Não é uma convenção, mas muitas vezes representa o conjunto de parâmetros de uma distribuição.θ
Era isso para o inglês simples, vamos mostrar exemplos.
Exemplo 1. Você quer estudar o arremesso de uma tachinha à moda antiga (aquelas com fundo grande circular). Você supõe que a probabilidade de queda seja um valor desconhecido que você chama de . Você pode chamar uma variável aleatória X e dizer que X = 1 quando a tachinha cai apontada para baixo e X = 0 quando cai apontada para cima. Você escreveria o modeloθXX=1X=0
P(X=1)=θP(X=0)=1−θ,
e você estaria interessado em estimar (aqui, a probabilidade de queda da tachinha apontar para baixo).θ
Exemplo 2. Você deseja estudar a desintegração de um átomo radioativo. Com base na literatura, você sabe que a quantidade de radioatividade diminui exponencialmente; portanto, você decide modelar o tempo para a desintegração com uma distribuição exponencial. Se é o tempo de desintegração, o modelo ét
f(t)=θe−θt.
Aqui é uma densidade de probabilidade, o que significa que a probabilidade de o átomo se desintegrar no intervalo de tempo ( t , t + d t ) é f ( t ) d t . Novamente, você estará interessado em estimar θ (aqui, a taxa de desintegração).f(t)(t,t+dt)f(t)dtθ
Exemplo 3. Você deseja estudar a precisão de um instrumento de pesagem. Com base na literatura, você sabe que as medidas são gaussianas e decide modelar a pesagem de um objeto padrão de 1 kg como
f(x)=1σ2π−−√exp{−(x−μ2σ)2}.
Aqui é a medida dada pela escala, f ( x ) é a densidade de probabilidade e os parâmetros são μ e σ , então θ = ( μ , σ ) . O parâmetro μ é o peso alvo (a balança é enviesada se μ ≠ 1 ) e σ é o desvio padrão da medida toda vez que você pesa o objeto. Novamente, você estará interessado em estimar θ (aqui, o viés e a imprecisão da escala).xf(x)μσθ=(μ,σ)μμ≠1σθ