Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...
Transcript of Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...
![Page 1: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/1.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη
Πιθανότητες και Στατιστική
Διάλεξη 21
Στατιστική
Βασική εκτιμητική
Αντώνης Οικονόμου
Τμήμα Μαθηματικών
Πανεπιστήμιο Αθηνών
8 Ιανουαρίου 2015
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 2: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/2.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 3: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/3.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 4: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/4.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:
pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 5: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/5.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 6: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/6.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 7: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/7.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 8: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/8.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Κλασική στατιστική συμπερασματολογία
Μελετάμε κάποιο μέγεθος X (τ.μ.).
Η σμπ pX(x) (ή η σππ fX(x)) εξαρτάται από κάποιασταθερή αλλά άγνωστη παράμετρο θ:pX(x) = pX(x; θ) (ή fX(x) = fX(x; θ)).
Παρατηρούμε το μέγεθος X (τ.μ.) πραγματοποιώνταςένα πείραμα τύχης (συλλογή δεδομένου (-ων) ):
x: Η τιμή της τ.μ. X που προέκυψε.
Συνάγουμε την πιθανή τιμή της παραμέτρου θ (σημειακήεκτίμηση, διάστημα εμπιστοσύνης) ή κάποια πληροφορία
γι αυτή (έλεγχος υποθέσεων).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 9: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/9.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 10: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/10.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 11: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/11.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 12: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/12.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0.
Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 13: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/13.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 14: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/14.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 15: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/15.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 16: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/16.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 17: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/17.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.
Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 18: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/18.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Παράδειγμα: Χρόνος ζωής εξαρτημάτων
Βιομηχανία προμηθεύεται εξαρτήματα.
Γνωρίζει ότι λόγω της φύσης τους ο χρόνος ζωής Xακολουθεί την εκθετική κατανομή:
fX(x; θ) = θe−θx, x ≥ 0. Η θ είναι άγνωστη.
Δείγμα από n εξαρτήματα - Παρατήρηση χρόνου ζωής.
x1, x2, . . . , xn οι παρατηρηθείσες τιμές (δεδομένα).
Ποιά είναι η πιθανή τιμή της θ (εκτίμηση).
Η μέχρι σήμερα πεποίθηση ήταν ότι θ = θ0, αλλά μια νέαμελέτη υποστηρίζει ότι θ = θ1.Ποιά υπόθεση να αποδεχθεί η βιομηχανία (έλεγχος
υποθέσεων);
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 19: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/19.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 20: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/20.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 21: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/21.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 22: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/22.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 23: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/23.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 24: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/24.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 25: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/25.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 26: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/26.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 27: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/27.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 28: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/28.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Πλαίσιο Παράδ Προβλήματα
Βασικά προβλήματα
Με βάση τα δεδομένα:
(Σημειακή) εκτίμηση παραμέτρου:
Να βρεθεί η «πιό πιθανή» τιμή της θ.
Διάστημα εμπιστοσύνης:
Να βρεθεί διάστημα τιμών που να περιέχει τη θ μεδεδομένη πιθανότητα (επίπεδο εμπιστοσύνης).
΄Ελεγχος υποθέσεων:
Αν υπάρχουν m ≥ 2 εναλλακτικές υποθέσεις για τη θ,ποιά να αποδεχτώ;
΄Ελεγχος σημαντικότητας:
Αν υπάρχει μια υπόθεση για τη θ, να τη δεχτώ ή να τηναπορρίψω;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 29: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/29.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 30: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/30.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 31: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/31.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 32: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/32.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 33: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/33.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 34: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/34.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 35: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/35.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Βασικές έννοιες
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ. .
θ: Παράμετρος - άγνωστος αριθμός.
pX(x1, x2, . . . , xn; θ) (fX(x1, x2, . . . , xn; θ)): Μοντέλο.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
x = (x1, x2, . . . , xn): Παρατηρήσεις - αριθμοί.
θ = g(x): Εκτίμηση της θ με βάση τις συγκεκριμένεςπαρατηρήσεις - αριθμός.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 36: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/36.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 37: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/37.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 38: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/38.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 39: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/39.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 40: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/40.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 41: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/41.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 42: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/42.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Συμβολισμοί
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
θ: Παράμετρος - άγνωστος αριθμός.
Θ = g(X): Εκτιμήτρια της θ - τ.μ.
