《概率论与数理统计》教学教案—06参数估计

合集下载

概率论与数理统计教案参数估计

概率论与数理统计教案参数估计

概率论与数理统计教案-参数估计教案章节一:参数估计概述教学目标:1. 理解参数估计的定义及意义;2. 掌握参数估计的两种方法:最大似然估计和最小二乘估计;3. 了解参数估计的假设条件。

教学内容:1. 参数估计的定义及意义;2. 最大似然估计和最小二乘估计的方法及步骤;3. 参数估计的假设条件。

教学方法:1. 讲授法:讲解参数估计的定义、意义、方法及步骤;2. 案例分析法:分析实际案例,让学生更好地理解参数估计的方法及应用。

教学难点:1. 最大似然估计和最小二乘估计的方法及步骤;2. 参数估计的假设条件。

教学准备:1. 教学PPT;2. 相关案例资料。

教学过程:1. 引入参数估计的概念,讲解其意义;2. 讲解最大似然估计和最小二乘估计的方法及步骤;3. 分析实际案例,展示参数估计的应用;4. 讲解参数估计的假设条件;5. 课堂互动,回答学生问题。

作业布置:1. 复习parameter estimation 的定义及意义;2. 学习maximum likelihood estimation 和least squares estimation 的相关知识;3. 思考如何应用parameter estimation 解决实际问题。

教案章节二:最大似然估计教学目标:1. 理解最大似然估计的定义及意义;2. 掌握最大似然估计的计算方法;3. 了解最大似然估计的应用场景。

教学内容:1. 最大似然估计的定义及意义;2. 最大似然估计的计算方法;3. 最大似然估计的应用场景。

教学方法:1. 讲授法:讲解最大似然估计的定义、意义、计算方法;2. 案例分析法:分析实际案例,展示最大似然估计的应用。

教学难点:1. 最大似然估计的计算方法;2. 最大似然估计的应用场景。

教学准备:1. 教学PPT;2. 相关案例资料。

教学过程:1. 引入最大似然估计的概念,讲解其意义;2. 讲解最大似然估计的计算方法;3. 分析实际案例,展示最大似然估计的应用;4. 课堂互动,回答学生问题。

概率论与数理统计 第六章 参数估计

概率论与数理统计 第六章 参数估计

解此方程即可.值得注意的是,由极值的必要条件知极大似 然估计一定是似然方程的解.但似然方程组的解未必是极 大似然估计,严格地讲,对似然方程组的解要经过验证才能 确定是否是极大似然估计.
概率论与数理统计
例6 设总体 X 服从指数分布,它的密度为
x 1 −θ e , x>0 p ( x;θ ) = θ 0, x≤0
概率论与数理统计
例6.1.1 对某型号的20辆汽车记录其每5L汽油的 行驶里程(公里),观测数据如下: 29.8 27.6 28.3 27.9 30.1 28.7 29.9 28.0 27.9 28.7 28.4 27.2 29.5 28.5 28.0 30.0 29.1 29.8 29.6 26.9 试求总体均值、方差和中位数的估计值.
1 n θˆ = ∑ X i = X n i =1
是来自总体 P(λ ) 的一个子样, 例7 设 X 1,X 2, ,X n) ( ⋯ 求λ 的极大似然估计量. 的观测值. ( ⋯ ( ⋯ 解: 设 x1,x2, ,xn)为子样 X 1,X 2, ,X n) λ x −λ ∵ P( X = x) = e , x! 所以,似然函数为 n n λ x − λ − nλ n λ x L( x; λ ) = ∏ P(X =xi ) = ∏ e =e ∏
求极大似然估计的方法
概率论与数理统计
L 1. 设似然函数 (x;θ)为θ 的连续函数,且关于θ 各分量 的偏导数存在因为lnL与L的最大点相同,而lnL比L使用方便, 所以常常求lnL的最大点.
设θ 是k维的,Θ是R k中的开区域,则由极值的必要条件有
∂ ln L( x,θ ) = 0, i = 1, 2,⋯ , k . ∂θ i
则P( A)的矩估计量为X .

