数理统计中的点估计

r囧r小猫 2022-08-05 02:52 431阅读 0赞

• 统计推断的基本问题有二：估计问题，和假设检验问题.  
• 本章讨论总体参数的点估计和区间估计.理解这两种估计的思想，掌握求参数估计量的方法和评判估计量好坏的标准.

--------------------

## 点估计 ##

### 问题的提出 ###

设灯泡寿命T～N(μ,σ2)，但参数μ和σ2未知. 现在要求通过对总体抽样得到的样本，构造两样本函数分别μ和σ2作出估计,称为估计量, 记为μ′和σ2′,代入观察值x=(x1,…,xn)，得相应估计值.在不致混淆时统称为**估计**.  
借助于总体的一个样本，构造适当的样本函数来估计总体S未知参数的值的问题称为参数的点估计问题.  
• 两种常用的构造估计量的方法: 矩估计法和极大似然估计法.

### 矩估计 ###

#### 思想与方法 ####

设总体k阶矩存在，  
对于连续型总体X，它的m阶原点矩为

μk:=E(Xk)=∫\+∞−∞xkdF(x,θ)

若X为离散型的，则

μk:=E(Xk)=∑i=1nxkF(x,θ)

这里  θ 为未知参数向量. 可见  μk 是  θ 的函数，改记为  μk(θ) .

设测得10个灯泡寿命(失效时间)分别为

166，185，232，242，264，268，270，275，285，312

(小时）.  
那么自然想到平均寿命为

(166\+185\+...\+312)/10=249.9（小时）

即用样本均值的观测值  x¯ 来估计总体的平均寿命(期望寿命)  μ  
即

μ^=X¯¯¯=1n(X1\+X2\+⋯\+Xn)

对  μk(θ) ,k阶样本原点矩为

μk^(θ)=Mk=1n(Xk1\+Xk2\+⋯\+Xkn)

这就是矩估计的思想：  
用样本的k阶矩作为总体k阶矩的估计量.如果未知参数有m个，则可建立m个方程

μ^k(θ1,…,θm)=Mk,k=1,…,m

(如总体  μm 存在). 从中解出  θj=θj(X1,X2,…,Xn) , 改记为  θ^ ,并作为  θj 的估计量. 称这种估计量为 **矩估计量**, 相应观察值称为 **矩估计值**.  
由上一篇文章讲得经验df函数性质可以知道  
样本矩几乎处处收敛于总体矩，

![这里写图片描述][20150603200313987]  
• 样本矩的连续函数也几乎处处收敛于总体矩的相应的连续函数,它保证:几乎每次从容量足够大的样本观测值，都可得到相应总体参数的近似值.

#### 例题1 ####

设总体X的二阶矩存在，求总体X的期望和方差的矩估计量.  
解：  
m=2，可得

![这里写图片描述][20150603201703737]  
（将  μ^和σ^2 当做未知量，将  Xi 当做已知量，解方程组）  
解得  
![这里写图片描述][20150603201720578]  
结论：不论总体有什麽样的分布，只要它的 *期望*和 *方差*存在，则它们的矩估计量都分别是其样本均值和样本的二阶中心矩.  
为突出是矩估计量，也常加下标M，例如  μ^M

#### 例题2 ####

设总体X～U(0,θ), θ未知，(X1,…,Xn)是一个样本, 试求θ的矩估计量.  
解:  
直接由上例结果，令解得θ的矩估计量

θ^M=2X¯¯¯

#### 例题3 ####

设总体 ，即 具有概率密度

![这里写图片描述][20150603204619498]  
这里a，b为未知参数，  (X1,X2,…,Xn) 为抽自X的简单随机样本  
由于  E(X)=a\+b2, D(X)=(b−a)212  
令  
![这里写图片描述][20150603204958202]  
由此可解得a和b的矩估计为

