-
Notifications
You must be signed in to change notification settings - Fork 0
/
rk1.tex
executable file
·870 lines (815 loc) · 50.6 KB
/
rk1.tex
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
466
467
468
469
470
471
472
473
474
475
476
477
478
479
480
481
482
483
484
485
486
487
488
489
490
491
492
493
494
495
496
497
498
499
500
501
502
503
504
505
506
507
508
509
510
511
512
513
514
515
516
517
518
519
520
521
522
523
524
525
526
527
528
529
530
531
532
533
534
535
536
537
538
539
540
541
542
543
544
545
546
547
548
549
550
551
552
553
554
555
556
557
558
559
560
561
562
563
564
565
566
567
568
569
570
571
572
573
574
575
576
577
578
579
580
581
582
583
584
585
586
587
588
589
590
591
592
593
594
595
596
597
598
599
600
601
602
603
604
605
606
607
608
609
610
611
612
613
614
615
616
617
618
619
620
621
622
623
624
625
626
627
628
629
630
631
632
633
634
635
636
637
638
639
640
641
642
643
644
645
646
647
648
649
650
651
652
653
654
655
656
657
658
659
660
661
662
663
664
665
666
667
668
669
670
671
672
673
674
675
676
677
678
679
680
681
682
683
684
685
686
687
688
689
690
691
692
693
694
695
696
697
698
699
700
701
702
703
704
705
706
707
708
709
710
711
712
713
714
715
716
717
718
719
720
721
722
723
724
725
726
727
728
729
730
731
732
733
734
735
736
737
738
739
740
741
742
743
744
745
746
747
748
749
750
751
752
753
754
755
756
757
758
759
760
761
762
763
764
765
766
767
768
769
770
771
772
773
774
775
776
777
778
779
780
781
782
783
784
785
786
787
788
789
790
791
792
793
794
795
796
797
798
799
800
801
802
803
804
805
806
807
808
809
810
811
812
813
814
815
816
817
818
819
820
821
822
823
824
825
826
827
828
829
830
831
832
833
834
835
836
837
838
839
840
841
842
843
844
845
846
847
848
849
850
851
852
853
854
855
856
857
858
859
860
861
862
863
864
865
866
867
868
869
870
\documentclass[a4paper, 12pt]{article}
%%% Работа с русским языком
\usepackage{cmap} % поиск в PDF
\usepackage{mathtext} % русские буквы в формулах
\usepackage[T2A]{fontenc} % кодировка
\usepackage[english, russian]{babel} % локализация и переносы
\usepackage{color} % цветные буковки
\usepackage[top=20mm, bottom=20mm, left=30mm, right=15mm]{geometry}
\usepackage{hyperref}
\usepackage{amsmath, amsfonts, amssymb, mathtools}
\usepackage{amsthm}
\usepackage{listings, listingsutf8}
\usepackage{extarrows}
\theoremstyle{definition}
\newtheorem{definition}{Определение}[section]
\theoremstyle{leads}
\newtheorem{leads}{Следствие}
\theoremstyle{example}
\newtheorem{example}{Пример}
% Бесконечная последовательность
\newcommand{\infseq}[3]{%
\ensuremath{#1_#2, \dots, #1_#3, \dots}\ }
% Бесконечная последовательность X_1, ... X_n, ...
\newcommand{\infseqX}{%
\infseq{X}{1}{n}}
\begin{document}
\section{Неравенства Чебышева.}
\newtheorem*{cheb}{Первое неравенство Чебышева}
\begin{cheb}
Пусть
\begin{enumerate}
\item X -- случайная величина
\item $X\geq 0$(т.е. $P\{X < 0\} = 0$)
\item $\exists MX$
\end{enumerate}
Тогда $\forall \varepsilon > 0 \quad P\{X \geq \varepsilon \} \leq \frac{MX}{\varepsilon}$
\end{cheb}
\begin{proof}
Для случая непрерывной случайной величины Х(для случая дискретной случайной величины Х доказательство аналогично)\\
$MX = \int_{-\infty}^{+\infty} xf(x)dx = |X \geq 0| = \int_{0}^{+\infty} xf(x)dx = \int_{0}^{\varepsilon} xf(x)dx + \int_{\varepsilon}^{+\infty} xf(x)dx \geq
\int_{\varepsilon}^{+\infty}xf(x)dx \geq |x \in [\varepsilon, +\infty) \rightarrow x \geq \varepsilon| \geq \varepsilon \int_{\varepsilon}^{+\infty} f(x)dx \geq \varepsilon P\{ X\geq \varepsilon\}$
\begin{displaymath}
\int_{\varepsilon}^{+\infty} f(x)dx = P\{X \geq \varepsilon\}
\end{displaymath}
Таким образом,
\begin{displaymath}
MX \geq \varepsilon P\{X \geq \varepsilon\} \Longrightarrow P\{X \geq \varepsilon\} \leq \frac{MX}{\varepsilon}
\end{displaymath}
\end{proof}
\newtheorem*{cheb2}{Второе неравенство Чебышева}
\begin{cheb2}
Пусть
\begin{enumerate}
\item Х -- случайная величина
\item $\exists MX, \quad \exists DX$
\end{enumerate}
Тогда $\quad \forall \varepsilon > 0 \quad P\{|X - MX| \geq \varepsilon\} \leq \frac{DX}{\varepsilon^2}$
\end{cheb2}
\begin{proof}
\begin{enumerate}
\item Рассмотрим случайную величину $Y = (X - MX)^2$
\item Из первого неравенства Чебышева для Y следует, что $\forall \delta > 0$ $P \{ Y \geq \delta\} \leq \frac{MY}{\delta}$
\item Используем $P \{ Y \geq \delta\} \leq \frac{MY}{\delta}$ для $\delta = \varepsilon^2$
\end{enumerate}
\begin{displaymath}
DX = M[(X - MX)^2] \geq \delta P\{(X - MX)^2 \geq \delta\} = \varepsilon^2 P\{(X - MX)^2 \geq \varepsilon^2\} = \varepsilon^2 P\{|X - MX| \geq \varepsilon\}
\end{displaymath}
Таким образом, $DX \geq \varepsilon^2 P\{|X - MX| \geq \varepsilon\} \Longrightarrow P\{|X - MX|\geq \varepsilon\} \leq \frac{DX}{\varepsilon^2}$
\end{proof}
\section{Сходимость. Закон больших чисел.}
\newtheorem*{sxod}{Сходимость по вероятности и слабая сходимость для последовательности случайных величин. Закон больших чисел}
\begin{sxod}
Пусть \infseqX -- последовательность случайных величин.
\begin{definition}
Говорят, что последовательность случайных величин $\infseqX$ сходится по вероятности к случайной величине Z, если\newline
\begin{center}
\centering
$\forall \varepsilon > 0 \quad P\{|X_n - Z| \geq \varepsilon\} \xlongrightarrow[n \rightarrow \infty]{} 0$\\
$X_n \xlongrightarrow [n \rightarrow \infty]{P} Z$
\end{center}
\end{definition}
\begin{definition}
Говорят, что последовательность случайных величин $\infseqX$ слабо сходится к случайной величине Z, если функциональная последовательность $F_{X_1}(x),\newline F_{X_2}(x), \dots$ поточечно сходится к функции $F_{Z}(x)$ во всех точках непрерывности последней, т.е.
