Académique Documents
Professionnel Documents
Culture Documents
تألیف
الکساندر .م .مود
فرانگلین .آ .گریبیل
دون .س .بوز
فهرست مطالب :
-1برآورد بازه ای پارامتر
-2آزمون فرض ها
-3مدل های خطی
هدف فصل :
ساخت استنباطی که طبق آن مقدار
واقعی پارامتر در یک بازه معین قرار
گیرد .
عناوین مهم فصل :
1ـ بازه های اطمینان
2ـ نمونه گیری از توزیع نرمال
3ـ روش های یافتن بازه های اطمینان
4ـ بازه های اطمینان بزرگ نمونه ای
مقدمه :اگـر ـیك یـا ـچنـد پارامتر در جامعه
مجهول باشد و بخواهیم به نوعي به آنها دسترسي
پیدا كنیم ،به سراغ برآورد خواهیم رفت كه در
حالـت ـكلـي ـبـه ـدو ـصـورت ـمورد ـتوجه ـقرار ـ ـ ـ ـ
میگیرد:
Point Estimation ـ1
Interval ـ2
Estimation – or –
Confidence Interval
از آنجایي كـه نمي توانیم غالباً به برآورد
نقطـه ـاي ـدسـترسي ـپیدا ـكنیـم ـبـه ـسراغ ـبرآورد
فاصله اي مي رویم .
در حالت كلي بر حسب گرفتن نمونه از
توزیع مورد نظر و معرفي آماره هاي
) T1 = T1 ( X 1 , X 2 , , X n ,θ
) T2 = T2 ( X 1 , X 2 , , X n ,θ
) τ (θ
در به سراغ تابعي از پارامتر به شكل
سطح گاما می رویم .
در حالیكه اطلعات زیر همواره مورد توجه
ما خواهد بود .
P = [T1 < τ (θ ) < T2 ] = γ
T2 T1
به پارامتر بستگي ندارد . و 1ـ توزیع
منحصراً به γبستگي T1و T2 2ـ موقعیت
دارد .
3ـ گاما را سطح اطمینان مي نامیم .
متغیر خواهند بود T2 و T1 4ـ در حالت كلي
و مي توانند در حالت خاص یك یا هر دو كران
ثابت معرفي شوند .
نكته : 1در حالیكه به سراغ برآورد
فاصله اي مي رویم بایستي ویژگي هاي زیر را
مورد توجه قرار دهیم .
الف ) برآورد فاصله اي نااریب باشد .
ب ) برآورد فاصله اي در كمترین ریسك
خود قرار بگیرد .
ج ) طول فاصله برآورد به حالت مینیمم
معرفي شود .
نكته : 2مواردي اتفاق مي افتد كه فاصله
اطمینان به شكل یك طرفه مطالعه شود ،بدین
صورت :
P{T1 < τ (θ )} = γ 1
) L = (q 2 − q1
طول فاصله
مي توان از رابطه بال مشتق گرفت :
dq2
T 2 dq − fT (q1 ) = 0
f ( q )
1
dL = ( dq2 − 1) = 0
dq1 dq1
L = (q 2 − q1 )
dL f Q (q1 )
=( − 1) = 0
dq1 f Q (q2 )
: بنابراین
dL f Q (q1 )
=( − 1) = 0
dq1 f Q (q2 )
دیده مي شود محاسبه q1و q2در وضعیت
موجود پیچیده خواهد بود .زیرا به علت عدم
تقارن در شكل پیاده شدن دیدگاه بهترین فاصله
اطمینان در محاسبه ما را در استفاده كردن از
نرم افزارهاي كامپیوتر ترغیب مي كند .
معادلت سیاله اند ،یعني بي نهایت جواب
دارند ،یعني تعداد مجهولت از تعداد معادلت
بیشتر است .
2و ( زوج جهت برآورد محاسبه ) ج
σ µ
):
محاسبه این فاصله مي تواند در قالب استقلل
و یا بدون در نظر گرفتن پدیده هاي استقلل
صورت بگیرد .
: به این شكل
X −µ
P (q1 < n < q2 ) = γ
S
(n − 1) S 2
P ( q1′ < < q 2′ ) = γ
σ2
X −µ (n − 1) S 2
S n < q2 < q 2′
σ 2
∩
X −µ n > q (n − 1) S 2
S 1 > q1′
σ2
( X − µ)2 n ( X − µ)2 n
= S2 و = S2
q2′ q1′
(n − 1) S 2 (n − 1) S 2
=σ 2 و =σ 2
q2′ q1′
Sq2
µ = X −
n
یا
µ = X − Sq1
n
در حالت استقلل فاصله انتخابي بدین
صورت شكل خواهد گرفت :
X −µ (n − 1) S 2
< P − q < n < q, q1′ < q2′ = γ 1γ 2
S σ 2
n
یا ( X − µ ) 2 < q 2 و n
( X − µ)2 < S 2
S 2
q2
Sq1 Sq2
P( X − <µ<X + )=γ
n n
.
S dL S dq2
L= ( q2 − q1 ) = ( − 1) = 0
n dq1 n dq1
(n − 1) S 2
P (q1 < < q2 ) = γ
σ2
( n − 1) S 2 2 ( n − 1) S 2
P( <σ < )=γ
q2 q1
2 1 1 dL 1 dq2 dq1
L = (n − 1) S ( − ) = (n − 1) S 2 (− + )
q1 q2 dq1 q 2 q 2
1 2
.
dq2 dq 2 f Q (q1 )
f Q (q2 ) − f Q (q1 ) = 0 =
dq1 dq1 f Q (q 2 )
1 1 f Q (q1 ) f Q ( q1 ) q22
− + ⋅ =0 ⇒ =
q12 q 22 f Q (q2 ) f Q (q2 ) q12
د ) محاسبه برآورد فاصله اي براي
تفاضل میانگین ها :
را مورد و اگر دو جامعه
P2 P1
توجه قرار دهیم مي توانیم با انتخاب نمونه
از این دو و هایي به حجم هاي
m n
و و 2نیز 2
و جامعه به سراغ
S2 S1 X2 X1
برویم .
