统计推断的基本问题可以分为两大类,一类是估计问题,另一类是假设检验委托。本章讨论总体参数的点估计和区间估计。——概率论与数理统计浙大版
本章主要介绍了参数估计的点估计和区间估计。
目录
13.
(2)试求均匀分布 f ( x ) = { 1 θ , 0 < x ⩽ θ , 0 , 其他 f(x)=\begin{cases}\cfrac{1}{\theta},&0<x\leqslant\theta,\\0,&\text{其他}\end{cases} f(x)=⎩⎨⎧θ1,0,0<x⩽θ,其他中未知参数 θ \theta θ的最大似然估计量。
证 似然函数为
L
(
θ
)
=
{
1
θ
n
,
0
<
x
1
,
x
2
,
⋯
,
x
n
⩽
θ
,
0
,
其他
.
L(\theta)=\begin{cases}\cfrac{1}{\theta^n},&0<x_1,x_2,\cdots,x_n\leqslant\theta,\\0,&\text{其他}.\end{cases}
L(θ)=⎩⎨⎧θn1,0,0<x1,x2,⋯,xn⩽θ,其他.
记
x
(
n
)
=
max
{
x
1
,
x
2
,
⋯
,
x
n
}
x_{(n)}=\max\{x_1,x_2,\cdots,x_n\}
x(n)=max{x1,x2,⋯,xn},由于
x
1
,
x
2
,
⋯
,
x
n
⩽
θ
x_1,x_2,\cdots,x_n\leqslant\theta
x1,x2,⋯,xn⩽θ相当于
x
(
n
)
⩽
θ
x_{(n)}\leqslant\theta
x(n)⩽θ,因而上式相当于
L
(
θ
)
=
{
1
θ
n
,
θ
⩾
x
(
n
)
,
0
,
θ
<
x
(
n
)
L(\theta)=\begin{cases}\cfrac{1}{\theta^n},&\theta\geqslant x_{(n)},\\0,&\theta<x_{(n)}\end{cases}
L(θ)=⎩⎨⎧θn1,0,θ⩾x(n),θ<x(n)
可知当
θ
<
x
(
n
)
\theta<x_{(n)}
θ<x(n)时,
L
(
θ
)
=
0
L(\theta)=0
L(θ)=0;而当
θ
⩾
x
(
n
)
\theta\geqslant x_{(n)}
θ⩾x(n)时,
L
(
θ
)
L(\theta)
L(θ)的随
θ
\theta
θ增加而减少;故
L
(
θ
)
L(\theta)
L(θ)在
x
(
n
)
x_{(n)}
x(n)处取到最大值,即得
θ
\theta
θ的最大似然估计值为
θ
^
=
x
(
n
)
=
max
{
x
1
,
x
2
,
⋯
,
x
n
}
.
\hat{\theta}=x_{(n)}=\max\{x_1,x_2,\cdots,x_n\}.
θ^=x(n)=max{x1,x2,⋯,xn}.
于是
θ
\theta
θ的最大似然估计量为
θ
^
=
max
{
x
1
,
x
2
,
⋯
,
x
n
}
.
\hat{\theta}=\max\{x_1,x_2,\cdots,x_n\}.
θ^=max{x1,x2,⋯,xn}.
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。
常见分布见附录一,传送门在这里。