\begin{center}
\centering
$(\forall x_0 \in \mathbb{R})(функция F_{Z}(x)$ непрерывна в $x_{0}) \Longrightarrow F_{X_n}(x_0) \xlongrightarrow[n\rightarrow \infty]{} F_z(x_0)$
\end{center}
\end{definition}
\end{sxod}
\newtheorem*{bignumbers}{Закон больших чисел}
\begin{bignumbers}
\begin{definition}
Говорят, что последовательность \infseqX удовлетворяет закону больших чисел, если
\begin{center}
\centering
$\forall \varepsilon > 0 \quad P\{|\frac{1}{n}\sum_{i = 1}^{n}X_i - \frac{1}{n}\sum_{i=1}^{n}m_i|\geq \varepsilon\} \xlongrightarrow[n\rightarrow \infty]{} 0$
\end{center}
где $m_i = MX_i,\quad i \in N$
\end{definition}
\end{bignumbers}
\newtheorem*{bcheb}{Закон больших чисел в форме Чебышева}
\begin{bcheb}
Пусть
\begin{enumerate}
\item $\infseqX$ -- последовательность независимых случайных величин
\item $\exists MX_i = m_i \quad \exists DX_i = \sigma_i^2, \quad i \in N$
\item Дисперсия случайных величин $\infseqX$ ограничена в совокупности, то есть
\begin{center}
\centering
$\exists c > 0 \quad \sigma_i^2 \leq c, \quad i \in N$
\end{center}
\end{enumerate}
Тогда последовательность $\infseqX$ удовлетворяет закону больших чисел.
\end{bcheb}
\begin{proof}
\begin{enumerate}
\item Рассмотрим
\begin{displaymath}
\overline{X_n} = \frac{1}{n} \sum_{i = 1}^{n}X_i,\quad n \in N
\end{displaymath}
Тогда
\begin{displaymath}
M[\overline{X_n}] = \frac{1}{n} \sum_{i=1}^{n} m_i
\end{displaymath}
\begin{displaymath}
D[\overline{X_n}] = D[\frac{1}{n} \sum_{i=1}^{n} X_i] = \frac{1}{n^2} D[\sum_{i = 1}^{n}X_i] = \frac{1}{n^2}\sum_{i=1}^{n}DX_i = \frac{1}{n^2} \sum_{i = 1}^{n}\sigma_i^2
\end{displaymath}
\item Применим к случайной величине $\overline{X_n}$ второе неравенство Чебышева
\begin{displaymath}
P\{|\overline{X_n} - M\overline{X_n}| \geq \varepsilon\} \leq \frac{D\overline{X_n}}{\varepsilon^2}
\end{displaymath}
\end{enumerate}
Таким образом,
\begin{displaymath}
P\{|\overline{X_n} - \frac{1}{n}\sum_{i=1}^{n} m_i|\geq \varepsilon\} \leq \frac{1}{\varepsilon^2 n^2}\sum_{i=1}^{n} \sigma_i^2
\end{displaymath}
\begin{displaymath}
\sum_{i=1}^{n} \sigma_i^2 \leq \sum_{i=1}^{n} c = nc
\end{displaymath}
\begin{displaymath}
0 \leq P\{|\overline{X_n} - \frac{1}{n} \sum_{i=1}^{n} m_i| \geq \varepsilon\} \leq \frac{c}{\varepsilon^2 n^2} \centerdot n = \frac{c}{\varepsilon^2 n}
\end{displaymath}
При $n\rightarrow \infty \quad \frac{c}{\varepsilon^2 n} \rightarrow 0$.
По теореме о двух милиционерах
\begin{displaymath}
P\{|\overline{X_n} - \frac{1}{n}\sum_{i = 1}^{n}m_i| \geq \varepsilon\} \xlongrightarrow[n\rightarrow \infty]{} 0
\end{displaymath}
то есть последовательность $\infseqX$ удовлетворяет закону больших чисел.
\end{proof}
\begin{leads}
Пусть
\begin{enumerate}
\item выполнены условия теоремы Чебышева
\item все случайные величины $X_i$ одинаково распределены(обозначим $m_i \equiv m = MX_i$)
\end{enumerate}
Тогда
\begin{displaymath}
\forall \varepsilon > 0 \quad P\{|\frac{1}{n}\sum_{i=1}^{n}X_i - m| \geq \varepsilon \} \xlongrightarrow[n \rightarrow \infty]{} 0
\end{displaymath}
\end{leads}
\begin{proof}
Так как $m_i \equiv m$, то $\frac{1}{n}\sum_{i=1}^{n} m_i = m$ и используем закон больших чисел в форме Чебышева.
\end{proof}
\begin{leads}
Закон больших чисел в форме Бернулли.
Пусть
\begin{enumerate}
\item проводится n испытаний по схеме Бернулли с вероятностью успеха p
\item $r_n = \frac{\text{количество наступлений успеха}}{n}$ -- относительная(наблюденная) частота успеха
\end{enumerate}
Тогда
\begin{displaymath}
r_n \xlongrightarrow[n \rightarrow \infty]{P} p
\end{displaymath}
\end{leads}
\begin{proof}
\begin{enumerate}
\item Введем случайные величины $X_i, \quad i = \overline{1,m}$,
\begin{displaymath}
X_i = \begin{cases}
1, & \text{если в i-м испытании произошёл успех}\\
0, & \text{иначе}
\end{cases}
\end{displaymath}
Тогда
\begin{itemize}
\item Закон распределения $X_i$
\begin{center}
\centering
\begin{tabular}{|l|l|l|}
\hline
$X_i$ & 0 & 1\\ \hline
p & q & p \\
\hline
\end{tabular}
\end{center}
Таким образом, все $X_i$ одинаково распределены, $MX_i = p,\quad DX_i = pq$
\item $DX_i \equiv pq \Longrightarrow$ ограничены в совокупности
\item $X_i$ независимы, так как отдельные испытания в схеме испытаний Бернулли независимы
\end{itemize}
\item Таким образом, последовательность $\infseqX$ удовлетворяет следствию 1 из теоремы Чебышева и для нее справедливо
\begin{displaymath}
\forall \varepsilon > 0 \quad P\{|\frac{1}{n}\sum_{i=1}^{n}X_i - m|\geq \varepsilon\} \xlongrightarrow[n \rightarrow \infty]{} 0
\end{displaymath}
\begin{center}
\centering
$\forall \varepsilon > 0 \quad P\{|r_n - p| \geq \varepsilon\} \xlongrightarrow[n \rightarrow \infty]{} 0$, то есть $r_n \xlongrightarrow[n \rightarrow \infty] {P} p$
\end{center}
\end{enumerate}
\end{proof}
\section{Центральная предельная теорема}
Пусть выполнены следующие 3 условия:
\begin{enumerate}
\item $\infseqX$ -- последовательность независимых случайных величин
\item все случайные величины $X_i,\quad i \in N$ одинаково распределены
\item $\exists MX_i = m,\quad \exists DX_i = \sigma^2, \quad i \in N$
\end{enumerate}
Рассмотрим случайную величину
\begin{displaymath}
\overline{X_n} = \frac{1}{n}\sum_{i=1}^{n}X_i,\quad M\overline{X_n} = m, \quad D\overline{X_n} = \frac{\sigma^2}{n},\quad n \in N
\end{displaymath}
Рассмотрим случайную величину
\begin{displaymath}
Y_n = \frac{\overline{X_n} - M\overline{X_n}}{\sqrt{D\overline{X_n}}} = \frac{\overline{X_n} - m}{\frac{\sigma}{\sqrt{n}}}
\end{displaymath}
\newtheorem*{cpt}{Центральная предельная теорема}
\begin{cpt}
Пусть выполнены условия 1-3. Тогда последовательность случайных величин $Y_n$ при $n \rightarrow \infty$ слабо сходится к случайной величине Z, имеющей стандартное нормальное распределение, то есть
\begin{displaymath}
\forall x \in \mathbb{R} \quad F_{Y_n} \xlongrightarrow[n \rightarrow \infty]{} F_Z(x),
\end{displaymath}
где
\begin{displaymath}
Z \sim N(0,1), \quad F_Z(x) = \Phi(x) = \frac{1}{\sqrt{2\pi}} \int_{-\infty}^{x} e^{-\frac{t^2}{2}} dt.
