ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ.

Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας

ΑΣΚΗΣΕΙΣ ΚΑΙ ΛΥΣΕΙΣ ΓΙΑ ΣΤΑΤΙΣΤΙΚΗ ΙΙ

Άσκηση 1

Έστω ότι το μηνιαίο καθαρό εισόδημα πέντε επιχειρήσεων (Ν=5), είναι όπως δείχνει ο
παρακάτω πίνακας.
α) Να βρείτε το μέσο και την διακύμανση του πληθυσμού.
β) Να βρείτε το μέσο όλων των δειγμάτων (χωρίς επαναφορά) και την διακύμανση της
κατανομής των μέσων για n=2 και n=3.

Οικογένειες Καθαρό μηνιαίο εισόδημα

(σε χιλιάδες)
Α 100
Β 210
Γ 80
Δ 90
Ε 70

Λύση
α)

100  210  80  90  70
  110
2
5

( x  )
i 1
i
2

2   2599,98
5
β)
Για n=2 έχουμε,

Δείγματα Μέσοι δειγμάτων

ΑΒ 155
ΑΓ 90
ΑΔ 95
ΑΕ 85
ΒΓ 145
ΒΔ 150
ΒΕ 140
ΓΔ 75
ΓΕ 75
ΔΕ 80
Άθροισμα 1100
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας

Ο μέσος των μέσων όλων των δειγμάτων είναι, ~x  x i

 1100 / 10  110   (ο μέσος
10
του πληθυσμού).
Η διακύμανση της κατανομής των μέσων των δειγμάτων είναι,
1
 x2  [(155  110) 2  (90  110 ) 2  .............  (80  110) 2 ]  975.
10
Επίσης μπορούμε να εφαρμόσουμε τον τύπο,
 2 N  n 2599,98 5  2
 x2    975.
n N 1 2 5 1

Για n=3, έχουμε

Δείγματα Μέσοι δειγμάτων
ΑΒΓ 130
ΑΒΔ 133,33
ΑΒΕ 126,66
ΑΓΔ 90
ΑΓΕ 83,33
ΑΔΕ 86,66
ΒΓΔ 126,66
ΒΓΕ 120
ΒΔΕ 123,33
ΓΔΕ 80
Άθροισμα 1100

Ο μέσος των μέσων όλων των δειγμάτων είναι, ~x  x i

 1100 / 10  110   (ο μέσος
10
του πληθυσμού).
Η διακύμανση της κατανομής των μέσων των δειγμάτων είναι,
2 N n
 x2   433,33.
n N 1

Άσκηση 2

Ο αριθμός των ωρών ανά εβδομάδα που περνούν στο «campus» οι φοιτητές ενός
μεγάλου πανεπιστημίου ακολουθεί μια κανονική κατανομή με τυπική απόκλιση 5 ώρες.
Παίρνουμε ένα τυχαίο δείγμα n φοιτητών. Πόσο μεγάλο πρέπει να είναι το δείγμα ώστε η
πιθανότητα ο μέσος του δείγματος να διαφέρει λιγότερο από μια ώρα από το μέσο του
πληθυσμού να είναι τουλάχιστον 0,90;

Λύση
Έστω Χ= αριθμός των ωρών ανά εβδομάδα που βρίσκονται στο «campus» οι φοιτητές,
τότε Χ~Ν(,52). Θέλουμε να βρούμε n ώστε

 52 
P (| X   | 1)  0,90. Από τα στοιχεία πιο πάνω ξέρουμε ότι X ~ N   , ,
 τότε,
 n 
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
| X   | 1   1 
P (| X   | 1)  P     P  | Z |
 5 n 5 n  5 n 
(|...| παριστά την απόλυτη τιμή).
 n 
 P  | Z |
 5 
 
Από το πίνακα της τυποποιημένης κανονικής κατανομής πρέπει να βρούμε εκείνο το
αριθμό που αφήνει 5% του εμβαδού δεξιά, δηλαδή 1,645. Τότε έχουμε,
n
 1,645 , λύνουμε και βρίσκουμε n=68.
5

