Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ
|
|
- Λυσιμάχη Λειβαδάς
- 7 χρόνια πριν
- Προβολές:
Transcript
1 10ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 1 / 44
2 Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σύνολο ενός πληθυσμού με βάση ένα (σχετικά μικρό) τυχαίο υποσύνολό του (δείγμα) - Γίνεται μελέτη των δειγματικών δεδομένων και επαγωγή τους στον (γεννήτορα) πληθυσμό (στατιστική επαγωγή), με μια ορισμένη πιθανότητα εμπιστοσύνης στην επιτυχία αυτής της επαγωγικής διαδικασίας. Αντιθέτως, η θεωρία Πιθανοτήτων είναι εγγενώς απαγωγική, δηλαδή ουσιαστικά γνώση για τον πληθυσμό (όλον) μεταφέρεται (απάγεται) στο τυχαίο δείγμα (μέρος). Παράδειγμα: - πιθανοθεωρία: ξέρω ότι ο χρόνος ζωής λαμπτήρων ακολουθεί εκθετική κατανομή με παράμετρο λ, και υπολογίζω την πιθανότητα συγκεκριμένων χρόνων ζωής σε κάποιους λαμπτήρες. - στατιστική επαγωγή: ξέρω ότι οι λαμπτήρες έχουν εκθετικά κατανεμημένο χρόνο ζωής, χωρίς να ξέρω την παράμετρο λ, και συμπεραίνω την λ από τους πραγματικούς χρόνους ζωής σε ένα τυχαίο δείγμα λαμπτήρων. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 2 / 44
3 Βασικές μέθοδοι στατιστικής συμπερασματολογίας Σημειακές εκτιμήσεις: Στόχος είναι η κατασκευή μιας εκτίμησης για μία τιμή (δηλαδή ένα σημείο και όχι ένα διάστημα της άγνωστης παραμέτρου), μαζί με τον υπολογισμό του σφάλματος. Παράδειγμα: η εκτίμηση της παραμέτρου λ για τον (εκθετικά κατανεμημένο) χρόνο ζωής λαμπτήρων Διαστήματα εμπιστοσύνης: Αντί για μια τιμή, αναζητούμε ένα φάσμα τιμών (διάστημα). Αυτό είναι ιδιαίτερα χρήσιμο όταν το δείγμα είναι μικρό ή/και όταν το σφάλμα εκτίμησης είναι σχετικά μεγάλο. Παράδειγμα: οι φυσιολογικές τιμές ιατρικών εξετάσεων, το αποδεκτό εύρος τιμών κατά τη μέτρηση αστικών ρύπων Ελεγχοι στατιστικών υποθέσεων: ελέγχεται αν μια πρόταση αναφορικά με κάποιο χαρακτηριστικό ενός πληθυσμού είναι σωστή Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 3 / 44
4 Σημειακές Εκτιμήσεις Σε αυτή τη διάλεξη θα ασχοληθούμε με σημειακές εκτιμήσεις. Η σημειακή εκτίμηση γίνεται μέσω εύρεσης και αξιολόγησης εκτιμητριών συναρτήσεων. Μέθοδοι εύρεσης εκτιμητριών συναρτήσεων: - Μέθοδος ροπών - Μέθοδος ελαχίστων τετραγώνων - Μέθοδος μέγιστης πιθανοφάνειας Βασικά κριτήρια αξιολόγησης εκτιμητριών συναρτήσεων: - αμεροληψία - αποτελεσματικότητα - συνέπεια Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 4 / 44
5 Τυχαίο Δείγμα - αντιστοιχία με Θεωρία Πιθανοτήτων Πληθυσμός: ένα σύνολο ανθρώπων, συσκευών κλπ ( στοιχεία ) των οποίων μελετώνται ορισμένα χαρακτηριστικά π.χ. το μηνιαίο εισόδημα των ανθρώπων, η διάρκεια ζωής των λαμπτήρων Σημαντική αντιστοιχία με Θεωρία Πιθανοτήτων: - πληθυσμός συνάρτηση κατανομής F - χαρακτηριστικό τυχαία μεταβλητή X δηλαδή, θεωρούμε ότι η θεωρητική συμπεριφορά του πληθυσμού ακολουθεί κάποια συνάρτηση κατανομής F, και ότι οι συγκεκριμένες τιμές του χαρακτηριστικού σε ένα τυχαίο δείγμα περιγράφονται από μια τυχαία μεταβλητή X που έχει την κατανομή F. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 5 / 44
6 Πιθανοθεωρητική Επαγωγή και Στατιστική Απαγωγή Αν ξέραμε την F (π.χ. την παράμετρο λ για την εκθετική κατανομή του χρόνου ζωής των λαμπτήρων) θα μπορούσαμε να εκτιμήσουμε πλήρως την πιθανοθεωρητική συμπεριφορά ενός τυχαίου δείγματος π.χ. του χρόνου ζωής X ενός λαμπτήρα. Στην πράξη όμως, δεν ξέρουμε ακριβώς την F (δηλαδή, ξέρουμε ότι είναι εκθετική αλλά αγνοούμε την παράμετρο της λ) και έχουμε μόνο ορισμένες πραγματικές μετρήσεις (δηλαδή τιμές της μεταβλητής X), π.χ. παρατηρούμε τους χρόνους ζωής X 1, X 2,..., X ν από ν λαμπτήρες. Σκοπός μας είναι να εκτιμήσουμε την άγνωστη παράμετρο λ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 6 / 44
7 Τυχαίο δείγμα Ορισμός: Αν ένας πληθυσμός έχει συνάρτηση κατανομής F, καλούμε τυχαίο δείγμα του ένα σύνολο ανεξάρτητων τυχαίων μεταβλητών X 1, X 2,..., X ν που όλες ακολουθούν την συνάρτηση κατανομής F. Γράφουμε: X 1, X 2,..., X ν F και καλούμε τον αριθμό ν μέγεθος του δείγματος. Παρατήρηση: Μετά τη δειγματοληψία, οι τ.μ. X 1, X 2,..., X ν παίρνουν συγκεκριμένες τιμές (πραγματικές μετρήσεις) x 1, x 2,..., x ν. Οι στατιστικές μέθοδοι βασίζονται σε αυτές ακριβώς τις μετρήσεις x i. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 7 / 44
8 Παραμετρική Στατιστική Δύο βασικοί κλάδοι της στατιστικής: Μη παραμετρική: η συνάρτηση κατανομής F είναι εντελώς άγνωστη. Παραμετρική: ξέρουμε ότι η άγνωστη συνάρτηση κατανομής F ανήκει σε μία οικογένεια κατανομών (π.χ. είναι εκθετική με παράμετρο λ) αλλά αγνοούμε την παράμετρο λ (την οποία ακριβώς προσπαθούμε να εκτιμήσουμε). Παρατήρηση: Θα ασχοληθούμε μόνο με μεθόδους παραμετρικής στατιστικής. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 8 / 44
9 Εκτιμήτριες Συναρτήσεις Εστω τυχαίο δείγμα X 1, X 2,..., X ν από μία συνάρτηση κατανομής F (x; θ) όπου η παράμετρος θ είναι άγνωστη, και την οποία προσπαθούμε να εκτιμήσουμε με βάση το δείγμα. Για το σκοπό αυτό θα χρησιμοποιήσουμε στατιστικές συναρτήσεις (συναρτήσεις ορισμένες στο δείγμα) που καλούνται εκτιμήτριες. Ορισμός: Εστω τυχαίο δείγμα X 1, X 2,..., X ν από τη συνάρτηση κτανομής F = F (x; θ), όπου θ άγνωστη παράμετρος της F. Οποιαδήποτε συνάρτηση T (X): T = T (X 1, X 2,..., X ν ) ορισμένη στο δείγμα χωρίς να εξαρτάται από την άγνωστη παράμετρο θ καλείται εκτιμήτρια συνάρτηση της παραμέτρου. Παρατήρηση: Ακριβώς επειδή η T σκοπεύει στην εκτίμηση της άγνωστης παραμέτρου θ, δεν μπορεί να εξαρτάται από την θ (ή τυχόν άλλες άγνωστες παραμέτρους). Πολλές φορές η T (X) συμβολίζεται με ˆθ και οι αριθμητικές τιμές που παίρνει καλούνται εκτιμήσεις. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 9 / 44
10 Παράδειγμα Εκτιμητριών Συναρτήσεων Παράδειγμα: Εστω μηχανή που παράγει εξαρτήματα και υποθέτουμε ότι κάθε παραγόμενο εξάρτημα είναι λειτουργικό με πιθανότητα p και ελαττωματικό με πιθανότητα 1 p (που χαρακτηρίζει την ποιότητα της μηχανής), στοχαστικά ανεξάρτητα για τα διάφορα εξαρτήματα. Θέλουμε να εκτιμήσουμε την άγνωστη παράμετρο p = θ επιτυχούς δημιουργίας εξαρτημάτων παρατηρώντας ένα τυχαίο δείγμα X 1, X 2,..., X ν από ν εξαρτήματα. Προφανώς οι X i ακολουθούν την κατανομή Bernoulli: { X 1, X 2,..., X ν b(θ), 0 < θ < 1 1, το i-οστό εξάρτημα είναι λειτουργικό (πιθανότητα θ) όπου X i = 0, το i-οστό εξάρτημα είναι ελαττωματικό (πιθανότητα 1 θ) Μία προφανής εκτιμήτρια συνάρτηση είναι ο μέσος όρος των λειτουργικών προιόντων στο δείγμα: T 1 = X = X 1+X 2 + +X ν ν Άλλες εκτιμήτριες είναι οι T 2 = X ν, T 3 = X 1 X 3 X 4, T 4 = X 3 X 5 X 7, ή ακόμα και η T 5 = 1 (η οποία είναι ουσιαστικά 3 ανεξάρτητη του δείγματος). Ωστόσο οι στατιστικές συναρτήσεις T = 2θ, T = θ X 3 + X θ δεν είναι εκτιμήτριες γιατί εξαρτώνται από την άγνωστη παράμετρο θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 10 / 44
