2-参数估计-精.pptVIP

第二章 参数估计 2.1 参数的点估计 2.2 参数的区间估计 在实际问题中，我们常常需要估计一些未知参数θ，这些参数可能是总体分布中的参数；或者当总体分布未知时，总体的某些数字特征，如：均值、方差等。 2.1参数的点估计 矩估计 极大似然估计 贝叶斯估计 点估计量的评价 点估计的定义 设总体X的分布F ( x, θ1, θ2 ,…, θm )已知，但其参数θ1, θ2 ,…, θm 未知。 X1, X2 , ? , Xn 为其样本, 构造合适的统计量 1.矩估计法 2 极大似然估计 1)极大似然原理：在随机试验中，许多事件都有可能发生，概率大的事件发生的概率也大，若在一次试验中，某事件A发生了，则有理由认为事件A比其它事件发生的概率大，进一步,可假设事件A发生的概率在所有事件中概率是最大的。 设总体X为离散型随机变量，其分布律为 3.贝叶斯估计 4.点估计量的评选标准 显然，有效估计量必是最小方差无偏估计量，反过来则不一定正确，因为可能在某参数函数的一切无偏估计中，找不到达到C-R 下界的估计量． 2.2 参数的区间估计 区间估计的定义及计算步骤 正态总体均值的区间估计 正态总体方差的区间估计 单侧置信区间 非正态总体参数的区间估计 1.区间估计的定义及计算步骤 1.区间估计的定义及计算步骤 1.区间估计的定义及计算步骤 2. 正态总体均值的区间估计 1) 单个正态总体均值的区间估计 总体 X~N(?, ?2)，E(X)= ? ， D(X)= ?2 样本 X1, X2 ,?, Xn , Xi~N(?, ?2)，i=1,2, ?,n 1) 单个正态总体均值的区间估计 给定置信度1-?，应有 P{-u?/2U u?/2 } = 1-? 其中 u?/2 是标准正态分布的上? / 2 分位点 1) 单个正态总体均值的区间估计 2. 正态总体均值的区间估计 2 ) 两正态总体均值差的区间估计 2 ) 两正态总体均值差的区间估计 2 ) 两正态总体均值差的区间估计 2 ) 两正态总体均值差的区间估计 3.正态总体方差的区间估计1) 单个正态总体方差的区间估计 给定置信度1-?，应有 P{?21- ?/2(n) ?2 ?2?/2(n)} = 1-? 单个正态总体方差的区间估计 3.正态总体方差的区间估计2) 两个正态总体方差比的区间估计 X的样本容量为n1，样本方差为S12 ， Y的样本容量为n2，样本方差为S22 ， 2) 两个正态总体方差比的区间估计 2) 两个正态总体方差比的区间估计 4.单侧置信区间 4.单侧置信区间 4.单侧置信区间 单侧置信区间 所以?置信度为1-?的两个单侧置信区间分别为 5. (0—1)分布参数p的区间估计 设总体X~(0,1)分布, P{X=1} = p, P{X=0} = 1-p, E(X)= p, D(X)=p(1-p),求p的置信度为1-α置信区间。 (0—1)分布参数p的区间估计 (0—1)分布参数p的区间估计 用区间( a, b )作为参数θ的范围估计, 需要考虑两个问题 可信度 即区间( a, b )包含参数θ的概率, 越大越好 精 度 即区间( a, b )的长度, 越小越好 默认原则 可信度和精度都尽可能高 矛盾,二者不可兼得 解决方法 在一定的可信度下,求最短的区间 1) 区间估计问题 设总体X的分布含未知参数?，由样本X1, X2 , ? , Xn确定两个统计量?1(X1, X2 , ? , Xn)， ?2(X1, X2 , ? , Xn) 如果对于给定的? (0?1)，有 P{?1? ?2 } =1-?, 称随机区间(?1，?2 )为的置信区间， 1-?称为置信度 ?1称为置信下限， ?2称为置信上限 区间估计的关键: 用合适的方法确定两个统计量 ?1(X1, X2 , ? , Xn)， ?2(X1, X2 , ? , Xn) 2) 区间估计的定义 例1 设总体X~N(μ , σ2), σ2已知，μ未知，设X1,…,Xn是X的样本，求μ的置信度为1-α的置信区间。 解：样本均值是总体均值μ的无偏估计，样本均值的取值比较集中在μ的附近，以很大概率包含μ的区间也应大概率包含样本均值，基于这种想法，我们从样本均值出发，来构造μ的置信区间。 所以μ的置信度为1-α的置信区间为 3) 区间估计的例子 1.区间估计的定义及计算步骤 4) 区间估计的步骤 g θ o ( 2 ) 区给定1-α（置信度，可信度），可通过增大样本容量n的值来提高估计精度（即缩小置信区间的长度）。 注意 ( 1 )置信区间不是唯一