ΑΣΚΗΣΕΙΣ ΣΤΗΝ ΕΚΤΙΜΗΤΙΚΗ

Σχετικά έγγραφα
εξαρτάται από το θ και για αυτό γράφουµε την σ.π.π. στην εξής µορφή: ( θ, + ) θ θ n 2n (θ,+ ) 1, 0, x θ.

Εκτιμητές Μεγίστης Πιθανοφάνειας (Maximum Likelihood Estimators MLE)

Στατιστική Συμπερασματολογία

Εφαρμοσμένη Στατιστική

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

A(θ) = n log θ B(x ) = 0. T (x ) = x i. Γ(n)θ n =

Στατιστική. Εκτιμητική

12xy(1 x)dx = 12y. = 12 y. = 12 y( ) = 12 y 1 6 = 2y. x 6x(1 x)dx = 6. dx = 6 3 x4

Στατιστική Συμπερασματολογία

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Εκτιμήτριες. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Εκτιμήτριες. μέθοδος ροπών και μέγιστης πιθανοφάνειας

n + 1 X(1 + X). ) = X i i=1 i=1

Πανεπιστήμιο Πελοποννήσου

Μέθοδος μέγιστης πιθανοφάνειας

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 13 Μαρτίου /31

(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

p(x, y) = 1 (x + y) = 3x + 6, x = 1, 2 (x + y) = 3 + 2y, y = 1, 2, 3 p(1, 1) = = 2 21 p X (1) p Y (1) = = 5 49

Στατιστική Συμπερασματολογία

c(2x + y)dxdy = 1 c 10x )dx = 1 210c = 1 c = x + y 1 (2xy + y2 2x + y dx == yx = 1 (32 + 4y) (2x + y)dxdy = 23 28

Μέρος II. Στατιστική Συμπερασματολογία (Inferential Statistics)

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

Ανάλυση Δεδοµένων µε χρήση του Στατιστικού Πακέτου R

ΠΟΛΥΔΙΑΣΤΑΤΕΣ ΤΥΧΑΙΕΣ ΜΕΤΑΒΛΗΤΕΣ

ΤΥΧΑΙΑ ΙΑΝΥΣΜΑΤΑ. Στατιστική Συµπερασµατολογία Ι, Κ. Πετρόπουλος. Τµήµα Μαθηµατικών, Πανεπιστήµιο Πατρών

Εφαρμοσμένη Στατιστική

Εφαρμοσμένη Στατιστική Δημήτριος Μπάγκαβος Τμήμα Μαθηματικών και Εφαρμοσμένων Μαθηματικών Πανεπισ τήμιο Κρήτης 14 Μαρτίου /34

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις και σημειακή εκτίμηση παραμέτρων Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή συμπερασμάτων για το σ

Θεωρία Πιθανοτήτων, εαρινό εξάμηνο Λύσεις του έβδομου φυλλαδίου ασκήσεων. f X (t) dt για κάθε x. F Y (y) = P (Y y) = P X y b ) a.

Μέθοδος μέγιστης πιθανοφάνειας

Σημερινό μάθημα: Εκτιμήτριες συναρτήσεις, σημειακή εκτίμηση παραμέτρων και γραμμική παλινδρόμηση Στατιστική συμπερασματολογία (ή εκτιμητική ): εξαγωγή

ΑΣΚΗΣΕΙΣ ΣΤΟΥΣ ΕΛΕΓΧΟΥΣ ΥΠΟΘΕΣΕΩΝ

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

ΦΡΟΝΤΙΣΤΗΡΙΑ 7 ΚΑΙ 8

, x > a F X (x) = x 3 0, αλλιώς.

xp X (x) = k 3 10 = k 3 10 = 8 3

3. Κατανομές πιθανότητας

ΕΞΕΤΑΣΕΙΣ ΣΤΟ ΜΑΘΗΜΑ ΠΙΘΑΝΟΤΗΤΕΣ ΣΤΑΤΙΣΤΙΚΗ ΤΜΗΜΑΤΙΚΕΣ ΕΞΕΤΑΣΕΙΣ ΙΟΥΝΙΟΥ ( ) ΟΜΑΔΑ Α ( 40% )

x y max(x))