11 Παράδειγμα Εκτιμήτριας Συνάρτησης Παράδειγμα: Εστω ότι οι βαθμολογίες σε μια γραπτή εξέταση ακολουθούν την κανονική κατανομή N(µ, σ 2 ), με μέση τιμή µ (παράμετρος θ 1 ) και διασπορά σ 2 (παράμετρος θ 2 ) που μας είναι άγνωστες και προσπαθούμε να τις συμπεράνουμε δειγματοληπτώντας τυχαία ένα μικρό σύνολο από ν γραπτά των οποίων η βαθμολογία βρίσκεται να είναι X 1, X 2,..., X ν. Εκτιμήτριες για τις άγνωστες παραμέτρους θ 1 και θ 2 είναι οι: T 6 = X = X1+X2+ +Xν ν για την θ 1 = µ και T 7 = S 2 = 1 ν (X i ν 1 X) 2 για την θ 2 = σ 2 i=1 (δηλαδή ο δειγματικός μέσος όρος και η δειγματική διασπορά). Προφανώς η στατιστική συνάρτηση ν T = (X i θ 1 ) i=1 δεν είναι εκτιμήτρια, γιατί εξαρτάται από το άγνωστο θ 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 11 / 44
12 Αμεροληψία Εκτιμητριών Οπως είδαμε, για μια άγνωστη παράμετρο μπορούν να κατασκευαστούν πολλές εκτιμήτριες συναρτήσεις. Αναζητώντας μια κατά το δυνατόν καλή εκτιμήτρια, ένα πρώτο κριτήριο είναι η αμεροληψία. Ορισμός: Μια εκτιμήτρια T καλείται αμερόληπτη για την άγνωστη παράμετρο θ, άν E(T ) = θ για όλες τις δυνατές τιμές της θ. Παρατήρηση: Η T, αφού ορίζεται με βάση τις τ.μ. X i, είναι και αυτή τυχαία μεταβλητή. Η ιδιότητα της αμεροληψίας απαιτεί από μία καλή εκτιμήτρια να στοχεύει την άγνωστη παράμετρο θ, με την έννοια ότι οι τιμές που παίρνει (γύρω από την θ) έχουν μέση τιμή θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 12 / 44
13 Αμεροληψία Εκτιμητριών - Παραδείγματα (Ι) Στο παράδειγμα με τα ελαττωματικά προϊόντα έχουμε: ( ) E(T 1 ) = E( X) X1 + + X ν = E = 1 ν E(X i ) = ν ν = 1 ν ν θ = θ E(T 2 ) = E(X ν ) = θ i=1 E(T 3 ) = E(X 1 X 3 X 4 ) = E(X 1 ) E(X 3 ) E(X 4 ) = = θ θ θ = θ E(T 4 ) = E(X 3 X 5 X 7 ) = E(X 3 )E(X 5 )E(X 7 ) = θ θ θ = θ 3 E(T 5 ) = 1 3 Άρα αμερόληπτες είναι μόνο οι T 1 και T 2. (Ωστόσο, η T 4 είναι αμερόληπτη για την παράμετρο θ 3 ). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 13 / 44
14 Αμεροληψία Εκτιμητριών - Παραδείγματα (ΙΙ) Στο παράδειγμα με τις βαθμολογίες είναι: ( ) E(T 6 ) = E( X) X1 + + X ν = E = 1 ν ν = 1 ν ν µ = µ = θ 1 [ ] E(T 7 ) = E(S 2 1 ν ) = E (X i ν 1 X) 2 = i=1 = 1 ν E(X i ν 1 X) 2 = σ 2 = θ 2 i=1 ν E(X i ) = Άρα η T 6 είναι αμερόληπτη για την θ 1 (όχι όμως για την θ 2 ) και η T 7 είναι αμερόληπτη για την θ 2 (όχι όμως για την θ 1 ). i=1 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 14 / 44
15 Παράδειγμα Αν δύο τ.μ. X 1 και X 2 έχουν ίδια διασπορά σ 2 και S 2 1, S 2 2 είναι οι αμερόληπτες για την σ 2 δειγματικές διασπορές των X 1 και X 2 από δείγματα μεγέθους n 1 και n 2 αντιστοίχως, να δειχθεί ότι η εκτιμήτρια S 2 p = (n1 1)S2 1 +(n2 1)S2 2 n 1+n 2 2 είναι επίσης αμερόληπτη για την σ 2. Απόδειξη. Είναι E[S 2 p] = E [ (n1 1)S 2 1 +(n2 1)S2 2 n 1+n 2 2 ] = = (n1 1)E(S2 1 )+(n2 1)E(S2 2 ) n 1+n 2 2 = (n1 1)σ2 +(n 2 1)σ 2 n 1+n 2 2 = = (n1+n2 2)σ2 n 1+n 2 2 = σ 2 άρα η Sp 2 είναι αμερόληπτη για την σ 2. Παρατήρηση: Η S 2 p καλείται σταθμισμένη δειγματική διασπορά. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 15 / 44
16 Παράδειγμα Αν X 1, X 2,..., X ν είναι δείγμα από ομοιόμορφη κατανομή U(0, θ) να βρεθεί αμερόληπτη εκτιμήτρια του θ 2. Λύση Είναι γνωστό ότι η πληθυσμιακή διασπορά της U(0, θ) είναι Var(X) = θ2 12 και επίσης (θεωρούμε γνωστό) ότι η δειγματική διασπορά S 2 = 1 ν ν 1 i=1 (X i X) 2 είναι αμερόληπτη εκτιμήτρια για την πληθυσμιακή διασπορά, δηλαδή E(S 2 ) = θ2 12. Άρα E(12S2 ) = θ 2 και επομένως αν T = 12S 2 τότε E(T ) = θ 2 και άρα η εκτιμήτρια T = 12 ν 1 2 i=1 (Xi X) ν 1 είναι αμερόληπτη για την θ 2. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 16 / 44
17 Αποτελεσματικότητα ή Αξιοπιστία Εκτιμητριών Συναρτήσεων Είδαμε λοιπόν ότι για μια άγνωστη παράμετρο μπορεί να υπάρχουν πολλές αμερόληπτες εκτιμήτριες. Μεταξύ τους, είναι διαισθητικά σωστό να επιλέξουμε ως καλύτερη εκείνη με τη μικρότερη διασπορά, άρα με υψηλότερη συγκέντρωση, γύρω από τη μέση τιμή που (λόγω της αμεροληψίας) είναι η άγνωστη παράμετρος. Ορισμός: Μεταξύ δύο αμερόληπτων εκτιμητριών T 1 και T 2 για μία άγνωστη παράμετρο θ (οπότε E(T 1 ) = E(T 2 ) = θ) η T 1 θα θεωρείται καλύτερη (αποτελεσματικότερη) από την T 2, ως προς το κριτήριο της ελάχιστης διασποράς, άν για κάθε θ: Var(T 1 ) Var(T 2 ) Παράδειγμα: Στο παράδειγμα με τα ελαττωματικά προϊόντα έχουμε: ( ) Var(T 1 )=Var( X)=Var X1 + + X ν = 1 ν ν ν 2 Var(X i ) = = 1 ν ν θ(1 θ) = θ(1 θ) 2 ν i=1 ενώ Var(T 2 )=Var(X ν )=θ(1 θ), άρα καλύτερη είναι η T 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 17 / 44
18 Παράδειγμα Εστω X 1, X 2,..., X n και Y 1, Y 2,..., Y m (ανεξάρτητα μεταξύ τους) τυχαία δείγματα μεγέθους n = 100 και m = 10, από μια κατανομή με μέση τιμή µ και διασπορά σ 2. Να βρεθεί ποια από τις ακόλουθες εκτιμήτριες είναι καλύτερο να χρησιμοποιήσουμε για την εκτίμηση της παραμέτρου µ: T 1 = X, T 2 = Ȳ, T 3 = X+Ȳ 2 Λύση: Είναι εύκολο να δείξουμε ότι οι T 1 και T 2 είναι αμερόληπτες για την µ. ( ) Επίσης: E(T 3) = E X+ Ȳ E( X)+E(Ȳ ) = = µ+µ = µ άρα και η T 3 είναι αμερόληπτη. Επίσης: Var(T 1) = Var( X) ( ) = Var X1 + X X n = 1 nσ 2 = σ2 = n n 2 n 0.01σ2 Παρομοίως, Var(T ( 2) = ) Var(Ȳ ) = 0.1σ2 και Var(T 3) = Var X+ ( Ȳ = Var( X) + Var( Ȳ ) ) = 0.01σ2 +0.1σ 2 = σ οπότε Var(T 1) < Var(T 3) < Var(T 2) και επομένως αποτελεσματικότερη είναι η T 1 (που βασίζεται σε μεγαλύτερο δείγμα). Παρατήρηση: Η T 3 βασίζεται σε ακόμα μεγαλύτερο δείγμα (μεγέθους n + m) από την T 1, αλλά ουσιαστικά λαμβάνει εξίσου υπόψη την καλή εκτιμήτρια T 1 και την λιγότερο καλή T 2! Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 18 / 44
19 Εγκυρότητα και Αξιοπιστία Μια εκτιμήτρια δεν αρκεί να έχει μικρή διασπορά για να θεωρείται καλή, πρέπει επιπλέον να είναι αμερόληπτη, δηλαδή οι τιμές που παίρνει να είναι γύρω από την άγνωστη παράμετρο και να έχουν μέση τιμή την παράμετρο θ. Π.χ. στο παράδειγμα με τα ελαττωματικά προϊόντα, η σταθερή εκτιμήτρια (T 5 = 1 3 ) έχει τη μικρότερη δυνατή διασπορά (0). Ωστόσο, δεν είναι αμερόληπτη γιατί στοχεύει πάντα το 1 3 και όχι το άγνωστο θ. Δηλαδή, η αμεροληψία εγγυάται την εγκυρότητα της εκτιμήτριας, υπό την έννοια της αποφυγής θεμελιωδών (συστηματικών) λαθών λόγω της μη στόχευσης της παραμέτρου. Από την άλλη μεριά, οι αποκλίσεις της εκτιμώμενης τιμής από την πραγματική, μπορεί να οφείλονται σε τυχαίες επιδράσεις (μικρή ακρίβεια στην εκτίμηση) λόγω μεγάλης διασποράς των τιμών της εκτιμήτριας συνάρτησης σε σειρά επαναλήψεων της μέτρησης. Τα τυχαία σφάλματα σε πολλαπλές επαναλήψεις περιγράφονται από την ιδιότητα της αξιοπιστίας. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 19 / 44
