第六章 参数估计

 依据样本推出总体分布的参数,方法有两种:矩估计和极大似然估计。
 参数估计的形式有:点估计和区间估计。
 点估计:构造合适的统计量θˆ=θˆ(X1,X2,...Xn)用来估计未知参数θθˆ称为参数θ的点估计量。
 当给定样本观察值x1,x2,...xn时,θˆ(x1,x2,...xn)称为参数θ的点估计值。

矩估计

 矩估计:用样本矩估计总体矩,用样本矩的函数估计总体矩的函数。
 理论依据:辛钦大数定理、依概率收敛的性质
 矩的概念参见这里。

矩估计步骤

 设总体的k个未知参数为θ1...θkX1,...Xn样本来自总体X,假设总体的前k阶矩存在。
 1 建立总体分布的参数与总体矩之间的关系:μi=E(Xi)=hi(θ1...θk),i=1,2...k
 2 求各参数关于k阶矩的反函数:θi=gi(μ1...μk),i=1,2…k
 3 以样本各阶矩A1,A2..Ak代替总体X的各阶矩μ1...μk,得到各参数的矩估计:θˆ=gi(A1,A2...Ak)i=1,2...k
 在实际应用中,使用中心距也可以。
 矩估计不涉及总体分布。

极大似然估计

从这里开始

  极大似然是这样开始的。如果瓶子里有黑球和白球,已知有一种球概率是34,但不知道具体是哪种球。采用放回抽样做了一次试验,取了5个球。这5个球的观察结果分别为黑、白、黑、黑、黑。估计一下黑球的概率。
  设X={1,0,,则X~B(1,p)。p为黑球的概率。p的可能取值是p=14p=34。抽取容量为5的样本X1,X2,...X5,观察值为1,0,1,1,1。
  当p=14,出现本次观察结果的概率是(14)434=31024
  当p=34,出现本次观察结果的概率是(34)414=811024
  811024>31024,所以p=34更有可能。于是p^=34
  说明两点。
  1 这个容量为n的样本,是服从B(n,p),p是未知参数。依据这个样本出现概率最大的时候,p的取值,作为p的估计值,叫做p^
  2 因为样本是独立抽样,所以样本出现最大概率表示为ni=nP(Xi),每个事件发生概率的乘积,称为似然函数。
  依据这两点,推广为一般的定义。

极大似然定义

 设离散型总体X~p(x;θ),θ一个定义域。X1,X2,...Xn为样本,观察值为x1,x2,...xn,则事件{X1=x1,X2=x2...Xn=xn}发生的概率为似然函数L(θ)=ni=1p(xi;θ)
 极大似然原理L(θ^(x1,x2...xn))=maxθrangeL(θ)。当似然函数取得最大值时候的参数θ,就是未知参数θ的估计值。
 θ^(x1,x2...xn)称为θ极大似然估计值。相应的统计量θ^(X1,X2..Xn)称为θ极大似然估计量(MLE)。
 
 设连续型总体X概率密度函数为f(x;θ),θ一个定义域。X1,X2,...Xn为样本,观察值为x1,x2,...xn,则样本在观察值领域发生的概率为似然函数L(θ)=ni=1f(xi;θ)
 极大似然原理L(θ^(x1,x2...xn))=maxθrangeL(θ)。当似然函数取得最大值时候的参数θ,就是未知参数θ的估计值。
 
 说明:
 1 未知参数可能不是一个,设为θ=(θ1,θ2...θn)
 2 求L(θ)的最大值时,可转换为求lnL(θ)的最大值,lnL(θ)称为对数似然函数。利用偏微分解得θ^i,i=1,2…k。
 3 若L(θ)是关于某个θi的单调递增(减)函数,则θi的极大似然估计为θi的最大(小)值(与样本有关)。
 4 若θ^θ的极大似然估计,则g(θ)的极大似然估计为g(θ^)

极大似然估计步骤

 1 找到分布律或者概率密度函数。
 2 写出极大似然函数L(θ)
 3 观察L(θ)是关于未知变量的单调函数吗?如果是,则根据单调性找到L(θ)取最大值时候的参数值。如果不是,判断函数对未知变量是否容易求导,选择是直接对原函数求导还是先求对数再求导。导函数为0的点就是参数的估计值。
 
 

比较

比较项矩估计极大似然估计
原理辛钦大数定理;依概率收敛的性质样本出现概率最大
计算方法联立方程组;有几个变量需要几个方程微分/偏微分
特点与分布无关,计算矩或者中心矩根据分布函数或者概率密度函数建立似然函数
条件需要k阶矩存在需要似然函数的导函数存在或者具有单调性

估计量的评价准则

无偏性准则

 若参数θ的估计量θ^(X1,X2...Xn),满足E(θ^)=θ,则称θ^θ的无偏估计量。
 若E(θ^)θ,则|E(θ^)θ|称为估计量θ^的偏差。
 若limn>+E(θ^)=θ,则称θ^θ的渐进无偏估计量。
 无偏估计量的统计意义是指在大量重复试验下,由θ^(X1,X2...Xn)给出的估计平均恰是θ。从而保证了θ^没有系统误差。

