目录

• 1  点估计的概念与无偏性
• 2  矩估计及相合性
• 3  最大似然估计与EM算法
  • 3.1  最大似然估计（MLE，maximum likelihood estimation）
  • 3.2  EM算法（Expectation-maximization algorithm）
• 4  最小方差无偏估计
  • 4.1  均方误差（MSE，mean square error）
  • 4.2  最小方差无偏估计
• 5  有限总体的抽样分布
  • 5.1  比率p的抽样分布
    • 5.1.1  有放回抽样
    • 5.1.2  无放回抽样
  • 5.2  均值$\bar x$的抽样分布
    • 5.2.1  有放回抽样
    • 5.2.2  无放回抽样
• 6  区间估计
  • 6.1  单正态总体的置信区间
    • 6.1.1  $\sigma$已知时$\mu$的置信区间
    • 6.1.2  $\sigma$未知时$\mu$的置信区间
    • 6.1.3  $\sigma^2$的置信区间
  • 6.2  大样本置信区间
  • 6.3  两正态总体下的置信区间
    • 6.3.1  $\mu_1-\mu_2$的置信区间
      • 6.3.1.1  $\sigma_1^2,\sigma^2_1$已知时
      • 6.3.1.2  $\sigma_1^2=\sigma^2_2=\sigma^2$未知时
      • 6.3.1.3  $\sigma_2^2=c\sigma^2_1$且c已知时
      • 6.3.1.4  m,n都很大时的近似置信区间
    • 6.3.2  $\sigma_1^2/\sigma_2^2$的置信区间

点估计的概念与无偏性

• 点估计：设\(x_1,x_2,x_3...x_n\)是来自总体的一个样本，则用于估计未知参数的估计量\(\hat \theta=\hat \theta(x_1,x_2...x_n)\)称为统计量\(\theta\)的点估计。

例如，样本平均值是总体均值的点估计，样本方差是总体方差的点估计。

• 无偏性：

\[E(\hat\theta)=\theta \]

• 渐近无偏估计：

\[\lim_{n\rightarrow\infty}E(\hat \theta)=\theta \]

• 有效性：设\(\hat \theta_1，\hat \theta_2\)都是\(\theta\)的无偏估计，若对于任意样本，

\[D(\hat \theta_1)\leq D(\hat \theta_2) \]

且至少存在一组样本使不等号严格成立，则称\(\hat \theta_1\)比\(\hat \theta_2\)有效。

矩估计及相合性

• 矩估计：用样本矩（如均值方差等）估计未知变量的方法。

• 相合性：\(\theta\)为未知参数，\(\hat \theta\)是\(\theta\)的一个估计量，\(n\)是样本容量，弱对于任意的\(\epsilon>0\)，有

\[\lim_{n\rightarrow\infty} P(|\hat\theta-\theta|\geq\epsilon)=0 \]

则称\(\hat\theta\)是\(\theta\)的一个相合估计。

• 定理：设\(\hat\theta\)是\(\theta\)的一个估计量，若

\[\lim_{n\rightarrow\infty}E\hat\theta=\theta，\lim_{n\rightarrow\infty}D\hat\theta=0 \]

则\(\hat\theta\)是\(\theta\)的一个相合估计。

• 定理：若\(\hat\theta_1，\hat\theta_2，\hat\theta_3...\hat\theta_k\)是\(\theta_1，\theta_2，\theta_3...\theta_k\)的相合估计，\(\eta=\eta(\theta_1,\theta_2...\theta_k)\)是连续函数，则\(\hat\eta=\hat\eta(\hat\theta_1，\hat\theta_2，\hat\theta_3...\hat\theta_k)\)是\(\eta\)的相合估计

相合性被认为是估计量的一个基本要求。

最大似然估计与EM算法

最大似然估计（MLE，maximum likelihood estimation）

• 最大似然估计：设总体的概率密度函数为\(f(x;\theta)\)，\(\theta\)为未知参数，样本的联合概率密度函数

\[L(\theta)=\prod f(x_i;\theta) \]

称为样本的似然函数，对于统计量\(\hat\theta\)满足

\[L(\hat\theta)=max L(\theta) \]