Μέθοδος Newton-Raphson

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

ΑΝΤΙΚΕΙΜΕΝΟ ΜΑΘΗΜΑΤΟΣ

ΕΦΑΡΜΟΣΜΕΝΗ ΣΤΑΤΙΣΤΙΚΗ Ι Συμπληρωματικές Σημειώσεις Δημήτριος Παντελής

ΛΥΣΕΙΣ ΘΕΜΑΤΩΝ ΣΤΑΤΙΣΤΙΚΗ Ι ΜΕΡΟΣ Α (Σ. ΧΑΤΖΗΣΠΥΡΟΣ) . Δείξτε ότι η στατιστική συνάρτηση T = X( n)

Κεφάλαιο 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

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

2. Στοιχεία Πολυδιάστατων Κατανοµών

1 1 c c c c c c = 1 c = 1 28 P (Y < X) = P ((1, 2)) + P ((4, 1)) + P ((4, 3)) = 2 1/ / /28 = 18/28

Εισαγωγή-Αµερόληπτοι Εκτιµητές

ΘΕΩΡΙΑ ΑΠΟΦΑΣΕΩΝ 3 ο ΦΡΟΝΤΙΣΤΗΡΙΟ ΛΥΣΕΙΣ ΤΩΝ ΑΣΚΗΣΕΩΝ

P( X < 8) = P( 8 < X < 8) = Φ(0.6) Φ( 1) = Φ(0.6) (1 Φ(1)) = Φ(0.6)+Φ(1) 1

ΤΥΧΑΙΑ ΔΙΑΝΥΣΜΑΤΑ F(x) 1, x n. 2. Η F είναι μη φθίνουσα και δεξιά συνεχής ως προς κάθε μεταβλητή. 3.

3. ΠΑΡΑΜΕΤΡΟΙ ΚΑΤΑΝΟΜΩΝ

P (A B) = P (AB) P (B) P (A B) = P (A) P (A B) = P (A) P (B)

0 x < (x + 2) 2 x < 1 f X (x) = 1 x < ( x + 2) 1 x < 2 0 x 2

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. Απειροστικός Λογισµός Ι. ιδάσκων : Α. Μουχτάρης. Απειροστικός Λογισµός Ι - 3η Σειρά Ασκήσεων

P(Ο Χρήστος κερδίζει) = 1 P(Ο Χρήστος χάνει) = 1 P(X > Y ) = 1 2. P(Ο Χρήστος νικά σε 7 από τους 10 αγώνες) = 7

ΙΑΦΟΡΙΚΕΣ ΕΞΙΣΩΣΕΙΣ ΙΑΝΟΥΑΡΙΟΣ 2012 ΘΕΜΑΤΑ Α

cov(x, Y ) = E[(X E[X]) (Y E[Y ])] cov(x, Y ) = E[X Y ] E[X] E[Y ]

Πανεπιστήµιο Κρήτης - Τµήµα Επιστήµης Υπολογιστών. ΗΥ-217: Πιθανότητες-Χειµερινό Εξάµηνο ιδάσκων : Π. Τσακαλίδης

Ανισότητα Cramér Rao

ιωνυµική Κατανοµή(Binomial)

Το θεώρηµα πεπλεγµένων συναρτήσεων

ΕΛΛΗΝΙΚΟ ΑΝΟΙΚΤΟ ΠΑΝΕΠΙΣΤΗΜΙΟ

Συνεχείς συναρτήσεις πολλών µεταβλητών. ε > υπάρχει ( ) ( )

ΒΑΣΙΚΕΣ ΙΑΚΡΙΤΕΣ ΚΑΤΑΝΟΜΕΣ (Συνέχεια)

Αριθµητικά χαρακτηριστικά µιάς τυχαίας µεταβλητής

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΠΟΛΥΤΕΧΝΙΚΗ ΣΧΟΛΗ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Αλγεβρικες οµες Ι Ασκησεις - Φυλλαδιο 2

ΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2016 Β ΦΑΣΗ

ΠΑΝΕΠΙΣΤΗΜΙΟ ΑΙΓΑΙΟΥ ΣΧΟΛΗ ΕΠΙΣΤΗΜΩΝ ΤΗΣ ΔΙΟΙΚΗΣΗΣ ΤΜΗΜΑ ΜΗΧΑΝΙΚΩΝ ΟΙΚΟΝΟΜΙΑΣ ΚΑΙ ΔΙΟΙΚΗΣΗΣ ΣΤΑΤΙΣΤΙΚΗ

Στατιστική Συμπερασματολογία

Τυχαίες Μεταβλητές Γεώργιος Γαλάνης Κωνσταντίνα Παναγιωτίδου

c(x 1)dx = 1 xf X (x)dx = (x 2 x)dx = 2 3 x3 x 2 x 2 2 (x 1)dx x 2 f X (x)dx = (x 3 x 2 )dx = 2 4 x4 2 3 x3

ΚΑΤΑΝΟΜΕΣ ΠΙΘΑΝΟΤΗΤΑΣ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ (Συνέχεια)

Ακρότατα υπό συνθήκη και οι πολλαπλασιαστές του Lagrange

Σημειακή εκτίμηση και εκτίμηση με διάστημα. 11 η Διάλεξη

3. Οριακά θεωρήµατα. Κεντρικό Οριακό Θεώρηµα (Κ.Ο.Θ.)

ΘΕΩΡΙΑ ΠΙΘΑΝΟΤΗΤΩΝ Ι (ΝΠΣ) ΠΙΘΑΝΟΤΗΤΕΣ Ι (ΠΠΣ) Φεβρουάριος 2010

1 ή Ι = 0 διαφορετικά. Με άλλα λόγια επιλέγουμε τυχαία ένα σημείο στο τετράγωνο (0,1) (0,1) R 2, το (U 1,U 2 ), και εξετάζουμε αν

TMHMA OIKONOMIKΩN ΕΠΙΣΤΗΜΩΝ Διαγώνισμα Προόδου Στατιστικής III

Κ Α Λ Η Ε Π Ι Τ Υ Χ Ι Α!!!!!

ΜΑΘΗΜΑ ΤEΤΑΡΤΟ ΜΑΘΗΜΑΤΙΚΩΝ ΓΙΑ ΟΙΚΟΝΟΜΟΛΟΓΟΥΣ ΑΣΚΗΣΕΙΣ ( ΙΑΦΟΡΙΚΟ-ΜΕΛΕΤΗ ΣΥΝΑΡΤΗΣΕΩΣ- ΕΦΑΡΜΟΓΕΣ ΣΤΑ ΟΙΚΟΝΟΜΙΚΑ)

Παρεµβολή και Προσέγγιση Συναρτήσεων

(365)(364)(363)...(365 n + 1) (365) k

Περιγραφική Στατιστική Εκτιµητική ιαστήµατα Εµπιστοσύνης Έλεγχοι Στατιστικών Υποθέσεων Ανάλυση Παλινδρόµησης & Συσχέτισης Λυµένες Ασκήσεις - Θέµατα

ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ 2017 Β ΦΑΣΗ. Ηµεροµηνία: Μ. Τετάρτη 12 Απριλίου 2017 ιάρκεια Εξέτασης: 2 ώρες ΕΚΦΩΝΗΣΕΙΣ

0, x < 0 1+x 8, 0 x < 1 1 2, 1 x < x 8, 2 x < 4

Δειγματοληψία. Πρέπει να γνωρίζουμε πως πήραμε το δείγμα Το πλήθος n ij των παρατηρήσεων σε κάθε κελί είναι τ.μ. με μ ij συμβολίζουμε την μέση τιμή:

Κεφάλαιο 1. Εισαγωγή: Βασικά Στοιχεία Θεωρίας Πιθανοτήτων και Εκτιμητικής

Σ Υ Ν Α Ρ Τ Η Σ Ε Ι Σ

ΟΜΟΣΠΟΝ ΙΑ ΕΚΠΑΙ ΕΥΤΙΚΩΝ ΦΡΟΝΤΙΣΤΩΝ ΕΛΛΑ ΟΣ (Ο.Ε.Φ.Ε.) ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ ΕΠΑΝΑΛΗΠΤΙΚΑ ΘΕΜΑΤΑ Η εξίσωση του ύψους Γ του τριγώνου θα είναι:

Συνεχείς Κατανομές. Κώστας Γλυκός ΜΑΘΗΜΑΤΙΚΟΣ. Ασκήσεις για ΑΕΙ και ΤΕΙ. Kglykos.gr. σε Συνεχείς Κατανομές. τεχνικές. 30 ασκήσεις.

