概率论与数理统计第四章统计估值.doc

第四章统计估值

学习要求

掌握参数点估计之概念；掌握矩法估计和极大似然估计之求解方法，理解矩法估计、极大似然估计的基本思想，了解矩法估计、极大似然估计的性质；掌握估计量评价标准的定义，能判断估计量是否满足相应性质；掌握区间估计问题（置信区间，置信度）的定义，了解置信区间的一般求解方法；掌握单、双正态总体参数的置信区间的求解。

重点难点

重点：点估计的概念；矩法估计和极大似然估计的求解方法；估计量评价标准的定义；单正态总体参数的置信区间的求解。

难点：极大似然估计的求解方法；矩法估计和极大似然估计的性质；置信区间的一般求解方法。

内容提要

统计估值就是利用样本所提供的信息，对总体的未知参数或数字特征做出估计或推断的方法，又称参数估计。参数估计有点估计和区间估计两种基本形式。所谓点估计，是指用一个适当的统计量的值作为参数的近似值，称该统计量为该参数的估计量；而区间估计是指用两个统计量所界定的区间来指出真实参数值的大致范围。统计质量控制指使用统计技术进行质量控制，控制图是质量控制中最重要的方法，确定控制图的上下限要用到区间估计的基本思想。

第一节参数的点估计

一、点估计的概念

设…是来自总体的一个样本，（…）为样本…的观察值，为了估计未知参数，我们构造一个统计量g(…)，然后用g(…)的值g（…）来估计的真值。称g(…)为的估计量，记作(…)，（…）为的估计值，记作（…）。

我们把估计量和估计值统称为点估计。

应特别注意，(…)为的估计量，为随机变量；（…）为的估计值，为一个具体的数值。

二、矩法估计

1、基本思想

以样本矩估计相应总体矩，用样本矩的相应函数估计总体矩的函数，通过方程解出未知参数的方法称为矩法，所得的估计量称为矩估计量。其基本思想是：如果总体中有k个未知参数，通常用前k阶样本矩估计相应的前k阶总体矩，然后利用未知参数与总体矩的函数关系，求出参数的估计量，即为矩估计量。

2、基本步骤

设总体X的分布函数含有个未知参数，且分布的前阶矩存在，它们是的函数，此时求出的矩估量的具体步骤如下：

①求出

，

并假设

②解上面的方程组

③在②中，用代替（j=1,2,…k）,则得的矩估计量。

④如果有样本值，则将他们带入③得到的矩估计值。

特别注意：如果①和②中出现总体的中心矩等，这时可用代替。

矩法估计的优点是计算简单，且在总体分布未知场合也可使用。缺点是不唯一，例如泊松分布，由于其均值和方差都是，因而可以用其样本均值去估计，也可以用样本方差去估计；此外样本各阶矩的观测值受异常值影响较大，从而不够稳健。

三、极大似然估计

在已知总体的概率分布时，对总体进行次观测，得到一个样本，选取使样本值出现概率最大的那个作为未知参数的真值的估计是最合理的（这里是一参数族）。

离散分布场合，似然函数为

连续分布场合，似然函数为

求极大似然估计的一般步骤：

1、由总体分布导出样本的联合概率函数（或联合密度）；

2、把样本联合概率函数（或联合密度）中自变量看成已知常数，而把参数看作自变量，得到似然函数；

3、求似然函数的最大值点（常转化为求对数似然函数的最大值点）；

4、在最大值点的表达式中，用样本值代入就得参数的极大似然估计值．

极大似然法是参数估计问题中最重要的一种点估计方法，其主要优点是：有优良的统计性质和好的近似分布，可用来作参数的区间估计和假设检验；有一整套完整、成熟的数值算法；基于似然原理的似然比检验是一种理论上和应用上都非常重要的检验方法。极大似然法的思想和方法渗透到统计学的各个分支，与各种各样的统计推断方法有直接或间接的联系。

第二节点估计优劣的评价标准

对于同一个未知参数,用不同的估计法得到的点估计量一般是不相同的,那么哪一个估计量更好呢?为此我们需要建立判别估计量好坏的标准,而参数的所谓“最佳估计量”应当是在某种意义下最接近于。

最佳估计量应具有下列性质：

一、无偏性

由于未知参数的点估计量是一个随机变量，点估计量与未知参数之间有误差，我们希望在的真值附近摆动，即希望估计量的期望值等于参数的真值。

若的数学期望E（）=，则称是参数的无偏估计量。

设样本观测值为，则称为参数的无偏估计值。

二、有效性

一个未知参数可能有许多无偏估计量，在这些无偏估计量中哪个更好些？我们希望估计量的取值能集中在被估参数的附近，即估计量的方差越小越好。

设=与=都是参数的无偏估计量，若

则称较有效。

当样本容量一定时，若的所有无偏估计量中，的方差最小，则称是参数的有效估计量。

三、一致性

估计量的无偏性和有效性都是在样本容量固定的情况下考虑的。而当增大时，估计量会怎样变化也是我们关心的问题。

设是的估