样本矩与总体矩
X i 样 本 矩 X_{i}样本矩 Xi样本矩 | 依 概 率 收 敛 依概率收敛 依概率收敛 | X 总 体 矩 X总体矩 X总体矩 | |
---|---|---|---|
一 阶 矩 一阶矩 一阶矩 | 1 n ∑ i = 1 n X i \frac{1}{n}\sum\limits_{i=1}^{n}X_i n1i=1∑nXi | → P \overset{P}{\rightarrow} →P | E ( X ) E(X) E(X) |
二 阶 矩 二阶矩 二阶矩 | 1 n ∑ i = 1 n X i 2 \frac{1}{n}\sum\limits_{i=1}^{n}X_i^2 n1i=1∑nXi2 | → P \overset{P}{\rightarrow} →P | E ( X 2 ) E(X^2) E(X2) |
二 阶 中 心 矩 二阶中心矩 二阶中心矩 | 1 n ∑ i = 1 n ( X i − X ˉ ) 2 \frac{1}{n}\sum\limits_{i=1}^{n}(X_i-\bar{X})^2 n1i=1∑n(Xi−Xˉ)2 | → P \overset{P}{\rightarrow} →P | D ( X ) D(X) D(X) |
点估计
点估计
用 样 本 X 1 , X 2 , X 3 , . . . . . , X n 构 造 的 统 计 量 θ ^ ( X 1 , X 2 , X 3 , . . . . . , X n ) , 用样本X_1,X_2,X_3,.....,X_n构造的统计量\hat{\theta}(X_1,X_2,X_3,.....,X_n), 用样本X1,X2,X3,.....,Xn构造的统计量θ^(X1,X2,X3,.....,Xn), 来 估 计 未 知 参 数 θ , 称 为 点 估 计 , 统 计 量 θ ^ ( X 1 , X 2 , X 3 , . . . . . , X n ) 称 为 估 计 量 来估计未知参数\theta,称为点估计,统计量\hat{\theta}(X_1,X_2,X_3,.....,X_n)称为估计量 来估计未知参数θ,称为点估计,统计量θ^(X1,X2,X3,.....,Xn)称为估计量
无偏估计量
设 θ ^ 为 θ 的 估 计 量 , 如 果 E ( θ ^ ) = θ , 则 称 θ ^ ( X 1 , X 2 , X 3 , . . . . . , X n ) 是 未 知 参 数 θ 设\hat{\theta}为\theta的估计量,如果E(\hat{\theta})=\theta,则称\hat{\theta}(X_1,X_2,X_3,.....,X_n)是未知参数\theta 设θ^为θ的估计量,如果E(θ^)=θ,则称θ^(X1,X2,X3,.....,Xn)是未知参数θ 的 无 偏 估 计 量 的无偏估计量 的无偏估计量
更有效估计量
θ 1 ^ , θ 2 ^ 是 未 知 参 数 θ \hat{\theta_1},\hat{\theta_2}是未知参数\theta θ1^,θ2^是未知参数θ 的 无 偏 估 计 量 , 且 D ( θ 1 ^ ) < D ( θ 2 ^ ) , 则 θ 1 ^ 比 θ 2 ^ 更 有 效 的无偏估计量,且D(\hat{\theta_1})<D(\hat{\theta_2}),则\hat{\theta_1}比\hat{\theta_2}更有效 的无偏估计量,且D(θ1^)<D(θ2^),则θ1^比θ2^更有效
一致估计量
θ ^ ( X 1 , X 2 , X 3 , . . . . . , X n ) 是 θ 的 估 计 量 , 如 果 θ ^ 依 概 率 收 敛 于 θ , 则 称 \hat{\theta}(X_1,X_2,X_3,.....,X_n)是\theta的估计量,如果\hat{\theta}依概率收敛于\theta,则称 θ^(X1,X2,X3,.....,Xn)是θ的估计量,如果θ^依概率收敛于θ,则称 θ ^ ( X 1 , X 2 , X 3 , . . . . . , X n ) 是 θ 的 一 致 估 计 量 \hat{\theta}(X_1,X_2,X_3,.....,X_n)是\theta的一致估计量 θ^(X1,X2,X3,.....,Xn)是θ的一致估计量
矩估计
矩
估
计
法
:
用
样
本
矩
估
计
总
体
矩
,
用
样
本
矩
的
函
数
估
计
总
体
矩
矩估计法:用样本矩估计总体矩,用样本矩的函数估计总体矩
矩估计法:用样本矩估计总体矩,用样本矩的函数估计总体矩
的
函
数
,
求
出
要
估
计
的
参
数
,
例
如
下
面
的
用
一
阶
矩
来
建
立
的
估
计
函
数
的函数,求出要估计的参数,例如下面的用一阶矩来建立的估计函数
的函数,求出要估计的参数,例如下面的用一阶矩来建立的估计函数
E
(
X
;
θ
)
=
x
‾
,
x
为
部
分
样
本
值
E(X;\theta)=\overline{x},x为部分样本值
E(X;θ)=x,x为部分样本值
最大似然估计
样
本
取
到
观
测
值
的
概
率
,
即
通
过
抽
取
的
部
分
样
本
值
x
1
,
x
2
,
x
3
,
.
