概率教案4-2.ppt

　　若X~N（?，?2）， X1,X2…Xn 为其样本， §2 点估计 §2 点估计 　　若X~N（?，?2）， X1,X2…Xn 为其样本， 证明: 讨论：对总体X～N μ, σ2 来说，样本 X1,X2,…,Xn 中的X1与 都是μ 的无偏估计量吗？ 是θ的两个无偏估计量，若 2、有效性 3.一致性 复习: 1、矩估计法的一般原则: 用样本k阶矩代替相应的总体k阶矩。 2、矩估计法的一般步骤： （1）先建立待估参数与总体矩的关系 （2）用样本k阶矩代替相应的总体k阶矩。 新课： 二、极大似然估计法： 一. 矩估计 二.极大似然估计 三.估计量的评选标准 练习：设总体X服从参数为θ的指数分布，（x1,x2,…,xn）为样本观察值，求θ的极大似然估计值。 解：总体X的概率密度函数为： 似然函数为： ① ②令 ③ 取对数 得， 所以θ的极大似然估计值为: 复习: 一、矩估计法与极大似然估计法的求解 步骤 二、几个有用的统计量及其分布 * * 休息片刻继续 复习:　3个重要结论 分别为样本均值与样本方差，则有 一. 矩法估计 二.极大似然估计 三.估计量的评选标准 （1）先建立待估参数与总体矩的关系 （2）再用样本k阶矩代替相应的总体k阶矩 一、矩法估计 1、矩法估计的思想 先把待估参数表示成总体矩的函数，然后再用样本矩代替相应的总体矩。 2、矩估计法的求解步骤 再用样本k阶矩代替相应的总体k阶矩,得μ与 σ2的矩估计量为： 解：先建立待估参数与总体矩的关系 例２：设总体X的概率密度函数为： 其中θ 为未知参数, X1, X2,…,Xn 为总体的一个样本。 １）求θ的矩估计量；　　 ２）若 3.5 4.2 5.3 4.4 3.7 5.8 3.9 4.8 为一组样本 观察值，求θ的矩估计值。 解:１）先建立待估参数与总体矩的关系 用样本k阶矩代替相应的总体k阶矩,得θ的矩估计量： ２）将数据代入，得θ的矩估计值为： 计算器的使用 例3：设总体X在区间[a,b]上服从均匀分布, a , b未知,（X1, X2,…,Xn）是一个样本，试求a,b的矩估计量。 解：先建立待估参数与总体矩的关系 用样本矩代替相应的总体矩，解得 二、 极大似然估计法 极大似然估计法是在总体的分布类型已知的条件下所使用的一种参数估计方法. 它首先是由德国数学家 高斯在1821年提出的 . Gauss Fisher 然而，这个方法常归功于 英国统计学家费歇 . 费歇在1922年重新发现了 这一方法，并首先研究了这 种方法的一些性质 . 极大似然估计法是基于极大似然原理提出的。 为了说明极大似然原理, 我们先看个例子。 例子： 一只野兔从前方窜过， 是谁击中的野兔, 某同学与一位猎人一起外出打猎。忽然， 若让你推测一下， 你会怎样想? 只听一声枪响，野兔 应声倒下 . 为了进一步体会极大似然估计法的思想 , 我们再看一个例子. 你会想：只一枪便击中,一般情况下猎人击中的概率比同学击中的概率大。 故，这一枪极大可能是猎人打的。 你的这一想法中就已经包含了极大似然原理的基本思想 . 例如：有一事件A，我们知道它发生的概率p只可能是: 试让你推想一下p应取何值? p 0.1，0. 3 或 0.6 若在一次观测中，事件A竟然发生了， 你自然会认为事件A发生的概率是0.6，而 非其他数值。 极大似然原理： 概率大的事件在一次观测中更容易发生。 设X为离散型总体，其分布律为： 对来自总体的样本（X1,X2,…,Xn ），若 在极大似然估计法中，关键的问题是求似然函数。下面分别就离散型总体与连续型总体介绍似然函数的求法。 1、似然函数 （1）离散型总体似然函数的求法 为其观测值，作为与总体同分布且相互独立 的n维随机变量，样本的联合分布律为: 对给定的样本值 仔细观察我们会发现， L θ 实为事件 X1 x1,X2 x2, … ,Xn xn 发生的概率。根据极大似然原理，若在一次观测中事件A发生了，就认为A发生的概率应当大些。现在只做一次抽样，事件 X1 x1, X2 x2,…, Xn xn 竟然发生了, 故认为其概率较大。也即我们应选择θ使L θ 取最大值。这种参数估计方法称为极大似然估计法。相应地，我们称L θ 为似然函数。 是参数θ的函数，记作L θ ，即 对来自总体的样本（X1,X2,…,Xn ），其观测值为 x1,x2,…,xn ，作为与总体同分布且相互独立的 n维随机变量，样本的联合概率密度为: （2）连续型总体似然函数的求法 设X为连续型总体，其概率密度为： 其中θ未知 我们称L θ 为似然函数。 下面我们用例子来说明求解极大似然估计值的步骤。 由上可知，求极大似然估计值就是求使L θ