概率论与数理统计PPT课件第章最大似然估计.pptVIP

* 不能求解。 * 似然函数a 越大, b 越小, L 越大. 令 x(1) = min {x1, x2,…, xn} x(n) = max {x1, x2,…, xn} * 故 是 a , b 的最大似然估计值. 则对满足 的一切a，b, 都有 取 * 例7 设总体X的概率分布为 X 0 1 2 P ? 1-2? ? 其中0? ? ?1/2为未知参数。今对X进行 观测， 得如下样本值 0，1，2，0，2，1 求? 的最大似然估计。 * 从而对数似然函数为 解：似然函数为 令 得 * 三 估计量的评选标准 对于同一参数，用不同的估计方法求出的估计量可能不相同。 问题：采用哪一个估计量好? X1, X2,…, Xn 为来自该总体的样本。 设总体X~ F(x, ? ), 其中 ? 为未知参数。 为 ? 的一个估计量。 * 估计量 而当样本(X1, …, Xn)有观测值(y1, …, yn)时，估计值为 是一个随机变量，当样本(X1, …, Xn)有观测值(x1, …, xn)时，估计值为 * 由不同的观测结果，就会求得不同的参数估计值. 因此评价一个估计量的好坏，不能仅仅依据一次试验的结果来判断，而必须根据估计量的分布从整体上来做评价。 当样本值取不同的观测值时， 我们希望相应的估计值在未知参数真值附近摆动，而它的均值与未知参数的真值的偏差越小越好. 当这种偏差为0时，就导致无偏性这个标准 . * 1．无偏性 则称 为 的无偏估计 . 设 是未知参数 的估计量，若 * 例1 样本均值 与样本方差S2 分别是 总体均值μ和总体方差σ2的无偏估计量. 证： * 样本k阶矩为 例2 设总体X的k阶原点矩存在，记其为?k， X1, X2,…, Xn为来自总体的样本，问 是否为总体k阶矩?k的无偏估计. 解：由于 因此样本k阶矩是总体k阶矩的无偏估计 * 例3 设总体X ? N (?，? 2)，其中参数 ?，? 2未知，试用最大似然估计法求?，? 2的估计量，并问是否是无偏估计？ * * 例4 设总体X 服从参数为? 的指数分布, 概率密度为 其中, 参数? 0 为未知, X1, …, Xn为来自总体的样本. 试证, 和nZ=n{min(X1, …, Xn)}都是? 的无偏估计. 解： 因为 故 是? 的无偏估计 设X的分布函数为 * 先求Z的分布函数 * 对其求导数得到Z的密度函数为： 指数分布 即Z的分布函数 * 故 因此,nZ是? 的无偏估计 * 例5 设X1, X2,…, Xn是来自总体X的样 本，且E(X)=?。以下两个估计是否为 ? 的无偏估计 （答：是） （答：是） * 无偏估计以方差小者为好, 这就引进了有效性这一概念 . 的大小来决定二者 和 一个参数往往有不止一个无偏估计, 若 和 都是参数 的无偏估计量， 比较 我们可以 谁更优 . * 2．有效性 D( )? D( ) 都是参数 的无偏估计量，若有 设 和 且存在 的情形，则称 较 有效 。 * 例6 设X1, X2,…, Xn是来自总体X的样本，且E(X)=?。以下两个估计谁更有效？ 解： * 3. 相合性(一致性) 设 为未知参数? 的估计量，若对任意给定的? 0，任意?，都有 则称 为参数? 的相合估计 设总体的k 阶矩存在，则样本的k 阶矩是总体k 阶 矩的相合估计 即：当 时 以概率收敛到? * 这两讲，我们介绍了参数点估计，讨论了估计量的优良性准则 . 给出了寻求估计量最常用的矩估计法和最大似然估计法 . 参数点估计是用一个确定的值去估计未知的参数. 看来似乎精确，实际上把握不大. 为了使估计的结论更可信，需要引入区间估计. * 作业 7.3; 7.4; 7.11 最大似然估计 7.10； * 它首先是由德国数学家 高斯在1821年提出的 , Gauss Fisher 然而，这个方法常归功于 英国统计学家费歇(Fisher) . 费歇在1922年重新发现了 这一方法，并首先研究了 这种方法的一些性质 . §7.2 最大似然估计 * 思想方法 一次试验就出现的事件 有较大的概率 7-17 * 最大似然法的基本思想 先看一个简单例子： 一只野兔从前方窜过 . 是谁打中的呢？ 某位同学与一位