STATYSTYKA MATEMATYCZNA WYKŁAD 14rziel/PW_Wyk14.pdf– Estymator nieobciążony: E θ^ = θ dla...

STATYSTYKA MATEMATYCZNAWYKŁAD 1418 stycznia 2010

ROZKŁAD DWUMIANOWY

Model statystyczny(0, 1, . . . , n, Pθ, θ ∈ (0, 1)

), n ustalone

PθK = k =

)θk(1− θ)n−k , k = 0, 1, . . . , n

Geneza:

Rozkład Bernoulliego (dwupunktowy):

Pθξ = 1 = θ = 1− Pθξ = 0

K = ξ1 + ξ2 + . . .+ ξn

ROZKŁAD DWUMIANOWYESTYMACJA PUNKTOWA

Estymator naturalny parametru θ: θ = Kn

Własności estymatora θ:

– Estymator nieobciążony: E θ = θ dla każdego θ ∈ (0, 1)

– Estymator największej wiarogodności

– Estymator uzyskany metodą momentów

– Estymator nieobciążony o jednostajnie minimalnej wariancji

θ = Kn

Wariancja i błąd średniokwadratowy (estymator nieobciążony)

Varθ(θ) =θ(1− θ)

Bθ(θ) =√Eθ(θ − θ2) =

√Varθ(θ)

Nierówność Czebyszewa

Pθ|θ − θ| ε ¬Varθ(θ)

Pθ|θ − θ| < t

√Varθ(θ)

1− 1

t2(θ − t

√Varθ(θ), θ + t

√Varθ(θ)

)traktuje się jako coś w rodzaju

przedziału ufności dla nieznanej frakcji θ, na poziomie ufności1− 1/t2.

θ = Kn

0 0.2 0.4 0.6 0.8 1

........

.........

........

.........................................................................................................................................................................................................................................................................................................................................................................

...............................

.............................................

..............................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

.........................................................................................................

................................

..............................................

............................................................

...........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

n = 10

n = 100

Bθ(Kn )

Jednostajnie minimalna wariancja - czy na pewno o tochodzi? Wiadomo, że frakcja może być jedną z liczb z przedziału(0, 1). „Jednostajnie” minimalny błąd estymatora oznacza, że jeston minimalny przy każdej wartości θ ∈ (0, 1). Ale jeżeli z górywiemy, że estymowana frakcja mieści się w pewnym przedziale(t1, t2), 0 < t1 < t2 < 1, to może nam wcale nie zależeć na małymbłędzie estymatora dla frakcji o wartościach poza tym przedziałem.Czy zyskujemy coś na minimalizowaniu błędu estymatora tylko natym wyróżnionym przedziale?

Powiemy, że estymator θ1 jest lepszy od estymatora θ2 naprzedziale (t1, t2), jeżeli jego średni błąd na tym przedziale jestmniejszy, tzn. jeżeli∫ t2

t1Bθ(θ1)dθ <

∫ t2t1Bθ(θ2)dθ.

Rozważamy estymatory θ = θ(K ), które są funkcją liczby Kobserwacji wyróżnionych w próbie. Dla takich estymatorów mamy

Bθ(θ(K )

)=n∑k=0

[θ(k)− θ

)θk(1− θ)n−k

zatem ∫ t2t1Bθ(θ(K )

)dθ =

=n∑k=0

)[θ(k)2 c(k , n; t1, t2)−2θ(k) c(k+1, n; t1, t2)+c(k+2, n; t1, t2)

]gdzie

c(k , n; t1, t2) =

∫ t2t1θk(1−θ)n−kdθ.

Minimalizując, dla każdego k oddzielnie, wyrażenia w nawiasachkwadratowych otrzymujemy optymalny estymator w łatwej doobliczeń postaci

θ(K ) =c(K + 1, n; t1, t2)c(K , n; t1, t2)

Przykład numeryczny. Zwróćmy uwagę na to, że zmodyfikowany estymator nigdy nieprzyjmuje wartości poza przedziałem (t1, t2), dla którego został zaprojektowany.

Przedział (t1, t2)K

(0, 1) (0, 0.5) (0.3, 0.4)

0 0.0 0.0837 0.33771 0.1 0.1644 0.34112 0.2 0.2396 0.34663 0.3 0.3030 0.34824 0.4 0.3519 0.35185 0.5 0.3872 0.35546 0.6 0.4121 0.35897 0.7 0.4296 0.36228 0.8 0.4422 0.36529 0.9 0.4514 0.3681

10 1.0 0.4583 0.3707

Błąd tych estymatorów kształtuje się tak, jak to przedstawiono naRys. 2. Zależy on istotnie od tego, jak wybraliśmy przedział(t1, t2): im przedział jest krótszy, tym błąd wewnątrz tegoprzedziału jest mniejszy, ale jeżeli wybrany przez nas przedział niepokrywa nieznanej, szacowanej wartości frakcji θ, to błąd może byćbardzo duży. Dla porównania na tym samym rysunku narysowanotakże błąd standardowego estymatora K/n.

