参数的点估计重点.ppt

第五章 参数估计 点估计 估计量的评选标准 区间估计 正态总体参数的区间估计 5.1 点估计一、参数估计的概念 二、矩估计法（简称“矩法”） 三、极大似然估计法 二、有效性 例9:设 分别为取自总体X的容量为n1,n2的两个样本的样本均值，求证：对任意实数a0,b0,a+b=1统计量 都是X的无偏估计，并求a,b使所得统计量最有效. 证 因为 所以 都是X的无偏估计. * * 5.2 注：F(x;?)也可用分布律或密度函数代替. 定义 设总体X的分布函数 的形式为已知， 为待估参数。 是总体X的一个样本， 是相应的一个样本值。构造一个适当 的统计量 用它的观察值 作为未知参数 的近似值，则称 为 的一个估计量，称 为 的估计值。 若x1， … ， xn是样本的一个观测值,则 由于g(x1， … ， xn) 是实数域上的一个点，现用它来估计?， 故称这种估计为点估计。 点估计的经典方法是矩估计法与极大似然估计法。 定义5.1：.用样本矩作为总体同阶矩的估计，即 约定：若 是未知参数?的矩估计，则g(?)的矩估计为g( ), 从而得到参数?的估计量的方法叫矩估计法，这样的估计量称为矩估计量 例1：设X1， … ， Xn为取自总体B(m,p)的样本，其中m已知，0p1未知，求p的矩估计。 解 因为总体 所以 所以 例2：设X1， … ， Xn为取自参数为1/?的指数分布总体的样本，求?的矩估计。 解 因为 所以 从而 例3。设总体X的概率密度为 X1， … ， Xn为样本，求参数?的矩估计。 解 总体分布X的一阶原点矩 所以不可用，我们再计算二阶原点矩 可选用，因此 例4：设X1， … ， Xn为取自 总体的样本，求参数 的矩估计。 解 由总体X的矩 列方程 解此方程得 解 由于总体 则其概率密度为 因为 列方程得 解方程得 若记 于是 解上述方程组得 1、极大似然思想 有两个射手，一人的命中率为0.9,另一人的命中率为0.1,现在他们中的一个向目标射击了一发，结果命中了，估计是谁射击的？ 一般说，事件A发生的概率与参数???有关，?取值不同，则P(A)也不同。因而应记事件A发生的概率为P(A|?).若A发生了，则认为此时的?值应是在?中使P(A|?) 达到最大的那一个。这就是极大似然思想 定义5.2 设总体X属连续型，其概率密度为 其中 是未知参数， 为来自总体X的样本，它的联合分布 密度为 令 （1） 称为样本的似然函数。当 固定时，L是 的函数，若L在 处达到极大值 则分别称 为参数 的极大似然 估计量。 求极大似然估计量的问题，就是求似然函数L的极大值问题。 得到极大似然估计法的步骤是： （1）根据总体X的分布，建立似然函数 （2）当L关于 可微时，可由方程组 （2） 定出 因为L 与lnL有相同的极大值点，所以 也可由 方程组 （3） 定出 一般地，用方程组（3）比用（2）简便。 当X属离散型时，将上面的 换成 它的概率分布 就可以用同样的方法 来求极大似然估计量. 例1.设X1， … ， Xn为取自参数为?的泊松分布总体的样本，求?的极大似然估计. 解 设 是相应与样本X1， … ， Xn 的一个样本值，X的分布律为 似然函数为 而 似然方程为 解得λ的极大似然估计值为 故λ的极大似然估计量为 例2：设X1， … ， Xn为取自 总体的样本，求参数 的极大似然估计。 解 X的概率密度为 似然函数为 而 令 解得 因此 的极大似然估计量为 例3：设X1， … ， Xn为取自参数为?的指数分布 总体的样本，求?的极大似然估计. 解 设 是相应于样本X1， … ， Xn的一个 样本值，X的概率密度为 似然函数为 而 似然方程为 解得 故参数λ的极大似然估计量为 注3：由似然方程解不出?的似然估计时，可由定义通过分析直接推求。事实上 满足 例4：设X1， … ， Xn为取自 U(0,?) 总体的样本， ?0未知，求参数? 的极大似然估计。 解 设x1,x2,…xn是来自样本X1， … ， Xn的一个样本值，似然函数 而当 显然似然方程 无解。这说明当 时，不存在导数为零的点. 但是，不存在导数为零的点并不等于说L没有最大值。从L=1/θn可以看出，θ的值越小，L的值越大， 而θ不能无限地小下去。因为 所以，只有当 时，似然函数L 才能取到最大值。因此根据极大似然估计的定义， θ的极大似然估计量为 5.2 估计量的优良准则一、无偏性