第八章 参数估计
第一节 参数的点估计
在研究总体X 的性质时,如果知道总体X 的概率分布,那是再好不过了。然而,在许多情况下,对总体的情况知道甚少或只知道部分信息。
在实际问题中遇到的许多总体,根据以往的经验和理论分析可以知道总体X 的分布函数的形式,但分布中的一个或几个参数未知,一旦这些参数确定以后,总体X 的概率分布就完全确定了。例如,总体),(~2
σμN X ,但不知道其中参数μ和2
σ的具体数值,我们要想法确定
参数2
,μσ 。
设总体X 的分布函数(;)F x θ形式已知,其中θ是未知参数(也可以是未知向量1
2
(,,,)m
θθθθ=???)。
试问怎样由样本n
X X X ,,,2
1
???提供的 信息,建立样本的函数即统计量来 对未知参数作出估计?
这类问题,称为参数的估计问题。
参数估计主要有参数的点估计和参数的区间估计。
现从总体X 中抽得一个样本 n
X X X ,,,2
1
???,
相应的一个样本值观察值为 n
x x x ,,,2
1
???;
点估计的问题就是要构造一个适当的统计量12?(,,,)n X X X θ???,用它的观察值12?(,,,)n
x x x θ???来估计未知参数θ。
统计量12?(,,,)n X X X θ???称为θ的估计量,12?(,,,)n x x x θ???称为θ的估计值。
在不致混淆的情况下,估计量与估计值统称为估计,并都简记为?θ。
下面介绍参数点估计的两种方法: 矩估计法和极大似然估计。
一、 矩估计法
矩估计是由英国统计学家Pearson,K.于1900年提出的一种参数估计方法,在统计学中有广泛的应用。
例1 若要考察成人的身高分
布情况。
(人类学、遗传变异学、社会学要用。)
每一个人的身高是一个体,全体人的身高构成一个总体。
由于随机因素的影响,不同人的身高一般是不一样的。 由中心极限定理和实际经验知道,人体身高),(~2
σμN X 。
但不知道其中参数μ和2
σ的具体数值。(知道之后,有实践和检验理论的多种用途。)
为了确定一个国家或一个地区内人体的身高总的情况,
自然需要估计一个地区人的平均身高以及身高的差异程度,即要求估计μ和2
σ的值.
为了对参数μ和2
σ进行估计,
我们从一个地区中随机的抽取一批人,进行身高测量。
我们从总体中抽取样本n
X X X ,,,2
1
???(对于一次具体的抽取,它就是具体的数值n
x x x ,,,2
1
???,在不致引起混淆的情况下,今后也用n
x x x ,,,2
1
???表示随机变量),根据样本矩在一定程度上反映了总体矩的特
征,自然想到用样本矩作为总体矩的估计。
于是,我们分别用样本均值和样本方差作为总体均值μ和总体方差2
σ的估计,记为μ?和2
?σ,
即有
X X n
n i i
==∑=1
1
?μ , (8.1)
∑==--=n
i i
S X X n 1
2
2
2
)(1
1?σ ,(8.2)
显然,μ?和2
?σ都是样本n
X X X ,,,2
1
???的函数,是统计量,分别称为μ和2σ的矩估计量。
若n
x x x ,,,2
1
???为样本值(一批次的测量值), 则把
x x n
n i i
==∑=1
1?μ,
∑==--=n
i i
s x x n 1
2
2
2
)(1
1?σ,
分别作为μ和2
σ的估计值.
对于不同的样本值,估计值也是不同的。实际中,需要进行多批次、分组次、多年代的测量。
通过观测记录,对不同年代、不同地区,人身高的分布和差别都记录下来,得出客观结果,分析其原因,构成科学记载资料数据,积累人类智慧,可被当代人或后代人借鉴引用。
这种用样本矩来估计相应的总体矩的方法,称为矩估计法。
矩估计的一般问题、 理论根据和方法:
设总体X 的分布函数为
),,,;(2
1
m
x F θθθ???,未知参数m
θθθ,,,2
1
???; 问题:试给出参数m
θθθ,,,2
1
???的估计值。
解决办法如下
首先求出总体矩:
12(,,,)k
k k m EX μμθθθ==???,
m k ,,2,1???=;
或 12()(,,,)k
k
k m E X EX ββθθθ=-=???, m k ,,2,1???=;
其次,对总体进行随机抽样,
设n
X X X ,,,2
1
???为来自于总体X 的样本,
n
x x x ,,,2
1
???为样本值(观察值,抽样结果,具体记录下来的一组数).
