分段概率密度矩估计 | 您所在的位置:网站首页 › 设总体x的三阶矩存在 › 分段概率密度矩估计 |
在参数估计问题中,假定总体分布形式已知,未知的仅仅是一个或几个参数. 参数估计问题的一般提法 设有一个统计总体,总体的分布函数为 向量).现从该总体抽样,得样本 要依据该样本对参数θ作出估计,或估计θ的某个已知函数 这类问题称为参数估计. 假如我们要估计某队男生的平均身高.(假定身高服从正态分布N(μ,0.12)) 现从该总体选取容量为5的样本,我们的任务是要根据选出的样本(5个数)求出总体均值μ的估计.而全部信息就由这5个数组成,设这5个数是:1.65,1.67,1.68,1.78,1.69 估计μ为1.68,这是点估计. 估计μ在区间[1.57, 1.84]内,这是区间估计. 一、点估计概念及讨论的问题 例1已知某地区新生婴儿的体重 而全部信息就由这100个数组成.据此,我们应如何估计u和σ呢? 为估计u,我们需要构造出适当的样本的函数 请注意,被估计的参数 我们知道,服从正态分布 自然想到把样本体重的平均值作为总体平均体重的一个估计. 用样本体重的均值 1.矩估计法 它是基于一种简单的“替换”思想建立起来的一种估计方法. 是英国统计学家K.皮尔逊最早提出的.其基本思想是用样本矩估计总体矩,理论依据:大数定律 统计思想:以样本矩估计总体矩,以样本矩的函数估计总体矩的函数.理论根据:辛钦大数定律和依概率收敛的性质.记总体k阶矩为 样本k阶矩为 记总体k阶中心矩为 样本k阶中心矩为 用相应的样本矩去估计总体矩的估计方法,就称为矩估计法. 矩估计步骤: 设总体的分布函数中含有k个未知参数 (1)建立 前k阶一般都是这k个参数的函数,记为: (2)从这k个方程中解出 (3)那么以样本各阶矩 例2设总体X的概率密度为 其中 解:数学期望是一阶原点矩 由矩法,样本矩 从中解得 例3设 解:由密度函数知,X一μ具有均值为θ的指数分布 故 即 解的: 矩法的优点是简单易行,并不需要事先知道总体是什么分布. 缺点是,当总体类型已知时,没有充分利用分布提供的信息.一般场合下,矩估计量不具有唯一性. 其主要原因在于建立矩法方程时,选取那些总体矩用相应样本矩代替带有一定的随意性. 2.极大似然法是在总体类型已知条件下使用的一种参数估计方法。 它首先是由德国数学家高斯在1821年提出的,然而,这个方法常归功于英国统计学家费歇. 费歇在1922年重新发现了这一方法,并首先研究了这种方法的一些性质. 极大似然法的基本思想 先看一个简单例子:某位同学与一位猎人一起外出打猎.一只野兔从前方窜过.只听一声枪响,野兔应声倒下. 如果要你推测,是谁打中的呢?你会如何想呢? 你就会想,只发一枪便打中,猎人命中的概率一般大于这位同学命中的概率.看来这一枪是猎人射中的 这个例子所作的推断已经体现了极大似然法的基本思想, 下面我们再看一个例子,进一步体会 极大似然法的基本思想, 极大似然估计原理: 设 当给定样本 极大似然估计法就是用使 称 求极大似然估计(MLE)的一般步骤是: (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θ看作自变量,得到似然函数 (3)求似然函数 两点说明: 1、求似然函数L( θ)的最大值点,可以应用微积分中的技巧。由于In(x)是x的增 函数, 可以得到 若 2、用上述求导方法求参数的MLE有时行不通,这时要用极大似然原则来求. 下面举例说明如何求极大似然估计 例6、设 解:似然函数为 对p求导并令其为0, 得, 例7设 解:似然函数为 对数似然函数为 对 得, 例8设 解:似然函数为 对 ![]() 用求导方法无法最终确定 对 μ取其它值时, 于是 极大似然估计的一个性质 可证明极大似然估计具有下述性质: 设 |
CopyRight 2018-2019 实验室设备网 版权所有 |