第七章.参数估计.pptVIP

第七章 参数估计 参数的点估计 估计量的评选标准 正态总体参数的区间估计 7.1 点估计 7.2 估计量评选标准 2.有效性 3.一致性（相合性） 7.3 区间估计 二、正态总体N(μ,σ2)的方差σ2的置信区间 四、两个正态总体方差比σ12/σ22 的置信区间 例如: 设X1,X2 ,? ,Xn为抽自均值为?的总体X的样本,考虑?的估计量: 例7.10 设总体X的k阶矩存在，则不论X的分布如何，样本k阶原点矩 是总体k阶矩的无偏估计。 证明 设X的k阶矩 mk=E(Xk)，k≥1 (X1,X2,…,Xn)是来自正态总体X的一个样本，则 所以Ak是mk的无偏估计. 例7.11 设X~N(μ,σ2)，其中μ,σ2未知，问μ,σ2的极大似然估计是否为μ,σ2的无偏估计？若不是，请修正使它成为无偏估计。 解 设(X1,X2,…,Xn)是取自总体X的一个样本，由例7.7知 是μ的无偏估计 不是σ2的无偏估计，而 为σ2的无偏估计。 对于参数?的无偏估计量，其取值应在真值附近波动，我们希望它与真值之间的偏差越小越好。 定义 设 均为未知参数?的无偏估计量，若 则称 比 有效。 在?的所有无偏估计量中，若 估计量，则称 是具有最小方差的无偏 显然也是最有效的无偏估计量，简称有效估计量。 为一致最小方差无偏估计量,或称最优 无偏估计量. 例7.12 设总体X~U[1,?]，?1，未知， (X1,X2,…,Xn)是总体X的一个样本， (1)求?的矩估计和极大似然估计； (2)上述两个估计是否为无偏估计量，若不是，请修正为无偏估计量； (3)问在(2)中的两个无偏估计量哪一个更有效？ 解 X的密度函数 (1) ?的矩估计为 设(x1,x2,…,xn)为样本观察值，则似然函数 i=1,2,…n 令xn*=max(x1,x2,…,xn)，则xn*≤? 即?的极大似然估计为 (2) 是? 的无偏估计。 为求 先求Xn*的密度函数 显然，它不是? 的无偏估计，修正如下： 令 则 是? 的无偏估计。 (3) 当n1时，对任意? 1， 因此 比 更有效。 在参数估计中，很容易想到，如果样本容量越大，样本所含的总体分布的信息越多。n越大，越能精确估计总体的未知参数。随着n的无限增大，一个好的估计量与被估参数的真值之间任意接近的可能性会越来越大，这就是所谓的相合性或一致性。 定义 设 为未知参数? 的估计量，若对任意给定的正数 ε0，都有 即 以概率收敛于参数? ，则称 为参数? 的一致估计或相合估计量。 例7.13 设 是总体X的样本均值，则作为总体期望E(X)的估计量时， 是E(X)的一致估计量。 证明 由独立同分布大数定律可知，当n→∞时 是E(X)的一致估计量。 例7.14 设 为? 的无偏估计量，若 则 为? 的一致估计量 证明 由切比雪夫不等式可知 为? 的一致估计量。 上一节中，我们讨论了参数的点估计，只要给定样本观察值，就能算出参数的估计值。但用点估计的方法得到的估计值不一定是参数的真值，即使与真值相等也无法肯定这种相等（因为总体参数本身是未知的），也就是说，由点估计得到的参数估计值没有给出它与真值之间的可靠程度，在实际应用中往往还需要知道参数的估计值落在其真值附近的一个范围。为此我们要求由样本构造一个以较大的概率包含真实参数的一个范围或区间，这种带有概率的区间称为置信区间，通过构造一个置信区间对未知参数进行估计的方法称为区间估计。 譬如，在估计湖中鱼数的问题中，若我们根据一个实际样本，得到鱼数N的极大似然估计为1000条. 若我们能给出一个区间，在此区间内我们合理地相信 N 的真值位于其中. 这样对鱼数的估计就有把握多了. 实际上，N的真值可能大于1000条， 也可能小于1000条. 也就是说，我们希望确定一个区间，使我们能以比较高的可靠程度相信它包含真参数值. 湖中鱼数的真值 [ ] 这里所说的“可靠程度”是用概率来度量的，称为置信概率，置信度或置信水平. 习惯上把置信水平记作 ，这里 是一个 很小的正数. 定义7.3.1 设总体X的分布函数族为{F(x;θ), θ∈Θ}，对于给定的α(0α1)，如果有两个统计量 使得 对一切θ∈Θ成立，则称随机区间 是θ的置信度为1-α的双侧置信区间 双侧置信下限； 双侧置信下限； 1-α置信度。 由定义可知，置信区间是以统计量为端点的随机区间，对于给定的样本观察值(x1,x2,…,xn)，由统计量 构成的置信区间 可能包含真值θ，也可能不包含真值θ，但在多次观察或试验中，每一个样本皆得到一个置信区间，在这些区间中包含真值θ的区间占100(1-α)%，不