelkedni kezdenek. viszont a Bessel-Iüggveny szigoruan monoton
csökkenó. Azt persze nem tudiuk. hol van az a hatar. amelynel kisebb x
i

ertekekre (9.2) Iennall. a problema eppen ennek a megkeresese. Tekintve.
hogy (9.2) az elegendóen kis x
i
ertekekre csak aszimptotikusan teliesül. a
keresett tartomanyt aszimptotikus tartomanvnak nevezzük.
0,0
0,2
0,4
0,6
0,8
1,0
1,2
0 5 10 15 20 25

(cm)


244
9.1. abra. Pelda a (9.1) relaciora
Az aszimptotikus tartomany keresesere altalanosan elteriedt modszer a
pontelhagvas modszere. amely abban all. hogy az illesztest többször
megismeteliük ugy. hogy Iokozatosan elhagyiuk azokat a pontokat. ahol
seitesünk szerint Iennall a (9.1) relacio. Mindaddig. amig az illesztesben van
olyan pont. amelyre (9.1) ervenyes. az illesztett parameterekre torzitott
becslest kapunk. es a torzitas merteke Iügg attol. hany ilyen pont van.
Miutan azonban az ilyen pontokat mind elhagytuk. a becsült parameterek
torzitatlanok lesznek. tehat varhato ertekük azonos lesz. legIeliebb szorasuk
Iog növekedni. hiszen a pontok elhagyasa inIormaciovesztest ielent. ami a
szoras növekedeseben iut kiIeiezesre. A pontelhagyasos modszer szerint az
aszimptotikus tartomany keresese igy annak a hatarnak a kereseset ielenti.
amelytól kezdve a becsült parameterek varhato erteke azonos.
6
7
8
9
10
11
9 11 13 15 17 19 21 23 25

max
(cm)

9.2. abra. A aszimptotikus tartomany keresese a pontelhagyas modszerevel
A modszert a 9.2. abran vilagitiuk meg. A graIikonon a (9.2) Iüggveny
a
2
parameteret abrazoltuk x
max
Iüggvenyeben. Mindegyik illesztesben
Iigyelembe vettük a 9.1. abra mindazon pontiait. amelyekre x
i
≤ x
max
. Az
elsó illesztesben x
max
÷ 22 cm. maid Iokozatosan csökkentettük 1 cm-rel.
Mindegyik lepesben több pontot hagyunk el. mint az elózóben. Mint Ientebb
mondtuk. a szorasok eközben monoton nónek. Az a
2
parameter becsült
ertekei pedig kezdetben nónek. maid lassan stabilizalodnak. Az
x
max
÷ 22 cm. 21 cm. 20 cm es 19 cm-nel vegzett illesztesek megitelese nem
ielent problemat: ezek maidnem biztosan tartalmaznak meg az
aszimptotikus tartomanyon kivüli pontokat. Az x
max
÷ 17 cm-nel vegzett
illesztestól kezdve azonban mar nem lehetünk ilyen biztosak a dolgunkban.
Az abra szerint az x
max
÷ 12 cm. 13 cm es 14 cm-nel vegzett illesztesek
eredmenyei között nyilvanvaloan nincs szigniIikans különbseg. A többire
vonatkozoan ugyanez mar nem evidens. de az ellenkezóie sem az. Peldaul
az x
max
÷ 12 cm-hez tartozo illesztett parameter szorasa mar olyan nagy.
hogy lathatoan nem ter el szigniIikansan az x
max
÷ 16 cm-hez tartozo

245
illesztett parametertól. Ezeket a megallapitasokat csak seites alapian
tehetiük. hiszen nyilvanvalo. hogy az egymas utan kapott
parameterbecslesek között erós korrelacio van. tehat ket ertek közötti
különbseg szigniIikans voltat nem olyan egyszerú eldönteni (lasd a 'Mert
mennyisegek egyenlósege¨ cimú reszt az 5.2. alIeiezetben).
A 9.2. abran mutatott helyzet az egyszerúbbek köze tartozik. mert a
kapott parameterek az elsó lepesekben hatarozottan emelkednek. maid egy
bizonyos lepestól kezdve szemmel is lathatoan stabilizalodnak. Nem szokott
ez mindig igy kiiönni. vannak nehezebben attekinthetó esetek is.
Mindenkeppen belathatiuk. hogy valamilyen statisztikai probara van
szüksegünk ahhoz. hogy az aszimptotikus tartomanyt megnyugtato modon
megtalaliuk. illetve kimutassuk. hogy nincs ilyen tartomany. A ielen Ieiezet
celia egy. a gyakorlatban iol bevalt proba ismertetese. A 9.2. abrara
beraizolt szaggatott vonal azt az erteket ielzi. amelyet ezzel a probaval
kaptunk. Megiegyezzük. hogy a kiszoro pontok keresesehez hasonloan
ket proba egymast követó alkalmazasara lesz szükseg. de ennek most mas
oka van. mint a kiszoro pontok eseteben.
*9.2. Definíciók és jelölések
Tudiuk. hogy az ( ) f x. Iüggveny csak egy x X ∈

tartomanyban (az
un. aszimptotikus tartomanvban) iria le io közelitessel a mert ξ
i
-k varhato
erteket. A pontelhagyasos modszer ertelmeben valasztunk K tartomanyt
X X X X
l K 1 2
⊃ ⊃ ⊃ ⊃ ⊃ ... ... . (9.3a)
es remeliük. hogy van köztük olyan. amelyre X X
l ∞
⊃ . (9.3a)-bol
következik. hogy ez minden tovabbi tartomanyra is igaz. Jelöliük az X
l
-re
vonatkozoan becsült parametervektort
~
a
l
-lel. Tovabbi ielölesek (vö. 9.3.
abra):
( ) ( )
Q w f x
l i i l
i I
l
i
= −