a^=X¯¯¯−3√Snb^=X¯¯¯\+3√Sn

其中  S2n=1n∑ni=1(Xi−X¯¯¯)2

### 极大似然估计法 ###

#### 思想和方法 ####

假设在一个罐中放着许多黑球和白球，并假定已知它们的数目之比为 ，但不知哪种颜色的球多。如果我们有放回地从罐中抽取 个球，则其中的黑球数 服从二项分布：

P(X=k)=Ck3pkq3−k,k=0,1,2,3

其中  p=罐中黑球数目罐中全部球的数目,q=1−p ，由假设知道  p 可能取值为  14或34 .  
现在根据样本中的黑球数，来估计未知参数 ，也就是说在  14和34 之间作一选择。对抽样的四种可能结果计算出相应的概率：

![这里写图片描述][20150603205539820]  
从表1中可见，如果样本中的黑球数为0，那么具有X=0的样本来自  p=14 的总体的可能性比来自  p=34 的总体的可能性大，这时应当估计p为  14 而不是  34 。如果样本中黑球数为2，那么具有X=2的样本来自  p=34 的总体的可能性比来自  p=14 的总体的可能性大，这时应当估计p为  34 而不是  14 。从而可以选择估计量：  
![这里写图片描述][20150603205813792]  
也就是说根据样本的具体情况来选择估计量  p^ ，使得出现该样本的可能性最大。  
一般地，若总体X具有概率密度  p(x,θ1,θ2,…,θk) ，其中  θ1,θ2,…,θk 为未知参数，又设  (x1,x2,…,xn) 是样本的一组观察值，那么样本  (X1,X2,…,Xn) 落在点  (x1,x2,…,xn) 的邻域内的概率为  ∏ni=1p(xi;θ1,θ2,…,θk)dxi ，它是  θ1,θ2,…,θk 的函数。  
最大似然估计的直观想法是：既然在一次试验中得到了观察值  (x1,x2,…,xn) ，那么我们认为样本落入该观察值  (x1,x2,…,xn) 的邻域内这一事件应具有最大的可能性，所以应选取使这一概率达到最大的参数值作为参数真值的估计。记  
离散型时θ应使

L(x,θ):=L(x1,…,xn;θ)=∏i=1np(xi;θ)

最大;  
连续型时θ应使

f(x1,…,xn;θ)dx1…dxn=∏i=1nf(xi;θ)dxi

也即, 使  L(x,θ)=∏ni=1f(xi;θ) 最大.  
称  L(x,θ) 为样本的 似然函数.  
![这里写图片描述][20150603203020634]  
这样得到的估计值, 称为参数θ的极大似然估计值, 而相应的统计量称为参数θ的极大似然估计量.  
求θ的最大似然估计就是求似然函数L(x;θ)的最大值点的问题。  
如  L(x;θ) 关于  θ 可微, 这时也可以从方程  
![这里写图片描述][20150603203141660]  
解出. (1.12)和(1.13)都称为 **似然方程**.  
由于在许多情况下，求  lnL(x;θ) 的最大值点比较简单，而且  lnx 是  x 的严格增函数，因此在  lnL(x;θ) 对  θi（i=1,2,…,k） 的偏导数存在的情况下， 可由(1.13)式求得.  
解这一方程组，若  lnL(x;θ) 的驻点唯一，又能验证它是一个极大值点，则它必是  lnL(x;θ) 的最大值点，即为所求的最大似然估计。但若驻点不唯一，则需进一步判断哪一个为最大值点。还需指出的是，若  lnL(x;θ) 对  θi（i=1,2,…,k） 的偏导数不存在，则我们无法得到方程组（1.13），这时必须根据最大似然估计的定义直接求  L(x,θ) 的最大值点。  
有时我们需要估计  g(θ1,θ2,…,θk) ，如果  θ^1,θ^2,…,θ^k 分别是  θ1,θ2,…,θk 的最大似然估计，且  g(θ1,θ2,…,θk) 为连续函数，则  g(θ^1,θ^2,…,θ^k) 是  g(θ1,θ2,…,θk) 的最大似然估计。

