【概率论三】参数估计

文章目录

  • 一. 点估计
    • 1. 矩估计法
    • 2. 极大似然法
      • 1. 似然函数
      • 2. 极大似然估计
    • 3. 评价估计量的标准
      • 2.1. 无偏性
      • 2.2. 有效性
      • 2.3. 一致性
  • 三. 区间估计
    • 1. 区间估计的概念
    • 2. 正态总体参数的区间估计

参数估计讲什么

  1. 由样本来确定未知参数
  2. 参数估计分为点估计与区间估计

在这里插入图片描述

一. 点估计

所谓点估计是指用某个确定的值或在某个确定的点来估计总体的未知参数,所以点估计又称为定值估计。

在这里插入图片描述

构造估计量 ( X 1 , X 2 . . . , ) (X_1, X_2..., ) (X1,X2...)的方法很多,下面介绍常用的矩估计法和极大似然估计法。

 

1. 矩估计法

原点矩概念

  • 原点矩(Raw Moments)是描述随机变量分布的一种数学量,它是随机变量的幂次期望。
  • 具体来说,对于一个随机变量 X,其 r 阶原点矩定义为: μ r ′ = E [ X r ] \mu_r' = E[X^r] μr=E[Xr] 其中 E 表示期望运算符。
  • 假设 X 是一个服从正态分布的随机变量,我们可以用原点矩计算其各阶矩:
    • 一阶原点矩 μ 1 ′ = E [ X ] \mu_1' = E[X] μ1=E[X] 是正态分布的均值 μ。
    • 二阶原点矩 μ 2 ′ = E [ X 2 ] \mu2' = E[X^2] μ2=E[X2]是正态分布的均值 μ 和方差 σ 2 σ^2 σ2 的和,即 μ 2 ′ = Var ( X ) + ( μ ) 2 \mu2' = \text{Var}(X) + (\mu)^2 μ2=Var(X)+(μ)2

 

样本矩在一定程度上反映了总体矩的特征,且在样本容量n增大的条件下,样本的k阶原点矩 A k = 1 / n ∑ i = 1 n X i k A_k=1/n\sum_{i=1}^{n}X_i^k Ak=1/ni=1nXik 依概率收敛到总体X的k阶原点矩 μ k = E ( X k ) μ_k=E(X^k) μk=E(Xk),即 A k − P > μ k A_k-^P> μ_k AkP>μk(n →∞), k=1,2,…。

因而自然想到用样本矩作为相应总体矩的估计量,而以样本矩的连续函数作为相应总体矩的连续函数的估计量,这种估计方法就称为矩估计法。

 
矩估计法的一般做法:设总体 X ∼ F ( X ; θ 1 , θ 2 , . . . ) X \sim F ( X; θ_1, θ_2,...) XF(X;θ1,θ2,...)其 中 θ 1 , θ 2 θ_1, θ_2 θ1,θ2 … 均未知。

在这里插入图片描述

 
在这里插入图片描述

ing

 

2. 极大似然法

极大似然估计法(Maximum Likelihood Estimation)只能在已知总体分布的前提下进行。

例如,假定一个盒子里装有许多大小相同的 黑球和白球,并且假定它们的数目之比为3∶1,但不知是白球多还是黑球多,现在有放回地从盒中抽了3个球,试根据所抽3个球中黑球的数目确定是白球多还是黑球多。

在这里插入图片描述

 

1. 似然函数

在极大似然估计法中,最关键的问题是如何求得似然函数,有了 似然函数,问题就简单了,下面分两种情形来介绍似然函数。

(1)离散型总体
在这里插入图片描述

 

在这里插入图片描述

 

2. 极大似然估计

在这里插入图片描述

推广到k个未知参数也适用
在这里插入图片描述

 

3. 评价估计量的标准

设总体 X X X服从 [ 0 , θ ] [0,θ ] [0,θ]上的均匀分布,
θ ^ 矩 = 2 X ˉ \hat{θ}_矩 = 2 \bar{X} θ^=2Xˉ
θ ^ L m a x 1 < = i < = n { X i } \hat{θ}_L \underset{1<=i<=n}{max}{\{X_i\}} θ^L1<=i<=nmax{Xi}

都是θ的估计,这两个估计哪一个好呢?下面我们首先讨论衡量估计量好坏的标准问题。

 

2.1. 无偏性

若估计量 ( X 1 , X 2 , . . . , X n ) ( X_1, X_2,...,X_n ) (X1X2...Xn)的数学期望等于未知参数 ,即 E ( θ ^ ) = θ E(\hat{θ})=θ E(θ^)=θ 则称 θ ^ \hat{θ} θ^为θ的无偏估计量(Non-deviationEstimator)。

