概率論教學(xué)課件_第1頁
概率論教學(xué)課件_第2頁
概率論教學(xué)課件_第3頁
概率論教學(xué)課件_第4頁
概率論教學(xué)課件_第5頁
已閱讀5頁,還剩36頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

第一節(jié)參數(shù)的點估計

引言上一章,我們介紹了總體、樣本、簡單隨機樣本、統(tǒng)計量和抽樣分布的概念,介紹了統(tǒng)計中常用的四大分布,給出了幾個重要的抽樣分布定理.它們是進一步學(xué)習(xí)統(tǒng)計推斷的基礎(chǔ).

總體樣本統(tǒng)計量描述作出推斷研究統(tǒng)計量的性質(zhì)和評價一個統(tǒng)計推斷的優(yōu)良性,完全取決于其抽樣分布的性質(zhì).隨機抽樣

現(xiàn)在我們來介紹一類重要的統(tǒng)計推斷問題參數(shù)估計問題是利用從總體抽樣得到的信息來估計總體的某些參數(shù)或者參數(shù)的某些函數(shù).參數(shù)估計估計廢品率估計新生兒的體重估計湖中魚數(shù)……估計降雨量在參數(shù)估計問題中,假定總體分布形式已知,未知的僅僅是一個或幾個參數(shù).這類問題稱為參數(shù)估計.參數(shù)估計問題的一般提法X1,X2,…,Xn要依據(jù)該樣本對參數(shù)作出估計,或估計的某個已知函數(shù).現(xiàn)從該總體抽樣,得樣本設(shè)有一個統(tǒng)計總體,總體的分布函數(shù)為F(x,),其中為未知參數(shù)(可以是向量).

參數(shù)估計點估計區(qū)間估計(假定身高服從正態(tài)分布)設(shè)這5個數(shù)是:1.651.671.681.781.69估計為1.68,這是點估計.這是區(qū)間估計.估計在區(qū)間[1.57,1.84]內(nèi),例如我們要估計某班學(xué)生的平均身高.現(xiàn)從該總體選取容量為5的樣本,我們的任務(wù)是要根據(jù)選出的樣本(5個數(shù))求出總體均值的估計.而全部信息就由這5個數(shù)組成.一、點估計概念隨機抽查100個嬰兒,…得100個體重數(shù)據(jù)10,7,6,6.5,5,5.2,

…呢?據(jù)此,我們應(yīng)如何估計和而全部信息就由這100個數(shù)組成.例1

已知某地區(qū)新生嬰兒的體重,未知

為估計:我們需要構(gòu)造出適當(dāng)?shù)臉颖镜暮瘮?shù)(X1,X2,…Xn),每當(dāng)有了樣本,就代入該函數(shù)中算出一個值,用來作為的估計值.把樣本值代入

(X1,X2,…Xn)

中,估計值

.

(X1,X2,…Xn)稱為參數(shù)的點估計量,得到的一個點使用什么樣的統(tǒng)計量去估計?可以用樣本均值;也可以用樣本中位數(shù);還可以用別的統(tǒng)計量.問題是:二、尋求估計量的方法1.矩估計法2.極大似然法3.最小二乘法4.貝葉斯方法……這里我們主要介紹前面兩種方法.1.矩估計法矩估計法是英國統(tǒng)計學(xué)家K.皮爾遜最早提出來的.由辛欽大數(shù)定律,若總體的數(shù)學(xué)期望有限,則有

這表明

,當(dāng)樣本容量很大時

,在統(tǒng)計上,可以用用樣本矩去估計總體矩.這一事實導(dǎo)出矩估計法.定義用樣本原點矩估計相應(yīng)的總體原點矩這種參數(shù)點估計法稱為矩估計法

.理論依據(jù):大數(shù)定律矩估計法的具體做法如下設(shè)總體的分布函數(shù)中含有k個未知參數(shù),那么它的前k階矩,一般都是這k個參數(shù)的函數(shù),記為:i=1,2,…,k從這k個方程中解出即可得諸的矩估計量:矩估計量的觀察值稱為矩估計值

