Professional Documents
Culture Documents
Predavanje IX
Maj, 2022.
Estimacija parametara populacije
▶ Uvod
▶ Klasične metode estimacije
▶ Jedan uzorak: Estimacija srednje vrijednosti
▶ Standardna greška estimacije
▶ Interval predikcije
▶ Interval tolerancije
2/51
Uvod
3/51
Uvod
Statističku inferenciju možemo podjeliti u dvije velike oblasti: (1)
estimacija parametara; i (2) testiranje hipoteza.
4/51
Klasične metode estimacije
5/51
Klasične metode estimacije
U nekim specifičnim situacijama, konkretnim primjerima uzoraka,
moguće je procjeniti tačniju vrijednost za parametar µ ako
koristimo medianu uzorka X̃ kao estimator.
µΘ̂ = E(Θ̂) = θ
7/51
Klasične metode estimacije
Primjer Pokazati da je S 2 dobar estimator za σ 2 .
∑
n ∑
n
(Xi − X̄) =
2
(Xi − µ)2 − n(X̄ − µ)2
i=1 i=1
Pa imamo:
[ ]
1 ∑ n
E(S 2 ) = E (Xi − X̄)2
n−1
i=1
[ n ]
1 ∑
= E(Xi − µ) − nE(X̄ − µ)
2 2
n−1
i=1
( n )
1 ∑
= σXi − nσX̄
2 2
n−1
i=1
8/51
Klasične metode estimacije
Rješenje (nastavak) Znamo da je:
2 σ2
σX i
= σ2, 2
za i = 1, 2, .., n, i σX̄ =
n
Pa u konačnici imamo da je:
( )
1 σ2
2
E(S ) = nσ − n
2
= σ2
n−1 n
9/51
Klasične metode estimacije
Varijansa point estimatora
10/51
Klasične metode estimacije
Varijansa point estimatora
Slika 1 ilustrira distribucije uzorkovanja tri različita estimatora Θ̂1 ,
Θ̂2 i Θ̂3 nekog parametra θ. Očigledno je da su samo Θ̂1 i Θ̂2
nepristrasni, pri čemu Θ̂1 ima manju varijansu od Θ̂2 , pa je i
efikasniji.
11/51
Klasične metode estimacije
Esitmacija intervala
1
L je za lower i U je za upper granicu.
12/51
Klasične metode estimacije
Esitmacija intervala
13/51
Klasične metode estimacije
Interpretacija estimacije intervala
14/51
Klasične metode estimacije
Interpretacija estimacije intervala
2
Naravno, bolje je da imamo kraći interval sa 95% pouzdanosti, nego
značajno širi interval sa 99% pouzdanosti.
15/51
Jedan uzorak: Estimacija srednje vrijednosti
16/51
Jedan uzorak: Estimacija srednje vrijednosti
17/51
Jedan uzorak: Estimacija srednje vrijednosti
Sa slike 2 vidimo da je:
gdje je
X̄ − µ
Z= √
σ/ n
Pa pišemo:
( )
X̄ − µ
P −zα/2 < √ < zα/2 = 1 − α
σ/ n
√
Ako sada pomnožimo čitav izraz sa σ/ n, zatim od svakog dijela
izraza oduzmemo X̄ i pomnožimo sa −1, dobit ćemo:
( )
σ σ
P X̄ − zα/2 √ < µ < X̄ + zα/2 √ =1−α
n n
18/51
Jedan uzorak: Estimacija srednje vrijednosti
Interval pouzdanosti µ, sa poznatom varijansom σ 2
19/51
Jedan uzorak: Estimacija srednje vrijednosti
Interval pouzdanosti µ, sa poznatom varijansom σ 2
19/51
Jedan uzorak: Estimacija srednje vrijednosti
Interval pouzdanosti µ, sa poznatom varijansom σ 2
21/51
Jedan uzorak: Estimacija srednje vrijednosti
21/51
Jedan uzorak: Estimacija srednje vrijednosti
22/51
Jedan uzorak: Estimacija srednje vrijednosti
Interval pouzdanosti 100(1−)% nam daje procjenu tačnosti point
estimacije.