.
.
.
,
x
n
,
使
得
样本取到观测值的概率,即通过抽取的部分样本值x_1,x_2,x_3,....,x_n,使得
样本取到观测值的概率,即通过抽取的部分样本值x1,x2,x3,....,xn,使得
似
然
函
数
L
(
x
1
,
x
2
,
x
3
,
.
.
.
.
,
x
n
;
θ
)
达
到
似然函数L(x_1,x_2,x_3,....,x_n;\theta)达到
似然函数L(x1,x2,x3,....,xn;θ)达到
最
大
的
参
数
值
θ
^
=
θ
^
(
x
1
,
x
2
,
x
3
,
.
.
.
.
,
x
n
)
最大的参数值\hat{\theta}=\hat{\theta}(x_1,x_2,x_3,....,x_n)
最大的参数值θ^=θ^(x1,x2,x3,....,xn)
,
称
为
未
知
参
数
θ
的
最
大
似
然
函
数
称为未知参数\theta的最大似然函数
称为未知参数θ的最大似然函数
L ( θ ) = { L ( x 1 , x 2 , x 3 , . . . . , x n ; θ ) = ∏ i = 1 n P ( x i ; θ ) L ( X 1 ϵ U ( x 1 ) , X 2 ϵ U ( x 2 ) , X 3 ϵ U ( x 3 ) , . . . . , X n ϵ U ( x n ) ) = ∏ i = 1 n f ( x i ; θ ) L(\theta)=\left\{\begin{matrix} L(x_1,x_2,x_3,....,x_n;\theta)=\prod \limits_{i=1}^nP(x_i;\theta) \\ L(X_1\epsilon U(x_1),X_2\epsilon U(x_2),X_3\epsilon U(x_3),....,X_n\epsilon U(x_n))=\prod \limits_{i=1}^nf(x_i;\theta) \end{matrix}\right. L(θ)=⎩⎪⎨⎪⎧L(x1,x2,x3,....,xn;θ)=i=1∏nP(xi;θ)L(X1ϵU(x1),X2ϵU(x2),X3ϵU(x3),....,XnϵU(xn))=i=1∏nf(xi;θ)
求 解 步 骤 : 求解步骤: 求解步骤:
- 构 建 含 未 知 参 数 θ 的 似 然 函 数 L ( θ ) 构建含未知参数\theta的似然函数L(\theta) 构建含未知参数θ的似然函数L(θ)
- 对 L ( θ ) 取 对 数 对L(\theta)取对数 对L(θ)取对数
- 对 L ( θ ) 求 导 , 令 导 数 为 0 , 救 出 参 数 θ 对L(\theta)求导,令导数为0,救出参数\theta 对L(θ)求导,令导数为0,救出参数θ
区间估计
-
设
θ
是
总
体
X
的
未
知
参
数
,
X
1
,
X
2
,
X
3
,
.
.
.
.
.