(نمونه ها از یكدیگر مستقلند) و نیز معرفي
t و برخورداري از آماره SP 2 ()Pooled
) ( X 1 − X 2 ) − ( µ1 − µ 2
به شكل :
=t
SP 1 n + 1 m
مي توانیم فاصله مورد نظر را به شكل زیر
داشته باشیم :
[ ]
P ( X 1 − X 2 ) − SP 1 n + 1 mq < µ1 − µ 2 < ( X 1 − X 2 ) + SP 1 n + 1 mq = γ
q1 q
P( > −θ > 2 ) = γ
LogX LogX
q1 q
P(− <θ < − 2 ) = γ
LogX LogX
در این مرحله پاسخ مسئله داده شده است ،
مسیر گفته شده در q2 اما براي رسیدن به q1و
1
= ) Γ(α , β xα −1e − x β
Γ(α ) β α
: بنابراین
1 −x
Γ(1,1) = e = e− x
Γ(1)
q2
∫ e − x dx = γ
q1
⇒ −e − q 2 + e − q1 = γ
dL 1 dq 2 dq 2 − q 2
= (1 − )+ e − e − q1 = 0
dq1 LnX dq1 dq1
dq 2 e − q1
=
dq1 e − q 2
q2
در مسیر حركت دوره اي مي توانیم به q1و
مناسبي دسترسي پیدا كنیم .
y y
ب ) از آنجایي كه 2كمتر از مي باشد
لذا مي تواند به عنوان یك بازه اطمینان بر
مبناي تعریف باشد .ضریب اطمینان = γ
یادآوري :با عنایت به مطالب گذشته
توانستیم فواصل اطمینان را در زمینه هاي زیر
بیان كنیم و اطلعاتي را نیز براي روش
محوري (كمیت محوري) داشته باشیم .حال به
موارد بعدي مي پردازیم .
Pivot ( µ
كمیت محوري)
nt n −1
t
P1 = ∫ dt
θ n
0 0
θ0
nt n −1
P2 = ∫ dt
t0 θ0n
: بنابراین
t n t0
P1 = = t 0 nθ 0 − n
θ0n 0
P2 = (θ 0 n − t 0 n )θ 0 − n = 1 − t 0 nθ 0 − n
θ 0 n P1 = t 0n → θ 0 n = P1−1t 0n
−1 n
.
θ 0 = P1 t 0
t 0nθ 0 − n = 1 − P2 → θ 0 − n = (1 − P2 )t 0− n
θ 0 = (1 − P2 ) −1 n t 0
P1−1 n t 0 > (1 − P2 ) −1 n t 0 اگر فرض كنیم
خواهیم توانست یك بازه اطمینان در سطح γ
) σ n (θ
یك فاصله مناسبي را براي θداشته باشیم
توضیح اینكه :
1 1
= ) σ n2 (θ =−
. .
n ˆ 1
= nX ⇒ θ = = t n
θ X
∂ 2 Logf 1
=−
∂θ 2 θ2
.
1 1
E − = −
2 θ2
θ
−1 θ2
σ n2 (θ ) = =
−n θ 2 n
1 x −θ
P ( − Zα 2 < − n < Zα 2 ) = γ
θ
1
P ( − Zα 2 < ( − 1) n < Zα 2 ) = γ
θX
1 − Zα 2 1 1 + Zα 2
P( <( )< )=γ
n θX n .
Zα 2 1 Zα 2
P (1 − ) X < < (1 + )X = γ
n θ n
n n
P <θ < =γ
( n + Zα 2 ) X ( n − Zα 2 ) X
مثال :فرض مي كنیم توزیع ) f ( x,θبا θ
حل :
f ( x,θ ) = θ x (1 − θ )1− x x = 0,1
تكنیك نمونه هاي بزرگ
روش بزرگنمایي براي بدست آوردن فاصله
اطمینان : θ
: ˆθ از طریق tn 1ـ بدست آوردن
) ∂LnLf ( x,θ
= 0 ⇒ θˆ = = t n
∂θ
از طریق امید ریاضي : آوردن σ n2 2ـ بدست
−1
= σ n2
∂2
+ nE Lnf ( x,θ )
∂θ 2
( X − θ )2
⇒ n < Z2
θ (1 − θ ) α 2
.
X −θ
− Zα 2 < n
θ (1 − θ )
X −θ
Zα 2 > n
θ (1 − θ )
n( X 2 − 2θX + θ 2 ) < Z 2 (θ − θ 2 )
α 2 : 2 طرفین به توان
nθ 2 + nX 2 − 2nθX − Z 2 θ + Z 2 θ 2 < 0
α 2 α 2
(n + Z 2 )θ 2 − (2nX + Z 2 )θ + nX 2 < 0
α 2 α 2
دهیم .
نكته مهم :یكي دیگر از تكنیك هاي متداول
و معمول در جهت محاسبه فاصله هاي اطمینان
تكنیك بیضي مي باشد .در این حركت بر
مبناي سیاست توزیع هاي پسین و پیشین مي
توانیم بازه مناسبي را براي پارامتر معرفي
كنیم.
هدف فصل :
استنباط آماری دارای دو قسمت عمده است :
برآورد پارامترها و آزمون فرض ها .
هدف ما گسترش روش های کلی برای آزمون
فرض ها و اعمال این روش ها به برخی از
مسائل متداول می باشد .
عناوین مهم فصل :
1ـ آزمون های دنباله ای فرض ها
2ـ فرض های ساده در فرض مقابل ساده
3ـ فرض های مرکب
4ـ آزمون های فرض ها
5ـ آزمون های کی دو
آزمون نسبت احتمال دنباله اي ((SPRT
Sequential Probability Ratio Test
یكي از بحث هاي مهم در آمار ریاضي ( )2و در
بحث آزمون هاي فرض ،وجود اندازه حجم به گونه
اي است كه در بعضي از مطالعات تحقیقاتي محقق
علقه مند مي شود كه اندازه حجم را به گونه اي
انتخاب كند كه اولً كمترین مخارج را براي آن صرف
نماید .ثانیاً آزمون معني دار شود )R.H( .
لذا یكي از تكنیك هاي مناسب در جهت
تحقق این ایده آزمون نسبت احتمال دنباله اي
بدین صورت است كه ابتدا یك نمونه به حجم
nرا انتخاب مي كنند و در قالب نسبت ر . .
