概率论-参数估计

参数估计

点估计

用样本 $X_{1},X_{2},\cdots, X_{n}$ 构造的统计量 $\hat \theta (X_{1},X_{2},\cdots, X_{n})$ 来估计未知参数 $\theta$ 称为点估计，统计量 $\hat \theta (X_{1},X_{2},\cdots, X_{n})$ 称为估计量

设 $\hat\theta$ 是 $\theta$ 的估计量，如果 $E(\hat\theta)=\theta$，则称 $\hat\theta= \hat \theta (X_{1},X_{2},\cdots, X_{n})$ 是未知参数 $\theta$ 的无偏估计量

设 $\hat\theta_{1}$ 和 $\hat\theta_{2}$ 都是 $\theta$ 的无偏估计量，且 $D(\hat\theta_{1}) \leqslant D(\hat\theta_{2})$，则称 $\hat\theta_{1}$ 比 $\hat\theta_{2}$ 更有效

设 $\hat\theta(X_{1},X_{2},\cdots,X_{n})$ 是 $\theta$ 的估计，如果 $\hat\theta$ 依概率收敛于 $\theta$，则称 $\hat\theta(X_{1},X_{2},\cdots,X_{n})$ 是 $\theta$ 的一致估计量

与切比雪夫不等式相关的表示形式：对任意 $\displaystyle \varepsilon> 0$

$$\displaystyle \lim_{n\to\infty} P{\left\lbrace{\left|\hat{\theta}-\theta\right|}\geqslant\varepsilon\right\rbrace}= 0$$

一致估计的一个等价条件（可以作为证明方法）

$$\displaystyle {\left\lbrace\begin{matrix*}[l] E\hat{\theta}=\theta\\ D\hat{\theta}= 0\\\end{matrix*}\right.}$$

估计量的求法和区间估计

矩估计法

设总体 $\displaystyle{ X }$ 的分布含有未知参数 $\theta_{1},\theta_{2},\cdots, \theta_{k}$，$\alpha_{l}=E(X^{l})$ 存在，显然它是 $\theta_{1},\theta_{2},\cdots, \theta_{k}$ 的函数，记作 $\alpha_{l}(\theta_{1},\theta_{2},\cdots, \theta_{k}),l=1,2,\cdots,k$，样本的 $\displaystyle{ l }$ 阶原点矩为

$$A={1 \over n} \sum\limits_{i=1}^{n}X_{i}^{l}$$

令 $\alpha_{l}(\theta_{1},\theta_{2},\cdots, \theta_{k})=A_{l},l=1,2,\cdots,k$，从这 $\displaystyle{ k }$ 个方程组中，可以解得 $\theta_{1},\theta_{2},\cdots, \theta_{k}$

最大似然估计法

对于离散型总体 $\displaystyle{ X }$，其概率分布为 $P\{ X=a_{i} \}=p(a_{i},\theta),i=1,2,\cdots$，称函数

$$L(\theta)=L(x_{1},x_{2},\cdots, x_{n};\theta)= \prod_{i=1}^{n}p(x_{i};\theta)$$

为参数 $\theta$ 的似然函数

对于连续型总体 $\displaystyle{ X }$，概率密度为 $f(x;\theta)$，则称函数

$$L(\theta)=L(x_{1},x_{2},\cdots, x_{n};\theta)= \prod_{i=1}^{n}f(x_{i};\theta)$$

为参数 $\theta$ 的似然函数

对于给定样本值 $(x_{1},x_{2},\cdots,x_n)$，使似然函数 $\displaystyle{ L }$ 达到最大值的参数值 $\hat\theta=\hat\theta(x_{1},x_{2},\cdots,x_n)$ 称为参数 $\theta$ 的最大似然估计值，对应的使似然函数 $L(X_{1},X_{2},\cdots, X_{n};\theta)$ 达到最大值的参数值 $\hat\theta=\hat\theta(X_{1},X_{2},\cdots, X_{n})$ 称为 $\theta$ 的最大似然估计量

通常可以通过

$${\partial L(\theta) \over \partial \theta} \text{ or } {\partial \ln F(\theta) \over \partial \theta}$$

求解得到 $\hat\theta$，有时不一定是驻点，这时不能用这个方程求解。

$X \sim N(\mu, \sigma^{2})$，从总体中取样本 $X_{1},X_{2},\cdots, X_{n}$，求 (1) $\mu,\sigma^{2}$ 的矩估计 (2) 极大似然估计

(1) 计算一阶和二阶矩

$$\begin{aligned} E(X) & = \mu \\ E(X^{2}) & = D(X) + (EX)^{2} = \sigma^{2}+\mu^{2}\\ \end{aligned}$$$$\begin{cases} \mu = \overline{X} \\ \sigma^{2}+\mu^{2}=\displaystyle {1 \over n} \sum\limits_{i=1}^{n}X_{i}^{2} \end{cases}$$