概率论与数理参数估计

概率论与数理参数估计

概率论与数理参数估计参数估计是概率论与数理统计中的一个重要问题,其目标是根据样本数据推断总体的未知参数。

参数估计分为点估计和区间估计两种方法。

点估计是通过样本计算得到总体未知参数的一个估计值。

常见的点估计方法有最大似然估计和矩估计。

最大似然估计是通过观察到的样本数据,选择使得观察到的样本数据出现的概率最大的未知参数值作为估计值。

矩估计是通过样本的矩(均值、方差等统计量),与总体矩进行对应,建立样本矩与总体矩之间的方程组,并求解未知参数。

这两种方法都可以给出参数的点估计值,但是其性质和效果不尽相同。

最大似然估计具有渐近正态性和不变性,但是可能存在偏差较大的问题;矩估计简单且易于计算,但是可能存在方程组无解的情况。

区间估计是给出参数估计结果的一个范围,表示对未知参数值的不确定性。

常见的区间估计方法有置信区间和预测区间。

置信区间是指给定的置信水平下,总体参数的真值落在一些区间内的概率。

置信区间的计算依赖于样本的分布和样本量。

预测区间是对一个新的观察值进行预测的区间,它比置信区间要宽一些,以充分考虑不确定性。

在参数估计过程中,需要注意样本的选取和样本量的确定。

样本是总体的一个子集,必须能够代表总体的特征才能得到准确的估计结果。

样本量的确定是通过统计方法和实际需求来确定的,要保证估计结果的可靠性。

参数估计在实际应用中有着广泛的应用。

例如,在医学领域中,通过对病人的样本数据进行统计分析,可以推断患者患其中一种疾病的概率,进而进行治疗和预防措施的制定。

在金融领域中,可以通过对股票的历史价格进行统计分析,推断未来股价的变动趋势,从而进行投资决策和风险评估。

在市场调研中,可以通过对消费者的问卷调查数据进行统计分析,推断消费者的偏好和需求,为企业的市场开发和产品设计提供依据。

综上所述,概率论与数理统计中的参数估计是一门重要的学科,通过对样本数据的统计分析,可以推断总体的未知参数,并对不确定性进行评估。

参数估计在实际应用中有着广泛的应用,对于科学研究和决策制定具有重要的意义。

概率论与数理统计实训06讲解

概率论与数理统计实训06讲解

函 数 说 明
二项分布的最大似然估计 返回 水平的参数估计和置信区间 泊松分布的最大似然估计 返回 水平的 参数和置信区间 正态分布的最大似然估计 返回 水平的期望、方差和置信区间 均匀分布的最大似然估计 返回 水平的参数估计和置信区间 指数分布的最大似然估计 返回 水平的参数估计和置信区间
expfit
例 1 产生 100 行2 列服从区间(10, 12)上的均匀分布的随机数, 计算区间端 点“a”和“b”的极大似然估计值, 求出置信度为0.95 的这两个参数的置信 区间.
解 在命令窗口中输入: r = unifrnd(10, 12, 100, 2); [ahat, bhat, aci, bci] = unifit(r)
调 用 形 式
binofit (X, N) [PHAT, PCI] = binofit (X, N, ALPHA) poissfit (X) [LAMBDAHAT, LAMBDACI]= poissfit (X,) normfit (X, ALPHA) [MUHAT, SIGMAHAT, MUCI, SIGMACI] = normfit (X, ALPHA) unifit (X, ALPHA) [AHAT, BHAT, ACI, BCI] = unifit (X, ALPHA) expfit (X) [MUHAT, MUCI] = expfit (X, ALPHA)
基本数学原理:



样本数字特征法 1 用样本均值 x n x 作为总体均值EX的估计值; 用样本方差 S n 1 1 ( x x ) 作为总体方差DX的估计值。 在Matlab中,样本x = [x1, x2,…, xn],则 样本均值:mx = 1/n*sum (x) 样本方差:S2 = 1/(n-1)*sum ((x-mx).^2)