ΜΗ ΓΡΑΜΜΙΚΗ ΠΑΛΙΝΔΡΟΜΙΣΗ

ΚΑΤΑΝΟΜΕΣ Ι ΙΑΣΤΑΤΩΝ ΤΥΧΑΙΩΝ ΜΕΤΑΒΛΗΤΩΝ

ΚΕΦΑΛΑΙΟ 0. Απλή Γραμμική Παλινδρόμηση. Ένα Πρόβλημα. Η επιδιωκόμενη ιδιότητα. Ένα χρήσιμο γράφημα. Οι υπολογισμοί. Η μέθοδος ελαχίστων τετραγώνων ...

Θεωρία Πιθανοτήτων & Στατιστική

Σχολή Εφαρµοσµένων Μαθηµατικών και Φυσικών Επιστηµών Εθνικό Μετσόβιο Πολυτεχνείο. Στοχαστικές Ανελίξεις. Ασκήσεις Κεφαλαίου 2. Κοκολάκης Γεώργιος

Transcript:

Φουσκάκης- Ασκήσεις στην Εκτιµητική ΑΣΚΗΣΕΙΣ ΣΤΗΝ ΕΚΤΙΜΗΤΙΚΗ ) Έστω Χ,, Χ και Υ,,Υ ανεξάρτητα τµ από πληθυσµούς µε µέση τιµή θ και γνωστές διασπορές σ και σ είξτε ότι για c [0,] η U = c X +(-c) Y είναι αµερόληπτη εκτιµήτρια της παραµέτρου θ και βρείτε το c για το οποίο η διασπορά της U είναι ελάχιστη Έστω U = c X +(-c) Y, c [0,] Τότε: E(U) = ce(x)+(-c)e(y) = ce( X )+(-c)e( Y ) = c θ+(-c) θ = θ = = δηλαδή η U είναι αµερόληπτη εκτιµήτρια της θ, Ακόµα: Vr(U) = c Vr(X)+(-c) Vr(Y) = c Vr( X )+(-c) Vr( ) Y = = Αλλά Χ, Υ j (=,; j=,,) ανεξάρτητα, άρα και ασυσχέτιστα, οπότε η τελευταία έκφραση παίρνει την µορφή: Vr(U) = c σ +(-c) σ = g(c) Η τελευταία συνάρτηση ελαχιστοποιείται στο σηµείο που µηδενίζεται η παράγωγος της, δηλαδή: σ σ σ * g (c)=c -(-c) =0 c = σ σ + ) Έστω Χ,, Χ τδ από την U(θ,θ), θ ) Να βρεθεί η σππ της Υ = x{ Χ,, Χ } + ) είξτε ότι η T= Y είναι αµερόληπτη εκτιµήτρια της θ + ) Θυµίζουµε ότι όταν µια τµχ ακολουθεί την U(α,β) έχει συνάρτηση κατανοµής: 0, x < α x-α F(x)=, α x < β β-α, β x

Φουσκάκης- Ασκήσεις στην Εκτιµητική Ενδιαφερόµαστε για την συνάρτηση κατανοµής της τµ Υ X ανεξάρτητα X U(θ,θ) y-θ F(y) = P(Y y) = P(x{X,,X } y) = P(X y,, X y) = P(X y) = = θ Άρα η σππ της Υ είναι: - - y-θ (y-θ) f(y) = F (y) = =, θ θ θ y (θ,θ) ) Είναι: θ θ - θ θ y(y-θ) y(y-θ) (y-θ) θ + E(Y) = dy = dy θ- θ θ θ = = θ + + θ θ Άρα Ε( + + Υ) = θ, οπότε η + T= Y είναι αµερόληπτη εκτιµήτρια της θ + -x 3) Έστω Χ,, Χ τδ από πληθυσµό µε σππ f(x) = xe, x>0 ) Να βρεθεί η ΕΜΠ της α ) Να βρεθεί η ΕΜΠ της µέσης τιµής του πληθυσµού ι) Καταρχήν παρατηρούµε ότι η συγκεκριµένη σππ είναι η G(, p=) Η συνάρτηση πιθανοφάνειας είναι: x = = = = = L() = f(x ) = x e l() = l() + l( x ) x Άρα η ΕΜΠ της α προκύπτει από την λύση της εξίσωσης: l() = 0 X = 0 = = X = ) Γνωρίζουµε ότι η µέση τιµή µιας G(,p) ισούται µε µ = p Στην συγκεκριµένη οπότε περίπτωση µ = Με χρήση του Θεωρήµατος 9 η ΕΜΠ τότε της µ θα είναι: µ = = = X = X = = X