Άσκηση 3

Έστω ότι από κάποιο πληθυσμό με μέσο  και διακύμανση 2, έχουμε πάρει ένα τυχαίο
δείγμα τριών παρατηρήσεων X 1 , X 2 , X 3 . Ποια από τις παρακάτω εκτιμήτριες
συναρτήσεις είναι αμερόληπτη εκτίμηση του μέσου  του πληθυσμού και ποια είναι πιο
αποτελεσματική;
1
 ) T1  ( X1  2 X 2  7 X 3)
10
1
 ) T2  ( X 1  2 X 2  2 X 3 )
9
1
 ) T3  (6 X 1  2 X 2  5 X 3 )
7
1
 ) T4  ( X 1  X 2  X 3 )
3

Λύση

Αμεροληψία:

 1  1
E (T1 )  E  ( X 1  2 X 2  7 X 3 )    E ( X 1)  2E ( X 2 )  7E ( X 3 )
 10  10
1
 (   2  7 )  
10
Τ1 είναι αμερόληπτη.

1  1
E (T2 )  E  ( X 1  2 X 2  2 X 3 )    E ( X 1 )  2 E ( X 2 )  2 E ( X 3 ) 
9  9
1 5
 (   2  2 )  
9 9

Τ2 είναι μεροληπτική.
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας

1  1
E (T3 )  E  (6 X 1  2 X 2  5 X 3 )    6 E ( X 1 )  2 E ( X 2 )  5E ( X 3 ) 
7  7
1 3
 ( 6   2   5 )  
7 7
Τ3 είναι μεροληπτική.
1  1
E (T4 )  E  ( X 1  X 2  X 3 )    E ( X 1 )  E ( X 2 )  E ( X 3 ) 
3  3
1
 (    )  
3
Τ4 είναι αμερόληπτη.

Πιο αποτελεσματική θα είναι εκείνη που είναι αμερόληπτη και έχει μικρότερη
διακύμανση.

 1  1
var(T1 )  var  ( X 1  2 X 2  7 X 3 )   var  X 1  2 X 2  7 X 3 
 10  100


1
100

 2  4 2  49 2  54 2
100


1  1
var(T4 )  var ( X 1  X 2  X 3 )   var X 1  X 2  X 3 
 3  9
1

 2 2 2  2
9
1
3


Τ4 είναι πιο αποτελεσματική.

Άσκηση 4

Η κατανάλωση βενζίνης για ένα τυχαίο δείγμα 6 αυτοκίνητων δίνεται πιο κάτω:

18,6 18,4 19,2 20,8 19,4 20,5.

Να κατασκευάσετε ένα 90% διάστημα εμπιστοσύνης για την μέση κατανάλωση στο
πληθυσμό κάτω από την υπόθεση ότι η κατανομή του πληθυσμού είναι κανονική.

Λύση
Πρέπει να υπολογίσουμε το μέσο και την διακύμανση του δείγματος.

1
X 
6  X  19,48
i

S X2 
1
 X  nX   1,12
n 1 
i
2

S X  1,06
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
Επειδή έχουμε κανονικό πληθυσμό με άγνωστη διακύμανση το Δ.Ε. δίνεται από,

tn 1, / 2 S X tn 1, / 2 S X
X X
n n (με
18,61    20,35
X  19,48 S X  1,06 n  6   0,10 tn 1, / 2  2,015 )
Άσκηση 5

Παίρνουμε ένα τυχαίο δείγμα 745 ατόμων που είχαν αποκτήσει βίντεο κάμερα για
τουλάχιστον 12 μήνες και λιγότερο από 24 μήνες. Από τα μέλη του δείγματος, 321
δήλωσαν ότι μετά από την αγορά της βίντεο κάμερας πηγαίνουν λιγότερο συχνά στο
Κινηματογράφο. Να κατασκευάσετε ένα 95% διάστημα εμπιστοσύνης για την αναλογία
στο πληθυσμό.

Λύση

Έχουμε μεγάλο δείγμα οπότε χρησιμοποιούμε την κανονική κατανομή.

pˆ (1  pˆ ) pˆ (1  pˆ )
pˆ  z / 2  p  pˆ  z / 2
n n
0,395  p  0,467
όπου

321
ˆ 
p  0,43
745
n  745
  0,05
z / 2  1,96

Άσκηση 6

Ακολουθεί ένα σύνολο εσόδων από πωλήσεις (σε χιλιάδες φύλλα) μιας εφημερίδας σε
δύο γειτονικές πόλεις για μια περίοδο λίγων ημερών:
Πόλη Α: 25,13, 14, 19, 23, 30, 35, 29, 28, 17, 17, 16, 13, 18, 20
Πόλη Β: 10,12, 15, 13, 7, 6, 11, 5, 9, 14, 15, 18, 17, 16, 12, 12, 10, 11, 13, 14
Να κατασκευάσετε ένα 99% διάστημα εμπιστοσύνης της διαφοράς των μέσων εάν οι
αρχικοί πληθυσμοί είναι κανονικοί και  A2  40, B2  14. .

