общее название решений, принимаемых на основе результатов наблюдений какого-либо явления, подчиняющегося вероятностным закономерностям (см. Вероятность), которые известны лишь частично. Например при обеззараживании воды хлорированием количество добавляемого хлора должно зависеть от среднего числа θ бактерий в единице объёма. Однако само θ неизвестно и оценивается по результатам X₁, X₂,..., X_n подсчёта численности бактерий в n независимо выбранных единицах объёма воды, при допущении (в простейшей модели) что X_i, при i = 1,... n имеют Пуассона распределение с неизвестным средним значением (математическим ожиданием (См. Математическое ожидание)) θ. Поэтому С. р. решение о количестве добавляемого хлора - будет функцией от какой-либо статистической оценки (См. Статистические оценки) θ* параметра θ. Последняя должна выбираться с учётом нежелательных последствий как недооценки θ (недостаточное обеззараживание воды), так и завышенной оценки θ (ухудшение вкуса воды от чрезмерного добавления хлора). Точную математическую формулировку понятий, касающихся С. р. и способов их сравнения, рассматривает Статистических решений теория.

Ю. В. Прохоров.

часть математической статистики (См. Математическая статистика) и игр теории (См. Игр теория), позволяющая единым образом охватить такие разнообразные задачи, как Статистическая проверка гипотез, построение статистических оценок (См. Статистические оценки) параметров и доверительных границ (См. Доверительные границы) для них, Планирование эксперимента и др. В основе С. р. т. лежит предположение, что распределение вероятностей F наблюдаемой случайной величины X_F принадлежит некоторому априори данному множеству ℑ. Основная задача С. р. т. состоит в отыскании наилучшего статистического решения или решающего правила (функции) d = d (x), позволяющего по результатам наблюдений х над Х судить об истинном (но неизвестном) распределении F. Для сравнения достоинств различных решающих правил вводят в рассмотрение функцию потерь W [F, d (x)], представляющую убыток от принятия решения d (x) (из заданного множества D), когда истинное распределение есть F. Естественно было бы считать решающее правило d* = d*(x) наилучшим, если средний риск r (F, d*) = M_FW [F, d (X)] (M_F - усреднение по распределению F) не превышает r (F, d) для любого F ∈ ℑ и любого решающего правила d = d (x). Однако такое "равномерно наилучшее" решающее правило в большинстве задач отсутствует, в связи с чем наибольший интерес в С. р. т. представляет отыскание т. н. минимаксных и бейесовских решений. Решение называется минимаксным, если

Решение называется бейесовским (относительно заданного априорного распределения n на множестве ℑ), если для всех решающих правил d

,

где

между минимаксными и бейесовскими решениями существует тесная связь, заключающаяся в том, что в весьма широких предположениях о данных задачи минимаксное решение является бейесовским относительно "наименее благоприятного" априорного распределения π.

Лит.: Вальд А., Статистические решающие функции, в сборнике: Позиционные игры, М., 1967: Леман Э., Проверка статистических гипотез, пер. с англ., М., 1964.

А. Н. Ширяев.

функции от результатов наблюдений, употребляемые для статистического оценивания (См. Статистическое оценивание) неизвестных параметров распределения вероятностей изучаемых случайных величин. Например, если X₁,..., X_n - независимые случайные величины, имеющие одно и то же Нормальное распределение с неизвестным средним значением а, то функции - среднее арифметическое результатов наблюдений

и выборочная Медиана μ = μ(X₁,..., X_n) являются возможными точечными С. о. неизвестного параметра а. В качестве С. о. какого-либо параметра θ естественно выбрать функцию θ^*(X₁,..., X_n) от результатов наблюдений X₁,..., X_n, в некотором смысле близкую к истинному значению параметра. Принимая какую-либо меру "близости" С. о. к значению оцениваемого параметра, можно сравнивать различные оценки по качеству. Обычно мерой близости оценки к истинному значению параметра служит величина среднего значения квадрата ошибки

