欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

参数估计(二)

程序员文章站 2022-06-26 08:53:32
1.距估计步骤已知α1=E(X)α2=D(X)+[E(X)]2{ \alpha }_{ 1 }=E(X)\\ { \alpha }_{ 2 }=D(X)+{ [E(X)] }^{ 2 }α1​=E(X)α2​=D(X)+[E(X)]2A1=X‾A2=1n∑i=1nXi2{ A }_{ 1 }=\overline{X} \\ { A }_{ 2 }=\frac { 1 }{ n } ......

1.距估计步骤
已知

α1=E(X)α2=D(X)+[E(X)]2{ \alpha }_{ 1 }=E(X)\\ { \alpha }_{ 2 }=D(X)+{ [E(X)] }^{ 2 }
A1=XA2=1ni=1nXi2{ A }_{ 1 }=\overline{X} \\ { A }_{ 2 }=\frac { 1 }{ n } \sum _{ i=1 }^{ n }{ { X }_{ i }^{ 2 } }

例子:求总体均值μ=E(X)\mu=E(X)与方差σ2=D(X){\sigma}^{2}=D(X)的矩估计量

(1)列出总体的前m阶原点矩
α1=E(X)=μ{\alpha}_{1}=E(X)=\mu
α2=E(X2)=D(X)+[E(X)]2=σ2+μ2{\alpha}_{2}=E({X}^{2})=D(X)+{ [E(X)] }^{ 2 }={ \sigma }^{ 2 } + { \mu }^{ 2 }
(2)把需要求的参数用总体距表示出来:
μ=α1\mu={\alpha}_{1}
σ2=α2α12{ \sigma }^{ 2 }={\alpha}_{2}-{{\alpha}_{1}}^{2}
(3)用样本的各阶原点矩代替总体原点矩
μ^=A1=Xˉσ^2=A2A12=1ni=1nXi2Xˉ2=S2\hat { \mu } ={ A }_{ 1 }=\bar { X } \\ { \hat { \sigma } }^{ 2 }={ A }_{ 2 }-{ { A }_{ 1 } }^{ 2 }=\frac { 1 }{ n } \sum _{ i=1 }^{ n }{ { X }_{ i }^{ 2 } }-{ \bar { X } }^{ 2 }={ S }^{ *2 }

当给出概率密度函数的时候
总体的均值=[x*(概率密度函数)]的积分

离散型的
总体的均值=(各点值✖️各点概率)相加

2.极大似然估计步骤
离散型
各个实验结果对应的概率相乘即为似然函数
连续型

(1)写出似然函数
L(θ)={i=1nf(xi;θ1,θ2,...,θm),i=1nP(Xi=xi;θ1,θ2,...,θm),L(\theta )=\begin{cases} \prod _{ i=1 }^{ n }{ f\left( { x }_{ i };{\theta}_{1},{\theta}_{2},...,{\theta}_{m} \right) } ,连续总体 \\ \prod _{ i=1 }^{ n }{ P\left( { { X }_{ i }=x }_{ i };{\theta}_{1},{\theta}_{2},...,{\theta}_{m} \right) ,离散总体 } \end{cases}
(2)对似然函数取对数
lnL(θ)={i=1nlnf(xi;θ1,θ2,...,θm),i=1nlnP(Xi=xi;θ1,θ2,...,θm),lnL(\theta )=\begin{cases} \prod _{ i=1 }^{ n }{ lnf\left( { x }_{ i };{\theta}_{1},{\theta}_{2},...,{\theta}_{m} \right) } ,连续总体 \\ \prod _{ i=1 }^{ n }{ lnP\left( { { X }_{ i }=x }_{ i };{\theta}_{1},{\theta}_{2},...,{\theta}_{m} \right) ,离散总体 } \end{cases}
(3)建立似然方程,对m个θ\theta求偏导
lnL(θ1,θ2,...,θm)θj=0,j=1,..,m\frac { \partial lnL({\theta}_{1},{\theta}_{2},...,{\theta}_{m}) }{ \partial { \theta }_{ j } } =0,j=1,..,m
(4)解出似然方程,求出最大的θ\theta,若不可微分,用其他方法.

鉴定估计的标准

无偏性
样本k阶原点距是总体k阶原点矩的无偏估计吗

E(Ak)=1ni=1nXik=E(Xik)=E(Xk)=αkE({ A }_{ k })=\frac { 1 }{ n } \sum _{ i=1 }^{ n }{ { X }_{ i }^{ k } } =E({ X }_{ i }^{ k })=E({ X }^{ k })={ \alpha }_{ k }

有效性

比较无偏性后,比较方差,
1.先算出两个估计量的方差

相合性
有效估计的均方误差准则

区间估计公式

(1)μ\mu的区间估计

(Xˉσnμα2,Xˉ+σnμα2)(\bar { X } -\frac { \sigma }{ \sqrt { n } } { \mu }_{ \frac { \alpha }{ 2 } },\bar { X } +\frac { \sigma }{ \sqrt { n } } { \mu }_{ \frac { \alpha }{ 2 } })

σ2μ{\sigma}^{2}未知时\mu的区间估计

(XˉSntα2(n1),Xˉ+Sntα2(n1))(\bar { X } -\frac { { S }^{ * } }{ \sqrt { n } } { t }_{ \frac { \alpha }{ 2 } }(n-1),\bar { X } +\frac { { S }^{ * } }{ \sqrt { n } } { t }_{ \frac { \alpha }{ 2 } }(n-1))

