Извиняюсь, отвлекся, а тут неплохая дискуссия
Измеряется значение некоторой характеристики, предполагается, что оно подчиняется нормальному распределению с центром

и дисперсией

. Значение измеряется несколько раз, при этом точность каждого измерения разная. Предполагается, что ошибка

-го измерения подчиняется нормальному распределению с центром 0 и дисперсией

, при этом

известны для всех

и сопоставимы по порядку значений с

. Если я правильно понимаю, то любое

-е измерение будет подчинятся нормальному распределению с центром

и дисперсией

.
Вопрос такой: как получить несмещенные эффективные точечные и интервальные оценки

и

?
Введём вес

-го измерения,

.
Оценка величины

:

.
Оценка дисперсии измерений:

.
Оценка 2-го момента:
![$\widetilde{m}[x^2]=\sum\limits_{i=1}^{n} p_ix_i^2$ $\widetilde{m}[x^2]=\sum\limits_{i=1}^{n} p_ix_i^2$](https://dxdy-01.korotkov.co.uk/f/4/2/e/42e12c972b0de8360877edc1dcb579ad82.png)
.
Оценка дисперсии

:
![$\widetilde{m}[x^2]-\widetilde{a}^2-\sigma_x^2$ $\widetilde{m}[x^2]-\widetilde{a}^2-\sigma_x^2$](https://dxdy-03.korotkov.co.uk/f/e/5/3/e53c341c552c0e7773319c4da87cf58282.png)
.
А Вы сами то пробовали так считать, хотя-бы какой-нибудь Монте-Карлой? Во-первых, некоторые из оценок

все-равно получаются отрицательными. Во-вторых, Ваша оценка, похоже смещена влево, т.е. дает явно заниженные оценки дисперсии

.
Если я правильно понимаю (и вроде бы, остальные оппоненты с этим согласны) что в Ваших выкладках присутствует ошибка, а именно, неучет дисперсии самой изучаемой величины при расчете весов.
-- Ср окт 02, 2013 10:01 am --Но не в этом дело. Задача в том, чтобы избежать отрицательных оценок дисперсии. Критерия я, к сожалению, не нашел. Есть подозрение, что нужно сравнить полную дисперсию по выборке с дисперсией измерений, но как это корректно сделать?
К сожалению, я не понимаю, что вы пишете. :(
Вот код на Математике, моделирующий обсуждавшуюся ранее ММП оценку

:
сама функция,

можно ставить любой, какой машина потянет.
Код:
n=3;
f := Block[{s2 = RandomReal[UniformDistribution[{1, 2}], n], x, s20, a},
x = Table[ RandomReal[NormalDistribution[0, 1]] +
RandomReal[NormalDistribution[0, Sqrt[s2[[i]]]]], {i, n}];
res = Solve[{Sum[(x[[i]] - a)/(s20 + s2[[i]]), {i, 1, n}] == 0,
Sum[((x[[i]] - a)^2 - (s20 + s2[[i]]))/(s20 + s2[[i]])^2, {i, 1,
n}] == 0, s20 \[Element] Reals}, {a, s20}];
{Max[s20 /. res], Variance[x]}]
f
в данном случае

берутся из равномерного распределения {1, 2},

. На выходе ММП оценка

и полная дисперсия без учета весов.
Далее моделируем Монте-Карлой и просто строим график
Код:
L = 1000;
xx = Table[f, {L}];
ListPlot[xx]
Mean[xx[[;; , 1]]]
Видим хорошую положительную корреляцию оценок

с полной дисперсией, но некоторые оценки отрицательные, что не радует. Кроме того, матожидание оценки сильно занижено.