概率论与数理统计71参数的点估计.pptVIP

第7章 参数估计 7.1.1 点估计问题的一般提法 定义7.1 设总体X的分布函数F x；?1，?2，…，?m 的形式已知，但其中含有一个或多个未知参数：?1，?2，?，?m， 又设X1，X2，…，Xn为总体的一个样本， x1，x2，…，xn是样本观测值， 构造的m个统计量： 用 的观测值 作为未知参数?i的近似值的方法称为点估计法． 7.1.1 点估计问题的一般提法 称 为未知参数?i的估计量， 称 为未知参数?i的估计值． 在不会混淆的情况下 和 均可称为?i的估计. 7.1.3 最大似然估计 若X1，X2，…，Xn为总体X的一个样本，当样本观测值x1, x2 ,…, xn出现时， 若要估计总体X中的未知参数θ，自然要选取使x1, x2,…, xn出现的“概率”达到最大的 作为θ的估计值了． 7.1.3 最大似然估计 【例7.5】设总体X的概率密度为 其中θ θ – 1 为待估参数，求θ的最大似然估计量． 解：设X1，X2，…，Xn为总体X的一个样本，x1，x2，…，xn是样本观测值．基于x1，x2，…，xn的似然函数为 当 时， ， 7.1.3 最大似然估计 令 解得 考虑到 所以，θ的最大似然估计值为 θ的最大似然估计量为 7.1.3 最大似然估计 【例7.4】总体X服从参数为?的泊松分布，?（? 0）未知，求参数?的最大似然估计量． 解：设X1, X2,…, Xn是来自X的样本，x1, x2,…, xn是样本观测值．由于X的分布律为 故基于x1, x2,…, xn的似然函数为 对数似然函数为 对数似然方程为 7.1.3 最大似然估计 解之得 考虑到 所以 即为?的最大似然估计值，?的最大似然估计量为 7.1.4 估计量的评价标准 7.1.4 估计量的评价标准 所以，B2不是总体方差D X 的无偏估计，尽管B2是D X 的矩估计量． 我们可以把 看作对B2的修正． 由于它具有无偏性，在实际应用中常被采用． 另一方面，由于 因此，又称B2是D X 的渐近无偏估计． 7.1.4 估计量的评价标准 【例7.8】求证：样本标准差S不是总体标准差? 的无偏估计． 证：因为 ，即 ． 又因 ，所以 即 故一般来说，S不是? 的无偏估计． 7.1.4 估计量的评价标准 定义7.3 设 都是参数θ的无偏估计，若 则称 比 有效． 例如，设总体X的方差存在，X1, X2,…,Xn n 2 为总体X的一个样本， 易知 , 均为? 的无偏估计, 又有 所以,当n 2时，　最有效， 较X1有效． 7.1.4 估计量的评价标准 【例7.9】设总体X服从参数为θ的指数分布，概率密度为 其中θ 0为未知,X1,X2,…,Xn为总体X的一个样本，试证 和 都是θ的无偏估计，并比较谁更优． 解：因为 而 所以 故　是θ的无偏估计． 7.1.4 估计量的评价标准 设 ， 根据第3章 3-13 式，Z的概率密度为 这是参数为 的指数分布， 故知 所以 也是θ的无偏估计． 7.1.4 估计量的评价标准 由于 故有 又由于 所以 当 时， 故作为θ的无偏估计 较nZ 有效． 7.1.4 估计量的评价标准 3. 相合性 总体参数θ的估计量 是样本的函数，随着样本容量的增加，其值应该越来越接近真值θ,于是有： 定义7.4 设 是参数θ的一个估计量，若　依概率收敛于θ，即对任意的ε 0，有 则称　是参数θ的相合估计量，或者一致估计量． 7.1.4 估计量的评价标准 　　由定理6-2，样本矩依概率收敛于总体对应的矩，因而矩估计量均为相合估计量． 　　相合性只有在样本容量相当大时，才能显示其优越性，而在实际应用中，往往很难达到，因此实际应用中，关于估计量的选择问题，要视具体问题综合考虑各种评价而确定 ． 河南理工大学精品课程 概率论与数理统计 解得μ,σ2的极大似然估计值为: 从而μ,σ2的极大似然估计量为: ■ 河南理工大学精品课程 概率论与数理统计 【例8】设总体X服从[a,b]上的均匀分布,求未知 参数a,b的极大似然估计量. 〖解〗双参数，连续型. 因为 所以X的概率密度为 设 为样本 的一个样本值,记 河南理工大学精品课程 概率论与数理统计 由于 所以,似然函数为 对于满足 的任意a,b有 河南理工大学精品课程 概率论与数理统计 即 故a,b的极大似然估计值为: 故a,b的极大似然估计量为: ■ ? 本例直接利用极大似然思想方法来求似然估计. 河南理工大学精品课程 概率论与数理统计 对于同一个参数,用不同方法求出的估计量可能 不同.那么,采用哪一个估计量为好呢?用何种标准来 评判估计量的优劣 下面,介