\end{displaymath}
\end{cpt}
\newtheorem*{mlap}{Интегральная теорема Муавра-Лапласа}
\begin{mlap}
Пусть
\begin{enumerate}
\item проводится большое число испытаний по схеме Бернулли с вероятностью успеха p
\item k -- число успехов в этой серии
\end{enumerate}
Тогда
\begin{displaymath}
P\{k_1 \leq k \leq k_2\} \approx \Phi(x_2) - \Phi(x_1), \quad x_i = \frac{k_i - np}{\sqrt{npq}}, \quad i = \overline{1,2}, \quad q = 1 - p, \quad
\Phi(x) = \frac{1}{\sqrt{2 \pi}} \int_{-\infty}^{x} e^{\frac{-t^2}{2}} dt
\end{displaymath}
\end{mlap}
\begin{proof}
\begin{enumerate}
\item Пусть $X_i$ -- случайная величина, принимающая значения 0 или 1 в соответствии с правилом
\begin{displaymath}
X_i = \begin{cases}
1, & \text{если в i-м испытании произошёл успех}\\
0, & \text{иначе}
\end{cases}
\end{displaymath}
Тогда
\begin{itemize}
\item Случайные величины $\infseqX$ независимы
\item $MX_i = p$, $DX_i = pq$, $i \in N$
\item $X_i$ одинаково распределены
\end{itemize}
\item
$P\{k_1 \leq k \leq k_2\} = P\{k_1 \leq \sum_{i=1}^{n}X_i \leq k_2\} = P\{\frac{k_1}{n} - p \leq \frac{1}{n}\sum_{i=1}^{n} X_i - p \leq \frac{k_2}{n} - p\} = \\
P\{\frac{k_1/n - p}{\sqrt{\frac{pq}{n}}} \leq \frac{\overline{X_n} - p}{\sqrt{\frac{pq}{n}}} \leq \frac{k_2/n - p}{\sqrt{\frac{pq}{n}}}\} \approx \Phi(x_2) - \Phi(x_1)$
\end{enumerate}
\end{proof}
\section{Математическая статистика}
\begin{definition}
Множество возможных значений случайной величины X называют генеральной совокупностью.
\end{definition}
\begin{definition}
Случайной выборкой из генеральной совокупности Х называют случайный вектор $\vec{X} = (X_1, \dots, X_n)$, где $X_1, \dots, X_n$ -- независимые в совокупности случайные величины, каждая из которых имеет то же распределение, что и X. При этом n называется объёмом случайной выборки.
\end{definition}
\begin{definition}
Любую возможную реализацию $\vec{x} = (x_1,\dots, x_n)$ случайной выборки $\vec{X}$ называют выборкой из генеральной совокупности X. При этом число $x_k$ называется k-м элементом выборки $\vec{x}$.
\end{definition}
\begin{definition}
Вариационным рядом, построенным по выборке $\vec{x}$, называется кортеж $(x_{(1)}, \dots, x_{(n)})$, где $x_{(1)}, \dots, x_{(n)}$ -- элементы выборки $\vec{x}$, расположенные в порядке неубывания.
\end{definition}
\begin{definition}
Пусть $F(x)$ -- функция распределения случайной величины X. Тогда функция распределения случайной выборки $\vec{X}$ объема n из совокупности X:
\begin{displaymath}
F_{\vec{X}}(t_1, \dots, t_n) = F(t_1) \centerdot \dots \centerdot F(t_n)
\end{displaymath}
\begin{displaymath}
P\{X_1 < t_1, \dots, X_n < t_n\} = P\{X_1 < t_1\} \centerdot\dots \centerdot P\{X_n < t_n\} = F(t_1) \centerdot\dots \centerdot F(t_n)
\end{displaymath}
$ F_{x_{(n)}}(x) = P\{x_{(n)} < x\} = P\{X_1 < x, \dots, X_n < x\} = P\{X_1 < x\} \centerdot\dots \centerdot P\{X_n < x\} = F(x) \centerdot\dots \centerdot F(x) = [F(x)]^n$
$F_{x_{(1)}}(x) = P\{x_{(1)} < x\} = 1 - P\{X_1 \geq x \} = 1 - P\{X_1 \geq x, \dots, X_n \geq x\} = 1 - (1 - P\{X_1 < x\}) \centerdot\dots \centerdot(1 - P\{X_n < x\}) = 1 - (1 - F(x))^n$
\end{definition}
\begin{definition}
Любую функцию $g(\vec{X})$ случайной выборки $\vec{X}$ называют статистикой.
\end{definition}
\begin{definition}
Выборочным начальным моментом порядка k называют статистику:
\begin{displaymath}
\hat{m_k}(\vec{X}) = \frac{1}{n} \sum_{i=1}^{n} X_{i}^{k}
\end{displaymath}
\end{definition}
\begin{definition}
Центральным выборочным моментом порядка k называют статистику
\begin{displaymath}
\hat{\nu_k}(\vec{X}) = \frac{1}{n} \sum_{i=1}^{n} (X_i - \overline{X})^k
\end{displaymath}
\end{definition}
\begin{definition}
Выборочным средним (выборочным математическим ожиданием) называют статистику
\begin{displaymath}
\hat{m}(\vec{X}) = \overline{X_n} = \frac{1}{n}\sum_{i=1}^{n} X_i
\end{displaymath}
\end{definition}
\begin{definition}
Выборочной дисперсией называют статистику
\begin{displaymath}
\hat{\sigma^2}(\vec{X}) = \frac{1}{n} \sum_{i=1}^{n} (X_i - \overline{X})^2
\end{displaymath}
\end{definition}
\newtheorem*{remark}{Замечание}
\begin{remark}
Выборочное среднее является несмещённой оценкой своего теоретического аналога, а выборочная дисперсия -- нет.
\begin{proof}
$\hat{m}(\vec{X}) = \overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i$\\
$M[\hat{m}(\vec{X})] = M[\frac{1}{n} \sum_{i=1}^{n} X_i] = \frac{1}{n} M[\sum_{i=1}^{n}X_i] = \frac{1}{n} \sum_{i=1}^{n}MX_i = $|$X_i \sim X$| $ = \frac{1}{n} \sum_{i=1}^{n}m_i = m$
\end{proof}
\end{remark}
\begin{definition}
Эмпирической функцией распределения, отвечающей выборке $\vec{x}$ называют функцию
\begin{displaymath}
F_n\colon \mathbb{R} \to \mathbb{R}, \quad F_n(x) = \frac{n(x, \vec{x})}{n},
\end{displaymath}
где
\begin{itemize}
\item $\vec{x} = (x_1, \dots, x_n)$ --- выборка из генеральной совокупности $\vec{X}_n$;
\item $n(x, \vec{x})$ --- количество элементов выборки $\vec{x}$, которые меньше $x$.