(выражающаяся через Математическое ожидание оценки E₀θ* и её дисперсию (См. Дисперсия) D₀θ*). В классе всех несмещённых оценок (См. Несмещённая оценка) (для которых E₀θ* = 0) наилучшими с этой точки зрения будут оценки, имеющие при заданном n минимальную возможную дисперсию при всех θ. Указанная выше оценка Х для параметра а нормального распределения является наилучшей несмещенной оценкой, поскольку дисперсия любой другой несмещенной оценки а* параметра а удовлетворяет неравенству , где σ² - дисперсия нормального распределения. Если существует несмещенная оценка с минимальной дисперсией, то можно найти и несмещенную наилучшую оценку в классе функций, зависящих только от достаточной статистики (См. Достаточная статистика). Имея в виду построение С. о. для больших значений n, естественно предполагать, что вероятность отклонений θ* от истинного значения параметра θ, превосходящих какое-либо заданное число, будет близка к нулю при n →∞. С. о. с таким свойством называются состоятельными оценками. Несмещенные оценки, дисперсия которых стремится к нулю при n →∞, являются состоятельными. Поскольку скорость стремления к пределу играет при этом важную роль, то асимптотическое сравнение С. о. производят по отношению их асимптотической дисперсии. Так, среднее арифметическое Х в приведённом выше примере - наилучшая и, следовательно, асимптотически наилучщая оценка для параметра а, тогда как выборочная медиана μ, представляющая собой также несмещенную оценку, не является асимптотически наилучшей, т.к.

(тем не менее использование μ имеет также положительные стороны: например, если истинное распределение не является в точности нормальным, а несколько отличается от него, дисперсия Х может резко возрасти, а дисперсия μ остаётся почти той же, т. е. μ обладает свойством, называется "прочностью"). Одним из распространённых общих методов получения С. о. является метод моментов, который заключается в приравнивании определённого числа выборочных моментов к соответствующим моментам теоретического распределения, которые суть функции от неизвестных параметров, и решении полученных уравнений относительно этих параметров. Хотя метод моментов удобен в практическом отношении, однако С. о., найденные при его использовании, вообще говоря, не являются асимптотически наилучшими, Более важным с теоретической точки зрения представляется Максимального правдоподобия метод, который приводит к оценкам, при некоторых общих условиях асимптотически наилучшим. Частным случаем последнего является Наименьших квадратов метод. Метод С. о. существенно дополняется оцениванием с помощью доверительных границ (См. Доверительные границы).

Лит.: Кендалл М., Стьюарт А., Статистические выводы и связи, пер. с англ., М., 1973; Крамер Г., Математические методы статистики, пер. с англ., 2 изд., М., 1975.

А. В. Прохоров.

совокупность способов, употребляемых в математической статистике (См. Математическая статистика) для приближённого определения неизвестных распределений вероятностей (или каких-либо их характеристик) по результатам наблюдений. В наиболее распространённом случае независимых наблюдений их результаты образуют последовательность

X₁, X₂,..., X_n,... (1)

независимых случайных величин (См. Случайная величина) (или векторов), имеющих одно и то же (неизвестное) Распределение вероятностей с функцией распределения F (x). Часто предполагают, что функция F (x) зависит неизвестным образом от одного или нескольких параметров и определению подлежат лишь значения самих этих параметров [например, значительная часть теории, особенно в многомерном случае, развита в предположении, что неизвестное распределение является нормальным распределением (См. Нормальное распределение), у которого все параметры или какая-либо часть их неизвестны (см. Статистический анализ многомерный)]. Два основных вида С. о. - т. н. точечное оценивание и оценивание с помощью доверительных границ (См. Доверительные границы). В первом случае в качестве приближённого значения для неизвестной характеристики выбирают какую-либо одну функцию от результатов наблюдений, во втором - указывают интервал значений, с высокой вероятностью "накрывающий" неизвестное значение этой характеристики. В более общих случаях интервалы, образуемые доверительными границами (доверительные интервалы), заменяются более сложными доверительными множествами.

О С. о. функции распределения F (x) см. Непараметрические методы в математической статистике; о С. о. параметров см. Статистические оценки.

Разработаны также методы С. о. и для случая, когда результаты наблюдений (1) зависимы, и для случая, когда индекс n заменяется непрерывно меняющимся аргументом t, т. е. для случайных процессов (См. Случайный процесс). В частности, широко используется С. о. таких характеристик случайных процессов, как корреляционная функция и спектральная функция. В связи с задачами регрессионного анализа (См. Регрессионный анализ) был развит новый метод С. о. - Стохастическая аппроксимация. При классификации и сравнении способов С. о. исходят из ряда принципов (таких, как состоятельность, несмещенность, инвариантность и др.), которые в их наиболее общей форме рассматривают в Статистических решений теории (См. Статистических решений теория).

Лит.: Крамер Г., Математические методы статистики, пер. с англ., 2 изд., М., 1975; Рао С. Р., Линейные статистические методы и их применения, пер. с англ., М., 1968.

Ю. В. Прохоров.