G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
G:\Statistiske grundbegreber-v8\s1v8-forside.wpd
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
n n<br />
n n<br />
1 1<br />
= nV ⋅ ( XY , ) − ∑∑<br />
E( ( Xi − µ x)( Yj − µ Y) = n⋅V( X, Y)<br />
− ∑∑V(<br />
Xi, Yj)<br />
n<br />
n<br />
i=<br />
1 j=<br />
1<br />
n<br />
1<br />
= nV ⋅ ( XY , ) − ∑V(<br />
Xi, Yi)<br />
n<br />
i=<br />
1<br />
129<br />
i=<br />
1 j=<br />
1<br />
( idet V( X , Y )= 0 for i ≠ j i en stikprøve)<br />
i j<br />
9.1 Indledning<br />
1<br />
= nV ⋅ ( XY , ) − ⋅nV ⋅ ( XY , ) = ( n−1) ⋅V(<br />
XY , ) , dvs. E .<br />
n SAP ⎛ XY ⎞<br />
⎜ ⎟ = V( X, Y)<br />
⎝ n − 1 ⎠<br />
Erstattes Y med X i beviset, bliver SAPXY erstattet med SAK X , og V( X, Y)<br />
bliver erstattet med V( X)<br />
,<br />
hvorved vi også får bevist, at E . Erstattes X med Y , fås endelig<br />
SAK ⎛ X ⎞<br />
⎜ ⎟ = V( X)<br />
E<br />
⎝ n − 1 ⎠<br />
SAK ⎛ Y ⎞<br />
⎜ ⎟ = VY ( )<br />
⎝ n − 1 ⎠<br />
Poolet estimat<br />
Som nævnt er SAK en forkortelse for “Sum af Afvigelsers Kvadrater”. De afvigelser der tænkes på er de n differenser<br />
X − X, X − X,..., X − X . De har summen 0, så når n - 1 af dem er kendt, er den sidste fastlagt. Da SAK således<br />
1 2<br />
n<br />
kun er baseret på n - 1 uafhængige differenser, siger man, at SAK har f = n - 1 frihedsgrader. Det er også antallet<br />
af frihedsgrader der optræder i estimatet for varians: s<br />
2 =<br />
SAKX<br />
f<br />
Ofte har man taget k stikprøver på variable med samme varians σ , så vi får k uafhængige estimater for den samme<br />
2<br />
varians :<br />
s<br />
σ 2<br />
SAK<br />
2 SAK2<br />
= , s2<br />
= ,. . . . . ., s<br />
f<br />
f<br />
2 1<br />
1<br />
1<br />
2<br />
2<br />
k =<br />
SAK<br />
f<br />
og det er da fordelagtigt at forene dem i et såkaldt fællesestimat eller poolet estimat:<br />
s<br />
2<br />
fs + fs 2 2+<br />
... + fs<br />
f + f + ... + f<br />
2 2<br />
2<br />
pool = 1 1<br />
k k<br />
1 2<br />
k<br />
Dette kan også skrives<br />
SAK + SAK + ... + SAKk<br />
s =<br />
f + f + ... + f<br />
2<br />
pool<br />
1 2<br />
1 2<br />
2<br />
spool k<br />
k<br />
k<br />
med f = f + f + ... + f frihedsgrader<br />
pool 1 2 k<br />
, med f = f + f + + f frihedsgrader.<br />
pool 1 2 ... k<br />
Det ses, at har den rigtige middelværdi , idet linearitetsreglen giver<br />
2<br />
2 2<br />
2 2 2<br />
2 fEs 1 ( 1)<br />
+ fEs 2 ( 2)<br />
+ ... + fkEs ( k)<br />
f1σ + f2σ + ... + fkσ<br />
2<br />
Es ( pool ) =<br />
=<br />
= σ .<br />
f + f + ... + f<br />
f + f + ... + f<br />
1 2<br />
k<br />
σ 2<br />
1 2<br />
Eksempel 9.2. Kovarians. Korrelationskoefficient.<br />
Vi betragter igen den 2-dimensionale fordeling fra eksempel 9.1.<br />
a5) Find kovariansen og korrelationskoefficienten.<br />
b2) Benyt stikprøven til at finde estimater for kovariansen og korrelationskoefficienten.<br />
LØSNING:<br />
a5) Idet vi i eksempel 9.1 har fundet µ 1 = 11 .,µ 2 = 12 . , σ =<br />
V( X1, X2)<br />
og korrelationskoefficienten ρ( X1, X2)<br />
:<br />
069 . og σ = 096 . , finder vi nu kovariansen<br />
( )<br />
V( X , X ) ≡ E ( X − µ ) ⋅( X − µ ) = ( x − µ )( x − µ ) f ( x , x )<br />
i j i i j j<br />
∑∑<br />
x1<br />
x2<br />
1 1 2 2 1 2<br />
= ( 0− µ ) ⋅( 0− µ ) ⋅ f ( 00 , ) + ( 1− µ ) ⋅( 0− µ ) ⋅ f ( 10 , ) + ( 2−µ ) ⋅ ( 0−µ ) ⋅ f<br />
( 20 , )<br />
1 2 1 2 1 2<br />
k<br />
.