参数统计主要的研究方向参数的估计问题参数的假设检验统计.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 由此即可利用贝叶斯公式求出? 的后验分布。具体如下：先写出X和? 的联合分布 然后求X的边际分布 最后求出? 的后验分布 最后的结果说明? ?X ?Be(x+1,n-x+1)，其后验期望估计为 (2.4.4) 某些场合，贝叶斯估计要比极大似然估计更合理一点。比如: “抽检3个全是合格品”与“抽检10个全是合格品”，后者的质量比前者更信得过。这种差别在合格品率的极大似然估计中反映不出来（两者都为1），而用贝叶斯估计两者分别是 (3+1)/(3+2)=0.8 和 (10+1)/(10+2)=0.917。 由此可以看到，在这些极端情况下，贝叶斯估计比极大似然估计更符合人们的理念。 例2.4.3 设x1, x2 , …, xn是来自正态分布N(?,?02)的一个样本，其中?02已知，? 未知，假设? 的先验分布亦为正态分布N(? ,? 2)，其中先验均值?和先验方差? 2均已知，试求? 的贝叶斯估计。 解：样本x的分布和? 的先验分布分别为 由此可以写出x与? 的联合分布 其中 ， 。若记 则有 注意到A,B,C均与? 无关，由此容易算得样本的边际密度函数 应用贝叶斯公式即可得到后验分布 这说明在样本给定后，? 的后验分布为 N(B/A,1/A)，即 后验均值即为其贝叶斯估计： 它是样本均值 与先验均值? 的加权平均。 2.4.4 共轭先验分布 若后验分布?(? ?x)与?(? )属于同一个分布族，则称该分布族是? 的共轭先验分布(族)。 二项分布b(n, ? )中的成功概率? 的共轭先验分布是贝塔分布Be(a,b)； 泊松分布P(? )中的均值? 的共轭先验分布是伽玛分布Ga(?,?)； 在方差已知时，正态均值? 的共轭先验分布是正态分布N(?,? 2); 在均值已知时，正态方差? 2的共轭先验分布是倒伽玛分布IGa(?,?)。 * * * * * * * * * * * * * * * * * * * * * * * * * 例2.2.6 设 x1, x2 , …, xn 是取自某总体的样本，记总体均值为? ，总体方差为? 2，则 , , 都是? 的无偏估计，但 显然，只要 n1， 比 有效。这表明用全部数据的平均估计总体均值要比只使用部分数据更有效。 例2.2.7 均匀总体U(0, ? )中? 的极大似然估计是x(n)，由于 ，所以x(n)不是? 的无偏估计，而是? 的渐近无偏估计。经过修偏后可以得到? 的一个无偏估计： 。且 另一方面，由矩法我们可以得到? 的另一个无偏估计 ，且 由此，当n1时， 比 有效。 2.2.4 均方误差 无偏估计不一定比有偏估计更优。 评价一个点估计的好坏一般可以用：点估计值 与参数真值? 的距离平方的期望，这就是下式给出的均方误差 均方误差是评价点估计的最一般的标准。我们希望估计的均方误差越小越好。 注意到 ，因此 (1) 若 是? 的无偏估计，则 ， 这说明用方差考察无偏估计有效性是合理的。 (2) 当 不是? 的无偏估计时，就要看其均方 误差 。 下面的例子说明：在均方误差的含义下有些有偏 估计优于无偏估计。 例2.2.8 对均匀总体U(0, ? )，由? 的极大似然估计得到的无偏估计是 ，它的均方误差 现我们考虑θ的形如 的估计，其均方差为 用求导的方法不难求出当 时上述均方误差达到最小，且其均方误差 所以在均方误差的标准下，有偏估计 优于无偏估计 。 §2.3 最小方差无偏估计 2.3.1 Rao-Blackwell定理 以下定理说明：好