ξ .
~
a
2
.
(9.4)
ahol I
l
az X
l
-tartomanynak megIeleló i indexek halmaza:
I I I I
l K 1 2
⊃ ⊃ ⊃ ⊃ ⊃ ... ... . (9.3b)
σ
2
-nek az l-edik lepesben kapott becslese
s
Q
n m
l
l
l
2
=

;
(9.5)
tovabba
n
l
: az I
l
-hez tartozo meresi pontok szama;

246
r
ξ ξξ ξ
l
: a
r
ξ ξξ ξ vektornak az a vetülete. amelyben csak az I
l
-hez tartozo i indexek
szerepelnek;
∆a a a
l l
= −
~
;
F
l
: az F matrixnak az az almatrixa. amelyben csak az I
l
-hez tartozo i
indexek szerepelnek;
W
l
: a W matrixnak az az almatrixa. amelyben csak az I
l
-hez tartozo i
indexek szerepelnek;
R F WF
l l l l
=
T
.
(9.6)
Az ellenórzendó hipotezis:
H
0
: letezik olyan l. amelyre ( ) M
~
a a
l
=
(9.7a)
es
( ) ( ) M Q n m
l l
= − σ
2
.
(9.7b)

ξ

9.3. abra. A deIiniciokban szerepló vektorok es matrixok sematikus abrazolasa. A
szürke tartomany az eredeti matrixoknak. a Ieher pedig az l-edik lepesben
szerepló csökkentett meretúeknek Ielel meg. A W
l
matrixban csak a
beielölt atlo menten vannak zerustol különbözó elemek

Az l-edik lepesben vegrehaitott illesztes a következó eredmenyeket adia.
Feltesszük. hogy H
0
igaz az l-edik lepesre. Ekkor
( ) ( )
~
.
~
. v f x f x F a
i i l i ik lk
k
m
= = +
=

a a ∆
1
. i I
l
∈ .

amit vektoralakba irva a

247
( )
∆ ∆ y y F a
l l l l l
= − =
~
M
r
ξ ξξ ξ

keplet adodik. (9.4)-ben a
r r
ξ ξξ ξ ξ ξξ ξ
l l l l l
− = −
~
y F a ∆ ∆

vektor komponenseit emeliük negyzetre. vagyis
( ) ( )
Q
l l l l l l
= − − =
r r
ξ ξξ ξ ξ ξξ ξ
~ ~
y W y
T


( ) ( )
= − − ∆ ∆ ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
l l l l l l l
F a W F a
T
.

Közvetlen behelyettesitessel ellenórizhetiük a következó atalakitas
helyesseget:
( )
Q
l l l l l l l l l
= − +

∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
T T
W W F R F W
1


( ) ( )
+ − −
− −
∆ ∆ ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
l l l l l l l l l l l
T T
W F R a R R F W a
1 1 T
.

Mivel mindket tag pozitiv deIinit. ez akkor veszi Iel a minimumat. amikor
∆ ∆ a R F W
l l l
T
l l
=
−1
r
ξ ξξ ξ . (9.8)
es a minimum erteke
( )
Q
l l l l l l l l l
= −

∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
T T
W W F R F W
1
.

Ezeket a kepleteket korabban mas uton mar levezettük. lasd peldaul a
(6.12b) kepletet. A 6.2. TETEL levezeteset az I
l
halmazra alkalmazva kapiuk.
hogy
Q
l n m
l
=

σ χ
2 2
.
(9.9)
∆ξ

∆ξ

T
M(
∆ξ

∆ξ

T
)=

0
σ
2

-1


248
9.4. abra. Az
( )
M ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
l l ′
T
varhato ertek sematikus abrazolasa
*9.3. Kovariancia az l-edik és az l′ ′′ ′-edik lépés között
Mivel a pontelhagyas modszereben az egymast követó lepesekben kapott
parameterbecslesek azonossagat vagy eltereseit vizsgaliuk. szüksegünk van
az egyes lepesekben becsült parameterek közötti kovarianciara. Ennek
kiszamitasaban a (9.8) kepletból indulunk ki. amelynek alapian
( ) ( )
M M ∆ ∆ ∆ ∆ a a R F W W F R
l l l l l l l l l l ′

′ ′ ′ ′

=
T T T 1 1
r r
ξ ξξ ξ ξ ξξ ξ .

Elóször a iobb oldalon szerepló varhato erteket szamitiuk ki. Ezt a 9.4.
abran szemleltetiük. A ∆
r
ξ ξξ ξ
l
vektort Ieher szinnel. ∆
r
ξ ξξ ξ
′ l
T
-et pedig
vilagosszürkevel abrazoliuk a baloldali raizon. A kettó diadikus szorzata
olyan matrix. amelyben a sorok szama az I
l
. az oszlopok szama pedig az I
l

indexhalmaz elemeinek a szamaval egyezik meg. A matrix varhato erteke a
9.4. abra iobboldali raizan vilagosszürkevel abrazolt matrix. amelynek
minden eleme zerus kiveve a beraizolt atlonak a szaggatott vonal Ieletti
reszet. ahol a megIeleló meresek szorasnegyzetei allnak:
( )
[ ]
( )
M D ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
l l
ii
ii
i
ii
i
w






= =
T
δ ξ δ
σ 2
2
.

ahol
i I
l
∈ es ′ ∈

i I
l
.

Ebból következik. hogy a vilagosszürkevel ielölt matrixnak a szaggatott
vonal Ieletti blokkia σ
2 1
W


l
. Amikor a matrixot W

-vel szorozzuk. ez a
blokk atmegy az egysegmatrix σ
2
-szeresebe. vagyis
( )
M ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
l l l l ′ ′ ′
=
T
W F
0
σ
2

Ezzel
( )
[ ]
F W W F
l l l l l l
kk
ii ik i k i
i I
l
i I
l
F F w
T T
M ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ
′ ′ ′

′ ′ ′
′∈


= =
∑ ∑
2
σ
δ


249
[ ]
= =
′ ′ ′ ′
′∈




2 2
σ σ
w F F
i i k i k
i I
l
l
kk
R .

