常用概率分布的最大似然估计与矩估计及优良性比较
一、点估计、最大似然估计与矩估计
总体的定义是某一个问题的研究对象的全体。总体的每个成员称为个体。从总体中随机抽查一个个体,这个个体的某个数量指标X是一个随机变量。这样,对总体的某个数量指标的研究就转变到了对随机变量X的分布和数字特征的研究。
设T是一个n元函数,则样本
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
X_1,X_2,X_3,...,X_n
X1,X2,X3,...,Xn的函数
T
(
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
)
T(X_1,X_2,X_3,...,X_n)
T(X1,X2,X3,...,Xn)也是随机变量,称为统计量。统计量的自变量必须都来自样本而不包含任何其他未知的量,特别是总体分布的参数。
如果总体X有某一形式的分布,分布依赖于未知参数
θ
(
θ
=
(
θ
1
,
θ
2
,
θ
3
,
.
.
.
,
θ
n
)
)
\theta(\theta=(\theta_1,\theta_2,\theta_3,...,\theta_n))
θ(θ=(θ1,θ2,θ3,...,θn)),
θ
\theta
θ的取值范围为集合
Θ
\Theta
Θ,则集合
Θ
\Theta
Θ称为参数空间。
如果取统计量
θ
^
=
θ
^
(
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
)
\hat{\theta}=\hat{\theta}(X_1,X_2,X_3,...,X_n)
θ^=θ^(X1,X2,X3,...,Xn)或它的值
θ
^
=
θ
^
(
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
)
\hat{\theta}=\hat{\theta}(x_1,x_2,x_3,...,x_n)
θ^=θ^(x1,x2,x3,...,xn)作为未知参数
θ
\theta
θ的估计,则称
θ
^
=
θ
^
(
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
)
\hat{\theta}=\hat{\theta}(X_1,X_2,X_3,...,X_n)
θ^=θ^(X1,X2,X3,...,Xn)是
θ
\theta
θ的估计量,
θ
^
=
θ
^
(
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
)
\hat{\theta}=\hat{\theta}(x_1,x_2,x_3,...,x_n)
θ^=θ^(x1,x2,x3,...,xn)是
θ
\theta
θ的估计值。
设
总
体
X
的
密
度
函
数
或
概
率
质
量
函
数
为
p
(
x
;
θ
)
,
θ
∈
Θ
为
未
知
参
数
,
设总体X的密度函数或概率质量函数为p(x;\theta),\theta \in \Theta 为未知参数,
设总体X的密度函数或概率质量函数为p(x;θ),θ∈Θ为未知参数,
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
为
来
自
总
体
的
样
本
,
其
观
察
值
为
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
X_1,X_2,X_3,...,X_n为来自总体的样本,其观察值为x_1,x_2,x_3,...,x_n
X1,X2,X3,...,Xn为来自总体的样本,其观察值为x1,x2,x3,...,xn
令
L
=
L
(
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
;
θ
)
=
∏
i
=
1
n
p
(
x
i
,
θ
)
令L=L(x_1,x_2,x_3,...,x_n;\theta)=\prod_{i=1}^{n}p(x_i,\theta)
令L=L(x1,x2,x3,...,xn;θ)=i=1∏np(xi,θ)
当
θ
固
定
时
,
作
为
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
的
函
数
,
L
就
是
随
机
向
量
(
X
1
,
X
2
,
X
3
,
.
.
.
,
X
n
)
的
密
度
函
数
当\theta固定时,作为x_1,x_2,x_3,...,x_n的函数,L就是随机向量(X_1,X_2,X_3,...,X_n)的密度函数
当θ固定时,作为x1,x2,x3,...,xn的函数,L就是随机向量(X1,X2,X3,...,Xn)的密度函数
当
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
固
定
时
,
作
为
θ
的
函
数
,
称
L
为
(
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
)
的
似
然
函
数
当x_1,x_2,x_3,...,x_n固定时,作为\theta的函数,称L为(x_1,x_2,x_3,...,x_n)的似然函数
当x1,x2,x3,...,xn固定时,作为θ的函数,称L为(x1,x2,x3,...,xn)的似然函数
如
果
似
然
函
数
L
=
L
(
x
1
,
x
2
,
x
3
,
.
.
.
,
x
n
;
θ
)
在
θ
=
θ
^
达
到
最
大
值
,
则
称
θ
^
是
参
数
θ
的
最
大
似
然
估
计
如果似然函数L=L(x_1,x_2,x_3,...,x_n;\theta)在\theta=\hat{\theta}达到最大值,则称\hat{\theta}是参数\theta的最大似然估计
如果似然函数L=L(x1,x2,x3,...,xn;θ)在θ=θ^达到最大值,则称θ^是参数θ的最大似然估计
而将随机变量X的总体矩表示为其分布参数的函数,再将参数表示为总体矩的函数,最后用样本矩代替这个函数中的总体矩而得到参数的估计,这样的点估计称为矩估计