纠偏方法

 如果E(θ^)=aθ+b,其中a,b是常数,且ane0,则1a(θ^b)θ的无偏估计。
 B2=n1nS2

有效性准则

定义

 设θ^1θ^2θ的两个无偏估计,如果D(θ^1)D(θ^2),对一切定义域的θ都成立,且不等号至少对定义域内的某一个θ成立,则称θ^1θ^2有效。
 方差较小的估计量是一个更有效的估计量。

均方误差准则

 设θ^θ点估计,且方差存在,则称E(θ^θ)2θ^的均方误差,记为Mse(θ^)。
 若θ^θ的无偏估计,则有Mse(θ^)=D(θ^)
 设θ^1θ^2θ的点估计,如果Mse(θ^1)<Mse(θ^2),对定义域内的θ都成立,则称在均方误差准则下,θ^1要优于θ^2

相合性准则

 设θ^(X1,X2...Xn)为参数θ的估计量,若对于任意定义域内的θ,当n>+θ^n依概率收敛于θ,则称θ^nθ的相合估计量或一致估计量。
 也就是说:对ε>0,有limn>+P{|θ^θ|ε}=0成立。

总结

 四个准则分别从期望、方差、差平方的期望、极限四个角度做了评价。简单概括是:无偏性:E(θ^)=θ;有效性:D(θ^)尽可能小;均方误差准则:E(θ^θ)2尽可能小;相合性准则: limn>+P{|θ^θ|ε}=0

练习

 1 对于任何分布,E(X¯¯¯)=E(X):样本均值的数学期望等于总体的数学期望;E(S2)=D(X):样本方差的数学期望等于总体的方差。
 2 E[(Xc)2]=D(X)+(E(X)c)2
 3 D(X)=E(X2)[E(X)]2

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/424959.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

第四十四期:1.3万亿条数据查询如何做到毫秒级响应?

知乎&#xff0c;在古典中文中意为“你知道吗?”&#xff0c;它是中国的 Quora&#xff0c;一个问答网站&#xff0c;其中各种问题由用户社区创建&#xff0c;回答&#xff0c;编辑和组织。 图片来自 Pexels 作为中国最大的知识共享平台&#xff0c;我们目前拥有 2.2 亿注册用…

Python拷贝梳理

python中存在与其他语言不同的概念&#xff0c;现在梳理一下相关概念。 其中 变量&#xff1a;拥有指向对象的连接空间&#xff0c;即引用空间的代称。 引用&#xff1a;指变量指向对象的指针。 对象&#xff1a;指变量声明后所产生的内存空间。 可变对象&#xff1a;表示…

sql一对多查询

子查询返回的值不止一个。当子查询跟随在 、!、<、<、>、> 之后&#xff0c;或子查询用作表达式时&#xff0c;这种情况是不允许的。 正确写法&#xff1a; select Material_Manage.MaterialNum,Material_Manage.MaterialName,Material_Manage.MaterialWeight,Mate…

[Leetcode][第130题][JAVA][被围绕的区域][DFS][BFS]

【问题描述】[中等] 【解答思路】 1. 深度优先搜索 使用深度优先搜索实现标记操作。在下面的代码中&#xff0c;我们把标记过的字母 O 修改为字母 A。 复杂度 class Solution {int[] dx {1, -1, 0, 0};int[] dy {0, 0, 1, -1};public void solve(char[][] board) {int n …

第四十五期:程序员未来干什么?做架构还是做管理?

很多程序员应该都会有这个疑问&#xff0c;尤其是工作经验不多的&#xff0c;对未来充满了期待。在我职业生涯的早期&#xff0c;比较偏重于走管理路线&#xff1b;现在呢&#xff0c;成了公司的架构师&#xff0c;当然也会承担一部分的管理工作。 很多程序员应该都会有这个疑问…

leetcode之回溯backtracing专题1

39 Combination Sum 给一组整数&#xff0c;给一个目标整数。从数组中任意选择几个数&#xff0c;这几个数的和等于目标整数。数组中每个数字可以选择多次。  例如given candidate set [2, 3, 6, 7] and target 7, 返回 [ [7], [2, 2, 3] ] 思路&#xff1a;数组candidat…

第十九期:HTTPS虐我千百遍,我却待她如初恋!