0 0.2 0.4 0.6 0.8 1

0.5 ..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

....................................................................................................

.................................

............................................

...........................................................

..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

.................................................................................................................................................................................... .........

.....................................................................................................................................................................................................................................................................

........................................................................................................................

..................

...........................

..............................

................................................................................................................................................................

(0.0, 0.5)

(0.3, 0.4)

Poszukując optymalnego estymatora frakcji w sytuacji, gdy naszawiedza a priori o tej frakcji lokuje ją „gdzieś w przedziale (t1, t2)”,minimalizowaliśmy∫ t2

t1Bθ(θ(K )

)dθ =

01(t1,t2)(θ)Bθ

(θ(K )

czyli błąd uśredniony wagą 1(t1,t2)(θ).

Można to uśrednienie dokonać dla innej niż 1(t1,t2)(θ) wagi,powiedzmy wagi π(θ), θ ∈ (0, 1), na przykład takiej, jakąprzedstawia Rys. 3. Wygodnie jest wybierać wagę spośród gęstościrozkładów prawdopodobieństwa, a w naszym przypadku estymacjifrakcji spośród gęstości rozkładu beta

Γ(α, β)

Γ(α)Γ(β)tα−1(1− t)β−1

0 0.2 0.4 0.6 0.8 1

5 ..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

...........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

Wybór wagi typu

Γ(α, β)

Γ(α)Γ(β)tα−1(1− t)β−1

pozwala na korzystanie z rozbudowanego aparatu statystykiBayesowskiej.

W statystyce Bayesowskiej wagę π(θ) interpretujemy jako rozkłada priori, a rozwiązaniem naszego zadania, tzn. optymalnymestymatorem frakcji θ, jest wtedy (K + α)/(α + β + n) – jest tośrednia w rozkładzie a posteriori.

Błąd średniokwadratowy estymatora Bayesowskiego dla rozkładua priori z Rys. 3 (α = 7, β = 20) i dla liczności próby n = 10przedstawia Rys. 4; dla porównania przedstawiono tu również błądestymatora standardowego K/n.

0 0.2 0.4 0.6 0.8 1

0.5 ..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

....................................................................................................

.................................

............................................

...........................................................

..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........................................................................ ......... ......... ......... ......... ..................

..................

K + 7n+ 27

Rozkład a priori - fuzzy set (zbiór rozmyty)

Błąd estymatora zależy od nieznanej wartości parametru θ.Możemy tak manipulować, żeby był on możliwie mały w obszarzeo którym wiemy, że zawiera to nieznane θ, ale jeżeli mamy pechai prawdziwa, nieznana wartość tego parametru leży daleko pozawybranym przez nas obszarem, błąd może okazać się katastrofalnieduży.

Można się przeciwko temu zaasekurować konstruując estymator,którego maksymalny błąd będzie możliwie mały. Takie estymatorynazywają się estymatorami minimaksowymi.

W naszym przypadku takim estymatorem jest

K + 12

n +√n

Ma on stały błąd, zależny tylko od n, i ten błąd jest równy1/ (2(1+

√n)).

Na Rys. 5 pokazano wykresy błędów wszystkich rozważanych dotej pory estymatorów oraz estymatora minimaksowego, dla n = 10.

0 0.2 0.4 0.6 0.8 1

0.5 ..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

....................................................................................................

.................................

............................................

...........................................................

..................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

.................................................................................................................................................................................... .........

.....................................................................................................................................................................................................................................................................

........................................................................................................................

..................

...........................

..............................

................................................................................................................................................................

..........................

............. ............. ..........................

.....................................................................................................................................................................................................................................................................................

............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ............. ..........................................................

......................

...........