称\(\hat\theta\)是\(\theta\)的最大似然估计。

  最大似然估计基于这样一个想法：在一次抽样中获得该组数据的概率应当是最大的，因此，取使得联合概率最大的\(\hat\theta\)为\(\theta\)的估计值。

EM算法（Expectation-maximization algorithm）

• EM算法流程

输入：观察数据 \(x=(x_1,x_2,…x_n)\)，联合分布$ p(x,z|\theta)$，条件分布 \(p(z|x,\theta)\)， 极大迭代次数 J。

1. 随机初始化模型参数\(\theta\)的初值\(\theta_0\)

2. \(for\space j \space in \space range(1,J+1)\)：

• a) E步：计算联合分布的条件概率期望：

  \[Q_i(z^{(i)}) = P( z^{(i)}|x^{(i)}，\theta) \]

• b) M步：极大化 \(L(\theta)\),得到 \(\theta\):

  \[\theta = arg \max \limits_{\theta}\sum\limits_{i=1}^m\sum\limits_{z^{(i)}}Q_i(z^{(i)})log{P(x^{(i)}， z^{(i)}|\theta)} \]

• c) 重复E、M步骤直到\(\theta\)收敛

输出：模型参数\(\theta\)

  EM算法针对含有隐含分布的数据，可以看作最大似然估计的一种计算方法，详细见其它文章。

最小方差无偏估计

均方误差（MSE，mean square error）

  相合性是大样本下评价估计好坏的一个重要标准，小样本下使用均方误差。

\[MSE(\hat \theta)=E(\hat\theta-\theta)^2 \]

  注意到

\[\begin{split}MSE(\hat\theta)&=E(\hat\theta-E\hat\theta+E\hat\theta-\theta)^2\\&=E(\hat\theta-E\hat\theta)^2+(E\hat\theta-\theta)^2+2E(\hat\theta-E\hat\theta)(E\hat\theta-\theta)\\&=D(\hat\theta)+(E\hat\theta-\theta)^2\end{split} \]

因此，MSE由点估计的方差和偏差平方两部分组成。

最小方差无偏估计

对于参数估计问题，设\(\hat\theta\)是\(\theta\)的一个无偏估计，对于任意的一个\(\theta\)的无偏估计\(\widetilde{\theta}\)，若有

\[D(\hat\theta)\leq D(\widetilde{\theta}) \]

则称\(\hat\theta\)是\(\theta\)的一致最小方差无偏估计，记为UMVUE(Uniformly Minimum-Variance Unbiased Estimator)

有限总体的抽样分布

  对于无限总体，或有放回的抽样，由中心极限定理可知，当样本容量\(n\)较大时，有随机变量\(X\sim N(\mu,\frac {\sigma^2}{n})\)，当总体有限，并且抽样为无放回抽样时，各样本不满足独立同分布的要求，因此，不服从上述分布，均值、方差与上述计算方法不同。

比率p的抽样分布

  考虑以下有限总体的场景，总体容量为\(N\)，其中事件\(A\)的个体数为\(M\)，样本容量为\(n\)，其中事件\(A\)的个体数为\(m\)，总体中事件A发生的概率为\(p=\frac MN\)，样本中，事件\(A\)的比率为\(\widehat p=\frac mn\)，则\(\widehat p\)是\(p\)的点估计。

有放回抽样

当抽样为有放回抽样时，显然有

\[A\sim B(n,p) \]

\[EA=np \]

\[DA =np(1-p) \]

证明见https://www.cnblogs.com/lifz-ml/p/15105108.html 常用离散分布

显然有

\[E\widehat p=E(\frac mn)=\frac {Em}n=p \]

\[D\widehat p=\frac{Dm}{n^2}=\frac{p(1-p)}{n} \]

无放回抽样

当无放回抽样时，\(X\)不再服从\(n\)重伯努利分布，服从超几何分布

\[A\sim h(n,N,M) \]

\[EA=n\frac MN \]

\[DA=\frac{nM(N-M)(N-n)}{N^2(N-1)} \]

以上证明见https://www.cnblogs.com/lifz-ml/p/15105108.html 常用离散分布

\[E\widehat p=\frac {Em}n=\frac MN=p \]

\[D\widehat p=\frac {Dm}{n^2}=\frac{M(N-M)(N-n)}{nN^2(N-1)}=\frac {p(1-p)}n\frac{N-n}{N-1} \]

