参数估计方法：利用样本统计量估计总体统计量

在统计学中，由于大多数情况下难以获得总体的情况（往往已知总体服从某种分布，但是不知道分布的参数），所以人们通常选择通过样本去估计总体（因为我们可以抽样，通过样本的统计量估计总体的统计量）。统计量就是样本的数字特征，包括样本均值、样本方差、样本中心矩、样本原点矩等。

1 点估计

设总体X的分布函数形式已知，但它的一个或多个参数未知，借助于总体X的一个样本来估计总体未知参数的值的问题称为参数的点估计（Point Estimation）问题，也就是说，点估计是使用样本数据来估计总体参数的单一数值。点估计的结果是一个具体的数值，它是对未知总体参数的最佳猜测。点估计包括矩估计法和最大似然估计法。

总体参数（Population Parameter）：是指描述总体特征的数值。总体是指我们感兴趣的全部个体或数据的集合，而总体参数则是对这个集合的某个特征的度量。总体参数通常是未知的，我们通过样本数据来估计这些参数。
常见的总体参数：

• 总体均值$\mu$：描述总体中所有个体或数据的平均值。例如，某城市所有居民的平均收入。
• 总体方差${\sigma }^2$：描述总体中所有个体或数据的离散程度，即数据与均值的偏离程度。例如，某城市所有居民收入的方差。
• 总体标准差$\sigma$：总体方差的平方根，描述数据的离散程度。例如，某城市所有居民收入的标准差。
• 总体比例$p$：描述总体中具有某种特征的个体所占的比例。例如，某城市中支持某个候选人的居民比例。

在统计推断中，估计量和估计值是两个重要的概念，用于从样本数据中推断总体参数。它们在统计分析中扮演着关键角色。下面详细解释这两个概念。
估计量（Estimator）：估计量是一个统计量，用于从样本数据中估计总体参数。它是一个随机变量，因为它依赖于随机抽取的样本。估计量通常用大写字母表示，如 $\hat{\theta }$ 或 $\hat{X}$。

• 估计量的特性

  • 无偏性：一个估计量 $\hat{\theta }$ 是无偏的，如果其期望值等于被估计的总体参数 $\theta$，即 $E(\hat{\theta })=\theta$。
  • 一致性：一个估计量 $\hat{\theta }$是一致的，如果随着样本量 n 的增加，$\hat{\theta }$收敛于被估计的总体参数 $\theta$。
  • 有效性：在所有无偏估计量中，具有最小方差的估计量称为有效估计量。

• 常见的估计量

  • 样本均值 $\bar{X}$：用于估计总体均值 $\mu$。 $\bar{X}=\frac{1}{n}{\sum }_{i=1}^n{X}_i$
  • 样本方差 $S^2$：用于估计总体方差 ${\sigma }^2$。 $S^2=\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\bar{X}{)}^2$
  • 样本比例 $\hat{p}$：用于估计总体比例 $p$。 $\hat{p}=\frac{x}{n}$ ，其中 $x$ 是样本中具有某特征的个体数，$n$ 是样本总数。

• 估计值（Estimate）：估计值是估计量在具体样本数据上的取值。它是一个具体的数值，用于作为总体参数的近似值。估计值通常用小写字母表示，如 $\hat{\theta }$ 或 $\hat{x}$。

• 例子：假设我们有一个样本数据集，用于估计总体均值。

  • 估计量：样本均值 $\bar{X}$