吴赣昌编 概率论与数理统计 第6章(new).ppt

例6.11 设总体X~U[1,?]，?1，未知， (X1,X2,…,Xn)是总体X的一个样本， (1)求?的矩估计和极大似然估计； (2)上述两个估计是否为无偏估计量，若不是，请修正为无偏估计量； (3)问在(2)中的两个无偏估计量哪一个更有效？ 解 X的密度函数 (1) ?的矩估计为 设(x1,x2,…,xn)为样本观察值，则似然函数 i=1,2,…n 令xn*=max(x1,x2,…,xn)，则xn*≤? 即?的极大似然估计为 (2) 是? 的无偏估计。 为求 先求Xn*的密度函数 显然，它不是? 的无偏估计，修正如下： 令 则 是? 的无偏估计。 (3) 当n1时，对任意? 1， 因此 比 更有效。 三、一致性（相合性） 在参数估计中，很容易想到，如果样本容量越大，样本所含的总体分布的信息越多。n越大，越能精确估计总体的未知参数。随着n的无限增大，一个好的估计量与被估参数的真值之间任意接近的可能性会越来越大，这就是所谓的相合性或一致性。 定义 设 为未知参数? 的估计量，若对任意给定的正数 ε0，都有 即 依概率收敛于参数? ，则称 为参数? 的一致估计或相合估计量。 例6.12 设 是总体X的样本均值，则作为总体期望E(X)的估计量时， 是E(X)的一致估计量。 证明 由大数定律可知，当n→∞时 是E(X)的一致估计量。 例6.13 设 为? 的无偏估计量，若 则 为? 的一致估计量 证明 由切贝雪夫不等式可知 为? 的一致估计量。 6.3 区间估计 上一节中，我们讨论了参数的点估计，只要给定样本观察值，就能算出参数的估计值。但用点估计的方法得到的估计值不一定是参数的真值，即使与真值相等也无法肯定这种相等（因为总体参数本身是未知的），也就是说，由点估计得到的参数估计值没有给出它与真值之间的可靠程度，在实际应用中往往还需要知道参数的估计值落在其真值附近的一个范围。为此我们要求由样本构造一个以较大的概率包含真实参数的一个范围或区间，这种带有概率的区间称为置信区间，通过构造一个置信区间对未知参数进行估计的方法称为区间估计。 定义 设总体X的分布函数族为{F(x;θ), θ∈Θ}，对于给定的α(0α1)，如果有两个统计量 使得 对一切θ∈Θ成立，则称随机区间 是θ的置信度 双侧置信下限； 双侧置信上限； 1-α置信度。 由定义可知，置信区间是以统计量为端点的随机区间，对于给定的样本观察值(x1,x2,…,xn)，由统计量 构成的置信区间 可能包含真值θ，也可能不包含真值θ，但在多次观察或试验中，每一个样本皆得到一个置信区间，在这些区间中包含真值θ的区间占100(1-α)%，不包含θ的仅占100α%。 为1-α的双侧置信区间。 求置信区间的一般步骤 (1)选取未知参数?的某个最优估计量 ； (2)围绕 构造一个依赖于样本与参数的函数 U=U(X1,…,Xn, ?)；(已知U服从的分布) (3)对给定的置信水平1-α，确定λ1与λ2 ，使 P{λ1 ≤U ≤ λ2}=1-α 通常可选取满足P{U ≤ λ1}=P{U≥ λ2 }=α/2的λ1与λ2 。 (4)对不等式做恒等变形后化为 则 是θ的置信度 为1-α的双侧置信区间。 例6.14 设(X1,X2,…,Xn)是取自总体X~N(μ,σ2)的一个样本，其中σ2已知，μ未知。试求出μ的置信度为1-α的置信区间。 解 由于样本均值 是总体均值μ的无偏估计，且 故 由标准正态分布上侧p分位点的定义可知 即μ落在区间 内的概率为1-α。 此区间称为μ的置信度为1-α的置信区间。 -uα/2 O uα/2 x φ(x) α/2 α/2 1-α 从此例我们发现随机变量Z在区间的构造中起着关键的作用，它具有下述特点： (1) Z是待估参数μ和统计量 (2)不含其它未知参数； (3)服从与未知参数无关的已知分布。 的函数； 枢轴变量 例6.15 设一批产品的一级品率为p，如今从中随机抽出100个样品，其中一级品为60个，要求p的0.95的置信区间。 解 设总体为X 则X服从0-1分布，即X~B(1,p)，其中0p1未知； 由中心极限定理可知 近似地服从正态分布N(0,1) 解得p的双侧置信区间上下限为 设(X1,X2,…,Xn)是取自这个总体的样本，其中“Xi=1”表示抽得的第i个样品是一级品。 其中 一、正态总体N(μ,σ2)的均值μ的置信区间 1、方差σ2已知 由例6.14可知 则置信度为1-α的μ的置信区间为 2、方差σ2未知 由于方差σ2未知，不能使用 作为统计量 用