第15讲极大似然、区间估计.pptVIP

即有 从而 前面讨论了参数的点估计。点估计就是利用样本计算出的值 (即实轴上点) 来估计未知参数。 §7.4 正态总体的区间估计(一) 其优点是：可直地告诉人们 “未知参数大致是多少”； 缺点是：并未反映出估计的误差范围 (精度)。故，在使用上还有不尽如人意之处。 而区间估计正好弥补了点估计的这一不足之处 。 例如：在估计正态总体均值 μ 的问题中,若根据一组实际样本，得到 μ 的极大似然估计为 10.12。 一个可以想到的估计办法是：给出一个区间，并告诉人们该区间包含未知参数 μ 的可靠度 (也称置信系数)。 实际上，μ 的真值可能大于10.12，也可能小于10.12。 也就是说，给出一个区间，使我们能以一定的可靠度相信区间包含参数 μ 。 这里的“可靠度”是用概率来度量的，称为置信系数，常用 表示 置信系数的大小常根据实际需要来确定，通常取0.95或0.99，即 根据实际样本，由给定的置信系数，可求出一个尽可能短的区间 ，使 7.4.1 置信区间的定义 定义1： 统计三大抽样分布： X与Y独立, U与V独立, 预备知识 正态总体的抽样分布定理 7.4.2 正态总体参数的区间估计 根据基本定理 (见定理6.4.1) ，知 于是，μ 的置信区间为 例1: 某厂生产的零件长度 X 服从 N(? , 0.04),现从该厂生产的零件中随机抽取6个，长度 测量值如下(单位:毫米): 14.6, 15.l, 14.9, 14.8, 15.2, 15.1. 求:μ 的置信系数为0.95的区间估计。 解：n = 6，? = 0.05，z?/2 = z0.025 = 1.96，?2=0.22 . 所求置信区间为 ● μ 的区间估计 于是，μ 的置信系数为1-α 的区间估计为 ● σ2 的区间估计 例2：为估计一物体的重量μ，将其称量10次,得到重量的测量值 (单位: 千克) 如下: 10.l, 10.0, 9.8, 10.5, 9.7, l0.l, 9.9, 10.2, 10.3, 9.9. 设它们服从正态分布 N(? , ?2)。求 （1）? 的置信系数为0.95的置信区间。 （2）?2的置信系数为0.95的置信区间。 解: （1） n=10, ? =0.05, t9 (0.025)=2.2622, 于是， （2）n=10, ? = 0.05, S2=0.0583, 查附表得， 于是， 概率论与数理统计 第十五讲 1.矩估计的思想: 用同阶、同类的样本矩来估计总体矩。 §7.1 矩估计 即令： 设总体 X 的分布函数中含 1个未知参数 步骤一：求出总体 X 的 1阶原点矩 E(X).（含有未知参数 ） 步骤二：令 2.矩估计的方法步骤。 得到关于 ? 的方程。 步骤三：解方程组, 并记其解为 解： 例1：设 X1, X2,…,Xn 是抽自总体 X 的一个样本，X 有如下概率密度函数 其中θ 0为未知常数。 求θ的矩估计。 §7.2 极大似然估计 1.极大似然估计原理 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 发生了，则有理由认为此事件比其他事件发生的概率大。 2.极大似然估计思想 一般来说，事件A发生的概率与参数???有关，?取值不同，则P(A)也不同。因而应记事件A发生的概率为P(A|?).若A发生了，则认为此时的?值应是在?中使P(A|?) 达到最大的那一个 一袋中有红、白球10个和5个，但不知其中每种颜色的 球具体为多少。今从袋中任取一球，结果为白球，由此我们有理由认为袋中有10个白球，5个红球。 和50小时，各取一只在同一系统中使用，显然我们有理由认为先坏的元件为 有两个射手，一人的命中率为0.9,另一人的命中率为0.1,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？ 3. 似然函数与极大似然估计 设总体 X 的分布 (连续型时为概率密度，离散型时为概率分布) 为 f ( x, θ) , X1,X2,…,Xn 是抽自总体 X 的简单样本。 被看作固定， 但未知的参数。 视为变量 样本的联合概率函数 (连续型时为联合概率密度，离散型时为联合概率分布) 为 将上式简记为 L(θ )，即 称 L(θ )为θ