20 Εγκυρότητα και Αξιοπιστία Εκτιμητριών Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 20 / 44
21 Κριτήριο μέσου τετραγωνικού σφάλματος Ποσότητα που επιτυγχάνει τον ταυτόχρονο υπολογισμό τόσο της εγκυρότητας όσο και της αξιοπιστίας. Ορισμός: Καλούμε λάθος της εκτιμήτριας, για συγκεκριμένο δείγμα x, την ποσότητα: e(x) = ˆθ(x) θ (προφανώς η ποσότητα αυτή εξαρτάται όχι μόνο από την εκτιμήτρια αλλά και το συγκεκριμένο δείγμα). Ορισμός: Καλούμε μέσο τετραγωνικό σφάλμα (mean square error) τη μέση τιμή του τετραγώνου των λαθών μιας εκτιμήτριας ˆθ: MSE(ˆθ) = E[(ˆθ(x) θ) 2 ] Ορισμός: Για συγκεκριμένο δείγμα x, καλούμε δειγματοληπτική απόκλιση της ˆθ, την ποσότητα: d(x) = ˆθ(x) E(ˆθ(x)) = ˆθ(x) E(ˆθ) Ορισμός: Καλούμε διασπορά της εκτιμήτριας ˆθ, τη μέση τιμή των τετραγώνων των δειγματοληπτικών αποκλίσεων: Var(ˆθ) = E[(ˆθ E(ˆθ)) 2 ] Για αμερόληπτες εκτιμήτριες είναι E(ˆθ) = θ, άρα Var(ˆθ) = E[(ˆθ θ) 2 ] Ορισμός: Καλούμε μεροληψία (bias) της εκτιμήτριας ˆθ την ποσότητα B(ˆθ) = E(ˆθ) θ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 21 / 44
22 Παρατηρήσεις Είναι: MSE(ˆθ) =Var(ˆθ) + [B(ˆθ)] 2 δηλαδή το μέσο τετραγωνικό σφάλμα μιας εκτιμήτριας είναι ίσο με τη διασπορά της συν το τετράγωνο της μεροληψίας της. Ορισμός: Μεταξύ δυο εκτιμητριών ˆθ 1 και ˆθ 2 για μια άγνωστη παράμετρο θ, η ˆθ 1 θεωρείται καλύτερη της ˆθ 2 ως προς το κριτήριο του ελάχιστου τετραγωνικού σφάλματος, αν MSE(ˆθ 1 ) < MSE(ˆθ 2 ) Παρατήρηση: Αν οι ˆθ 1 και ˆθ 2 είναι αμερόληπτες, τότε B(ˆθ 1 ) = B(ˆθ 2 ) = 0 και το κριτήριο ουσιαστικά συνίσταται στην επιλογή της εκτιμήτριας με μικρότερη διασπορά (δηλαδή της πιο αποτελεσματικής). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 22 / 44
23 Δύο βασικές εκτιμήτριες: δειγματικός μέσος και δειγματική διασπορά Δειγματικός μέσος: X = X ν = 1 ν X i ν i=1 (πρόκειται επομένως για τον αριθμητικό μέσο των τ.μ. του δείγματος) Δειγματική διασπορά: S 2 = S 2 ν = 1 ν 1 ν (X i X) 2 Θεώρημα: Εστω X 1, X 2,..., X ν τυχαίο δείγμα από την κατανομή F με μέση τιμή µ και διασπορά σ 2. Είναι: E( X) = µ, Var( X) = σ2 ν, E(S2 ) = σ 2. Επίσης, αν µ 4 = E[(X i µ) 4 ] < ( τότε ) Var(S 2 ) = 1 ν µ 4 ν 3 ν 1 σ4 i=1 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 23 / 44
24 Απόδειξη Είναι: E( X) = E ( 1 ν ν i=1 X ) i = 1 ν ν i=1 E(X i) = 1 ν νµ = µ Επειδή οι X i είναι ανεξάρτητες, η διασπορά έχει γραμμικότητα και: ) = 1 Var( X) =Var ( 1 ν ν i=1 X i Για την S 2 είναι: S 2 = 1 ν i=1 (X i X) 2 = 1 ν ν 2 i=1 Var(X i) = 1 ν νσ 2 = σ2 2 ν ν ν 1 ν 1 i=1 (X2 i 2X X i + X 2 ) = = 1 ν ν 1 i=1 X2 i 2 ν ν 1 i=1 X X i + 1 ν X ν 1 i=1 2 = = 1 ν ν 1 i=1 X2 i 2 X ν ν 1 i=1 X i + 1 ν 1 ν X 2 = = 1 ν ν 1 i=1 X2 i 2 Xν X ν ν 1 ν X 2 = ( = 1 ν ν 1 i=1 X2 i ν X 2) ( E(S 2 ) = 1 ν ν 1 i=1 E(X2 i ) νe( X 2 ) ) = ( = 1 ν ν 1 i=1 (µ2 + σ 2 ) ν(var( X) + E 2 ( X)) ) = ( ) = 1 ν 1 ν(µ 2 + σ 2 ) νσ2 ν νµ 2 = 1 ν 1 (ν 1)σ2 = σ 2 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 24 / 44
25 Στοχαστική σύγκλιση τυχαίων μεταβλητών Ορισμός: Λέμε ότι η ακολουθία τ.μ. T ν (ν= 1, 2,... ) συγκλίνει στοχαστικά (ή αλλιώς συγκλίνει κατά πιθανότητα) στο θ ανν lim Pr{ T ν θ ɛ} = 0 ν p για οποιοδήποτε (οσοδήποτε μικρό) ɛ > 0. Γράφουμε T ν θ καθώς ν Με άλλα λόγια, καθώς το ν μεγαλώνει, η T ν πλησιάζει οσοδήποτε θέλουμε την τιμή θ με πολύ μεγάλη πιθανότητα που τείνει στο 1. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 25 / 44
26 Συνέπεια εκτιμητριών συναρτήσεων Ορισμός: Εστω τυχαίο δείγμα X 1, X 2,..., X ν από την κατανομή F (x; θ) όπου θ είναι άγνωστη παράμετρος και T ν ακολουθία εκτιμητριών συναρτήσεων: T ν = T ν (X 1, X 2,..., X ν ), ν = 1, 2,... Η T ν καλείται συνεπής για την παράμετρο θ αν p θ καθώς ν T ν Με άλλα λόγια, αν χρησιμοποιούμε συνεπή εκτιμήτρια, τότε ɛ > 0 (οσοδήποτε μικρό) είναι lim ν Pr{ T ν θ ɛ} = 0 και επομένως αν πάρουμε ένα καταλλήλως μεγάλο δείγμα πλησιάζουμε πάρα πολύ την πραγματική τιμή της θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 26 / 44
27 Σχέση συνέπειας με αποτελεσματικότητα και αμεροληψία Θεώρημα: Αν T ν αμερόληπτες εκτιμήτριες και Var(T ν ) 0 καθώς ν, τότε η T ν είναι συνεπής. Απόδειξη: Αφού η T ν είναι αμερόληπτη, είναι E(T ν ) = θ, και επομένως (από την ανισότητα Chebyshev): Pr{ T ν θ ɛ} Var(Tν) ɛ 2 ɛ > 0 Άρα, για ɛ > 0 σταθερό, είναι 0 Pr{ T ν θ ɛ} Var(Tν) ɛ 0 καθώς ν 2 p Άρα T ν θ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 27 / 44
28 Ασυμπτωτική αμεροληψία Πρόκειται για ασθενέστερη συνθήκη σε σχέση με την αμεροληψία, αφού αντί για E(T ν ) = θ αρκεί E(T ν ) θ καθώς ν Θεώρημα: Αν T ν ασυμπτωτικά αμερόληπτη εκτιμήτρια και Var(T ν ) 0 (καθώς ν ), τότε η T ν είναι συνεπής. Απόδειξη: Εστω E(T ν ) = δ ν θ. Τότε Pr{ T ν θ ɛ} E[(Tν θ)2 ] ɛ 2 (1) Αλλά, E[(T ν θ) 2 ] = E[((T ν δ ν ) + (δ ν θ)) 2 ] = = Var(T ν ) + E[(δ ν θ) 2 ] + 2E[(T ν δ ν )(δ ν θ)] = = Var(T ν ) + (δ ν θ) 2 + 2(δ ν θ)e[(t ν δ ν )] = = Var(T ν ) + (δ ν θ) 2 0 αφού Var(T ν ) 0 και δ ν θ. Άρα E[(T ν θ) 2 ] 0 καθώς ν και η συνέπεια προκύπτει από την (1). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 28 / 44
29 Ασυμπτωτική αμεροληψία Παρατήρηση 1: Μια αμερόληπτη εκτιμήτρια δεν είναι πάντα συνεπής (πρέπει επιπλέον να έχει διασπορά που τείνει στο μηδέν καθώς το μέγεθος του δείγματος αυξάνει). Αντιθέτως, μια συνεπής εκτιμήτρια είναι οπωσδήποτε ασυμπτωτικά αμερόληπτη. Παρατήρηση 2: Η συνέπεια (όπως και η ασυμπτωτική αμεροληψία) είναι ασυμπτωτικές ιδιότητες, δηλαδή αφορούν σε πολύ μεγάλα, μεταβαλλόμενα μεγέθη δειγμάτων. Αντιθέτως, η αμεροληψία και η αποτελεσματικότητα αναφέρονται σε δείγματα σχετικά μικρού, σταθερού μεγέθους. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 29 / 44
30 Δειγματικός μέσος και δειγματική διασπορά Θεώρημα: Εστω X 1, X 2,..., X ν τυχαίο δείγμα από κατανομή F με μέση τιμή µ και διασπορά σ 2 <. Η ακολουθία των δειγματικών μέσων X = X ν = 1 ν ν i=1 X i είναι συνεπής για την μέση τιμή µ της κατανομής, ενώ η ακολουθία των δειγματικών διασπορών S 2 = Sν 2 = 1 ν ν 1 i=1 (X i X) 2 είναι συνεπής για το σ 2. Απόδειξη: Δείξαμε πριν ότι E( X) = µ και Var( X) = σ2 ν 0 καθώς ν και επομένως η X είναι συνεπής για τη µ (επίσης είναι αμερόληπτη). ( Επίσης, δείξαμε ) ότι E(S 2 ) = σ 2 και Var(S 2 ) = 1 ν µ 4 ν 3 ν 1 σ 4 0 καθώς ν, και άρα η S 2 είναι συνεπής (και αμερόληπτη) για την σ 2. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 30 / 44