Λύση
Έχουμε κανονικοί πληθυσμοί, μικρά δείγματα, γνωστές διακυμάνσεις.
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
X A  21,13
n A  15
X B  12
nB  20
X A  X B  9,13
  0,01
z / 2  2,58

Τότε,
 A2  B2  A2  B2
X A  X B  z / 2    A   B  X A  X B  z / 2 
n A nB n A nB
4,40   A   B  13,86

Άσκηση 7

Ένα ζυθοποιείο ξέρει ότι η ποσότητα μπύρας σε ένα κουτί ακολουθεί μια κανονική
κατανομή με τυπική απόκλιση 0,2 ουγκιές.
Παίρνοντας ένα τυχαίο δείγμα 25 κουτιών κατασκευάσθηκε ένα διάστημα εμπιστοσύνης
για το μέσο του πληθυσμού ως εξής: 11,98    12,12 . Ποιο είναι το επίπεδο
εμπιστοσύνης του παραπάνω διαστήματος;

Λύση

Έχουμε κανονικό πληθυσμό και γνωστή διακύμανση, το (1-)% ΔΕ για το μέσο δίνεται
από,

0,2 0,2  0,2 

X  z / 2    X  z / 2 . Το εύρος του διαστήματος είναι 2 z / 2  ,
25 25  25 

 0,2  0,14 5
Λύνοντας, 12,12  11,98  2 z / 2 έχουμε z / 2  2 0,2  1,75 .
 ,
 25 
Χρησιμοποιούμε το πίνακα της Ν(0,1) και το επίπεδο εμπιστοσύνης είναι 91,98%(
1  2(1   (1,75)) )

Άσκηση 8

Έστω ότι από έναν κανονικό πληθυσμό έχει ληφθεί δείγμα 4 μονάδων και οι
συγκεκριμένες παρατηρήσεις είναι: 50, 60, 48, 74. Αν ο μέσος του πληθυσμού είναι
=50, ζητείται να εκτιμηθεί το 95% διάστημα εμπιστοσύνης της διακύμανσης.

Λύση

Το διάστημα της διακύμανσης δίνεται από,

ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας

(x i  )2
2 
(x i  )2
 n2, / 2  n2,1 / 2
39,5   2  916,7
όπου   0,05  42, / 2  11,14  42,1 / 2  0,48 . Σημειώστε ότι οι βαθμοί ελευθερίας
είναι 4 και όχι 3 επειδή χρησιμοποιούμε  και όχι X στον τύπο της διακύμανσης του
δείγματος.

Άσκηση 9

Προκειμένου να βρεθεί η διαφορά του βάρους μεταξύ των σπουδαστών της Ανώτατης
Εμπορικής και του Πανεπιστήμιο Πειραιώς, έχει ληφθεί από την πρώτη δείγμα n1 =1200
σπουδαστών και από τη δεύτερη n2=250 σπουδαστών.
Από τα δείγματα αυτά προέκυψε:
X 1  72 kgr για τους σπουδαστές της Εμπορικής
X 2  70 kgr για τους σπουδαστές του Πανεπ. Πειραιώς.

Αν Θεωρηθεί γνωστό ότι η κατανομή των βαρών στις δυο Σχολές είναι κανονικές και
ότι  12  100,  22  81 , ζητείται το διάστημα εμπιστοσύνης της διαφοράς των μέσων
1   2 σε επίπεδο σημαντικότητας 5%.

Λύση
Το ΔΕ δίνεται από

 12  22 2 2
X 1  X 2  z / 2   1   2  X 1  X 2  z / 2 1  2
n1 n 2 n1 n 2
1,20  1   2  2,80

όπου z / 2  1,96 .

