概率统计导引课件7-5大样本两点参数估计

合集下载

概率论与数理统计第7章参数估计PPT课件

概率论与数理统计第7章参数估计PPT课件
5
a1(1, ,k )=v1
1 f1(v1, ,vk )
假定方程组a2(1, ,k ) v2 ,则可求出2 f2(v1, ,vk )
ak (1, ,k ) vk
k fk (v1, ,vk )
则x1 xn为X的样本值时,可用样本值的j阶原点矩Aj估计vj,其中
Aj
1 n
n i1
xij ( j
L(x1, ,xn;ˆ)maxL(x1, ,xn;),则称ˆ(x1, ,xn)为
的一种参数估计方法 .
它首先是由德国数学家
高斯在1821年提出的 ,然而, 这个方法常归功于英国统
Gauss
计学家费歇(Fisher) . 费歇在1922年重新发现了
这一方法,并首先研究了这
种方法的一些性质 .
Fisher
10
极大似然估计是在已知总体分布形式的情形下的 点估计。
极大似然估计的基本思路:根据样本的具体情况
注:估计量为样本的函数,样本不同,估计量不 同。
常用估计量构造法:矩估计法、极大似然估计法。
4
7.1.1 矩估计法
矩估计法是通过参数与总体矩的关系,解出参数, 并用样本矩替代总体矩而得到的参数估计方法。 (由大数定理可知样本矩依概率收敛于总体矩, 且许多分布所含参数都是矩的函数)
下面我们考虑总体为连续型随机变量的情况:
n
它是的函数,记为L(x1, , xn; ) f (xi , ), i 1
并称其为似然函数,记为L( )。
注:似然函数的概念并不仅限于连续随机变量 ,
对于离散型随机变量,用 P {Xx}p(x,)
替代f ( x, )
即可。
14
设总体X的分布形式已知,且只含一个未知参数,

概率论与数理统计完整课件第七章参数估计PPT课件

概率论与数理统计完整课件第七章参数估计PPT课件

n
L(1,2,,k ) L(x1, x2,, xk ;1,2,,k ) f (xi ;1,2,,k ) i 1
将其取对数,然后对1,2 ,,k 求偏导数,得
ln L(1, 2 ,, k ) 0 1
ln L(1, 2 ,, k ) 0 k
该 方 程 组 的 解 ˆi ˆi (x1, x2,, xn),i 1,2,,k ,即 为 i 的 极
§1 参数的点估计
设总体 X 的分布函数 F(x;) 形式已知,其中θ 是待估计的参数,点估计问题就是利用样本 (X1, X 2,, X n ) ,构造一个统计量ˆ ˆ(X1, X2,, Xn) 来估 计θ,我们称ˆ(X1, X2,, Xn )为θ的点估计量,它是 一个随机变量。将样本观测值 (x1, x2 ,, xn ) 代入估计 量 ˆ(X1, X2,, Xn ) , 就 得 到 它 的 一 个 具 体 数 值 ˆ(x1, x2,, xn ) ,这个数值称为θ的点估计值.
如果样本中白球数为0,则应估计p=1/4,而不估计 p=3/4.因为具有X=0的样本来自p=1/4的总体的 可能性比来自p=3/4的总体的可能性要大.一般当 X=0,1时,应估计p=1/4;而当X=2,3时,应估计 p=3/4.
第10页/共71页
定义:设总体 X 的分布类型已知,但含有未知参数θ. (1)设离散型总体 X 的概率分布律为 p(x; ) ,则样本 (X1, X2,, Xn ) 的联合分布律
~~ 2n1nLeabharlann ini1n1x(i xix
x
)
2
由微积分知识易验证以上所求为μ与σ2的极大似然 估计.
第21页/共71页
• 例:设总体X具有均匀分布,其概率密度函数为
p(x;)

概率统计7章ppt课件

概率统计7章ppt课件

1 , a x b, f ( x; a, b) b a others. 0,,
1/(b a) n , a xi b, 似然函数 L(a, b) 0, others.
则要使得
取最大值
所以,最大似然估计量为
注:特殊的似然函数通过求导得不到其最大, 需要从函数本身入手。
记为
—— 样本的似然函数
满足条件: 为θ的最大似然估计值; 为θ的最大似然估计量;
具体算法:

