概率论与 及数理统计点估计.pptVIP

《概率统计》 下页 结束 返回 设 X: X1，X2，…，Xn 1. 2. 若 X~N（0，1），则 下页 第六章 统计量小结 Xi ~N（μ，σ2） (1) (2) (3) 3. 若 X~N（μ，σ2）， 下页 1 2 3 4 则 相互独立. 与 Y ~ N (μ2,σ2 2) ： Y1，Y2，…,Yn2 ，它们相互独立. X ~ N (μ1,σ12) ： X1，X2，…,Xn1 (1) (2) 当σ12 =σ22 =σ2时， 4. 两个正态总体 当σ12 ,σ22 已知时， 下页 5 6 Y ~ N (μ2,σ2 2) ： Y1，Y2，…,Yn2 ，它们相互独立. X ~ N (μ1,σ12) ： X1，X2，…,Xn1 (4) 4. 两个正态总体 下页 7 8 当μ1 、μ2 已知时, (3) 当μ1 、μ2 未知时, 第七章 参数估计 问题：若总体X的分布函数F(x)的类型已知，但它的一个或多个参数未知,如何估计总体的未知参数？ 想法：用X的一组样本观察值（x1，x2，…，xn）来估计总体中未知参数的值，即用样本统计量的值估计总体中未知参数的值. 估计量：设θ为总体X的未知参数，用样本（X1，X2，…，Xn）构成的一个统计量 来估计θ的真值，称 为θ的估计量. 参数的点估计(方法)：指用样本统计量的值估计未知参数的值. 估计值：对应于样本的一组观测值（x1，x2，…，xn），估计量 的值 （ x1，x2，…，xn）称为θ的估计值，仍记作 . 本章介绍 ：1）矩估计法；2）极大似然估计法. §7.1参数的点估计 下页 试求θ的矩估计量. 由于E(X)=θ, 根据矩估计法有 (k=0,1,2…；0＜θ＜+∞) 又由于 D(X)=θ， 故可得θ的另一个矩估计量为 由此可见一个参数的矩估计量是不唯一的. 例3．设总体X服从参数为θ的泊松分布，即 [问题]：选哪一个作为估计量更好呢？ 下页 解：设X1,…,Xn为X的一个样本， 二、 极大似然估计法（Fisher) 极大似然估计法是求估计值的另一种方法，最早由高斯(R.A,Gauss) 提出，后来为费史（Fisher)在1912年重新提出，并证明该方法的一些性质． 它是建立在极大似然原理基础上的一个统计方法． 极大似然原理：一个随机试验有若干种可能的结果A，B， C，…．若在一次试验中，结果A出现，则一般认为试验条件对 A出现有利，也即A出现的概率很大． 引例．设有外形完全相同的两个箱子，甲箱有99个白球1个黑球， 乙箱有1个白球99个黑球，今随机地取出一箱，再从取出的一箱中 抽取一球，结果取得白球，问这球是从哪一个箱子中取出的？ 解：甲箱中抽得白球的概率P(白|甲)＝99/100 乙箱中抽得白球的概率P(白|乙)=1/100 白球从甲箱中抽出的概率比从乙箱中抽出的概率大得多，根据极大似然原理，既然在一次抽样中抽得白球，当然可以认为是从抽取概率大的箱子中抽出的，所以，可作出统计推断：白球是从甲箱中抽出的. 下页 设总体X的概率密度函数为 f(x;θ)，[若X是离散型, f(x;θ) 是分布律]θ为未知参数(θ也可以是向量)，则下列函数： 2、求极大似然估计步骤 (1) 写出似然函数; 称为样本的似然函数。使似然函数取得最大值的 称为θ的极大似然估计量. 这种方法称为极大似然估计法. 1、极大似然估计法 下页 (2) 取对数; (3) 求导数; (4) 由导数=0,解得估计值. 例4．X~P(λ)，求λ极大似然估计. 解：设x1,…,xn为样本的一组观测值，于是似然函数为 两边取对数得， 对λ求导数，并使其等于0得， 解这一方程得λ的极大似然估计为 比如，样本观测值为：10，13，65，18，79，42，65，77，88，123，n=10。则， 下页 例5．X服从参数为λ的指数分布，求λ的极大似然估计. 下页 解：设x1,…,xn为样本的一组观测值，于是似然函数为 例6．设X~N(μ,σ2）,求μ,σ2的极大似然估计. 解得μ,σ2的极大似然估计值为 L（x1,…，xn;μ,σ2) 下页 解：设x1,…,xn为样本的一组观测值，于是似然函数为 例7．设总体Ｘ具有均匀分布，密度函数为 求未知参数θ的极大似然估计. 显然L是θ的一个单值递减函数. 每一个xi ( i=1,2,3 …,n),所以θ的极大似然估计量为 下页 解：设x1,…,xn为样本的一组观测值，于是似然函数为 设 = （X1，X2，…，Xn）为未知参数θ的估计量序列， 三、估计量的评选标准