΄Οταν θέλουμε να δώσουμε έμφαση στον αριθμό n τωνπαρατηρήσεων γράφουμε:
Θn για μια εκτιμήτρια της θ
(Θn, n ≥ 1 ακολουθία εκτιμητριών)
Η μέση τιμή και η διασπορά μιας εκτιμήτριας Θn
εξαρτώνται από την αληθινή τιμή της παραμέτρου θ καιγι αυτό γράφουμε
Eθ[Θn] και V arθ[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 43: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/43.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 44: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/44.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 45: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/45.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 46: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/46.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 47: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/47.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 48: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/48.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 49: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/49.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.
Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 50: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/50.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 51: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/51.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].
MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 52: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/52.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Σφάλματα, μεροληψία
θ: Παράμετρος - άγνωστος αριθμός.
X = (X1, X2, . . . , Xn): Δείγμα - τ.μ.
Θn = g(X): Εκτιμήτρια της θ - τ.μ.Η g ΔΕΝ εξαρτάται από τη θ.
Η κατανομή της Θn = g(X) εξαρτάται από τη θ.
Σφάλμα εκτίμησης: Θn = Θn − θ.Μέσο τετραγωνικό σφάλμα:
MSE(Θn) = Eθ[Θ2n] = Eθ[(Θn − θ)2].
Μεροληψία: bθ(Θn) = Eθ[Θn] = Eθ[Θn − θ].MSE(Θn) = bθ(Θn)2 + V ar[Θn].
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 53: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/53.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Επιθυμητές ιδιότητες
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Θn αμερόληπτη ⇔ bθ(Θn) = 0 ⇔ Eθ[Θn] = θ.
Θn αμερόληπτη εκτιμήτρια ελάχιστης διασποράς ⇔bθ(Θn) = 0, (Eθ[Θn] = θ), V ar[Θn] ελάχιστο.
Θn ασυμπτωτικά αμερόληπτη ⇔ limn→∞ bθ(Θn) = 0
⇔ limn→∞Eθ[Θn] = θ.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 54: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/54.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Επιθυμητές ιδιότητες
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Θn αμερόληπτη ⇔ bθ(Θn) = 0 ⇔ Eθ[Θn] = θ.
Θn αμερόληπτη εκτιμήτρια ελάχιστης διασποράς ⇔bθ(Θn) = 0, (Eθ[Θn] = θ), V ar[Θn] ελάχιστο.
Θn ασυμπτωτικά αμερόληπτη ⇔ limn→∞ bθ(Θn) = 0
⇔ limn→∞Eθ[Θn] = θ.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 55: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/55.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Επιθυμητές ιδιότητες
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Θn αμερόληπτη ⇔ bθ(Θn) = 0 ⇔ Eθ[Θn] = θ.
Θn αμερόληπτη εκτιμήτρια ελάχιστης διασποράς ⇔bθ(Θn) = 0, (Eθ[Θn] = θ), V ar[Θn] ελάχιστο.
Θn ασυμπτωτικά αμερόληπτη ⇔ limn→∞ bθ(Θn) = 0
⇔ limn→∞Eθ[Θn] = θ.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 56: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/56.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Επιθυμητές ιδιότητες
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Θn αμερόληπτη ⇔ bθ(Θn) = 0 ⇔ Eθ[Θn] = θ.
Θn αμερόληπτη εκτιμήτρια ελάχιστης διασποράς ⇔bθ(Θn) = 0, (Eθ[Θn] = θ), V ar[Θn] ελάχιστο.
Θn ασυμπτωτικά αμερόληπτη ⇔ limn→∞ bθ(Θn) = 0
⇔ limn→∞Eθ[Θn] = θ.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 57: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/57.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Επιθυμητές ιδιότητες
Θn = g(X): Εκτιμήτρια της θ - τ.μ.
Θn αμερόληπτη ⇔ bθ(Θn) = 0 ⇔ Eθ[Θn] = θ.
Θn αμερόληπτη εκτιμήτρια ελάχιστης διασποράς ⇔bθ(Θn) = 0, (Eθ[Θn] = θ), V ar[Θn] ελάχιστο.
Θn ασυμπτωτικά αμερόληπτη ⇔ limn→∞ bθ(Θn) = 0
⇔ limn→∞Eθ[Θn] = θ.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 58: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/58.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 59: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/59.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 60: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/60.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 61: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/61.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 62: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/62.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 63: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/63.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη Ορισμοί
Κλασικές εκτιμήτριες μέσου και διασποράς
X1, X2, . . . , Xn τ.δ.
E[Xi] = µ, V ar[Xi] = σ2.
Κλασική εκτιμήτρια για το µ:
X =
∑ni=1Xi
n,
ο δειγματικός μέσος.
Κλασική εκτιμήτρια για το σ2:
S2 =1
n− 1
n∑i=1
(Xi − X)2,
η αμερόληπτη δειγματική διασπορά.
