点估计
点估计就是用一个具体的数去估计一个未知参数。
1. 矩估计法
设总体X的分布函数F(x,
θ 1
,
θ 1
,
θ 1
…..,
θ l
)的形式已知,
θ 1
,
θ 1
,
θ 1
…..,
θ l
为待估计参数,又假设总体X的前
l
阶矩(或中心矩)
从这些方程求解
参照书本原话,样本各阶矩反映了总体各阶矩的信息,因此,就用样本各阶矩去估计总体各阶矩,即用各个 α k 的估计量 A k 分别代替上式中的各个 α k ,即可得各个 θ i 的估计量。
不再举例,自行百度。
2. 极大似然估计法
其基本思想是:一个随机试验有若干个可能的结果A,B,C,….,若在一次试验中结果A出现,则认为试验条件对A的出现有利,亦即使A出现的概率最大。
若 f(x;θ) 为总体X的概率密度, θ 为待估参数, (X 1 ,X 2 ,....,X n ) 为一个样本,对给定的 x 1 ,x 2 ,...,x n ,称 X 1 ,X 2 ,....,X n 的联合概率密度 ∏ n i=1 f(x i ;θ) 为似然函数,记为
称 l(θ)=lnL(θ) 为对数似然函数。
若总体X的概率分布列为
p(x;θ)
为,
θ
为待估参数,
(X 1 ,X 2 ,....,X n )
为一个样本,对给定的
x 1 ,x 2 ,...,x n
,称
X 1 ,X 2 ,....,X n
的联合分布律
∏ n i=1 p(x i ;θ)
为似然函数,记为
称 l(θ)=lnL(θ) 为对数似然函数。
矩估计量的评选标准
- 无偏性
E(θ ^ )=θ - 有效性
设 θ 1 ^ =θ 1 ^ (X 1 ,X 2 ,....,X n ) 和 θ 2 ^ =θ 2 ^ (X 1 ,X 2 ,....,X n ) 是参数 θ 的两个无偏估计,若对一切 θ∈Θ ,有
D(θ 1 ^ )<D(θ 2 ^ )
则称估计量 θ 1 ^ 比 θ 2 ^ 更有效。
参数估计
参数估计有两种方案:点估计和区间估计,二者互为补充,点估计值随样本观察值的变化而各有不同,但每次都给出一个明确的数值,从而在实际中常使用点估计对客观问题做出某种判断,但这种判断的可信度如何,点估计本身没有告诉我们,区间估计则解决了这个问题。
正太分布为常用分布,寻找其置信区间是常用到的问题,下面分几种情况来讨论。
1. 单个正太总体
N(μ,σ 2 )均值μ
的置信区间
情形1:
σ 2
已知
X ¯ ¯ ¯
是
μ
的无偏估计,且
X ¯ ¯ ¯
~
N(μ,σ 2 n )
,故有
根据标准正太分布上侧分为点的定义有:
所以 μ 的置信水平为 1−α 的置信区间(或区间估计)为
情形2: σ 2 未知
选取另一变量:
再由t分布的上侧位分点可得:
所以 μ 的置信水平为 1−α 的置信区间(或区间估计)为
2. 单个正太总体方差 σ 2 与标准差σ 的置信区间
3. 两个正太总体下的置信区间
总结:只要找对所对应的分布,找到置信区间点,区间估计就很简单的。