西北工业大学《概率论与数理统计》课件-第六章 参数估计

西北工业大学《概率论与数理统计》课件-第六章 参数估计
最大概率的思想就是最大似然法的基本思想 .
(2) 似然函数
定义6.1 设总体X的分布密度(或分布律)为 p(x; ), 其中 (1, 2, ,m )为未知参数. 又设
( x1, x2,, xn ) 为自总体X的样本(X1,X2,…,Xn) 的一 个观察值,则称样本的联合分布
n
L( ) p(x1, x2, … , xn; ) p( xi; )
2º似然估计方程组与最大似然估计之间没有必 然
从中解得 pˆ k n
参数 p的估计值
这时, 对一切 0< p <1, 均有
P{Y k; pˆ } P{Y k; p}
综上所述: 设某试验的可能结果为: A1, A2 , ···, Ai , ···
若在一次试验中,某结果 Ai 出现,则应选择参 数使Ai 出现的概率最大.
以上这种选择一个参数使得实验结果具有
(k 1,2,, m)
(4) 求最大似然估计(MLE)的步骤:
1 写出似然函数
(1, 2 , ,m )
n
L( ) L( x1, x2,, xn; ) p( xi; )
n
i 1
2 取对数 ln L( ) ln p( xi; )
i 1
3 解似然方程(组)
ln L

ln L
2
为来自总体X的简单随机样本. 矩估计法的具体步骤:
1 求出k E( X k ) (1,2,,m ), k 1,2,,m;
2 要求k Ak , k 1,2,, m
这是一个包含 m个未知参数1,2 ,,m的方程组.
3 解出其中1,2,,m , 用ˆ1,ˆ2,,ˆm表示.
4 用方程组的解ˆ1, ˆ2 , ,ˆm 分别作为 1,2 ,,m的估计量,这个估计量称为

概率论与数理统计课件:第六章 参数估计

概率论与数理统计课件:第六章  参数估计
• 参数估计的形式有两种:点估计与区间估计。
26 September 2020
华东师范大学
第六章 参数估计
第3页
• 设 x1, x2,…, xn 是来自总体 X 的一个样本,我
们用一个统计量 ˆ ˆ(x的1,取,值xn作) 为 的估 计值, 称为 的ˆ点估计(量),简称估计。 在这里如何构造统计量 并没有明ˆ确的规定,
定义6.1.1 设总体的概率函数为P(x; ),是参数 可能取值的参数空间,x1, x2 , …, xn 是样本, 将样本的联合概率函数看成 的函数,用L( ; x1, x2, …, xn) 表示,简记为L( ),
L( ) L( ; x1, , xn ) p(x1; ) p(x2; ) p(xn; )
26 September 2020
华东师范大学
第六章 参数估计
第11页
例6.1.6 设一个试验有三种可能结果,其发生概率
分别为 p 2 , p 2 (1 ), p (1 )2
1
2
3
现做了n次试验,观测到三种结果发生的次数分别
为 n1 , n2 , n3 (n1+ n2+ n3 = n),则似然函数为
29.8 27.6 28.3 27.9 30.1 28.7 29.9 28.0
27.9 28.7 28.4 27.2 29.5 28.5 28.0 30.0
29.1 29.8 29.6 26.9
经计算有
x 28.695,
sn2 0.9185,
m0.5 28.6
由此给出总体均值、方差和中位数的估计分别
i1
)2
n 2
2
0
(6.1.10)
26 September 2020

概率论与数理统计第6章参数区间估计2,3节

概率论与数理统计第6章参数区间估计2,3节


n
E(X
k
)