A Ientiekben kihasznaltuk. hogy I I
l l ′
⊂ . Vegeredmenyben tehat azt
kapiuk. hogy
( )
M ∆ ∆ a a R R R R
l l l l l l ′

′ ′
− −
= =
T
2
1 1
2
1
σ σ
.

Ezt az elsó latasra meghökkentó eredmenyt tetel Iormaiaban is kimondiuk:
9.1 TETEL. Ha I I
l l ′
⊂ . akkor az ezeknek az intervallumoknak megIeleló
illesztesekben becsült parameterek kovarianciamatrixa
( )
M ∆ ∆ a a R
l l l ′

=
T
2
1
σ
.
(9.10)
Ez nagyon erós korrelaciot ielent. (9.10)-ból ugyanis az következik. hogy
barmelyik illesztett a
k
parameternek (k ÷ 1. 2. .... m) az l es l′ indexú
illesztesekben becsült ertekei közötti kovariancia az I
l
intervallumban kapott
ertek szorasnegyzete:
( )
[ ]
( ) cov
~
.
~
D
~
a a a
lk l k l
kk
lk ′

= =
2
1 2
σ
R .
(9.11)
Ebból egyszerúen igazolhatiuk azt az allitast. amelyet a 9.1. alIeiezetben
csak heurisztikusan seitettünk:
9.2. TETEL. Ha I I
l l ′
⊂ . akkor az ezeknek az intervallumoknak megIeleló
illesztesekben becsült parameterek szorasai közül az elóbbie a
nagyobb:
( ) ( ) D
~
D
~
a a
l k lk ′
≥ . k ÷ 1. 2. .... m.
(9.12)
Egyenlóseg csak akkor allhat Ienn. ha I I
l l ′
= .
A bizonyitashoz a Schwarz-Iele egyenlótlensegból (3.5. TETEL) indulunk ki.
Ha ezt a (9.11) kepletben adott kovarianciara alkalmazzuk. akkor
( ) ( ) ( ) ( ) D
~
D
~
cov
~
.
~
D
~
a a a a a
lk l k lk l k lk
⋅ ≥ =
′ ′
2
.

amiból következik (9.12). A Schwarz-Iele egyenlótlenseg bizonyitasabol
következik. hogy itt csak akkor allhat egyenlóseg. amikor
~ ~
a a
lk l k
=

. aminek
a Ieltetele pedig I I
l l ′
= .
A gyakorlatban barmelyik illesztett parameter becsült ertekeinek az
azonossagat vizsgalhatiuk. es a tapasztalat szerint mindegyik esetben
ugyanazt az aszimptotikus tartomanyt kapiuk eredmenyül. Ezert eleg az
egyik parametert vizsgalni. Mindegyik illesztóIüggveny parameterei között
van egy olyan. amely Iizikailag a legerdekesebb. Legyen ez az. amelyiknek

250
a becsült ertekeit vizsgaliuk. Az egyszerúseg kedveert ezt p
l
-lel ielöliük.
Ha ennek az indexe k. akkor
( )
[ ]
cov . p p c
l l l
kk
l ′

= =
2
1
2
2
σ σ
R .

ha l l ≤ ′ (vagyis I I
l l ′
⊂ ).
A 9.1 TETEL szerint a p
1
. p
2
. .... p
K
valoszinúsegi valtozok σ
2
C kovari-
anciamatrixat a
C =


























c c c c
c c c c
c c c c
c c c c
K
1
2
1
2
1
2
1
2
1
2
2
2
2
2
2
2
1
2
2
2
3
2
3
2
1
2
2
2
3
2 2
............
............
............
. . . ............ .
. . . ............ .
. . . ............ .
............


alakban irhatiuk Iel.
*9.4.

becslése
A (9.7) alatti H
0
hipotezis helyett a következó. szigorubb hipotezist Iogiuk
vizsgalni:
( ) H p p
l 1 0
: M = . l ÷ 1. 2. .... K.
(9.13)
Ha ez igaz. akkor a p
1
. p
2
. .... p
K
valoszinúsegi valtozok együttes
súrúsegIüggvenye:
( )
( )
f p p p
S
K
K
1 2
2 2
1
2
2
. .....
det
exp
/
= −






π
2
σ
σ
C
.

ahol
( )( ) S p p p p
ll l l
l
K
l
K
= − −
′ ′
′= =
∑ ∑
ω
0 0
1 1
.
[ ]
ω
ll
ll



= C
1
.
(9.14)
p
0
becslesere a maximalis valoszinúseg modszeret hasznaliuk: ugy
valasztiuk meg. hogy a súrúsegIüggveny maximalis. vagyis S minimalis
legyen.
9.3. TETEL. S akkor minimalis. ha
~
p p
0 1
= . es ekkor

251
( )
S S
p p
c c
l l
l l l
K
1
1
2
1
2 2
1
1
= =


+
+ =

∑ min
.
(9.15)
A H
1
ellenórzesere szolgalo statisztikai proba reszben ezen a tetelen alapul.
A bizonyitas erdekeben bevezetiük be az
u p p
l l
= −
0
. l ÷ 1. 2. .... K
ielöleseket. Ha ezeket az u vektor komponenseinek tekintiük. akkor
S
T
=

u C u
1
.

Elóször kiszamitiuk a
z C u =
−1


vektort. amely a
Cz u =

egyenlet megoldasa. A C matrix Ienti alakiat Iigyelembe veve ennek egyes
egyenletei a következók:
k ~ 1 eseteben:
c z c z u
l l
l
k
k l
l k
K
k
2
1
1
2
=

=
∑ ∑
+ = .
(9.16a)
k ÷ 1 eseteben:
c z u
l
l
K
1
2
1
1
=

= .
(9.16b)
Iriuk Iel a (9.16a) egyenletet k helyett (k 1)-re. es voniuk ki a ket
egyenletet egymasbol. Rövid szamolas utan azt kapiuk. hogy
z
u u
c c
l
l k
K
k k
k k =



=


1
2
1
2
. k ~ 1
(9.16c)
es (9.16b) alapian pedig
z
u
c
l
l
K
=

=
1
1
1
2
.

