[理学]u71.pptVIP

§7.1 点估计 * * 一、点估计概念 二、矩估计法 三、极大似然估计法 1、总体参数概念 一、点估计的概念 总体参数, 狭义指总体分布的数学表达式中所含的参数。 定义1.1 总体X的分布参数, 理论概率分布参数, 统称为总体参数。 例如, 正态分布N(?,?2)的参数为?,?2; 二项分布B(n,p)的参数为n,p; 泊松分布?(?)的参数为?等等。 广义来说，总体参数可指总体或理论分布的数字特征，其中包括狭义总体参数。例如，总体的原点矩、中心矩、协方差、相关系数、偏度、峰度以及事件的概率，或总体具有某种特征A的个体的比率等等。 定义1.2 设X1,X2,…,Xn为总体X的样本，?为总体分布F(x;?)中的未知参数，构造一个统计量T=T(X1,X2,…,Xn)作为?的估计，则称T=T(X1,X2,…,Xn)为?的估计量；若样本X1, X2,…, Xn的一个观察值为x1, x2,…, xn，则称t=T(x1,x2,…,xn)为?的估计值，统称为参数?的点估计， 2、参数的点估计 注1 点估计实际上是指用统计量的值去估计未知参数的值, 又指用来估计未知参数的统计量。例如, 用样本均值估计总体的期望, 用样本方差估计总体方差, 用频率估计概率。 注2 若总体分布F(x;?1,?2,?,?r)中含有r个不同的未知参数, 则需由样本X1, X2,…,Xn建立r个统计量Ti(X1,X2,…,Xn)作为相应参数?i的点估计。 例如: 正态总体N(?,?2)有两个未知参数?及?2, 而E(X)=?, D(X)=?2, 可分别用样本均值 二、矩估计法 其基本思想是替换原理, 即用样本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。 其特点是不需要假定总体分布有明确的分布类型。 定义1.3 若总体X的分布函数F(x;?1,?2,?,?r)中含有r个未知参数?1,?2,?,?r , 假定总体X的k阶原点矩E(Xk)存在, (1?k?r), 记作 令其等于k阶样本原点矩 由上面的方程组解出r个值 即令 分别取 作为?i的估计量, 这种求估计量的方法称之为矩估计法, 由此得到的估计量称为矩估计量。若有一样本值x1, x2,…,xn，则称 为矩估计值。 注1 设总体X的期望E(X)=?和方差D(X)=?2都是有限的，令 解之可得?与?2的矩估计 所以无论X服从什么分布，样本均值 和样本方差Sn*2总分别是总体期望?与方差?2的矩估计量。 注2 例1.1 设X1,X2,…,Xn是来自总体X的样本, 当X的分布为 (1)正态分布N(?,?2) (2)指数分布Z(?) (3)均匀分布U(a,b) (4)二项分布B(n,p) (5)泊松分布?(?) 试求其中未知参数的矩估计。 注: 由此例可知, 矩估计量不唯一。 (4) X~B(n,p), E(X)=np, D(X)=np(1–p) (5) X~?(?), E(X)=D(X)=? 例1.2 设总体X的概率密度为 例1.3 设(Xi,Yi)，i=1,2,…,n是来自二维总体(X,Y)的样本，试求总体分布的协方差cov(X,Y)与相关系数?XY的矩估计。 例1.4 设总体X的概率密度为 X1,X2,…,Xn是来自总体X的样本。0.1,0.2,0.9,0.8,0.7,0.7为一个样本观察值，试求? 的矩估计值。 三、极大似然估计 1、定义 定义1.2 设总体X的分布函数F(x;?)的形式已知, ?为未知参数, Θ为?的可能取值范围, x1, x2,…,xn为X的一个样本值, 或 (X为离散型) 达到最大值 (X为连续型) 则称 为? 的极大似然估计值， 为? 的极大似然估计量，统称为? 的极大似然估计。 注1 若总体分布中含有两个以上的未知参数?1,?2,?,?r 时，则?i 的极大似然估计 满足 注2 2、求极大似然估计的步骤 (1)利用求导法求极大似然估计 i)建立似然函数： ii)两边取对数： iii)对?i (1?i?r)求偏导数，并令其值为0 iv)由上述r个等式解出 (1?i?r) ，即为?i的极大似然估计。 例1.5 设总体X的概率密度为 0.1,0.2,0.9,0.8,0.7,0.7为一个样本观察值, 试求? 的极大似然估计。 例1.6 设X1,