数理统计中的点估计
最后更新于:2022-04-01 16:06:52
• 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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc478981.jpg "")
• 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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc491bdb.jpg "")
(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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc4a85fd.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc4c0b01.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc4dbdd5.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc4f3254.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc51cf97.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc5349db.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc55807e.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc5738e7.jpg "")
它的对数为
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc58fb05.jpg "")
解对数似然方程组(见1.13):
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc5b08a7.jpg "")
可得
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc5cf370.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc5e742c.jpg "")
#### 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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc614119.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc6379bb.jpg "")
由对数似然方程
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc653b14.jpg "")
解得
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc66c507.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc682152.jpg "")
因此似然函数为
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc69ada1.jpg "")
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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc6b3cee.jpg "")
## 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](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc6cb772.jpg "")
从而
![这里写图片描述](https://docs.gechiui.com/gc-content/uploads/sites/kancloud/2016-07-25_5795bdc6eced8.jpg "")
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。