chap7-1参数的点估计绪论.ppt

为使L(a,b)达到最大,b－a应该尽量地小. 但b又不能小于max{x1,x2 ,? ,xn }.否则，L(a,b)=0.类似地a不能大过min{x1,x2,?,xn}. 因此,a和b的极大似然估计为 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. 解：似然函数为 例5 设X1,X2,…Xn是取自总体X的一个样本 其中 0,求 的极大似然估计. i=1,2,…,n 解：似然函数为 i=1,2,…,n 对数似然函数为 =0 (2) 由(1)得 =0 (1) 对 分别求偏导并令其为0, 对数似然函数为 用求导方法无法最终确定 用极大似然原则来求 . 是 对 故使 达到最大的 即 的MLE， 于是 取其它值时， 即 为 的MLE . 且是 的增函数 由于 第七章第三节 估计量的优良性准则 从前面两节的讨论中可以看到: ● 同一参数可以有几种不同的估计，这时就需 要判断采用哪一种估计为好的问题。 ● 另一方面，对于同一个参数，用矩法和极大 似然法即使得到的是同一个估计, 也存在衡 量这个估计优劣的问题。 估计量的优良性准则就是：评价一个估计量“好”与“坏”的标准。 设总体的分布参数为?， 对一切可能的? 成立,则称 为? 的无偏估计。 一、 无偏性 对于样本 X1,X2,?,Xn的不同取值， 取不同的值 )。 如果 的均值等于?，即 简记为 是? 的一个估计(注意! 它是一个统计量，是随机变量。 例1：设 X1, X2, …, Xn 为抽自均值为? 的总体X的随机样本，考虑 ? 的如下几个估计量： 定理1：设总体 X 的均值为?,方差为?2, X1,X2,…,Xn 为来自总体 X 的随机样本，记 与 分别为样本均值与样本方差，即 即样本均值和样本方差分别是 总体均值 和总体方差 的无偏估计。 证明：因为 X1, X2, …, Xn 独立同分布，且 E(Xi )=μ , 所以 另一方面，因 于是，有 注意到 前面两节中，我们曾用矩法和极大似然法分别求得了正态总体 N(μ , σ2) 中参数 σ2 的估计,均为 很显然，它不是 σ2 的无偏估计。这正是我们为什么要将其分母修正为 n-1，获得样本方差 S2来估计 σ2 的理由。 例2：求证：样本标准差 S 不是总体标准差? 的无偏估计。 证明：因 E(S2)=? 2， 所以，Var(S)+[E(S)]2 =? 2， 由 Var(S)＞0，知 [E(S)]2 = ? 2 - Var(S)＜ ? 2. 所以，E(S)＜ ?. 故，S 不是 ? 的无偏估计。 例3：设 是 的无偏估计，且有 证明 不是 的无偏估计。 证明： 是 的无偏估计 用估计量 估计?，估计误差 II. 均方误差准则 是随机变量，通常用其均值衡量估计误差的大小。 要注意: 为了防止求均值时正、负误差相互抵消，我们先将其平方后再求均值，并称其为均方误差，记成 ，即 (Mean Square Error) 哪个估计的均方误差小，就称哪个估计比较优，这种判定估计优劣的准则为“均方误差准则”。 注意：均方误差可分解成两部分: 证明： 上式表明，均方误差由两部分构成：第一部分是估计量的方差，第二部分是估计量的偏差的平方和。 注意：如果一个估计量是无偏的，则第二部分是零，则有: 如果两个估计都是无偏估计，这时哪个估计的方差小，哪个估计就较优。这种判定估计量优劣的准则称为方差准则。 显然三个估计都是?的无偏估计. 设X1,X2 ,? ,Xn为抽自均值为?的总体,考虑?的如下三个估计: 例5 这表明,当我们用样本均值去估计总体均值时,使用全体样本总比不使用全体样本要好. 例6 设 及 是 的两个独立的无偏估计量， 且