#### 例题1 ####

设X～N(μ,σ2)， x1,…,xn 为一个样本值求未知参数μ和σ2的极大似然估计量.  
解：  
似然函数为

![这里写图片描述][20150603211538517]  
它的对数为  
![这里写图片描述][20150603211633968]  
解对数似然方程组（见1.13）：  
![这里写图片描述][20150603211803637]  
可得  
![这里写图片描述][20150603212226333]  
由于对数似然方程组有唯一解，且它一定是最大值点，于是  μ 和  σ2 的最大似然估计为  
![这里写图片描述][20150603212320543]

#### 例题2 ####

求事件发生的概率 的最大似然估计。  
解：  
若事件A发生的概率P(A)=p，定义随机变量

![这里写图片描述][20150603212443996]  
则  X～B(1,p) ，其概率分布为

P(X=xi)=pxi(1−p)1−xi,xi=0,1

设  (X1,X2,…,Xn) 为抽自X的样本，则似然函数为  
![这里写图片描述][20150603212701698]  
由对数似然方程  
![这里写图片描述][20150603212738779]  
解得  
![这里写图片描述][20150603212940217]  
注意到  ∑ni=1xi≤n ，容易验证  d2lnLdp2 在  x¯ 处取得负值，于是  x¯ 是  lnL 的最大值点，因而p的最大似然估计为  p^=X¯¯¯  
于是我们有结论：频率是概率的最大似然估计。

#### 例题3 ####

设总体 X～U\[a,b\]，(X1,X2,…,Xn) 为抽自X的样本，求未知参数a,b的最大似然估计。  
解：  
由于X的密度函数为

![这里写图片描述][20150603213359052]  
因此似然函数为  
![这里写图片描述][20150603213306567]  
显然，作为a,b的二元函数，L是不连续的。这时我们不能用方程组（1.13）来求最大似然估计，而必须从最大似然估计的定义出发来求L的最大值点。  
为使L达到最大，b-a应尽量地小，但b又不能小于  max\{ x1,x2,…,x3\} ，否则  L(x1,x2,…,x3;a,b)=0 ；类似地，a 又不能大于  min\{ x1,x2,…,x3\} 。因此a,b的最大似然估计为  
![这里写图片描述][20150603213644069]

--------------------

# 估计的优良性准则 #

同一个未知参数，可以有几种不同的估计，这时就存在采用哪一种估计的问题。另一方面，对同一个参数，用矩估计法和最大似然估计法，即使得到同一个估计，也存在衡量该估计量优劣的问题。设θ为未知参数， θ^是θ的估计，直观上讲，θ^与θ越接近越好，为了度量θ^与θ的接近程度，我们可以采用|θ^−θ|作为衡量的标准，但由于θ^(X1,X2,…,Xn)依赖于样本，它本身是随机变量，而θ又是未知的，因此很难采用。下面我们从不同的角度，提出几种衡量估计优劣的标准。

### 一致性 ###

#### **定义1：** ####

设θ^(X1,X2,…,Xn)是总体X分布的未知参数θ的估计量，若θ^依概率收敛于θ，即对任意的ε>0，

limn→∞P(|θ^−θ|<ε)=1

则称  θ^ 是  θ 的一致估计。  
满足一致性的估计量  θ^ ，当样本容量n 不断增大时，  θ^ 观察值能越来越接近参数真值 。这很容易理解，当样本容量n越大时，信息越多，当然估计就越准确。  
由大数定律知，样本均值  X¯¯¯ 是总体均值  μ （即  E(X) ）的一致估计。还有，样本修正方差  S2 是总体方差  σ2 （即  D(X) ）的一致估计。

