Смекни!
smekni.com

Парадокси в математичній статистиці (стр. 19 из 22)

і є незміщеною оцінкою дисперсії

.

Ситуація змінюється, коли математичне сподівання розподілу

невідоме і в якості оцінки математичного сподівання розглядається

.

Тоді вибіркова дисперсія

вже не є незміщеною оцінкою.

Оцінка

є асимптотично незміщеною оцінкою для
. Оскільки незміщеність - одна з необхідних властивостей, яку повинна мати добра оцінка, змінимо оцінку
так, щоб отримати незміщену оцінку для
.

.

Оцінка

незміщена оцінка для
.

Проте парадокс оцінок дисперсії показує, що не завжди треба обмежуватися розглядом лише незміщених оцінок. Інколи оцінка з малим зсувом і малою мірою розкиду значень оцінки краща незміщеної оцінки з великою дисперсією.

Парадокс.

Нехай

- вибірка з нормального розподілу
з параметрами
. Оцінка

незміщена оцінка для

, а оцінка

для

така, що міра розкиду оцінки
відносно
мінімальна. Вимога незміщеності і мінімуму міри розкиду приводять до різних оцінок. Треба дізнатися якій з оцінок віддати перевагу.

Пояснимо парадокс. Розглянемо клас оцінок

.

Математичне сподівання оцінок

дорівнює

.

Тобто в класі оцінок

існує єдина незміщена оцінка
, яка відповідає
і ця оцінка є
:

. (1)

Міра розсіювання оцінок

відносно
обчислюється за формулою:

. (2)

Позначимо через

функцію параметра

. (3)

Знайдемо

, при якому
досягає найменшого значення. Це значення

. (4)

При цьому

має вигляд:

. (5)

Одержуємо нерівність (6). Міра розсіювання оцінки

відносно
менша ніж міра розсіювання оцінки
відносно
.

. (6)

Таким чином, на підставі вимоги мінімуму міри розсіювання оцінки зміщена оцінка

,

зміщення якої

(7)

мале при чималому об'ємі вибірки

, краще оцінює дисперсію
, чим незміщена оцінка
.

Цей парадокс показує, що не може бути єдиного критерію, за яким необхідно порівнювати всі оцінки, як не існує єдиної оцінки даного параметра

, яка прийнятна для всіх випадків.

Зауважимо.

Вибіркова дисперсія

при відомому математичному сподіванні - ефективна оцінка для

. Оцінка
не є ефективною оцінкою для
. Ефективної оцінки для
(при невідомому математичному сподіванні) не існує, тобто ні для якої незміщеної оцінки параметра
нерівність Крамера - Рао не обертається в рівність.

Парадокс Байєса.

Історія парадоксу.

Теорема Томас Байєс, доведена близько 1750 р. і опублікована лише після смерті автора, стала джерелом суперечок в статистиці. Вони не припинилися й досі. Сформулюємо теорему Байєса. Нехай події

, утворюють повну групу подій. Тоді для будь-якої події
умовна ймовірність події
відносно
рахується за формулою

(1)

Формула Байєса дозволяє за апріорними ймовірностями

подій знайти апостеріорні ймовірності подій
. В більшості її застосувань апріорні імовірності
невідомі. В цьому випадку вважають, що, оскільки відсутня попередня інформація про події
, то усі ймовірності
рівні, але такий підхід, взагалі кажучи, неприйнятний.

Байєс використовував свою теорему у випадках, коли апріорні імовірності

були випадковими величинами, зокрема, рівномірно розподіленими на
.

Нехай

- випадкова величина рівномірно розподілена на
.

.

Вважаємо, що щільність апріорна.

Позначимо через

- подію, яка полягає у тому, що "в
випробовуваннях Бернуллі подія
відбулась
разів", при цьому ймовірність події
дорівнює
.