例1 设x1,x2,…,xn是取自总体 X~b(1, p) 的一个 样本值,求参数p的最大似然估计值。 解
1 x
P{ X x} p (1 p)
x
, x 0,1
1 xi
似然函数为: L( p)
ln L( ) n ln xi
i 1
n
n n d ln L( ) 令 0 xi 0 i 1 d
1 ˆ 所以 . x
例4
设 x1, x2, …, xn 是取自总体 X 的一个样本值,
2 2
X ~ N ( , ) ,求参数 , 的最大似然估计值。
都是参数的无偏估计。

E( X ) E( X )
2
E ( S 2 ) D( X )
2
E ( X (1 ) S ) E ( X ) (1 ) E ( S )
(1 )
所以都是参数的无偏估计。
一个未知数可以有不同的无偏估计量。
2 ˆ a A1 3( A2 A1 ) 2 ˆ b A1 3( A2 A1 ) n 1 A1 X i X n i 1 n 1 2 A2 X i n i 1

第7章 参数估计—概率课件PPT

第7章 参数估计—概率课件PPT

X的密度为:
f
x
x 1
0
0 x 1 其他
lnL
n 2
ln

dlnL
d
n 2
1
2
1
1
n
ln xi
ni 1
ln xi
i 1
0
即:
n
n
ln xi
i 1
的极大似然估计量为:ˆ
n
n2
2
lnX
i
10
i1
例4:设总体X的概率密度为:f x 1 ex
x
,
0
其它
其中 0, , 是未知常量, X1, , X n 为X的样本,
故 X1 min X1, X 2 ,
, Xn,
又lnL nln
1
n
Xi
i 1
ˆ
令 dlnL d
n
1
2
n i 1
X i X 1
0
ˆ X X1
12
例5:设总体X 服从0, 上的均匀分布, 0未知,
试由样本 x1, x2, , xn求出的极大似然估计和矩估计。
解:1 极大似然估计
5
例2:设总体X的密度为:
f
x
x 1
0
0 x 1 0为未知参数,
其他
X1,
X

2
,
X n 为取自X的样本,求的矩估计。
解:E X xf x dx 1 x dx
0
1
令E X X
X 1
2
ˆ X
1 X
6
二.极大似然估计法
极大似然估计的原理介绍
X1, X 2, , X n 是取自X的一个样本,试求, 2的矩估计。

统计学第七章-参数估计-PPT

统计学第七章-参数估计-PPT
(例题分析)
解:已知X~N(,102),n=25, 1- = 95%,z/2=1.96。根
据样本数据计算得:x 105.36
总体均值在1-置信水平下的置信区间为
x z 2
n
105.36 1.96
10 25
105.36 3.92
101.44,109.28
该食品平均重量的置信区间为101.44g~109.28g
The two confidence intervals that are used extensively are the 95% and the 90%.
常用的置信水平及Z值为: Z=1.96
Z=1.65
Interpretation of Confidence Intervals
For a 95% confidence interval about 95% of the similarly constructed intervals will contain the parameter being estimated.
n
36
39.5 2.13
37.37,41.63
投保人平均年龄的置信区间为37.37岁~41.63岁
总体均值的区间估计
(正态总体、 未知、小样本)
总体均值的区间估计
(小样本)
1.假定条件
– 总体服从正态分布,且方差(2) 未知
– 小样本 (n < 30)
2. 使用 t 分布统计量
t x ~ t(n 1)
t (df = 5)
z
t
不同自由度的t分布
t 值表
横坐标:自由度, df 纵坐标:概率, p, 即曲线下阴影部分的面积; 表中的数字:相应的 |t | 界值。

概率论与数理统计课件第7章参数估计

概率论与数理统计课件第7章参数估计

一、矩估计
4
A B
一、矩估计 例1
5
01
OPTION
02
OPTION
一、矩估计 解
6
一、矩估计
7
一、矩估计
8
解(1)
一、矩估计
9
解(2)
一、矩估计 例3
10
一、矩估计 解
11
一、矩估计
12
关于矩估计量有下列结论:
一、矩估计
13
例4

