7.1-7.3-参数估计.pptVIP

这里,我们介绍了参数点估计，给出了寻求估计量最常用的矩估计法和最大似然估计法 . 对同一个参数,用不同的估计法,估计量可能 不同, 原则上任一统计量都可以作为未知参数 的估计量, 很自然地提出: 采用哪一种估计量 最好? 这就涉及到用什么样的标准来评价估 计量的优良性问题? * 数理统计概述 * 统计推断问题就是怎样从取得的样本去推断总体？这种推断具有多大的可靠性？ 统计推断 参数估计 假设检验 什么是参数估计？ 参数是刻画总体某方面概率特性的数量. 当此数量未知时,从总体抽出一个样本，用某种方法对这个未知参数进行估计就是参数估计. 例如，X ~N (? ,? 2), 点估计 区间估计 若?, ? 2未知, 通过构造样本的函数, 给出 它们的估计值或取值范围就是参数估计 的内容. 第七章 参数估计 用所获得的样本值去估计参数取值称为参数估计. 参数估计 点估计 区间估计 用某一数值作为参数的近似值 在要求的精度范围内指出参数所在的区间 参数估计的基本思想 §7.1 点估计 点估计的思想方法: 设总体X 的分布函数的形式已知, 但含有一个或多个未知参数：?1,?2, ?,?k 设 X1, X2,…, Xn为总体的一个样本 构造 k 个统计量： 随机变量 当测得样本值(x1, x2,…, xn)时,代入上述 统计量，即可得到 k 个数： 数 值 称数 为未知参数 的估计值 如何构造统计量？ 如何评价估计量的好坏？ 对应统计量 为未知参数 的估计量 问 题 矩估计法 最大似然估计法 构造估计量的常用方法 方法 用样本的 k 阶矩作为总体 k 阶矩的估计量, 建立含有待估参数的方程, 从而解出待估参数 一、矩估计法 记总体k阶矩为 样本k阶矩为 记总体k阶中心矩为 样本k阶中心矩为 回顾： 用样本矩来代替总体矩 矩估计的一般步骤 设总体分布含有m个未知参数 ?1 ，…，?m （1）根据未知参数的个数求总体的各阶矩 解此方程组得其根为 以此分别估计参数?i ，i=1,...,m，并称其为?i 的矩估计。 解 总体X的期望为 从而得到方程 所以λ的矩估计量为 总体1阶矩 样本1阶矩 用样本矩来代替总体矩 解: 由矩法, 样本矩 总体矩 从中解得 的矩估计. 即为 数学期望 是一阶 原点矩 例2 设总体X的概率密度为 是未知参数, 其中 X1,X2,…,Xn是取自X的样本,求参数 的矩估计. 解 由于 故令 结论：一般, 不论总体服从什么分布, 总体期望 ? 与方差? 2 存在, 则它们的 矩估计量分别为 如果在总体分布中有两个未知参数, 求矩估计需要解二元方程组. 有时选择一阶原点矩和二阶中心矩, 计算比较简单. 一般情况下: 先考虑用样本的原点矩去估计总体的原点矩. 具体做题时, 加以考虑, 怎么简单怎么算. 只要计算正确, 结果都是一样的. 矩法的优点是简单易行,并不需要事先知道总体是什么分布 . 缺点是，当总体类型已知时，没有 充分利用分布提供的信息 . 一般场合下, 矩估计量不具有唯一性 . 其主要原因在于建立矩法方程时，选取那些总体矩用相应样本矩代替带有一定的随意性 . 2. 极大似然法 是在总体类型已知条件下使用的一种参数估计方法 . 它首先是由德国数学家 高斯在1821年提出的 , Gauss Fisher 然而，这个方法常归功于 英国统计学家费歇 . 费歇在1922年重新发现了 这一方法，并首先研究了这 种方法的一些性质 . 先看一个简单例子： 一只野兔从前方窜过 . 是谁打中的呢？ 某位同学与一位猎人一起外出打猎 . 如果要你推测， 你会如何想呢? 只听一声枪响，野兔应声倒下 . 极大似然估计的基本思想 一般地，我们会有这样的想法：因为只发一枪便打中,猎人命中的概率一般大于这位同学命中的概率. 看来这一枪是猎人射中的. 这个例子所作的推断已经体现了最大似然法的基本思想 . 极大似然原理的直观想法是:一个随机试验如有若干个可能的结果A,B,C,….若在一次试验中,结果A出现, 则一般认为A出现的概率最大,也即试验条件对A出现有利.或者说在试验的很多可能条件中，认为应该是使事件A发生的概率为最大的那种条件存在. 令 求最大似然估计(MLE)的一般步骤是： (1) 由总体分布导出样本的联合分布律 (或联合密度); MLE是maximum likelihood estimate缩写 试求参数 p 的最大似然估计量。 故似然函数为 ------