Φουσκάκης- Ασκήσεις στην Εκτιµητική 3 4) Έστω Χ,, Χ τδ από την G(,p) Να προσδιοριστούν οι εκτιµήτριες των, p µε την µέθοδο των ροπών Γνωρίζουµε ότι η σππ µιας G(,p) είναι η f(x) x e Γ(p) p p- -x = Οι δύο πρώτες δειγµατικές ροπές περί την αρχή είναι: = = X και X = X = = X = Οι αντίστοιχες δύο πρώτες ροπές του πληθυσµού είναι: p µ= E(X) = και p(p+) µ= E(X) = σ +µ = Άρα έχουµε το σύστηµα: ( X) p p = = X X X p(p+) = X X = X ( ) ( X ) 5) Έστω Χ,, Χ τδ από την U(,b) ) Να προσδιοριστούν οι εκτιµήτριες των, b µε την µέθοδο των ροπών ) Να προσδιοριστούν οι ΕΜΠ των, b Γνωρίζουµε ότι η σππ µιας U(,b) είναι η, x b f(x) = b- 0, διαφορετικά ι) Οι δύο πρώτες δειγµατικές ροπές περί την αρχή είναι: = = X και X = X = = X = Οι αντίστοιχες δύο πρώτες ροπές του πληθυσµού είναι: +b +b+b µ= E(X) = και µ = E(X ) = σ +µ = 3 Άρα έχουµε το σύστηµα:

Φουσκάκης- Ασκήσεις στην Εκτιµητική 4 ( ) ( ) +b X = = X 3 X -X + b + b = X b = X + 3 X -X 3 / ) Η συνάρτηση πιθανοφάνειας είναι: / L(,b) = I [,b](x ) = I [,b](x ) = {I (-,b] (x )I[,+ ] (x )} = b- b- = b- = = b- I (xx )I (x ) (-,b] [,+ ] Η συνάρτηση αυτή δεν διαφορίζεται παντού ως προς και b, για να µεγιστοποιηθεί όµως είναι φανερό ότι θα πρέπει να ελαχιστοποιηθεί η διαφορά b- µε την προϋπόθεση ότι ισχύει x x b και x α Εποµένως οι ΕΜΠ των, b είναι: = x και b = x x 6) Το πλάτος ενός παλµού είναι τµ X N(µ, 4) Στην έξοδο του µηχανήµατος µπορούµε να παρατηρήσουµε αν το Χ υπερβαίνει την τιµή 40 ή όχι Αν σε 00 παρατηρήσεις το Χ υπερέβη την τιµή αυτή 80 φορές, ποια είναι η ΕΜΠ της µέσης τιµής µ;, x > 40 Έστω Υ = Γνωρίζουµε ότι 0, x 40 (- p ) = P (Y = 0) = 0 p = P (Y = ) = 08 και Τότε: X-µ 40-µ 40-µ 40-µ p = P(x > 40) = P( > ) = - Φ( ) Φ( ) = p Αν p η ΕΜΠ του p και µ η ΕΜΠ του µ τότε: 40-µ Φ( ) = p = 00 µ = 468 7) Ο αριθµός των σωµατιδίων α που εκπέµπονται από ραδιενεργό πηγή σε χρόνο k -λt (λt) t(sec) ακολουθεί την P(λ), δηλαδή P(X=k) = e Για την εκτίµηση του λ k! καταγράφηκε ο αριθµός ν των πηγών που εξέπεµψαν ένα τουλάχιστον σωµατίδιο σε χρόνο sec από 30 πηγές Να προσδιοριστεί η ΕΜΠ της λ για ν = 0