Άσκηση 10

Επιθυμούμε να εκτιμήσουμε το μέσο βάρος των παραγομένων πεπονιών σε μια

πειραματική καλλιέργεια. Ποιο πρέπει να είναι το απαιτούμενο μέγεθος του τυχαίο
δείγματος, ώστε με πιθανότητα 99% το δειγματοληπτικό σφάλμα (το ανώτατο όριο
σφάλματος της εκτιμήσεως) να είναι μικρότερο του 1 κιλό όταν η διακύμανση είναι
2=4.

Λύση
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
z  / 2
Έχουμε   0,01 z / 2  2,58 . Το σφάλμα =1, τότε λύνοντας   έχουμε n=26,6
n
δηλαδή n=27.

Άσκηση 11

Μέχρι το έτος 1987 στις εξετάσεις στο μάθημα της Στατιστικής στη σχολή Ικάρων έχει
διαπιστωθεί από παρατηρήσεις πολλών ετών, ότι η μέση βαθμολογία των σπουδαστών
ήταν 87 μονάδες με τυπική απόκλιση =9 μονάδες. Στις εξετάσεις της περιόδου
Ιανουαρίου του τρέχοντας έτους από τυχαίο δείγμα 36 σπουδαστών διαπιστώνεται μέση
βαθμολογία 90 μονάδων. Με την προϋπόθεση ότι η τυπική απόκλιση =9 ισχύει,
μπορούμε να ισχυριστούμε ότι η μέση βαθμολογία δεν έχει αυξηθεί; Επίπεδο
σημαντικότητας 5%.

Λύση

H 0 :   87
Η υπόθεση θα είναι
H 1 :   87

Επειδή  είναι γνωστή και έχουμε μεγάλο δείγμα θα χρησιμοποιήσουμε την κανονική
κατανομή.

X  0 90  87
Στατιστικό στοιχείο:  2
/ n 9/6
Κριτική τιμή (έλεγχο μιας ουράς): z  z 5%  1,645

Επειδή 2>1,645 απορρίπτεται ότι η βαθμολογία έχει παραμένει σταθερή (απορ. Η0)

Άσκηση 12

Από έναν κανονικό πληθυσμό πήραμε ένα δείγμα με τιμές 30, 40, 28, 54. Ζητείται να
ελεγχθεί η υπόθεση:
Η0: 2 =30
Η1: 2 >30
σε επίπεδο σημαντικότητας 5%.

Λύση

Στατιστικό στοιχείο:
( n  1) S 2

3(141,3)
 14,13 όπου S 2  ( X i  X )2
 141,3
 02 30 n 1
Κριτική τιμή: οι βαθμοί ελευθερίας είναι ν=n-1=4-1=3, =5%, οπότε
2,   32,5%  7,81
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
Επειδή 14,13>7,81 απορρίπτεται η Ηο.

Άσκηση 13

Από δύο κανονικούς πληθυσμούς πήραμε δυο δείγματα Α και Β, τα οποία μας έδωσαν
τις παρακάτω τιμές:
Xi: 0,114 0,127 0,143 0,132
Υi: 0,131 0,107 0,104 0,111 0,108 0,110

Αν υποθέσουμε ότι  12   22 να ελεγχθεί η υπόθεση , δηλαδή και τα δυο δείγματα

προέρχονται από δύο πληθυσμούς με τον ίδιο μέσο ως προς την εναλλακτική υπόθεση
1   2 .

Λύση
X  0,129
Y  0,1118
n1  4
n2  6

S12 
( X i  X )2
 0,000220
n1  1

S 22 
 (Y i  Y )2
 0,000094
n2  1
( n1  1) S12  ( n 2  1) S 22
S2   0,0001412
n1  n 2  2
0,129  0,1118
t  2,24
1 1
0,0001412  
4 6

Οι βαθμοί ελευθερίας είναι ν=n1+n2-2=8, από τους πίνακες t8,5%  2,306 . Επειδή
2,24<2,306 δεω απορρίπτουμε την Ηο σε επίπεδο 5%.

Άσκηση 14

Να εκτιμηθεί η παραμετρος  με την μέθοδο των ροπών και την μέθοδο μεγίστης
πιθανοφάνειας, όταν η συνάρτηση πυκνοτητας πιθανότητας
f ( x; )  (  1) x  ,   0, 0  x  1,
και οι τιμές ενός τυχαίου δείγματος είναι
0,2 0,4 0,5 0,7 0,8 0,8 0,9 0,9.

