Upload
ahmed-kadic
View
231
Download
0
Embed Size (px)
DESCRIPTION
cgfhsxtfrzujxdtr65z
Citation preview
Intervalne ocene parametara raspodele
• Realizovana vrednost tačkaste ocene parametra može d d t d t d ti tda odstupa od stvarne vrednosti parametra, pa se određuje interval koji, sa unapred zadatom verovatnoćom, sadrži nepoznati parametar.p p
• Neka je X1, X2, ..., Xn prost slučajan uzorak obima n za obeležje X i θ je nepoznati parametar u raspodeli tog obeležja Na osnovu posmatranog uzorka definišu seobeležja. Na osnovu posmatranog uzorka definišu se statistike f (X1, ..., Xn ) i g(X1, ..., Xn ) tako da važe uslovi:
P[f ≤ g]=1[f g]P[f ≤ θ ≤ g]=β, β∈[0, 1]
• Tada kažemo da je [f , g] interval poverenja za nepoznati parametar θ sa nivoom poveranja β.
• Za β=0,9 kaže se da je to 90%-tni interval poverenja. 1
Intervali poverenja za t tičk č ki jmatematičko očekivanje
Interval poverenja za matematičko očekivanje m obeležja p j j jX, sa normalnom raspodelom i poznatom disperzijom
• Kako je gustina normalne raspodele simetrična u odnosu t ti tik f i bi i t ič dna pravu x=m, statistike f i g biramo simetrično u odnosu
na nXε−= nXf ε+= nXgnf ng
Treba odrediti ε iz uslova
β=ε+≤≤ε− ][ XmXP β=ε+≤≤ε ][ nn XmXP
β=ε≤− ][ mXP n
2
Intervali poverenja nastavakIntervali poverenja, nastavak
• Ako je σ2 poznato, statistika ),(:2
mNX nσj p , ),(nn
)1,0(: NnmX n
σ−
σ• zβ se može odrediti iz:
β=
≤− znmXP n nz ε
=β=
≤σ βznP nz
σ=β
• Koristeći tablice za dato β nalazi se zβ, pa se dobija βinterval poverenja za matematičko očekivanje obeležja X
σ+σ− ββ zX
zX ,
σ+σn
Xn
X nn ,
3
Intervali poverenja nastavakIntervali poverenja, nastavak
• Na osnovu vrednosti n i realizovane vrednosti nxuzoračke sredine dobija se realizovani interval poverenja
n
nX
zz
σ+σ− ββ
nz
xn
zx nn ,
• Ako bismo za dato obeležje
sredina trećeg uzorka
• Ako bismo za dato obeležje veliki broj puta uzeli uzorak obima n i izračunali intervale 3x sredina drugog
uzorkapoverenja, tada bi približno 100·β% intervala sadržalo nepoznato matematičko x
2x
sredina prvog k
u o a
nepoznato matematičko očekivanje E(X)=m.
m
1x uzorka
4
PrimerPrimer• Odrediti 90%-ni i 95%-ni interval poverenja za matematičko
očekivanje obeležja X čija je raspodela N(m,22) na osnovu uzorka bi 20obima 20:
1,2 1,3 2,0 1,4 2,3 1,1 2,5 1,8 1,5 1,82,2 2,3 2,2 1,1 1,3 1,5 1,7 1,9 2,5 1,4
1• Realizovana vrednost uzoračke sredine je 75,1)4,1...2,1(
201
20 =++=x
• Neka je 202
20 mXnmXZ n −=
σ−
=2σ
• Iz tablica za normalnu raspodelu se određuje zβ na osnovu [ ] 9,0=≤ βzZP
• Dobija se zβ =1,64, pa je 90%-ni interval poverenja za mat. očekivanjej β , , p j p j j
]48,2;02,1[22064,175,1;2
2064,175,1; =
+−=
σ+σ− ββ
nz
xn
zx nn
Z β 0 95 d bij 1 96 j 95% i i t l j t• Za β=0,95, dobija se zβ =1,96, pa je 95%-ni interval poverenja za mat. očekivanje [0,87; 2,63].
