矩估计和极大似然估计

矩估计法

思路：就是利用样本矩来估计总体中的相应参数。首先推导涉及相关参数的总体矩，然后由样本求出样本矩，以此建立等式。（由样本求出的矩与总体的矩建立等式）

什么是k阶原点矩，一阶原点矩就是我们说的期望。

什么是k阶中心矩，二阶中心矩就是我们说的方差。

极大似然估计

        理解：就是根据样本得到一个关于参数的函数，即似然函数L，函数的值就等于样本（这个事件）发生的概率，当概率最大时，参数的取值，即为极大似然估计值。

        例题： 在这个例子中发生了100次独立事件，假定每次抽取白球的概率为p，那么这100次抽样事件中，发生抽取到70次白球，30次黑球的概率可以表示为，

 此时，当这个概率取得最大值时，p的取值，即为最大似然估计值。

求解一般似然函数的步骤

        1，写出似然函数。2， 对似然函数取对数，并整理。3，求导数。4，解似然方程。

对似然函数的理解：其中，x表示的数据可以是由多次独立事件组成，类似于上题。

 

关于无偏估计量

无偏性的要求：尽管在一次抽样中得到的估计值不一定恰好等于待估参数的真值，但在大量重复抽样时，所得到的估计值平均起来应与待估参数的真值相同，换句话说，希望估计量的均值（数学期望）应等于未知参数的真值。数学期望等于被估计的量的统计估计量称为无偏估计量。

     例题： ​

​

 

 

 参数的估计量其实可以看成一个变量，每一次不同的样本，都会得到一个不同的估计量，而这些估计量的期望值存在且等于0，则称为无偏估计量。