RH 0 → λ1 ≤ k 0
AH 0 → λ2 ≥ k1
⇒ k 0 < λ1 < k1 Go on
2
∏ f 0 ( xi ,θ )
λ2 = λ2 ( X 1 , X 2 ) = i =1
2
∏ f1 ( xi ,θ )
i =1
λ2 ≤ k 0 → RH 0
λ2 ≥ k1 → AH 0
k 0 < λ2 < k1 → Go on
سوال در راستاي مطالب فوق مي تواند بدین
صورت مطرح شود كه :
آیا به مرحله اي خواهیم رسید كه توقف كنیم یا
برابر با یك ∞→ N خیر و یا اینكه احتمال
است یعني :
(یعني حجم نمونه نامتناهي است)
P( N → ∞) = 1
پاسخي كه در این مرحله مي توانیم براي آن
بازگو كنیم این است كه كلیه آزمون ها چه در
قالب نمونه اي دنباله اي و غیر از آن اگر :
P ( RH 0 H 0 ) ≤ α P ( RH1 H1 ) ≤ β
∞
A= {
An = ( X 1 , , X m ) k 0 < λ j < k1 , j = 1,2, , m − 1, λ j ≥ k1 }
n =1
با عنایت به دو منطقه پذیرش یا رد مي توانیم
در حالت زیر نیز موقعیت را تشخیص دهیم :
∞
=α ) ∑ ∫ L(n0
n =1C n
∞
=β ) ∑ ∫ L(n0
n =1 An
نكته مهم :همانطور كه مي دانیم در انجام
آزمون هاي فرض ( αخطاي نوع اول) همواره
از طریق تابع β مورد توجه قرار مي گرفت و
توان محاسبه مي شد .اما در اینجا خطاي نوع
اول و دوم قبل از انجام آزمون ملك خواهد
بود.
تابع توان یعني :
) ∏ (θ ) = P( RH 0
به صورت زیر k1 و k0 بر اساس این نظریه
α بدست خواهد بود .
≅ k0
1− β
1−α
≅ k1
β
در مورد خطاهاي منتسب در دو وضعیت
را در نظر بگیریم در این α ′, β ′ موجود ،اگر
صورت نتیجه زیر بدست خواهد آمد .
α′+ β′ ≤α + β
قضیه والد Walds Thearem :
) Logf 0 ( xi ,θ اگر فرض كنیم :
= Zi
) Logf1 ( xi ,θ
∞
= ∑ E (Z1 + Z 2 + + Z N N = n) P ( N = n)
n =1
∞ n ∞
= ∑ ∑ E (Z i N ≥ i) P( N ≥ i) = ∑ E (Z i N ≥ i) P( N ≥ i)
n =1i =1 i =1
از آنجایي كه پیش آمد N ≥ iفقط به پیش
: i =1 ، N −1 آمدهایي نظیر
لذا مي توانیم نتیجه نهایي را به صورت زیر به
پایان ببریم .
∞ ∞
) ∑ E ( Z i ) P( N ≥ i) = E ( Z i ) ∑ P( N ≥ i) = E ( Z i ) E ( N
i =1 i =1
با عنایت به قضیه والد مي توانیم (ثابت
مي شود) نتایج تقریبي زیر را داشته باشیم .
H0 : با فرض درست بودن
E ( Z1 + Z 2 + + Z n ) ≅ Logk 0
E ( Z1 + Z 2 + + Z n H1 ) ≅ Logk1
Logk 0
E ( Z i H 0 ) E ( N H 0 ) ≅ Logk 0 ⇒ E ( N H 0 ) ≅
E (Z i H 0 )
.
Logk1
E ( Z i H1 ) E ( N H1 ) ≅ Logk1 ⇒ E ( N H1 ) ≅
E ( Z i H1 )
نتیجه اخیر در حالت كلي به صورت زیر
محاسبه مي شود .
(1 − α ) Logk1 + αLogk 0
= ) E(N H 0
) E (Z i H 0
} α = P ( RH 0 H 0 ) = P{ ( X 1 , , X n ) ∈ C r H 0
B : ∑ Xi = 5
k k k
P( Z > n ) = 1 − P( Z ≤ n) = 1− N( n)
σ σ σ
k →∞ ⇒ α =0
k → −∞ ⇒ α =1
β = P ( RH1 H1 ) = P( AH 0 H1 ) = P ( X ≤ k θ = 1)
k −1 k −1
⇒ β = P(Z ≤ n) = N( n)
σ σ
C r = φ
⇒ β =1
k →∞ ⇒
.
C r = ℵ
α = 0
C r = φ
k → −∞ ⇒ β =0 ⇒ C r = ℵ
α = 1
سؤال : 1با توجه به مثال فوق آیا میتوانیم
بین α , βیك رابطه مناسبي را برقرار كنیم ؟
k k −1 σ −1
(N ⇒ n) = 1−α = n = N (1 − α ) ⇒ k ) N (1 − α
σ σ n
n
= ) N −1 (1 − α ) − N −1 ( β
σ
H1 و H0 اگر آزمون هایي نظیر حالت قبلي
مقادیر معلومي را اختیار نكنند (فرض ها
H 0 : θ < 0
و یا نظایر آن ،
H1 : θ > 0
مركب اند)
مورد توجه قرار بگیرد ،نمي توانیم به سادگي
موقعیت خطاي اول و دوم را محاسبه كنیم .
بلكه لزم است از طریق تابع توان این نتیجه را
بدست آوریم .
تابع توان Power Function :
) Π r (θ
تعریف :تابع توان را كه معمولً با نماد
نشان مي دهند به صورت زیر تعریف مي نماییم
) Π r (θ ) = P( RH 0
به تعبیري اگر فضاي پارامتر را به منطقه
رد و پذیرش تقسیم كنیم مي توانیم تابع توان را
به صورت زیر تعبیر نماییم .
} P{ ( X 1 , X 2 , , X n ) ( X 1 , X 2 , , X n ) ∈ C r
تابع توان ایده آل :
Ideal Power Function
تابع توان ایده آل یك تابع در قالب تابع
نشانگر ( )Indicationمي باشد كه به صورت
زیر تعریف مي شود .
0 if ( X 1 , X 2 , , X n ) ∈ H 0
Π r (θ ) =
1 if ( X 1 , X 2 , , X n ) ∈ H1
در عمل تابع ایده آل معمولً مورد توجه
نخواهد بود ،هر چند كه از نظر محقق این
نتیجه بسیار مناسب است .
