《参数估计讲义课件.ppt》由会员分享,可在线阅读,更多相关《参数估计讲义课件.ppt(101页珍藏版)》请在三一办公上搜索。
1、第7章 参数估计,参数的点估计 估计量优劣性的评价 参数的区间估计,1,第7章 参数估计 参数的点估计1,参 数 估 计,在实际问题中,对于一个总体X往往是仅知其分布的类型,而其中所含的一个或几个参数的值却是未知的,因此只有在确定这些参数后,才能通过其分布来计算概率,如何确定这些参数的数值呢?这就是统计推断中的“参数估计”问题。,2,参 数 估 计 在实际问题中,对于一个总体X往往是,本章只研究总体分布是连续型或离散型两种情形。为简便起见,我们引入一个对这两种情形通用的概念:概率函数。我们称随机变量X的概率函数为f(x)是指: 在连续型情形,f(x)是X的密度函数。 在离散型情形,f(x)是X
2、=x的概率。,3,本章只研究总体分布是连续型或离散型两种情形。为简,定义 构造一个统计量 作定值的估计称为参数的点估计。,7.1 点估计,4,定义 构造一个统计量,矩估计的想法来源于大数定理。如果总体X存在k阶矩,对任意 有,这说明,当样本容量较大时,样本k阶矩与总体k阶矩差别很小。,7.1.1、矩法估计,5,矩估计的想法来源于大数定理。如果总体X存在k阶,(1)列出估计式。,步骤为:,6,(1)列出估计式。步骤为:6,(2)求解关于估计量的方程组。,(3)求出矩估计。,组,7,(2)求解关于估计量的方程组。(3)求出矩估计。组7,解,例1,(1)列出估计式。,(2)求解关于估计量的方程组。,
3、8,解例1(1)列出估计式。(2)求解关于估计量的方程组。8,(3)求出矩估计。,9,(3)求出矩估计。9,注意:只要总体的期望和方差存在,此结果对任何总体均适用。,10,注意:只要总体的期望和方差存在,此结果对任何总体均适用。10,解,例2,总体,求a,b的矩估计。,11,解例2总体求a,b的矩估计。11,例3,解,12,例3解12,还可由,13,还可由13,7.1.2、最大似然估计法,最大似然估计法是求估计的另一种方法。它最早由 高斯(C.F.Gauss)提出,后来被费歇(R.A.Fisher)完善。极大似然估计这一名称也是费歇给的。这是一个目前仍得到广泛应用的方法。它是建立在最大似然原理
4、基础上的一个统计方法。,最大似然原理:一次试验就发生的事件,其发生的是概率最大的。,14,7.1.2、最大似然估计法 最大似然估计法是,定义,注意:,最大似然估计。,15,定义注意:最大似然估计。15,具体步骤:,1)总体为离散型分布。,16,具体步骤:1)总体为离散型分布。16,2)总体为连续型分布。,17,2)总体为连续型分布。17,似然方程,18,似然方程18,19,19,20,20,例4,21,例421,解,22,解22,从而得p的极大似然估计量为:,23,从而得p的极大似然估计量为:23,例5,解,24,例5解24,25,25,例6,解,26,例6解26,27,27,例7,28,例7
5、28,解,29,解29,30,30,即,相应的极大似然估计量为:,31,即相应的极大似然估计量为:31,例8,解,32,例8解32,另外,由于,33,另外,由于33,例9,解,34,例9解34,35,35,7.1.3、顺序统计量估计,总体是连续型随机变量且分布密度对称时,总体中位数就是均值。此时可用样本中位数(见P102)估计总体均值,用样本极差估计总体标准差。,36,7.1.3、顺序统计量估计 总体是连续型随机,点估计的方法:一、矩估计法(也称数字特征法) 直观意义比较明显,但要求总体k阶矩存在。二、极大似然估计法。 具有一些理论上的优点,但要求似然函数可微。三、顺序统计量法 使用起来方便,
6、无需多大计算,但准确度不高。,37,点估计的方法:37,定义7.2.1,7.2 估计量优劣性的评价,38,定义7.2.17.2 估计量优劣性的评价38,39,39,例1,试问这两个估计量是否为无偏估计量?,解,40,例1试问这两个估计量是否为无偏估计量?解40,41,41,42,42,下面计算它们的方差。,43,下面计算它们的方差。43,44,44,45,45,例2,46,例246,解,47,解47,例3,证明,48,例3证明48,由于方差是度量随机变量Y落在它的均值EY的邻域内的集中或分散程度的。所以一个好的估计量Y,不仅应该是待估参数的无偏估计,而且应该有尽可能小的方差。,49,由于方差是
