概率论与数理统计 7.pptx

第七章 参数估计 数理统计的基本问题就是根据样本所提供的信息，对总体的分布或分布的数字特征等做出统计推断。本章所要探讨的是这样一类问题，即在总体所服从的分布类型已知的条件下，估计某些未知的参数，如数学期望、方差等．这类问题称为参数估计。参数估计的方式有两种，一种是参数的值估计（点估计），另一种是参数的范围估计（区间估计）．对于这类问题，关键是构造合理的方法将这些未知参数估计出来。 序言 01 点估计 用一个数值来估计某个参数，这种估计就是点估计。例如，要考察某城市拥有汽车的家庭所占的比例，抽查了1 000个家庭，然后估计出这个比例值为0.28，这个值就是“比例”这个未知数的点估计。 定义1 设为总体X的待估计参数，用样本X1, X2, …, Xn的一个统计量 (X1, X2, …, Xn) 来估计，则称 是的一个点估计量，对应于样本观测值x1, x2, …, xn，称 为的点估计值。 在不至于混淆的情况下，统称估计量和估计值为估计。 样本取自总体，根据大数定律，样本矩在一定程度上反映了总体矩的特征，因而很自然想到用样本矩来估计与之相应的总体矩，由此得到的参数估计称为矩估计法。 矩估计是一种简单、直观的估计方法，是由统计学家皮尔逊在19世纪末引进的。 定义2 设总体X的分布函数为 ，若，其中，1, 2, …, k是待估计的k个未知参数，X1, X2, …, Xn是来自总体X的n个样本，x1, x2, …, xn是样本观察值，假设X的1~k阶原点矩都存在，则有 取样本的i阶原点矩Ai作为总体i阶原点矩i的估计量，即 （7-1） 得方程组 解得 称 为i的矩法估计量，简称矩估计。 解 总体X的数学期望为 由式（7-1），令 可得的矩法估计量为 解 由二项分布的性质可知 设X1, X2, …, Xn为总体X的样本，根据式（7-1）可得 解方程得p的矩估计量为 解 已知总体X的E(X)和D(X)均存在且有限，即 现设X1, X2, …, Xn为总体X的样本，根据式（7-1）可得 解方程得 在随机试验中，许多事件都有可能发生，概率大的事件发生的可能性也大，若在一次试验中，某事件A发生了，则有理由认为事件A比其他事件发生的概率大，这就是所谓的极大似然原理，极大似然估计法就是依据这一原理得到的一种参数估计方法。 极大似然估计法是费歇（R. A. Fisher）在1912年提出来的，是一种重要的点估计方法，所求的估计量有许多优良性质。下面先介绍似然函数的概念。 1．似然函数 定义3 设总体X的分布律或概率密度为 ，=(1, 2, …, k)是未知参数，X1, X2, …, Xn是总体X的样本，则称X1, X2, …, Xn的联合分布律或概率密度函数 （7-1）为样本的似然函数，简记为L()。 ① 当总体X为离散型随机变量时，f(x; )为X的分布律P(x; )； ② 当总体X为连续型随机变量时，f(x; )为X的概率密度。 提示 解 设白球所占的比例为p，则 又设X为任取3个球中所含白球的个数，则 所以 于是，当 当 因为 这就意味着使X=2的样本来自 比 可能性要大。 故认为白球所占的比例是 2．极大似然估计法 定义4 如果样本似然函数 在 处达到最大值，则称 为参数i的极大似然估计值，而称相应的统计量 为参数i的极大似然估计量． 由定义可知，求参数的极大似然估计问题，其实就是求似然函数L的最大值问题．一般情况下，似然函数L的最大值点的一阶偏导数为零，但直接对似然函数L求偏导，计算量比较大．我们知道，ln x是x的单调上升函数，因此，ln L与L有相同的最大值点，故只需求ln L的最大值点即可．因此，求极大似然估计量的一般步骤如下： 提示 提示 解 （1）样本的似然函数为 （2）对似然函数取对数得 （3）似然方程为 解得 相应的极大似然估计量为 解 似然函数为 取对数得 故似然方程为 解得的极大似然估计值为 极大似然估计量为 解 由题意可知，X的概率密度为 样本的似然函数为 对似然函数取对数得 似然方程组为 解得 因此 根据上述提示（3）知 02 估计量的评价标准 由上节可知，对于总体X的同一参数，用不同的估计方法求出的估计量可能不相同，而且即使用相同的方法也可能得到不同的估计量。也就是说，同一参数可能有多种不同的估计量。原则上来说，任何统计量都可以作为未知参数的估计量。那么到底采用哪个估计量较好呢？确定估计量好坏必须在大量观察的基础上从统计的意义来评价，即估计量的好坏取决于估计量的统计性质。 序言 定义1