Οι X και S2είναι αμερόληπτες εκτιμήτριες των µ και σ2
.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 64: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/64.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 65: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/65.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 66: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/66.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ
(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 67: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/67.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 68: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/68.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 69: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/69.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 70: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/70.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 71: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/71.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 72: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/72.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Εκτιμήτριες μέγιστης πιθανοφάνειας
X = (X1, X2, . . . , Xn): δείγμα.
pX(x; θ): από κοινού σμπ. του X υπό την θ(fX(x; θ): από κοινού σππ. του X υπό την θ).
x = (x1, x2, . . . , xn): παρατήρηση (τιμή της X).
Η εκτίμηση μέγιστης πιθανοφάν. της θ δεδομέν. της xείναι η τιμή του θ που μεγιστοπ. την pX(x; θ) (fX(x; θ)).
θn : pX(x; θn) = maxθ pX(x; θ).
Στις περισσότερες εφαρμογές X1, X2, . . . , Xn
ανεξάρτητες, οπότε
pX(x; θ) =∏n
i=1 pXi(xi; θ) (fX(x; θ) =∏n
i=1 fXi(xi; θ)).
Αντί για το maxθ pX(x; θ) συχνά θεωρούμε τοmaxθ log pX(x; θ) (λογαριθμική πιθανοφάνεια).
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 73: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/73.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Διαισθητική ερμηνεία των εμπ
Μεγιστοποίηση της πιθανοφάνειας pX(x; θ) (fX(x; θ)).↓Ποιά είναι η τιμή της παραμέτρου θ υπό την οποία οιπαρατηρήσεις έχουν τη μεγαλύτερη πιθανότητα να
προκύψουν ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 74: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/74.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Διαισθητική ερμηνεία των εμπ
Μεγιστοποίηση της πιθανοφάνειας pX(x; θ) (fX(x; θ)).
↓Ποιά είναι η τιμή της παραμέτρου θ υπό την οποία οιπαρατηρήσεις έχουν τη μεγαλύτερη πιθανότητα να
προκύψουν ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 75: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/75.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Διαισθητική ερμηνεία των εμπ
Μεγιστοποίηση της πιθανοφάνειας pX(x; θ) (fX(x; θ)).↓Ποιά είναι η τιμή της παραμέτρου θ υπό την οποία οιπαρατηρήσεις έχουν τη μεγαλύτερη πιθανότητα να
προκύψουν ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 76: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/76.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 77: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/77.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 78: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/78.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 79: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/79.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 80: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/80.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 81: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/81.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.
θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 82: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/82.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 83: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/83.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ;
; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 84: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/84.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ;
;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 85: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/85.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 86: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/86.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 87: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/87.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Εννοια Παράδειγμα
Παράδειγμα: Εξαγωγή σφαιριδίων από κάλπη
Κάλπη περιέχει λευκά και μαύρα σφαιρίδια.
Αναλογία χρωμάτων 3:1, χωρίς να ξέρουμε ποιό
υπερισχύει.
Εξάγουμε με επανάθεση 3 σφαιρίδια.
Δείγμα: X = αριθμός λευκών σφαιριδίων.
΄Αγνωστη παράμετρος: θ = ποσοστό λευκών σφαιριδίων.θ = 1/4 ή θ = 3/4.
ΕΜΠ ; ; ;
x 0 1 2 3
pX(x; 1/4) 27/64 27/64 9/64 1/64
pX(x; 3/4) 1/64 9/64 27/64 27/64
θ(x) 1/4 1/4 3/4 3/4
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 88: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/88.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 89: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/89.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 90: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/90.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 91: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/91.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 92: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/92.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 93: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/93.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 1: ΕΜΠ από τ.δ. Διωνυμικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Διωνυμική(N, p).
N : γνωστό, p: άγνωστη παράμετρος.
pXi(x; p) =(Nx
)px(1− p)N−x, x = 0, 1, . . . , N .
ΕΜΠ pn = pn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 94: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/94.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 95: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/95.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 96: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/96.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 97: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/97.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 98: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/98.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 99: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/99.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 2: ΕΜΠ από τ.δ. Poisson
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από Poisson(λ).
λ: άγνωστη παράμετρος.
pXi(x;λ) = e−λ λx
x!, x = 0, 1, . . ..
ΕΜΠ λn = λn(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 100: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/100.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 101: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/101.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 102: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/102.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 103: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/103.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 104: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/104.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 105: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/105.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 106: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/106.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 107: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/107.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 3: ΕΜΠ από τ.δ. Κανονικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από N (µ, v).
