18_mathima
description
Transcript of 18_mathima
1
∆ΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ
Η Σηµειακή εκτιµητική δεν ποσοτικοποιεί την αβεβαιότητά µας για την ά-
γνωστη παράµετρο. Παίρνουν µία τιµή και δεν γνωρίζουµε πόσο αβέβαιοι είµα-
στε για την τιµή αυτή.
Σχεδόν πάντα, µε πιθανότητα 0, η εκτίµηση θα είναι ακριβώς ίση µε την
πραγµατική τιµή της παραµέτρου.
Κατασκευή ∆ιαστηµάτων Εµπιστοσύνης
Ζητούµε ( )LB X , ( )UB X (LowerBound και UpperBound), τέτοια ώστε, η πι-
θανότητα ( ) ( ) 1P LB X UB X aθ< < = − , συνήθως 95%, δηλαδή α=0,05. ∆εν
αποκλείεται όµως, να ληφθεί και α=0,01 (99%) ή α=0,1 (90%)
95%=100(1-α)%.
Παράδειγµα Άσκηση:
Έχουµε 1 2, , ,v
X X X… από κανονική κατανοµή ( )2,N µ σ , µε σ2 γνωστό.
Ζητείται ένα διάστηµα εµπιστοσύνης για το µ, µε α=0,05
Λύση:
Το α δεν έχει καµία σηµασία!
Είναι γνωστό ότι � Xµ µ= = .
Θεωρούµε την κατανοµή του.
( )2~ ,i
X N µ σ και, δεδοµένου
ότι το σ2 είναι γνωστό ,
2
~ ,X Nv
σµ
. Είναι γνωστό
επίσης ότι ( )~ 0,1X
z N
v
µσ−
=
• Το µ αυτό είναι το πραγµα-
τικό, όχι το δειγµατικό.
• Από το συνολικό διάγραµµα πρέπει να «κόψουµε» µια ποσότητα α (εδώ
5%), για να µείνει το 1-α
• επειδή η κανονική κατανοµή είναι συµµετρική, είναι το ίδιο αν «κόψου-
µε» ένα α/2 από κάθε πλευρά του γραφήµατος, οπότε πάλι παραµένει στο
µέσο µία ποσότητα 1-α .
( )2 2
1a a
P z z z a− ≤ ≤ = − ⇒ 2 2
a a
xP z z
v
µσ
− − ≤ ≤ =
2 2a a
P z x zv v
σ σµ − ≤ − ≤ =
2 2
a aP z x z
v vσ σµ ≥ − ≥ − =
2 2a a
P z x zv v
σ σµ − ≤ − ≤ =
2 2
1a a
P x z x z av v
σ σµ − ≤ ≤ + = −
α/2 α/2
0 x zα/2 -zα/2
x µ
α/2 α/2
2a
x zv
σ− 2
ax z
vσ+
2
Άρα λοιπόν ( )2
aLB x z
vσµ = − και ( )
2a
UB x zv
σµ = +
Άρα το ( )1 100%a−2 2
,a a
x z x zv v
σ σ ∆Ε = − + ,
όπου:
1
1 v
i
i
X xv =
= ∑ ,
το 2
az βρίσκεται από τους πίνακες τυποποιηµένης κανονικής κατανοµής
( )0,1N , για την τιµή του α/2.
,vσ από τη δοθείσα κατανοµή και δείγµα.
Ερµηνεία του ∆ιαστήµατος Εµπιστοσύνης
Αν επαναλάβουµε το πείραµα πολλές φορές, µε διαφορετικά δεδοµένα και κα-
τασκευάσουµε διαφορετικά 100(1-α)% ∆Ε, στο 100(1-α)% των περιπτώσεων το
πραγµατικό µ θα βρίσκεται εντός του ∆Ε.
Παρατηρήσεις
1) Εάν 1 1 2 2, , ,v v
X x X x X x= = =… , τότε X x= είναι γνωστός αριθµός και το
διάστηµα (∆Ε) που είδαµε, 2
ax z
vσ± είναι γνωστό διάστηµα. Άρα σε συγκε-
κριµένο δείγµα, το µ θα περιέχεται ή δεν θα περιέχεται στο ∆Ε, αλλά δεν γνωρί-
ζουµε το πραγµατικό µ.
2) Όσο αυξάνεται το µέγεθος του δείγµατος (ν) τόσο το µήκος του ∆Ε µι-
κραίνει. ( ) ( ) ( )L UB X LB X∆Ε = − = 2 2
a aX z X z
v vσ σ + − − =
2 2a a
X z X zv v
σ σ+ − + = 2 2
a az z
v vσ σ+ =
2
2a
zv
σ (περισσότερη
πληροφορία → λιγότερη αβεβαιότητα)
3) Για συγκεκριµένο µέγεθος δείγµατος, το µήκος µικραίνει, όσο µεγαλώνει
το α, δηλ. όσο µικραίνει ο συντελεστής εµπιστοσύνης 1-α).
∆Ε για Άγνωστη Παράµετρο Πληθυσµού.
Έστω 1 2, , ,v
X X X… τ.δ. από κατανοµή µε σ.π. (ή σ.π.π.) ( );f x θ .
Ζητούµε τυχαία όρια ( )LB X , ( )UB X , τέτοια ώστε:
( ) ( ) 1P LB X UB X aθ< < = − (για πολυδιάστατες παραµέτρους, Ζώνη Εµπι-
στοσύνης).