MSEیك معیار نكته مهم :همانطور كه
مناسب براي برآوردگرها مي باشد ،مي توانیم
تابع توان را نیز در قالب دو برداشت زیر با
چنین مفهومي بكار گیریم :
الف) تشخیص كیفیت نوع آزمون
ب) مقایسه بین آزمون ها و تعیین برترین
آنها
)( X 1 , , X n ) ~ N (θ ,9
مثال :فرض مي كنیم نمونه
آمده باشد .آزمون زیر را انجام دهید :
H 0 : θ ≤ 1
به صورت زیر در حالیكه r
H1 : θ > 1
n
if : k = 4 ⇒ P ( ∑ X i > 4) > 0.05 ⇒ k = 4 قابل قبول نیست
i =1
n
if : k = 5 ⇒ P( ∑ X i > 5) < 0.05 ⇒ k = 5 قابل قبول هست
i =1
n n
⇒ P( ∑ X i > 5) + γ ⋅ P ( ∑ X i = 5) = 0.05
i =1 i =1
n = 10 از جدول توزیع دوجمله اي با پارامترهاي
1
داریم : =θ
4 و
0.05 − 0.0197
= 0.0197 + γ × 0.0584 = 0.05 ⇒ γ
0.0584
2X βu dx β
u= ⇒X= ⇒ = = j
β 2 du 2
1 βu α −1 − u 2
g (u ) = () e × j
Γ(α ) β α 2
1
= uα −1 ⋅ e − u 2 u>0
Γ(α )2α
) u ~ χ (22 X بنابراین :
Π r2 (θ ) = P ( RH 0 ) = P ( S = 4 ∨ S = 3) = P ( S = 4) + P ( S = 3)
4 3
= P + P (1 − P ) = P 4 + 4 P 3 (1 − P) = P 4 + 4 P 3 − 4 P 4 = 4 P 3 − 3P 4
4
3
سؤال :براي تشخیص برتري این دو مي توانیم در
قالب انجام عملیات زیر ،نتیجه را داشته باشیم :
) Π r1 (θ ) − Π r2 (θ ) = P 4 − (4 P 3 − 3P 4
= P 4 − 4 P 3 + 3P 4 = 4 P 4 − 4 P 3
5 5
= P Pi , i ≠ 2,3 = ∑ P ( S = i )
i = 0 i = 0
3 .
= 1− ∑ P( S = i) = 1 − P( S = 2) − P( S = 3)
i=2
5 2 5 3
= 1 − P (1 − P) − P (1 − P ) 2
3
2 3
Π r (θ ) = 1 − 10 P 2 (1 − P) 3 − 10 P 3 (1 − P) 2
= 1 − 10 P 2 (1 − 3P + 3P 2 − P 3 ) − 10 P 3 (1 − 2 P + P 2 )
.
= 1 − 10 P 2 + 30 P3 − 30 P 4 + 10 P5 − 10 P3 + 20 P 4 − 10 P5
= 1 − 10 P 4 + 20 P 3 − 10 P 2
را داشتیم باید در این مرحله θ = θ0 اگر فرض
را درست كنیم . θ − θ0 حتماً
را درست P −1 2 داریم باید P =1 2 حال كه
كنیم .بنابراین :
1 1
(P − ) = X ⇒ P = X +
2 2
1 1 1 3
→ 1 − 10( X + ) 4 + 20( X + ) 3 − 10( X + ) 2 = −10 X 4 + 5 X 2 +
2 2 2 8
1 1 3
→ −10( P − ) 4 + 5( P − ) 2 +
2 2 8
Π ′r (θ ) = 0 → P = 1 2 12
⇒ ∃ min
= طریقه تشخیص Π ′r′ (θ ) > 0 38
يا نكته :به سادگي مي توانيم در قالب
Sup
+ P ( X 2 = 1 X 1 = 0) P( X 1 = 0)
θ − 1 θ 5 − θ θ θ 5 − θ θ 2 − θ + 5θ − θ 2 + 5θ − θ 2
Π r (θ ) = × + × + × =
4 5 4 5 4 5 20
9θ − θ 2 (9 − θ )θ
= =
20 20
.
8
α= Sup r Π (θ ) =
20
= 0.4
θ ∈Θ 0
β = 1 − 0. 7 = 0. 3
در قسمت آخر rرا مي توانیم به صورت زیر
در نظر بگیریم ( :بطور ایده آل)
r * : ℵ = C r ↔ C r = φ ↔ β = 0 ↔ Π r * (θ ) = 1 − β = 1 − 0 = 1
ارزیابي در ساختن آزمون فرض :
H 0 : θ = θ 0
H1 : θ = θ1 مطلبي كه در ذیل مي آید براي فرض ساده
مورد توجه مي باشد كه در حالت كلي در بین
آزمونها آن آزموني از همه مناسب تر است كه
حجم خطاي α , βآن كمترین باشد در حالیكه
داراي خصوصیات زیر است :
الف) نااریب است Unbiased .
ب) سازگار است Consistent .
تعریف r :را در بین rهاي دیگر نااریب
مي گوییم ،هرگاه نامساوي زیر برقرار باشد.
) H1 : θ =θ 1↔ H1 : X ~ f ( x,θ1
) f ( x0 , θ 0
>1 بنابراین :
) f ( x0 ,θ1
f ( x0 , θ 0 )
< 1 ⇒ RH 0
f ( x0 ,θ1 )
حالت : 3
) L ( x, θ 0
> k ↔ AH 0
) L( x,θ1
) L ( x, θ 0
= 1 ↔ RH 0 ∨ AH 0
) L( x,θ1
اي نكته مهم : 2همانطور كه قب ً
ل اشاره كردیم آن
r
كمترین خطاي مناسب خواهد بود كه تابع توان تحت آن
r
α, β
را معرفي كند و به نوعي تركیب خطي از آن دو را
aα r + bβ r
به صورت :
a, b > 0
،
Min
در آید كه این یكي از ملك هاي برتري به حالت
آزمون و به نوعي اولین ملك معرفي مي شود .این
نتیجه یا این ملك ما را به سمت لم معروف (نیمن ـ
پیرسن) هدایت مي كند .
بر مبناي مطلب فوق مي توانیم مدعي شویم كه
ملك فوق زماني تحقق خواهد یافت كه نسبت
درستنمایي ماكزیمم به صورت زیر شكل بگیرد
و برعكس :
) α r = P( RH 0 H 0
= b + a ∑ L( x,θ 0 ) − b ∑ L( x,θ1 )
X ∈C X ∈C
r r
1 n xi 2
exp − ∑ ( )
2 i =1 2
λ=
1 n xi − 1 2
exp − ∑ ( )
2 i =1 2
1 n xi 2 n xi − 1 2
λ = exp − ∑ ( ) − ∑ ( ) < k
2 i =1 2 i =1 2
1 1 2 1
⇒ ∑ xi − ∑ ( xi − 1) 2 < Logk
2 4 4
1 n 2 n 2 n .