构造样本矩:
∑==n
i k
i
k
X n
A 1
1
,
k
i
n
i k
X X n
B )(1
1
-=∑=,
2
1
2
)(1
1X X n S i
n
i --=∑= 。
理论上已知,在一定条件下 成立
1
1n P
k k k i k
i A X EX n μ==??→=∑, (∞→n )
或
1
1()()n P
k k k i k
i B X X E X EX n β==-??→-=∑,(∞→n )
于是,
可把 ∑==n
i k
i
k
X n
A 1
1 作为 k
k EX μ=的
近似值,k k A μ≈ ;
即令(人为作出方程组)
12(,,,)k m k A μθθθ???=, m k ,,2,1???=, 或令
1
2
(,,,)k
m
k
B βθθθ???=, m k ,,2,1???=,
得到含m 个未知数的m 个方程式;
解这m 个联列方程组可得到m
θθθ,,,2
1
???的一组解(记为):
12?(,,,)i i m A A A θ?=???,m i ,,2,1???=
则把这组解m
θθθ?,,?,?21???就称作为m
θθθ,,,21???的矩估计量,其观察值称为矩估计值.
矩估计的另一种观点:
首先在方程组
12(,,,)k m k μθθθμ???=,m k ,,2,1???=, 中,求解出解
12(,,,)i i m
θ?μμμ=L ,m i ,,2,1???=;
然后将其中的k μ用k
A 替换,得到
12?(,,,)i i m
A A A θ
?=???, (m i ,,2,1???=) 称12?(,,,)i i m
A A A θ?=??? (m i ,,2,1???=)为i θ(m i ,,2,1???=)的矩估计量;将样本值代入得矩估计值.
根据依概率收敛的随机变量的性质,可知
1212?(,,,)(,,,)P i i m
i m i A A A θ??μμμθ=?????→=L ,(∞→n )。(m i ,,2,1???=)。
(或从方程组
1
2
(,,,)k
m
k
βθθθβ???=, m k ,,2,1???=, 中,求解出解
1
2
(,,,)i
i
m
θψβββ=???,m i ,,2,1???=; 将其中的k
β用k B 替换,得到
12?(,,,)i i m B B B θψ=???, (m i ,,2,1???=) 称12?(,,,)i i m B B B θψ=???
(m i ,,2,1???=)为i θ(m i ,,2,1???=)的矩估计量;将样本值代入得矩估计值.)
例2
设总体X 的概率密度为
???<<=-其它
,
01
0,);(1
x x x f θθθ ,
n
X X X ,,,2
1
???为来自于总体X 的样本,
n
x x x ,,,2
1
???为样本值,
求θ的矩估计。
解 先求总体矩
1
110
(;)EX x f x dx x x dx θμθθ+∞
--∞
==?=???
1
1
10
1
1x dx x
θ
θθθ
θθθ+==
=
++?,
然后令 111
1n
i i A X X n μ====∑,
即得
X =+1
θθ,
即有 X )1(+=θθ,
解之得 X
X -=1?θ,
把X
X -=1?θ作为θ的矩估计量,
x
x -=1?θ作为θ的矩估计值. 例3
有一批零件,
其长度),(~2
σμN X , 现从中任取4件,
测得长度(单位:mm )分别为12.6,13.4,12.8,13.2 。
试估计μ和2
σ的值。
解 由于),(~2
σμN X ,
总体矩1,EX μμ== 222()E X EX DX βσ=-==,
令 111
1n
i i A X X n μ====∑,
22S β=,
则得 X μ=,
22S σ=,
于是11?n i i X X n μ===∑,2221
1?()1n i
i S X X n σ===--∑ 分别为μ和2σ的矩估计量;
将样本值代入
1
?(12.613.412.813.2)134
x μ
==+++= , 22?s σ
= 22221
[(12.613)(13.413)(12.813)(13.213)]0.13341
=
-+-+-+-=- 得μ和2
σ的估计值分别为13(mm)和0.133(mm)2
。
对于由总体矩和样本矩作等式的原则,总体矩和样本矩都有多种,要用同样种类的矩列出等式。多个参数时,列等式的方式不唯一,因此,矩估计的方式不是唯一的.
例如 两个参数21,θθ情形的矩估计,
可有如下几种方式:
??
???===221A EX X A EX , 或??
???=-==22
1)(B EX X E X A EX ,
或??
???=-==2
21)(S EX X E X A EX .
例4 设总体X 的概率密度为
θ
θ
θx
e x
f -=21
),( ,
(+∞<<∞-x ),0>θ, 求θ的矩估计量θ? .