Ennek alapian
S u z u z u z z
k k
k
K
K K k l
l k
K
l
l k
K
k
K
= = = + −










=
= = = + =

∑ ∑ ∑ ∑
u z
T
1 1 1
1


= + + − =
= = = + =

=

∑ ∑ ∑ ∑ ∑
u z u z u z u z
K K
l
K
k l
l k
K
k l
l k
K
k
K
k
K
1
1 1 1
1
2
1
l



252
= + − =
= = = + =

=
∑ ∑ ∑ ∑ ∑
u z u z u z
l
l
K
k l
l k
K
k l
l k
K
k
K
k
K
1
1 1 1
1
2


= + − =
=
+
= + = + =

=

∑ ∑ ∑ ∑ ∑
u z u z u z
l
l
K
k l
l k
K
k l
l k
K
k
K
k
K
1
1
1
1 1 1
1
1
1


( )
( )
= + − = +


=
=
+
= + =

+
+ =

∑ ∑ ∑ ∑
u z u u z
u
c
u u
c c
l
l
K
k k l
l k
K
k
K
k k
k k k
K
1
1
1
1 1
1
1
2
1
2
1
2
1
2 2
1
1


( ) ( )
=

+


+
+ =


p p
c
p p
c c
l l
l l l
K
1 0
2
1
2
1
2
1
2 2
1
1
.

A masodik tagban allo összeg Iüggetlen p
0
-tol. Az elsó tag mindig pozitiv
kiveve. ha
~
p p
0 1
= .
EnnelIogva p
0
becslese p
1
a maximalis valoszinúseg elve szerint. Ezert
hasznaltuk a ∼ ielet a p Ielett. Ezzel a tetelt igazoltuk.
A H
1
hipotezis ellenórzesere szolgalo probahoz meg egy tetelre van
szüksegünk:
9.4. TETEL. Ha igaz a H
1
hipotezis. akkor a
~
p p
0 1
= becsles torzitatlan.
tovabba
S
K 1
2
1
2
=

σ
χ . (9.17)
A tetelnek a becsles torzitatlansagara vonatkozo resze trivialis:
( ) ( ) M
~
M p p p
0 1 0
= = .

A χ
2
-eloszlasra vonatkozo allitast harom lepesben latiuk be.
a) A (9.15) alatti összegben minden tag 0 varhato ertekú Gauss-eloszlasu
valoszinúsegi valtozo negyzete. ugyanis.
( ) ( ) ( ) M M M p p p p p p
l l l l + +
− = − = − =
1 1 0 0
0 .

b)Mindegyik tag varhato erteke σ
2
. hiszen
( )
{ }
( ) ( )
[ ]
{ }
M M p p p p p p
l l l l + +
− = − − − =
1
2
1 0 0
2


( ) ( ) ( )
( )
= + − = −
+ + +
2
1
2
1
2
1
2 2
2
D
cov . p
D
p p p c c
l l l l l l
σ
.

c) l l < ′ eseten a különbözó tagok kovarianciaia 0. ami Gauss-eloszlas
eseteben Iüggetlenseget ielent:
( )( )
[ ]
( ) ( ) M cov . cov . p p p p p p p p
l l l l l l l l + ′+ ′ + ′+ + ′
− − = − −
1 1 1 1 1



253
( ) ( )
( )
− + = − − + =
′+ ′ + +
cov . cov . p p p p c c c c
l l l l l l l l 1
2
1
2
1
2 2 2
0
σ
.

Igy tehat S
1
valoban (L 1) darab Iüggetlen. zerus varhato ertekú es σ
szorasu. Gauss-eloszlasu valoszinúsegi valtozo összege. Ezzel a tetelt
belattuk.
*9.5. χ χχ χ

- vagy F-próba

vizsgálatára
A H
1
hipotezis vizsgalataban ket esetet különböztetünk meg: σ
2
ismert.
illetve σ
2
nem ismert. Az elóbbi esetben egy χ
2
-probat Iogalmazunk meg. az
utobbiban pedig egy F-probat.
χ
2
-proba. amikor σ
2
ismert
Ha σ
2
ismert. akkor a Ientiek alapian egy χ
2
-probat lehet csinalni H
1
vizs-
galatara. Ebben az esetben a proba 9.4. TETELen alapul. A 2. Iüggelek
tablazataibol kikeressük azt a γ kvantilist. amelyre
{ }
P χ γ ε
n
2
1 ≤ = − .

es a H
1
hipotezist elIogadiuk. amikor
S
1
2
< σ γ (9.18)
ahol S
1
-et a (9.15) keplettel szamitiuk ki.
F-proba. amikor σ
2
nem ismert
Ha σ
2
nem ismert (ami a gyakoribb eset). akkor σ
2
-et becsülni kell. Ekkor
egy F-probat lehet deIinialni a következó tetel alapian:
9.5. TETEL. Q
l′
statisztikailag Iüggetlen p
l
-tól. ha l l ≤ ′ .
Ehhez eleg belatni. hogy
( )
∆ ∆
r
ξ ξξ ξ
′ ′ ′

l l l
es ∆a
l


Iüggetlen. ha l l ≤ ′ . hiszen Q
l′
az elóbbi Iüggvenye.
( )
[ ]
M ∆ ∆ ∆
r
ξ ξξ ξ
′ ′ ′
− =
l l l l
F a a
T


( ) ( )
= −
′ ′ ′

′ ′ ′

E F R F W W F R
l l l l l l l l l l
1 1 T T
M ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ .

A korabbiak szerint ( ′ ∈

i I
l
eseten)
( )
[ ]
[ ]
M ∆ ∆
r r
ξ ξξ ξ ξ ξξ ξ





′ ′

= = =
∑ l l l l
i k
ii
i ik
i
i I
i k l
i k
w F
w
F
l
T

2 2
2
σ
δ
σ
σ .

vagyis

254
( ) ( )
M M ∆ ∆ ∆ ∆
r r r
ξ ξξ ξ ξ ξξ ξ ξ ξξ ξ
′ ′



= =
l l l l l l l l l
a W F R F R
T T 1
2
1
σ
.

amiból ha (9.10)-et is Iigyelembe vesszük
( )
[ ]
( )
M ∆ ∆ ∆
r
ξ ξξ ξ
′ ′ ′ ′



− = − =
l l l l l l l l
F a a F R F R
T
2
1 1
0
σ
.

Ezzel a tetelt belattuk.
A tetel alapian csak Q
K
Iüggetlen S
1
-tól. Igy tehat
( )
( )
( )
S
Q n m
n m
K f
K K
K
n m K
K n m
K
K
1 1
2
2
1
1

=

= −


− −
χ
χ
.
.

A kvantilist a következó egyenlettel deIinialiuk:
{ }
P f
K n m
K
− −
< = −
1 2
1
.
γ ε
I
.

Ebból kapiuk az F-probat: a H
1
hipotezist elIogadiuk. ha
( )
( )
S
Q n m
K
K K
1
1

< − γ
I
.
(9.19)
*9.6. Próbák sorozata
Ha a (9.18) vagy (9.19) proba eredmenye pozitiv. akkor az adott
konIidenciaszinten az I
1
tartomany aszimptotikus. Mi van. ha a proba
eredmenye negativ. hiszen ekkor az I
1
tartomany nem aszimptotikus? Ebben
az esetben elhagyandok az ( ) I I
1 2
− tartomanyban levó nem aszimptotikus
pontok. Tehat a probat meg kell ismetelni az I
2
tartomanyra vonatkozoan.
Ha a proba ezutan is negativ. akkor az I
3
tartomanyra vonatkozoan vegezzük
el. es igy tovabb. amig vegül pozitiv eredmenyre nem iutunk. Valoiaban
tehat a statisztikai probaknak egy sorozatat kell vegrehaitani. A (9.13)
hipotezis helyett most a hipotezisek sorozatat kell deIinialnunk:
H
k
: ( ) M p p
l
=
0
. l ÷ k. k¹1. .... K.
(9.20)
(k ÷ 1. 2. .... K 1). A probak sorozatanak az alapia a Ientiek altalanositasa:
( )
S
p p
c c
k
l l
l l l k
K
K k
=


=
+
+ =

− ∑
1
2
1
2 2
1
2
2
σ
χ .
(9.21a)
Ezt hasznaliuk. amikor σ
2
ismert. Ellenkezó esetben az F-probak sorozatat
haitiuk vegre. amelyek a

255
( )
( )
( )
S
Q n m
n m
K k f
k
K K
K k
n m K
K k n m
K
K

=

= −


− −
χ
χ
2
2
.
(9.21b)
statisztikakon alapulnak.
A probak sorozata egy sor pozitiv es negativ valaszt produkal. Nem
lebecsülendó problema. hogyan valasszuk ki ezek alapian az aszimptotikus
tartomanyt. A sok lehetseges strategia közül kettót emelünk ki. Kezdetben a
probak többnyire csupa 'nem¨ eredmenyt adnak. A döntesi problema csak
akkor valik komollya. amikor valamelyik proba eredmenyekent vegre kiiön
egy 'igen¨. Legyen ennek a probanak az indexe k
1
. KetIelekeppen
gondolkodhatunk:
1. Mondhatiuk azt. hogy a k
1
-edik lepes mar az aszimptotikus tartomany
indexe. tehat. ha valamelyik k ~ k
1
-re 'nem¨ iön ki. akkor ez az elsóIaiu
hiba következmenye. es emiatt Iigyelmen kivül hagyiuk. vagyis az I
k1

intervallumot tekintiük az aszimptotikus tartomanynak. Ezt a
gondolkodast nevezhetiük 'az elsó igen strategiaia¨-nak. Ez megengedó
strategia. mert nem nagyon töródik a masodIaiu hibaval.
2. Gondolkozhatunk azonban kevesbe megengedó modon is. Mondhatiuk.
hogy a k
1
-edik lepesben kiiött 'igen¨ lehetett a masodIaiu hiba
következmenye. amit csak alatamaszt. ha valamelyik k ~ k
1
-re 'nem¨
iön ki. Ezert csak olyan probanak 'hiszünk¨. amely utan csupa 'igen¨
következik. Ezt a gondolkodast nevezhetiük 'az utolso nem strategiaia¨-
nak.
A ket strategia között csak a masodIaiu hiba analizise alapian lehet dönteni
(lasd alabb).
A probaknak ez a sorozata vegeredmenyben megIelel a (9.7) kepletekben
deIinialt H
0
hipotezis ellenórzesenek.
*9.7. ϕ ϕϕ ϕ-próba
Az F-proba elótt meg kell gyózódni arrol. hogy helyesen becsüliük a
parameterek szorasat. pontosabban a c
l
2
mennyisegeket. Ha ugyanis a
parameterek becsült erteke torzitott. akkor ezek becslese is torzitott lesz.
Gyakran meg az sem teliesül. hogy ezek monoton növekvó sorozatot
alkossanak. Egy külön proba. a ϕ-proba szolgal arra. hogy megtalaliuk azt a
k
2
indexet. amelynek megIeleló lepesben becsült parameterek biztositiak.
hogy a c
l
2
mennyisegek szamitasa közelitóleg torzitatlan becslest adion.
Bizonyithato az alabbi ket tetel:
9.6. TETEL. Fennall a következó egyenlóseg:
cov .
Q
n m
Q
n m n m
l
l
l
l l
− −





 =



2
4
σ
. l l ≤ ′ .
(9.22)

