下载文档原格式
一、参数估计（一）参数估计内涵参数估计（parameter estimation ）是根据从总体中抽取的样本估计总体分布中包含的未知参数的方法。
它是统计推断的一种基本形式，是数理统计学的一个重要分支，分为点估计和区间估计两部分。
（二）估计量的评价准则对于同一参数，用不同方法来估计，结果是不一样的。
例1 设总体X 服从参数为λ的泊松分布，即,2,1,0,!}{===-k k ek X P kλλ则易知λλ==)(,)(X D X E ，分别用样本均值和样本方差取代)(X E 和)(X D ，于是得到λ的两个矩估计量21ˆ,ˆS X ==λλ． 既然估计的结果往往不是唯一的，那么究竟孰优孰劣？这里首先就有一个标准的问题。
1、 无偏性(Unbiased)定义1 设),,,(ˆˆ21nX X X θθ=是θ的一个估计量，若对任意的Θ∈θ，都有θθθ=)ˆ(E ，则称θˆ是θ的无偏估计量(Unbiased estimator)，如果 0)(lim )),,,((lim 21=∆-∞→∧∞→θθθδn n n n b X X X E则称θˆ是θ的渐近无偏估计量(Approximation unbiased estimator)，其中)(θn b 称为是θˆ的偏差(affect)。
无偏性反映了估计量的取值在真值θ周围摆动，显然，我们希望一个量具有无偏性。
例2 X 是总体期望值μ=)(X E 的无偏估计，因为μμ===⎪⎭⎫ ⎝⎛=∑∑==n n X E n X n E X E ni i n i i 1)(11)(112、 最小方差性和有效性(Minimum Variance and efficiency) 前面已经说过，无偏估计量只说明估计量的取值在真值周围摆动，但这个“周围”究竟有多大？我们自然希望摆动范围越小越好，即估计量的取值的集中程度要尽可能的高，这在统计上就引出最小方差无偏估计的概念。
定义2 对于固定的样本容量n ，设),,,(21n X X X T T =是参数函数)(θg 的无偏估计量，若对)(θg 的任一个无偏估计量),,,(21n X X X T T '='有Θ∈≤θθθ对一切),'()(T D T D则称),,,(21n X X X T 为)(θg 的（一致）最小方差无偏估计量，简记为ＵＭＶＵＥ(Uniformly Minimum Variance Unbiased Estimation)或者称为最优无偏估计量。
矩估计法的公式摘要：一、矩估计法简介1.矩估计法的概念2.矩估计法在统计学中的应用二、矩估计法公式1.矩的定义2.矩估计法的推导过程3.常见矩估计量及其公式三、矩估计法的性质与特点1.矩估计量的性质2.矩估计法的优点与局限性四、矩估计法在实际问题中的应用1.参数估计问题2.假设检验问题正文：一、矩估计法简介矩估计法是一种常用的参数估计方法，它基于样本数据对未知参数进行估计。
矩估计法的核心思想是通过样本数据的矩（如均值、方差等）来估计总体的矩，从而得到参数的估计值。
矩估计法在统计学中有着广泛的应用，例如在区间估计、假设检验等问题中都有涉及。
二、矩估计法公式1.矩的定义矩是描述数据分布特征的一个量，它反映了数据围绕均值分布的情况。
对于连续型随机变量，其矩的定义如下：μk = E(X^k) = ∫x^kf(x)dx，k∈N其中，E(X^k) 表示随机变量X 的k 阶矩，f(x) 表示X 的概率密度函数，∫表示积分。
2.矩估计法的推导过程设总体分布为F(x)，参数为θ，根据矩的定义，我们有：E(X) = ∫xf(x;θ)dx = μθ其中，μθ表示总体均值，μ表示样本均值，θ表示参数。
根据样本数据，我们可以得到n 个样本观测值x1, x2, ..., xn，对应的样本矩为：S_n = (x1^2 + x2^2 + ...+ xn^2) / n对S_n 求导，可得：dS_n/dθ = 2(x1 + x2 + ...+ xn) / n令dS_n/dθ = 0，解得：θ= μ = (x1 + x2 + ...+ xn) / n因此，我们可以用样本均值μ作为参数θ的估计值。