解法一 虽然),(θx f 中仅含有一个参数θ,但因
1(;)EX x f x dx μθ+∞
-∞==??
102x
x e dx θθ
-+∞-∞
==?
, 不含θ,不能由此解出θ, 需继续求总体的二阶原点矩
22221(;)2x
EX x f x dx x e dx θμθθ
-
+∞
+∞-∞-∞
==?=??
2
1
x
x e dx θθ
-
+∞
=
?
2
20
t
t e dt θ
+∞
-=?
22(3)2θθ=Γ= ,
令2
2A μ=,
2221
1
2n i i A X n θ===∑,
解之得θ的矩估计量为
?θ==0>θ
解法二
1||(;)||2x
E X x f x dx x e dx
θ
θθ
-+∞
+∞
-∞-∞=?=??
1
x
xe dx θθ
-
+∞
=
?
t
te dt θ+∞
-=? (2)θθ=Γ=,
即 ||X E =θ, 用
∑=n
i i X n 1
1替换X E ,
即得θ的另一矩估计量为
∑==n
i i X n 1
^
1θ .
此外还需比较估计的优劣性,这一点将在下一节将会介绍,这里不再多说。
3.矩估计法 矩估计法是求估计量的最古老的也是最直观的方法.它的基本思想就是用样本的平均值去估计总体的数学期望E(X),用样本的统计量 去估计总体的方差D(X), 如下图所示: 构成矩估计法 样本(X 1, X2,…, X n) (统计量:样本均值(总体数学期望的估计 量)构成矩估计法 样本(X 1, X2,…, X n) (统计量:样本方差)(总体方差的估计量)例3.7.1根据抽样调查,以下是某班10名同学”高等数学”考试成绩,试用矩估计法估计总体的均值和标准差. 63 82 94 71 63 73 92 79 84 85 解.设全班的”高等数学”的成绩为X,则其平均成绩为E(X),标准差为. 由矩估计法公式有 =(63+82+94+71+63+73+92+79+84+85)/10=78.6, ,
. 例3.7.2设总体X在[μ-ρ, μ+ρ]上服从均匀分布, μ、ρ未知, (X1,X2,…,X n)是一个样本,试估计参数μ和ρ. 解.因为总体X服从[μ-ρ, μ+ρ]上的均匀分布, 而均匀分布的数学期望 E(X)=(μ+ρ+μ-ρ)/2=μ , 方差D(X)=( μ+ρ-μ+ρ)2/12=ρ2/3. 由上述公式估计:
4.极大似然估计法 在讲解极大似然估计法之前,我们从一个例子入手,了解极大似然估计法的直观想法:设甲箱中有99个白球,1个黑球;乙箱中有1个白球,99个黑球.现随机取出一箱,再从中随机取出一球,结果是黑球,这时我们自然更多地相信这个黑球是取自乙箱的.因此极大似然估计法就是要选取这样的数值作为参数的估计值,使所选取的样本在被选的总体中出现的可能性为最大. 定义.若总体X的密度函数为p(x; θ1, θ2,…, θk),其中θ1, θ2,…,θk是未知参数,(X1, X2,…, X n)是来自总体X的样本,称 为θ1,θ2,…,θk的似然函数.其中x1,x2,…,x n为样本观测值. 若有使得 成立, 则称为θj极大似然估计值(j=1,2,…,k). 特别地,当k=1时,似然函数为: 根据微积分中函数极值的原理,要求使得上式成立,只要令 其中L(θ)=L(x1,x2,…,x n;θ). 解之,所得解为极大似然估计,上式称为似然方程. 又由于与的极值点相同,所以根据情况,也可以求出 的解作为极大似然估计. 若总体X为离散型随机变量,其概率分布为:
矩法估计 1.什么是矩法估计 对于随机变量来说,矩是其最广泛,最常用的数字特征,母体ξ的各阶矩一般与ξ的分布中所含的未知参数有关,有的甚至就等于未知参数。由辛钦大数定律知,简单随机子样的子样原点矩依概率收敛到相应的母体原点矩Eξr,r= 1,2,Λ。这就启发我们想到用子样矩替换母体矩(今后称之为替换原则),进而找出未知参数的估计,基于这种思想求估计量的方法称为矩法。用矩法求得的估计称为矩法估计,简称矩估计。它是由英国统计学家皮尔逊Pearson于1894年提出的。 2.矩法估计的理论依据 由辛钦大数定律知: 即对,有 或 矩法估计的具体步骤 设母体ξ的概率函数为f(x,θ1,Λ,θk),其中是k个未知参,Λ,ξn是取自这一母体的一个子样。设ξ的k阶矩v k = Eξk存在,则数,ξ 1 v ,j < k都存在,并且是θ1,Λ,θk的函数v j(θ1,Λ,θk),又子样ξ1,Λ,θk j 的j阶矩为。我们设