31 Δειγματικός μέσος και δειγματική διασπορά Παρατήρηση: Επομένως, μπορούμε πάντα να βρίσκουμε συνεπείς (και αμερόληπτες) εκτιμήτριες για την πληθυσμιακή μέση τιμή και την πληθυσμιακή διασπορά για ΟΠΟΙΑΔΗΠΟΤΕ κατανομή, υπό την έννοια ότι τέτοιες εκτιμήτριες είναι, για οποιαδήποτε κατανομή, ο δειγματικός μέσος όρος X (για τη µ) και η δειγματική διασπορά S 2 (για τη σ 2 ). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 31 / 44
32 Το θεώρημα Slutsky Θεώρημα: Εστω T ν και W ν ακολουθίες τ.μ. για τις οποίες T ν p θ1 και W ν p θ2 καθώς ν. Είναι (για ν ): (i) g(t ν ) p g(θ 1 ) εφόσον η g είναι συνεχής στο θ 1 (ii) T ν ± W ν p θ1 ± θ 2 (iii) T ν W ν p θ1 θ 2 (iv) Tν W ν p θ 1 θ 2, εφόσον θ 2 0 Το θεώρημα αυτό είναι πολύ χρήσιμο κατά την κατασκευή συνεπών εκτιμητριών (βασιζόμενοι σε εκτιμήτριες των οποίων η συνέπεια είναι γνωστή). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 32 / 44
33 Παράδειγμα Ο αριθμός των s που φτάνουν σε έναν server σε μια ορισμένη περίοδο της ημέρας (π.χ. από τις 9π.μ. έως τις 10π.μ.) ακολουθεί την κατανομή Poisson με παράμετρο λ. Αν X 1, X 2,..., X ν είναι οι αριθμοί των s που φτάνουν στον server σε τυχαίο δείγμα ν ημερών, να βρεθεί συνεπής εκτιμήτρια α) για την μέση τιμή του αριθμού των s β) για την πιθανότητα να μην έρθει κανένα από τις 9π.μ. έως τις 10π.μ. μιας ημέρας. Λύση: α) Οπως είδαμε, μια συνεπής εκτιμήτρια για την μέση τιμή µ = λ είναι ο δειγματικός μέσος όρος X ν = X = 1 ν ν i=1 X i β) Είναι Pr{X 1 = 0} = e λ λ0 0! = e λ Αφού X p ν λ ορίζω την Wν = e X ν η οποία είναι συνεπής για την ποσότητα e λ αφού g(t ν ) p g(θ 1 ) και εδώ W ν = g( X ν ) = e X ν p g(θ1 ) = e λ. (η προϋπόθεση της συνέχειας της e λ στο λ > 0 ισχύει). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 33 / 44
34 Μέθοδοι εύρεσης εκτιμητριών Μέθοδος των ροπών Μέθοδος μέγιστης πιθανοφάνειας Μέθοδος ελάχιστων τετραγώνων Πρόκειται για γενικές μεθοδολογίες (επιπλέον των ad hoc μεθόδων και των θεωρητικών αναλύσεων) που επιτρέπουν την υιοθέτηση κάποιας αρχής βελτιστοποίησης κατά την κατασκευή εκτιμητριών με επιθυμητές ιδιότητες. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 34 / 44
35 Μέθοδος των ροπών Είναι η παλαιότερη μέθοδος Βασική ιδέα: εξίσωση μερικών (έστω K) από τις πρώτες ροπές της πληθυσμιακής κατανομής περί το μηδέν με τις αντίστοιχες ροπές του τυχαίου δείγματος. Παίρνουμε τόσες εξισώσεις (ροπές) όσος είναι ο αριθμός των αγνώστων παραμέτρων που θέλουμε να εκτιμήσουμε Λύνουμε το K K σύστημα και βρίσκουμε εκτιμήσεις των παραμέτρων Θυμίζουμε ότι, οι πληθυσμιακές ροπές τάξης r είναι m r = E(X r ) ενώ η δειγματική ροπή τάξης r είναι ν r = 1 n n i=1 Xr i Παρατηρήσεις: Οι προκύπτουσες εκτιμήτριες είναι συχνά μεροληπτικές Επίσης, είναι δύσκολο να διατυπωθεί συμπέρασμα σχετικά με την αποτελεσματικότητα Ωστόσο η μέθοδος είναι πολύ απλή και κάτω από ορισμένες συνθήκες οι εκτιμήτριες που παράγει είναι συνεπείς. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 35 / 44
36 Παράδειγμα Εστω X 1, X 2,..., X ν τυχαίο δείγμα από ομοιόμορφο πληθυσμό (κατανομή U(a, b)) με παραμέτρους a = 0 και b = θ (άγνωστο) α) Να βρεθεί εκτιμήτρια της παραμέτρου b με τη μέθοδο των ροπών και β) να ελεγχθεί η συνέπειά της. Λύση: α) Η πρώτη πληθυσμιακή ροπή περί την αρχή είναι: m 1 = E(X 1 ) = a+b 2 = θ 2 Η πρώτη δειγματική ροπή περί το μηδέν είναι: ν 1 = 1 n n i=1 X i = X Άρα από το (1 1) σύστημα m 1 = ν 1 παίρνουμε θ 2 = X και η εκτιμήτρια είναι ˆθ = 2 X. β) Είναι E(ˆθ) = E(2 X) = E( 2 n (X 1 +X 2 + +X n ) = 2 n ne(x i) = 2 θ 2 = θ και Var(ˆθ) = Var(2 X) = 4Var( X 1+X 2 + +X n n ) = 4 n θ2 n 2 12 = θ2 3n 0 καθώς n και επομένως η ˆθ = 2 X είναι συνεπής. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 36 / 44
37 Παράδειγμα Να βρεθούν με τη μέθοδο των ροπών εκτιμήτριες συναρτήσεις της μέσης τιμής και της διασποράς σ 2 ενός κανονικού πληθυσμού με κατανομή N(µ, σ 2 ) Λύση: Εχουμε 2 άγνωστες παραμέτρους, άρα παίρνουμε 2 ροπές (εξισώσεις). Οι πληθυσμιακές ροπές 1ης και 2ης τάξης είναι: m 1 = E(X) = µ και m 2 = E(X 2 ) = Var(X) + E 2 (X) = σ 2 + µ 2 Οι αντίστοιχες δειγματικές ροπές είναι: ν 1 = 1 n n i=1 X i = X, και ν 2 = 1 n n i=1 X2 i Άρα, το{ 2 2 σύστημα { είναι: m 1 = ν 1 µ = X (1) m 2 = ν 2 σ 2 + µ 2 = 1 n n i=1 X2 i (2) Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 37 / 44
38 Παράδειγμα (συνέχεια) Άρα, η εκτιμήτρια της µ είναι η ˆθ 1 = X και είναι συνεπής. Η εκτιμήτρια ˆθ 2 της σ 2 είναι: (2) σ 2 n i=1 = X2 i n µ 2 n i=1 = X2 i n X ( 2 = 1 n n i=1 X2 i n X 2) = = 1 n n i=1 (X i X) 2 την οποία και παίρνουμε ως εκτιμήτρια της διασποράς σ 2. Είναι E( ˆθ 2 ) = n 1 1 n n 1 n i=1 (X i X) 2 = n 1 1 n n n 1 i=1 (X i X) 2 = (1 1 n )S2 όπου S 2 η δειγματική διασπορά. Άρα E( ˆθ 2 ) S 2 και η ˆθ 2 δεν είναι αμερόληπτη (αλλά είναι ασυμπτωτικά αμερόληπτη). Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 38 / 44
39 Παράδειγμα Δίνεται πληθυσμός με pdf : f(x, θ) = (θ + 1)x θ, x [0, 1]. Να βρεθεί εκτιμήτρια της παραμέτρου θ με την μέθοδο των ροπών. Λύση: Η πρώτη πληθυσμιακή ροπή είναι: 1 m 1 = E(X) = x(θ + 1)x θ dx = (θ + 1) xθ+2 θ+2 Η πρώτη δειγματική ροπή είναι: ν 1 = 1 n n i=1 X i = X Από την εξίσωση m 1 = ν 1 παίρνουμε θ+1 θ+2 = X θ = 2 X 1 1 X και η εκτιμήτρια είναι ˆθ = 2 X 1 1 X = θ+1 θ+2 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 39 / 44
40 Μέθοδος μέγιστης πιθανοφάνειας Είναι μια από τις πλέον σημαντικές μεθόδους. Βασική ιδέα: εύρεση εκτιμητριών τέτοιων ώστε να μεγιστοποιείται η πιθανότητα εμφάνισης των τιμών του συγκεκριμένου τυχαίου δείγματος. Εστω τυχαίο δείγμα από κατανομή f(x; θ). Η (πληθυσμιακή) κατανομή πιθανότητας του δείγματος είναι προφανώς (θεωρούμε το θ σταθερό): f(x 1, x 2,..., x n; θ) = f(x 1; θ)f(x 2; θ) f(x n; θ) Αν τώρα θεωρήσουμε σταθερές τις (πραγματοποιημένες) τιμές του δείγματος και την θ ως μεταβλητή, θα έχουμε τη συνάρτηση πιθανοφάνειας (likelihood) του δείγματος: L(x 1, x 2,..., x n; θ) = L(θ) = f(x 1; θ)f(x 2; θ) f(x n; θ) (ουσιαστικά πρόκειται για την ίδια ποσότητα, απλώς αλλάζουν οι σταθερές και η μεταβλητή.) Συνήθως, για κάθε άγνωστη παράμετρο θ, υπάρχει μια μοναδική τιμή του θ που μεγιστοποιεί τη συνάρτηση πιθανοφάνειας L(θ). Η τιμή αυτή ονομάζεται εκτιμήτρια μέγιστης πιθανοφάνειας (MLE) της θ και συμβολίζεται ˆθ. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 40 / 44