(0.0, 0.5)

(0.3, 0.4)

est. minimaksowy

ESTYMACJA PRZY ROZBICIU POPULACJI NA WARSTWY

Ω = A ∪ B, A ∩ B = ∅

Podzbiory A i B o licznościach NA i NB (NA + NB = N),z liczbami MA oraz MB (MA +MB = M) elementów wyróżnionychw tych podzbiorach

θA oraz θB –frakcje elementów wyróżnionych w tych podzbiorach

Zadanie, jak powiedzieliśmy, polega na oszacowaniu frakcji

θ =MA +MBNA + NB

=NANθA +

NBNθB

Naturalny estymator frakcji θ:

θ =NANθA +

NBNθB

θA =KAnA, θB =

, nA + nB = n

gdzie nA i nB są licznościami prób z warstw A i B, w którychzaobserwowano KA i KB elementów wyróżnionych

Jest to estymator nieobciążony

Wariancja estymatora θ:

Varθ(θ) = Eθ

(NANθA +

NBNθB − θ

(θA − θA) +NBN

(θB − θB)

)2 θA(1− θA)

)2 θB(1− θB)

Odpowiednie rozbicie całej populacji Ω na rozłączne zbiory A i Boraz odpowiedni wybór wielkości prób z każdego z tych podzbiorówmoże istotnie zmniejszyć tę wariancję

ROZKŁAD DWUMIANOWYESTYMACJA PUNKTOWA Z NIEPEŁNĄ INFORMACJĄ

Geneza problemu: krępujące pytania ankietera

Zastosowania w SKJ: błąd kontrolera

Formalizacja dla przypadku badania ankietowego w celu estymacjifrakcji θ = M

N elementów wyróżnionych (jest ich nieznana liczbaM) w populacji składającej się z N elementów. O elemenciewyróżnionym powiemy, że jest W

Z populacji losujemy n respondentów.

Respondent ma odpowiedzieć na pytanie „czy jesteś W ”

W celu zapewnienia dyskrecji formułujemy dwa pytania: jednoistotne „czy jesteś W ”, drugie „niewinne”, np. „czy urodziłeś się wponiedziałek”, wybrane jednak w taki sposób, żebyśmy znali frakcjęq osób w populacji, odpowiadających TAK na to pomocniczepytanie (tu 1/7)

Respondent ma losowo wybrać jedno z pytań, odpowiedzieć na nie,ale nie informować ankietera, na które pytanie odpowiada. Niechp oznacza prawdopodobieństwo wylosowania pytania zasadniczego.

„RANDOMIZOWANE ODPOWIEDZI”

Prawdopodobieństwo usłyszenia odpowiedzi TAK wyraża sięwzorem

P(TAK ) = pθ + (1− p)q

Jest to prawdopodobieństwo θ wylosowania jednostki wyróżnionej,pomnożone przez prawdopodobieństwo p, że wylosuje ona pytaniezasadnicze plus prawdopodobieństwo q wylosowania jednostkiodpowiadającej TAK na pytanie pomocnicze, pomnożone przezprawdopodobieństwo że wylosuje one pytanie pomocnicze

Rozpatrując to jako równanie względem θ, otrzymamy

θ =P(TAK )− (1− p)q

Estymując P(TAK ) za pomocą ilorazu Tn , gdzie T jest liczbąodpowiedzi TAK w n-elementowej próbie respondentów,otrzymujemy estymator θq interesującej nas frakcji θ

Tn− (1− p)q

Jest to estymator nieobciążony:

Eθ(θ) = Eθ

(Tn− (1− p)q

))= θ

Wariancja

Varθ(θq) =λ(1− λ)

np2 , λ = pθ + (1− p)q

W szczególności, gdy q = 1− θ (pytanie pomocnicze „czy niejesteś W ?”), estymator

Tn− (1− p)

2p − 1

Varθ(θW ) =θ(1− θ)

n+p(1− p)n(2p − 1)2

0 0.2 0.4 0.6 0.8 1

0.4 ..........................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

........

...........................................................................................................................................

................................

.........................................

....................................................

....................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................................

......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ......... ....

...................................

...............

....................

.....................

.............................

.......................................................

...............................................................................................................................

STATYSTYKA MATEMATYCZNA WYKŁAD 14rziel/PW_Wyk14.pdf– Estymator nieobciążony: E θ^ = θ dla...

Documents

Transcript of STATYSTYKA MATEMATYCZNA WYKŁAD 14rziel/PW_Wyk14.pdf– Estymator nieobciążony: E θ^ = θ dla...

WYBRANE METODY ESTYMACJI PARAMETRÓW FUNKCJI … · Wybrane metody estymacji parametrów funkcji łączących 105 c) funkcja łącząca Gumbela17: θ θ θ θ 1 C (u1,u2) exp( ((

Metoda momentów i kwantyli próbkowychtheta.edu.pl/wp-content/uploads/2014/02/W6EP.pdf · Metoda Momentów - przykłady Przykład 3 - cd II. Wyznaczamy estymator parametru λw oparciu

Cechy prób panelowych - ekonometria.wne.uw.edu.pl · Przykład Determinanty płacy. Szacunek na podstawie panelu dla BAEL rozpoczetej˛ w 1995.1. Estymator MNK. Regression with robust

APOKRYFY · 2017. 2. 4. · i sheweth się aż do taki h jak nieufność go. {1:3} dla uzyskany myśli oddzielić od oga: i jego mo, gdy zostanie podjęta próa, reproveth niemądre.