σ2{\sigma}^{2}的区间估计

((n1)S2χα22(n1),(n1)S2χ1α22(n1))(\frac { (n-1){ { S }^{ * } }^{ 2 } }{ { \chi }_{ \frac { \alpha }{ 2 } }^{ 2 }(n-1) } ,\frac { (n-1){ { S }^{ * } }^{ 2 } }{ { \chi }_{ 1-\frac { \alpha }{ 2 } }^{ 2 }(n-1) } )

(2)μ1μ2{\mu}_{1}-{\mu}_{2}的区间估计

{(XˉYˉ)μα2σ12n1+σ22n2}\left\{ (\bar { X } -\bar { Y } )\mp { \mu }_{ \frac { \alpha }{ 2 } }\sqrt { \frac { { \sigma }_{ 1 }^{ 2 } }{ { n }_{ 1 } } +\frac { { \sigma }_{ 2 }^{ 2 } }{ { n }_{ 2 } } } \right\}

σ12=σ22=σ2σ2{ \sigma }_{ 1 }^{ 2 }={ \sigma }_{ 2 }^{ 2 }={ \sigma }^{ 2 }但{ \sigma }^{ 2 }未知

{(XˉYˉ)tα2(n1+n22)Sw1n1+1n2}\left\{ (\bar { X } -\bar { Y } )\mp { t }_{ \frac { \alpha }{ 2 } }({ n }_{ 1 }+{ n }_{ 2 }-2){ S }_{ w }\sqrt { \frac { 1 }{ { n }_{ 1 } } +\frac { 1 }{ { n }_{ 2 } } } \right\}
其中Sw=(n11)S1n12+(n21)S22n2n1+n22{ S }_{ w }=\sqrt { \frac { ({ n }_{ 1 }-1){ { S }_{ 1 }^{ * } }_{ { n }_{ 1 } }^{ 2 }+({ n }_{ 2 }-1){ { S }_{ 2 }^{ *2 } }_{ { n }_{ 2 } } }{ { n }_{ 1 }+{ n }_{ 2 }-2 } }

σ12σ22,n1=n2=n{ \sigma }_{ 1 }^{ 2 }和{ \sigma }_{ 2 }^{ 2 }均未知,但{n}_{1}={n}_{2}=n

{ZˉSZntα2(n1),Zˉ+SZntα2(n1)}\left\{ \bar { Z } -\frac { { S }_{ Z }^{ * } }{ \sqrt { n } } { t }_{ \frac { \alpha }{ 2 } }(n-1),\bar { Z } +\frac { { S }_{ Z }^{ * } }{ \sqrt { n } } { t }_{ \frac { \alpha }{ 2 } }(n-1) \right\}
其中Zˉ=XˉYˉ,SZ=1n1i=1n(ZiZˉ)2\bar { Z } =\bar { X } -\bar { Y },{ S }_{ Z }^{ * }=\sqrt { \frac { 1 }{ n-1 } \sum _{ i=1 }^{ n }{ { ({ Z }_{ i }-\bar { Z } ) }^{ 2 } } }

σ12/σ22{ \sigma }_{ 1 }^{ 2 }/{ \sigma }_{ 2 }^{ 2 }的区间估计

{F1α2(n21,n11)S1n12S2n22,Fα2(n21,n11)S1n12S2n22}\left\{ { F }_{ 1-\frac { \alpha }{ 2 } }({ n }_{ 2 }-1,{ n }_{ 1 }-1)\frac { { { S }_{ 1 }^{ * } }_{ { n }_{ 1 } }^{ 2 } }{ { { S }_{ 2 }^{ * } }_{ { n }_{ 2 } }^{ 2 } } ,{ F }_{ \frac { \alpha }{ 2 } }({ n }_{ 2 }-1,{ n }_{ 1 }-1)\frac { { { S }_{ 1 }^{ * } }_{ { n }_{ 1 } }^{ 2 } }{ { { S }_{ 2 }^{ * } }_{ { n }_{ 2 } }^{ 2 } } \right\}

非正态总体的区间估计

指数分布λ的区间估计

{χ1α22(2n)2nXˉ,χα22(2n)2nXˉ}\left\{ \frac { { \chi }_{ 1-\frac { \alpha }{ 2 } }^{ 2 }(2n) }{ 2n\bar { X } } ,\frac { { \chi }_{ \frac { \alpha }{ 2 } }^{ 2 }(2n) }{ 2n\bar { X } } \right\}

0-1分布的p区间估计

{12a(bb24ac),12a(b+b24ac)}\left\{ \frac { 1 }{ 2a } (b-\sqrt { { b }^{ 2 }-4ac } ),\frac { 1 }{ 2a } (b+\sqrt { { b }^{ 2 }-4ac } ) \right\}

单侧区间估计

μ\mu的具有单侧置信区间下限的区间估计

(XˉSntα(n1),+)(\bar { X } -\frac { { S }^{ * } }{ \sqrt { n } } { t }_{ \alpha }(n-1),+\infty )

μ\mu的具有单侧置信区间上限的区间估计

(,Xˉ+Sntα(n1))(-\infty,\bar { X } +\frac { { S }^{ * } }{ \sqrt { n } } { t }_{ \alpha }(n-1))

本文地址:https://blog.csdn.net/qq_34671967/article/details/85907464