南理工应用统计第二章-参数估计.pptVIP

Ch2 参数估计 §2.1 参数估计(point estimation) 有效性 一、矩法 (Methods of Moments) 二、极大似然估计(Maximum Likelihood Estimators) 2.2正态总体的区间估计一、概念 四、双正态总体方差比的置信区间 §2.3 一致最小方差无偏估计 一、 最小均方误差准则 二、无偏估计类 三、一致最小方差无偏估计(UMVUE) 1.概念: §2.4克拉梅—劳不等式 (Cramér—Rao Inequality) 一、C-R正则分布族与费歇信息量 二　C-R不等式 三 有效估计 (1-?)? ?? 1-? ?的置信度为1??的置信区间为 注：?的1??置信区间不唯一。 都是?的1??置性区间.但?=1/2时区间长最短. 求正态总体参数置信区间的解题步骤 (1)根据实际问题构造样本的函数，要求仅含待估参数且分布已知-----枢轴量； (2)令枢轴量落在由分位点确定的区间里的概率为给定的置信度1??，要求区间按几何对称或概率对称； (3)解不等式得随机的置信区间； (4)由观测值及?值查表计算得所求置信区间。 1 、设某种清漆的9个样品，其干燥时间（以小时计） 6.0 5.7 5.8 .6.5 7.0 6.3 5.6 6.1 5.0 设干燥时间总体服从正态分布 ，求 的置信水平为0.95的置信区间。 （1）若由以往经验知 （小时） （2）若 为未知 2 、随机地取某种炮弹9发做实验，得炮口速度的 样本标准差 ， 设炮口速度服从正态分布。 求这种炮弹的炮口速度的标准差 的置信水平 为0.95的置信区间。 1 、（1）解: ?已知时,?的置信度为1??的置信区间为 这里 2、?2未知 m的1-a置信区间为 1-? 即得 1 、(2)解: ?未知时,?的置信度为1??的置信区间为 这里 二、单正态总体方差的置信区间 s2的置信度为1??的置信区间为 s的置信度为1??的置信区间为 2 、 解: s的置信度为1??的置信区间为 这里 ,s的置信度为95%的置信区间为 三、双正态总体均值差的置信区间 其中 可解得?1- ?2 的置信区间 假定?1，?2未知 我们在这里提出另一评价估计量好坏的标准―最小均方误差准则. 设有一个参数分布族={p(x;θ):θ∈Θ}.g(θ)是θ的函数.假设( )是来自某总体p(x;θ)的一个样本,则可以构造许多的样本函数来作为g(θ)的估计量.假如把g(θ)的一切可能的估计量组成的类记为 ,那么在估计类 中最好的估计量应是那个最靠近待估参数g(θ)真值的估计量.并且当总体参数θ变动时,譬如变动到 ,那么最好估计量也应最靠近g( ). 如何来评价一个估计量最靠近待估参数g(θ)呢?由于估计量是一个随机变量,因此,一个估计量的好坏不能由少数几个取值来判定,而应由长期使用结果—估计量的分布(即抽样分布)来判断.如果抽样分布的大部分质量密集在真值附近,那么该估计量就认为是较好的.这种密集程度可用均方误差来度量.均方误差愈小,此种密集程度愈高.这就是均方误差准则. 定义2.2.1 设 和 都是估计类中 的两个估计量.假如对一切θ∈Θ,有 则称在均方误差意义下 不优于 .假如上式对一切可能的估计量 都成立,则 称 g(θ)一致最小均方误差估计. 例2.2.1 设 是取自正态总体N(μ,σ2)的一个样本.我们知道估计量 是σ2的无偏估计 其均方误差为 现在来考虑形如c 的估计量,其中c为一实数.它的均方误差为 令 ,它是c的函数,且在 处得到最小.所以,若令 , 则 不是 的无偏估计,而是有偏估计,并且. 这表明：在均方误差准则下，有偏估计要优于无偏估计.应该注意,估计量是否有偏是用其一阶矩来考察的,估计量是否密集在待估参数周围是用其二阶矩来考察的.可见,无偏准则与均方误差准则是从两个不同侧面去考察一个估计量的.当二者发生矛盾时,应该更重视均方误差准则评价的结果