256
tovabba
9.7. TETEL. A
Q
n m
l
l

es
Q
n m
Q
n m
l
l
l
l
′+
′+





1
1


valoszinúsegi valtozok korrelalatlanok. ha l · l.
E ket tetel bizonyitasa hosszadalmas. ezert elhagyiuk. Megtalalhato |3|-ban
(1991). Ha a χ
2
-eloszlast Gauss-eloszlassal közelitiük belathato |3| a
9.8. TETEL. k ÷ 1. 2. .... (K 1)-re
T
Q
n m
Q
n m
n m n m
k
l
l
l
l
l l
l k
K
K k
=












=
+
+
+
=

− ∑
1
1
2
1
1
4
2
2 2
σ
χ .
(9.23)
tovabba a
( )
( )
( )
ϕ
χ
χ
K k n
k
m
k
k k
k
n
k
m k
T K k
Q n m
K k
n m
− −

=


=


.
2

(9.24)
hanyados szamlaloia es nevezóie statisztikailag Iüggetlen
egymastol.
Ennek valoszinúsegi valtozonak a statisztikai iellemzói nem ismertek az
irodalomban. Vizsgalata |3|-ban. kvantilisei pedig a 2. Iüggelekben
talalhatok meg. Ezekból ki lehet keresni az alabbi kvantilist:
{ }
P
K k n m
k
ϕ γ ε
− −
< = −
. ϕ
1
1
.
(9.25)
Ezen alapul a ϕ-proba. amely az alabbi hipotezis ellenórzesere szolgal:
′ H
k
: M
Q
n m
l
l






 =
2
σ
. l ÷ k. k¹1. .... K.
(9.26)
A ϕ-proba szerepet a Ieiezet eleien mutatott pelda reven mutatiuk be.
Elóször a ϕ-probat haitiuk vegre. Az eredmenyek a 9.1. tablazatban
lathatok. A kvantiliseket a 2. Iüggelek ε ÷ 0.05-höz tartozo tablazataibol
vettük. Az elsó 'igen¨ az 5. lepesben adodik. Mivel ennek a probanak csak
kisegitó szerepe van. itt elegendó 'az elsó igen strategiaiat¨ alkalmazni.
tehat az I
5
intervallumot alkalmasnak tartiuk arra. hogy a becsült
parameterek szorasat az ebben a lepesben kapott parameterertekek mellett
szamoliuk ki.
9.1. tablazat. A ϕ-proba eredmenyei a 9.1. abran lathato peldara

257
k
( ) Q n m
k k

n
k
m ϕ Kvantilis Proba
1 60.21 32 2.825 1.735 nem
2 49.67 31 3.225 1.761 nem
3 27.58 29 4.238 1.804 nem
4 5.672 27 2.931 1.854 nem
5 3.663 26 18.97 1.898 igen
6 2.625 24 1.632 1.970 igen
7 1.815 19 2.097 2.142 igen
8 1.402 18 1.903 2.257 igen
9 1.624 15 2.132 2.532 igen
10 0.8617 11
A becsült parameterek szorasat uiraszamoliuk az I
5
intervallumra kapott
parameterertekek mellett. Igy ezekre ervenyes lesz a 9.2. TETEL. vagyis
ezekkel kepezhetiük S
k
-t. vegrehaithatiuk a (9.21b) szerinti F-probak
sorozatat k ÷ 1. 2. .... (K 1)-re. Eredmenyük a 9.2. tablazatban lathato. A
kvantiliseket a 2. Iüggelek ε ÷ 0.05-höz tartozo tablazataibol vettük ki. Az
'utolso nem strategiaia¨ alapian a k ÷ 7 lepeshez tartozo I
7
intervallumot
minósithetiük aszimptotikusnak 95° konIidenciaszinten. A 9.2.
tablazattal kapcsolatban megiegyezzük. hogy harmadik oszlopban levó
szorasok nem növekszenek monoton modon. ami ellentmondani latszik a
9.2. TETELnek. A dolognak az a magyarazata. hogy ezek a szorasok a tetel
szerint valoban növekvó c
k
2
-ek es a 9.1. tablazatban levó
( ) Q n m
k k

tenyezók szorzatabol vont negyzetgyökök. Ezek a monotonitashoz kepest
mutathatnak kis eltereseket.
9.2. tablazat. Az F-proba eredmenyei a 9.1. abran lathato peldara
k
~
a
2

Szoras (K k)f Kvantilis Proba
1 6.708 0.082 3693 26.07 nem
2 7.125 0.086 2577 23.58 nem
3 8.006 0.098 1050 21.09 nem
4 8.879 0.115 137.8 18.57 nem
5 9.055 0.123 71.55 16.02 nem
6 9.245 0.118 36.38 13.43 nem
7 9.593 0.138 9.202 10.76 igen
8 9.717 0.132 0.194 7.965 igen
9 9.730 0.185 0.174 4.844 igen
10 9.813 0.332
*9.8. A másodfajú hiba
Az alabbiakban az ε konIidenciaszint megvalasztasaval Ioglalkozunk.
Nyilvan az az erdekünk. hogy ε-t minel kisebbre valasszuk. hiszen nagy ε-ra
a vegül elIogadott parameterbecsles szorasa tulsagosan nagyra nó. Ennek
azonban korlatot szab a masodIaiu hiba. Mint altalaban. most is meg kell
hataroznunk azt az alternativ hipotezist. amellyel szemben ezt vizsgaliuk. A
9.2. abraval kapcsolatban mondottakbol. tovabba a 9.2. tablazatbol latszik.

