概率论与数理统计17.pptVIP

第7章 参数估计 本章建立参数估计的两类方法 及估计效果的评判准则 7.1 参数估计的概念 解决的问题: ①在总体分布形式已知时,估计其未知参数; ②在总体分布形式已知或未知时,估计其数字特征. 两类方法: ①点估计法:为获得未知参数的估计值而由样本构造统计量(称为估计量); ②区间估计法:由样本构造随机区间,使得它以给定的大概率包含未知参数. 定义: 设总体X的参数θ未知,(X1, X2, ···, Xn )是X的 样本.构造一个统计量 7.2 点估计:矩估计法和极大似然法 7.2.1 矩估计法 思想:用样本原点矩Ak估计对应的总体原点矩EXk 依据:辛钦大数定律(n→∞时,Ak→ EXk(p) ) 定义:设总体X的概率密度为f(x; θ)(当X为离散型时, f(x;θ)=P(X=x; θ)),θ=(θ1,···,θl)为待估的未知参 数,(X1, ···, Xn )是X的样本.又设总体l阶原点矩EXl 存 在.令 EXk(θ1,θ2,···,θl)= Ak , k=1,2, ···,l . 此方程组的解 应用举例 例1设总体X服从B(N, p)二项分布. (1)当参数N已知,求p的矩估计; (2)求参数N, p的矩估计. 例2设(X1, X2, ···, Xn )是取自总体X的样本,求总体 均值μ=EX和方差σ2=DX的矩估计. 7.2.2 极大似然估计法 问题:设总体X的分布形式已知但参数θ未知,(X1, X2, ···, Xn )为X的样本, (x1,x2,···,xn)为一组样本观 测值,试估计参数θ. 依据--极大似然原理:认为在一次试验中就发生 的事件发生的概率最大. 思想:视(x1,x2,···,xn)为一次试验结果,则 P(X1 =x1, X2 =x2, ···, Xn =xn)最大,即 定义7.1 设总体X的概率密度为f(x;θ)(当X为离散 型时, f(x;θ)=P(X=x;θ)),θ=(θ1,θ2,···,θk) 为待估的未知参数, (x1,x2,···,xn)为样(X1,X2, ···, Xn )的一组观测值,称 性质:若函数u=u(θ) (θ∈Θ)有唯一反函数,又 是θ的极大似然估计量,则 * * 作为参数的 估计,称 为θ的一个估计量.若有X 为θ的一个 的观测值(x1,x2,···,xn),称 估计值. 称为参数θ, =(θ1,θ2 , ,···,θl)的矩估计量(moment estimator). 注①矩法可推广为“用样本矩作为对应的总体矩的估计”; ②用矩法估计总体矩时,不需要已知总体的分布形式; ③对任何均值μ方差σ2存在的总体都有: ④参数的矩估计量不一定是唯一的; 问题:若总体X~P(λ), λ的矩估计为何? 矩法实质:用样本原点矩估计对应的总体原点矩,用样本 原点矩的函数估计对应的总体原点矩的函数. 为似然函数.若存在 其中Θ为θ的所有可能取值所成的集合,则称 使得下式成立: 为θ的极大似然估计值,而称 为θ的 极大似然估计量(maximum likelihood estimator). 注:通常,可由似然方程 解出 ; 但当似然方程无解时,只能依据“最大化L(θ)”并结合考 虑θ的意义及取值范围来求 . 应用举例: 例3设总体X服从B(N, p)二项分布,N已知, 求p的极 大似然估计. 例4设总体X~N(μ,σ2), 参数μ,σ2未知, (X1, X2, ···, Xn )是X的样本,求μ,σ2的极大似然估计. 例5设总体X~U[0, θ],参数θ未知, (X1, X2, ···, Xn ) 是X的样本,求θ的极大似然估计. 是u(θ) 的极大似 然估计量. 例6设总体X~N(μ,σ2), μ,σ2未知, (X1, X2, ···, Xn )为 X的样本. (1)求σ的极大似然估计; (2)求 的极大似然估计. 问题: 对X~N(μ,σ2),当μ已知时, σ2的极大似然估计为何? σ及 的极大似然估计又为何? *