应用统计学第二章节参数估计.pptVIP

总体分布中常含有参数，一般常用? 表示参数，参数估计问题就是从样本出发构造一些统计量作为某些未知参数的估计量。通常都是对总体的期望和方差进行估计 参数估计的形式有两种：点估计与区间估计。 设 X1, X2,…, Xn 是来自总体 X 的一个样本，我们用一个统计量 作为? 的估计量， 称为? 的点估计（量），简称估计。在这里如何构造统计量 并没有明确的规定，只要它满足一定的合理性即可。这就涉及到两个问题： 例.1 对某型号的20辆汽车记录其每加仑汽油的行驶里程(km)，观测数据如下： 29.8 27.6 28.3 27.9 30.1 28.7 29.9 28.0 27.9 28.7 28.4 27.2 29.5 28.5 28.0 30.0 29.1 29.8 29.6 26.9 经计算有 由此给出总体均值、方差的估计分别为: 28.695, 0.9185 。 矩估计的实质是用经验分布函数去替换总体分布。 例.３ 设总体服从指数分布，由于EX=1/?， 即? =1/ EX，故? 的矩估计为 另外，由于Var(X)=1/?2，其反函数为 因此，?的矩法估计也可取为 B2为样本方差。这说明矩估计是不唯一的，这是矩法估计的一个缺点，此时通常应该尽量采用低阶矩给出未知参数的估计。 例４ x1, x2, …, xn是来自(a,b)上的均匀分布U(a,b)的样本，a与b均是未知参数，这里k=2，由于 不难推出 由此即可得到a, b的矩估计： （二）极(最)大似然估计 定义 设总体的概率函数为f(x;? )，x1, x2 , …, xn 是样本，将样本的联合概率函数看成? 的函数，用L(? ; x1, x2, …, xn) 表示，简记为L(? )， 称为样本的似然函数。 如果某统计量 满足 则称 是? 的极(最)大似然估计， 例2 设一个试验有三种可能结果，其发生概率分别为 现做了n次试验，观测到三种结果发生的次数分别为 n1 , n2 , n3 (n1+ n2+ n3 = n)，则似然函数为 其对数似然函数为 将之关于? 求导，并令其为0得到似然方程 解之，得 由于 所以 是极大值点。 例3 对正态总体N(?,? 2)，θ=(?,? 2)是二维参数，设有样本 x1, x2 , …, xn，则似然函数及其对数分别为 将 lnL(?,? 2) 分别关于两个分量求偏导并令其为0, 即得到似然方程组 解此方程组，可得? 的极大似然估计为 将之代入，得出? 2的极大似然估计 虽然求导函数是求极大似然估计最常用的方法，但并不是在所有场合求导都是有效的。 极大似然估计有一个简单而有用的性质：如果 是? 的极大似然估计，则对任一函数 g(? )，其极大似然估计为 。该性质称为极大似然估计的不变性，从而使一些复杂结构的参数的极大似然估计的获得变得容易了。 例５ 设 x1 , x2 , …, xn是来自正态总体N(? ,? 2) 的样本，则?和? 2的极大似然估计为 ，于是由不变性可得如下参数的极大似然估计，它们是: 概率 的极大似然估计 （一）无偏性 定义 设 是? 的一个估计， 若有 则称 是? 的无偏估计，否则称为有偏估计。 例１ 对任一总体而言，样本均值是总体均值的无偏估计。样本方差B2不是总体方差? 2的无偏估计，对此，有如下两点说明： (1) 当样本量趋于无穷时，有E(B2) ?? 2， 我们称 B2 为? 2的渐近无偏估计。 (2) 若对B2作如下修正： ，