\end{itemize}
\end{definition}
\begin{definition}
Выборочной функцией распределения, отвечающей случайной выборке $\vec{X}$, называется функция:
\begin{displaymath}
\hat{F_n}(x) = \frac{n(x, \vec{X})}{n},
\end{displaymath}
где $n(x, \vec{X})$ -- случайная величина, которая для каждой реализации $\vec{x}$ случайной выборки $\vec{X}$ принимает значение, равное $n(x, \vec{x})$.
\end{definition}
\newtheorem*{sxod2}{Теорема о сходимости выборочной функции распределения.}
\begin{sxod2}
Для любого фиксированного $x \in \mathbb{R} \quad \hat{F_n}(x)$ сходится по вероятности к значению $F(x)$ теоретической функции распределения случайной величины $X$:
\begin{center}
\centering
$\forall x \in \mathbb{R}$ $\quad$ $\hat{F_n}(x) \xlongrightarrow[n \rightarrow \infty]{P} F(x)$
\end{center}
\end{sxod2}
\begin{proof}
$\hat{F_n}(x)$ -- относительная частота успеха в серии из n испытаний по схеме Бернулли с вероятностью успеха p.\\
В соответствии с законом больших чисел в форме Бернулли
\begin{center}
\centering
$\hat{F_n}(x) \xlongrightarrow[n \rightarrow \infty]{P} p$, но $p = P\{X < x\} = F(x)$
\end{center}
\end{proof}
\begin{definition}
Интервальным статистическим рядом называют таблицу:
\begin{center}
\centering
\begin{tabular}{|l|l|l|}
\hline
$J_1$ & $\dots$ & $J_m$\\ \hline
$n_1$ & $\dots$ & $n_m$\\ \hline
\end{tabular}
\end{center}
Здесь $n_i$ -- количество элементов выборки $\vec{x}$, принадлежащих $J_i$.
\end{definition}
\begin{definition}
Эмпирической плотностью распределения случайной выборки $\vec{X}_n$ называют функцию
\begin{displaymath}
f_n(x) =
\begin{cases}
\frac{n_i}{n \, \Delta}, &x \in J_i,\; i = \overline{1, m};\\
0, &\text{иначе}.
\end{cases}, \quad \text{где}
\end{displaymath}
\begin{itemize}
\item $J_i,\, i = \overline{1; m}$, --- полуинтервал из $J = [x_{(1)}, x_{(n)}]$, где
\begin{align}
&x_{(1)} = \min\{ x_1, \dots, x_n \}, &x_{(n)} = \max\{ x_1, \dots, x_n \};
\end{align}
при этом все полуинтервалы, кроме последнего, не содержат правую границу т.\,е.
\begin{align}
&J_i = [ x_{(1)} + (i-1)\Delta, x_{(1)} + i\Delta), \quad i = \overline{1, m-1};
\\
&J_m = [ x_{(1)} + (m-1)\Delta, x_{(1)} + m\Delta];
\end{align}
\item $m$ --- количество полуинтервалов интервала $J = [x_{(1)}, x_{(n)}]$;
\item $\Delta$ --- длина полуинтервала $J_i$, $i = \overline{1, m}$ равная
\begin{displaymath}
\Delta = \frac{x_{(n)} - x_{(1)}}{m} = \frac{|J|}{m};
\end{displaymath}
\item $n_i$ --- количество элементов выборки в полуинтервале $J_i$, $i = \overline{1, m}$;
\item $n$ --- количество элементов в выборке.
\end{itemize}
\end{definition}
\begin{definition}
График функции $f_n(x)$ называют гистограммой.
\end{definition}
\begin{definition}
Полигоном частот для выборки $\vec{x}$ называется ломанная, звенья которой соединяют середины верхних сторон прямоугольников гистограммы.
\end{definition}
\section{Точечные оценки.}
Пусть $X$ -- случайная величина, общий закон распределения которой известен, но неизвестны значения одного или нескольких параметров этого закона.
Пусть $\theta$ -- неизвестный параметр закона распределения случайной величины X.
\begin{definition}
Точечной оценкой параметра $\theta$ называется статистика $\hat{\theta}(\vec{X})$, выборочное значение которой принимается в качестве значения параметра $\theta$: $\theta := \hat{\theta}(\vec{X})$.
\end{definition}
Качество используемой точечной оценки $\hat{\theta}(\vec{X})$ параметра $\theta$ характеризуют следующие свойства:
\begin{enumerate}
\item несмещенность
\item состоятельность
\item эффективность
\end{enumerate}
\begin{definition}
Точечная оценка $\hat{\theta}(\vec{X})$ параметра $\theta$ называется несмещенной, если
\begin{center}
\centering $\exists M[\hat{\theta}(\vec{X})] = \theta$
\end{center}
\end{definition}
Доказать, что выборочная дисперсия является смещённой оценкой дисперсии.
\begin{proof}
\begin{itemize}
\item $X$ -- случайная величина
\item $\sigma^2 = DX$
\item $\hat{\sigma^2}(\vec{X}) = \frac{1}{n} \sum_{i=1}^{n} (X_i - \overline{X})^2$
\end{itemize}
$M[\hat{\sigma^2}(\vec{X})] = M[\frac{1}{n} \sum_{i=1}^{n} (X_i - \overline{X})^2] = \frac{1}{n} M[ \sum_{i=1}^{n} (X_i - \overline{X})^2] = \frac{1}{n} \sum_{i=1}^{n} M[(X_i - \overline{X})^2] = \frac{1}{n} \sum_{i=1}^{n} M[(X_i - \frac{1}{n}\sum_{j=1}^{n}X_j)^2] = \frac{1}{n}\sum_{i=1}^{n} M[((X_i - m) - \frac{1}{n} \sum_{j=1}^{n}(X_j - m))^2] = \frac{1}{n} \sum_{i=1}^{n} M [(X_i - m)^2 - \frac{2}{n} \sum_{j=1}^{n}(X_j - m)(X_i - m) + \frac{1}{n^2} (\sum_{j=1}^{n}(X_j - m) )^2] = \frac{1}{n} \sum_{i=1}^{n}\{M [(X_i - m)^2] - \frac{2}{n} \sum_{j=1}^{n} M[(X_i - m)(X_j - m)] + \frac{1}{n^2} \sum_{j=1}^{n} M [(X_j - m)^2 + \frac{1}{n^2} \sum_{j,k=1, k \neq j}^{n}M[(X_k - m)(X_j - m)]] = \frac{1}{n} \sum_{i=1}^{n}\{ \sigma^2 - \frac{2}{n} \sigma^2 + \frac{1}{n^2} \sum_{j=1}^{n} \sigma^2\} = \frac{1}{n} \centerdot n \{ \sigma^2 - \frac{2}{n} \sigma^2 + \frac{1}{n} \sigma^2\} = \sigma^2 - \frac{1}{n} \sigma^2 = \sigma^2 (1 - \frac{1}{n}) = \sigma^2 \frac{n - 1}{n} \neq \sigma^2$
\end{proof}
\begin{definition}
Статистику $S^2(\vec{X})$ называется исправленной выборочной дисперсией и равна\\
$S^2(\vec{X}) = \frac{n}{n - 1} \hat{\sigma^2}(\vec{X}) = M[S^2] = M[\frac{n}{n - 1} \sigma^2] = \frac{1}{n} \sum_{i=1}^{n} (X_i - \overline{X})^2 = \frac{n}{n - 1} M[\hat{\sigma^2}] = \frac{n}{n - 1} \centerdot\frac{n - 1}{n} \centerdot\sigma^2 = \sigma^2$, \\
то есть $S^2(\vec{X})$ является несмещённой оценкой дисперсии.