− ∑ xi − ∑ xi + 2 ∑ xi − n < k ′
8 i =1 i =1 i =1
1
=− { 2nx − n} < k ′ ⇒ − n x + n < k ′
8 4 8
n n
′
− x<k − X > k* r : RH 0 ⇒ X > k *
4 8
*
طریق خطای نوع اول قابل ازk معمولً
تشخیص خواهد بود ،در حالی که بدانیم آماره
مورد نظر در ساختار انجام آزمون با چه
عنوانی مورد توجه قرار می گیرد .
*
k
> α = P( RH 0 ) = P( X > k * ) = P( Z )n
2
*k *k
(= 1− N ( n) ⇒ N n) = 1−α
2 2
k*
⇒ n = N −1 (1 − α )
2
2 −1
k* = N (1 − α ) ⇒ r : RH 0 ↔ X > k *
.
2 −1
X > N (1 − α )
n
مثال :خانواده :
f ( x, θ ) = θe −θx x≥0 θ >0
θ 0 n e −θ ∑ xi
γ = ≤k
θ1n e −θ ∑ xi
از آنجایی که فرضهای مورد نظر ساده می
باشند supبه مفهوم مقدار اصلی آن که در مسئله
تعیین می شود صورت خواهد گرفت .
θ
γ = ( 0 ) n e − (θ 0 −θ1 ) ∑ xi ≤ k
θ1
θ
e − (θ 0 −θ1 ) ∑ xi ≤ ( 0 ) n k = k1 ∑ xi ≤ k1
θ1
H 0 : θ = 1
H1 : θ ≠ 1
در نظر می گیریم آزمون مربوط به
را صورت دهید .
حل :قبل ازحل این مسئله ،بی مناسبت نخواهد
بود که به مطالب زیر توجه دقیق داشته باشیم .
) Sup L( x,θ
θ ∈H 0
=Λ = ϕ ( x) ≤ k
) Sup L( x, θ
θ ∈Θ
همانطور که ملحظه می شود نتیجه Λبر
حسب یک تابع ) ϕ (xمعرفی خواهد شد و از
− 2 Lnϕ ( x) ~ χ 2 آنجایی که :
r
)Γ(α = , β = 2 ϕ ( x) ≤ k
2
∞+
1
∫ x r 2 −1e − x 2 dx = α
r r2
k ′ Γ( ) 2
2
می توانیم به سادگی در قالب تکنیک زیر مقدار
k1
را معرفی کنیم .
در این صورت موقعیت آزمون معرفی و
نتیجه به پایان خواهد رسید .حال به سراغ حل
n
−1 2σ 2 2
e ∑ ( −2 xi + 2 x xi + 1
.
− x )≤k
i =1
1 n
exp(− ∑ − 2 nx + n + nx 2 ) ≤ k
2
2σ i =1
−1 2σ 2 ( −2nx + nx 2 + n )
e ≤k
− n 2σ 2 ( x −1) 2
e ≤k
.
n
− ( x − 1) 2 ≤ Logk = k ′
2σ 2
x −1
( n ) 2 ≥ −2k ′ = k1 ⇒ χ (21) ≥ k1
σ
همانطور که ملحظه می گردد می توانیم نتیجه
k1
را در قالب تکنیک زیر محاسبه کنیم .
∞+
1
∫ x −1 2e − x 2 dx = α r
α = ,β = 2
1 12 2
k1 Γ( ) 2
2
مثال : 2خانواده :
H 0 : θ ≤ θ0
را
H1 : θ > θ 0
در نظر می گیریم فرض
آزمون کنید .
حل :برای این منظور به سراغ یک نمونه ای
به حجم nاز توزیع مورد نظر خواهیم رفت .
ˆθ ، Max سپس از طریق نسبت درستنمایی
را می یابیم و از آنجا با انجام عملیات منطقی
آزمون مورد نظر مشخص خواهد شد .
L( x, θ ) = θ n e −θ ∑ xi
dL
= nθ n −1e −θ ∑ xi − (∑ xi )θ n e −θ ∑ xi = 0
dθ
θ n −1 (n − θ ∑ xi )e −θ ∑ xi = 0
.
n 1
⇒ θˆ = =
∑ xi X
n −θ 0 ∑ xi
Sup L ( x , θ ) = θ 0e θ ≤ θ0 <
1
θ ∈Θ 0 x
1 n −1 X ∑ xi −n −n 1
Sup L( x, θ ) = ( ) e = (X ) e , > θ
θ ∈Θ
X .
X
θ n e −θ 0 ∑ xi θ0 >
1
0 −n −n X
Λ = (x) e 1
θ0 <
1 X
نکته :در بال چون فضا تعریف شده است
در صورت کسر مقدار θ 0و در مخرج کل
فضای حالت را قرار می دهیم .
با شرط . θ 0 x < 1
n −θ ∑ xi + n
Λ = (θ 0 x ) ⋅ e
Λ = (θ 0 x ) n ⋅ e − n(θ 0 x −1)
H 0 : θ = θ 0
عدد → ) (θ1 > θ 0
H1 : θ = θ1
ابزار کار برای هر فرضی در قدم اول گرفتن نمونه
ای به حجم nاست .
) Sup L( x, θ 0
θ ∈H 0
= γ ≤k
)Sup L( x, θ1
θ ∈H1
H 0 : θ ≤ θ0
H1 : θ > θ 0
Sup L( x, θ ) =
θ ∈H 0
در نهایت دو حالت برای Λبدست می آید .
)Q(x ) (LRT
برابر باشد با نسبت بایستی
θ ∈ H ⊆ R* , f ( x, θ ) = θe −θx
در نظر می گیریم با انتخاب یک نمونه به حجم
H 0 : θ = θ0
n
H1 : θ > θ 0
را آزمون نمایید و فرض
)(ump
تحقیق نمایید که آزمون انجام گرفته
می باشد .
حل :با توجه به نسبت درستنمایی ماکزیمم می
توانیم موقعیت منطقه رد را که در قالب مثال
بال معرفی شده ،مجدداً در نظر بگیریم .
)(ump اما بر اساس مطالب زیر خصوصیات
برقرار بوده و نتیجه به پایان می رسد .
