الفرق بين المراجعتين لصفحة: «نظرية التقدير»
من MM*Stat Arabisch
(Die Seite wurde neu angelegt: „نظرية التقدير,نظرية التقدير – المثال التفاعلي,الأمثلة الأساسية لاجراءات التقد…“) |
لا ملخص تعديل |
||
| سطر ١: | سطر ١: | ||
<math> F(x).</math> . في العموم, التوزيع وخصائصه أو العناصر ليست معلومة. | |||
نفترض الاهتمام بالتوقع <math>\mu</math> والتباين <math>\sigma^{2}</math>.(بشكل بديل اذا البيانات | نفترض الاهتمام بالتوقع <math>\mu</math> والتباين <math>\sigma^{2}</math>.(بشكل بديل اذا البيانات | ||
| سطر ١٢: | سطر ٥: | ||
ثنائية التصنيف , ينبغي الاهتمام بنسبة المجتمع <math>\pi</math>). كما ورد سابقا , نستطيع التعلم | ثنائية التصنيف , ينبغي الاهتمام بنسبة المجتمع <math>\pi</math>). كما ورد سابقا , نستطيع التعلم | ||
حول المجتمع أو تابع توزيعه | حول المجتمع أو تابع توزيعه <math> F(x).</math> المكافئ عبر <math> \theta</math> لتكون موضع الاهتمام لهذا | ||
نميز نوعين من الاجراءات : تقدير النقطة وتقدير المجال. | نميز نوعين من الاجراءات : تقدير النقطة وتقدير المجال. | ||
| سطر ٣٧: | سطر ٢٤: | ||
سنحسب المشاهدات المستقلة <math>n</math> من المجتمع,في هذه الحالة <math>X_{1}, \ldots, X_{n}</math>. | سنحسب المشاهدات المستقلة <math>n</math> من المجتمع,في هذه الحالة <math>X_{1}, \ldots, X_{n}</math>. | ||
تكون متغيرات عشوائية مستقلة. يعرف المقدر ليكون تابع | تكون متغيرات عشوائية مستقلة. يعرف المقدر ليكون تابع <math> g</math>الى <math> X_{i}</math> سنكتب | ||
<math> \widehat{\theta}=g(\bullet)\,. | |||
</math> | |||
ليكون مقدر | ليكون مقدر <math> \theta</math>, في هذه الحالة هو متغير عشوائي. سيمثل الرمز أيضا تقدير | ||
محدد لمجموعة البيانات المعطاة, ويكون واضح من سياق التطبيقات . | محدد لمجموعة البيانات المعطاة, ويكون واضح من سياق التطبيقات . | ||
مراجعة ١٦:٤٤، ٣١ يوليو ٢٠٢٠
. في العموم, التوزيع وخصائصه أو العناصر ليست معلومة.
نفترض الاهتمام بالتوقع والتباين .(بشكل بديل اذا البيانات
ثنائية التصنيف , ينبغي الاهتمام بنسبة المجتمع ). كما ورد سابقا , نستطيع التعلم
حول المجتمع أو تابع توزيعه المكافئ عبر لتكون موضع الاهتمام لهذا
نميز نوعين من الاجراءات : تقدير النقطة وتقدير المجال.
تقدير النقطة:
تحديد التقدير المفرد باستعمال العينة العشوائية يشار كتقدير النقطة. وبشكل أفضل يزود التقدير
التقريب الممكن الأفضل للعنصر المجهول .
المقدر أو تابع التقدير:
سنحسب المشاهدات المستقلة من المجتمع,في هذه الحالة .
تكون متغيرات عشوائية مستقلة. يعرف المقدر ليكون تابع الى سنكتب
ليكون مقدر , في هذه الحالة هو متغير عشوائي. سيمثل الرمز أيضا تقدير
محدد لمجموعة البيانات المعطاة, ويكون واضح من سياق التطبيقات .
يعتمد تقدير النقطة على حجم العينة والقيم الفعلية المسحوبة. سيطابق تقدير النقطة
للقيمة الحقيقية للعنصر المجهول بالاضافة لذلك ستنتج العينة المكررة بالعموم تقديرات مختلفة.
اذا حجم العينة كبير, سنتوقع هذه التقديرات لتقترب من قيمة العنصر الحقيقية.
المشكلة الأساسية لتقديرات النقطة هو اختيار المقدر الأفضل. في بعض الحالات عنصر المجتمع أو الخواص لها عينة
طبيعية بشكل مكافئ . على سبيل المثال: يستعمل الشخص عادة متوسط العينة لتقدير متوسط المجتمع, نسبة
العينة لتقدير نسبة المجتمع وتباين العينة لتقدير تباين المجتمع (شاهد المثال, المناقشة في القسم 7.1)