(1) ,Λ,θk的k个方程,解由这k个方程联这样我们就得到含k个未知参数θ 1 列所构成的方程组就可以得到theta1,Λ,θk的一组解: (2) 用(2)中的解来估计参数θi就是矩法估计。 一般我们考察的情形。 在数理统计学中,我们一般用表示θ的估计量。 下面我们举一个与实际问题有关的多参数的矩法估计问题。 例:已知大学生英语四级考试成绩ξ~N(μ,σ2),均值μ,方差σ2均未知,ξ1,Λ,ξn为取自母体ξ的一个子样,(x1,Λ,x n)是子样的一组观测值,求μ与σ2的矩法估计。 解:注意到有两个未知参数,由矩法估计知需两个方程,按照(1)式得方程组 解这一方程组得μ与σ的矩法估计量
矩法估计的分析及应用 金融数学10本 黄小听 17 摘要:矩法估计就是根据子样所提供的信息,对母体的分布或分布的数字特征等作出合理的统计推断的一种方法。它不仅在数学领域应用广泛,对于解决实际问题(比如预测股市行情,教育统计学等),也有很大的用途。 关键字:矩法估计;应用;评选标准;优缺点 一 什么是矩法估计 对于随机变量来说,矩是其最广泛,最常用的数字特征,母体ξ的各阶矩一般与ξ的分布中所含的未知参数有关,有的甚至就等于未知参数。由辛钦大数定律知,简单随机子样的子样原点矩依概率收敛于相应的母体原点矩E ξr ,r = 1,2,…。这就启发我们想到用子样矩替换母体矩(替换原则),进而找出未知参数的估计,基于这种思想求估计量的方法称为矩法。用矩法求得的估计称为矩法估计,简称矩估计。它是由英国统计学家皮尔逊Pearson 于1894年提出的。 二 矩法估计的理论依据 由辛钦大数定律知: … 即对任意 ,有 或 三 如何求解矩法估计 设母体ξ具有已知类型的概率函数),,,;(21n x f θθθ , (1θ,2θ,…,k θ)∈Θ
是k 个未知参数。1ξ,…,n ξ是取自母体ξ的一个子样,假设ξ的k 阶矩k υ=E ξk 存在,显然j υ,j 第八章 参数估计 第一节 参数的点估计 在研究总体X 的性质时,如果知道总体X 的概率分布,那是再好不过了。然而,在许多情况下,对总体的情况知道甚少或只知道部分信息。 在实际问题中遇到的许多总体,根据以往的经验和理论分析可以知道总体X 的分布函数的形式,但分布中的一个或几个参数未知,一旦这些参数确定以后,总体X 的概率分布就完全确定了。例如,总体),(~2σμN X ,但不知道其中参数μ和2 σ的具体数值,我们要想法确定参数2 ,μσ 。 为了寻求总体的这些参数的值,我们可对总体进行调查,很自然的会想到用从总体X 中抽取得的样本值n x x x ,,,21???,对总体中的未知参数作 出来估计,这类问题就是参数估计。 参数估计主要有参数的点估计和参数的区间估计。 设总体X 的分布函数(;)F x θ形式已知,其中θ是未知参数(也可以是未知向量12(,,,)m θθθθ=???)。 现从总体X 中抽得一个样本n X X X ,,,21???, 相应的一个样本值观察值为 n x x x ,,,21???; 点估计的问题就是要构造一个 适当的统计量12?(,,,)n X X X θ???,用它的观察值12?(,,,)n x x x θ???来估计未知参数θ。 统计量12?(,,,)n X X X θ???称为θ的估计量,12?(,,,)n x x x θ???称为θ的估计值。 在不致混淆的情况下,估计量与估计值统称为估计,并都简记为?θ。 下面介绍参数点估计的两种方法: 矩估计法和极大似然估计。 一、 矩估计法 矩估计是由英国统计学家Pearson,K.于1900年提出的一种参数估计方法,在统计学中有广泛的应用。 例1 某灯泡厂生产一批灯泡,由于随机因素的影响,每个灯泡的使用寿命是不一样的。由中心极限定理和实际经验知道,灯泡的使用寿命),(~2σμN X ,但不知道其中参数μ和2σ的具体数值。为了确定该批灯泡的质量,自然要求估计这批灯泡的平均寿命以及寿命的差异程度,即要求估计μ和2σ的值. 为了对参数μ和2σ进行估计, 我们从总体中抽取样本n X X X ,,,21???