* r *: RH 0 ↔ X < k
Sup Π r * (θ ) = α
θ ∈H 0
)X ~ N (θ ,1
.
1
= exp(− (−2θ ′∑ xi + nθ ′2 + 2θ ′′∑ xi − nθ ′′2 ))
2
1
= exp(− (2n(θ ′′ − θ ′) x + n(θ ′2 − θ ′′2 ))) ≤ γ
2
) − n(θ ′′−θ ′) x −1 2 n(θ ′2 −θ ′′2
e ≤γ
n
∏ ( xi < θ ) → yn < θ
i =1
θ ′′ n
L( x, θ ′) ( ) 0 < yn < θ ′
= θ′
L( x, θ ′′) θ ′ < yn < θ ′′
0
)L( x, θ ′ چون خارج از بازه است ،بنابراین
برابر صفر خواهد بود ،پس در کل برابر صفر
خواهد بود .
این تابع ناصعودی است ،بنابراین نمی توان
yn
بحث می کنیم گفت یکنواست اما نسبت به
و در بازه مورد نظر یکنوایی را بررسی می
yn
منحصر به فرد است کنیم .بنابراین چون
پس تنها یک مقدار Maxرا به خود نسبت می
. Max( xi ) = yn دهد .بنابراین یکنواست
نکته مهم :کلیه چگالی ها که خاصیت یکنوا
بودن را دارا باشند دارای آزمون umpهستند .
ump آزمون ) N (θ , σ 2 مثال :آیا در خانواده
وجود دارد ؟
σ 2معلوم θ ∈ Θ ،
حل :همانطور که ملحظه شد این خانواده
دارای نسبت درستنمایی X نسبت به ∑ xiیا
همواره نزولی و یکنوا ) ϕ(X یکنواست و
خواهد بود که در این صورت منطقه رد متناظر
با عبارت زیر خواهد بود :
{
*C = X X > k }
در اینصورت می توانیم تابع توان را در قالب
معرفی و بر حسب خطای نوع اول H0 رد
نتیجه را معرفی کنیم .
* ϕ (t ( x)) < k → t ( x) ≥ k
) Π r (θ ) = P( RH 0
) * α = Pθ =θ 0 ( RH 0 ) = P ( X > k
k * − θ0
> = P(Z )n
σ
k * − θ0
α = 1 − P(Z < n)
σ
k * − θ0
N( n) = 1− α
σ
.
k * − θ0
n = N −1 (1 − α )
σ
* σ −1
k = θ0 + N (1 − α )
n
σ −1
RH 0 ⇔ X > θ 0 + N (1 − α )
n
k* − θ k* − θ
Π r (θ ) = P( Z > n) = 1− N ( n)
σ σ
.
θ + σ n N −1 (1 − α ) − θ
=1− N 0 n
σ
(θ 0 − θ )
=1− N n + N −1 (1 − α )
σ
اما می توانیم از طریق LRTنتیجه را به گونه
ای دیگر بیان کنیم .
n2
∑ (x − x) 2
Λ= i ≤λ
2
∑ ( xi − θ 0 )
( xi − θ 0 ) 2 = [ ( xi − x ) + ( x − θ 0 )] 2
= ( xi − x ) 2 + 2( xi − x )( x − θ 0 ) + ( x − θ 0 ) 2
n2
n2
∑ ( xi − x ) 2 1
Λ= =
2 2 2
∑ ( xi − x ) + n( x − θ 0 ) 1 + n ( x − θ 0 )
∑ ( x − x )2
i
) X 2 : ( X 21, X 22 , , X 2n2
می خواهیم فرض های زیر را آزمون کنیم .
H 0 : µ1 = µ 2 = µ
H1 : µ ≠ µ 2
2
بعدی است :
) ( µ1, µ 2 , σ
:تحت فرض
H0 (µ , σ 2 ) ∈ R × R +
1 n1 1 n2
2 2
2 ∑ 1j 2 ∑ 2j
× exp− ( x − µ1 ) − ( x − µ2 )
2σ j =1 2σ j =1
∂L n1 x
∂µ = 0 1j
1 µˆ1 = x1 = ∑
∂L j =1 n1
=0 ⇒
∂µ 2 n2 x
2j
∂L µˆ 2 = x2 = ∑
2 =0 j =1 n2
∂σ
n1 n2
ˆ2
1 2 2
σ = ∑ ( x1 j − x1 ) + ∑ ( x2 j − x2 )
.
n1 + n2 j =1 j =1
n1 + n2
2
n1 + n2
n1 + n2 −
Sup L = n e 2
1 n
2
2
Θ 2
2n ∑ ( x1 j − x1 ) + ∑ ( x2 j − x2 )
j =1 j =1
: در اینجا داریم
تحت: n x +n x
H0 µˆˆ = 1 1 2 2
n1 + n2
فرض
1 n1 n2
H1 ˆˆ 2
σ = 2 2
∑ ( x1 j − µˆ ) + ∑ ( x2 j − µˆ )
n1 + n2 j =1
تحت فرض: j =1
1 2 ni
2
= ∑ ∑ ij
n1 + n2 i =1 j =1
( x − µ
ˆ )
µ̂ˆ µ̂
. است همان که در اینجا
n1 n1
2 n1x1 + n2 x2 2
∑ 1j( x − µ
ˆ ) = ∑ 1j( x −
n + n
+ x1 − x 2 )
j =1 j =1 1 2
n1 n1
n1x1 + n2 x2 2
= ∑ ( x1 j − x1 ) 2 + ∑ 1 ( x −
n1 + n 2
)
j =1 j =1
n1
n1x1 + n2 x2
+ 2 ∑ ( x1 j − x1 )( x1 − .
