统计学第7章参数估计.ppt

2011-04 统计学-ch7 suyl 第七章参数估计 点估计 区间估计 抽样估计的进一步讨论 数理统计的基本问题之一是根据样本所提供的信息，对总体的分布以及分布的数字特征做出统计推断。通过样本估计总体未知参数的方法主要包括参数估计和非参数估计法。这里的参数可以是总体分布中的未知参数，也可以是总体的某个数字特征。参数估计通常是通过构造样本的函数——样本统计量来实现的。 参数估计示意图 §7.1.2 矩估计法 矩估计法的一般步骤如下： 设总体的分布中包含 个未知参数， 则其分布函数可以表示为 。若总体 X 的 阶原点矩 存在， 且为的函数，记为 。 分别用样本的k阶原点矩 去估计总体的K阶原点矩，即 上式确定了包含个未知参数的个方程式，即有下列方程组 解联立方程组，就可得到未知参数 的矩估计量 它是样本的函数。将样本观测值 代入矩估计量，即得到 的矩估计值 。 例如，某厂从采用新工艺生产的一批电子元器件中随机抽出80件，测得其使用寿命分别为1310，1207，… ，1462小时（经计算样本均值、样本方差分别为1345.63、15388.85）。要用矩估计法推断这批电子元器件的平均使用寿命和标准差，只需直接用样本均值、样本标准差分别估计总体的平均使用寿命和标准差。 矩估计法的优点： 思想较为简单，使用方便，并且当总体分布未知时该方法也可使用。 矩估计法的局限： 矩估计法必须总体k阶矩存在时才能使用； 如果异常值对矩影响较大，矩估计法估计的结果会受异常值的影响； 在一些情况下，矩估计结果并不唯一。例如泊松分布参数，如果用样本均值和方差去估计，将得到不同的结果。 §7.1.3 极大似然估计法 其基本思想可简单叙述如下： 假设总体X的分布函数已知，但参数θ未知，它可以取很多值，我们要在参数θ的一切可能取值中选出一个使样本观察值出现的概率为最大的 作为参数θ的估计，并称 为的极大似然估计。 极大似然估计的数学表述： 设总体X的密度函数或分布律为 ， 为未知参数， 是来自总体的简单随机样本，由 于 相互独立且与总体X同分布， 的联合密度函数或联合分布律为 ，对于 给定的样本观察 值，我们把样本的联合密度 函数或联合分布律 称为似然函数。 由于 是 一组常数，似然函数常简记为L 或 ，它是未知参数的函数。似然函数的大小取决于未知参数 ，若 有 （其中： ），使得 则称 为参数 的极大似然估计量， 为参数 的极大似然估计值。 实际应用时，可以按照如下步骤进行： （1）由总体分布推导出样本的联合密度函数或联合分布律； （2）根据样本的联合密度函数或联合分布律，写出在样本 处的对数似然函数 或似然函数 ； （3）通过解似然方程组 或 ，即可得到未知参数的极大似然估计值 ，相应的极大似然估计量为 。 几点说明： 通常对似然函数取对数，转换为对数似然函数求解； 若 是向量，上述方程必须用方程组代替； 并不一定可以通过求解似然方程（组）解出未知参数，此时往往需要根据极大似然原则，利用样本信息求估计值。 §7.1.4点估计的优良性 1、无偏性 【例】求证样本均值 是总体均值 的无偏估计量，样本修正方差 是总体方差 的无偏估计量。 证明记 为从总体中独立抽取容量为n的样本， ， 通过这个例子说明，样本修正方差是