(对于一次具体的抽取,他就是具体的数值n x x x ,,,21???,在不致引起混淆的情况下,今后也用n x x x ,,,21???表示随机变量),根据样本矩在一定程度上 第八章 参数估计 第一节 参数的点估计 在研究总体X 的性质时,如果知道总体X 的概率分布,那是再好不过了。然而,在许多情况下,对总体的情况知道甚少或只知道部分信息。 在实际问题中遇到的许多总体,根据以往的经验和理论分析可以知道总体X 的分布函数的形式,但分布中的一个或几个参数未知,一旦这些参数确定以后,总体X 的概率分布就完全确定了。例如,总体),(~2 σμN X ,但不知道其中参数μ和2 σ的具体数值,我们要想法确定 参数2 ,μσ 。 设总体X 的分布函数(;)F x θ形式已知,其中θ是未知参数(也可以是未知向量1 2 (,,,)m θθθθ=???)。 试问怎样由样本n X X X ,,,2 1 ???提供的 信息,建立样本的函数即统计量来 对未知参数作出估计? 这类问题,称为参数的估计问题。 参数估计主要有参数的点估计和参数的区间估计。 现从总体X 中抽得一个样本 n X X X ,,,2 1 ???, 相应的一个样本值观察值为 n x x x ,,,2 1 ???; 点估计的问题就是要构造一个适当的统计量12?(,,,)n X X X θ???,用它的观察值12?(,,,)n x x x θ???来估计未知参数θ。 统计量12?(,,,)n X X X θ???称为θ的估计量,12?(,,,)n x x x θ???称为θ的估计值。 在不致混淆的情况下,估计量与估计值统称为估计,并都简记为?θ。 下面介绍参数点估计的两种方法: 矩估计法和极大似然估计。 一、 矩估计法 矩估计是由英国统计学家Pearson,K.于1900年提出的一种参数估计方法,在统计学中有广泛的应用。 例1 若要考察成人的身高分 布情况。 (人类学、遗传变异学、社会学要用。) 每一个人的身高是一个体,全体人的身高构成一个总体。 由于随机因素的影响,不同人的身高一般是不一样的。 由中心极限定理和实际经验知道,人体身高),(~2 σμN X 。 矩法与极大似然法的合理性及比较分析 矩法与极大似然法的合理性及比较分析摘要:皮尔逊所引入的矩法是较早提出的求参数点估计的方法。我们从辛钦大数定律知道,若总体ξ的数学期望E(ξ)有限,则样本的平均值依概率收敛于E(ξ)。这就启示我们想到,在利用样本所提供的信息来对总体ξ的分布函数中未知参数作估计时,可以用样 本矩作为总体矩的估计。 费希尔引进的极大似然法,从理论观点来看,至今仍然是参数点估计中最重要的方法,以后将会知道,这种估计方法,是利用总体ξ的分布函数F(x;)的表达式及样本所提供 的信息,建立未知参数的估计量()。 极大似然法的想法同矩法一样也是直观的。今举一个通俗的例子:有两位同学一起进行实弹射击,两人共同射击一个目标,事先并不知道谁的技术较好,让每人各打一发,有一人击中目标,那么认为击中目标的同学的技术比击不中的技术较好,显然是合理的。又举一例;有一事件,我们知道它发生大概率p只可能是0.01或0.09,在一次观察中这事件发生了,试问这事件发生的概率是什么?当然人们会认为它发生的概率是0.09而不是0.01。 1、参数估计 1.1、极大似然法 一、基本概念: 求未知参数点估计的一种重要方法。思路是设一随机试验已知有若干个结果A,B,C,…,如果在一次试验中A发生了,则可认为当时的条件最有利于A发生,故应如此选择分布的参数,使发生A的概率最大。 对总体参数的估计分两种——点估计和区间估计。在点估计里,我们介绍两种求估计量的方法:矩估计法和极大似然估计法。从矩估计法公式我们得到,对正态总体N(μ, σ2),未知参数μ的矩估计,σ2的矩估计为sn2;μ, σ2的极大似然估计也分别为x和sn2.一般地,在相当多的情况下,矩估计与极大X,似然估计是一致的,但也确有许多情形,矩估计法和极大似然估计法给出的估计是不同的.谁优谁劣?我们可以用估计量的优劣标准进行评价.除此之外,亦可以根据问题的实际意义进行判定. 二、极大似然思想第八章(第一节矩估计法)
第八章(第一节矩估计法)
矩法与极大似然法的合理性及比较分析