\end{definition}
\begin{definition}
Оценка $\hat{\theta}$ называется состоятельной оценкой, если
\begin{displaymath}
\hat \theta (\vec{X}) \xlongrightarrow[n \rightarrow \infty]{P} \theta,
\end{displaymath}
где n -- объем выборки.
\end{definition}
\begin{remark}
Условие из определения можно записать в виде:
\begin{displaymath}
\forall \varepsilon > 0 \quad \lim_{n \rightarrow \infty} P\{|\hat{\theta}(\vec{X}) - \theta| < \varepsilon\} = 1
\end{displaymath}
\end{remark}
\begin{example}
Пусть $X$ -- случайная величина, $\exists MX = m$.
\begin{itemize}
\item последовательность $\infseqX$ независима и одинаково распределена
\item $\exists MX_i = m, \quad \exists DX_i = \sigma^2$
\item из предыдущих пунктов следует, что $\infseqX$ удовлетворяет закону больших чисел в форме Чебышева
\begin{center}
\centering
$\forall \varepsilon > 0 \quad P\{| \overline{X} - m | < \varepsilon \} \xlongrightarrow[n \rightarrow \infty]{} 1$\\
$ \overline{X} \xlongrightarrow[n \rightarrow \infty]{P} m$
\end{center}
\end{itemize}
\end{example}
\begin{example}
Пусть
\begin{enumerate}
\item $X \sim N(m, \sigma^2)$, m и $\sigma^2$ неизвестны
\item $\hat{m}(\vec{X}) = X_1$ -- результат первого наблюдения -- точечная оценка для m
\end{enumerate}
Покажем, что $\hat{m}$ -- несостоятельная оценка.\\
Зафиксируем $\varepsilon > 0$ \\
$P\{|\hat{m}(\vec{X}) - m| < \varepsilon\} = P\{|X_1 - m| < \varepsilon\} = $|$X_1 \sim X \sim N(m, \sigma^2)$|$ = P\{m - \varepsilon < X_1 < m + \varepsilon\} = \Phi_0(\frac{m + \varepsilon - m}{\sigma}) - \Phi_0(\frac{m - \varepsilon - m}{\sigma}) = 2\Phi_0(\frac{\varepsilon}{\sigma}) \neq 1, $ если $\frac{\varepsilon}{\sigma} \neq +\infty$.\\
Тогда $P\{|\hat{m}(\vec{X}) - m| < \varepsilon\} \xlongrightarrow[n \rightarrow \infty]{} 1$.
\end{example}
\begin{definition}
Оценка $\hat{\theta}$ называется эффективной оценкой для параметра $\theta$, если:
\begin{enumerate}
\item $\hat{\theta}$ -- несмещенная оценка для $\theta$
\item $\hat{\theta}$ обладает наименьшей дисперсией среди всех несмещенных оценок $\theta$
\end{enumerate}
\end{definition}
\begin{remark}
Иногда говорят об эффективной оценке в классе оценок $\Theta$.\\
Если $\Theta$ -- некоторое множество несмещенных оценок для $\theta$, то оценка $\hat \theta \in \Theta$ называется эффективной оценкой для $\theta$ в классе $\Theta$, если $\hat{\theta}$ обладает наименьшей дисперсией среди всех оценок класса $\Theta$.
\begin{center}
$\forall \tilde{\theta} \in \Theta \quad D \hat{\theta} \leq D \tilde{\theta}$
\end{center}
\end{remark}
\newtheorem*{linear}{Доказать, что выборочное среднее является эффективной оценкой для m в классе линейных оценок}
\begin{linear}
Пусть $X$ -- случайная величина, $\exists MX = m, \quad \exists DX = \sigma^2$, так что выборочное среднее $\overline{X}$ является эффективной оценкой для m в классе линейных оценок.
\end{linear}
\begin{proof}
\begin{enumerate}
\item Линейная оценка имеет вид:
\begin{equation*}
\hat{m}(\vec{X}) = \lambda_1 X_1 + \dots + \lambda_n X_n, \quad \lambda_j \in \mathbb{R}
\end{equation*}
\item Так как оценка должна быть несмещенной
\begin{equation*}
M[\hat{m}(\vec{X})] = M[\sum_{i=1}^{n} \lambda_i X_i] = \sum_{i=1}^{n} \lambda_i MX_i = \sum_{i=1}^{m}\lambda_i m = m \sum_{i=1}^{n} \lambda_i
\end{equation*}
\end{enumerate}
Требуется $M[\hat{m}(\vec{X})] = m \Longrightarrow \sum_{i=1}^{n} \lambda_i = 1$.
Подберем в линейной оценке $\hat{m}(\vec{X}) = \sum_{i=1}^{n}\lambda_i x_i$ параметр $\lambda_i$ так, чтобы $D[\hat{m}(\vec{X})]$ было минимальным среди значений дисперсии всевозможных линейных оценок.
\begin{equation*}
D[\hat{m}] = D[\sum_{i=1}^{n}\lambda_i X_i] = |X_i независимы| = \sum_{i=1}^{n} \lambda_i^2 DX_i = \sigma_i^2 \sum_{i=1}^{n} \lambda_i^2
\end{equation*}
Поиск условий экстремума.\newline
$\left \{
\begin{array}{ccc}
f(\lambda_1 \dots, \lambda_n) = \sum_{i=1}^{n} \lambda_i^2 \longrightarrow min\\
\vdots\\
\sum_{i=1}^{n} \lambda_i = 1\\
\end{array}
\right.$\newline
Составим функцию Лагранжа
\begin{equation*}
L(\lambda_1, \dots, \lambda_n, \mu) = f(\lambda_1, \dots, \lambda_n) \centerdot \mu(\sum_{i=1}^{n} \lambda_i - 1)
\end{equation*}
Необходимое условие экстремума
$\left \{
\begin{array}{ccc}
\frac{\partial L}{\partial \lambda_1} = 2 \lambda_1 - \mu = 0\\
\vdots\\
\frac{\partial L}{\partial \lambda_n} = 2 \lambda_n - \mu = 0\\
\frac{\partial L}{\partial \mu} = - (\sum_{i=1}^{n} \lambda_i - 1) = 0 \\
\end{array}
\right.$\newline
$\lambda_i = \frac{\mu}{2}, \quad i = \overline{1, n}$.
