课件第十部分点估计.pptVIP

第十章 点估计 第十章 点估计 在实际问题中，经常遇到随机变量X（即总体X）的分布 函数的形式已知，但它的一个或者多个参数未知的情形， 此时写不出确切的概率密度函数.若通过简单随机抽样，得 到总体X的一个样本观测值，我们自然会想到利用这一组数 据来估计这一个或多个未知参数.诸如此类，利用样本去估 计总体未知参数的问题，称为参数估计问题. 参数估计问题有两类，分别是点估计和区间估计.而参 数估计是统计推断的一个重要组成部分，可以这样说统计 推断的基本问题可以分为两大类: 一是参数估计问题， 二 是假设检验问题。 第七章 点估计 第一节 点估计问题 第一节 点估计问题 第一节 点估计问题 第一节 点估计问题 第一节 点估计问题 例4(续例3) 要在该地区中学生中挑选生排球队员, 标准是其身高必须高于1.90m.问题是估计中选率η. 第一节 点估计问题 点估计的思想方法： 　　设总体Ｘ的分布函数的形式已知，但含有一或多个未知参数：　　　　　。设　　　　　　为总体的一个样本，构造ｋ个统计量 　　　第一节 点估计问题 当测得样本值　　　　　　时，代入上述方程组，即 可得到ｋ个数： 第一节 点估计问题 第二节　估计方法 两种常用的构造估计量的方法： 第二节　估计方法 第二节　估计方法 第二节　估计方法 例: 设总体X服从泊松分布，参数λ未知， 是来自总体的一个样本，求参数λ的矩估计量. 第二节　估计方法 例5 设有一批同型号灯管,其寿命(单位：h)服从参数为λ的指数分布，今随机抽取其中的11只，测得其寿命数据如下： 第二节　估计方法 例6 设总体X有均值μ和方差 ，今有6个随机样本 的观察数据为：-1.20,0.82,0.12,0.45,-0.85,-0.30 求μ和 的矩估计量. 第二节　估计方法 例7 设 是来自(θ1,θ2) 上均匀分布样本, θ1θ2 未知. 求θ1,θ2的矩估计. 第二节　估计方法 极大似然估计法是求估计用的最多的方法，它最早 是由高斯在1821年提出，但一般将之归功于费舍尔 (R.A.Fisher)，因为费舍尔在1922年再次提出了这种 想法，并证明它的一些性质，从而使得极大似然法得 到了广泛的应用。 第二节　估计方法 例如: 有两外形相同的箱子,各装100个球 一箱 99个白球 1 个红球 一箱 1 个白球 99个红球 第二节　估计方法 第二节　估计方法 例8 设 是来自 的样本，求 极大似然估计 第二节　估计方法 似然方程组为: 第二节　估计方法 例 设总体 ，a,b未知， 是一个 样本值，试求a,b 的极大似然估计量。 第二节　估计方法 似然函数取得最大值为： 第二节　估计方法 故a,b的极大似然估计量为： 第二节　估计方法 例9:设 是来自 上均匀分布的样本,θ0未知,求θ得极大似然估计 第三节　点估计的优良性 第三节　点估计的优良性 第三节　点估计的优良性 例11 均匀分布R(0,θ)的参数θ的极大似然估计 但不是θ的无偏估计. 第三节　点估计的优良性 第三节　点估计的优良 第三节　点估计的优良 第三节　点估计的优良 我们知道，点估计是一个统计量，因此它是一个随机 变量，在样本量一定的条件下，我们不可能要求它完全等 同于参数的真实值。但是随着样本容量的不断增大时， 与g(θ)越来越接近，以至于最后完全重合. 第三节　点估计的优良 相合估计量的意义在于：只要样本容量足够大，就可以 使相合估计量与参数真实值之间的差异大于ε的概率足够 地小，也就是估计量可以用任意接近于１的概率把参数真 实值估计到任意的精度. 相合性是点估计的大样本性质，指的是：这种性质是针 对样本容量 而言，对于一个固定的样本容量n，相 合性是无意义的. 与此相对，无偏性和有效性的概念是对固定的样本而 言，不需要样本容量趋于无穷，这种性质也称为“小样本 性质”. 第三节　点估计的优良 解：总体X密度函数为： 似然函数为： 要使L(θ)最大，只要b-a最小，由于 故a,b的极大似然估计值为： 解:总体X的密度函数为： 似然函数为： 因此只能求函数L(θ)得最大值点. 第二节　估计方法 解： 总体X服从参数为λ的指数分布，则有 所以似然函数为: 取对数 令 解得λ的极大似然估计值为 极大似然