第七章参数估计.docVIP

参数估计 统计推断的基本问题可以分为两大类，一类是估计问题，另一类是假设检验问题．本章讨论总体参数的点估计和区间估计． §1 点 估 计 设总体X的分布函数的形式为已知，但它的一个或多个参数为未知，借助于总体X的一个样本来估计总体未知参数的值的问题称为参数的点估计问题． 例1 在某炸药制造厂，一天中发生着火现象的次数X是一个随机变量，假设它服从以o为参数的泊松分布，参数为未知．现有以下的样本值，试估计参数． 解 由于X，故有＝E(X)．我们自然想到用样本均值来估计总体的均值E(X)．现由已知数据计算得到 得E(X)＝的估计为1．22． 口 .176. 点估计问题的一般提法如下：设总体X的分布函数的形式为已知，是待估参数．X，，X：，…，X。是X的一个样本，是相应的一个样本值．点估计问题就是要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．我们称()为的估计量，称()为的估计值．在不致混淆的情况下统称估计量和估计值为估计，并都简记为．由于估计量是样本的函数．因此对于不同的样本值，的估计值一般是不相同的。 例如在例1中，我们用样本均值来估计总体均值．即有估计量 下面介绍两种常用的构造估计量的方法：矩估计法和最大似然估计法． (一)矩估计法 设X为连续型随机变量，其概率密度为Zf(x；)，或X为离散型随机变量，其分布律为P{X＝x}＝p(x；)，其中为待估参数，是来自X的样本．假没总体X的前k阶矩 (其中Rx是X可能取值的范围)存在．一般来说，它们是的函数．基于样本矩： 多于一个未知参数时，可同样讨论． · 177· 依概率收敛于相应的总体矩 (i=l，2，…，k)，样本矩的连续函数依概率收敛于相应的总体矩的连续函数(见第六章§2)，我们就用样本矩作为相应的总体矩的估计量，而以样本矩的连续函数作为相应的总体矩的连续函数的估计量．这种估计方法称为矩估计法．矩估计法的具体做法如下：设 这是一个包含是k未知参数的联立方程组．一般来说，可以从中解出，得到 以Ai分别代替上式中的，i＝1，2，…，k，就以 分别作为，i＝1，2，…，k的估计量，这种估计量称为矩估计量．矩估计量的观察值称为矩估计值． 例2 设总体X在[a，b]上服从均匀分布，a，b未知．是来自X的样本，试求a，b的矩估计量． ． 178． · 自这一方程组解得 解 所得结果表明，总体均值与方差的矩估计量的表达式不因不同的总体分布而异． (二)最大似然估计法 若总体X属离散型，其分布律P{X ． 179． =x}=p(x; )，的形式为已知，为待估参数，是可能取值的范围．设是来自X的样本，则的联合分布律为 又设是相应于样本的一个样本值．易知样本取到观察值的概率，亦即事件发生的概率为 这一概率随的取值而变化，它是的函数。L()称为样本的似然函数(注意，这里是已知的样本值．它们都是常数)． 关于最大似然估计法，我们有以下的直观想法：现在已经取到样本值了，这表明取到这—一样本值的概率了L()比较大．我们当然不会考虑那些不能使样本，出现的作为估计，再者，如果已知当使取很大值，而中的其它的值使L()取很小值，我们自然认为取作为未知参数的估计值，较为合理．由费希尔(R．A．Fisher)引进的最大似然估计法，就是固定样本观察值，在取值的nT能范围内挑选使似然函数达到最大的参数值，作为参数的估计值．即取使 这样得到的与样本值，有关，常记为 ()，称为参数的最大似然估计值，而相应的统计量 ()称为参数的最大似然估计量． 若总体X届连续型，其概率密度．f (x；)，的形式已知，为待估参数，是可能取值的范围．设是来自X ．180． 的样本，则的联合密度为 设是相应于样本的一个样本值，则随机点()落在点()的邻域(边长分别为的n维立方体)内的概率近似地为 其值随的取值而变化，与离散型的情况——样，我们取的估计值使概率(1．3)取到最大值，但因子不随而变，故只需考虑函数 的最大值．这里称为样本的似然函数．若 则称 ()为的最大似然估计值，称 ()为的最大似然估计量． 这样，确定最大似然估计量的问题就归结为微分学中的求最大值的问题丁． 以从方程 ·181’ 求得，而从后一方程求解往往比较方便．(1．6)称为对数似然方程。 例4 设．是来自X的一个样本，试求参数p的最大似然估计量