最后更新: 2024-03-27 14:53 查看: 290 次纠错评论(0) 课件开VIP

复习9:矩估计

## 29. 矩估计      
   
(1) 原理: 样本的 $k$ 阶原点矩依概率收敛于总体的 $k$ 阶原点矩.   
(2) 解题步骤 (待估参数为 $k$ 个 $\theta_1, \theta_2, \cdots, \theta_k$ )   
(1) 求出总体的 $k$ 阶原点矩 $\mu_k=E X^k(k=1,2, \cdots)$;   
(2) 令样本的 $k$ 阶原点矩 $A_k=\frac{1}{n} \sum_{i=1}^n X_i^k$ 等于总体的 $k$ 阶原点矩, 即令   
$$
E X^k=\frac{1}{n} \sum_{i=1}^n X_i^k(k=1,2, \cdots)
$$   
(3) 解上面的方程方程组, 得 $\theta_i$ 的矩估计量为 $\hat{\theta}_i\left(X_1, X_2, \cdots, X_n\right)$, 则 $\theta_i$ 的矩估计 值为 $\hat{\theta}_i\left(x_1, x_2, \cdots, x_n\right)$.   
【注】当待估参数为 1 个时, 通常令 $E X=\frac{1}{n} \sum_{i=1}^n X_i$, 即可解得 $\theta$ 的矩估计量与相应的 矩估计值.

30. 最大似然估计法     
(1) $X$ 为连续型随机变量 设总体 $X$ 的密度函数为 $f(x ; \theta), X_1, X_2, \cdots, X_n$ 为取自 $X$ 的样本, 则

$$
L\left(x_1, x_2, \cdots, x_n ; \theta\right)=\prod_{i=1}^n f\left(x_i ; \theta\right)
$$
称为似然函数, $L\left(x_1, x_2, \cdots, x_n ; \theta\right)$ 关于 $\theta$ 的最大值点 $\hat{\theta}$, 称为 $\theta$ 的最大似然估计.    
(2) $X$ 为离散型随机变量    
设总体 $X$ 的分布律 $P\left\{X=a_i\right\}=p\left(a_i ; \theta\right), i=1,2, \cdots, X_1, X_2, \cdots, X_n$ 为取自 $X$ 的样本, 则 $X_1, X_2, \cdots, X_n$ 的联合分布律    
$$
L\left(x_1, x_2, \cdots, x_n ; \theta\right)=\prod_{i=1}^n p\left(x_i ; \theta\right), x_i \text { 为 } a_i(i=1,2, \cdots) \text { 中的某一个数 }    
$$    
称为似然函数, $L\left(x_1, x_2, \cdots, x_n ; \theta\right)$ 关于 $\theta$ 的最大值点 $\hat{\theta}$, 称为 $\theta$ 的最大似然估计.    
    【注】上面 (1), (2) 中的 $\theta$ 可以是多个待估参数 $\left(\theta_1, \theta_2, \cdots, \theta_k\right)$.

(3) 最大似然估计的解题步骤 (待估参数为 $k$ 个 $\theta_1, \theta_2, \cdots, \theta_k$ )         
(1) 写出似然函数         
$$
\begin{aligned}
& (离散型)  L\left(x_1, x_2, \cdots, x_n ; \theta_1, \theta_2, \cdots, \theta_k\right)=\prod_{i=1}^n p\left(x_i ; \theta_1, \theta_2, \cdots, \theta_k\right), \\
& (连续型)  L\left(x_1, x_2, \cdots, x_n ; \theta_1, \theta_2, \cdots, \theta_k\right)=\prod_{i=1}^n f\left(x_i ; \theta_1, \theta_2, \cdots, \theta_k\right)
\end{aligned}
$$
    
        
(2) 取对数 $\ln L$;         
(3) 若 $\ln L$ 对 $\theta_1, \theta_2, \cdots, \theta_k$ 可微, 求偏导数 $\frac{\partial \ln L}{\partial \theta_i}, i=1,2, \cdots, k$; 判断方程组 $\frac{\partial \ln L}{\partial \theta_i}=0$ 是否有解. 若有解, 则其解即为所求最大似然估计; 若无解则要考虑极大似然估计的意 义 (使似然函数取得最大值), 此时, 估计值常在 $\theta_i$ 的边界点上达到.
          【注】对于只有一个末知参数只需将步骤(3)中求偏导变为一元函数求导即可.

