430
Roy, J.—Chakravarti, I. M.:
Véges, sok elemű alansokasáá középértékének becslése
(Estimating tbe mean of a flnite population.) :— Annals of Mathematical Statlstics. 1960.
:. az; 312—398. p.
Szerzők azt a kérdést vizsgálják, hogy
N különböző elemből álló alapsokaság valamely y jellemzőjének —-. melynek értékét az alapsokaság i-edik eleménél yl-vel jelöljük ——
1 N
: Egg/i (áml,2,....N)
középértékét bizonyos rögzített mintaát- vételi mód mellett, hogyan lehet ,,jól"
becsülni.
A becsléselméletben a ,,jó" .becsléstől bizonyos kritériumok teljesülését követe- lik meg. Egyik legfontosabb követelmény, hogy a becslés várható értéke megegyez- zék magával a becsült paraméterrel. Az olyan becslést, amely eleget tesz ennek a feltételnek, torzitatlannak nevezik. A má- sik fontos követelmény, hogy a becslés a lehető legkisebb szórású legyen. Ha pél—
dául egy ismeretlen paraméterre két kü—
lönböző torzitatlan becslésünk is van, ak—
kor azt részesítjük előnyben, amelynek szórása kisebb.
Godombe már 1955—ben bebizonyította,
hogy a fent definiált [).—re vonatkozó ösz—
szes lineáris torzitatlan becslések H hal- mazában nem létezik ,,legjobb" becslés, tehát olyan, amelynek szórása kisebb a halmaz bármely elemének szórásánál. Ez úgy is fogalmazható, hogy a pr—re vonatkozó összes lineáris becslésék körében nem lé—
tezik minimális szórású.
Szerzők elég általános mintaátvételi mó—
dot megengedve, megkonstruálják az alábbi T* becslést a ,a. paraméter becslé—
sére:
1 N MMX)
T'! 255821?"th (Xn "]
ahol ,a; (X) : 0, ha az X elemszámú min- tában az alapsokaság i—edik eleme nem fordul elő és 1, ha az legalább egyszer
N
elöfordul, MX) :: 2 W (X) M [MNXH pe—
isi
die/l,- (X) várható értékét jelöli. Szerzők kimutatják, hogy ennek a T* becslésnek _ T* eleme H-nak, hiszen lineáris torzí—
tatlan becslést ad pl.—re, —— a szórása ki-
sebb vagy egyenlő a H halmaz bármely elemének szórásánál.
A továbbiakban szerzők megkísérlik leszűkíteni a H halmazt úgy, hogy eb—
ben a szűkebb halmazban már létezzék bizonyos mintavételi mód mellett legjobb.
STATISZTXKAI IRODALMI FIGYELÖ
azaz, minimális szórású becslés. Ebből a célból definiálják egyrészt a ,,reguláris"
becslés fogalmát, másrészt a ,,kiegyen—
súlyozott" mintavételi módot. Egy pl.-re vonatkozó lineáris, torzitatlan becslést regulárisnak neveznek, ha szórásne'gyzet'e az alapsokaság szórásnégyzetével arányos, ahol ez az arányossági tényező független y—tól. Egy mintavételi módszert pedig ak—
kor neveznek kiegyensúlyozottnak, ha
X 1
M (M )) : __ !?!
MX) N
Bebizonyitják, hogy az N
MAX)
§ IN (X)
becslés kiegyensúlyozott mintavételi mód mellett a ,u-re vonatkozó összes reguláris
becslések közül a legjobb, azaz minimális szórású.
Eredményeiket három ismert mintavételi módra alkalmazzák:
1. Egyszerű véletlen mintavétel vissza—
tevéssel fix mintaelemszámmal. Tételeik—
ből következik, hogy ebben az esetben a pt átlag becslésére a
N
2 '?lz' M' (X)
ír:].
Nt ---(ua—%n"
becslés jobb becslés, mint a mintaelemek közönséges számtani átlaga, és a
Ni
T :: "5" t,. LF__
MX)
" ffi * ! ,J, (X)
típusú
T *
becslés pedig a legjobb reguláris becslése ,u—nek.
2. Egyszerű véletlen mintavétel vissza—
tevés nélkül, fix mintaelemszámmal.
Ennél a mintavételi módnál a minta—
elemek átlaga adja a legjobb reguláris becslést.
3. Egyszerű véletlen mintavétel vissza—
tevéssel, véletlentől függő mintaelemszám esetén, amikor is a mintavételt addig folytatjuk, mig 1: különböző mintaelemet ki nem választottunk.
Az ilyen típusú mintavételnél is a
N
T. 3 2 ?lí P—ÁX)
% :: 1 ""
jobb becslést ad [Ji—re, mint a mintaelemek számtani átlaga, sőt ez a legjobb regu—
láris becslés.
(Ism.: Schnell Lászlóné)