概率论第17讲.pptVIP

对数似然函数为 对 p 求导，并令其等于零，得 上式等价于 解上述方程，得 换成 换成 例7.2.2 求正态总体 N(?, ?2) 的参数 ? 和 ?2 的极大似然估计(注意我们把 ?2 看作一个参数)。 解 似然函数为 对数似然函数为 似然方程组为 由第一个方程，得到 代入第二方程，得到 是L(?,?2)的最大值点，即 ? 和 ?2 的极大似然估计。 下面验证：似然方程组的唯一解是似然函数的最大值点。 例7.2.3 设总体 X 服从泊松分布 P(? )，求? 的极大似然估计。 解 由 X 的概率分布函数 得? 的似然函数 似然方程为 对数似然函数为 方程的解为 换成 换成 得? 的极大似然估计 例7.2.4 设 X ～U(a, b)，求 a, b 的极大似然估计。 解 由 得 由上式看到：L(a,b)作为a和b的二元函数是不连续的，所以我们不能用似然方程组来求极大似然估计，而必须从极大似然估计的定义出发，求L(a,b)的最大值。 为使 L(a, b) 达到最大，b-a 应该尽量地小。 但 b不能小于 max{x1,x2,…,xn}。否则，L(a,b) = 0。类似地，a 不能大于min{x1,x2,…,xn}。 因此，a 和 b 的极大似然估计为 例7.2.5 设某城市在职人员年收入 X 有如下概率密度函数 其中11.0(千元)为最低工资标准。随机抽取10名在职人员的年收入，记录如下(单位: 千元) 123.23， 49.45， 107.79， 18.84， 23.31， 158.05， 75.19， 15.28， 54.59， 13.51， 求 ? 和 ?2 的极大似然估计。 解 样本大小n = 10，似然函数为 注意到所有样本观测值都大于11，故似然函数为零的部分不需要考虑。故对数似然函数为 似然方程组为 由第一式，解得 代入第二式，解得 把样本观测值代入到上述二式，得 小结 本讲首先介绍参数矩估计的基本思想以及求矩估计的步骤，给出多个求参数矩估计的例子；然后介绍参数极大似然估计的基本原理，求极大似然估计的基本方法，给出多个求参数极大似然矩估计的例子。 作业：p150，7.2，7.3，7.5。 概率论与数理统计 第十七讲 主讲教师：程维虎教授 北京工业大学应用数理学院 第七章: 参数估计 数理统计的任务： ● 总体分布类型的推断； ● 总体分布中未知参数的推断 (包括：参数估计，假设检验)。 参数估计问题的一般提法 设总体 X 的分布函数为 F( x, θ )，其中θ 为未知参数或参数向量。现从总体 X 中抽样，得到样本 X1, X2 , … , Xn . 依样本对参数θ 做出估计或估计参数 θ 的某个已知函数 g(θ ) 。 这类问题称为参数估计。 参数估计包括：点估计和区间估计。 称该计算值为 θ 的一个点估计。 为估计参数θ ，需要构造适当的统计量 T( X1, X2 , … , Xn )， 一旦当有了样本，就将样本值代入到该统计量中，算出一个值作为 θ 的估计。 寻求估计量的方法 1. 矩估计法 2. 极大似然法 3. 最小二乘法 4. 贝叶斯方法 … 我们仅介绍前两种参数估计法 。 其思想是：用同类、同阶的样本矩来估计总体矩。 矩估计是基于“替换”的思想建立起来的一种参数估计方法。 最早由英国统计学家 K. 皮尔逊 提出。 §7.1 矩估计 矩估计就是用相应的样本矩去估计总体矩。 设总体 X 的分布函数中含 k 个未知参数 步骤一：记总体 X 的 m 阶原点矩 E(Xm)为 am , m = 1,2,…,k. am(?1,?2,…,?k), m =1, 2, …, k. 一般地, am (m = 1, 2, …, k) 是总体分布中参数或参数向量 (?1, ?2, …, ?k) 的函数。 故, am (m =1, 2, …, k) 应记成： 步骤二：算出样本的 m 阶原点矩 步骤三：令 得到关于 ?1, ?2,…,?k 的方程组 (L≥k)。一般要