5
Interval poverenja za MO m obeležja sa i t di ijnorm. rasp. i nepoznatom disperzijom
• Slično kao u slučaju sa poznatom disp., ali se koristi sp
1−− n
SmX
n
n
koja ima Studentovu raspodelu sa n 1 stepeni slobodekoja ima Studentovu raspodelu sa n-1 stepeni slobode. Iz tablica za Studentovu raspodelu nalazi se tn-1;β tako da za dato β važi
β=
≤−
−β− ;11 n
n
n tnS
mXP
dobija se interval poverenja za m na osnovu vrednosti iz uzorka za n, ,nX nS
tt
−
+−
− β−β−n
nnn
nn S
nt
XSn
tX
1,
1;1;1
6
Intervali poverenja za disperzijuIntervali poverenja za disperzijuInterval poverenja za disperziju obeležja X sa normalnom raspodelom i poznatim matematičkim očekivanjemraspodelom i poznatim matematičkim očekivanjem
• Kako je disperzija nenegativna veličina, može se odrediti jednostrani interval poverenja, tako što se za levi kraj IP
i 0 d i k j t b d diti i l P[0 2 b] βuzima 0, a desni kraj treba odrediti iz uslova P[0≤σ2≤ b]=β.
[ ] [ ] β=
≥=≤σ=≤σ≤bSnSnPbPbP nn
2
2
222
~~0[ ] [ ] β
σ b2
X1, X2, ..., Xn je prost slučajan uzorak obima n za posmatrano obeležje Statistika kada je MO poznatoobeležje. Statistika, kada je MO poznato
.)(1~1
22 ∑=
−=n
jjn mX
nS
j
7
IP za disperziju, poznato mp j , p• Statistika ima raspodelu, iz tablica za χ2 raspodelu2
2~
σnSn 2
nχ
nalazi se 2;βχn
β=
χ> β2
;2
2~n
nSnP β
χσ β;2 n
Na osnovu dobijene vrednosti iz tablica i vrednosti iz k i d bij2~Suzorka za n i dobija se 2
nS
2
2~
χ= nSnb
;βχn
Za n>30, koristi se aproksimacija hi-kvadrat raspodele, normalnom N(n,2n). ( , )
8
Dvostrani interval poznato mDvostrani interval, poznato m• Dvostrani interval poverenja [b1, b2], gde je 0 < b1< b2, za
nepoznatu disperziju obeležja X nalazimo iz:p p j jP[b1 ≤σ2≤ b2]=β.
• Kako je:[ ] β=
≤
σ≤=≤σ≤
1
2
2
2
2
2
22
1
~~~
bSnSn
bSnPbbP nnn
treba da važitreba da važi
β=
ε≤≤ε 22
2
1
~nSnP
2
1
~Sn n=ε2
2
~Sn n=εβ
ε≤σ
≤ε 221P2
1 bε
12 b
ε
ima hi-kvadrat raspodelu sa nstepeni slobodestepeni slobode
9
Hi-kvadrat raspodelaHi kvadrat raspodela
x
β 1−β2
1−β2
x
2ε1ε
Postavljaju se uslovi, jer se ε1 i ε2 ne mogu jednoznačno odrediti
[ ]2
11
2 β−=ε<χnP [ ]
21
22 β−
=ε>χnP
Interval poverenja za nepoznatu disperziju će biti:
22 ~~
nn SnSn
εε 12
, nn
10
IP za disperziju nepoznato mIP za disperziju, nepoznato m
Interval poverenja za disperziju obeležja X sa normalnom
• Jednostrani interval poverenja [0, b] za nepoznatu disperziju 2 dobijamo koristeći statistiku 2S
p j p j jraspodelom i nepoznatim matematičkim očekivanjem
disperziju σ2, dobijamo koristeći statistiku čija je raspodela
2
2
σnSn
21−χn