Λύση
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
Η ροπή 1ης τάξης ως προς το μηδέν είναι

1 1
 1
  E ( x )   x f ( x; ) dx   x x  (  1) dx 
' 1
.
 2
1
0 0

5,2
ενώ η αντίστοιχη δειγματική 1'   0,65.
8
 1 ^
συνεπώς  0,65    0,86.
 2

  log L( x; )  n  log(  1)  n     log x

 n ^ 1
  n  log x  0     1  0,89.
   1 log x

Άσκηση 15

Να προσδιοριστεί με την μέθοδο των ροπών η διακύμανση μιας τυχαίας μεταβλητής X

όταν γνωρίζουμε ότι ο δειγματικός του μέσος είναι ίσος με 10 και η 2η ροπή της ως προς
το μηδέν ειναι ίση με 110.

Λύση
1 _
1'  E ( x1 )   x f ( x) dx  x  10.
0
1 _2
 2'  E ( x 2 )   x 2 f ( x) dx   2  x  110
0
_2
Aa  2  110  x  110  100  10.

Άσκηση 16

‘Εστω τυχαία μετεβλητή X κατανέμεται σύμφωνα με τη διωνυμική κατανομη με

συνάρτηση πυκνότητας πιθανότητας

n 
f ( x; p, n)    p x (1  p ) n  x .
 p
να εκτιμηθεί η p μέσω της μεθόδου της μεγίστης πιθανοφάνειας.

Λύση
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
n 
L( x; p, n)    p x (1  p ) n  x ;
 p
εάν λογαριθμήσουμε τη συνάρτηση έχουμε

n 
  log L( x; p, n)  log   x log( p )  (n  x) log(1  p )
 p
Διαφοροποιούμε τώρα ως προς p έχουμε

 x n  x ^ x
  0 p .
p p 1  p n

Άσκηση 17

‘Εστω τυχαία μετεβλητή X κατανέμεται σύμφωνα με τη κανονική κατανομη με

συνάρτηση πυκνότητας πιθανότητας

1 1
f ( x;  ,  2 )  exp{ ( x   ) 2 }.
 2 2 2
να εκτιμηθούν οι  ,  2 μέσω της μεθόδου της μεγίστης πιθανοφάνειας.

Λύση

Εάν x1 ,  , x n οι τιμές ενός δείγματος που πήραμε τότε η συνάρτηση πυκνότητας

πιθανότητας γίνεται
n/2
1 1 1 1  1  1 n
L( x1 , , x n ;  ,  ) 
 2
exp{
2

2 2
( x1   ) 2 }
 2
exp{
2 2
( xn   ) 2 }   2 
 2 
exp{
2 2

i 1
(x

εάν λογαριθμήσουμε τη συνάρτηση έχουμε

n n 1 n
  log L( x;  , 2 )   log 2   log( 2 )  2 
( xi   ) 2 }
2 2 2 i 1

Απο τις συνθήκες 1ης τάξης έχουμε

n

 1 n ^  xi _


 
 2 
i 1
( xi   )( 1)  0    i 1

n
 x.
n _

 n 1 1 n ^  (x i  x) 2

 2
 
2  2

 4 
i 1
( xi  ) 2
 0   2
 i 1

n
.

Άσκηση 18
ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
Έστω απο έναν κανονικό πληθυσμό του οποίου δεν γνωρίζουμε τη διακύμανση
παίρνουμε δείγμα μεγέθους n  14 . Απο το δείγμα αυτό βρέθηκε να έχει δειγματικό
μέσο
ίσο με 52,52 και τυπική απόκληση ίση με 3,37. Ζητείται το 95% διάστημα εμπιστοσύνης
για τον μέσο του πληθυσμού.

Λύση

Επειδή έχουμε αγνωστη πληθυσμιακή διακύμανση και n  14  30 , χπησιμοποιούμε την

κατανομή t  Student , με n  1  13 βαθμούς ελευθερίας, για να κατασκευάσουμε το
95% διάστημα εμπιστοσύνης για τον μέσο του πληθυσμού. Έτσι έχουμε

S S
X  t n 1, / 2    X  t n 1, / 2
n n

50,58    54,47

όπου t n 1, / 2  2,16 .