µ, v = σ2: παράμετροι.
fXi(x) = 1√2πve−
(x−µ)22v , x ∈ R.
ΕΜΠ µ =; όταν v γνωστό.
ΕΜΠ v =; όταν µ γνωστό.
ΕΜΠ (µ, v) =;
Είναι οι ΕΜΠ αμερόληπτες ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 108: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/108.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 109: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/109.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 110: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/110.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 111: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/111.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 112: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/112.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 113: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/113.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 4: ΕΜΠ από τ.δ. Εκθετικής
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Εκθετική(λ).
λ: άγνωστη παράμετρος.
fXi(x;λ) = λe−λx, x > 0.
ΕΜΠ λ = λ(X1, X2, . . . , Xn)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 114: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/114.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 115: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/115.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 116: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/116.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 117: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/117.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 118: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/118.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 119: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/119.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 5: ΕΜΠ από τ.δ. Ομοιόμορφη Ι
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([a, b]).
a, b: άγνωστες παράμετροι.
fXi(x; a, b) = 1b−a , x ∈ [a, b].
ΕΜΠ (a, b)=;
Είναι η ΕΜΠ αμερόληπτη ;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 120: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/120.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 6: ΕΜΠ από τ.δ. Ομοιόμορφη ΙΙ
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([θ − 1/2, θ + 1/2]).
θ: άγνωστη παράμετρος.
fXi(x; θ) = 1, x ∈ [θ − 1/2, θ + 1/2].
ΕΜΠ θ=;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 121: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/121.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 6: ΕΜΠ από τ.δ. Ομοιόμορφη ΙΙ
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([θ − 1/2, θ + 1/2]).
θ: άγνωστη παράμετρος.
fXi(x; θ) = 1, x ∈ [θ − 1/2, θ + 1/2].
ΕΜΠ θ=;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 122: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/122.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 6: ΕΜΠ από τ.δ. Ομοιόμορφη ΙΙ
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([θ − 1/2, θ + 1/2]).
θ: άγνωστη παράμετρος.
fXi(x; θ) = 1, x ∈ [θ − 1/2, θ + 1/2].
ΕΜΠ θ=;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 123: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/123.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 6: ΕΜΠ από τ.δ. Ομοιόμορφη ΙΙ
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([θ − 1/2, θ + 1/2]).
θ: άγνωστη παράμετρος.
fXi(x; θ) = 1, x ∈ [θ − 1/2, θ + 1/2].
ΕΜΠ θ=;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 124: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/124.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη ΄Ασκ. 1 ΄Ασκ. 2 ΄Ασκ. 3 ΄Ασκ. 4 ΄Ασκ. 5 ΄Ασκ. 6
΄Ασκηση 6: ΕΜΠ από τ.δ. Ομοιόμορφη ΙΙ
X1, X2, . . . , Xn τ.δ. (= ανεξ. και ισόν.) από
Ομοιόμορφη([θ − 1/2, θ + 1/2]).
θ: άγνωστη παράμετρος.
fXi(x; θ) = 1, x ∈ [θ − 1/2, θ + 1/2].
ΕΜΠ θ=;
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 125: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/125.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη
Μελέτη
Μπερτσεκάς, Δ.Π. και Τσιτσικλής, Γ.Ν. (2013) Εισαγωγή
στις Πιθανότητες με Στοιχεία Στατιστικής, Εκδόσεις Τζιόλα.
Θεωρία:
9.1 Κλασσική Στατιστική Συμπερασματολογία
Ασκήσεις:
Οι ασκήσεις που περιέχονται σε αυτές τις
διαφάνειες και δεν έγιναν στην τάξη.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21
![Page 126: Pijanìthtec kai Statistik€ Di‹lexh 21 Statistik€ Basik ...](https://reader030.fdocument.pub/reader030/viewer/2022013012/61ced52ebb9611141a006e04/html5/thumbnails/126.jpg)
Εισαγωγή Εκτιμήτριες ΕΜΠ Ασκήσεις Μελέτη
Μελέτη
Μπερτσεκάς, Δ.Π. και Τσιτσικλής, Γ.Ν. (2013) Εισαγωγή
στις Πιθανότητες με Στοιχεία Στατιστικής, Εκδόσεις Τζιόλα.
Θεωρία:
9.1 Κλασσική Στατιστική Συμπερασματολογία
Ασκήσεις:
Οι ασκήσεις που περιέχονται σε αυτές τις
διαφάνειες και δεν έγιναν στην τάξη.
Α. Οικονόμου - [email protected] Πιθανότητες - Στατιστική - Διάλ. 21