258
hogy a nullhipotezis elIogadasa vagy elvetese csak azokban a lepesekben
ielent problemat. amelyeknek megIeleló I
l
intervallumok közel vannak az
aszimptotikus tartomanyhoz. Ezert alternativ hipoteziskent azt tesszük Iel.
hogy egy kivetelevel mindegyik lepes aszimptotikus:
( ) M p p
l
=
0
. l ~ k.
(9.27a)
( ) M p p p
k
= ′ ≠
0 0
.
(9.27b)
(9.21a) alapian ezzel
S S
k l
l k
K
k k
= = +
=

+ ∑
ζ ζ
2
1
1
2
.
(9.28a)
ahol
ζ
l
l l
l l
p p
c c
=


+
+
1
1
2 2
.
(9.28b)
Az alternativ hipotezis szerint
( ) M ζ
l
= 0. l ~ k.
(9.29a)
( ) M ζ
k
k k
p p
c c
h =
− ′

= ≠
+
0 0
1
2 2
0.
(9.29b)
tovabba
( ) D
2
1 ζ
l
=
(9.29c)
minden l-re.
A vizsgalatban az egyszerúseg kedveert Ieltetelezzük. hogy σ
2
-et
ismeriük. es erteke σ
2
÷ 1. vagyis a (9.18) probat alkalmazzuk. A masodIaiu
hiba valoszinúsege ekkor
( ) { } E h S
k k
. P ε γ = < =

{ }
( )
= < − −









+
−∞


1
2 2
1
2
2
π
P exp S x
x h
x
k k
γ d .

ugyanis ilyen valoszinúseggel Iogadia el a proba a valoiaban nem igaz H
k

hipotezist. Az integral alatti valoszinúseget a χ
2
-eloszlas alapian lehet
szamolni. (1 E) a proba ereie. annak a valoszinúsege. hogy a H
k
hipotezist
a proba elveti. Tehat a proba E. illetve (1 E) valoszinúseggel valaszt egy
rendre ′ p
0
es p
0
varhato ertekú parametert. Igy a kivalasztott ertek varhato
erteke
( ) ( )
[ ] ( ) ( ) ′ + − = + ′ − = p E h p E h p p p E h
0 0 0 0 0
1 . . . ε ε ε

( ) = − −
+
p hE h c c
k k 0 1
2 2
. ε .

259
Ennek p
0
-tol valo elterese tulaidonkeppen tekinthetó a proba
szisztematikus hibaianak. Ket dolgot azonban Iigyelembe kell meg venni.
Elószöris a hE szorzat erósen Iügg h-tol. mint a 9.5. abran lathato. Kis h-ra
ugyan nagy az E valoszinúseg. de ez varhato ertekben kis hibat okoz. Nagy
h eseten a hiba nagy. de E kicsi. tehat varhato ertekben ennek sem ielentós a
hatasa. Minden ε-ra van egy közbensó h-ertek. ahol a hiba varhato erteke
maximalis. Ha ezt a maximumot tekintiük szisztematikus hibanak. akkor a
tenyleges hiba h barmilyen erteke mellett ennel nem lehet nagyobb. A 9.5.
abrarol leolvashato. hogy ez a maximum ε-nak monoton csökkenó
Iüggvenye. Gyengen Iügg (K k)-tol is |3|.
0
0,5
1
1,5
2
0
0
,
5 1
1
,
5 2
2
,
5 3
3
,
5 4
4
,
5 5
5
,
5 6
6
,
5 7

(

,
ε
)
ε = 0,01 ε = 0,05
ε = 0,1

9.5. abra. A hE(h.ε) hiba Iüggese a (9.29b)-ben deIinialt h-tol
A masik dolog. amit Iigyelembe kell venni. az alkalmazott strategia.
Legyen P
Kk
annak a valoszinúsege. hogy a k-adik lepest tenylegesen
elIogadiuk. Ielteve. hogy a proba ezt valasztotta ki. Nyilvanvalo. hogy az
'elsó igen strategiaia¨ mellett P
K k −
= 1. Ugyanakkor az 'utolso nem
strategiaia¨ mellett altalaban P
K k −
< 1. Ennek az az oka. hogy e mellett a
strategia mellett akkor Iogadiuk el a k-adik lepest. ha az l ~ k lepesekre
csupa 'igen¨ iön ki. Ennek P
Kk
valoszinúsege pedig lehet kisebb 1-nel.
Legegyszerúbb Monte Carlo modszerrel kiszamitani: a leirt döntesi
Iolyamatot szamitogeppel szimulalva nagy pontossaggal becsülhetiük a P
Kk

valoszinúseget. Vegeredmenyben tehat a
( )
[ ]
δp P c c hE h
K k k k
h
0 1
2 2
= − ⋅
− +
max . ε (9.30)
szorzatot tekintiük az alkalmazott statisztikai proba szisztematikus
hibaianak. Annal kisebb. minel nagyobbra valasztiuk ε-t.
Van azonban egy masik szempont is: a szoras. Minel nagyobb ε. annal
nagyobb a vegeredmenyben kivalasztott lepeshez tartozo szoras. Ez az
elsóIaiu hiba következmenye. A ielen alIeiezet beIeiezesekeppen ezt
vizsgaliuk meg. Legyen { } P I
l
annak a valoszinúsege. hogy a probasorozat
az I
l
intervallumot nyilvanitia aszimptotikusnak Ielteve. hogy H
k
igaz. Ket
eset lehetseges: a probasorozat mindegyik I
l
intervallumot elveti. vagy

260
valamelyiket kivalasztia. Az elóbbi esetben az egesz meres elvetendó.
Ennek a valoszinúsege altalaban kicsi. de ε nagy ertekeire az 'utolso nem
strategiaia¨ mellett elóIordul neha. Peldaul ε ÷ 0.1 mellett körülbelül 5°
ennek a valoszinúsege. Ez mar önmagaban is arra utal. hogy ε-t nem
celszerú nagyra valasztani. Felteve. hogy ez a kedvezótlen eset nem
következik be. a vegeredmenyben kivalasztott I
l
intervallumhoz tartozo
parameterbecsles szorasnegyzetenek atlagos erteke
1