E(X
k)
i1
i1
二、有效性
未知参数 的无偏估计量不是唯一的.
设 ^1 和 ^2 都是参数 的无偏估计量,
θˆ 1
θˆ 2
集中
分散
蓝色是采用估^ 计量 1 , 用 14 个样本值得到的 14 个估计值. 紫色是采用估^ 计量 2 , 用 14 个样本值得到的 14 个估计值.
若limD(ˆ)0, 则ˆ是的一致估 . 计量 n
回顾例子.设总体X的概率密度为
f(x)6x3 (x),0x;
0, 其他
X1, X2,…, Xn 是取自总体X 的简单随机样本, (1) 求的矩估计量 ˆ;
(2) 求ˆ的方差D(ˆ).
解:矩估计 ˆ量 2X. D(ˆ)4D(X)4D(X)2
若滚珠直径服从正态分布X ~ N( , 2), 并且已知 = 0.16(mm),求滚珠直径均值的置信水平为95%
的置信区间.
解:由上面求解的置信水平为1- 的置信区间
Xσn 0 uα/,2 Xσn 0 uα/2
已 n 知 1,0 0 0 .1,6 0 .0,5 x110i110xi 14.92,
若进行n次独立重复抽样,得到n个样本观测值,
每个样本观测 个值 随确 机(定 ˆ1区 ,ˆ2一 )间 .那么
每个区间的 可真 能 , 或 值 包不 含包 的含 真 , 值
根据伯努利大数定理, 在这n个随机区间中,
包含 真值1 的 0(1 0 约 )% 占 ,不包含 10 的 % 0. 约
便得 k的 到 最大似 ˆk(X 1,然 X 2, ,估 X n).计
第二节 判别估计量好坏的标准

《概率论与数理统计》教学教案—06参数估计

《概率论与数理统计》教学教案—06参数估计
2.枢轴量: 称满足下述三条性质的量 Q 为枢轴量.
(1)是待估参数 和估计量 X 的函数;
(2)不含其他未知参数; (3)其分布已知且与未知参数 无关。 3.求置信区间的一般步骤: (1)根据待估参数构造枢轴量 Q,一般可由未知参数的良好估计量改造得到;
(2)对于给定的置信度 1-,利用枢轴量 Q 的分位点确定常数 a,b,使 P{a Q b} 1 ;

ˆ3
1 4
( X1
X2
X3
X4
)
x 0, ,其中 为未知参数,
x0
问哪一个最优?
例 13.设 X 是总体 X 的样本均值,则当 X 作为总体期望 E (X)的估计量时, X 是 E (X)的相合估计量。
例 14. 设总体 X ~ U ( , 2 ), 其中 0是未知参数,X1,
,
X n是X的样本,
《概率论与数理统计》 教学教案
第 6 章 参数估计
授课序号 01
教学基本指标
教学课题 教学方法 教学重点
第 6 章 第 1 节 点估计 讲授、课堂提问、讨论、启发、自学
点估计、估计量与估计值的概念、估计量的无偏
课的类型 教学手段 教学难点
性、有效性和一致性的概念、、估计量的相合性、
矩估计法(一阶、二阶距)和最大似然估计法。
n
总体 X 的简单样本,选择适当常数 c,使得 c
X
2 i

2
的无偏估计.
i 1

12.设某种产品的寿命
X
服从指数分布,其概率密度为
f
(x)
1
x
e
0
X1, X 2 , X3, X 4 是来自总体的样本,设有 的估计量

第六章《概率论与数理统计教程》课件

第六章《概率论与数理统计教程》课件

1

例5. 设X服从[0,λ]区间上的均匀分布,参数
λ>0,求λ的最大似然估计. 1 解:由题意得: X ~ f ( x; )
1 L( x1 , x 2 ,..., x n ; ) n 0
0 x
0 其它 0 x1 , x 2 ,..., x n
dL n n1 0 d
其它
无解.
应用最大似然估计基本思想: L越大,样本观察值越可能出现 取 max( x1 , x 2 ,..., x n ) 此时,L取值最大, 所以,所求最大似然估计为 max( x1 , x 2 ,..., x n )
考虑L的取值,要使L取值最大,λ应最小, 0 x1 , x 2 ,..., x n


例2 设总体 X ~ N ( , 2 ) ,其中 及 2 都是未知参数,如
果取得样本观测值为 x1 ,, x n , 求 及 2 的矩估计值。
解: 因为总体X的分布中有两个未知参数,所以应考虑一、二阶 原点矩,我们有 v1 ( X ) E ( X )
v 2 ( X ) E( X 2 ) D( X ) [ E( X )]2 2 2
e

e
1 2
2
2
( x )2 2 2
e
L( x1 , x 2 ,..., x n ; , )
2
i 1
1 2
2
( xi )2
(
2
1 2
2

1 2 2
) e
n

i 1
n
( xi )2

1 n 2 n 1 n 2 2 ) 2 ( x i ) ln 2 ln L n ln( ( xi ) 2 i 1 2 2 2 n 2 2 i 1 1 ln L 1 n Xi X 2 ( xi ) 0 n i 1 i 1 1 n 2 1 n n ln L n 1 ( xi )2 ( xi X )2 2 2 4 ( x i ) 0 n i 1 n i 1 2 2 2 i 1

