参数估计（点估计和区间估计）
1.1 点估计
点估计的理解示意图
下图中样本均值就是对总体均值的点估计
1.1.1 矩估计
关于什么是矩？可以参考马同学。传送门：如何理解概率论中的“矩”？
根据大数定律，样本矩会依概率收敛于总体矩，故可以用样本矩替代总体矩，从而完成对总体参数的点估计
X ˉ = 1 n ∑ i = 1 n X i → P E X A 2 = 1 n ∑ i = 1 n X i 2 → P E X 2 B 2 = 1 n ∑ i = 1 n ( X i − X ˉ ) 2 → P D X \bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_i \xrightarrow{P} EX\\ ~\\ A_2=\frac{1}{n}\sum_{i=1}^{n}X_i^2 \xrightarrow{P} EX^2\\ ~\\ B_2=\frac{1}{n}\sum_{i=1}^{n}(X_i-\bar{X})^2 \xrightarrow{P} DX Xˉ=n1i=1∑nXiPEX A2=n1i=1∑nXi2PEX2 B2=n1i=1∑n(Xi−Xˉ)2PDX
1.1.2 最大似然估计（MLE）
关于什么是似然？之前笔者大概了解了一下，但并不深入。传送门：区分概率与似然
似然函数 L ( θ ) L(\theta) L(θ)指的是样本（ X n X_n Xn）取到观测值（ x n x_n xn）的概率
离散型
L ( θ ) = P { X 1 = x 1 ， X 2 = x 2 ， ⋯ ， X n = x n } = 独立 P { X 1 = x 1 } P { X 2 = x 2 } ⋯ P { X n = x n } \begin{align*} L(\theta)&=P\{X_1=x_1，X_2=x_2，\cdots，X_n=x_n\} \\ &\overset{\text{独立}}{=}P\{X_1=x_1\} P\{X_2=x_2\} \cdots P\{X_n=x_n\}\\ \end{align*} L(θ)=P{
X1=x1，X2=x2，⋯，Xn=xn}=独立P{
X1=x1}P{
X2=x2}⋯P{
Xn=xn}
连续型（样本落在观测值邻域内的概率）
L ( θ ) = P { X 1 ∈ U ( x 1 ) ， X 2 ∈ U ( x 2 ) ， ⋯ ， X n ∈ U ( x n ) } = f ( x 1 , θ ) Δ x 1 ⋅ f ( x 2 , θ ) Δ x 2 ⋯ f ( x n , θ ) Δ x n = f ( x 1 , θ ) f ( x 2 , θ ) ⋯ f ( x n , θ ) ⋅ Δ x 1 Δ x 2 ⋯ Δ x n Δ x 1 Δ x 2 ⋯ Δ x n 与 θ 无关，丢弃 L ( θ ) = f ( x 1 , θ ) f ( x 2 , θ ) ⋯ f ( x n , θ ) \begin{align*} L(\theta)&=P\{X_1\in U(x_1)，X_2\in U(x_2)，\cdots，X_n\in U(x_n)\}\\ &=f(x_1,\theta)\Delta x_1\cdot f(x_2,\theta)\Delta x_2\cdots f(x_n,\theta)\Delta x_n\\ &=f(x_1,\theta)f(x_2,\theta)\cdots f(x_n,\theta)\cdot\Delta x_1\Delta x_2\cdots\Delta x_n\\ &\Delta x_1\Delta x_2\cdots\Delta x_n\text{与}\theta无关，丢弃\\ L(\theta)&=f(x_1,\theta)f(x_2,\theta)\cdots f(x_n,\theta) \end{align*} L(θ)L(θ)=P{
X1∈U(x1)，X2∈U(x2)，⋯，Xn∈U(xn)}=f(x1,θ)Δx1⋅f(x2,θ)Δx2⋯f(xn,θ)Δxn=f(x1,θ)f(x2,θ)⋯f(xn,θ)⋅Δx1Δx2⋯ΔxnΔx1Δx2⋯Δxn与θ无关，丢弃=f(x1,θ)f(x2,θ)⋯f(xn,θ)
最大似然的思想：概率越大的事情频率越高