UZYSKANY NAZWISKO IMIĘ KLASA SZKOŁA ADRES …

WIADOMOŚCI Z RATUSZA SOLECKIE - Solec Kujawskii parking dla rowerów. Trzeba też wspomnieć o rekultywacji terenów po byłej Nasycalni. Efekt ekologiczny ma być uzyskany do końca

· — Sok z brzozy — 1. OPIS PRODUKTU Produkt otrzymany ze zdrowych, wyselekcjonowanych drzew brzozy. Naturalny 100% sok uzyskany przez šciqgniecie soku z pnia ...

t 1 BesselJ 1, n 2 nfig.if.usp.br/~marchett/fismat1/fourier_identidade-semi... · 2016-03-11 · Plot Table Sum 2 (-1)n+1 n Sin[nθ], {n, 1, k} , {k, 1, 5} , θ , {θ, -π,π} -3

s уBMITTEp. Tö ·ΤΗΙ^ ·θ £PÄ^TMBp'r:: PÖZET DURUM UZAYI KALMAN FİLTRESİNİN BİR SAYISAL İŞARET İŞLETİCİSİNDE GERÇEKLEŞTİRİLMESİ M. Khaledul İslam Elektrik

H P mt 4 5 M o b i le T h i n C l i e n tΔ υ να τ ά η χεί α ρ υ θ μ ι σ μ έ να α π ό ειδ ι κο ύ ς τ η ς B a n g & O lu f s e n πα ρ ά γου

sapsp.pl naboru 2017_2018.pdf · uzyskanych z egzaminu teoretycznego, z próby wydolnoéciowej (beep test), z próby sprawnošciowej bieg po kopercie, a nastqpnie czas uzyskany w

ΚΥΡΙΑΗΟΛΙ ΑΙ ΚΥΡΙΑΚΗ 2 ΙΟΥΛΙΟΥ 2017media.opap.gr/horseWeb/HR_02072017.pdf · 2 golden escape 7 Θ 2 ma.bernadet 58 mlle c.courtade 75 3 baileys chic 3 Θ

R JCS540TS q u a re W a v e P u ls e D u ra tio n [s e c ] s in g le p u ls e 0 .0 1 N o te s : 1 Z θ J C (t)= 3 .1 2 /W M a x 2 D u ty F a c to r, D = t1 /t2 3 T J M -T c = P D M

GALERIA FOTOpts.stat.gov.pl/.../26/1/1/szymkowiak_galeria_foto.pdf · GALERIA FOTO . 2 . 3 . 4 . Estymator kalibracyjny wartoscl globalnej Tesyeryczne i praktyczne aspekty " badaniach

Autoreferat Knapczyk-Stwora pol - wb.uj.edu.pl · 2 1. Imię i nazwisko Katarzyna Knapczyk-Stwora 2. Posiadane dyplomy, stopnie naukowe Magister biologii, stopień uzyskany w 2005

Biegi Ulicami Sieradz · 50 biegi ulicami sieradza miejsce numer startowy nazwisko imiĘ nazwa klubu / adres uzyskany czas 1 69 lemiesz aneta 32.59.2 2 3 kubicka jolanta ks Żeglina

uzyskany p - Nobilis Media · organy władzy publicznej: Prezydent RP, Rada Ministrów, Prezes Rady Ministrów, minister spraw wewnętrznych i administracji, wojewodowie, starostowie,

Statystyka matematyczna. Wykład II. · 6= σ2 Estymator wariancji S2 1 S2 1 = 1 n−1 Xn i=1 X i−X¯ 2 jest estymatorem nieobciążonym wariancji w populacji σ2 przy nieznanej

Metody Ekonometryczne - Niesferycznosc macierzy wariancji ...web.sgh.waw.pl/~jmuck/ME/MetodyEkonometryczne_2019L_3.pdf · Estymator MNK Niesferyczność macierzy ... Autokorelacja

Dr inż. Tomasz Dyl Wydział Mechanicznywm.pollub.pl/files/24/attachment/4203_II.pdf · o specjalności Przeróbka Plastyczna Metali uzyskany w roku 1997, Politechnika zęstochowska