概统（第七章-参数估计

最新推荐文章于 2023-03-14 18:39:32 发布

小果一粒沙

最新推荐文章于 2023-03-14 18:39:32 发布

阅读量735

点赞数 1

分类专栏：统计学文章标签：概率论

本文链接：https://blog.csdn.net/qq_35167821/article/details/105980097

版权

18 篇文章 1 订阅

订阅专栏

0-主要内容

Point Estimation
Interval estimation
connection and difference
unbaised
有效性
相合性

点估计和区间估计，一个是用一个数值来估计未知参数，一个是使用一个区间来估计未知参数的可能取值范围。
为什么要在点估计的基础之上引入一个区间估计呢？
因为我们不仅希望有一个具体的值，还希望有一个估计的区间，区间有精度，可以避免非对即错带来的绝对性。
落在区间中有一个概率，更加的可靠。

点估计：选择一个合适的统计量，利用样本的数据计算统计量的取值（一个点），以此作为未知参数的估计。

对于点估计，我们有这么多的估计量，那么什么样的统计量是好的呢？
根据它与真实值的拟合程度，我们给出了几个判定标准。
1 无偏性，2 相合性（一致性)，3 有效性。

无偏性是指参数的估计的期望等于真实参数值。即抽取样本计算得到的估计值不会偏离真实值太远。 $E\hat{\theta}=\theta$
相合性是指被估统计量 $\hat{\theta}(X_1,X_2,\cdots,X_n)$ （是关于样本的随机变量）依概率收敛于真实的参数值 $\theta$ 。(一般只需要证明估计量的方差是n区域无穷大的无穷小)。以下是定义：
$\lim_{n \to \infty}P(|\hat{\theta}(X_1,X_2,\cdots,X_n)-\theta| \le \epsilon)=1$
有效性，是对比两个无偏估计量得出来的一种关系。两个估计量都是未知参数的无偏估计，如果一个估计量 $\theta_1$ 比另一个估计量 $\theta_2$ 的方差小，则 $\theta_1$ 比另一个 $\theta_2$ 有效。
$\begin{aligned} E(\hat{\theta_1}) & = E(\hat{\theta_2}) ,\\ D(\hat{\theta_1}) & < D(\hat{\theta_2}) \end{aligned}$

常见的有两种方法：矩估计和极大似然估计。
（好不想打公式的说）

矩估计：利用样本矩来估计总体矩，原理是辛钦大数定律（当n足够大，可以利用样本矩来估计总体矩）。

极大似然估计：在所有的可能参数中，找到是样本似然函数最大的一个参数值，将其作为未知参数的极大似然估计。一般使用单调性或者是数学上求极值的方法取得。

害，还是那句话，原来的点估计不够，有更好。
非对即错，不喜欢，则加上精度，并且有概率保证程度，则就是估计区间。

对与区间估计，有双侧区间估计和单侧区间估计。
如果既需要关注估计量的上限，又关注下限的话，就使用双侧区间估计；如果只关心上限或者只关心下限的话，就使用单侧置信区间。

哦，提一句，在区间估计中，已知分布的那个量叫做枢轴量。
eg：当总体方差未知，求出总体均值的区间估计。
$T=\frac{\overline{X}-\mu}{S / \sqrt{n}} \thicksim t(n-1)$

其中T就是一个枢轴量，分布已知，不是枢轴量，因为其中包含有未知参数 $\mu$ .

区间估计：选择一个合适的统计量，给定一个可以接受的置信度，利用统计量的分布计算出这个概率度为 $\alpha$ 的区间中。

当选择的枢轴量服从的分布为U分布或t分布时，总体均值置信区间的中心为总体均值的无偏估计。

一个总体：
样本均值的置信区间。
三种情况：一是当样本方差已知时；二是当样本方差未知时；三是当总体分布未知但是是大样本时；分别都有相关的求法，其实他们主要是与枢轴量的分布有关。

样本方差的置信区间。当总体均值已知时，自由度为 $n$ ；当总体均值未知时，卡方分布为的自由度为 $n - 1$ 。

两个总体：
两个总体的均值差。当两个总体的均值已知时；当两个总体的均值未知，但是相等时；当两个总体的均值未知，且不相等时。
两个总体的方差的对比。当两个总体的均值已知时，当两个总体的均值未知时。均使用F分布。

关注