.i=1,2,…,ki=1,2,…,ki=1,2,…,k解

例1

設(shè)總體X的均值和方差都存在,未知.是來自X

的樣本,試求的矩估計量.于是的矩估計量為樣本矩總體矩mmm

例2

設(shè)總體X的概率密度為其中是未知參數(shù),X1,X2,…,Xn

是取自X的樣本,求參數(shù)的矩估計.解

解的矩估計量為故

例3

設(shè)總體X在[a,b]上服從均勻分布,a,b未知.是來自X

的樣本,試求a,b

的矩估計量.解

解得于是a,b的矩估計量為mmmmmm

矩法的優(yōu)點是簡單易行,并不需要事先知道總體是什么分布.缺點是,當(dāng)總體類型已知時,沒有充分利用分布提供的信息.一般場合下,矩估計量不具有唯一性.其主要原因在于建立矩法方程時,選取哪些總體矩用相應(yīng)樣本矩代替帶有一定的隨意性.例:稍事休息

2.最大似然法它是在總體類型已知條件下使用的一種參數(shù)估計方法.它首先是由德國數(shù)學(xué)家高斯在1821年提出的.GaussFisher然而,這個方法常歸功于英國統(tǒng)計學(xué)家費歇.費歇在1922年重新發(fā)現(xiàn)了這一方法,并首先研究了這種方法的一些性質(zhì).最大似然法的基本思想先看一個簡單例子:一只野兔從前方竄過.是誰打中的呢?某位同學(xué)與一位獵人一起外出打獵.如果要你推測,你會如何想呢?只聽一聲槍響,野兔應(yīng)聲倒下.你就會想,只發(fā)一槍便打中,獵人命中的概率一般大于這位同學(xué)命中的概率.看來這一槍是獵人射中的.這個例子所作的推斷已經(jīng)體現(xiàn)了極大似然法的基本思想.

最大似然估計原理:當(dāng)給定樣本X1,X2,…Xn時,定義似然函數(shù)為:設(shè)X1,X2,…Xn是取自總體X的一個樣本,樣本的聯(lián)合密度(連續(xù)型)或聯(lián)合分布律(離散型)為L(x1,x2,…,xn

;).L(x1,x2,…,xn;)這里x1,x2,…,xn

是樣本的觀察值.似然函數(shù):

最大似然估計法就是用使達到最大值的去估計.稱為的最大似然估計值.看作參數(shù)的函數(shù),它可作為將以多大可能產(chǎn)生樣本值x1,x2,…,xn

的一種度量.

L(x1,x2,…,xn;)而相應(yīng)的統(tǒng)計量稱為的最大似然估計量.說明:求似然函數(shù)L()的最大值點,可以應(yīng)用微積分中的技巧。由于ln(x)是

x的增函數(shù),lnL()與L()在

的同一值處達到它的最大值,假定是一實數(shù),且lnL()是的一個可微函數(shù)。通過求解方程:可以得到的最大似然估計量.若是向量,上述方程必須用方程組代替.下面舉例說明如何求最大似然估計L(p)=L(x1,x2,…,xn;p)

例5

設(shè)X1,X2,…Xn是取自總體X~B(1,p)的一個樣本,求參數(shù)p的最大似然估計量.解:似然函數(shù)為:對數(shù)似然函數(shù)為:對p求導(dǎo)并令其為0,=0得即為p

的最大似然估計值

.從而p

的最大似然估計量為

(4)在最大值點的表達式中,用樣本值代入就得參數(shù)的最大似然估計值

.求最大似然估計的一般步驟是:

(1)由總體分布導(dǎo)出樣本的聯(lián)合分布律(或聯(lián)合密度);

(2)把樣本聯(lián)合分布律(或聯(lián)合密度)中自變量看成已知常數(shù),而把參數(shù)看作自變量,得到似然

函數(shù)L();

(3)求似然函數(shù)L()的最大值點(常常轉(zhuǎn)化為求ln

L()的最大值點),即

的最大似然估計;

例6

設(shè)總體X~N(),未知.是來自X

的樣本值,試求的最大似然估計量.似然函數(shù)為解X的概率密度為于是令解得的最大似然估計量為三、課堂練習(xí)解由密度函數(shù)知例

1

設(shè)X1,X2,…Xn是取自總體X的一個樣本其中>0,求的矩估計.具有均值為的指數(shù)分布即E(X-)=

D(X-)=

E(X)=

D(X)=故解得也就是

E(X)=

D(X)=的矩估計量為于是解似然函數(shù)為對數(shù)似然

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時也不承擔(dān)用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

最新文檔

評論

0/150

提交評論