《概率论与数理统计》第六章 参数估计教案

《概率论与数理统计》第六章 参数估计教案
§6.1 点估计的概念与无偏性 6.1.1 点估计及无偏性
所谓点估计是指把总体的未知参数估计为某个确定的值或在某个确定的点上,故点 估计又称为定值估计。
-1-
定义 6.1.1 设 x1, x2 , xn 是来自总体的一个样本,用于估计未知参数θ的统计量
(
x1
,
x2
xn
)
称为θ的估计量,或称为θ的点估计,简称估计。
定义 6.1.2

=
(
x1 ,
x2
xn
)是
的一个估计,
的参数空间为 ,若对

有 E ( ) ,则称 为 的无偏估计,否则称为 的有偏估计。
注:无偏性要求可改为 E ( ) 0 。

6.1.1

x1, x2...xn 为总体
X
的一个样本,E(X)=
,则样本平均数
x
1 n
n i 1
xi
2
4Var
x
4Var X 4 2 2
n
n 12 3n
故当 n>1, 1 比 2 更有效。
§6.2 矩估计及相合性
构造估计量
(
X
1
,
X
2
X
n
)
的方法很多,下面仅介绍矩法和极大似然估计法。
6.2.1 替换原理和矩法估计
1900 年英国统计学家皮尔逊提出了一个替换原理,后来人们称此方法为矩法。

的无偏估计;当总体 k 阶矩存在时,样本 k 阶原点矩 ak 是总体 k 阶原点矩 k 的无偏估
计。但对 k 阶中心矩则不一样,如 s*2 不是 2 的无偏估计。
证:由 E(X)=
有 E ( xi )

参数估计教案

参数估计教案

第六章参数估计教学安排说明章节题目:第一节统计推论;第二节名词解释;第三节参数的点估计;第四节抽样分布;第五节正态总体的区间估计;第六节大样本区间估计。

学时分配:4学时。

本章教学目的与要求:理解点估计的概念,了解估计量的评选标准(无偏性、有效性、一致性)。

理解区间估计的概念,会求单个正态总体的均值与方差的置信区间。

其它:课堂教学方案课程名称:第一节统计推论;第二节名词解释;第三节参数的点估计;第四节抽样分布;第五节正态总体的区间估计;第六节大样本区间估计。

授课时数:4学时授课类型:理论课教学方法与手段:讲授法教学目的与要求:理解点估计的概念,了解估计量的评选标准(无偏性、有效性、一致性)。

理解区间估计的概念,会求单个正态总体的均值与方差的置信区间。

教学重点、难点:正态总体参数的区间估计。

教学内容第一节统计推论在数理统计学中,总体的分布是未知的。

它包括两种情形:1)总体分布的类型是已知的,但其中包含未知参数。

我们的任务就是通过样本来估计这些未知参数。

这就是参数估计问题。

2)总体分布的类型是未知的。

我们的任务就是通过样本来估计总体的分布。

这就是非参数估计问题。

管理研究和社会研究绝大部分都采用样本研究,从较大的研究对象总体中抽样收集数据。

最终目的是从样本来判断样本所在的总体的特性。

统计推断是一套有清晰逻辑程序的统计计算,对于从样本观测值得出的发现(findings),作出是否适用于总体的判断。

发现亦即研究的结果,这些结果不外乎以下几个方面的内容:假设中的自变量和因变量之间有无关联?这种关联的趋向和形式如何?这种关联的强度如何?这种关联是否是因果自变量的属性值变化引起因变量的属性值变化,说明两变量间存在关联。