Φουσκάκης- Ασκήσεις στην Εκτιµητική 5, x Έστω Υ = 0, x = 0 Τότε p = P(Y = ) = P(X ) = P(X = 0) = e -λ Αν p η ΕΜΠ του p και λ η ΕΜΠ του λ τότε: λ 0 p = e λ e = λ = log(3) 30 8) Έστω Χ,, Χ τδ από την Β(Ν,p) µε Ν γνωστό Να προσδιοριστεί η ΕΜΠ της p Η συνάρτηση πιθανοφάνειας είναι: x (N x ) N x N-x N = = x x = = L(p) = {( )p (-p) } = ( ) p (-p) N l(p) = log ( x ) x + log(p) (N x )log(-p) = = = Άρα η ΕΜΠ της p προκύπτει από την λύση της εξίσωσης: x N x x = = = X l(p) = 0 = 0 p= = p -p N N X k Σηµείωση: p = N =, όπου k = x είναι ο συνολικός αριθµός επιτυχιών και = = N ο συνολικός αριθµός δοκιµών Beroull 9) Έστω Χ,, Χ τδ από την Ν(µ, σ ) ) Να βρεθεί η ΕΜΠ της µ όταν σ γνωστό ) Να βρεθεί η ΕΜΠ της σ όταν µ γνωστό ) Να βρεθούν οι ΕΜΠ των µ, σ ) Η συνάρτηση πιθανοφάνειας είναι:

Φουσκάκης- Ασκήσεις στην Εκτιµητική 6 (x -µ) = - (x -µ) -/ σ σ = = πσ σ (x -µ) L(µ) = e = (πσ ) e l(µ) = - log(πσ ) Άρα η ΕΜΠ της µ προκύπτει από την λύση της εξίσωσης: l (µ) = 0 (x -µ) = 0 (x -µ) = 0 (X-µ) = 0 µ = X σ σ σ = = ι) Η συνάρτηση πιθανοφάνειας είναι: (x -µ) = - (x -µ) -/ σ σ = = = = = πσ σ (x -µ) L(σ ) e (πσ ) e l(µ) - log(πσ ) Άρα η ΕΜΠ της σ προκύπτει από την λύση της εξίσωσης: (X-µ) (X -µ) π = = l(σ ) = 0 + (X 4 -µ) = 0 + = 0 σ = πσ σ σ = ) Η συνάρτηση πιθανοφάνειας είναι: (x -µ) (x-µ) = -/ σ σ = = = πσ = πσ = πσ σ (x -µ) L(µ,σ ) e ( ) e l(µ) log( ) Άρα οι ΕΜΠ των µ, σ προκύπτουν από την λύση του συστήµατος: l(µ,σ ) (x -µ) = 0 = 0 µ = X σ = µ l(µ,σ ) (X -µ) 0 = = σ = σ + = 0 σ (X-X) = 0) Έστω Χ,, Χ τδ από πληθυσµό µε συνάρτηση κατανοµής F(x;θ) = (+x ) -θ, x > 0, θ > 0 Να βρεθεί η ΕΜΠ της θ Εύκολα µπορούµε να υπολογίσουµε την σππ της παραπάνω κατανοµής f(x;θ) = F(x;θ) = x θ(+x ) -( θ+), x > 0

Φουσκάκης- Ασκήσεις στην Εκτιµητική 7 Η συνάρτηση πιθανοφάνειας είναι: L(θ) = {θ(+x ) x } = (θ) = -(θ+) = = = = x (+x ) -(θ+) l(θ) = log(θ) + log(x ) (θ+) log(+x ) Άρα η ΕΜΠ της θ προκύπτει από την λύση της εξίσωσης: log(+x ) l(θ) 0 log(+x ) 0 θ = = = = θ = Μιας και η συγκεκριµένη κατανοµή δεν είναι κάποια από τις γνωστές κατανοµές που έχουµε µάθει για να είµαστε σίγουροι ότι η παραπάνω λύση είναι µέγιστο θα πρέπει να δείξουµε ότι η δεύτερη παράγωγος είναι αρνητική για θ= θ Πράγµατι: l(θ) = - 0 θ < θ > 0