得到

$$\begin{aligned} \hat\mu & = \overline{X} \\ \hat {\sigma^{2} } &= {1 \over n} \sum\limits_{i=1}^{n} X_{i}^{2}-\overline{X} ^ {2} = {1 \over n} \left( \sum\limits_{i=1}^{n}X_{i}^{2}-n\overline{X}^{2} \right) \\ &= {1 \over n}\sum\limits_{i=1}^{n}(X_{i}-\overline{X})^{2} \end{aligned}$$

(2) $\displaystyle{ X }$ 的概率密度分布

$$f(x) = {1 \over \sqrt {2\pi} \sigma } e^{-{ (x-\mu)^{2} \over 2 \sigma^2} }$$$$\begin{aligned} L(\mu, \sigma^{2}) & = \left( {1 \over \sqrt{2\pi} \sigma } \right)^{2} \exp \left\{ -{1 \over 2 \sigma^{2} } \sum\limits_{i=1}^{n} (X_{i}-\mu)^{2} \right\} \\ \ln L(\mu, \sigma^{2}) & = -{n\over 2} \ln(2 \pi)-{n\over 2} \ln(\sigma^{2}) - {1 \over 2 \sigma^{2} } \sum\limits_{i=1}^{n}(X_{i}-\mu)^{2} \\ \end{aligned}$$$$\begin{cases} \displaystyle{\partial \ln L \over \partial \mu } = {1 \over \sigma^{2} } \sum\limits_{i=1}^{n} (X_{i}-\mu)=0 \\ \displaystyle{\partial \ln L \over \partial \sigma^{2} } = - {n \over 2 }{1 \over \sigma^{2} } + {1 \over 2 (\sigma^{2} ) ^ {2} } \sum\limits_{i=1}^{n}(X_{i}-\mu)^{2}=0 \end{cases}$$

解得

$$\begin{cases} \hat\mu =\overline{X} \\ \hat{\sigma^{2} } = \displaystyle{1 \over n} \sum\limits_{i=1}^{n}(X_{i}-\overline{X})^{2} \end{cases}$$

一致估计量

设 $\displaystyle \hat{\theta}$ 是 $\displaystyle \theta$ 的估计量，若对 $\displaystyle \forall\varepsilon> 0$，有 $\displaystyle \lim_{n\to\infty} P{\left({\left|\hat{\theta}-\theta\right|}<\varepsilon\right)}= 1$，或 $\displaystyle \lim_{n\to\infty} P{\left({\left|\hat{\theta}-\theta\right|}\ge\varepsilon\right)}= 0$，则 $\displaystyle \hat{\theta}$ 是 $\displaystyle \theta$ 的一致估计量。

证明方法

$$\displaystyle {\left\lbrace\begin{matrix*}[l]\underset{n\to\infty}{\lim} E\hat{\theta}=\theta\\\underset{n\to\infty}{\lim} D\hat{\theta}= 0\\\end{matrix*}\right.}$$

区间估计

置信区间

设 $\theta$ 是总体 $\displaystyle{ X }$ 的未知参数，$X_{1},X_{2},\cdots,X_{n}$ 是来自总体 $\displaystyle{ X }$ 的样本，对于给定的 $\alpha(0<\alpha<1)$，如果两个统计量 $\theta_{1},\theta_{2}$ 满足

$$P(\theta_{1}< \theta < \theta_{2}) = 1-\alpha$$

则称随机区间 $(\theta_{1},\theta_{2})$ 为参数 $\theta$ 的置信水平为 $1-\alpha$ 的置信区间。

一个正态总体参数的区间估计

设总体 $X \sim N(\mu, \sigma^{2})$，$\displaystyle{ X _{ i } }$ 是来自 $\displaystyle{ X }$ 的样本，$\overline{X}$ 是样本均值，$\displaystyle{ S ^{ 2 } }$ 为样本方差

未知参数	条件	$1-\alpha$ 置信区间
$\mu$	$\sigma^2$ 已知	$\displaystyle\left(\overline{X}-u_{\alpha/2}{\sigma\over\sqrt{n} },\overline{X}+u_{\alpha/2}{\sigma\over\sqrt{n} }\right)$
$\mu$	$\sigma^2$ 未知	$\displaystyle\left( \overline{X} - t_{\alpha/2}(n-1){S \over \sqrt{n} } , \overline{X}+t_{\alpha/2}(n-1){S \over \sqrt{n} } \right)$
$\sigma^2$		$\displaystyle \left( {(n-1) S^{2} \over \chi _{\alpha/2}^{2}(n-1) },{(n-1) S^{2} \over \chi _{1-\alpha/2}^{2}(n-1) } \right)$