Γενική Μέθοδος
Εάν ( ) ( )1 2, , ,v
T X T X X X= … είναι εκτιµήτρια του θ και µία συνάρτηση της Τ
και της παραµέτρου θ, ( ),Y T θ , µε κατανοµή ανεξάρτητη από άγνωστες παρα-
µέτρους, τότε επιλέγονται σταθερές τέτοιες ώστε: ( )1 2, 1P c Y T c aθ< < = − ,
µπορούµε να πάρουµε 100(1-α)% ∆Ε για το θ, επιλύοντας τη διπλή ανίσωση, ως
προς θ.
3
Παράδειγµα Άσκηση:
Έστω 1 2, , ,v
X X X… τ.δ. από κανονική κατανοµή ( )2,N µ σ .
Να βρεθεί ∆Ε για το µ.
Λύση:
Χρήση της γενικής µεθόδου:
( )T X X= εκτιµήτρια για το µ.
Επειδή το σ2 είναι άγνωστο, µπορούµε να χρησιµοποιήσουµε την εκτίµηση:
( )22
1
1
1
v
i
i
s x xv =
= −− ∑ , η οποία είναι και αµερόληπτη.
Γνωρίζουµε πάλι ότι 2
~ ,X Nv
σµ
και εποµένως ( )~ 0,1x
z N
v
µσ−
=
Επίσης γνωρίζουµε ότι: ( )
( )
2
2
12
1~
v
s v
σ −
−X (µε ν-1 βαθµούς ελευθερίας)
(γνωρίζουµε από τη θεωρία, ότι τα x και ν είναι ανεξάρτητα)
Student ( ) ( )
( )1
2 2
1
2 12
T v
vf t
tvvv
π
+
Γ +=
Γ +
, t−∞ < < ∞
Η κατανοµή ( )1vt − δεν εξαρτάται από άγνωστες παραµέτρους, είναι συµµετρική
ως προς το 0, µονοκόρυφη, σχηµατικά είναι όπως και η τυποποιηµένη κανονική
µε πιο «βαριά» άκρα, και για 30v ≥ , συγκλίνει προς την αυτή.
Η z ακολουθεί την Ν(0,1). Αν θεωρήσω τη z,
( )2
2/ 1
1
x
z vT
u r sv
v
µσ
σ
−
= = =−
−
2
2
x
v
s
µσ
σ
−
= ( )
2
2
x v
s
µ
σσ
−= ( )1~
v
xt
sv
µ−
−
(Παρένθεση)
( )~ 0,1z N
( )2~r
U X και, εάν είναι ανεξάρτητες και παίρνω την ποσότητα
( )
( )( )2
0,1~ , 30
/r
r
NzT t r
u r
r
= = <X
(κατανοµή Student)
�2 2sσ =
4
Ζητούµε σταθερές 1 2,c c τέτοιες ώστε: ( )1 2 1P c t c a< < = − ⇒
( )1 2 1P c t c a< < = − ⇒ 1 2
XP c c
sv
µ
− < < =
( ) ( )1 1
2 2a av v
XP t t
sv
µ− −
− − < < =
( ) ( )1 12 2
a av v
s sP t X tv v
µ− −
− < − < =
( ) ( )1 12 2
a av v
s sP t X tv v
µ− −
− < − < =
( ) ( )1 12 2
a av vs sP t X t
v vµ− −
− ≤ − ≤ =
( ) ( )1 12 2
a av vs sP X t X t
v vµ− −
− ≤ ≤ + =
1 a− .
Συνεπώς: το ( ) ( ) ( )1 12 2
1 100% ,a av v
s sa x t x tv v− −
− ⋅ ∆Ε = − +
Η ίδια έκφραση µε πριν, αλλά αντί για σ2 έχουµε s και, αντί της τυποποιηµένης
κανονικής κατανοµής, την Student t.
Αριθµητικά Παραδείγµατα:
Άσκηση:
Έχουµε 1 2 16, , ,X X X… από κανονική κατανοµή ( )2, 1N µ σ = .
Ζητείται ένα διάστηµα εµπιστοσύνης 95% για το µ.
∆ίνονται: 2X = , 0,9752
1,96a
z z= = .
Λύση:
( )2~ , 1i
X N µ σ = , 1
~ ,X Nv
µ
, ( )~ 0,1X
z N
v
µσ−
=
95%∆Ε=( )1 0,05 100%− 0,025 0,025,X z X zv v
σ σ ∆Ε = − + =
1 12 1,96 ,2 1,96
16 16
− + =
1 1
2 1,96 ,2 1,964 4
− + = [ ]2 0,49,2 0,49− + =
[ ]1,51;2,49
Άσκηση:
Έχουµε.
∆ίνονται: 1 2 16, , ,X X X… από κανονική κατανοµή ( )2,N µ σ , µε 2X = , 2 4s = .
Να βρεθεί ∆Ε για το µ.
∆ίνονται: ( )0,025 15 2,131t = , ( )0,05 15 1,753t = , ( )0,025 16 2,120t = , ( )0,05 16 1,746t = .
Λύση:
( )100 1 % 95%a− = ⇒ 100 100 95a− = ⇒ ( )100 95 100 0,05a = − ÷ = .