一 性质
极大似然估计 有一个简单有用的性质:
如果 θ ^ \hat\theta θ^ 是 θ \theta θ的极大似然估计, 则对任一 θ \theta θ的函数 g ( θ ) g(\theta) g(θ), 其极大似然估计为 g ( θ ^ ) g(\hat\theta) g(θ^) .
该性质称为极大似然估计的不变性,它使得一些复杂结构的参数的极大似然估计的获得变得容易了。
二 一些重要结论
-
对均匀分布的总体U(0, θ \theta θ), θ \theta θ的极大似然估计为 θ ^ = m a x \hat \theta=max θ^=max{ x 1 , x 2 , . . . , x n x_1, x_2, ..., x_n x1,x2,...,xn}
-
对指数分布的总体E( λ \lambda λ), λ \lambda λ的极大似然估计为 λ ^ \hat\lambda λ^ = 1 / x ‾ 1/ {\overline x } 1/x , 另外 λ \lambda λ的矩估计也为 1 / x ‾ 1/ {\overline x} 1/x,
-
对正态总体N( μ , σ 2 \mu, \sigma^2 μ,σ2), 未知参数 θ = ( μ , σ 2 ) \theta=(\mu, \sigma^2) θ=(μ,σ2), μ \mu μ的极大似然估计为 μ ^ = x ‾ \hat\mu= \overline x μ^=x, σ \sigma σ的极大似然估计为 σ ^ 2 = 1 n ∑ i = 1 n ( x i − x ‾ ) 2 = s n 2 \hat\sigma^2 = \frac{1}{n}\sum\limits_{i=1}^n(x_i-\overline x)^2 = s_n^2 σ^2=n1i=1∑n(xi−x)2=sn2.
-
对泊松分布P( λ \lambda λ), λ \lambda λ的最大似然估计为 λ ^ \hat \lambda λ^ = x ‾ \overline x x, 另外 λ \lambda λ的矩估计也为 x ‾ \overline x x.
形成表格,如下表所示:
此表必须牢牢记住, 必须掌握!!!
三 看例题
例1 设 x 1 , x 2 , . . . , x n x_1, x_2, ..., x_n x1,x2,...,xn是来自正态总体N ( μ , σ 2 \mu, \sigma^2 μ,σ2), 求标准差 σ \sigma σ 和 概率 P(X ⩾ 3 \geqslant3 ⩾3)的极大似然估计。
解 由上述表格可知 与 极大似然估计的不变性, σ \sigma σ 的极大似然估计为 σ ^ \hat \sigma σ^ = ( 1 n ∑ i = 1 n ( x i − x ‾ ) 2 ) 1 2 (\frac{1}{n} \sum\limits_{i=1}^n(x_i-\overline x)^2)^\frac{1}{2} (n1i=1∑n(xi−x)2)21 , 概率 P(X ⩽ 3 \leqslant 3 ⩽3) 的极大似然估计为
P( X ^ ≤ 3 \hat X\leq 3 X^≤3)= Φ ( 3 − μ σ ) = Φ ( 3 − x ‾ σ ^ ) = Φ ( 3 − x ‾ 1 n ∑ ( x i − x ‾ ) 2 ) \Phi(\frac{3-\mu}{\sigma}) = \Phi(\frac{3-\overline x}{\hat \sigma}) = \Phi(\frac{3-\overline x}{\sqrt{\frac{1}{n}\sum(x_i-\overline x)^2}}) Φ(σ3−μ)=Φ(σ^3−x)=Φ(n1∑(xi−x)23−x)
例2 2022.10真题
设某元件的使用寿命X ( 单位: 小时) 的概率密度为
f
(
x
)
=
f(x) =
f(x)=
{
1
θ
e
−
x
θ
,
x
>
0
0
,
x
⩽
0
\begin{cases}\frac{1}{\theta}e^{-\frac{x}{\theta}} &, x > 0\\ 0 & ,x \leqslant 0\end{cases}
{θ1e−θx0,x>0,x⩽0 ,
θ
>
0
\theta>0
θ>0,
X
1
_1
1, X
2
_2
2, … , X
n
_n
n 为来自总体 X 的样本。 求:
θ
\theta
θ 的极大似然估计
θ
^
\hat\theta
θ^.
解:当 x 1 , x 2 , . . . , x n x_1, x_2,..., x_n x1,x2,...,xn 都大于0时, 似然函数
L( θ \theta θ) = ∏ i = 1 n f ( x i ) = ∏ i = 1 n ( 1 θ e − x i θ ) = 1 θ n e − 1 θ ∑ i = 1 n x i \prod\limits_{i=1}^nf(x_i) = \prod\limits_{i=1}^n{{\left( {{{\frac{1}{\theta}e^{-\frac{x_i}{\theta}}}}} \right)}} =\frac{1}{\theta^n}e^{-\frac{1}{\theta} \sum\limits_{i=1}^nx_i } i=1∏nf(xi)=i=1∏n(θ1e−θxi)=θn1e−θ1i=1∑nxi,
两边取对数, lnL( θ \theta θ) = -nln θ \theta θ- 1 θ ∑ i = 1 n x i \frac{1}{\theta}\sum\limits_{i=1}^nx_i θ1i=1∑nxi ,
求导,并且令等式=0, 有 d l n L ( θ ) d θ = − n θ + 1 θ 2 ∑ i = 1 n x i = 0 \frac{dlnL(\theta)}{d\theta} = -\frac{n}{\theta} +\frac{1}{\theta^2}\sum\limits_{i=1}^nx _i = 0 dθdlnL(θ)=−θn+θ21i=1∑nxi=0,
θ ^ = ∑ i = 1 n x i n = x ‾ . \hat\theta = \frac{\sum\limits_{i=1}^nx_i}{n} = \overline x. θ^=ni=1∑nxi=x.
这个例题值得仔细分析, 仔细体会。
现在总结求极大似然估计 的步骤
第1步,列出L
(
θ
)
(\theta)
(θ) 等式, 此式在中途 包含了
∏
\prod
∏ 符号,
第2步 , 将 L(
θ
\theta
θ) 两边取对数,要利用对数性质
l
n
(
x
y
)
=
l
n
x
+
l
n
y
ln(xy)=lnx+lny
ln(xy)=lnx+lny,
第3步, 两边求导, 并令等式=0,
第4步, 解出
θ
\theta
θ, 记住此时
θ
\theta
θ加上 ^ 。