医学数理统计第3章.pptVIP

* 第三章 参数估计 统计推断是数理统计的重要内容，大致可分为两 类： 估计问题与假设检验问题， 估计问题 参数估计和非参数估计， 假设检验问题 参数假设检验和非参数假设检验， 参数估计：点估计和区间估计. 如果已知总体的分布类型，但不知道其中某些参 数的真值. 通过样本对未知参数(或未知参数的函数) 就是参数估计问题. 作出估计， 3.1 (未知参数的) 点估计概述 什么是点估计？ 通俗地讲，点估计就是“确定”未知参数是多少！ 那么，如何“确定”未知参数呢？ 简单地讲，就是寻找 一个合适的统计量作为未知参数. 绝不是针对一组具 体的观测值确定一个估计值. 因为这样将会得到许多 估计值，但并不知道估计值的“好坏”. 点估计的思想 假设 是待估计的未知参数， 可以是单一的参 数，也可以是多个参数 假设 的参 取值范围 已知， 称为参数空间. 设 是取自总体X 的一组样本，样本 的观测值为 构造一 为了估计未知参数， 个统计量 然后用 来估计未知参数 的真值， 记作 称 为未知参数 的估计量. 的值 参数的估计量和估计值统称为点估计，简称为估计. 3.1.1 矩估计法 矩法估计是由英国统计学家皮尔逊（K.Pearson） 在1894年提出的估计参数的方法. 由大数定律可知： 子样的k 阶矩依概率收敛于总体的k 阶矩 . 矩法估计的理论依据： 矩法的基本思想 一般地，记总体X 的k 阶矩为 即 矩法估计: 用样本的k 阶矩来代替总体的k 阶矩. 矩法估计的求法（步骤） 都存在, 并且是待估参数 容易证明 假设总体有k 阶矩，即 存在， 对任意的 子样 的j 阶矩为 的函数 得到含k个未知数 的k个方程式. 解这k个联 令 列方程式组就可以得到 的一组解: 用解 估计参数 就是矩法估计. 即 补例1 设总体X 的概率密度为 是未知参数, X1, X2,…, Xn 是取自X 的样本, 求参数 的矩估计. 解: 由矩法估计, 从中解得 数学期望是一阶矩， 即为 的矩估计. 例3.1 设总体X 的概率密度为 是未知参数, X1, X2,…, Xn 是取自X 的样本, 求参数 的矩估计量. 解: 用一阶样本矩代替 解此方程得 即得 的矩估计量为 例3.3 设总体X 的均值 和方差 都存在，且 但 都未知，又设X1, X2,…, Xn是取自X 的 样本, 试求 的矩估计量. 解 因为 根据矩法估计， 所以， 的矩估计量为 3.1.2 最大似然估计法 最大似然估计法最早由德国数学家高斯(Guass)在 最大似然估计法是在总体类型已知条件下使用的一种参数估计方法. 其后由英国统计学家费歇(Fisher)在1912 1821年提出， 年正式提出，并证明了这个方法的一些性质. 最大似然估计的理论依据: (或者小概率原理): 即小概率事件在一次试验中几乎不可能发生. 换言 之，若事件A 在一次试验中发生了， 一般认为此事件 或者说试验条件对事件A 发生有利, 不是小概率事件. 也就是 A 出现的概率很大. 一、离散型总体X 下的最大似然估计法 设(X1, X2,…, Xn )是取自总体X的一个样本，X 的 若总体X 为离散型随机变量，其概率分布为 则样本 (X1, X2,…, Xn) 的联合概率分布为 的概率； 在 固定时，上式表示 取值 反之，当样本值给定时，它可看作 的函数， 我们把它记作 并称 （3-2） 分布类型已知，参数θ 未知，但θ 的取值范围已知， 为样本的似然函数. 似然函数 的大小意味着该样本值出现的可能 性的大小， 由极大似然原理 (或者小概率原理): 选取应使 达到最大值. 也就是，使得 达到最 称为 真值的最大似然估计. 的 大值的 （2）若总体X 为连续型随机变量，其密度函数为 则样本 (X1, X2,…, Xn) 的联合密度函数为 二、连续型总体X 下的最大似然估计法 时的密度函数值； 在 固定时，上式表示 取值 它的大小与 落在点