41 Μέθοδος μέγιστης πιθανοφάνειας Παρατήρηση: Η αρχή της μέγιστης πιθανοφάνειας διαισθητικά βασίζεται στο ότι το παρατηρηθέν δείγμα είναι ένα γεγονός E = {x 1, x 2,..., x n } και η συνάρτηση πιθανοφάνειας είναι η πιθανότητα εμφάνισής του. Αφού όμως το γεγονός συνέβη πρέπει να έχει μεγάλη πιθανότητα, και η μεγιστοποίηση της L(θ) = L(x 1, x 2,..., x n ; θ) σημαίνει επιλογή εκείνης της τιμής του θ που μεγιστοποιεί την πιθανότητα εμφάνισης του E = {x 1, x 2,..., x n }. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 41 / 44
42 Περιγραφή της MLE μεθόδου Ουσιαστικά χρησιμοποιούμε κλασσικές μεθόδους εύρεσης μέγιστων τιμών παραγωγίσιμων συναρτήσεων: 1. Κατασκευάζουμε τη συνάρτηση πιθανοφάνειας των δεδομένων του δείγματος με βάση την κατανομή που ακολουθούν: L(θ) = L(x 1, x 2,..., x n ; θ) = n i=1 f(x i; θ) 2. Παίρνουμε το λογάριθμο της L(θ) (για διευκόλυνση των πράξεων) και παραγωγίζουμε ως προς την άγνωστη θ, βρίσκουμε δηλαδή την d ln L(θ) dθ 3.Βρίσκουμε την τιμή της θ (υποψήφια εκτιμήτρια ˆθ) ώστε d ln L(θ) dθ = 0 ˆθ = Δείχνουμε ότι η δεύτερη παράγωγος είναι αρνητική ώστε η λύση να αντιστοιχεί σε ολικό μέγιστο: d 2 ln L(θ) d 2 θ < 0 θ=ˆθ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 42 / 44
43 Παράδειγμα Δίνεται τυχαίο δείγμα X 1, X 2,..., X n από εκθετική κατανομή άγνωστης μέσης τιμής θ. Να βρεθεί εκτιμήτρια της θ με την MLE μέθοδο. Λύση: Η συνάρτηση πιθανοφάνειας είναι: L(θ) = n i=1 f(x i; θ) = n i=1 1 x θ e i θ = ( ) 1 n n i=1 x i θ e θ ln L(θ) = ln ( ) 1 n n i=1 x i n + ln e θ i=1 = = n ln θ x i d ln L(θ) θ n i=1 x i n Άρα dθ = 0 θ = = X και η υποψήφια εκτιμήτρια είναι η ˆθ = X Επίσης d2 ln L(θ) < 0 nθ < 2n X που ισχύει για d 2 θ θ = ˆθ = X και επομένως η MLE είναι πράγματι η ˆθ = X. θ Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 43 / 44
44 Μέθοδος ελάχιστων τετραγώνων Η μέθοδος αποσκοπεί στην εύρεση εκτιμητριών που βελτιστοποιούν όσο το δυνατόν περισσότερες επιθυμητές ιδιότητες. Κριτήριο επιλογής: Η ελαχιστοποίηση του αθροίσματος των τετραγώνων των αποκλίσεων ( σφαλμάτων ) μεταξύ των δειγματοληπτικών τιμών και των προς εκτίμηση (θεωρητικών, από την κατανομή) τιμών της τυχαίας μεταβλητής. Παράδειγμα: Αν προσπαθούμε να εκτιμήσουμε την μέση τιμή µ ενός πληθυσμού, επιλέγουμε ως εκτιμήτρια την τιμή ˆµ του µ που για το συγκεκριμένο δείγμα ελαχιστοποιεί την συνάρτηση Q: Q = n i=1 (X i µ) 2 Η ελαχιστοποίηση της Q γίνεται με παραγώγιση (όπως και στην MLE ). Στο συγκεκριμένο παράδειγμα προκύπτει εύκολα (άσκηση!) ότι η Q ελαχιστοποιείται για ˆµ = X. Παρατήρηση: Η μέθοδος οδηγεί σε εκτιμήτριες που ελαχιστοποιούν την διακύμανση (μεταξύ όλων των αμερόληπτων εκτιμητριών). Αρκετά γενικά, οι εκτιμήτριες αυτές είναι συνεπείς. Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 10ο Μάθημα Πιθανότητες 44 / 44
Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή
Πιθανότητες και Αρχές Στατιστικής (10η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 48 Σημερινό
Διαβάστε περισσότεραX = = 81 9 = 9
Πιθανότητες και Αρχές Στατιστικής (11η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 35 Σύνοψη
Διαβάστε περισσότεραΔιάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου
Διάλεξη 1: Στατιστική Συμπερασματολογία - Εκτίμηση Σημείου Στατιστική Συμπερασματολογία Εκτιμητική Έλεγχος Στατιστικών Υποθέσεων εκτιμήτρια συνάρτηση, ˆ θ σημειακή εκτίμηση εκτίμηση με διάστημα εμπιστοσύνης
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
4. Εκτιμητική Στατιστική Συμπερασματολογία εκτιμήσεις των αγνώστων παραμέτρων μιας γνωστής από άποψη είδους κατανομής έλεγχο των υποθέσεων που γίνονται σε σχέση με τις παραμέτρους μιας κατανομής και σε
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 2 ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ
ΚΕΦΑΛΑΙΟ ΑΝΑΣΚΟΠΗΣΗ ΑΠΑΡΑΙΤΗΤΩΝ ΓΝΩΣΕΩΝ: ΕΚΤΙΜΗΤΕΣ Ως γνωστό δείγμα είναι ένα σύνολο παρατηρήσεων από ένα πληθυσμό. Αν ο πληθυσμός αυτός θεωρηθεί μονοδιάστατος τότε μπορεί να εκφρασθεί με τη συνάρτηση
Διαβάστε περισσότεραΜέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics)
Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics) Τυχαίο δείγμα και στατιστική συνάρτηση Χ={x 1, x,, x n } τυχαίο δείγμα μεγέθους n προερχόμενο από μια (παραμετρική) κατανομή με σ.π.π. f(x;θ).
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Παραμέτρων
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Τυχαίο Δείγμα
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 13 Μαρτίου /31
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 13 Μαρτίου 2017 1/31 Βασικοί ορισμοί. Ορισμός 1: Τυχαίο δείγμα. Τυχαίο δείγμα μεγέθους n από
Διαβάστε περισσότεραΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής
ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής ΣΤΑΤΙΣΤΙΚΕΣ ΕΚΤΙΜΗΣΕΙΣ Οι συναρτήσεις πιθανότητας ή πυκνότητας πιθανότητας των διαφόρων τυχαίων μεταβλητών χαρακτηρίζονται από κάποιες
Διαβάστε περισσότεραΣημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη
Σημειακή εκτίμηση και εκτίμηση με διάστημα 11 η Διάλεξη Εκτιμήτρια Κάθε στατιστική συνάρτηση που χρησιμοποιείται για την εκτίμηση μιας παραμέτρου ενός πληθυσμού (π.χ. ο δειγματικός μέσος) Σημειακή εκτίμηση
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΣτατιστική. Εκτιμητική
Στατιστική Εκτιμητική Χατζόπουλος Σταύρος 28/2/2018 και 01 /03/2018 Εισαγωγή Το αντικείμενο της Στατιστικής είναι η εξαγωγή συμπερασμάτων που αφορούν τον πληθυσμό ή το φαινόμενο που μελετάμε, με τη βοήθεια
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραTMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III
0 TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III Νοέμβριος Eστω,,, τυχαίο δείγμα από κατανομή f( x; ), όπου συμβολίζει άγνωστη παράμετρο (a) Να ορισθεί η έννοια του επαρκούς στατιστικού
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 14 Μαρτίου 018 1/34 Διαστήματα Εμπιστοσύνης. Εχουμε δει εκτενώς μέχρι τώρα τρόπους εκτίμησης
Διαβάστε περισσότεραΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) . Δείξτε ότι η στατιστική συνάρτηση T = X( n)
ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) Θέμα ο (Παρ..3.4, Παρ..4.3, Παρ..4.8.) Εάν = ( ) τυχαίο δείγμα από την ομοιόμορφη ( 0, ) X X,, X. Δείξτε ότι η στατιστική συνάρτηση T = X = το δειγματικό
Διαβάστε περισσότεραA(θ) = n log θ B(x ) = 0. T (x ) = x i. Γ(n)θ n =
ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ «ΣΤΑΤΙΣΤΙΚΗ Ι : ΕΚΤΙΜΗΤΙΚΗ» Πέµπτη 24 Ιουνίου 24 Εξεταστική περίοδος Ιουνίου 24 ΘΕΜΑΤΑ. Θεωρώντας ως κριτήριο το µέσο τετραγωνικό σφάλµα : (α ( µονάδες Εστω, 2 δύο εκτιµητές τού g(θ.