,
X
n
,
是
来
自
总
体
X
的
样
本
设\theta是总体X的未知参数,X_1,X_2,X_3,.....,X_n,是来自总体X的样本
设θ是总体X的未知参数,X1,X2,X3,.....,Xn,是来自总体X的样本
,
对
于
给
定
的
α
(
0
<
α
<
1
)
,
如
果
两
个
统
计
量
满
足
,对于给定的\alpha(0<\alpha <1),如果两个统计量满足
,对于给定的α(0<α<1),如果两个统计量满足
P
{
θ
1
<
θ
<
θ
2
}
=
1
−
α
P\left \{ \theta_1<\theta<\theta_2 \right \}=1-\alpha
P{θ1<θ<θ2}=1−α
则 称 随 机 区 间 ( θ 1 , θ 2 ) 为 参 数 θ 的 置 信 水 平 为 1 − α 的 置 信 区 间 , θ 1 则称随机区间(\theta_1,\theta_2)为参数\theta的置信水平为1-\alpha的置信区间,\theta_1 则称随机区间(θ1,θ2)为参数θ的置信水平为1−α的置信区间,θ1 为 置 信 下 限 , θ 2 为 置 信 上 限 为置信下限,\theta_2为置信上限 为置信下限,θ2为置信上限 -
一
个
正
态
总
体
参
数
的
区
间
估
计
一个正态总体参数的区间估计
一个正态总体参数的区间估计
设 总 体 X 设总体X 设总体X~ N ( μ , σ 2 ) , X 1 , X 2 , X 3 , . . . . . , X n , 是 来 自 总 体 X 的 样 本 , X ‾ 是 样 本 均 值 N(\mu,\sigma^2),X_1,X_2,X_3,.....,X_n,是来自总体X的样本,\overline{X}是样本均值 N(μ,σ2),X1,X2,X3,.....,Xn,是来自总体X的样本,X是样本均值 , S 2 是 样 本 方 差 , 下 列 列 出 了 μ 和 σ 的 1 − α 的 置 信 区 间 ,S^2是样本方差,下列列出了\mu和\sigma的1-\alpha的置信区间 ,S2是样本方差,下列列出了μ和σ的1−α的置信区间
参 数 参数 参数 | 参 数 参数 参数 | 1 − α 的 置 信 区 间 1-\alpha的置信区间 1−α的置信区间 |
---|---|---|
μ 未 知 \mu未知 μ未知 | σ 已 知 \sigma已知 σ已知 | ( X ‾ − U a 2 σ n , X ‾ + U a 2 σ n ) (\overline{X}-U_{\frac{a}{2}}\frac{\sigma}{\sqrt{n}},\overline{X}+U_{\frac{a}{2}}\frac{\sigma}{\sqrt{n}}) (X−U2anσ,X+U2anσ) |
μ 未 知 \mu未知 μ未知 | σ 未 知 \sigma未知 σ未知 | ( X ‾ − t a 2 ( n − 1 ) S n , X ‾ + t a 2 ( n − 1 ) S n ) (\overline{X}-t_{\frac{a}{2}}(n-1)\frac{S}{\sqrt{n}},\overline{X}+t_{\frac{a}{2}}(n-1)\frac{S}{\sqrt{n}}) (X−t2a(n−1)nS,X+t2a(n−1)nS) |
σ 未 知 \sigma未知 σ未知 | ( ( n − 1 ) S 2 χ a 2 2 ( n − 1 ) , ( n − 1 ) S 2 χ 1 − a 2 2 ( n − 1 ) ) (\frac{(n-1)S^2}{\chi ^2_{\frac{a}{2}}(n-1)},\frac{(n-1)S^2}{\chi ^2_{1-\frac{a}{2}}(n-1)}) (χ2a2(n−1)(n−1)S2,χ1−2a2(n−1)(n−1)S2) | |
σ 未 知 \sigma未知 σ未知 | ( ∑ i = 1 n ( x i − μ ) 2 χ a 2 2 ( n ) , ∑ i = 1 n ( x i − μ ) 2 χ 1 − a 2 2 ( n ) ) (\frac{\sum\limits_{i=1}^{n}(x_i-\mu)^2}{\chi ^2_{\frac{a}{2}}(n)},\frac{\sum\limits_{i=1}^{n}(x_i-\mu)^2}{\chi ^2_{1-\frac{a}{2}}(n)}) (χ2a2(n)i=1∑n(xi−μ)2,χ1−2a2(n)i=1∑n(xi−μ)2) |