关联强度的判断则是指观测值中有多大比例的因变量属性值可以从自变量的属性值来解释。

统计技术用统计显著性来检验所观测到的关联是随机性的还是系统性的原因。

自变量和因变量之间存在关联并非表明自变量就是因,因变量就是果,因果辨析一般属于实证研究之后机理分析的内容。

概率论和数理统计-参数估计点估计

概率论和数理统计-参数估计点估计
3、方法步骤
1)建立待估参数 与总体的矩之间的关系式;
2)解方程组,解得参数用总体矩表示的关系式。 3)用相应的样本矩做总体矩的估计量,代入关系式得到 的估计量。代
入样本值得到 的估计值。
2
例2 设灯泡厂从某天生产的一大批灯泡中随机抽取10只进行寿命试验,测得数
据如下(单位:小时): 1050,1100,1080,1120,1200,1250,1040,1130,1300,1200;
由此方法而求出的参数的估计值,称为 的最大似然估计值,相
应的估计量为最大似然估计量。
6
3、方法步骤
① 写出似然函数L() ; ② 求似然函数L()的最值(极值)。
(注:通常转为求 LnL()的极值更方便)
把分布率写成 这种形式很必
要!
例4 已知X~b(1,p), (X1,X2,…,Xn)为一个样本,求p的最大似然估计量。
设总体X的分布已知,记为f(x, )(若X为离散型随机变量,则f(x,
)合为概P{率X密=x度})为,其中为待n 估f (参xi数;,) 则或总体n XP的( X样i 本 (xXi1),X2 …,Xn)的联
i 1
i 1
对应具体的一次样本实现(x1,x2,…xn),记
n
n
f ( xi ; ) L( ) 或 P( X i xi ) L( )
E(X 2)的关系…
计算E(X)不难得到:
1
E(X)
xx 1dx
, 即 E(X )
1
1 E(X)
0
2、如何利用样本来估计E(X),进而估计参数?
用样本均值 X(一阶矩)来估计E(X)! 的估计量为 ˆ X
1 X
1
一般地,若总体X的概率分布含有k个未知参数1,2,…k ,则总体X的l 阶(原点)矩l存在,且应为1,2,…,k的函数: l =l(1,2,…,k),

概率论与数理统计-参数估计

概率论与数理统计-参数估计
设 ˆ( X1,, Xn) 是未知参数 的估计量,若
E(ˆ) 则称 ˆ为 的无偏估计 .
数理统计
无偏性是对估计量的一个常见而重要的要求 .
无偏性的实际意义是指没有系统性的偏差 .
例如,用样本均值作为总体均值的估计时, 虽无法说明一次估计所产生的偏差,但这种偏差随 机地在0的周围波动,对同一统计问题大量重复使 用不会产生系统偏差 .
都是参数 的无偏估计量,若对任意 θ ,
D(ˆ1 ) ≤D( ˆ)2
是“极大似然”这四个字在字面上的意思)的那个值,
因此,一个自然的想法就是用ˆ(x1, x2 ,, xn ) 作为 的
估计值.
数理统计
L( )看作参数 的函数,它可作为 将以多大可
能产生样本值 x1, x2,… ,xn 的一种度量 .
最大似然估计法就是用使 L( )达到最大值的 ˆ去估计 .
数理统计
最大似然估计原理:
当给定样本X1,X2,…Xn时,定义似然函数为:
L( ) P(; x1, , xn ) P(; X1 x1, X 2 x2, , X n xn P(X1 x1; )P(X2 x2; ) P(X n xn; )
L( ) f (; x1, , xn ) f (x1; ) f (x2; ) f (xn; )
续型时就是密度).
数理统计
现在,因为试验结果 (x1, x2 ,, xn ) 确实出现了,因此 依据上面提到的极大似然原理,导致该结果出现的原
因应该是使 L( ; x1, x2 ,, xn ) 达到最大值的 .于是当 固定样本观察值 (x1, x2 ,, xn ) 时,在 取值的可能范围 ○H 内,找一个使似然函数 L( ) L( ; x1, x2 ,, xn ) 达到 最大值的点ˆ(x1, x2 ,, xn ) ,则这个ˆ(x1, x2 ,, xn ) 是 取值的可能范围○H 内与 的真值“看起来最像”(这正