引例：假设箱子内5个球，随机摸球10次，每次摸1个，摸后放回，共10次，若出现2黑8红，估计这个箱子中1黑4红，当然这个估计可能是错的，也可能是其他情况，但也不影响最大似然的正确性，只是说出现1黑4红这种情况的概率是最大的。
求最大似然步骤
在 θ \theta θ 的取值范围内找 θ ^ \hat{\theta} θ^ 使得 L ( θ ^ ) L(\hat{\theta}) L(θ^) 最大
1.1.3 估计量的评选标准
未知参数 θ \theta θ 的估计量 θ ^ \hat{\theta} θ^，判断这个估计量准不准有三个标准
无偏性
若 E ( θ ^ ) = θ E(\hat{\theta})=\theta E(θ^)=θ，则 θ ^ \hat{\theta} θ^ 是 θ \theta θ 的无偏估计量
未知参数的无偏估计量不唯一
无论何种总体，都有以下结论
注意：
若 θ ^ \hat{\theta} θ^ 是 θ \theta θ 的无偏估计量，则 g ( θ ^ ) g(\hat{\theta}) g(θ^) 未必是 g ( θ ) g(\theta) g(θ) 的无偏估计
有效性
θ 1 ^ 、 θ 2 ^ \hat{\theta_1}、\hat{\theta_2} θ1^、θ2^均为 θ \theta θ 的无偏估计（有效性的前提是要有无偏性），若 D ( θ 1 ^ ) ≤ D ( θ 2 ^ ) D(\hat{\theta_1})\leq D(\hat{\theta_2}) D(θ1^)≤D(θ2^)，则称 θ 1 ^ \hat{\theta_1} θ1^ 比 θ 2 ^ \hat{\theta_2} θ2^ 更有效
一致性
若 θ ^ → P θ \hat{\theta}\overset{P}{\rightarrow}\theta θ^→Pθ（依概率收敛）则称 θ ^ \hat{\theta} θ^ 是 θ \theta θ 的一致估计量
1.2 区间估计
区间估计：估计总体参数的范围
区间估计的大致步骤：
置信区间 ( θ 1 ^ ， θ 2 ^ ) (\hat{\theta_1}，\hat{\theta_2}) (θ1^，θ2^)
置信下限： θ 1 ^ \hat{\theta_1} θ1^、置信上限： θ 2 ^ \hat{\theta_2} θ2^
置信度/置信水平： 1 − α 1-\alpha 1−α
总体X含未知参数 θ \theta θ， X 1 ， X 2 ， ⋯ ， X n X_1，X_2，\cdots，X_n X1，X2，⋯，Xn是来自总体X的样本，对于给定的 α \alpha α（值很小， 0 < α < 1 0<\alpha<1 0<α<1），若有两个统计量满足：
P { θ 1 ^ < θ < θ 2 ^ } = 1 − α P\{\hat{\theta_1}<\theta<\hat{\theta_2}\}=1-\alpha P{
θ1^<θ<θ2^}=1−α
随机区间包含总体参数的可信度为 1 − α 1-\alpha 1−α
下图来自《统计学图鉴》
求置信区间的方法
选取置信下限a和置信上限b的原则
正态总体下参数 μ 、 σ 2 \mu、\sigma^2 μ、σ2 的置信区间
常见样本统计量服从的分布详见本人博客：正态总体下常见的抽样分布
在 σ 2 \sigma^2 σ2已知或未知情况下求 μ \mu μ
（1） σ 2 \sigma^2 σ2已知时， μ \mu μ的置信度为 1 − α 1-\alpha 1−α的置信区间为：
标准正态分布中当 α = 0.5 \alpha=0.5 α=0.5 时， α / 2 = 0.025 \alpha/2=0.025 α/2=0.025， U α / 2 = 1.96 U_{\alpha/2}=1.96 Uα/2=1.96
（2） σ 2 \sigma^2 σ2未知时， μ \mu μ的置信度为 1 − α 1-\alpha 1−α的置信区间为：
在 μ \mu μ已知或未知情况下求 σ 2 \sigma^2 σ2
（1） μ \mu μ已知时，求 σ 2 \sigma^2 σ2的置信度为 1 − α 1-\alpha 1−α的置信区间为：
（2） μ \mu μ未知时，求 σ 2 \sigma^2 σ2的置信度为 1 − α 1-\alpha 1−α的置信区间为：
小结：各种情况下，统计量的选取