#### 例题1 ####

若总体X服从正态分布N(μ,σ2)， (X1,X2,…,Xn)是来自总体 X的容量为n的样本，EXi=μ ，DXi=σ2 ，i=1,2,…,n ，则由大数定律知，X¯¯¯依概率收敛于μ，即

limn→∞P(|X¯¯¯−μ|<ε)=1

也即未知参数  μ 的最大似然估计或矩估计  μ^=X¯¯¯ 是  μ 的一致估计。

#### 例题2 ####

若总体X服从泊松分布P(λ)，(X1,X2,…,Xn) 是从总体X中抽取的容量为n的样本，且EXi=λ ，DXi=λ ，i=1,2,…,n，则 X¯¯¯依概率收敛于 λ，故未知参数λ 的最大似然估计或矩估计 λ^=X¯¯¯是 λ的一致估计。

#### 例题3 ####

若总体X服从0-1分布，P(X=1)=p,0<p<1， (X1,X2,…,Xn) 是从X中抽取的容量为n的样本EXi=p ，DXi=p(1−p) ，i=1,2,…,n则 X¯¯¯依概率收敛于 p，故未知参数p 的最大似然估计或矩估计 p^=X¯¯¯是 p的一致估计。

### 无偏性 ###

设θ为总体分布的未知参数，θ^(X1,X2,…,Xn) 是θ的一个估计，它是一个统计量。对于不同的样本 (X1,X2,…,Xn)，θ^(X1,X2,…,Xn) 取不同的值。

#### 定义2 ####

如果θ^(X1,X2,…,Xn)的均值等于未知参数θ ，即E\[θ^(X1,X2,…,Xn)\]=θ 对一切可能的θ成立 ————（3）  
则称θ^(X1,X2,…,Xn)为θ 的无偏估计 。  
无偏估计的意义是：用θ^(X1,X2,…,Xn)去估计未知参数 θ，有时候可能偏高，有时候可能偏低，但是平均说来等于未知参数 θ。  
在（3）式中，对一切可能的θ ，是指在每个具体的参数估计问题中，参数θ取值范围内的一切可能的值。例如，若θ是正态总体N(μ,σ2)的均值μ，那么它的一切可能取值范围是 (−∞,\+∞)。若θ是方差 σ2，则它的取值范围为(0,\+∞)。我们之所以要求（3）对一切可能的θ 都成立，是因为在参数估计中，我们并不知道参数的真值。因此，当我们要求一个估计量具有无偏性时，自然要求它在参数的一切可能取值范围内处处都是无偏的。

#### 例题1 ####

设(X1,X2,…,Xn) 是抽自均值为μ的总体的样本，考虑μ的如下估计量：

μ^1=X1μ^2=X1\+X22μ^3=X1\+X2\+Xn−1\+Xn4

假设  n≥4  
因为  EXi=μ ，容易验证  Eμ^i=μ,i=1,2,3 ，所以  μ 都是 的的无偏估计，但是

μ^4=2X1μ^5=X1\+X23

都不是  μ 的的无偏估计。  
对于任一总体  X ，由于  EX¯¯¯=μ ，所以  X¯¯¯ 是  μ 的的无偏估计，但由于  ES2n=E\[1n∑ni=1(Xi−X¯¯¯)2\]=n−1nσ2 ，故  S2n 不是总体方差  σ2 的无偏估计，而修正的样本方差 是总体方差  S2n=1n−1∑ni=1(Xi−X¯¯¯)2 的无偏估计。  
若  θ^ 是  θ 的估计，  g(θ) 为  θ 的实函数，通常我们总是用  g(θ^) 去估计  g(θ) ，但是值得注意的是，即使  Eθ^=θ ，也不一定有  E(g(θ^))=g(θ) 。

#### 例题2 ####

修正样本方差的标准差S不是总体标准差σ的无偏估计。  
事实上，由于 σ2=E(S2)=DS2\+\[ES\]2≥\[ES\]2，从而σ≥ES ，即 S不是σ的无偏估计。  
若θ的估计θ^不是无偏的，但当n→∞ 时，Eθ^→θ ，则称θ^ 是θ的**渐近无偏估计**。显然，样本方差S2n是总体方差的一个渐近无偏估计。  
无偏性对估计量而言是很基本的要求，它的直观意义是没有系统误差。由上例知，对于一个未知参数，它的无偏估计可以不止一个。那么，怎么来比较它们的好坏呢？我们很自然地想到，一个好的估计量应该方差比较小，只有这样才能得到比较稳定的估计值。