)
j =1 n1 + n2
n1
2 n2 ( x1 − x2 ) 2
= ∑ ( x1 j − x1 ) + n1 ( )
j =1 n1 + n2
n1 n1
2 2 n1n22 ( x1 − x2 ) 2
⇒ ∑ ( x1 j − µˆ ) = ∑ ( x1 j − x1 ) +
2
j =1 j =1 ( n1 + n 2 )
: لذا. همین طور ساده می شود، دیگری هم
1 n1 n2
n1n2
ˆ 2 2 2 2
σˆ = ∑ ( x1 j − x1 ) + ∑ ( x2 j − x2 ) + ( x1 − x2 )
n1 + n2 j =1 j =1 n1 + n2
Sup = MaxL
n1 + n2
2
n1 + n2
=
1 n n
2 n1n2 2
2
2
∑ 1j 1
2 n ( x − x ) + ∑ 2 j 2 n + n 1 2
( x − x ) ( )( x − x )
j =1 j =1 1 2
n1 + n2
−
×e 2
Sup L n n
1 2 ( x + x )2
1 2
H n1 + n2
Λ= 0 = 1 + ≤ λ ⇔ RH 0
Sup L n 1
2
n 2
2
H ∑ ( x1j − x1 ) + ∑ ( x 2j − x )
2
j =1 j =1
σ2 σ2
X 1 ~ N ( µ1, ) X 2 ~ N (µ2 , )
n1 n2
) ( X1 − X 2) − ( µ1 − µ 2
=Z )~ N (0,1
2 1 1 و می دانیم :
) σ ( +
n1 n2
n1
= S12
1
∑ 1j 1
( x − x ) 2 و نیز می دانیم :
n − 1 j =1
µ1 − µ 2 = 0
است .
n1n2
) ( x1 − x2
n1 + n2
= )T( n1 + n2 − 2
2
∑∑ 2j i
( x − x )
i j
n1 + n2 − 2
. برسانیم2 را به توانT اگر
n1n2
( x1 − x2 ) 2
n1 + n2
Tν2 = = F1,ν
2
∑ ∑ ( xij − xi )
i j
n1 + n2 − 2
n1n2
( x1 − x2 )
T2 n1 + n2
⇒ =
n1 + n2 − 2 2
∑ ∑ ij i
( x − x )
i j
. را به صورت زیر بیان کرد پس می توان
Λ
n1 + n2
−
t2 2
H0 Λ = 1 + ≤ λ0
تحت: n1 + n2 − 2
n1 + n2
−
F 2
= 1 + ≤ λ0 ⇔ RH 0
n1 + n2 − 2
که اگر از Λمشتق بگیریم .مشتق Λهمواره
منفی است ،پس Λهمواره نزولی است .
T 2 = F ≥ k * ⇔ P( F ≥ k * ) = α
اگر بر حسب Fمی گرفتیم ،مسئله در همین
) (F = T 2 بگیریم حسب T 2 جا حل بود ولی اگر بر
چون Tرا در Fآزمون یکنواخت است .
}A2 = { 3,4
}A3 = { 5,6
سپس این تاس را 24بار پرتاب می کنیم ،
ملحظه می کنیم که در این تعداد پرتاب 6بار
موقعیت 1یا 2آمده است 8 .بار موقعیت 3
یا 4آمده و 10بار موقعیت 5یا 6ظاهر
χ2
نتیجه را بیابید . شده است در قالب آماره
انتخاب شده است . α = 0.05
اینجا در
S = {1,2,3,4,5,6}
A2 = { 3,4} A3 = { 5,6}
1 1
Pi = ei = nPi = 24 × = 8
3 .
3
3 (n − e ) 2 ( 6 − 8) 2
(8 − 8) 2
(10 − 8) 2
χ2 = ∑ i i ⇒ + + =D
i =1 ei 8 8 8
نتیجه :چون 1 > 0.103می باشد لذا دلیلی
برای رد نکردن H 0وجود ندارد .
χ 02.05 (2) = 0.103
نکته :در راستای مطالب اخیر می توانیم
نظر خود را به جداول توافقی معطوف داریم .
حرکتی که در داخل این جداول صورت می
2
ثمر خواهد بهχ گیرد عملً بر مبنای توزیع
نشست با این تفاوت که برآوردها از طریق
مجموع مشاهدات حاشیه ای صورت می گیرد
که در قالب یک جدول فرضی نتیجه را به
صورت زیر ملحظه می کنیم .
..
2 2 2
( 40 − 39.66) ( 25. 28.3) (8 − 11.3)
.
χ2 = + ++
39.66 28.3 11.3
df = (r − 1)(c − 1) = (2 − 1)(4 − 1) = 3
هدف فصل :
هدف این فصل بحث در یك حالت خاص
مدل آماري خطي مي باشد .درباره این
موضوع ،مطالب زیادي در دسترس است
ولي ما تنها حالت خاص مدل خطي ساده را
بررسي مي كنیم .
عناوین مهم فصل :
1ـ مقدمه
2ـ مثال های مدل خطی
3ـ تعریف مدل خطی
4ـ برآورد نقطه ای ـ حالت A
ـ برآورد نقطه ای ـ حالت B 5
مقدمه و رؤوس مطالب
برخي از مؤلفان به این مدل نظریه رگرسیون
خط مستقیم مي گویند .براي مطالعه این مدل
استفاده از برخي نظریه ها ،از قبیل نظریه
توزیع ،مفاهیم برآوردهاي نقطه اي و بازه اي
و برخي از مطالب آزمون فرض لزم مي
باشند .
در این قسمت توضیح مي دهیم كه چگونه
مي توان این مفاهیم را براي حالت مدل خطي
ساده كه در آمار كاربردي اهمیت دارد ،به كار
برد.
مثال هاي مدل خطي
در این بخش دو مثال براي بیان این كه
چگونه مدل خطي در مسایل كاربردي استفاده
مي شود ،ارائه مي دهیم .
مثال : 1
s
11 = β 0 + 4 β1
به دست مي آیند و جواب برابرست
s = −1+ 3t β1 = 3 β 0 = −1
مي باشد . ؛ بنابراین و با
فرض كنید به دلیلي نمي توان فاصله را با
دقـت ـمشاهده ـكرد ـو ـیك ـخطاي ـاندازه ـگیري
وجود ـدارد ـكـه ـماهیـت ـآـن ـتصـادفي ـاست ـ.
بنابراین sرا نمي توان مشاهده كرد ،اما فرض
كنید مي توانیم Yرا مشاهده كنیم كه در آن
و Eخطاي تصادفي است كه میانگین آن Y = s+E
t
ارتباط تابعي وجود ندارد .
و از كردن β 0و β1 در این مدل ،هدف ،پیدا
آنجـا ـمحاسـبه ـ1tـβـ ـ +ـ0ـβـ ـ= ـ sـبراي ـمقادیـر ـمختلـف ـ tـ ـمي
باشـد ـ .چون ـ sـخطاپذیـر ـاسـت ـو ـنمـي ـتوان ـآن ـرا
را معلوم كنیم ، β1 مشاهده كرد ،نمي توانیم β 0و
وY اما با مشاهده مجموعه هاي مختلفي از مقادیر
، tمي توان روش هاي آماري را براي به دست
آوردن ـبرآوردهاي ـ0ـβـ ـ ،ـ1ـβـ ـو ـsـ ـبـه ـكار ـبرد ـ .این
نوع ـمدل ـ ،ـیـك ـمدل ـارتباط ـتابعـي ـبا ـخطاي ـ ـ ـ ـ
اندازه گیري مي باشد .