23/51
Jedan uzorak: Estimacija srednje vrijednosti
24/51
Jedan uzorak: Estimacija srednje vrijednosti
25/51
Jedan uzorak: Estimacija srednje vrijednosti
26/51
Jedan uzorak: Estimacija srednje vrijednosti
27/51
Jedan uzorak: Estimacija srednje vrijednosti
Rješenje
( )2
(1.96)(0.3)
n≥ = 138.3
0.05
Što znači da možemo biti 95% sigurni da nasumični uzorak veličine
139 će rezultirati u estimator x̄ koji se od parametra µ razlikuje za
vrijednost manju od 0.05.
27/51
Jedan uzorak: Estimacija srednje vrijednosti
Jednostrane granice puzdanosti
28/51
Jedan uzorak: Estimacija srednje vrijednosti
Jednostrane granice puzdanosti
dobijemo: ( )
σ
P µ < X̄ + zα √ =1−α
n
29/51
Jedan uzorak: Estimacija srednje vrijednosti
Jednostrane granice puzdanosti
30/51
Jedan uzorak: Estimacija srednje vrijednosti
Jednostrane granice puzdanosti
31/51
Jedan uzorak: Estimacija srednje vrijednosti
Jednostrane granice puzdanosti
31/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
Veoma često smo u situaciji da moramo procjeniti parametre
populacije za koju nam je varijansa nepoznata.
X̄ − µ
T = √
S/ n
Slika 5: t-distribucija za v = 2, v = 5 i v = ∞
33/51
t-distribucija
Slika 5 prikazuje izgled t-distribucije za različite vrijednosti v.
35/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
Na osnovu slike 6 imamo:
36/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
37/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
38/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
39/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
Primjer U sedam kontejnera sa kiselinom imamo po 9.8, 10.2,
10.4, 9.8, 10.0, 10.2, 9.6 litara kiseline. Odrediti interval sa 95%
pouzdanosti za prosječan sadržaj u kontejnerima ako
pretpostavimo približno normalnu distribuciju.
40/51
Jedan uzorak: Estimacija srednje vrijednosti
Slučaj nepoznate varijanse σ
Primjer U sedam kontejnera sa kiselinom imamo po 9.8, 10.2,
10.4, 9.8, 10.0, 10.2, 9.6 litara kiseline. Odrediti interval sa 95%
pouzdanosti za prosječan sadržaj u kontejnerima ako
pretpostavimo približno normalnu distribuciju.
x̂ = 10.0 s = 0.283
se može koristiti.
41/51
Jedan uzorak: Estimacija srednje vrijednosti
Koncept velikih uzoraka
42/51
Jedan uzorak: Estimacija srednje vrijednosti
Koncept velikih uzoraka
42/51
Standardna greška estimacije
2 σ2
σX̄ =
n
Što značemo pisati i na sljedeći način:
σ
x̄ ± zα/2 √ pišemo x̄ ± zα/2 s.e.(x̄)
n
43/51
Standardna greška estimacije
44/51
Interval predikcije
U određenim slučajevima nas neće interesovati da estimiramo
srednju vrijednost populacije nego moguću vrijednost neke
buduće opservacije.
45/51
Interval predikcije
Interval predikcije ćemo razviti počevši od normalne nasumične
varijable x0 − x̄, gdje je x0 nova opservacija, a x̄ dolazi iz uzorka.
Budući da su x0 i x̄ nezavisne, znamo da je:
x0 − x̄ x0 − x̄
z=√ = √
σ − σ /n
2 2 σ 1 + 1/n
normalna standardna varijabla n(z; 0, 1). Kao rezultat ako
koristimo izraz vjerovatnoće:
.
46/51
Interval predikcije
47/51
Interval predikcije
48/51
Interval predikcije
48/51
Interval predikcije
49/51
Interval predikcije
i donja granica: √
x̄ − tα s 1 + 1/n
50/51
Interval predikcije
51/51
Interval predikcije
51/51