本篇将讨论 HTTPS 的加解密原理&#xff0c;很多人都知道 RSA&#xff0c;以为 HTTPSRSA&#xff0c;使用 RSA 加解密数据&#xff0c;实际上这是不对的。 图片来自 Pexels HTTPS 是使用 RSA 进行身份验证和交换密钥&#xff0c;然后再使用交换的密钥进行加解密数据。 身份验…

[Leetcode][第546题][JAVA][移除盒子][递归][动态规划]

【问题描述】[困难] 【解答思路】 1. 递归 动态规划 class Solution {public int removeBoxes(int[] boxes) {int[][][] dp new int[100][100][100];return calculatePoints(boxes, dp, 0, boxes.length - 1, 0);}public int calculatePoints(int[] boxes, int[][][] dp, int…

leetcode之回溯backtracing专题2

46 Permutations 输入一个不重复的数组 &#xff0c;写出这个数组的排列&#xff0c;不能重复。  例如 输入nums[1,2,3]&#xff0c;输出 [ [1,2,3], [1,3,2], [2,1,3], [2,3,1], [3,1,2], [3,2,1] ] 思路&#xff1a;可以看到 第0位&#xff08;从左开始数&#xff…

第二十期:核心交换机的链路聚合、冗余、堆叠、热备份

链路聚合是将两个或更多数据信道结合成一个单个的信道&#xff0c;该信道以一个单个的更高带宽的逻辑链路出现。 一、链路聚合 链路聚合是将两个或更多数据信道结合成一个单个的信道&#xff0c;该信道以一个单个的更高带宽的逻辑链路出现。 链路聚合一般用来连接一个或多个带…

[Leetcode][第20题][JAVA][有效的括号][栈][HashMap]

【问题描述】[中等] 【解答思路】 1. 栈 如果是一个合法的括号序列&#xff0c;遍历到一个右括号(i)时&#xff0c;那么它的前一个括号(i-1)必定是它的另一半(左括号)。反之不是它的另一半或者前面没有括号时&#xff0c;那这个序列必定是非法括号序列。 思路&#xff1a;利用…

Unity3D 物体移动方法总结

1. 简介 在Unity3D中&#xff0c;有多种方式可以改变物体的坐标&#xff0c;实现移动的目的&#xff0c;其本质是每帧修改物体的position。 2. 通过Transform组件移动物体 Transform 组件用于描述物体在空间中的状态&#xff0c;它包括 位置(position)&#xff0c; 旋转(rotati…

leetcode之回溯backtracing专题3

17 Letter Combinations of a Phone Number 手机上每个数字按钮旁边都有3-4个字母&#xff0c;输入数字字符串&#xff0c;输出可能的字母组合。  例如输入&#xff1a;”23”  输出&#xff1a;[“ad”, “ae”, “af”, “bd”, “be”, “bf”, “cd”, “ce”, “cf”]…

第二十一期:拜托!面试不要再问我Spring Cloud底层原理

毫无疑问&#xff0c;Spring Cloud 是目前微服务架构领域的翘楚&#xff0c;无数的书籍博客都在讲解这个技术。 不过大多数讲解还停留在对 Spring Cloud 功能使用的层面&#xff0c;其底层的很多原理&#xff0c;很多人可能并不知晓。 因此本文将通过大量的手绘图&#xff0c…

springBoot修改代码不需要重启-热部署

springboot每次修改代码都需要重启项目&#xff0c;进行热部署后就不需要每次修改代码都要重启项目了 热部署&#xff1a; 需要在pom.xml里进行配置 <dependency> <groupId>org.springframework.boot</groupId> <artifactId>spring-boot-devtools&…

[Leetcode][第133题][JAVA][克隆图][DFS][BFS][深拷贝]

【问题描述】[中等] 【解答思路】 其实就是深拷贝的一个实现&#xff0c;深拷贝就是对于所有的指针成员&#xff0c;不能仅仅是赋值&#xff0c;还有重新分配空间。 深拷贝反应在本题中就是&#xff0c;所有的结点需要重新new出来&#xff0c;而不是直接赋值。 整体的思路依然…

阅读目录(置顶)(长期科技领域知识)

第一期:适用于数据项目的7种强大的开源工具 第二期:四种正确的微服务部署方式 第三期:开源和赚钱何去何从 第四期:Web前端和Java开发哪个薪资更高&#xff0c;发展前景更好&#xff1f; 第五期:干货总结&#xff1a;中级前端工程师必须要掌握的27个JavaScript 技巧 第六期…

leetcode之回溯backtracing专题4

131 Palindrome Partitioning 输入一个字符串s&#xff0c;将s分割为n个子串&#xff0c;每个子串都是一个回文。返回s有多少种分割方式。  例如输入&#xff1a;“aab”  输出&#xff1a;[ [“aa”,”b”], [“a”,”a”,”b”] ]  思路&#xff1a;这是一个不断将问…

[Leetcode][第733题][JAVA][图像渲染][BFS][DFS]

【问题描述】[简单] 【解答思路】 千万不要想复杂了 不是三维空间 是一维空间 &#xff01; 本题要求将给定的二维数组中指定的「色块」染成另一种颜色。「色块」的定义是&#xff1a;直接或间接相邻的同色方格构成的整体。 可以发现&#xff0c;「色块」就是被不同颜色的方…

第六章 参数估计(续)

区间估计 问题&#xff1a;点估计估计的参数有多大概率是正确的&#xff1f;用区间估计来表示。 置信区间 设总体X的分布函数F(x;θ)&#xff0c;θ未知&#xff0c;对给定值α(0<α<1)&#xff0c;有两个统计量θ^Lθ^L(X1,X2,...Xn),θ^Uθ^U(X1,X2,...Xn)&#xff0c…