一、矩估计
14
01
OPTION
02
OPTION
一、无偏性 定义1
51
ˆ lim E θ 如果 n+ X1 ,
, X n θ
一、无偏性
52
例1
试求 1 3 2

(1)由矩估计定义可知
一、无偏性
53

一、无偏性
54
一、无偏性 例2
55
一、无偏性
56

一、无偏性 定理 1
57
则有
因此, 样本均值是总体均值的无偏估计, 样本
二、极大似然估计
48
极大似然估计求解
似然函数 对数似然求导法
直接法
49
目录/Contents
7.1 7.2
点估计 点估计的优良性评判标 准 置信区间 单正态总体下未知参数的置信区间 两个正态总体下未知参数的置信区间
7.3
7.4 7.5
50
目录/Contents
7.2
点估计的优良性评判标准 一、无偏性 二、有效性 三、相合性
置信区间
69
置信区间
70
置信区间

7-5概率统计经典讲义

7-5概率统计经典讲义

1-2的置信水平为1- 的置信区间是:
2 12 2 X Y z , n1 n2 2
X Y z
2
12
n1

2 2
n2
1=2.18, 2=1.76, n1=200, n2=100, =0.05
x 5.32 , y 5.76, 查表得 z0.025=1.96
x 10.05, s 0.2415, 的置信区间为 0.2415 0.2415 2.2622 , 10.05 2.2622 10.05 10 10 即 [9.87, 10.22]
n=10, =0.05, S2=0.0583, 查表得:
92 (0.025) 19.023, 92 (0.975) 2.70

当然这样的判定方案不是不可能犯错 误.但是统计上还是公认这种判定方案很好, 通常都使用它.下一章我们继续讨论.
例2(续) 比较甲乙两种棉纱的强度是否有差异. 解: 问题可以归结为判定假设: 1=2,即1-2 = 0 是否成立的问题. ∵0[-0.899,0.019],∴我们判定如下: 1=2成立 即甲乙两种棉纱的强度没有显著差异.
∴1-2的置信水平为0.95的置信区间是:
[-0.899, 0.019]
1. 两个总体均值差的置信区间 (2) σ12=σ22= σ2,但σ2未知
统计量:
( X Y ) ( 1 2 ) S (1 / n1 ) (1 / n2 ) ~ t ( n1 n2 2)
置信区间确定:
通常认为小概率事件在一次试验中几 乎是不会发生的.


让我们来做一次抽样 ,然后把样本值 代入,算出[ 1 , 2 ]