$\sum_{i=1}^{n} \frac{\mu}{2} = 1,\quad \frac{\mu n }{2} = 1 \Longrightarrow \mu = \frac{2}{n} \Longrightarrow \quad \lambda_i = \frac{1}{n}$.\newline
Можно, проверив достаточное условие экстремума, показать, что
$(\frac{1}{n}, \dots, \frac{1}{n})$ является условным минимумом $f(\lambda_1, \dots, \lambda_n)$ таким образом, линейная оценка с наименьшей дисперсией
\begin{equation*}
\hat{m}(\vec{X}) = \sum_{i=1}^{n}\frac{1}{n} X_i = \frac{1}{n} \sum_{i=1}^{n}X_i = \overline{X}
\end{equation*}
Соответствующее значение дисперсии
\begin{equation*}
D[\hat{m}(\vec{X})]|_{(\lambda_1, \dots, \lambda_n) = (\frac{1}{n}, \dots, \frac{1}{n})} = \sigma^2(\sum_{i=1}^{n}\lambda_i^2)|_{(\lambda_i = \frac{1}{n})} = \frac{\sigma^2}{n^2}
\end{equation*}
\end{proof}
\newtheorem*{only}{Единственность эффективной оценки}
\begin{only}
Пусть $\hat{\theta_1}(\vec{X})$ и $\hat{\theta_2}(\vec{X})$ -- две эффективные оценки $\theta$. Тогда
\begin{center}
\centering
$\hat{\theta_1}(\vec{X}) = \hat{\theta_2}(\vec{X})$
\end{center}
\end{only}
\begin{proof}
Рассмотрим оценку
\begin{displaymath}
\hat{\theta} = \frac{1}{2}[\hat{\theta_1} + \hat{\theta_2}]
\end{displaymath}
$M \hat{\theta} = M[\frac{1}{2} (\hat{\theta_1} + \hat{\theta_2})] = \frac{1}{2} [M \hat{\theta_1} + M \hat{\theta_2}] =$ |$\hat{\theta_1}$ и $\hat{\theta_2}$ эффективные, а следовательно несмещенные|$ = \frac{1}{2}[\theta + \theta] = \theta$, то есть $\hat{\theta}$ так же является несмещенной оценкой для $\theta$.\\
$D \hat{\theta} = \frac{1}{4} D[\hat{\theta_1} + \hat{\theta_2}] = \frac{1}{4} [D \hat{\theta_1} + D \hat{\theta_2} + 2cov(\hat{\theta_1}, \hat{\theta_2})] = $ |обозначим $D\hat{\theta_1} = a^2 = D \hat{\theta_2}$| $= \frac{1}{2} [a^2 + cov(\hat{\theta_1}, \hat{\theta_2})] $ (*)\\
$|cov (\hat{\theta_1}, \hat{\theta_2})| \leq \sqrt{D \hat{\theta_1} D \hat{\theta_2}} = a^2$\\
Таким образом, $D \hat{\theta} \leq$ |см.(*)|$ \leq \frac{1}{2} [a^2 + a^2] = a^2$.(**)\\
$\hat{\theta}$ -- несмещенная оценка для $\theta$, а $\hat{\theta_1}, \hat{\theta_2}$ эффективные оценки $\Longrightarrow D \hat{\theta_1} = D\hat{\theta_2} \leq D\hat{\theta}$. С учетом (**) $D \hat{\theta} = a^2$.\\
Из (*) вытекает, что
$a^2 = \frac{1}{2} [a^2 + cov(\hat{\theta_1}, \hat{\theta_2})] \Longrightarrow cov(\hat{\theta_1}, \hat{\theta_2}) = a^2 $, т.е. $cov(\hat{\theta_1}, \hat{\theta_2}) = \sqrt{D \hat{\theta_1} D\hat{\theta_2}} \Longrightarrow$ |по свойству ковариации| $\Longrightarrow \hat{\theta_1}$ и $\hat{\theta_2}$ связаны положительной линейной зависимостью, то есть $\hat{\theta_1} = k \hat{\theta_2} + b(k > 0)$(***)\\
Из (***) следует, что $D \hat{\theta_1} = k^2 D \hat{\theta_2} \Longrightarrow k^2 = 1 \Longrightarrow k = 1$. Тогда $\hat{\theta_1} = \hat{\theta_2} + b \Longrightarrow M \hat{\theta_1} = M \hat{\theta_2} + b \Longrightarrow b = 0$.\\
Таким образом, $ \hat{\theta_1} = \hat{\theta_2}$.
\end{proof}
Пусть
\begin{itemize}
\item $X$ -- непрерывная случайная величина
\item $f(t, \theta)$ -- функция плотности распределения вероятностей случайной величины $X$
\item $\vec{X} = (X_1, \dots, X_n)$ -- случайная выборка из генеральной совокупности $X$
\end{itemize}
Тогда функция плотности распределения случайного вектора $\vec{X}$:
\begin{displaymath}
f_{\vec{X}}(t_1, \dots, t_n, \theta) = f(t_1, \theta) \centerdot\dots \centerdot f(t_n, \theta)
\end{displaymath}
Обозначим $(t_1, \dots, t_n) = \vec{T}$.
\begin{definition}
Величина $I(\theta) = M\{[\frac{\partial ln f(\vec{T}, \theta)}{\partial \theta}]^2\}$ называется количеством информации по Фишеру(в серии из n наблюдений).
\end{definition}
\begin{remark}
Ниже иногда будет нужно дифференцировать по параметру под знаком интеграла:
\begin{displaymath}
\frac{\partial}{\partial \theta} \int_{G}{} \phi(\vec{T}, \theta) d\vec{T} = \int_{G}{} \frac{\partial \phi(\vec{T}, \theta)}{\partial \theta} d \vec{T}
\end{displaymath}
Параметрические модели, для которых справедлив такой переход, будем называть регулярными.
\end{remark}
\newtheorem*{Rao-Kramer}{Неравенство Рао-Крамера}
\begin{Rao-Kramer}
Пусть
\begin{enumerate}
\item рассматривается регулярная модель
\item $\hat \theta (\vec{X})$ -- несмещенная точечная оценка параметра $\theta$ закона распределения случайной величины $X$
\end{enumerate}
Тогда
\begin{displaymath}
D \hat{\theta} (\vec{X}) \geq \frac{1}{I(\theta)},
\end{displaymath}
где $I(\theta)$ -- количество информации по Фишеру.