Iz tablica za χ2 raspodelu se nalazi vrednost ε za koju je:
[ ] β=ε>χ −2
1nP
Iz tablica za χ2 raspodelu se nalazi vrednost ε za koju je:
∑n1
ε=
2nSnb
∑=
−=j
njn XXn
S1
22 )(1
11
Dvostrani interval nepoznato mDvostrani interval, nepoznato m• Dvostrani interval poverenja [b1, b2], gde je 0 < b1< b2 za
nepoznatu disperziju σ2 se dobija iznepoznatu disperziju σ se dobija iz
[ ] β=≤σ≤ 22
1 bbP
[ ] β=
≤
σ≤=≤σ≤
2
2
2
2
1
2
22
1 bSnSn
bSnPbbP nnn
1−β
ima hi-kvadrat raspodelu sa n-1stepeni slobode
x
β 1−β2
1−β2
1ε 2ε
12
Interval poverenja za t di ijnepoznatu disperziju
2S2S
2
2
1 bSn n=ε
1
2
2 bSn n=ε
[ ]2
12
21
β−=ε≥χ −nP [ ]
21
12
1β−
=ε≤χ −nP
Interval poverenja za nepoznatu disperziju će biti:
22 SnSn
εε 12
, nn SnSn
13
PrimerPrimer
• Odrediti 90%-tni interval poverenja za disperziju obeležja p j p j jX ako se smatra da je E(X)=2
1,2 1,3 2,0 1,4 2,3 1,1 2,5 1,8 1,5 1,82 2 2 3 2 2 1 1 1 3 1 5 1 7 1 9 2 5 1 42,2 2,3 2,2 1,1 1,3 1,5 1,7 1,9 2,5 1,4
• Realizovana vrednost statistike
270))241()231()221((1~ 2222 =+++=s 27,0))24,1(...)23,1()22,1((2020 =−++−+−=s
Iz tablica nalazimo 443,1229,0;20 =χ
4347,0=bInterval poverenja za disperziju obeležja je [0; 0,4347].
14
Intervali poverenja za količnik disperzijaIntervali poverenja za količnik disperzija
• Interval poverenja za količnik disperzija dva nezavisna p j p jobeležja sa normalnim raspodelama čija su MO poznata
• Neka su X1, ..., Xn1 i Y1, ..., Yn2 prosti nezavisni slučajni uzorci
),(: 211 σmNX ),(: 2
22 σmNY
• Neka su m1 i m2 poznate vrednosti. Statistika 2
21
21
~
~
σ=
n
S
S
Z1 2 p
22
2
σnS
ima Fišerovu raspodelu Fn1,n2. Iz uslova P[ε1 ≤ θ ≤ ε2]=βt lj d lpostavljamo dva nova uslova
21)( 1
β−=ε<ZP
21)( 2
β−=ε>ZP
2 2
15
Intervali poverenja za količnik di ij t kdisperzija, nastavak
• Iz tablica za Fišerovu raspodelu odrede se ε1 i ε2, iz p 1 2,uzorka se izračunaju uzoračke disperzije, pa se dobija interval poverenja
2
2
221
22
2
2
11
2
1
2~
~
~
~
n
n
n
n
s
s
s
sε≤
σσ
≤ε
16
Interval poverenja za količnik disperzijaInterval poverenja za količnik disperzija
• Interval poverenja za količnik disperzija dva nezavisna p j p jobeležja sa normalnim raspodelama čija MO nisu poznata
• Neka su X1, ..., Xn1 i Y1, ..., Yn2 prosti nezavisni slučajni uzorci
),(: 211 σmNX ),(: 2
22 σmNY
• Neka m1 i m2 nisu poznate vrednosti. Statistika 2
21
21
ˆ
ˆ
σ=
n
S
S
Z1 2 p
ima Fišerovu raspodelu Fn1-1,n2-1. Iz uslova P[ε1 ≤ θ ≤ ε2]=βt lj d l
22
2
σnS
postavljamo dva nova uslova
21)( 1
β−=ε<ZP 2
1)( 2β−
=ε>ZP222 ˆˆ
• Interval poverenja je: 2
2
221
22
2
2
11
2
1
2
ˆˆ n
n
n
n
s
s
s
sε≤
σσ
≤ε17