概率论与数理统计第七章参数估计演示文档

概率论与数理统计第七章参数估计演示文档

概率论与数理统计第七章参数估计演示文档参数估计是概率论与数理统计中的重要内容之一,是通过样本数据来推断总体参数的方法。

在实际应用中,参数估计广泛应用于市场调查、医学研究、经济预测等领域。

本文将以一些常用的参数估计方法为例,进行演示说明。

首先,我们介绍最常见的点估计方法,矩估计。

矩估计是通过样本矩来估计总体矩。

以正态分布的均值和方差为例,假设我们有一个样本数据集,通过计算样本均值和样本方差,可以分别得到正态分布的均值和方差的矩估计值。

接下来我们介绍第二种常见的点估计方法,最大似然估计。

最大似然估计是通过找到使得观察到的样本数据出现的概率最大的参数值。

以二项分布的成功概率为例,假设我们有一组二项分布的观察数据,通过计算二项分布的似然函数,并求导得到其极大值点,可以得到二项分布的成功概率的最大似然估计值。

此外,假设检验是参数估计的重要应用。

在进行参数估计时,我们常常需要进行假设检验来判断参数估计是否具有统计意义。

以均值的假设检验为例,假设我们有两组样本数据,通过计算样本均值和样本方差,可以得到均值的矩估计值。

然后,我们可以利用假设检验的方法,比较这两个样本的均值,从而判断两个样本是否具有统计意义上的差异。

最后,我们介绍一种常用的参数区间估计方法,置信区间估计。

置信区间估计是通过样本数据得到一个区间,该区间内的参数值有一定的置信度。

以总体均值的置信区间估计为例,假设我们有一组样本数据,通过计算样本均值和样本标准差,可以得到总体均值的点估计值。

然后,我们可以利用参数估计的理论知识,计算得到总体均值的置信区间,从而对总体均值进行估计。

综上所述,参数估计是概率论与数理统计中的重要内容,应用广泛。

通过点估计方法可以从样本数据中推断总体参数的值,通过假设检验可以判断参数估计的统计意义,通过置信区间估计可以得到参数值的置信区间。

这些参数估计方法为我们提供了在实际问题中进行估计和推断的依据,使我们能够更好地理解和分析数据。

  1. 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。

第五节大样本区间估计
一、两点分布大样本区间估计
二、例题选讲
一、两点分布大样本区间估计
置信区间是

的置信度为

为未知参数
其中
的分布律为
的总体
分布
它来自
的大样本
设有一容量
α
-=
-
=
-
>
-
1
,
,1,0
,
)
1(
)
;
(
,
)1
0(
,
50
1
p
p
x
p
p
p
x
f
X
X
n
x
x
,
2
4
,
2
42
2





⎛-
+
-
-
-
-
a
ac
b
b
a
ac
b
b
,
2
2/
α
z
n
a+
=
其中),
2(2
2/
α
z
X
n
b+
-
=.2
X
n
c=
推导过程如下:
因为(0–1)分布的均值和方差分别为
),
1(,2
p p p -==σμ , ,,, 21是一个样本设n X X X 因为容量n 较大,
由中心极限定理知
)
1()1(1
p np np X n p np np X n
i i --=--∑=
, )1,0( 分布近似地服从N ,
1)1(2/2/ααα-≈⎭
⎬⎫⎩⎨⎧<--<-z p np np
X n z P
2/
2/)
1(α
α
z
p
np
np
X
n
z<
-
-
<
-
不等式
,0
)
2(
)
(2
2
2/
2
2
2/
<
+
+
-
+X
n
p
z
X
n
p
z
n
α
α
等价于
,
2
4
,
2
42
2
2
1a
ac
b
b
p
a
ac
b
b
p
-
+
-
=
-
-
-
=

,
2
2/
α
z
n
a+
=
其中),
2(2
2/
α
z
X
n
b+
-
=.2
X
n
c=
的置信区间是的近似置信水平为
则α
-
1
p
).
,
(
2
1
p
p
设从一大批产品的100个样品中, 得一级品60个, 求这批产品的一级品率 p 的置信水平为0.95的置信区间.
解 一级品率 p 是(0-1)分布的参数,
,100=n ,6.0100
60
==x ,95.01=-α,
96.1025.02/==z z α,
84.103 2
=+=z n a 则例1 ,24,2422⎪⎪⎭⎫
⎝⎛-+----a ac b b a ac b b , 22/αz n a +=其中),2(2
2/αz X n b +-=.
2X n c =置信区间 二、例题选讲
)2(2
2/αz X n b +-=)2(2
2/αz x n +-=,84.123-=2
2x n X n c ==,
36=a
ac
b b p 242
1---=
于是a
ac b b p 2422-+-=,50.0=,
69.0=p 的置信水平为0.95的置信区间为 ).
69.0,50.0(2
/2 103.84,
a n z α=+=
设从一大批产品的120个样品中, 得次品9个, 求这批产品的次品率p 的置信水平为0.90的置信区间.
解,
120
=
n,
09
.0
100
9
=
=
x,
90
.0
1=

例2
2
2
α
z
n
a+
=
则,
71
.
122
=
)
2(2
2
α
z
X
n
b+
-
=)
2(2
2
α
z
x n+
-
=,
31
.
24
-
=
2
X
n
c-
=2x n
-
=,
972
.0
=
p 的置信水平为0.90的置信区间为).
143
.0,
056
.0(
a
ac
b
b
p
2
4
2
1
-
-
-
=
于是,
056
.0
=
a
ac
b
b
p
2
4
2
2
-
+
-
=,
143
.0
=。

相关文档
最新文档