其中，\(\sqrt{\frac{N-n}{N-1}}\)被称为有限总体修正系数。

均值\(\bar x\)的抽样分布

  考虑如下场景，对于有限总体\(X\)，其分布为离散型，可描述为以下分布列：

取值	概率	频数
\(x_1\)	\(p_1\)	\(f_1\)
\(x_2\)	\(p_2\)	\(f_2\)
\(x_3\)	\(p_3\)	\(f_3\)
\(x_4\)	\(p_4\)	\(f_4\)
...	...	...
\(x_k\)	\(p_k\)	\(f_k\)

  同样，总体容量为\(N\)，样本容量为\(n\)，总体均值为\(\mu\)，总体方差为\(\sigma^2\)。

有放回抽样

  显然每个样本\(X_i\)独立同分布于\(X\)，当样本数\(n\)较大时，有

\[\bar x \sim N(\mu,\frac {\sigma^2}n) \]

无论样本数大小，都有

\[E\bar x =\mu \]

\[D\bar x = \frac {\sigma^2}n \]

无放回抽样

\[E\bar x=E\frac {\sum_{i=1}^{n} X_i}{n}=EX_i=\mu \]

\[D\bar x = \frac {N-n}{N-1}\frac {\sigma^2}n \]

区间估计

• 置信区间：设\(\theta\)是总体的一个参数，对于给定的\(\alpha(0<\alpha<1)\)，设有两个统计量\(\hat\theta_{L}\)和\(\hat\theta_{U}\)，对任意的\(\theta\)，有

\[P(\hat\theta_{L}\leq\theta\leq\hat\theta_{U})\geq1-\alpha \]

则称\([\hat\theta_{L}，\hat\theta_{U}]\)为置信度为\(1-\alpha\)的置信区间

置信区间的一个解释：在次抽样中，每次抽样所得的\(\hat\theta\)有\(1-\alpha\)的概率落在置信区间中。

• 枢轴量法
  • 构造样本和待预测变量的函数\(G(x_1,x_2,..x_n,\theta)\)
  • 适当选择两常数，使得
  \[P(c\geq G \geq d)=1-\alpha \]
  • 若\(c\geq G \geq d\)能变形为\(\hat\theta_{L}\leq\theta\leq\hat\theta_{U}\)，则置信区间可得。

单正态总体的置信区间

\(\sigma\)已知时\(\mu\)的置信区间

由于

\[\bar x\sim N(\mu,\frac {\sigma^2}{n}) \]

因此，构造枢轴量

\[G=\frac{\bar x-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]

由标准正态分布表查得，置信度为\(1-\alpha\)的双侧置信区间为\([-z_{1-\frac \alpha 2}，z_{1-\frac \alpha 2}]\)，则\(\mu\)的置信区间为

\[-z_{1-\frac \alpha 2}\leq\frac{\bar x-\mu}{\sigma/\sqrt{n}}\leq z_{1-\frac \alpha 2} \]

\[\bar x - z_{1-\frac \alpha 2} \frac\sigma{\sqrt{n}}\leq \mu\leq \bar x + z_{1-\frac \alpha 2}\frac\sigma{\sqrt{n}} \]

\(\sigma\)未知时\(\mu\)的置信区间

由于

\[\frac{\bar x-\mu}{\sigma/\sqrt{n}}\sim N(0,1) \]

\[\frac{(n-1)s^2}{\sigma^2}\sim\chi^2(n-1) \]

故，构造枢轴量

\[t=\frac{\bar x-\mu}{s/\sqrt{n}}\sim t(n-1) \]

则置信区间为

\[\bar x - t_{1-\frac \alpha 2}(n-1) \frac s{\sqrt{n}}\leq \mu\leq \bar x + t_{1-\frac \alpha 2}(n-1)\frac s{\sqrt{n}} \]

\(\sigma^2\)的置信区间

以以下统计量为枢轴量

\[\frac{(n-1)s^2}{\sigma^2}\sim\chi^2(n-1) \]

由于\(\chi^2\)是恒为非负的偏态分布，因此，枢轴量区间为

\[[\chi^2_{\frac \alpha 2},\chi^2_{1-\frac \alpha 2}] \]

故\(\sigma^2\)的置信区间为

\[[\frac{(n-1)s^2}{\chi^2_{1-\alpha /2}}，\frac{(n-1)s^2}{\chi^2_{\alpha /2}}] \]