概率论与数理统计课件:参数估计

概率论与数理统计课件:参数估计

n
n
p( X xi; ) p(xi; ).
i 1
i 1
事实上,它们仅是参数 的函数,称为似然函数,记
为L( ) ,即 L( ) L(x1, x2,

n
, xn; ) f (xi; ), i 1
n
L( ) L( X x1, X x2, , X xn; ) p(xi; ). i 1
一个随机变量,其服从 0的泊松分布,即X ~ P(),
其中, 为未知参数. 已知在某小时进入该商场的人数的
样本值见表7.1,试求参数 的点估计值.
表7.1 在某小时进入某商场人数的统计情况
每分钟平均一秒钟进 入该商场的人数 0
1
2
3
4
5
6
7 8
分钟数
6 18 17 9 5 2 2 1 0
参数估计
解:因为X E( 1) ,所以 E( X ) .
由于仅有一个未知参数 ,故仅列一个方程
即可.
1( ) A1
因为1( ) E(X ) 和 A1 X ,所以ˆ X .
参数估计
首页 返回 退出
例7.1.3 设随机变量X在区间[a, b]中均匀取值,即 X U (a,b) ,其中,a 与 b均为未知参数,试求 a与 b的
i 1
i 1
参数估计
首页 返回 退出
(3) 似然函数 L( ) 与经自然对数变换后的函数 ln L( ) 等价,即求L( )的最大值点等价于求 ln L( )的最大值 点. 函数ln L( ) 对未知参数 求导数,并令其为0,即
d ln L( ) 0.
d
(4) 求解上述方程,得到参数 的最大似然估计值 ˆ(x1, x2 , , xn ),
  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

1. 无偏性:设ˆ ˆ(X1, X2, , Xn ) 是未知参数 的估计量,若 E(ˆ) ,则称ˆ 为 的无偏估计。
2. 有效性:设ˆ1 ,ˆ2 均为参数 的无偏估计量,若 D(ˆ1) D(ˆ2) , 则称ˆ1比ˆ2 有效。
3. 相合性(一致性):设ˆ 为未知参数 的估计量,若对任意的 0,都有 lim P ˆ 1,即ˆ n

ˆ3
1 4
( X1
X2
X3
X4
)
x 0, ,其中 为未知参数,
x0
问哪一个最优?
《概率论与数理统计》 教学教案
第 6 章 参数估计
授课序号 01
教学基本指标
教学课题 教学方法 教学重点
第 6 章 第 1 节 点估计 讲授、课堂提问、讨论、启发、自学
点估计、估计量与估计值的概念、估计量的无偏
课的类型 教学手段 教学难点
性、有效性和一致性的概念、、估计量的相合性、
矩估计法(一阶、二阶距)和最大似然估计法。
度分别为 X1, X 2 , , X n ,试用矩估计法估计 a , b .
例 4.设袋中放有很多的白球和黑球,已知两种球的比例为 1:9,但不知道哪种颜色的球多,现从中有放
回地抽取三次,每次一球,发现前两次为黑球,第三次为白球,试判断哪种颜色的球多。
例 5.求出例 2 中未知参数 的最大似然估计量.

