大二下：概率论与数理统计复习 6.参数估计之基础概念

大二下：概率论与数理统计复习 导航页：https://blog.csdn.net/COCO56/article/details/100152856

1. 点估计的概念

点估计是指用样本参数来估计总体参数。用样本构造一个统计量作为总体未知参数的估计，这个统计量称为估计量。用样本数据估计总体未知参数所得到的值，称为估计值。用样本数据估计总体未知参数所得到的值，称为估计值。

2. 矩估计法

$用样本距估计总体距，用样本距的函数估计总体距的函数。均值距估计为\hat{\mu }=\overline{X}，方差的距估计为$
$${\hat{\sigma }}^2=\frac{1}{n}\sum _{i=1}^n(X_i-\overline{X}{)}^2$$
$计算参数\theta 矩估计量和估计值的套路：$

1. $求出总体的距\mu =E(X)=g(\theta );$
2. $令\mu =g(\theta )=\overline{X}，反解出估计量方程\hat{\theta }=h(\overline{X});$
3. $将\overline{X}值代入\hat{\theta }=h(\overline{X})算出估计值。$

3. 最大似然估计法

最大似然的思想是：如果一次试验的结果是A发生了，那么有理由相信A发生的概率就是最大的。因此考察参数取什么值时，这个样本出现的可能性最大，就用这个参数取值作为参数的估计值。

3.1. 求离散型总体未知参数的极大似然估计

离散型总体$X$的分布律为 P { X = x } = p ( x , θ ) , θ ∈ Θ P\{X=x\}=p(x,\theta),\theta\in\Theta P{X=x}=p(x,θ),θ∈Θ，其中$\theta$为未知参数，设$x_i,x_2,...,x_n$是一组样本观测值，则求$\theta$的最大似然估计的套路：

1. 计算似然函数
   $$L(\theta )=\prod _{i=1}^{n}p(x_i,\theta );$$
2. 对似然函数取对数得到
   $$\ln L(\theta )=\sum _{i=1}^n\ln p(x_i,\theta );$$
   注：
   $由于\ln L是单调递增函数，L取最大与\ln L取最大取到的\theta 是一致的，而加对数后能把连乘转换成累加，这样求导，找极值比较方便！$
3. $对\theta 求导，并令\frac{d}{d\theta }\ln L(\theta )\widehat{=}0，解出最大似然估计\hat{\theta }.$

3.2. 求连续型总体未知参数的极大似然估计

连续型总体$X$的概率密度为$f(x,\theta ),\theta \in \Theta$，其中$\theta$为未知参数，设$x_1,x_2,...,x_n$是一组样本观测值，则求$\theta$的最大似然估计的套路：

1. $计算似然函数$
   $$L(\theta )=\prod _{i=1}^{n}f(x_i,\theta );$$
2. $对似然函数取对数得到$
   $$\ln L(\theta )=\sum _{i=1}^n\ln f(x_i,\theta );$$
3. $对\theta 求导，并令\frac{d}{d\theta }\ln L(\theta )=0,解出最大似然估计\hat{\theta }.$

4. 无偏估计量

$如果E(\hat{\theta })=\theta ，则称\hat{\theta }为\theta 的无偏估计量。$

5. 考点分布

1. 理解参数的点估计、估计量与估计值的概念
2. 掌握矩估计法和最大似然估计法.
3. 会验证估计量的无偏性.