( )
{ } ( )
{ }
D
~
P D
P
2
0
2
p
I p
I
l l
l k
K
l
l k
K
=
=
=


.
(9.31)
Ennek az atlagnak a negyzetgyöket nevezzük a tovabbiakban atlagos
szorasnak. A ket strategiara a 9.6a. es 9.6b. abrakon hasonlitiuk ezt össze a
(9.30) alatt deIinialt szisztematikus hibaval.
2
Az abrakrol a következó
tanulsagokat szúrhetiük le:
• Ahogy vartuk. a szisztematikus hiba ε-nal gyorsabban csökken az 'utolso
nem strategiaiara¨. mint a masikra.
• Az atlagos szoras lassan emelkedik ε-nal. tehat az elsóIaiu hiba hatasa
nem növeli meg ielentósen a szorast.
• Mindket strategiara a szisztematikus hiba egy ε · 0.05
konIidenciaszintnel kisebbe valik. mint az atlagos szoras. es utana lassan
csökken.
Ezekból következik. hogy ε erteket 0.05 es 0.1 között celszerú
megvalasztani. mert ez biztositia. hogy a szisztematikus hiba kisebb lesz.
mint az atlagos szoras.
0
5
10
15
20
0 0,05 0,1 0,15 0,2 0,25 0,3
ε
átlagos szórás
sziszt. hiba


1
Az atlagot itt a következókeppen ertiük. Az egesz merest (gondolatban) vegtelen sokszor
megismeteliük azonos körülmenyek között. maid a Ient leirt modon mindegyiket külön
kiertekeliük. A proba altal kivalasztott lepeshez tartozo szorasnegyzeteket atlagoliuk.
Ennek az atlagnak a hatarerteke (9.31). amikor az ismetelesek szama tart a vegtelenhez.
2
Az abrakon mutatott szamok egy koszinusz-illesztesnek Ielel meg.

261
9.6a. abra. A szisztematikus hiba es az atlagos szoras összevetese.
Az 'elsó igen strategiaia¨; K k ÷ 9
0
5
10
15
20
0 0,05 0,1 0,15 0,2 0,25 0,3
ε
átlagos szórás
sziszt. hiba

9.6b. abra. A szisztematikus hiba es az atlagos szoras összevetese.
Az 'utolso nem strategiaia¨; K k ÷ 9


262

|1| Aianlott kezikönyvek:
H. CRAMER. Mathematical methods oI statistics. Princeton (1946)
Denkinger Geza. Valoszinúseg-szamitas. Nemzeti Tankönvkiado (1978)
Sh. Dowdy & S. Warden. Statistics Ior Research. John Wiley & Sons (1982)
B. V. Gnyegyenko. A. J. Hincsin. Bevezetes a valoszinúseg-szamitasba. Múvelt Nep
Könyvkiado. (1954)
JANOSSY LAJOS. Theory and Practica oI the Evaluation oI Measurements. OxIord Uni-
versity Press (1965) letezik magyar es orosz nyelven is.
Pal Lenard. A valoszinúseg-szamitas es a statisztikai alapiai. Akademiai Kiado (1995)
JU. V. LINNYIK. A legkisebb negyzetek modszere es a megIigyelesek kiertekelesenek
matematikai-statisztikai alapiai. Moszkva (1958) oroszul es nemetül
Reimann JozseI. Valoszinúseg-elmelet es matematikai statisztika mernököknek.
Tankönyvkiado (1992)
D. J. Saville & G. R. Wood. Statistical Methods: The Geometric Approach. Springer
Verlag New York. Inc. (1991)
B. L. Van der Waerden. Mathematische Statistik (Die Grundlehren der Mathematischen
WissenschaIten in Einzeldarstellungen. Band 87). BerlinGöttingenHeidelberg
(1957)
Vetier Andras. Szemleletes mertek- es valoszinúseg-elmelet. Tankönyvkiado (1991)
Vincze Istvan. Varbanova Maria. Nemparameteres matematikai statisztika. elmelet es
alkalmazasok. Akademiai Kiado. Budapest (1993)
Vincze Istvan. Matematikai statisztika ipari alkalmazasokkal. Múszaki Könykiado.
Budapest (1975)
|2| Kemeny Sandor. Deak Andras. Meresek tervezese es eredmenyeik kiertekelese.
Múszaki Könyvkiado. Budapest (1993)
|3| Z. Szatmary. Data Evaluation Methods in Reacytor Physics. Theory oI Program RFIT.
report KFKI197743 (1977)
Z. Szatmary. User`s Manual oI Program RFIT.
Part 1. General Description (report KFKI199113/G)
Part 2. Parameter Estimation (report KFKI199114/G)
Part 3. The Data Files (report KFKI199115/G)
Part 4. Statistical Analyis (report KFKI199116/G)
|4| W. R. Thompson. On a Criterion Ior Testing Outlying Observations and the Distribution
oI the Ratio oI Deviation to Sample Standard Deviation. Annals oI Math. Stat. . 214
219 (1935)
E. S. Pearson and C. ChandraSekar. The EIIiciency oI Statistical Tools and a Criterion
Ior the Reiection oI Outlying Observations. Biometrica. . 308320 (1936)
|5| Rozsa Pal. Linearis algebra es alkalmazasai. Múszaki Könyvkiado (1764)
|6| F. E. Grubbs. Sample Criteria Ior Testing Outlying Observations in Samples.
Technometrics. Vol. 11. 121 (1969)
J. R. Green and D. Margerison. Statistical Treatment oI Experimental Data. Elsevier
ScientiIic Publ. Comp. (1978)

263
|7| R. von Mises. Wahrscheinlichkeitsrechnung und ihre Anwendung in der Statistik und
theoretischen Iphysik. Leipzig. Deuticke (1931)
T. W. Anderson and D. A. Darling. Asymptotic Theory oI Certain 'Goodness oI Fit¨
Criteria based on Stochastic Processes. Annals oI Math. Statistics . 193 (1952)
K. Sarkadi. On Testing Ior Normality. Reports oI the Research Institute Ior Mathematics
V.A/3. Budapest (1960)
|8| Pierre. Giacomo (International Bureau oI Weights and Measures). International
Vocabulary oI Basic and General Terms in Metrology. (1993)
|9| Fizika laboratoriumi gyakorlatotk I.V.. egyetemi iegyzet. BME (1998)

Sign up to vote on this title
UsefulNot useful