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #3: Εκτιμητική Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΠεριεχόμενα 5ης Διάλεξης 1 Ανισότητα Markov 2 Διασπορά 3 Συνδιασπορά 4 Ανισότητα Chebyshev 5 Παραδείγματα Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5
5ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 5ο Μάθημα Πιθανότητες
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 08-09 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Εκτίμηση Διαστήματος
Διαβάστε περισσότεραΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ
ΚΩΝΣΤΑΝΤΙΝΟΣ Γ. ΑΓΓΕΛΟΥ ΕΚΤΙΜΗΣΗ ΠΟΣΟΣΤΙΑΙΩΝ ΣΗΜΕΙΩΝ ΓΙΑ ΕΠΙΛΕΓΜΕΝΟ ΕΚΘΕΤΙΚΟ ΠΛΗΘΥΣΜΟ ΑΠΟ k ΠΛΗΘΥΣΜΟΥΣ ΜΕΤΑΠΤΥΧΙΑΚΗ ΔΙΑΤΡΙΒΗ ΣΧΟΛΗ ΘΕΤΙΚΩΝ ΕΠΙΣΤΗΜΩΝ ΔΙΑΤΜΗΜΑΤΙΚΟ ΠΡΟΓΡΑΜΜΑ ΜΕΤΑΠΤΥΧΙΑΚΩΝ ΣΠΟΥΔΩΝ «ΜΑΘΗΜΑΤΙΚΑ
Διαβάστε περισσότεραΠιθανότητες και Αρχές Στατιστικής (5η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος
Πιθανότητες και Αρχές Στατιστικής (5η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 30 Περιεχόμενα
Διαβάστε περισσότεραΕίδη Μεταβλητών Κλίμακα Μέτρησης Οι τεχνικές της Περιγραφικής στατιστικής ανάλογα με την κλίμακα μέτρησης Οι τελεστές Π και Σ
ΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρμοσμένες Επιστήμες Στατιστικός Πληθυσμός και Δείγμα Το στατιστικό
Διαβάστε περισσότερα(X1 X 2 ) 2}. ( ) f 1 (x i ; θ) = θ x i. (1 θ) n x i. x i log. i=1. i=1 t2 i
ΕΞΕΤΑΣΗ ΤΟΥ ΜΑΘΗΜΑΤΟΣ ΣΤΑΤΙΣΤΙΚΗ I: ΕΚΤΙΜΗΤΙΚΗ 8 Ιουνίου 005 Εξεταστική περίοδος Ιουνίου 005 ΘΕΜΑΤΑ Εστω X = (X,, X n ), n, τυχαίο δείγµα από κατανοµή Bernoull B(, θ), θ Θ = (0, ) (α) (0 µονάδες) Να δειχθεί
Διαβάστε περισσότεραpdf: X U(a, b) 0, x < a 1 b a, a x b 0, x > b
Πιθανότητες και Αρχές Στατιστικής (8η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 41 Περιεχόμενα
Διαβάστε περισσότεραΕκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE)
Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE) Εστω τ.δ. X={x, x,, x } με κατανομή με σ.π.π. f(x;θ). Η από-κοινού σ.π.π. των δειγμάτων είναι η συνάρτηση L f x, x,, x; f x i ; και
Διαβάστε περισσότεραΜέθοδος μέγιστης πιθανοφάνειας
Μέθοδος μέγιστης πιθανοφάνειας Αν x =,,, παρατηρήσεις των Χ =,,,, τότε έχουμε διαθέσιμο ένα δείγμα Χ={Χ, =,,,} της κατανομής F μεγέθους με από κοινού σ.κ. της Χ f x f x Ορισμός : Θεωρούμε ένα τυχαίο δείγμα
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 1 ου κεφαλαίου Βιβλίο: Κολυβά Μαχαίρα, Φ. & Χατζόπουλος Στ. Α. (2016). Μαθηματική Στατιστική, Έλεγχοι Υποθέσεων. [ηλεκτρ. βιβλ.] Αθήνα: Σύνδεσμος Ελληνικών Ακαδημαϊκών
Διαβάστε περισσότερα3. ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratified Random Sampling)
3 ΣΤΡΩΜΑΤΟΠΟΙΗΜΕΝΗ ΤΥΧΑΙΑ ΔΕΙΓΜΑΤΟΛΗΨΙΑ (Stratfed Radom Samplg) Είναι προφανές από τα τυπικά σφάλματα των εκτιμητριών των προηγούμενων παραγράφων, ότι ένας τρόπος να αυξηθεί η ακρίβεια τους είναι να αυξηθεί
Διαβάστε περισσότεραiii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος
iii ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος xi 1 Αντικείμενα των Πιθανοτήτων και της Στατιστικής 1 1.1 Πιθανοτικά Πρότυπα και Αντικείμενο των Πιθανοτήτων, 1 1.2 Αντικείμενο της Στατιστικής, 3 1.3 Ο Ρόλος των Πιθανοτήτων
Διαβάστε περισσότεραΕκτιμήτριες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Εκτιμήτριες. μέθοδος ροπών και μέγιστης πιθανοφάνειας
Εκτιμήτριες Κώστας Γλυκός Ασκήσεις για ΑΕΙ και ΤΕΙ σε Εκτιμήτριες Ι δ ι α ί τ ε ρ α μ α θ ή μ α τ α μέθοδος ροπών και μέγιστης πιθανοφάνειας κριτήρια αμεροληψίας και συνέπειας 9 άλυτες ασκήσεις 6 9 7.
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ Κατανομή Δειγματοληψίας του Δειγματικού Μέσου Ο Δειγματικός Μέσος X είναι μια Τυχαία Μεταβλητή. Καθώς η επιλογή και χρήση διαφορετικών δειγμάτων από έναν
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium iv
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium iv Στατιστική Συμπερασματολογία Ι Σημειακές Εκτιμήσεις Διαστήματα Εμπιστοσύνης Στατιστική Συμπερασματολογία (Statistical Inference) Το πεδίο της Στατιστικής Συμπερασματολογία,
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ: ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 20 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 20 2.1.1 Αβεβαιότητα
Διαβάστε περισσότερα4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου
4 o Μάθημα Διάστημα Εμπιστοσύνης του Μέσου Για την εκτίμηση των παραμέτρων ενός πληθυσμού (όπως η μέση τιμή ή η διασπορά), χρησιμοποιούνται συνήθως δύο μέθοδοι εκτίμησης. Η πρώτη ονομάζεται σημειακή εκτίμηση.
Διαβάστε περισσότεραCRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ
CRAMER-RAO ΚΑΤΩ ΦΡΑΓΜΑ - ΑΠΟ ΟΤΙΚΟΙ ΕΚΤΙΜΗΤΕΣ Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών Θεώρηµα Cramer-Rao Θεώρηµα Cramer-Rao Εστω X = (X 1, X,...,X n ) ένα δείγµα µε από κοινού πυκνότητα πιθανότητας f X
Διαβάστε περισσότεραΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ ΠΙΘΑΝΟΤΗΤΕΣ ΣΤΑΤΙΣΤΙΚΗ ΤΜΗΜΑΤΙΚΕΣ ΕΞΕΤΑΣΕΙΣ ΙΟΥΝΙΟΥ ( ) ΟΜΑΔΑ Α ( 40% )
ΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ ΠΙΘΑΝΟΤΗΤΕΣ ΣΤΑΤΙΣΤΙΚΗ ΤΜΗΜΑΤΙΚΕΣ ΕΞΕΤΑΣΕΙΣ ΙΟΥΝΙΟΥ (0-6-005) ΟΜΑΔΑ Α ( 40% ) ) Έστω μια τυχαία μεταβλητή Χ και ένα δείγμα x, x,, x n. Θεωρούμε την τιμή k = n i= ( x && x) i.να διευκρινιστεί
Διαβάστε περισσότεραΜαθηματικά Και Στατιστική Στη Βιολογία
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Μαθηματικά Και Στατιστική Στη Βιολογία Ενότητα 5 : Εκτιμήσεις Ι. Αντωνίου, Χ. Μπράτσας Τμήμα Μαθηματικών Άδειες Χρήσης Το παρόν εκπαιδευτικό
Διαβάστε περισσότεραΑνάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R
Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R, Επίκουρος Καθηγητής, Τοµέας Μαθηµατικών, Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών, Εθνικό Μετσόβιο Πολυτεχνείο. Περιεχόµενα Εισαγωγή στη
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΚΕΦΑΛΑΙΟ 3 ΔΕΣΜΕΥΜΕΝΗ ΠΙΘΑΝΟΤΗΤΑ, ΟΛΙΚΗ ΠΙΘΑΝΟΤΗΤΑ ΘΕΩΡΗΜΑ BAYES, ΑΝΕΞΑΡΤΗΣΙΑ ΚΑΙ ΣΥΝΑΦΕΙΣ ΕΝΝΟΙΕΣ 71
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 11 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 13 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.outras@e.aegea.gr Τηλ: 7035468 Μέθοδος Υπολογισμού
Διαβάστε περισσότεραΈλεγχος υποθέσεων και διαστήματα εμπιστοσύνης
1 Έλεγχος υποθέσεων και διαστήματα εμπιστοσύνης Όπως γνωρίζουμε από προηγούμενα κεφάλαια, στόχος των περισσότερων στατιστικών αναλύσεων, είναι η έγκυρη γενίκευση των συμπερασμάτων, που προέρχονται από
Διαβάστε περισσότεραΕίδη Μεταβλητών. κλίµακα µέτρησης
ΠΕΡΙΕΧΟΜΕΝΑ Κεφάλαιο 1 Εισαγωγικές Έννοιες 19 1.1 1.2 1.3 1.4 1.5 1.6 1.7 Η Μεταβλητότητα Η Στατιστική Ανάλυση Η Στατιστική και οι Εφαρµοσµένες Επιστήµες Στατιστικός Πληθυσµός και Δείγµα Το στατιστικό
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Εκτιμητική Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότεραΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19
ΠΕΡΙΕΧΟΜΕΝΑ ΜΕΡΟΣ ΠΡΩΤΟ ΠΙΘΑΝΟΤΗΤΕΣ 13 ΚΕΦΑΛΑΙΟ 1 ΕΙΣΑΓΩΓΗ 15 ΚΕΦΑΛΑΙΟ 2 ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΠΙΘΑΝΟΤΗΤΑΣ 19 2.1 Αβεβαιότητα, Τυχαία Διαδικασία, και Συναφείς Έννοιες 21 2.1.1 Αβεβαιότητα και Τυχαίο Πείραμα
Διαβάστε περισσότεραΚεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής
Κεφάλαιο 1. Εισαγωγή: Βασικά και Εκτιμητικής Ορισμός 1.1. Όλα τα δυνατά αποτελέσματα ενός πειράματος αποτελούν το δειγματοχώρο (sample space) που συμβολίζεται με. Κάθε δυνατό αποτέλεσμα του πειράματος,
Διαβάστε περισσότεραΘεωρία Πιθανοτήτων & Στατιστική
ΑΡΙΣΤΟΤΕΛΕΙΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΘΕΣΣΑΛΟΝΙΚΗΣ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΙΚΑ ΜΑΘΗΜΑΤΑ & Στατιστική Ενότητα 4 η : Χαρακτηριστικά Τυχαίων Μεταβλητών. Γεώργιος Ζιούτας Τμήμα Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών Α.Π.Θ.
Διαβάστε περισσότεραP (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)
Πιθανότητες και Αρχές Στατιστικής (4η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2017-2018 Σωτήρης Νικολετσέας, καθηγητής 1 / 39 Περιεχόμενα
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 2 Μαΐου /23
Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπιστήμιο Κρήτης 2 Μαΐου 2017 1/23 Ανάλυση Διακύμανσης. Η ανάλυση παλινδρόμησης μελετά τη στατιστική σχέση ανάμεσα
Διαβάστε περισσότεραΔιαστήματα εμπιστοσύνης. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς
Διαστήματα εμπιστοσύνης Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Διαστήματα εμπιστοσύνης Το διάστημα εμπιστοσύνης είναι ένα διάστημα αριθμών
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #4: Έλεγχος Υποθέσεων Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες Χρήσης Το παρόν
Διαβάστε περισσότεραΣ ΤΑΤ Ι Σ Τ Ι Κ Η. Statisticum collegium Iii
Σ ΤΑΤ Ι Σ Τ Ι Κ Η i Statisticum collegium Iii Η Κανονική Κατανομή Λέμε ότι μία τυχαία μεταβλητή X, ακολουθεί την Κανονική Κατανομή με παραμέτρους και και συμβολίζουμε X N, αν έχει συνάρτηση πυκνότητας
Διαβάστε περισσότεραΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...