Άσκηση 19

Προκειμένου να εκτιμηθεί το ποσοστό p των καπνιστών ενός πληθυσμού, ελήφθησαν

απο αυτόν 2 τυχαία δείγματα μεγέθους 20 και 80 αντιστοίχα. Εαν p1 και p 2 τα
αντίστοιχα δειγματικά ποσοστά τους, ποιά από τις εκτιμήτριες συναρτήσεις
1 1
T1  ( p1  4 p 2 ), T2  ( p1  p 2 )
5 2
είναι πιο αποτελεσματικές.

Λύση
1 5p 1 2p
E (T1 )  ( E ( p1 )  4 E ( p 2 ))   p, E (T2 )  ( E ( p1 )  E ( p 2 ))   p
5 5 2 2

άρα και οι δύο εκτιμήτριες είναι αμερόληπτες.

1 1 p(1  p ) p (1  p )
V (T1 )  (V ( p1 )  16V ( p 2 ))  (  16 )  0,01 p (1  p )
25 25 20 80
1 1 p (1  p ) p (1  p )
V (T2 )  (V ( p1 )  V ( p 2 ))  (  )  0,0156 p (1  p )
4 4 20 80
Άρα η T1 είναι η ποιό αποτελεσματική εκτιμήτρια.

Άσκηση 20

Δίνονται δύο μεταβλητές των 19 παρατηρήσεων μετα παρακατω αθροίσματα

ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας

19 19 19 19 19

 xi  124,21  yi  417,29  xi2  890,16  yi2  11715,38  xi yi  3163,32

i 1 i 1 i 1 i 1 i 1

α) Να γίνει η εκτίμηση των παραμετρων a, b της παλινδρόμησης y i  a  bxi  u i

β) Να προσδιοριστεί το 95% διάστημα εμπιστοσύνης των a, b .

γ) Να ελεγχθεί η υπόθεση b  0 σε επίπεδο συμαντικότητας 1%

Λύση

α) Από τις OLS συνθήκες έχουμε

^ n xy   x y 19 3163,32  124,21 417,29 ^ _ ^_

b   5,57, a  y  b x  14,41  5,57  6,23  14,41
n x 2  ( x) 2 19  890,16  (124,21) 2
^
άρα η ευθεία παλινδρόμησης εκφράζεται από την y  14,41  5,57 x

β) Για τον προσδιορισμό των διαστημάτων εμπιστοσύνης απαιτείται ο προσδιορισμός

της
19 19 ^
 ui2  ( yi  yi ) 2 ESS
S2  i 1
 i 1

n2 n2 n2
_ _ _ _

όπου ESS 
 ( x  x)  ( y  y )  ( ( x  x)( y  y ))
2 2 2

 ( x  x) 2

όπου
_
1 _
1 _ _

 ( x  x) 2   x 2 
n
( x) 2  78,16,  ( y  y ) 2   y 2  ( y ) 2  2550,60,
n
 ( x  x)( y  y)  
78,19  2550,60  ( 435,35) 2
ESS   125,70
78,16

125,7
Άρα S2   7,39
17

_
1 x 1 6,53
Γνωρίζουμε ότι s S ( 
2
a
2
_
)  7,39  (  )  6,52 s a  2,55
n 19 78,16
 ( x  x) 2

Από τους πίνακες της t  Student t 0, 025,17  2,10

ΣΤΑΤΙΣΤΙΚΗ ΙΙ ΑΣΚΗΣΕΙΣ Μ. Τζίνιους
Εαρινό Εξ. 2004 Γ. Τσιώτας
Άρα το διαστημα εμπιστοσύνης για την a γίνεται το

 14,41  2,10  2,55  [ -19,765, -9.685]

1 1
Γνωρίζουμε ότι s b  S
2 2
_
 7,39  ( )  0,094 s a  0,30
78,16
 ( x  x ) 2

Άρα το διαστημα εμπιστοσύνης για την b γίνεται το

5,57  2,10  0,30  [4,94, 6,20]

γ) Για τον έλεγχο της H 0 : b  0 χρησιμοποιούμε τον μετασχηματισμό

^
b b 5,57
t   18,56
sb 0,30
Γιά 1% βαθμό συμαντικότητα t 0 ,01,17  2,89  t

Άρα η H o υπόθεση απορρίπτεται.