Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
Vjerojatnost i matematička statistika - Poslijediplomski specijalistički ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
8.3.2 Parametar Poissonove razdiobe<br />
Konstrukcije pouzdanih intervala za slučajeve malog i velikog uzorka su slične kao za vjerojatnost<br />
uspjeha u binomnoj razdiobi.<br />
Neka je X = (X 1 , X 2 , . . . , X n ) slučajni uzorak iz P (λ)-distribuirane populacije. Tada<br />
je Y := X 1 + X 2 + · · · + X n ∼ P (nλ). MLE za λ je<br />
ˆλ = Y n = X.<br />
Ako je uzorak mali (n je mali broj), 95%-pouzdani interval za λ dobije se rješavanjem<br />
sustava nejednadžbi<br />
F Y (y|λ) ≥ 0.025, 1 − F Y (y − 1|λ) ≥ 0.025,<br />
gdje je y opažena vrijednost od Y , a F Y funkcija distribucije od Y :<br />
y∑ (nλ) k<br />
F Y (y|λ) = e −nλ , y = 0, 1, 2, . . .<br />
k!<br />
k=0<br />
Pokazuje se da je funkcije λ ↦→ F Y (y|λ) strogo padajuća na ⟨0, +∞⟩, pa za granice ˆλ 1 =<br />
ˆλ 1 (y), ˆλ 2 = ˆλ 2 (y) 95%-pouzdanog intervala [ˆλ 1 (Y ), ˆλ 2 (Y )] vrijedi da su rješenja jednadžbi:<br />
F Y (y|ˆλ 2 ) = 0.025, 1 − F Y (y − 1|ˆλ 1 ) = 0.025.<br />
Ako je n velik broj, tada za konstrukciju aproksimativnog 95%-pouzdanog intervala za<br />
λ koristimo standardiziranu verziju statistike X,<br />
X − λ<br />
√<br />
λ<br />
√ n ∼: N(0, 1),<br />
kao pivotne veličine, odnosno njenu modificiranu verziju<br />
X − λ√ n ∼: N(0, 1).<br />
√ˆλ<br />
Dakle, aproksimativni 95%-pouzdani interval za λ je<br />
√<br />
ˆλ<br />
ˆλ ± 1.96 ·<br />
n .<br />
8.4 Pouzdani intervali za probleme s dva uzorka<br />
Usporedba parametara dviju populacija obično se bazira na nezavisnim uzorcima iz tih populacija.<br />
Na primjer, ako se radi o parametrima očekivanja, jasno je da ćemo ih usporedivati<br />
pomoću njihovih procjena, odnosno <strong>statistika</strong> X 1 i X 2 . Važnost pretpostavke o nezavisnosti<br />
uzoraka sada se vidi iz sljedećih relacija. Ako su uzorci nezavisni, tada je<br />
Var[X 1 − X 2 ] = σ2 1<br />
n 1<br />
+ σ2 2<br />
n 2<br />
,<br />
a ako su zavisni moramo uzeti u obzir njihovu korelaciju:<br />
Var[X 1 − X 2 ] = σ2 1<br />
n 1<br />
+ σ2 2<br />
n 2<br />
− 2 cov[X 1 , X 2 ].<br />
Brojevi n 1 i n 2 označavaju duljine prvog, odnosno drugog uzorka, a σ1 2 i σ2 2<br />
varijance.<br />
Najčešća forma zavisnosti je kada imamo sparene podatke.<br />
su populacijske<br />
74