ΚΕΦΑΛΑΙΟ 0 Ένα Πρόβλημα Δεδομένα.6 3. 3.8 4. 4.4 5.8 6.0 6.7 7. 7.8 5.6 7.9 8.0 8. 8. 9. 9.5 9.4 9.6 9.9 Απλή Γραμμική Παλινδρόμηση Μωυσιάδης Χρόνης 6 o Εξάμηνο Μαθηματικών Έχει σχέση το με το ; Ειδικότερα
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ
ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ Μ.Ν. Ντυκέν, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. Ε. Αναστασίου, Πανεπιστήμιο Θεσσαλίας Τ.Μ.Χ.Π.Π.Α. ΔΙΑΛΕΞΗ 07 & ΔΙΑΛΕΞΗ 08 ΣΗΜΠΕΡΑΣΜΑΤΙΚΗ ΣΤΑΤΙΣΤΙΚΗ Βόλος, 016-017 ΕΙΣΑΓΩΓΗ ΣΤΗΝ
Διαβάστε περισσότεραΚεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ
ΠΕΡΙΕΧΟΜΕΝΑ Πρόλογος 75 Κεφ. Ιο ΒΑΣΙΚΕΣ ΕΝΝΟΙΕΣ ΘΕΩΡΙΑΣ ΠΙΘΑΝΟΤΗΤΩΝ 1.1. Τυχαία γεγονότα ή ενδεχόμενα 17 1.2. Πειράματα τύχης - Δειγματικός χώρος 18 1.3. Πράξεις με ενδεχόμενα 20 1.3.1. Ενδεχόμενα ασυμβίβαστα
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων
ΣΤΑΤΙΣΤΙΚΗ ΣΥΜΠΕΡΑΣΜΑΤΟΛΟΓΙΑ για τη λήψη αποφάσεων ΠΡΑΓΜΑΤΙΚΟ ΚΟΣΤΟΣ ΣΥΛΛΟΓΗ ΠΛΗΡΟΦΟΡΙΩΝ ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ ΕΠΙΛΟΓΗ ΚΑΤΑΝΟΜΗΣ Υπολογισμός πιθανοτήτων και πρόβλεψη τιμών από τις τιμές των παραμέτρων και
Διαβάστε περισσότεραΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ, ΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ
ΣΗΜΕΙΩΣΕΙΣ ΓΙΑ ΤΗ ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΕΛΕΓΧΟΙ ΥΠΟΘΕΣΕΩΝ, ΑΠΛΗ ΠΑΛΙΝΔΡΟΜΗΣΗ ΣΙΜΟΣ ΜΕΙΝΤΑΝΗΣ, Αναπληρωτής Καθηγητής Τμήμα Οικονομικών Επιστημών, ΕΚΠΑ ΓΙΑΝΝΗΣ Κ. ΜΠΑΣΙΑΚΟΣ, Επίκουρος Καθηγητής Τμήμα Οικονομικών
Διαβάστε περισσότεραΑπλή Παλινδρόμηση και Συσχέτιση
Απλή Παλινδρόμηση και Συσχέτιση Πωλήσεις, Δαπάνες Διαφήμισης και Αριθμός Πωλητών Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) Έτος Πωλήσεις (χιλ ) Διαφήμιση (χιλ ) Πωλητές (Άτομα) 98 050 6 3 989
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 7-8 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 07-08 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutras@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 06-07 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Επικ. Καθηγητής v.koutra@fme.aegea.gr Τηλ: 7035468 Θα μελετήσουμε
Διαβάστε περισσότεραΕισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500
Εισόδημα Κατανάλωση 1500 500 1600 600 1300 450 1100 400 600 250 700 275 900 300 800 352 850 400 1100 500 Πληθυσμός Δείγμα Δείγμα Δείγμα Ο ρόλος της Οικονομετρίας Οικονομική Θεωρία Διατύπωση της
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 6-7 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότεραΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ. Κεφάλαιο 10. Εισαγωγή στην εκτιμητική
ΤΕΧΝΟΛΟΓΙΚΟ ΕΚΠΑΙΔΕΥΤΙΚΟ ΙΔΡΥΜΑ ΔΥΤΙΚΗΣ ΕΛΛΑΔΑΣ ΤΜΗΜΑ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΠΑΤΡΑΣ Εργαστήριο Λήψης Αποφάσεων & Επιχειρησιακού Προγραμματισμού Καθηγητής Ι. Μητρόπουλος ΣΤΑΤΙΣΤΙΚΗ ΕΠΙΧΕΙΡΗΣΕΩΝ ΕΙΔΙΚΑ ΘΕΜΑΤΑ
Διαβάστε περισσότεραΚεφάλαιο 10 Εισαγωγή στην Εκτίμηση
Κεφάλαιο 10 Εισαγωγή στην Εκτίμηση Εκεί που είμαστε Κεφάλαια 7 και 8: Οι διωνυμικές,κανονικές, εκθετικές κατανομές και κατανομές Poisson μας επιτρέπουν να κάνουμε διατυπώσεις πιθανοτήτων γύρω από το Χ
Διαβάστε περισσότεραΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ
ΚΕΦΑΛΑΙΟ 5 ΔΙΑΣΤΗΜΑΤΑ ΕΜΠΙΣΤΟΣΥΝΗΣ ΓΙΑ AΝΑΛΟΓΙΕΣ Α. Περίπτωση Ενός Πληθυσμού Έστω ότι μελετάμε μια ακολουθία ανεξαρτήτων δοκιμών κάθε μία από τις οποίες οδηγεί είτε σε επιτυχία είτε σε αποτυχία με σταθερή
Διαβάστε περισσότεραE [X ν ] = E [X (X 1) (X ν + 1)]
Πιθανότητες και Αρχές Στατιστικής (6η Διάλεξη) Σωτήρης Νικολετσέας, καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2018-2019 Σωτήρης Νικολετσέας, καθηγητής 1 / 30 Περιεχόμενα
Διαβάστε περισσότεραΈλεγχος Υποθέσεων. Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς
Δρ. Αθανάσιος Δαγούμας, Επ. Καθηγητής Οικονομικής της Ενέργειας & των Φυσικών Πόρων, Πανεπιστήμιο Πειραιώς Η μηδενική υπόθεση είναι ένας ισχυρισμός σχετικά με την τιμή μιας πληθυσμιακής παραμέτρου. Είναι
Διαβάστε περισσότεραΕισαγωγή στην Εκτιμητική
Εισαγωγή στην Εκτιμητική Πληθυσμός Εκτίμηση παραμέτρου πληθυσμού μ, σ 2, σ, p Δείγμα Υπολογισμός στατιστικού Ερώτηματα: Πόσο κοντά στην πραγματική τιμή της παραμέτρου του πληθυσμού βρίσκεται η εκτίμηση
Διαβάστε περισσότεραΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ. Παπάνα Αγγελική
ΧΡΟΝΙΚΕΣ ΣΕΙΡΕΣ 7o Μάθημα: Απλή παλινδρόμηση (ΕΠΑΝΑΛΗΨΗ) Παπάνα Αγγελική Μεταδιδακτορική ερευνήτρια, ΑΠΘ & ΠΑΜΑΚ E-mail: angeliki.papana@gmail.com, agpapana@auth.gr Webpage: http://users.auth.gr/agpapana
Διαβάστε περισσότεραΣτατιστική Επιχειρήσεων ΙΙ
ΕΛΛΗΝΙΚΗ ΔΗΜΟΚΡΑΤΙΑ Ανώτατο Εκπαιδευτικό Ίδρυμα Πειραιά Τεχνολογικού Τομέα Στατιστική Επιχειρήσεων ΙΙ Ενότητα #: Επαγωγική Στατιστική - Δειγματοληψία Μιλτιάδης Χαλικιάς Τμήμα Διοίκησης Επιχειρήσεων Άδειες
Διαβάστε περισσότερα7. Εκτιμήσεις Τιμων Δεικτων
Μαθηματικά και Στατιστικη στην Βιολογια ΧΕΙΜΕΡΙΝΟ ΕΞΑΜΗΝΟ (1 ο ) Τμημα Βιολογιας Αριστοτελειο Πανεπιστημιο Θεσσαλονικης Mathematics and Statistics in Biology WINTER SEMESTER (1 st ) School of Biology Aristotle
Διαβάστε περισσότεραΤυχαία μεταβλητή (τ.μ.)
Τυχαία μεταβλητή (τ.μ.) Τυχαία μεταβλητή (τ.μ.) είναι μια συνάρτηση X ( ) με πεδίο ορισμού το δειγματικό χώρο Ω του πειράματος και πεδίο τιμών ένα υποσύνολο πραγματικών αριθμών που συμβολίζουμε συνήθως
Διαβάστε περισσότεραΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ
ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ Ακαδ. Έτος 5-6 Διδάσκων: Βασίλης ΚΟΥΤΡΑΣ Λέκτορας v.koutras@fme.aegea.gr Τηλ: 735468 Σε αρκετές εφαρμογές
Διαβάστε περισσότερα9. Παλινδρόμηση και Συσχέτιση
9. Παλινδρόμηση και Συσχέτιση Παλινδρόμηση και Συσχέτιση Υπάρχει σχέση ανάμεσα σε δύο ή περισσότερες μεταβλητές; Αν ναι, ποια είναι αυτή η σχέση; Πως μπορεί αυτή η σχέση να χρησιμοποιηθεί για να προβλέψουμε
Διαβάστε περισσότεραΜέρος V. Ανάλυση Παλινδρόμηση (Regression Analysis)
Μέρος V. Ανάλυση Παλινδρόμηση (Regresso Aalss) Βασικές έννοιες Απλή Γραμμική Παλινδρόμηση Πολλαπλή Παλινδρόμηση Εφαρμοσμένη Στατιστική Μέρος 5 ο - Κ. Μπλέκας () Βασικές έννοιες Έστω τ.μ. Χ,Υ όπου υπάρχει
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 4 ου κεφαλαίου Ελεγχοσυναρτήσεις Γενικευμένου Λόγου Πιθανοφανειών Σταύρος Χατζόπουλος 27/03/2017, 03/04/2017, 24/04/2017 1 Εισαγωγή Έστω το τ.δ. X,,, από την κατανομή
Διαβάστε περισσότεραΑπλή Γραμμική Παλινδρόμηση και Συσχέτιση 19/5/2017
Απλή Γραμμική Παλινδρόμηση και Συσχέτιση 2 Εισαγωγή Η ανάλυση παλινδρόμησης περιλαμβάνει το σύνολο των μεθόδων της στατιστικής που αναφέρονται σε ποσοτικές σχέσεις μεταξύ μεταβλητών Πρότυπα παλινδρόμησης
Διαβάστε περισσότεραΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙI (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116)
Σελίδα 1 ΟΙΚΟΝΟΜΙΚΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΘΗΝΩΝ ΤΜΗΜΑ ΟΡΓΑΝΩΣΗΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΕΠΙΧΕΙΡΗΣΕΩΝ ΜΑΘΗΜΑ: ΠΟΣΟΤΙΚΕΣ ΜΕΘΟΔΟΙ ΙΙ (ΣΤΑΤΙΣΤΙΚΗ ΓΙΑ ΤΗ ΔΙΟΙΚΗΣΗ ΤΩΝ ΕΠΙΧΕΙΡΗΣΕΩΝ) (ΟΔΕ 2116) ΠΑΝΕΠΙΣΤΗΜΙΑΚΟΣ ΥΠΟΤΡΟΦΟΣ ΠΑΝΑΓΙΩΤΗΣ
Διαβάστε περισσότερα3. Κατανομές πιθανότητας
3. Κατανομές πιθανότητας Τυχαία Μεταβλητή Τυχαία μεταβλητή (τ.μ.) (X) είναι μια συνάρτηση που σε κάθε σημείο (ω) ενός δειγματικού χώρου (Ω) αντιστοιχεί έναν πραγματικό αριθμό. Ω ω X (ω ) R Διακριτή τ.μ.