31. 估计量的评选标准     
(1) 无偏性     
如果 $\theta$ 的估计量 $\hat{\theta}\left(X_1, X_2, \cdots, X_n\right)$ 的数学期望 $E \hat{\theta}$ 存在, 且 $E \hat{\theta}=\theta$ 则称 $\hat{\theta}\left(X_1, X_2, \cdots, X_n\right)$ 是末知参数 $\theta$ 的无偏估计量.     
（2）有效性

$\widehat{\theta}_1\left(X_1, X_2, \cdots, X_n\right)$ 和 $\widehat{\theta}_2\left(X_1, X_2, \cdots, X_n\right)$ 都是末知参数 $\theta$ 的无偏估计量, 若 $D\left(\widehat{\theta}_1\right) \leq D\left(\widehat{\theta}_2\right)$, 且至少对于某一个 $\theta \in \Theta$ 左式中的不等号成立, 则称 $\widehat{\theta}_1\left(X_1, X_2, \cdots, X_n\right)$ 比 $\widehat{\theta}_2\left(X_1, X_2, \cdots, X_n\right)$ 更有效.
(3) 一致性 (相合性)     
若对任意 $\varepsilon>0$, 有 $\lim _{n \rightarrow \infty} P(|\hat{\theta}-\theta|<\varepsilon)=1$, 则称 $\hat{\theta}$ 为 $\theta$ 的一致估计量.

32. 区间估计     
单正态总体的区间估计     
设 $X \sim N\left(\mu, \sigma^2\right), X_1, X_2, \cdots, X_n$ 为随机样本, 样本均值为 $\bar{X}$, 样本方差为 $S^2$

![图片](/uploads/2024-03/6a3f1d.jpg)

33. 假设检验        
（1）假设检验的两类错误    
1) 第一类错误 (弃真错误)    
当 $H_0$ 为真时, 而样本值却落入了拒绝域, 选择拒绝原假设 $H_0$, 记犯此类错误的概 率 $\alpha$, 即    
$$
P\left\{\text { 否定 } H_0 \mid H_0 \text { 为真 }\right\}=\alpha \text {. }
$$
2) 第二类错误 (纳伪错误)

当 $H_0$ 为假时, 而样本值不在拒绝域, 选择接受原假设 $H_0$, 记犯此类错误的概率 $\beta$, 即
$$
P\left\{\text { 接受 } H_0 \mid H_0 \text { 为假 }\right\}=\beta \text {. }
$$
(2) 显著水平为 $\alpha$ 的单正态总体均值和方差的假设检验
       
        ![图片](/uploads/2024-03/80316b.jpg)

科数题库(单机版) 会议室预约系统(book)

今日还可看 0 篇未注册用户每天查看4篇，注册用户每天8篇，开通VIP会员无限制查看。

免费注册

《高等数学》难点解析

高数教程 泰勒公式切线与法线切平面与法平面驻点·拐点·极值点·零点间断点渐进线瑕积分欧拉方程伯努利方程 Abel 收敛定理偏导数的几何意义偏导数的几何意义梯度数量场与向量场多元函数极值拉格朗日算子通量与散度环流量与旋度格林公式高斯公式斯托克斯公式三大公式比较傅里叶级数极坐标微元点法式方程变上限定积分 X型计算面积 Y型计算面积微分的意义渐近线间断点 y''+py'+qy=f(x)方程高斯黎曼傅里叶变换(复数) 拉普拉斯变换(复数)

《线性代数》难点解析

线代教程 近世代数对数学的整体思考线性的意义矩阵乘法(列视角) 矩阵乘法(行视角) 矩阵左乘矩阵右乘逆矩阵求解方程组阶梯形矩阵的求法方程组解的判定四阶行列式的计算线性变换的意义线性空间向量组的等价线性空间的几何意义基础解系的求法施密特正交化特征值与特征向量的意义矩阵相似的几何意义矩阵可对角化的理解秩的意义(向量版) 秩的意义(方程版) 二次型的意义

《概率论与数理统计》难点解析

概率教程 置信区间与上a分位数概率中的“取”与“放” 贝叶斯公式全概率公式泊松分布指数分布伽玛分布二维密度图的意义卷积的意义相关系数的意义 k阶矩是与矩母函数卡方分布的作用单正态区间估计理解假设检验理解切比雪夫不等式中心极限定理

上一篇：复习7:重要统计量

下一篇：复习8:三大分布

本文对您是否有用？有用 (0) 无用 (0)