大样本置信区间

  以上是正态分布下的枢轴量法，当分布不是正态分布时，寻找枢轴量及其分布会比较困难，因此，当数据量较大时，可用渐近分布构建近似置信区间。以上述抽样比率\(p\)为例，\(X\sim B(1,p)\)，由中心极限定理，有以下近似分布

\[\bar x\sim N(p,\frac {p(1-p)}n) \]

构造枢轴量

\[G=\frac {\bar x-p}{\sqrt{p(1-p)/n}}\sim N(0,1) \]

令\(\lambda = z^2_{1-\frac \alpha 2}\)，则

\[(\frac {\bar x-p}{\sqrt{p(1-p)/n}})^2\leq \lambda \]

\[(1-\frac \lambda n)p^2-(2p+\frac \lambda n)p+\bar x^2\leq 0 \]

上式两根为

\[\frac 1{1+\lambda/n}(\bar x +\frac \lambda{2n}\pm\sqrt{\frac{\bar x(1-\bar x)}{n}\lambda+\frac {\lambda^2}{4n^2}}) \]

当n较大时，可得近似区间

\[[\bar x-z_{1-\frac \alpha 2}\sqrt{\frac {\bar x(1-\bar x)}{n}}，\bar x+z_{1-\frac \alpha 2}\sqrt{\frac {\bar x(1-\bar x)}{n}}] \]

两正态总体下的置信区间

  \(x_1,x_2,...x_m\)是\(N(\mu_1,\sigma^2_1)\)的样本，\(y_1,y_2,...y_n\)是\(N(\mu_2,\sigma^2_2)\)的样本,\(s_x\)，\(s_y\)分别是两样本的方差。

\(\mu_1-\mu_2\)的置信区间

\(\sigma_1^2,\sigma^2_1\)已知时

此时有

\[\bar x-\bar y\sim N(\mu_1-\mu_2,\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}) \]

枢轴量

\[G=\frac {\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}}}\sim N(0,1) \]

则\(\mu_1-\mu_2\)的置信区间为

\[\bar x-\bar y\pm z_{1-\frac \alpha 2}\sqrt{\frac{\sigma^2_1}{m}+\frac{\sigma^2_2}{n}} \]

\(\sigma_1^2=\sigma^2_2=\sigma^2\)未知时

\[\bar x-\bar y\sim N(\mu_1-\mu_2,(\frac1{m}+\frac1{n}){\sigma^2}) \]

\[\frac{(m-1)s_x^2+(n-1)s_y^2}{\sigma^2}\sim \chi^2(m+n-2) \]

构造枢轴量

\[t=\sqrt{\frac{mn(m+n-2)}{m+n}}\frac{\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{(m-1)s^2_x+(n-1)s^2_y}}\sim t(m+n-2) \]

令

\[s_w^2=\frac{(m-1)s_x^2+(n-1)s_y^2}{m+n-2} \]

则置信区间为

\[\bar x-\bar y \pm \sqrt{\frac {m+n}{mn}}s_wt_{1-\frac \alpha 2}(m+n-2) \]

\(\sigma_2^2=c\sigma^2_1\)且c已知时

方法同上，置信区间为

\[\bar x-\bar y \pm \sqrt{\frac {cm+n}{mn}}s_wt_{1-\frac \alpha 2}(m+n-2) \]

m,n都很大时的近似置信区间

由中心极限定理，可得以下近似分布

\[\frac{\bar x-\bar y-(\mu_1-\mu_2)}{\sqrt{\frac{s_x^2}m+\frac{s_y^2}n}}\sim N(0，1) \]

近似置信区间

\[\bar x-\bar y\pm z_{1-\frac \alpha 2}\sqrt{\frac{s_x^2}m+\frac{s_y^2}n} \]

\(\sigma_1^2/\sigma_2^2\)的置信区间

由

\[\frac {(m-1)s_x^2}{\sigma_1^2}\sim\chi^2(m-1) \]

\[\frac {(n-1)s_y^2}{\sigma_2^2}\sim\chi^2(n-1) \]

构造枢轴量

\[F=\frac{s_x^2/\sigma^2_1}{s_y^2/\sigma^2_2}\sim F(m-1,n-1) \]

\(\sigma_1^2/\sigma_2^2\)的置信区间为

\[[\frac{s_x^2}{s_y^2}\frac1 {F_{1-\frac\alpha2}(m-1,n-1)}，\frac{s_x^2}{s_y^2}\frac1 {F_{\frac\alpha2}(m-1,n-1)}] \]