第18讲(优良性准则、区间估计).pptVIP

代入置信区间 7.4.3 正态总体方差的区间估计 例3(续例2) 求?2的置信系数为0.95的置信区间. 代入 解 小结 本讲首先介绍了估计量的评优准则，包括：无偏性和均方误差准则；然后介绍了区间估计的基本概念，详细讨论了正态总体均值和方差的区间估计. * * 概率论与数理统计 第十八讲 从前面两节的讨论中可以看到: ● 同一参数可以有几种不同的估计，这时就需 要判断哪一种估计好. ● 另一方面，对于同一个参数，用矩法和极大 似然法即使得到的是同一个估计, 也存在衡 量这个估计优劣的问题. 估计量的优良性准则就是：评价一个估计量“好”与“坏”的标准. §7.3 估计量的优良性准则 定义1 设总体的参数为?， 7.3.1 无偏性 对一切可能的? 成立, 对于样本X1,X2,?,Xn的不同取值,取不同的值. 若 是一个统计量，是随机变量. 注意： 称 为? 的无偏估计. 参数?，有时可能估计偏高，有时可能偏低，但是平均来说它等于?. “一切可能的? ”是指：在参数估计问题中，参数 ? 一切可能的取值. 我们之所以要求对一切可能的 ? 都成立， 是因为在参数估计问题中, 我们并不知道参数? 的真实取值. 自然要求它在参数? 的一切可能取值的范围内都成立 说明 无偏性的意义是：用估计量 估计 例1 设 X1, X2, …, Xn 为来自均值为? 的总体的样本，考虑 ? 的如下几个估计量的无偏性： 例如 若? 指的是正态总体N(? , ?2)的均值?,则其一切可能取值范围是(-∞,+∞).若? 指的是方差?2，则其一切可能取值范围是(0,+∞). 解 定理1 设总体 X 的均值为?,方差为?2, X1,X2,…,Xn 为来自总体 X 的随机样本，记 与 分别为样本均值与样本方差，即 即样本均值和样本方差分别是 总体均值 和总体方差 的无偏估计. 证明 因为 X1, X2, …, Xn 独立同分布，所以 这样 前面两节中，我们曾用矩法和极大似然法分别求得了正态总体 N(μ , σ2) 中参数 σ2 的估计,均为 很显然，它不是 σ2 的无偏估计. 这正是我们为什么要将其分母修正为 n-1，获得样本方差 S2来估计 σ2 的理由. 例2 求证：样本标准差 S 不是总体标准差? 的无偏估计. 证明 因 E(S2)=? 2， 所以，D(S)+(E(S))2 =? 2， 由 D(S)＞0，知 (E(S))2 = ? 2 -D(S)＜ ? 2. 所以，E(S)＜ ?. 故，S 不是 ? 的无偏估计. 用S 来估计? ，平均来说偏低. 用估计量 估计?，估计误差 7.3.2 均方误差准则 是随机变量，通常用其均值衡量估计误差的大小. 要注意: 为了防止求均值时正、负误差相互抵消，我们先将其平方后再求均值，并称其为均方误差，记成 ，即 哪个估计的均方误差小，就称哪个估计比较优，这种判定估计优劣的准则为“均方误差准则”. 注意：均方误差可分解成两部分: 证明 上式表明，均方误差由两部分构成：第一部分是估计量的方差，第二部分是估计量的偏差的平方和. 注意：如果一个估计量是无偏的，则第二部分是零，则有: 如果两个估计都是无偏估计，这时哪个估计的方差小，哪个估计就较优. 这种判定估计量优劣的准则称为方差准则. 定义 例3 设 X1, X2, …, Xn 为来自均值为 ? 的总体的样本,考虑 ? 的如下两个估计的优劣： 故这两个估计都是? 的无偏估计. 表明：当用样本均值去估计总体均值时，使用全样本总比不使用全样本要好. 点估计就是利用样本计算出的值 (即实轴上的点) 来估计未知参数. §7.4 正态总体的区间估计(一) 优点是：告诉人们 “未知参数大致是多少”； 缺点是：并未反映估计的误差范围 (精度). 例如：在估计正态总体均值 μ 的问题中,若根据一组实际样本，得到 μ 的极大似然估计为 10.12. 一个可以想到的估计办法是：给出一个区间，并告诉人们该区间包含未知参数 μ 的概率 (可靠度、置信度、置信水平(系数)). 实际上，μ 的真值可能大于10.12，也可能小于10.12. 如：估计某人的身高(cm). 甲估