3.常见矩估计量及其公式除了均值，还有其他一些常见的矩估计量，如方差、协方差等。
这里列举一些常见的矩估计量及其公式：- 样本均值：μ = (x1 + x2 + ...+ xn) / n- 样本方差：s^2 = (Σ(xi - μ)^2) / (n - 1)- 样本标准差：s = √s^2- 样本相关系数：r = Σ(xi - μ)(yi - μ) / (s * s")三、矩估计法的性质与特点1.矩估计量的性质矩估计量具有良好的性质，如无偏性、有效性、一致性等。
第二章 参数估计【学习目标】1、掌握矩估计的替代原则；会求已知分布中未知参数的矩估计（值）2、熟练掌握极大似然估计的思想及求法3、估计量的评价标准：无偏性、有效性、相合性的定义4、统计量的无偏性的判断；两个无偏估计的有效性判断；会用Fisher 信息量及c-R 下界进行统计量的UMVUE 充分性判断5、掌握区间估计的定义6、单个正态总体均值的区间估计（包括方差已知、方差未知）；单个正态总体方差的区间估计（包括均值已知、均值未知）7、两个正态总体均值差的区间估计（方差未知）；两个正态总体方差比的区间估计 8、单侧置信区间的求法 【典型例题讲解】例1、设1,,n X X 是来自均匀分布(,1)U θθ+的总体的容量为n 的样本，其中θ-∞<<+∞为未知参数，试证：θ的极大似然估计量不止一个，例如1(1)ˆXθ=，2()ˆ1n X θ=-，3(1)()11ˆ()22n XXθ=+-都是θ的极大似然估计。
解：(,1)U θθ+分布的密度函数为11()0x f x θθ≤≤+⎧=⎨⎩其他似然函数(1)()11()0n x x L θθθ≤≤≤+⎧=⎨⎩其他由于在(1)()1n x x θθ≤≤≤+上()L θ为常数，所以凡是满足：(1)()ˆˆ1n x x θθ≤≤≤+的ˆθ均为θ的极大似然估计。
从而（1）1(1)ˆX θ=满足此条件，故1(1)ˆX θ=是θ的极大似然估计；（2）由于()(1)1n X X -≤，故2()(1)()2ˆˆ11n n X X X θθ=-≤≤=+，所以2()ˆ1n Xθ=-为θ的极大似然估计；（3）由于()(1)1n X X -≤，故(1)()(1)12n X X X +-≤，(1)()()12n n X X X ++≥，从而有3(1)()(1)()(1)()31111ˆˆ()()12222n n n XXXXXXθθ=+-≤≤≤++=+，故3ˆθ也为θ的极大似然估计。
第七章: 参数估计
7.1 矩估计
7.2 极大似然估计
7.3 估计量的优良性准则
7.4 正态总体的区间估计(一) *7.5 正态总体的区间估计(二) *7.6 非正态总体的区间估计
第七章: 参数估计
数理统计的任务：
●总体分布类型的判断；
● 总体分布中未知参数的推断(参数估计与
假设检验)。
参数估计问题的一般提法
设总体 X 的分布函数为 F ( x , θ )，其中θ 为未知参数或参数向量，现从该总体中抽样,得到样本
X 1, X 2 , … , X n .
依样本对参数θ 做出估计，或估计参数 θ 的某个已知函数 g (θ ) 。
这类问题称为参数估计。
参数估计包括：点估计和区间估计。
称该计算值为θ的一个点估计。
为估计参数θ，需要构造适当的统计量 T ( X 1, X 2 , … , X n )，
一旦当有了样本值，就将样本值代入到该统计量中，算出一个值作为θ的估计，点估计：
θ
θˆ的点估计常用符号为
寻求估计量的方法
1. 矩估计法
2. 极大似然法
3. 最小二乘法
4. 贝叶斯方法…
我们仅介绍前面的两种参数估计法。
提出。
矩估计的优点是：简单易行, 不需要事先知道总体是什么分布。
缺点是：当总体的分布类型已知时，未充分利用分布所提供的信息；此外，一般情形下，矩估计不具有唯一性 。