两个正态总体参数的区间估计

$X\sim N(\mu_{1},\sigma_{1}^{2}),Y\sim N(\mu_{2},\sigma_{2}^{2})$

$$S_{w}=\sqrt {(n_{1}-1)S_{1}^{2} + (n_{2}-1)S_{2}^{2} \over n_{1}+n_{2}-2}$$

未知参数	条件	$1-\alpha$ 置信区间
$\mu_{1}-\mu_{2}$	$\sigma_{1}^{2},\sigma_{2}^{2}$ 已知	$\displaystyle\left( \overline{X} - \overline{Y} -u_{\alpha/2} \sqrt{ {\sigma_{1}^{2} \over n_{1} } + {\sigma_{2}^{2} \over n_{1} } } ,\overline{X} - \overline{Y} +u_{\alpha/2} \sqrt{ {\sigma_{1}^{2} \over n_{1} } + {\sigma_{2}^{2} \over n_{1} } } \right)$
$\mu_{1}-\mu_{2}$	$\sigma^{2}$ 未知但 $\sigma_{1}^{2}=\sigma_{2}^{2}$	$\begin{aligned}\left(\overline{X} - \overline{Y}-t_{\alpha/2} (n_{1}+n_{2}-2)S_{w}\sqrt{ {1\over n_{1} } +{1\over n_{2} } } ,\right.\\ \left.\overline{X} - \overline{Y}+t_{\alpha/2} (n_{1}+n_{2}-2)S_{w}\sqrt{ {1\over n_{1} } +{1\over n_{2} } } \right)\end{aligned}$
$\sigma_{1}^{2} / \sigma_{2}^{2}$		$\left( {S_{1}^{2}\over S_{2}^{2} } F_{1-\alpha/2} (n_{1}-1,n_{2}-1), {S_{1}^{2}\over S_{2}^{2} } F_{\alpha/2} (n_{1}-1,n_{2}-1) \right)$

假设检验

假设分为原假设和备择假设

显著性检验

• 根据问题提出原假设 $H_{0}$
• 给出显著性水平 $\alpha(0<\alpha<1)$
• 确定检验统计量及拒绝域形式
• 按犯第一类错误的概率等于 $\alpha$ 求出拒绝域 $\displaystyle{ W }$
• 根据样本值计算检验统计量 $\displaystyle{ T }$ 的观测值 $\displaystyle{ t }$，当 $t \in W$ 时，拒绝原假设；否则，接受原假设

	$\displaystyle{ H _{ 0 } }$ 正确	$\displaystyle{ H _{ 0 } }$ 错误
拒绝 $\displaystyle{ H _{ 0 } }$	第一类错误	正确
接受 $\displaystyle{ H _{ 0 } }$	正确	第二类错误

检验 $\mu$

$\sigma^{2}$ 已知，$H_{0}:\mu=\mu_{0}$

$$U={\overline{X} -\mu_{0} \over \sigma/ \sqrt{n} }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\displaystyle{ N \left( 0 , 1 \right) }$

$\sigma^{2}$ 未知，$H_{0}:\mu=\mu_{0}$

$$T={\overline{X}-\mu_{0}\over S/ \sqrt n }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\displaystyle{ N \left( 0 , 1 \right) }$

检验 $\sigma^{2}$

$\mu$ 已知，$H_{0}:\sigma^2=\sigma_0^2$

$$\chi^{2} = {\sum\limits_{i=1}^{n}(X_{i}-\mu)^{2} \over \sigma_{0}^{2} }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\chi^2(n)$

$\mu$ 未知，$H_0:\sigma^2=\sigma_0^2$

$$\chi^{2}={(n-1)S^{2} \over \sigma_{0}^{2} }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\chi^2(n-1)$

检验 $\mu_1-\mu_2$

$\sigma_1^2,\sigma_2^2$ 已知，$H_{0}:\mu_1-\mu_2=\mu_0$

$$U={\overline{X} -\overline{Y} - \mu_{0} \over \sqrt{ {\sigma_{1}^{2} \over n_{1} } + {\sigma_{2}^{2} \over n_{2} } } }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\displaystyle{ N \left( 0 , 1 \right) }$

$\sigma_{1}^{2},\sigma_{2}^{2}$ 未知，但 $\sigma_{1}^{2}=\sigma_{2}^{2}$，$H_{0}:\mu_{1}-\mu_{2}=\mu_{0}$

$$T={ \overline{X} -\overline{Y} -\mu_{0} \over S_{w}\sqrt{ {1 \over n_{1} } + {1 \over n_{2} } } }, S_{w}=\sqrt {(n_{1}-1)S_{1}^{2} + (n_{2}-1)S_{2}^{2} \over n_{1}+n_{2}-2}$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\displaystyle{ t \left( n _{ 1 } + n _{ 2 } - 2 \right) }$

检验 $\sigma_{1}^{2}-\sigma_{2}^{2}$

$\mu_{1},\mu_{2}$ 已知，$H_{0}:\sigma_{1}^{2}=\sigma_{2}^{2}$

$$F = {\sum\limits_{i=1}^{n_{1} } (X_{i}-\mu_{1})^{2} \over n_{1} } /{\sum\limits_{j=1}^{n_{2} } (X_{j}-\mu_{2})^{2} \over n_{2} }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $F(n_{1},n_{2})$

$\sigma_{1}^{2},\sigma_{2}^{2}$ 未知，$H_{0}:\sigma_{1}^{2}=\sigma_{2}^{2}$

$$F={S_{1}^{2}\over S_{2}^{2} }$$

$\displaystyle{ H _{ 0 } }$ 为真时检验统计量的分布 $\displaystyle{ F \left( n _{ 1 } - 1 , n _{ 2 } - 1 \right) }$