2.设某种钛金属制品的技术指标为
X
其概率密度为
f
(x)
x
10,,x x Nhomakorabea 1, 其中未知参数 1.
1,
X1, X 2 , , X n 为来自总体 X 的简单随机样本,求 的矩估计量.
例 3.已知某种金属板的厚度 X 在( a , b)上服从均匀分布,其中 a , b 未知,设抽查了 n 片金属板,厚
新知识课 黑板多媒体结合 矩估计法(一阶、二阶距)和最 大似然估计法。
参考教材 浙江大学《概率论与数理统计》第四版
作业布置 课后习题
大纲要求 1.理解参数的点估计、估计量与估计值的概念;了解估计量的无偏性、有效性(最小方差性)
和一致性(相合性)的概念,并会验证估计量的无偏性;会利用大数定律证明估计量的相合性。
2.掌握矩估计法(一阶、二阶距)和最大似然估计法。
教 学 基本内容
一.矩估计法 1.矩估计法的基本思想是替换原理,即用样本矩去替换相应的总体矩,这里的矩可以是原点矩也可以是中
心距。我们知道,矩是由随机变量的分布唯一确定的,而样本来源于总体,由大数定律,样本矩在一定程度上 反映总体矩的特征。
2.矩估计法:用样本矩来估计总体矩的估计方法称为矩估计法. 3.矩估计法的步骤:
例 6.设某种元件使用寿命
X
的概率密度为
f
(x)
2e2( x
)
,
0 ,
x ,其中 0 是未知参数,设 其它
x1, , , xn 是样本观测值,求 的最大似然估计.
例 7.设某工厂生产的手机屏幕分为不同的等级,其中一级品率为 p,如果从生产线上抽取了 20 件产品, 发现其中有 3 件为一级品,求:
(1)p 的最大似然估计; (2)接着再抽 5 件产品都不是一级品的概率的最大似然估计. 例 8.设样本 X1, X 2 , , X n 来自正态总体 X N (, 2),其中, 2 未知,求和 2 的最大似然估计。
例 9.设总体 X 的 k 阶矩 k
E( X k ) 存在,证明:
不论
X
服从什么分布,样本的 k 阶矩 Ak
解似然方程组 L 0, i 1, 2, , k ,或者对数似然方程组 ln L 0, i 1, 2, , k ,即可得到参数的最大似然
i
i
估计ˆ1,ˆ2,...,ˆk 。
2.定理:若ˆ 为参数 的最大似然估计, g( ) 为参数 的函数,则 g(ˆ ) 是 g( ) 的最大似然估计.
三.点估计的评价标准
1 n
n i 1
X
k i

k 的无偏估计。
例 10.已知
B2
1 n
n i 1
(Xi
X )2
,S2
1 n 1
n i 1
(Xi
X )2
都是总体方差 2 的估计量,问哪个估计量更
好?
2x

11.设总体
X
的概率密度为
f
(x)
3
2
0
x 2 ,其中 是未知参数, X1, X 2 ,..., X n 为来自 其它
设总体 X 的分布中包含 m 个未知参数 1, 2,…, m, X1, X 2 , , X n 为来自总体 X 的样本,如果总体
的 k 阶 原 点 矩 E( X k ) 存 在 , 并 设 E( X k ) k (1,2 ,...,m ) , 相 应 的 k 阶 样 本 原 点 矩 为
Ak
1 n
依概率收敛于参数 ,则称ˆ 为 的相合(一致)估计。
4.定理:设ˆ 为 的估计量,若 lim E( ) , lim D(ˆ) 0 ,则ˆ 为 的相合(一致)估计.
n
n
四.例题讲解
例 1.设 X 为某零配件供应商每周的发货批次,其分布律为
X0
1
23
P 2 2 (1 ) 2 1 2
其中 是未知参数,假设收集了该供应商 8 周的发货批次如下:3,1,3,0,3,1,2,3,求 的矩估计值.
n i 1
X
k i
,以 Ak 替代 E( X k ) ,即可得到关于
1,
2,…,
m 的方程组
k
(1 , 2 , ..., m
)
1 n
n i 1
X
k i
,
k 1, 2,..., m
方程组的解 k ( X1, X 2 , , X n ), k 1, 2, , m ,称为参数 k (k 1, 2, , m) 的矩估计量.
n
总体 X 的简单样本,选择适当常数 c,使得 c
X
2 i

2
的无偏估计.
i 1

12.设某种产品的寿命
X
服从指数分布,其概率密度为
f
(x)
1
x
e
0
X1, X 2 , X3, X 4 是来自总体的样本,设有 的估计量
ˆ1
1 6
(
X1
X
2
)
1 3
(
X
3
X
4
)

ˆ2
1 5
( X1
2X2
3X3
4X4)
4.若代入一组样本观测值 x1, x2 , , xn ,则 k (x1, x2 , , xn ) 称为参数 k (k 1, 2, , m) 的矩估计值.
二.最大似然估计法
1.最大似然估计的步骤: 若总体 X 的分布中含有 k 个未知待估参数 1, 2,…, k,则似然函数为
n
L(1,2 ,...,k ) f (xi ;1,2 ,...k ). i 1
相关文档
最新文档