Διαβάστε περισσότεραΑριθμητική Ανάλυση και Εφαρμογές
Αριθμητική Ανάλυση και Εφαρμογές Διδάσκων: Δημήτριος Ι. Φωτιάδης Τμήμα Μηχανικών Επιστήμης Υλικών Ιωάννινα 07-08 Αριθμητική Παραγώγιση Εισαγωγή Ορισμός 7. Αν y f x είναι μια συνάρτηση ορισμένη σε ένα διάστημα
Διαβάστε περισσότεραΈλεγχος Υποθέσεων (Hypothesis Testing)
Έλεγχος Υποθέσεων (Hypothesis Testig) Ορισμοί Μορφές στατιστικού ελέγχου Πιθανότητες σφάλματος τύπου Ι και ΙΙ Ισχύς (Power) ενός ελέγχου Η P-τιμή (P-vlue) Στατιστικοί έλεγχοι υποθέσεων για ειδικές περιπτώσεις
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 2 ου κεφαλαίου Σταύρος Χατζόπουλος 20/02/2017, 06/03/2017, 13/03/2017 1 Κεφάλαιο 2. Έλεγχος Απλών Υποθέσεων Τα προβλήματα ελέγχου υποθέσεων απορρέουν από παρατηρήσεις
Διαβάστε περισσότεραΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ
Ι. ΠΑΝΑΡΕΤΟΥ & Ε. ΞΕΚΑΛΑΚΗ Καθηγητών του Τμήματος Στατιστικής του Οικονομικού Πανεπιστημίου Αθηνών ΕΙΣΑΓΩΓΗ ΣΤΗ ΣΤΑΤΙΣΤΙΚΗ ΣΚΕΨΗ ΤΟΜΟΣ ΙΙ (Εισαγωγή στις Πιθανότητες και την Στατιστική Συμπερασματολογία)
Διαβάστε περισσότεραx P (x) c P (x) = c P (x), x S : x c
Κεφάλαιο 9 Ανισότητες, από κοινού κατανομή, Νόμος των Μεγάλων Αριθμών 9.1 Ανισότητες Markov και Chebychev Ξεκινάμε αυτό το κεφάλαιο με δύο σημαντικά αποτελέσματα τα οποία, πέραν της μεγάλης χρησιμότητάς
Διαβάστε περισσότεραΕφαρμοσμένη Στατιστική
ΠΑΝΕΠΙΣΤΗΜΙΟ ΙΩΑΝΝΙΝΩΝ ΑΝΟΙΚΤΑ ΑΚΑΔΗΜΑΪΚΑ ΜΑΘΗΜΑΤΑ Εφαρμοσμένη Στατιστική Παλινδρόμηση Διδάσκων: Επίκουρος Καθηγητής Κωνσταντίνος Μπλέκας Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης
Διαβάστε περισσότερα6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling)
6. ΔΕΙΓΜΑΤΟΛΗΨΙΑ ΚΑΤΑ ΟΜΑΔΕΣ (Cluster Sampling) Από την θεωρία που αναπτύχθηκε στα προηγούμενα κεφάλαια, φαίνεται ότι μια αλλαγή στον σχεδιασμό της δειγματοληψίας και, κατά συνέπεια, στην μέθοδο εκτίμησης
Διαβάστε περισσότεραΣτατιστική Συμπερασματολογία
Στατιστική Συμπερασματολογία Διαφάνειες 5 ου κεφαλαίου Ελεγχοσυναρτήσεις για τις Παραμέτρους της Κανονικής Κατανομής Σταύρος Χατζόπουλος 08/05/207, 5/05/207 Εισαγωγή Στις παραγράφους που ακολουθούν παρουσιάζονται
Διαβάστε περισσότερα(p 1) (p m) (m 1) (p 1)
ΠΑΡΑΓΟΝΤΙΚΗ ΑΝΑΛΥΣΗ Σκοπός της παραγοντικής ανάλυσης είναι να περιγράψει την συνδιασπορά μεταξύ των μεταβλητών με την βοήθεια τυχαίων άγνωστων ποσοτήτων που ονομάζονται παράγοντες. Το μοντέλο είναι το
Διαβάστε περισσότεραΌταν η s n δεν συγκλίνει λέμε ότι η σειρά αποκλίνει.
Όταν η s δεν συγκλίνει λέμε ότι η σειρά αποκλίνει. Παρατήρηση: Το αντίστροφο του προηγουμένου θεωρήματος δεν ισχύει. Παράδειγμα η σειρά με νιοστό όρο α = +-. Τότε lim α =0. Όμως s =α +α + +α = - + 3- +...+
Διαβάστε περισσότεραΧ. Εμμανουηλίδης, 1
Εφαρμοσμένη Στατιστική Έρευνα Απλό Γραμμικό Υπόδειγμα AΠΛΟ ΓΡΑΜΜΙΚΟ ΥΠΟ ΕΙΓΜΑ Δρ. Χρήστος Εμμανουηλίδης Αν. Καθηγητής Αριστοτέλειο Πανεπιστήμιο Θεσσαλονίκης Εφαρμοσμένη Στατιστική, Τμήμα Ο.Ε. ΑΠΘ Χ. Εμμανουηλίδης,
Διαβάστε περισσότεραΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ
ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ ΠΡΟΓΡΑΜΜΑ ΣΠΟΥΔΩΝ ΠΛΗΡΟΦΟΡΙΚΗ ΜΑΘΗΜΑΤΙΚΑ ΓΙΑ ΤΗΝ ΠΛΗΡΟΦΟΡΙΚΗ Ι (Θ.Ε. ΠΛΗ 12) 6Η ΓΡΑΠΤΗ ΕΡΓΑΣΙΑ - ΕΝΗΜΕΡΩΜΕΝΗ ΜΟΡΦΗ Ημερομηνία Αποστολής της εργασίας στον Φοιτητή 5 Μαϊου 2014
Διαβάστε περισσότεραΚεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ. 2.1 Σηµειακή Εκτίµηση. ˆθ παίρνει διαφορετικές τιµές, δηλαδή η ˆθ είναι η ίδια τ.µ. µε κάποια κατανοµή κι έχει µέση
Κεφάλαιο 2 ΕΚΤΙΜΗΣΗ ΠΑΡΑΜΕΤΡΩΝ Οι στατιστικές δείγµατος, όπως η δειγµατική µέση τιµή x και η δειγµατική διασπορά s 2, που ϑα δούµε παρακάτω, υπολογίζονται από τα στατιστικά δεδοµένα που έχουµε συλλέξει
Διαβάστε περισσότεραΣτατιστική Ι. Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων. Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών
Στατιστική Ι Ενότητα 9: Κατανομή t-έλεγχος Υποθέσεων Δρ. Γεώργιος Κοντέος Τμήμα Διοίκησης Επιχειρήσεων Γρεβενών Άδειες Χρήσης Το παρόν εκπαιδευτικό υλικό υπόκειται σε άδειες χρήσης Creative Commons. Για
Διαβάστε περισσότεραΔειγματοληψία στην εκπαιδευτική έρευνα. Είδη δειγματοληψίας
Δειγματοληψία στην εκπαιδευτική έρευνα Είδη δειγματοληψίας Γνωρίζουμε ότι: Με τη στατιστική τα δεδομένα γίνονται πληροφορίες Στατιστική Δεδομένα Πληροφορία Αλλά από πού προέρχονται τα δεδομένα; Πώς τα
Διαβάστε περισσότεραpdf: X = 0, 1 - p = q E(X) = 1 p + 0 (1 p) = p V ar(x) = E[(X µ) 2 ] = (1 p) 2 p + (0 p) 2 (1 p) = p (1 p) [1 p + p] = p (1 p) = p q
7ο Μάθημα Πιθανότητες Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής Τμήμα Μηχανικών Η/Υ & Πληροφορικής, Πανεπιστήμιο Πατρών Ακαδημαϊκό Ετος 2016-2017 Σωτήρης Νικολετσέας, αναπληρωτής καθηγητής 7ο Μάθημα Πιθανότητες
Διαβάστε περισσότεραΣτατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες
Ορισμός Στατιστική είναι το σύνολο των μεθόδων και θεωριών που εφαρμόζονται σε αριθμητικά δεδομένα προκειμένου να ληφθεί κάποια απόφαση σε συνθήκες αβεβαιότητας. Βασικές έννοιες Η μελέτη ενός πληθυσμού
Διαβάστε περισσότεραΧρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές
Χρονικές σειρές 2 Ο μάθημα: Εισαγωγή στις χρονοσειρές Εαρινό εξάμηνο 2018-2019 μήμα Μαθηματικών ΑΠΘ Διδάσκουσα: Αγγελική Παπάνα Μεταδιδακτορική Ερευνήτρια Πολυτεχνική σχολή, Α.Π.Θ. & Οικονομικό μήμα, Πανεπιστήμιο
Διαβάστε περισσότερα