651-概率论与数理统计.pptVIP

概率论与数理统计 经管院02级用 2003.10.30. 第三章习题№5 解：⑴区域G={(x,y)|1yx0}的面积为0.5,∴ 第三章习题№19 解：∵边缘密度函数之积： 第三章习题№18 解：⑴X1,Y1的边缘密度函数： 第五章 参数估计 统计推断 估计问题 参数估计 统计推断 利用样本资料所提供的信息，对总体作出尽可能精确和可靠的 (伴有一定概率的推断)结论叫：统计推断。 参数估计 利用样本资料所提供的信息，估计总体分布中的某些未知参数叫：参数估计。 分点估计与区间估计两类。 常见的点估计有两种方法。 点估计 设总体X的分布函数F(x;θ) 中θ是未知参数，它或它的一个函数g(θ)是我们要估计的对象，故且记为θ 。构造一个统计量h作为对未知参数θ的估计叫：点估计。 矩法估计——总体矩 总体k阶原点矩： 　　αk= EXk 总体k阶中心矩： 　　βk= E(X-EX)k。 矩法估计——样本矩 样本k阶原点矩： 点估计方法一 矩法估计：用样本矩作为相应总体矩的估计量： 矩法估计 矩法估计 矩法估计也叫数字特征法。 用未修正的样本方差来估计总体方差，即用样本二阶中心矩作为总体二阶中心矩的估计量。 矩法估计 对参数的估计当中：我们用未修正的样本方差可以估计总体方差，用修正的样本方差也可以估计总体方差。哪个好？ 这就提出了估计好坏的标准问题。一般讲评价一个估计量好坏有三条标准：无偏性、有效性与相合性 (一致性)。其中无偏性是最重要的。 估计的无偏性 定义：设　　　　　　　是参数θ的估计,若它的均值 ,则 称 是参数θ的一个无偏估计,否则称 是参数θ的一个有偏估计。 让我们来看哪些点估计是无偏的 (例5.2)，修正的样本方差是总体方差的无偏估计。 估计的无偏性 例5.2 估计的无偏性 例5.2:∴修正的样本方差是方差的无偏估计，未修正的样本方差是方差的有偏估计。但当n很大时二者相差不大，可以等同看待，n不大时一定要注意二者的区别。 点估计的无偏性 对正态总体均值的估计是样本均值，它是无偏估计。对正态总体方差的估计是样本方差，它就不是无偏估计。由此可见：并非所有矩法估计（即使它还同时是极大似然估计）都是无偏估计。 估计的有效性 定义：设　　是参数θ的两个无偏估计,若它们的方差 ,则 称 是比 有效的估计。注意：有效性是以无偏性为前提的。 例如总体均值μ的三个无偏估计: 估计的相合性 定义：设　　　　　　　 是参数θ的估计,若它依概率收敛于θ，即对于任意的ε0,有 则称 是参数θ的一个(弱)相合估计量。 另一种估计法 矩法估计好是好，但它没有考虑总体分布本身的特点，常常会显得效果不佳。下面要介绍的一种估计将充分利用总体分布的特点。 极大似然估计 大夫会问腹泻的病人吃过什么？中国男足与巴西比赛结果4:0；张三与李昌镐中盘决出胜负……。有几种可能发生时人们通常会往可能性最大的一种去想。 极大似然估计 步骤：写出与概率有关的“似然函数”通常是联合分布列或联合概率密度函数，求其对数，再求偏导数令它为0，求出能使似然函数获极大值的未知参数的值(MLE)。 极大似然估计 如泊松分布总体X~P(λ): 极大似然估计 如指数分布总体X~E(λ): 极大似然估计 如正态总体X~N(μ,σ2): 记τ=σ2 极大似然估计 如正态总体X~N(μ,σ2): 记τ=σ2 点估计 应该指出的是上面谈到的泊松、指数、正态分布的极大似然估计恰好与矩法估计所得的结果完全一致。对所有分布这一点是否都对呢？回答是：不！极大似然估计并不都是矩法估计。前面还指出过：并非所有矩法估计（即使它还同时是极大似然估计）都是无偏估计。 极大似然估计 作业 P.163-164 习题五 1,2,3 6(1) * ⑵边缘密度函数： O x y 1 1 ∴X,Y不独立，事实上只要区域G不是矩形，就不可能独立。 O x y 1 1 ⑵X2,Y2的边缘密度函数： 估计问题 假设检验 参数估计 非参数估计 点估计 区间估计 作业：P.163,1.2.4. 样本k阶中心矩： 如用样本均值来估计总体均值，用样本方差来估计总体方差 。 注意:指数分布EX=1/λ σ2 正态 μ 正态 λ 指数 λ 泊松 p 二项 极大似然估计 待估参数 分布 *