点估计
矩估计法
设总体分布函数为
F(x;θ1,θ2,⋯,θm)
,则它的矩:
依赖于 θ1,θ2,⋯,θm 。另外,由大数定律知,至少在样本容量n较大时, ak 应接近于样本原点矩 Ak 。于是有:
取 k=1,⋯,m ,并让上面的近似式改成等式,就得到方程组:
解此方程组,得其根 θ^i=θ^i(X1,⋯,Xm),i=1,2,⋯,m 。就以 θ^i 作为点 θi 的点估计。
极大似然估计法
定义:设总体
X
的概率函数为
若当 (θ1,⋯,θm)=(θ^1,⋯,θ^m) 时,使得:
则称 (θ^1,⋯,θ^m) 为 (θ1,⋯,θm) 的极大似然估计。由于 θ^i 与样本观察值 (x1,⋯,xn) 有关,故称 θ^i=θ^i(x1,⋯,xn) 为 θi 的极大似然估计值,而称 θ^i=θ^i(X1,⋯,Xn) 为 θi 的极大似然估计量 (i=1,⋯,n) 。
估计量的评选标准
未知参数
θ
与它的估计量
θ^
的接近程度有均方误差
E(θ^−θ)2
来衡量:
所以均方差可以分为两个部分,即估计量的 方差 Dθ^ 和 偏差 [E(θ^)−θ]2 之和。
无偏估计
定义:设
θ^(X1,⋯,Xn)
为未知参数
θ
的估计量,若:
则称 θ^=θ^(X1,⋯,Xn) 是 θ 的 无偏估计量。
若
θ^n=θ^n(X1,⋯,Xn),(n=1,2,⋯)
为未知参数
θ
的一列估计量,若:
则称 θ^n(X1,⋯,Xn) 是 θ 的 渐近无偏估计量。
有效估计
定义:设
θ^1=θ^1(X1,⋯,Xn)
与
θ^2=θ^2(X1,⋯,Xn)
都是未知参数
θ
的无偏估计量,若:
则称 θ^1 较 θ^2 有效。
设 θ^1 是 θ 的一个无偏估计量,若对 θ 的任意无偏估计量 θ^2 都有:
则称 θ^1 是 θ 的最小方差无偏估计量。
罗——克拉美(Rao-Cramer)不等式:
上述不等式的右端便是方差的下界。若 θ 的无偏估计量 θ^ 的方差 D(θ^) 正好等于它的下界 1/[nI(θ)] ,则称 θ^ 为 θ 的 有效估计量(最有效估计量)。
若 θ 的无偏估计量 θ^ 满足:
则称 θ^ 为 θ 的 渐近有效估计量
相合估计
定义:设
θ^n=θ^n(X1,⋯,Xn)
为总体
X
的未知参数
则称 θ^n 为 θ 的 相合估计量(或 一致性估计量)
区间估计
定义:设样本
X1,⋯,Xn
来自未知参数为
θ
的某总体,若事先给定的
α:0<α<1
,存在两个统计量
θ−=θ−(X1,⋯,Xn)
和
θ¯=θ¯(X1,⋯,Xn)
,使等式:
成立,则称 1−α 为 置信度,区间 (θ−,θ¯) 为参数 θ 的置信度为 1−α 的 置信区间,且 θ− 和 θ¯ 分别称为 置信下限和 置信上限。利用置信区间的形式作为未知参数的估计,称为 区间估计。
单正态总体参数的置信区间 | ||||
---|---|---|---|---|
待估参数 | 条件 | 统计量 | 分布 | 置信区间 |
μ | σ2 已知 | X¯−μσ/n√ | N(0,1) | (X¯¯¯±zα/2σn√) |
σ2 未知 | X¯−μs/n√ | t(n−1) | (X¯¯¯±tα/2(n−1)sn√) | |
σ2 | μ 已知 | ∑ni=1(Xi−μ)2σ2 | χ2(n) | (∑ni=1(Xi−μ)2χ2α/2(n),∑ni=1(Xi−μ)2χ21−α/2(n)) |
μ 未知 | ∑ni=1(Xi−X¯)2σ2 | χ2(n−1) | (∑ni=1(Xi−X¯)2χ2α/2(n−1),∑ni=1(Xi−X¯)2χ21−α/2(n−1)) |