مثال : 2به عنوان مثالي دیگر ،ارتباط بین
قد hو وزن wافراد در یك شهر معیني را در
wـ ـو ـhـرابطـه ـتابعي
نظـر ـبگیریـد ـ .مسـلماً ـبیـن ـ
وجود ندارد ،اما به نظر مي رسد كه بین آنها
نوعي ارتباط وجود دارد .
ما آنها را به عنوان متغیرهاي تصادفي بررسي
داراي توزیع كرده و فرض مي كنیم
) (W , H
نرمال دو متغیره است .در این صورت مقدار
از براي یك مقدار مفروض امید ریاضي
w H
W
به صورت زیر است :
Ε[ H W = w] = β 0 + β1w
β1 β0
توابعي از پارامترهاي یك و كه در آن
چگالي نرمال دو متغیره مي باشند .
و Wرابطه تابعي وجود H گرچه بین
ندارد ،اما اگر آنها نرمال توأم شوند ،یك
رابطه تابعي خطي بین وزنها و مقدار متوسط
قدها وجود دارد .بنابراین مي توانیم عبارت
Ε[ H W = w] = β 0 + β1w
زیر را بنویسیم :
یا مي توان نوشت :
H w = β 0 + β1w + E
و
var[Yi ] = σ 2
En , , E 2 , E1
بنابراین مي توانیم متغیرهاي تصادفي
را با :
Ei = Yi − β 0 − β1 xi i = 1,2, , n
E ( Ei ) = 0
Var ( Ei ) = σ 2
σ 2
باشند .براي پیدا كردن مي و واریانس هاي
برآوردگرهاي نقطه اي ،روش درستنمایي
ماكزیمم را به كار مي بریم .
: تابع درستنمایي عبارت است از
L( β 0 , β1 ,σ 2 ) = L( β 0 , β1 , σ 2 , y1 , y 2 , , y n )
n
12 1 y −β −β x 2
1
= ∏ exp − i 0 1 i
πσ 2 2 σ
i =1
2
و
π π 1 n
LogL ( β 0 , β1 , σ 2 ) = − Log 2π − Logσ 2 − ∑ ( yi − β 0 − β1 xi ) 2
2 2 2σ 2 i =1
مشتقات جزئي ) LogL(β 0 , β1,σ 2را نسبت به
به دست آورده و مجموعه را برابر σ 2 , β1 , β 0
βˆ0 = y − βˆ1x
~21 n
σ = ∑ ( yi − βˆ0 − βˆ1xi ) 2
n i =1
( )
fYi ( yi ; β 0 , β1 , σ ) = 2πσ 2 −1 2 1 y − β − β x 2
exp − i
2 σ
0 1 i
(
= 2πσ 2 )
−1 2 1
exp −
2σ 2
( β 0 + β1xi )
2
1 2 β0 β1
× exp − yi + yi + xi yi
2σ 2 σ2 σ2
. پارامتري است
ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــن:
n n n بنابرایـ
2, Y , x Y
∑ i ∑ i ∑ ii
Y
i =1 i =1 i =1
× (1 − 2t3 ) − ( n − 2) 2
1
، t3 <
2
از این تابع مولد گشتاور مي توانیم چیزهایي
بیاموزیم :
-1این عبارت به تابعي تنها ازt 2 ,t1
−σ 2x
[ ]
= Cov Bˆ 0 , Bˆ1 و
∑ ( xi − x ) 2
تابع مولد گشتاور ) m2 (t3 -3تشخیص مي دهیم
یك متغیر تصادفي كي دو با n − 2درجه آزادي
مي باشد .بنابراین داریم :
nσˆ 2 1 2
= ∑ i 0 1i
(Y − ˆ
B − ˆ
B x )
σ2 σ 2
= Bˆ1
) ∑ (Yi − Y )( xi − x
2
∑ i( x − x )
2 1 2
= ˆσ
n−2
∑ i 0 1i
(Y − ˆ
B − ˆ
B x )
2
باشند . مي σ و واریانس هاي
چون چگالي توأم ها مشخص نشده است ،
Yi
نمي توان برآوردگرهاي درستنمایي ماكزیمم ،
را به دست آورد .در مدلهایي كه در
σ 2 , β1 , β 0
آنها چگالي توأم متغیرهاي تصادفي قابل مشاهده
داده نشده است ،مي توان از یك روش برآورد
استفاده موسوم به
كرد .
تعریف كمترین مربعات
فرض كنید ) n ، i = 1,2, , n ، (Yi , xiجفت مشاهده
باشند كه در مدل خطي ساده صدق مي كنند .
n
مقادیر β 0 , β1كه مجموع مربعات :
2
∑ i 0 1i
(Y − β − β x )
i =1
= Bˆ1
) ∑ (Yi − Y )( xi − x
2
∑ i( x − x )
روش كمترین مربعات ،برآوردگري را براي
σ2
به دست نمي دهد .
بر اساس برآوردگرهاي σ2 اما یك برآوردگر
عبارت است از : β 0 , β1 كمترین مربعات
1
= σˆ 2 ∑ i 0 1i
(Y − ˆ
B − ˆ
B x ) 2
n−2
براي ــحالــتAــ ــبرآوردگرهاي ــدرستنمایي
2,β ,β
ـبرخـي ـویژگـي ـهاي ـبهینه ـ ـ 0ـ ـ 1ـ ـ ـ ـ
σ ماكزیمـم
مطلوب ـرا ـدارا ـبودنـد ـ .ایـن ـمطالـب ـبیان ـمي
دارد كه Bˆ 0 , Bˆ1برآوردگرهاي نااریب با واریانس
مي نیمم مي باشند .
رده همه برآوردگرهاي نااریب در β 0 , β1 یعني
در معادله : برآوردگرهاي Bˆ 0 , Bˆ1 ،
Bˆ 0 = Y − Bˆ1x
= Bˆ1
) ∑ (Yi − Y )( xi − x
2
∑ i( x − x )
1
= σˆ 2 ∑ (Yi − Bˆ 0 − Bˆ1 xi ) 2
n−2