\end{Rao-Kramer}
\begin{proof}
\begin{enumerate}
\item Обозначим: $G = \{t \in \mathbb{R} : f(t, \theta) > 0\}$\\
Тогда
\begin{center}
\centering
$\int_{\mathbb{R}^n}^{} f_{\vec{X}}(\vec{T}, \theta) d\vec{T} = \int_{G^n}{} f_{\vec{X}} (\vec{T}, \theta) d \vec{T} = 1$
\end{center}
\item Продифференцируем подчеркнутое равенство по $\theta$:\\
Правая часть: $\quad \frac{\partial1}{\partial \theta} = 0$\\
Линейная часть: $\quad \frac{\partial}{\partial \theta} \int_{G}{} f_{\vec{X}} (\vec{T}, \theta) d \vec{T} = $ |модель является регулярной| $ = \int_{G}{} \frac{\partial f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta} d \vec{T} = $ |$\frac{\partial ln y}{\partial \theta} = \frac{1}{y} \frac{\partial y}{\partial \theta} \Longrightarrow \frac{\partial y}{\partial \theta} = y \frac{\partial ln y}{\partial \theta}$| = $\int_{G}{}\frac{\partial ln f_{ \vec{X}}(\vec{T}. \theta)}{\partial \theta} = f_{\vec{X}}(\vec{T}. \theta) d \vec{T} = M [\frac{\partial ln f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta}] = 0$(*)
\item Так как $ \hat{\theta}(\vec{X})$ - несмещенная оценка для $\theta$, то $\theta = M [ \hat{\theta}(\vec{X})] = \int_{G}{} \hat{\theta}(\vec{T}) f_{\vec{X}}( \vec{T}, \theta) d \vec{T}$\\
Продифференцируем полученное равенство по $\theta$:
Левая часть: $\frac{\partial \theta}{\partial \theta} = 1$\\
Правая часть: $\frac{\partial}{\partial \theta} \int_{G}^{} \hat{\theta}( \vec{T}) f(\vec{T}, \theta) d\vec{T} = $|модель является регулярной|$ \int_{G^n}{} \hat{\theta} (\vec{T}) \frac{\partial f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta} d \vec{T} = $|$\frac{\partial y}{\partial \theta} = y \frac{\partial ln y}{\partial \theta}$|$ = \int_{G}{} \hat{\theta} (\vec{T}) \frac{\partial ln f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta} f_{\vec{X}}(\vec{T}, \theta) d \vec{T} = M [\hat{\theta}(\vec{X}) \centerdot\frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta}]$.\\
Таким образом,
\begin{displaymath}
M[\hat{\theta}(\vec{X}) \frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta}] = 1 \quad (**)
\end{displaymath}
\item Умножим обе части (*) на $\theta$:
\begin{displaymath}
M [\frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta}] = 0 \quad (***)
\end{displaymath}
Вычтем из (**) равенство (***):
\begin{displaymath}
M [\frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta}(\hat{\theta}(\vec{X}) - \theta)] = 1
\end{displaymath}
Возведем обе части равенства в квадрат: \\
$
1 = \{M [\frac{\partial ln f_{\vec{X}}(\vec{X}), \theta}{\partial \theta}(\hat{\theta}(\vec{X}) - \theta) ] \}^2 = \{ \int_{G^n}{} \frac{\partial ln f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta} (\hat{\theta}(\vec{T}) - \theta) f_{X}(\vec{T}, \theta) dT\}^2 = \{(a(\vec{T}), b(\vec{T}))\}^2 \leq (a(\vec{T}), a(\vec{T})) \centerdot(b(\vec{T}), b(\vec{T})) = \int_{G^n}{} [\frac{\partial ln f_{\vec{X}}(\vec{T}, \theta)}{\partial \theta}]^2 f_{\vec{X}}(\vec{T}, \theta) d\vec{T} \centerdot\int_{G^n}{}(\hat{\theta} - \theta)^2 f_{X}(\vec{T}, \theta) d\vec{T} = M[(\frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta})^2 ] \centerdot M[ (\hat{\theta}(\vec{X}) - \theta)^2] = I(\theta) \centerdot D[\hat{\theta}]$ \\
Таким образом,
\begin{center}
\centering
$1 \leq I(\theta) D(\hat{\theta}) \Longrightarrow D(\hat{\theta}) \geq \frac{1}{I(\theta)}$
\end{center}
\end{enumerate}
\end{proof}
\newtheorem*{Rao2}{Показать, что выборочное среднее является эффективной оценкой нормальной случайной величины при известной дисперсии}
\begin{Rao2}
Пусть $X \sim N(\theta, \sigma^2)$, где $\theta$ неизвестно, $\sigma^2$ -- известно.
Показать, что $\hat{\theta}(\vec{X}) = \overline{X}$ является эффективной оценкой по Рао-Крамеру.
\end{Rao2}
\begin{proof}
\begin{displaymath}
D\hat{\theta}(\vec{X}) = \frac{1}{I(\theta)}
\end{displaymath}
\begin{displaymath}
D\hat{\theta} = D\overline{X} = D[\frac{1}{n} \sum_{i=1}^{n} X_i] = \frac{1}{n^2} \sum_{i=1}^{n}DX_i = |X_i \sim X| = \frac{1}{n^2}\sum_{i=1}^{n} \sigma_i^2 = \frac{\sigma^2}{n}
\end{displaymath}
\begin{displaymath}
I(\theta) = M [(\frac{\partial ln f_{\vec{X}}(\vec{X}, \theta)}{\partial \theta})^2]
\end{displaymath}
\begin{displaymath}
f_{\vec{X}}(\vec{X}, \theta) = f(X_1, \theta) \centerdot\dots \centerdot f(X_n, \theta)
\end{displaymath}
\begin{displaymath}
f(X_i, \theta) = \frac{1}{\sqrt{2\pi} \sigma} e^{-\frac{(X - \theta)^2}{2\sigma^2}}, \quad x \in \mathbb{R}
\end{displaymath}
\begin{displaymath}
f_{\vec{X}}(\vec{X}, \theta) = \frac{1}{(2\pi)^{\frac{n}{2}}\sigma^n} e^{-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(X_i - \theta)^2}
\end{displaymath}
\begin{displaymath}
\ln f_{\vec{X}}(\vec{X}, \theta) = \ln (\frac{1}{(2\pi)^{\frac{n}{2}}\sigma^n}) - \frac{1}{2\sigma^2} \sum_{i=1}^{n}(X_i - \theta)^2
\end{displaymath}
\begin{displaymath}
(\frac{\partial \ln f_{\vec{X}}}{\partial \theta})^2 = \frac{1}{\sigma^4}(\sum_{i=1}^{n}(X_i - \theta) + 2\sum_{i=1}^{n}(X_i - \theta)(X_j - \theta))
\end{displaymath}
\begin{displaymath}
I(\theta) = \frac{1}{\sigma^4}[M[\sum_{i=1}^{n}(X_i - \theta)^2]] + 2 \sum_{i=1}^{n} M[(X_i - \theta)(X_j - \theta)] = \frac{n}{\sigma^2}
\end{displaymath}
\begin{displaymath}
D(\hat{\theta}) * I(\theta) = \frac{\sigma^2}{n} \centerdot\frac{n}{\sigma^2} = 1
\end{displaymath}
\end{proof}
\section{Методы построения точечных оценок}
\subsection{Метод моментов}
Пусть
\begin{enumerate}
\item $X$ -- случайная величина, закон распределения которой известен с точностью до вектора $\vec{\theta} = (\theta_1, \dots, \theta_r)$ неизвестных параметров
\item У случайной величины $X \quad \exists r$ первых моментов
\end{enumerate}
Для построения точечных оценок параметров $\theta_1, \dots, \theta_r$ с использованием метода моментов необходимо сделать следующее:
\begin{enumerate}
\item найти выражения для r первых моментов теоретических моментов случайной величины X(так как функция распределения случайной величины X зависит от параметров $\theta_1, \dots, \theta_r$, то и теоретические моменты также будут зависеть от этих параметров):\\
$m_1(\theta_1, \dots, \theta_r) = M[X]$\\
$\vdots$\\
$m_n(\theta_1, \dots, \theta_r) = M[X^r]$
\item Нужно приравнять выражения для теоретических моментов к их выборочным аналогам:\\
$\left \{
\begin{array}{ccc}
m_1(\theta_1, \dots, \theta_r)& = &\hat{m}(\vec{X})\\
\vdots\\
m_r(\theta_1, \dots, \theta_r) &= &\hat{m_r}(\vec{X})\\
\end{array}
\right.$
\end{enumerate}
Решаем полученную систему относительно неизвестных параметров:\\
$\left \{
\begin{array}{ccc}
\theta_1 & = &\hat{\theta}(\vec{X})\\
\vdots\\
\theta_r &= &\hat{\theta_r}(\vec{X})\\
\end{array}
\right.$
\begin{example}
$X \sim Exp(\lambda, \alpha)$\\
$f(x) =
\begin{cases}
\lambda e^{-\lambda(x - \alpha)} & \text{если $x > \alpha$}\\
0 & \text{иначе}\\
\end{cases}$\\
Найдем точечные моменты:
\begin{displaymath}
m_1 = MX = \alpha + \frac{1}{\lambda}, \quad m_2 = M[X^2] = DX = \frac{1}{\lambda^2}
\end{displaymath}
Система:\\
$\left \{
\begin{array}{ccc}
m_1 & = &\alpha + \frac{1}{\lambda} = \hat{m_1}(\vec{X}) = \overline{X} \\
m_2 &= &\frac{1}{\lambda^2} = S^2(\vec{X}) = \hat{\nu_2}(\vec{X}) \\
\end{array}
\right.$
$\hat{\lambda}(\vec{X}) = \frac{1}{S} = \frac{\sqrt{n - 1}}{\sqrt{\sum_{i=1}^{n}(X_i - \overline{X})^2}}$\\
$\hat{\alpha}(\vec{X}) = \frac{1}{n}\sum_{i=1}^{n}X_i - \frac{1}{\sqrt{n - 1}}\sqrt{\sum_{i=1}^{n}(X_i - \overline{X})^2}$
\end{example}
\subsection{Метод максимального правдоподобия}
Пусть Х -- случайная величина, закон распределения которой известен с точностью до вектора $\hat{\theta} = (\theta_1, \dots, \theta_r)$ неизвестных параметров.