### 有效性 ###

#### 定义3 ####

设θ^1(X1,X2,…,Xn)和θ^2(X1,X2,…,Xn)均为参数θ的无偏估计，如果

Dθ^1<Dθ^2

则称 **θ^1较θ^2有效**。当  θ^(X1,X2,…,Xn) 是所有无偏估计中方差最小时，称  θ^(X1,X2,…,Xn)  
为 最小方差无偏估计。

#### 例题 ####

设(X1,X2,…,Xn) 是来自总体X的容量为n的样本，证明总体均值μ （即 EX）的估计量μ^1=X¯¯¯比μ^2=∑ni=1aiXi有效，其中ai≥0,i=1,2,…,n且∑ni=1ai=1 。  
证明  
由于 Eμ^1=μ，Eμ^2=E(∑ni=1aiXi)=μ∑ni=1ai=μ ，所以μ^1,μ^2均是μ的无偏估计。  
又

![这里写图片描述][20150604183138772]  
从而  
![这里写图片描述][20150604183214808]  
所以  X¯¯¯ 比  ∑ni=1aiXi 有效。  
由上例和一致性知，样本均值  X¯¯¯ 是总体均值  μ （即  EX ）的一致最小方差无偏估计。同样还可以证明，样本修正方差  S2 是总体方差  σ2 （即  DX ）的一致最小方差无偏估计。

[20150603200313987]: /images/20220805/dac3fd09e8c24c92bbc79aa67ab184a8.png
[20150603201703737]: /images/20220805/dc9f25a426834c9c869dbf025a8f38fe.png
[20150603201720578]: /images/20220805/a79987098dc54e1592153b4cc2a7e0ec.png
[20150603204619498]: /images/20220805/ce45b262d9f94c6f9630f4d8ebab334f.png
[20150603204958202]: /images/20220805/21a154113b3a41f3a254684d6fa7350d.png
[20150603205539820]: /images/20220805/98e6067e247b439087bc468548197401.png
[20150603205813792]: /images/20220805/37647bff098540db80682d24dcb813fe.png
[20150603203020634]: /images/20220805/124b8100965348b48d693eeea8e3f148.png
[20150603203141660]: /images/20220805/93b76d95b2af4e50bdeb9eabf078f3ce.png
[20150603211538517]: /images/20220805/59fc9660416c4ec287ee44f711041876.png
[20150603211633968]: /images/20220805/50e792cef7db41e49f665c1e07faf877.png
[20150603211803637]: /images/20220805/85870c17e8db4c22a6030ab06edf88cf.png
[20150603212226333]: /images/20220805/b7fb590b93064e458d00bff3c2e5b1d5.png
[20150603212320543]: /images/20220805/41b71d3524194283836df7c80f596530.png
[20150603212443996]: /images/20220805/34f5dc9b4f4247479e806c13a851682f.png
[20150603212701698]: /images/20220805/25373581028049138322ccd901b95394.png
[20150603212738779]: /images/20220805/700488d160f941b39206b24567255329.png
[20150603212940217]: /images/20220805/a475cec471a545dd91f6c5b5fbbf9c64.png
[20150603213359052]: /images/20220805/2b0bd45898c74883b6a0bc8cd2b26162.png
[20150603213306567]: /images/20220805/129050132cfb42c892712268513afc21.png
[20150603213644069]: /images/20220805/db2c58708635400a89b2f3e1692e3a9a.png
[20150604183138772]: /images/20220805/be5e1f9c816744f5b3733ff9f179ed1d.png
[20150604183214808]: /images/20220805/6178ac12d6e7475e8b7027bf3722fb10.png