概率论与数理统计第7章 参数估计.pptVIP

估计量的相合性，只有当样本容量相当大时，才能显示出优越性。这种性质(在数理统计中称为大样本性质)在实际问题中往往难以做到。因此，在工程实际中往往使用无偏性和有效性这两个标准。 * 7.4 区间估计 点估计是用一个估计量的观测值来估计未知参数的真值，实际上这个估计值往往是未知参数的真值的一个近似值，它与真值之间是有误差的。有时需要确切地知道近似值的精确程度，即真值所在的范围。这种范围通常以区间的形式给出，同时还给出区间包含参数真值的可信程度（置信度）。这种形式的估计就是区间估计，这样的区间就是置信区间。 * 7.4.1 置信区间 定义7.4.1 设总体X的分布函数为F (x，θ)， θ 为未知参数，X1，X2，…，X n 是总体X的样本。对于给定值α(0α1)，如果存在两个统计量T1=T1(X1，X2，…，Xn)和T2=T2(X1，X2，…，Xn)满足 * 则称随机区间(T1，T2)为未知参数θ的一个置信度为1－α的置信区间。T1和T2分别称为置信下限和置信上限，1－α称为置信度。 * 对总体的同一个未知参数，可以得到很多不同的置信区间，当然希望得到的置信区间是最好的，这就需要给出评价置信区间好坏的标准。评价置信区间的标准主要有两个，一是精确度，用置信区间(T1，T2)的区间长度T2－T1来刻画。区间长度T2－T1越小，精确度越高，置信区间越好。 * 由于T1，T2是随机变量，T2－T1也是随机变量，因此，可用E(T2－T1)近似代替置信区间的精确度。另一个是置信度，用概率P{T1θT2}=1－α来表示，概率1－α越大，置信度越高，置信区间越好。但置信区间的精确度和置信度是相互制约的，当样本容量n一定时，精确度和置信度不能同时提高。 * Neyman提出了现今广泛接受的原则：先保证置信度，在此条件下尽可能地提高精确度，即先根据实际问题给定α的值(α常取0.1，0.05，0.01)，然后去确定置信下限T1和置信上限T2。 * 7.4.2 单个正态总体的情况 设总体X~N (μ，σ2)，μ是未知参数，X1，X2，…，Xn是总体的样本。下面将讨论参数μ和σ2在置信度为1－α下的置信区间。 * 1．参数μ的置信区间 （1）当σ2已知时 由于X是参数μ的最优无偏估计量，所以认为真值μ在X的附近是合理的，以X为中心构造一个区间（X-C，X+C）作为μ的区间估计，简记为X±C，其中常数C可由给定的置信度1－α确定。 * * 出版社 理工分社 概率论与数理统计 第7章 参数估计 统计推断是利用样本提供的信息推断总体分布或总体的某些数字特征，从而认识总体。统计推断分为两大类：一类是参数估计，另一类是假设检验。本章介绍参数估计。 * 7.1 参数估计的基本概念 如果总体分布的形式是已知的，但它含有一个或多个参数是未知的，则利用总体的样本来估计总体未知参数的问题就是参数估计问题。参数估计又分为点估计和区间估计两类问题。 * * 7.2 点估计 点估计的方法很多，常用的有矩法、极大似然法、顺序统计量法和最小二乘法等。本节主要介绍矩法和极大似然法。 * 7.2.1 矩法 设总体X的分布函数为F(x;θ1，θ2，…，θk)，其中θ1，θ2，…，θk为k个待估计的未知参数，X1，X2，…，Xn为总体X的样本。如果总体X的前k阶原点矩EXl(l=1，2，…，k)存在，记αl=EXl(l=1，2，…，k)，则由辛钦大数定律知，当n→∞时，有 * 因此，可用样本的l阶原点矩Ml作为总体的l阶原点矩EXl的估计量(l=1，2，…，k)。这种估计方法称为矩估计法。 * * 值得注意的是，矩估计法直观、简便，且在估计总体均值和方差时，不需要知道总体的分布，这些都是矩估计法的优点。但是矩估计法存在明显的不足：首先，矩估计法要求总体原点矩存在，而有些总体的原点矩是不存在的，不能用矩估计法，例如，柯西分布的数学期望不存在；其次，矩估计法未能充分利用总体分布所提供的信息，个别情形可能出现以偏概全的情况，因此不能保证它有优良的性质。 * 7.2.2 极大似然法 由Fisher引入的极大似然估计法至今依然是参数点估计中最重要的方法。极大似然估计法通过总体X的分布函数的已知形式及样本所提供的信息，采用概率极大化的原则建立未知参数θ的估计量θ^。 * 例如，设一袋中有黑白球共10个，已知两种颜色的球数比为1∶9，但不知道白球是9个，还是黑球是9个。现从袋中有放回地摸球3次，结果3次都是白球，由此推断袋中有9个白球。因为，当袋中白球是9个时，3次摸白球的概率为0.729；当袋中白球是