2020第八章 参数估计.pptVIP

样本矩可类似定义，对统计量而言，样本原点矩是指 1 k A k ? ? X i ( k ? 1, 2, ) n i ? 1 当 k =1 时 ，就是样本均值 样本中心矩是指 n n 1 k B k ? ? ( X i ? X ) n i ? 1 ( k ? 1, 2, ) 当 k=2 时，就是二阶样本中心矩 . 例 1 某灯泡厂某天生产了一大批灯泡，从中抽取了 10 个进行寿命实验，得数据如下（单位：小时）问该天生 产的灯泡平均寿命是多少？ 1050 1100 1080 1120 1200 1250 1040 1130 1300 1200 解 计算出x﹦1147，以此作为总体期望值μ的估计。 矩法比较直观，求估计量有时也比较直接，但它 产生的估计量往往不够理想。 （二）最大似然估计法 1 、最大似然思想 有甲乙两个射手，甲的命中率为 0.9, 乙的命 中率为 0.2, 现在他们中的一个向目标射击了一发 ，结果命中了，估计是谁射击的？ 从这个例子，我们悟出一个基本想法：如果在一次 试验中事件 A 发生了，那么试验的条件应最有利于 A 的出现，换言之，试验的条件应使 A 发生的概率最 大。这就是最大似然估计法的直观想法。 最大似然估计法是要选取这样的 ? ? ，当它作为θ 的 估计值时，使观察结果出现的可能性最大。 对于离散型的随机变量就是估计概率函数中的参数 θ ； 对于连续型的随机变量就是估计概率密度中的 θ 。 设ξ为连续性随机变量，它的分布函数是 F(x; θ ), 概率 ? x ; ? ? 密度是 ? ，其中θ是未知参数，可以是一个值， 也可以是一个向量。由于样本的独立性，则样本 X 1 , X 2 ，…,X n 的 联合概率密度 是 n L ? x 1, , x n ; ? ? ? ? ? ? x i ; ? ? i ? 1 对每一个取定的样本值， x 1 ,…,x n 是常数， L 是参 数θ 的函数， 称 L 为样本的似然函数 （如果 θ 是 一个向量，则 L 是多元函数） P ? ? ? x i ? ? p ? x i ; ? ? 设 ξ 为离散型随机变量，有概率函数 n 则 似然函数 L x , , x ; ? ? p x ; ? ? ? ? ? ? 1 n i i ? 1 定义 8.4 如果 L ? x 1 , , x n ; ? ? 在 处达到最大值， ? ? ? = ? ? x , x , , x ) ，使 L ( ? ? ) ? max L ( ? ) 即存在 ? （ 则称 ? ? 是 θ 的最大似然估计。 1 2 n ? 如何把θ的最大似然估计 求出来， ? 由高等数学知识知道， L( θ ) 的最大值常用求导方法求得， 由于㏑ L 与 L 同时达到最大值，故只需求㏑ L 的最大 值点即可，一般通过解方程 d ln L ( ? ) ? 0 d ? 来得到参数θ的最大似然估计 求最大似然估计的步骤 (1) 做似然函数 L ( ? ) ? L ( x 1 , ln L ( ? ) ? L ( x 1 , (2) 做对数似然函数 , x n ; ? ) ? ? ? ( x i ; ? ) i ? 1 n , x n ; ? ) ? ? ln ? ( x i ; ? ) i ? 1 n (3) 求导数，列似然方程 d [ln L ( ? )] ? 0 d ? (4) 解似然方程 若该方程有解，则其解就是 θ 的最大似然估计。 如果 θ 是一个向量，即 ? ? ? ? , ? , , ? ? 则，解似然方程组： ? 1 , , ? m 的最大似然估计 1 2 m ? ? ? lnL ? 0 ? ? ? ? 1 ? ? ? ? ln L ? ? ? ? ? 0 m ? 1 , , ? m 其解 就分别是 例 2 已知 ? ? 1 ? ? ? e x ? 0 ? ? ? ? ? x ; ? ? ? ? ? ? ? 0 ? ? 0 其他 ? ? ? x ( x 1 , x 2 …,x n ) 为ξ 的一组样本观察值，求 θ 的最大似然估计。 解： 似然函数 L ? x 1 ,