点估计估计量的评选.pptVIP

利用 MINITAB 求其它函数值及作图 输入数据 * * * 估计理论是数理统计学的重要内容之一。 一个随机变量，当它的分布类型为已知时，如何 通过抽样研究，对它的分布函数或密度函数的参数作 一个合理的估计？当我们感兴趣于它的某些数字特征 时，又如何利用子样提供的信息去作估计？估计量的 “最佳”评选标准是什么？ 参数的点估计 用子样的一个统计量来作为总体某未知参数或某数字特征 的估计量的方法称为点估计。将样本观测值代入估计量得到一 估计值。 参数的点估计 点估计之方法 1 ——样本数字特征法 这种方法不只局限于数字特征的估计，事实上某些重要 分布的分布函数或分布密度的参数与数字特征有关。 1. 以样本均值 作为总体均值 的估计量 即： 2. 以样本方差 作为总体方差 的估计量 即： 参数的点估计 点估计之方法 1 ——样本数字特征法 得： 例1 已知随机变量 X 服从指数分布 ，X1，X2，. . .X20 是它的一个样本，试估计 X 的分布密度中的参数 。 解：已知 又 参数的点估计 点估计之方法 2 ——矩法估计 当要估计的参数比较多时，样本数字特征法是不够用的，要用—— 设 是一随机变量， 是它的一个样本。 称 为样本的 阶原点矩。 若 存在，则称之为 X 的 阶原点矩。记作 若 存在，则称之为 X 的 阶中心矩。记作 称 为样本的 阶中心矩。 矩法估计： 参数的点估计 点估计之方法 2 ——矩法估计 设 是一随机变量， 是它的一个样本。 显然，随机变量的 1 阶原点矩正是它的数学期望： 随机变量的 2 阶中心矩正是它的方差： 这是总体方差除样本方差之外的另一估计量。 矩法估计： 我们有： 我们有： 例2 设 是一随机变量， 是它的一个样本， 且 X 的分布密度如下：试估计参数 的值。 解： 由方程（1）至（5），可解得未知参数之估计量： 点估计之方法 3 ——极大似然法 例3 设盒子里装有许多白球和红球，不知道哪种球多，只知道 两种球的比例是 3:1 ，我们希望通过实验去判别白球占的 比例是 1/4 还是 3/4。 解：采用有放回抽样方式从盒子里抽取 3 个球，记白球数为 X。 则 其中 是 1/4 或 3/4，是待定参数。 就 是 1/4 或 3/4 为参数值计算二项概率得下表： 显然，当实验结果是X=0 或 1 时，我们认为 反之，当实验结果是X=2 或 3 时，我们认为 点估计之方法 3 ——极大似然法 参数的点估计 就 是 1/4 或 3/4 为参数值计算二项概率得下表： 显然，当实验结果是X=0 或 1 时，我们认为 反之，当实验结果是X=2 或 3 时，我们认为 因为子样是来自总体的，它能很好地反映总体的概率分布 特征，所以在作参数估计时，应从子样的观察值出发，选取使 得子样落在观察值的邻近的概率达到最大的参数值作为总体参 数值的估计值。这就是极大似然法的原理。 点估计之方法 3 ——极大似然法 参数的点估计 定义6.2—— 设连续型总体的概率密度函数为 是未知参数。 样本的联合密度函数（似然函数） 记作 对固定的样本值 ，若有 使 则称参数 是 的极大似然估计值。 对多个参数的极大似然估计的定义类似。 对离散型情形极大似然估计的定义类似，以 代替 则可。 点估计之方法 3 ——极大似然法 参数的点估计 对多个参数情形，极大似然方程组由各偏导为零给出。 解极大似然方程 可得参数 的估计值。 以上式子求导更为简便，得另一极大似然方程： 又 例4 设 是一随机变量，