Требуется оценить (найти) значение вектора $\theta$.
\begin{definition}
Функцией правдоподобия, отвечающей случайной выборке $\hat{X}(X_1, \dots, X_n)$, называется функция
\begin{center}
\centering
$L(\hat{X}, \hat{\theta}) = p(X_1, \hat{\theta}) \centerdot\dots \centerdot p(X_n, \theta)$,
\end{center}
где
\begin{itemize}
\item $p(X_i, \vec{\theta}) = P\{X = X_i\},$ если X -- дискретная случайная величина
\item $p(X_i, \vec{\theta}) = f(X_i, \vec{\theta}), $ где $f$ -- плотность распределения непрерывной случайной величины $X$
\end{itemize}
\end{definition}
В методе максимального правдоподобия в качестве точечной оценки вектора параметров $\hat{\theta}$ используют то значение, которое доставляет функции правдоподобия максимальное значение. Таким образом, оценка максимального правдоподобия $\forall x \in \chi_n \quad L(\vec{X}, \hat{\vec{\theta}}) \geq L(\vec{X}, \vec{\theta}), \quad \vec{\theta} \in \Theta$.\\
\begin{center}
\centering
$\hat{\vec{\theta}} = arg max_{\hat{\theta}} L(\vec{X}, \vec{\theta})$
\end{center}
Для построения точечной оценки необходимо решить задачу
\begin{center}
\centering
$L(\vec{X}, \vec{\theta} \longrightarrow max_{\vec{\theta}) \in \Theta}$,
\end{center}
вместо которой чаще решают задачу:
\begin{center}
\centering
$ln L(\vec{X}, \vec{\theta}) \longrightarrow max_{\vec{\theta} \in \Theta}$
\end{center}
Если для функции $ln L$ выполнены соответствующие условия, то для нахождения значения $\vec{\theta}$ можно использовать систему уравнений:\\
$\left \{
\begin{array}{ccc}
\frac{\partial ln L(\vec{X}, \vec{\theta})}{\partial \theta_1} = 0\\
\vdots\\
\frac{\partial ln L(\vec{X}, \vec{\theta})}{\partial \theta_r} = 0
\end{array}
\right.$
\section{Доверительные интервалы}
\begin{definition}
$\gamma - $ доверительным интервалом(доверительным интервалом уровня $\gamma$) для параметра $\theta$ называется пара статистик\\
\begin{center}
\centering
$\underline{\theta(\vec{X})}, \overline{\theta(\vec{X})}$, таких, что
\\$P\{\theta \in (\underline{\theta(\vec{X})}, \overline{\theta(\vec{X})})\} = \gamma $
\end{center}
\end{definition}
Пусть
\begin{enumerate}
\item $\theta$ -- неизвестный параметр закона распределения случайной величины X
\item $g(\vec{X}, \theta)$ -- некоторая статистика
\end{enumerate}
\begin{definition}
Статистику $g(\vec{X}, \theta)$ будем называть центральной, если закон ее распределения не зависит от $\theta$, то есть
\begin{center}
\centering
$F_g(X, \theta) \equiv F_g(X)$, где $F_g$ -- функция распределения случайной величины $g$
\end{center}
\end{definition}
\newtheorem*{algo}{Общий алгоритм}
\begin{algo}
Пусть
\begin{enumerate}
\item $X$ -- случайная величина, закон распределения которой зависит от неизвестного параметра $\theta$
\item $g(\vec{X}, \theta)$ -- центральная статистика
\item $g(X, \theta)$ является монотонно возрастающей с увеличением параметра $\theta$
\item $F_{g}(X, \theta)$ также монотонно возрастает с увеличением $\theta$
\item $\alpha_1 > 0, \alpha_2 > 0$ и таковы, что $\alpha_1 + \alpha_2 = 1 - \gamma$\\
\end{enumerate}
$\gamma = P\{q_{\alpha_1} < g(\vec{X}, \theta) < q_{1 - \alpha_2}\} = $ |g монотонно возрастает с ростом $\theta$| = $P\{g^{-1}(\vec{X}, q_{\alpha_1}) < \theta < g^{-1}(\vec{X}, q_{1 - \alpha_2})\}$.
\end{algo}
\newtheorem*{algo2}{Частные случаи}
\begin{algo2}
$X \sim N(m, \sigma^2)$, где
\begin{itemize}
\item m -- неизвестно
\item $\sigma^2$ -- известно
\end{itemize}
$g(\vec{X}, m) = \frac{m - \overline{X}}{\sigma} \sqrt{n} \sim N(0,1)$, то есть $g(\vec{X}, m)$ -- центральная статистика.\\
$\alpha_1 = \alpha_2 = \frac{1 - \gamma}{2} = $ |$1 - \gamma = \alpha$| = $\frac{\alpha}{2}$\\
$\gamma = P\{-q_{1 - \frac{\alpha}{2}} < g(\vec{X}, m) < q_{1 - \frac{\alpha}{2}}\} = P\{-q_{1 - \frac{\alpha}{2}} < \frac{m - \overline{X}}{\sigma} \sqrt{n} < q_{1 - \frac{\alpha}{2}} \} = P\{\overline{X} - \frac{\sigma q_{1 - \frac{\alpha}{2}}}{\sqrt{n}} < m < \overline{X} + \frac{\sigma q_{1 - \frac{\alpha}{2}}}{\sqrt{n}}\}$\\
Если неизвестны оба параметра m и $\sigma^2$, то при построении доверительных интервалов для этих параметров:
\begin{center}
\item $g(\vec{X}, m) = \frac{m - \overline{X}}{S(\vec{X})} \sqrt(n) \sim St(n - 1)$
\item $g(\vec{X}, m) = \frac{S(\vec{X})^2}{\sigma^2}(n - 1) \sim \chi^2(n - 1)$
\end{center}
\end{algo2}
\end{document}