7、度量随机变量Y落在它的均值EY,定义,50,定义50,定义7.2.2,51,定义7.2.251,证明,例4,52,证明例452,例5,解,53,例5解53,我们不仅希望一个估计是无偏的,且具有较小的方差,有时还希望当子样容量无限增大时,即观察次数无限增多时,估计能在某种意义下越来越接近被估计的参数的真实值,这就是所谓一致性的要求。,54,我们不仅希望一个估计是无偏的,且具有较小的方差,有时还希望,定义7.2.3,注意:,55,定义7.2.3注意:55,下面证明:,56,下面证明:56,证明(1),57,证明(1)57,(2),58,(2)58,(3),59,(3)59,60,60,定义,7.3
8、 参数的区间估计,61,定义7.3 参数的区间估计61,注意:,在重复取样下,将得到许多不同的区间T1,T2 ,根据伯努利大数定理,这些区间中大约有100(1)%的区间包含未知参数。,随机区间T1,T2 包含的概率为1。,62,注意: 在重复取样下,将得到许多不同的区间,但对于一次抽样所得到的一个区间,决不能说“不等式 成立的概率为1 ”。因为这时T1、T2是两个确定的数,从而只有两种可能,要么这个区间包含g(),要么这个区间不包含g()。,63,但对于一次抽样所得到的一个区间,决不能说“不等,7.3.1 单个正态总体的区间估计,1、2已知,求的置信区间,64,7.3.1 单个正态总体的区间估
9、计1、2已知,求的置,65,65,66,66,例1,解,67,例1解67,2、2未知,求的置信区间,68,2、2未知,求的置信区间68,在例1中若滚珠直径的方差2未知,用同样的数据求的置信概率为0.95的置信区间。,解,例2,69,在例1中若滚珠直径的方差2未知,用同样的数据求的置信概率,分析例1和例2的结果会发现,由同一组样本观察值,按同样的置信概率,对计算出的置信区间因为2的是否已知会不一样。这因为:当2为已知时,我们掌握的信息多一些,在其他条件相同的情况下,对的估计精度要高一些,即表现为的置信区间长度要小些。反之,当2为未知时,对的估计精度要低一些,即表现为的置信区间长度在大一些。,70
10、,分析例1和例2的结果会发现,由同一组样本观察值,按同样,3、已知,求2的置信区间,构造变量,71,3、已知,求2的置信区间构造变量71,72,72,73,73,例3,解,74,例3解74,75,75,4、未知,求2的置信区间,76,4、未知,求2的置信区间76,77,77,7.3.2 两个正态总体的区间估计,78,7.3.2 两个正态总体的区间估计78,79,79,80,80,81,81,82,82,两台机床生产同一个型号的滚珠,从甲机床、乙机床生产的滚珠中分别抽取8个、9个,测得这些滚珠的直径(单位:mm)如下:甲机床 15.0,14.8,15.2,15.4,14.9,15.1,15.2,
11、14.8乙机床 15.2,15.0,14.8,15.1,15.0,14.6,14.8,15.1,14.5 两台机床生产的滚珠直径服从正态分布,求这两台机床生产的滚珠直径均值差12 的置信区间,置信概率为0.90,设(1)已知甲、乙机床生产的滚珠直径的标准差分别为1=0.18mm及2=0.24mm;(2)未知1,2,已知1=2 。,例4,83,两台机床生产同一个型号的滚珠,从甲机床、乙机床生产的滚珠中,解,84,解84,85,85,86,86,87,87,88,88,89,89,90,90,91,91,例5,92,例592,解 (1)计算得,93,解 (1)计算得93,94,94,7.3.3 单个正态总体参数的联合区间估计,95,7.3.3 单个正态总体参数的联合区间估计95,96,96,97,97,故,98,故98,99,99,7.3.4 非正态总体参数的区间估计,100,7.3.4 非正态总体参数的区间估计 100,例 (两点分布的参数的区间估计),解,101,例 (两点分布的参数的区间估计)解101,