1. 点估计定义
-
点估计定义
设 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn 是来自总体的一个样本,用于估计位置参数 θ \theta θ的统计量 θ ^ = θ ^ ( x 1 , x 2 , ⋯ , x n ) \hat{\theta}=\hat{\theta}(x_1,x_2,\cdots,x_n) θ^=θ^(x1,x2,⋯,xn)称为 θ \theta θ的估计量,或称为 θ \theta θ的点估计,简称估计
-
构造估计量的方式有很多,常用的有矩估计法和最大似然估计法
2. 矩估计法
-
矩估计法简单点的说,就是用样本的矩,替换(估计)总体的矩。
记总体 k k k阶原点矩为 μ k = E ( X k ) \mu_k=E(X^k) μk=E(Xk)
样本 k k k阶原点矩为 A k = 1 n ∑ i = 1 n ( X i k ) A_k=\frac{1}{n}\sum\limits_{i=1}^n (X_i^k) Ak=n1i=1∑n(Xik)
记总体 k k k阶中心矩为 v k = E [ ( X − E ( X ) ) k ] v_k=E[(X-E(X))^k] vk=E[(X−E(X))k]
样本 k k k阶中心矩为 B k = 1 n ∑ i = 1 n ( X i − X ‾ ) k B_k=\frac{1}{n}\sum\limits_{i=1}^n (X_i-\overline{X})^k Bk=n1i=1∑n(Xi−X)k
3. 通过例题理解矩估计法
-
例1,设总体 X X X的均值 μ \mu μ和方差 σ 2 \sigma^2 σ2都存在,且有 σ 2 > 0 \sigma^2>0 σ2>0,但 μ , σ 2 \mu,\sigma^2 μ,σ2均为未知,又设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 为来自 X X X的样本,试求 μ , σ 2 \mu,\sigma^2 μ,σ2的矩估计量。
解:
样本的一阶矩 为 X ‾ \overline{X} X ,总体的一阶矩为 E ( X ) = μ E(X)=\mu E(X)=μ
因此有 μ ^ = X ‾ \hat{\mu} = \overline{X} μ^=X
样本的二阶矩为 A 2 = 1 n ∑ i = 1 n X i 2 A_2=\frac{1}{n}\sum\limits_{i=1}^n X_i^2 A2=n1i=1∑nXi2 ,总体的一阶矩为 E ( X 2 ) E(X^2) E(X2)
则有 E ( X 2 ) = 1 n ∑ i = 1 n X i 2 E(X^2)=\frac{1}{n}\sum\limits_{i=1}^n X_i^2 E(X2)=n1i=1∑nXi2
由于 D ( X ) = E ( X 2 ) − ( E X ) 2 D(X)=E(X^2)-(EX)^2 D(X)=E(X2)−(EX)2
因此有
σ 2 ^ = 1 n ∑ i = 1 n X i 2 − X ‾ 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 \begin{aligned}\hat{\sigma^2} &= \frac{1}{n}\sum\limits_{i=1}^n X_i^2 - \overline{X}^2 \\&= \frac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2 \end{aligned} σ2^=n1i=1∑nXi2−X2=n1i=1∑n(Xi−X)2
-
例2,设离散型随机变量 X X X ,其分布律如下
X 1 2 3 P θ 2 2 θ ( 1 − θ ) ( 1 − θ ) 2 \begin{array}{c|lc} X & 1 & 2 &3 \\ \hline P & \theta^2 & 2\theta(1-\theta) & (1-\theta)^2 \end{array} XP1θ222θ(1−θ)3(1−θ)2
从 X X X中取得样本 1 , 2 , 1 {1,2,1} 1,2,1 ,求 θ \theta θ的矩估计量
解:样本一阶矩 A 1 = 1 3 ( 1 + 2 + 1 ) = 3 4 A_1 = \frac{1}{3}(1+2+1) = \frac{3}{4} A1=31(1+2+1)=43
总体一阶矩 μ 1 = 1 ∗ θ 2 + 2 ∗ 2 θ ( 1 − θ ) + 3 ( 1 − θ ) 3 \mu_1 = 1*\theta^2+2*2\theta(1-\theta)+3(1-\theta)^3 μ1=1∗θ2+2∗2θ(1−θ)+3(1−θ)3
令 μ 1 = A 1 \mu_1 =A_1 μ1=A1 ,很容易解出 θ ^ = 5 6 \hat {\theta}= \frac{5}{6} θ^=65
4. 矩估计优缺点
- 优点
- 矩估计法原理简单、使用方便,使用时可以不知总体的分布,而且具有一定的优良性质
- 样本数量足够大时,矩估计的优势也就越明显
- 缺点
- 当总体类型已知时,没有充分利用分布提供的信息,因此矩估计不一定是理想估计
- 样本数较少时,矩估计的结果将非常糟糕
- 一般场合下,矩估计不具有唯一性(关于这一点,后面我们会介绍估计值的优良性准则)
- 矩估计应用的前提是总体的矩存在