tjxCh5(抽样估计）.pptVIP

Ch5 参数估计 总体的特征 → 总体参数 样本信息→样本统计量 Ch5 参数估计 §5.1 点估计 §5.2 单个总体参数的区间估计*§5.3 两个总体参数的区间估计 §5.4 必要抽样数目的确定 第一节 点估计 §5.1.1 矩估计法 §5.1.2 极大似然估计法 §5.1.3 评价点估计优劣的标准 点估计问题就是要构造一个适当的统计量 是相应的样本 是X的一个样本, 是待估参数. 去估计总体的未知参数 。 点估计问题的一般提法 为的一个估计值. 观测值。 称为 的点估计量。 构造估计量的两种常用方法 极大似然估计法 矩估计法 点估计的方法有多种，包括矩估计法、极大似然估计法、顺序统计量法以及最小二乘法等等。 一、矩估计法 许多常见的分布的参数可以表示为总体矩的函数。所以参数估计可转化为总体矩的估计。 是根据1900年英国统计学家K.Pearson的替换原则提出的：用样本矩作为相应总体矩的估计量。 其理论依据在于辛钦大数定律： 若总体k阶原点矩 存在，有： 即样本k阶原点矩依概率收敛于总体k阶原点矩 。 样本均值（样本一阶原点矩）作为 总体均值E(X)=μ（总体一阶原点矩）的估计量。 推而广之，把二阶样本矩作为二阶总体矩的估计量, 把三阶样本矩作为三阶总体矩的估计量, 用样本矩的相应函数估计总体矩的函数， …… 这种方法就是矩估计法. 矩估计量（续） 矩估计量 设总体分布为 ，有K个参数 ， 总体X的K阶矩存在且为 的函数,记为 样本相应的k阶矩记为 令 = 解上述方程组， 的解（记为 ）称为参数 的矩估计量。 将样本观测值代入估计量即得矩估计值。 矩估计法的一般步骤： 解 总体的一阶矩及二阶矩分别为: 样本的一阶矩和二阶矩分别为: 和 即得: 【例】 [例] 现随机抽出8件电子元器件，测得使用寿命分别为1310，1207，1304，1267，1596，1325，1294，1462小时，试对总体均值和方差进行估计。 =1345.625（小时） S2=13465.23 =116.04 由矩估计法得 而 E(X)=P 【例2】 矩估计法的优点与局限性 优点： 思想较为简单，使用方便，并且当总体分布未知时该方法也可使用。 局限性： 由于矩估计法只利用了总体矩的部分信息，并未用到总体的分布，在体现总体分布特征上往往性质较差，只有样本容量较大时，才能保证矩估计量依概率收敛到相应的总体矩，因此，矩估计法通常在样本容量较大时使用。 如果总体k阶矩不存在，该方法无法使用。 在一些情况下，矩估计结果可能并不唯一。例如泊松分布参数λ，如果用样本均值和方差去估计λ，将得到不同的结果。 当机器发生故障时,有经验的修理工首先总从易损部件、薄弱环节查起. 一个老猎人带一个新手进山打猎,遇见一只飞奔的野兔,他们各发一弹,野兔被打中了,但身上只有一个弹孔,到底是谁打中的呢?恐怕绝大多数人认为是老猎人打中的. 公安人员在破一起他杀案时,谁是凶手?首先把与被害者密切来往又有作案可能性的人列为重点嫌疑对象. 二、极大似然估计法 概率最大的事件最可能发生! 【例】 一袋中装有大小相同的红白两种颜色球共100个.现在只知道这两种球的比例为99:1。从袋中随机地抽出一球观察其颜色，若抽到的是白球,试估计袋中白球、红球各多少? 有99个白球，1个红球！ 记A=(抽出的球为白球), 设袋中有99个白球,则 (2) 设袋中有99个红球,则 甲厂收到供应商提供的一批货物，根据以往的经验，该供应商的产品次品率为10%，而供应商声称次品率仅有5%。若随机抽出10件检验，结果有4件次品。购货方应该如何做决策？ 记次品数为 ，则 服从二项分布。 若 则10件中有4件次品的概率为 若 则10件中有4件次品的概率为 说明该批产品次品率为0.1的可能性大。 这些例子尽管千差万别,但它们具有一个共同的规律,即:在获得了一些观测资料之后,给参数选取一个数值,使得前面的观测结果出现的可能性最大——这就是极大似然估计的基本思想. 这种方法既要利用总体的分布函数，又要利用样本提供的信息来估计总体参数。 极大似然估计的基本思想 假设总体X的分布函数已知，但参数θ未知，它可以取很多值，我们要在参数θ的一切可能取值中选出一个使样本观察值出现的概率为最大的 作为参数θ的估计，并称 为 的极大似然估