估计量 θ ^ \hat{θ} θ^ 的值不一定就是θ的真值(?),因为它是一个随机变量,若 θ ^ \hat{θ} θ^ 是θ的无偏估计,则尽管 θ ^ \hat{θ} θ^的值随样本值的不同而变化,但平均来说它会等于θ的真值。

 

2.2. 有效性

对于未知参数θ ,如果有两个无偏估计量 θ ^ 1 \hat{θ}_1 θ^1 θ ^ 2 \hat{θ}_2 θ^2 ,即 E ( θ ^ 1 ) E(\hat{θ}_1) E(θ^1) = E ( θ ^ 2 ) E(\hat{θ}_2) E(θ^2) =θ,那么在 θ ^ 1 \hat{θ}_1 θ^1 θ ^ 2 \hat{θ}_2 θ^2中谁更好呢?此时我们自然希望θ,的平均偏差 E ( θ ^ − θ ) 2 E(\hat{θ}-θ)^2 E(θ^θ)2越小越好,即一个好的估计量应该有尽可能小的方差,这就是有效性。

在这里插入图片描述

在这里插入图片描述

 

2.3. 一致性

在这里插入图片描述

 

三. 区间估计

1. 区间估计的概念

μ概率的问题:
在这里插入图片描述

我们给出μ的大致范围,使得μ有较高的概率在这个范围内,这就是区间估计问题。

置信区间、置信概率、置信度

在这里插入图片描述

定义中的随机区间 ( θ 1 , θ 2 ) (θ_1,θ_2) (θ1,θ2)的大小依赖于随机抽取的样本观测值,它可能包含θ ,也可能不包含,上式的意义是指θ在 ( θ 1 , θ 2 ) (θ_1,θ_2) (θ1,θ2)区间的概率是1-a 。

例如,若取 a=0.05,那么置信概率为1-a =0.95,这时置信区间 ( θ 1 , θ 2 ) (θ_1,θ_2) (θ1,θ2)的意义是指:在100次重复抽样所得到的100个置信区间中,大约有95个区间包含参数真值θ,有5个区间不包含真值。

 

2. 正态总体参数的区间估计

在这里插入图片描述

 

在这里插入图片描述

 

在这里插入图片描述

 

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/pingmian/46960.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

十四、(正点原子)Linux MISC驱动

misc 的意思是混合、杂项的&#xff0c;因此 MISC 驱动也叫做杂项驱动&#xff0c;也就是当我们板子上的某些外设无法进行分类的时候就可以使用 MISC 驱动。 MISC 驱动其实就是最简单的字符设备驱动&#xff0c;通常嵌套在 platform 总线驱动中&#xff0c;实现复杂的驱动。 一…

IDEA启动Web项目总是提示端口占用

文章目录 IDEA启动Web项目总是提示端口占用一、前言1.场景2.环境 二、正文1.场景一:真端口占用2. 场景二:假端口占用 IDEA启动Web项目总是提示端口占用 一、前言 1.场景 IDEA启动Web项目总是提示端口占用&#xff1a; 确实是端口被占用&#xff0c;比如&#xff1a;没有正常…

clion中建立c文件工程,读取或创建sqlite3数据库文件

1.首先前往SQLite官网下载sqlite3所需文件 SQLite Download Page 2.解压文件&#xff0c;将其中的sqlite3.c和sqlite3.h拷贝到你对应的文件工程中 3.修改CMakeLists.txt文件&#xff0c;添加编译选项及连接文件 4.运行代码及查询数据库文件

【NLP自然语言处理】基于BERT实现文本情感分类

Bert概述 BERT&#xff08;Bidirectional Encoder Representations from Transformers&#xff09;是一种深度学习模型&#xff0c;用于自然语言处理&#xff08;NLP&#xff09;任务。BERT的核心是由一种强大的神经网络架构——Transformer驱动的。这种架构包含了一种称为自注…

【Mamba】Mamba的部署

ubuntu系统安装11.6版本的cuda 可以参考这两篇博客 ubuntu22.04多版本安装cuda及快速切换&#xff08;cuda11.1和11.8&#xff09;_ubuntu调整cuda版本 【Linux】在一台机器上同时安装多个版本的CUDA&#xff08;切换CUDA版本&#xff09;_linux安装多个cuda 安装CUDA https…

js原生ajax请求

以下是使用 JavaScript 原生的 XMLHttpRequest 对象进行 ajax 请求的示例代码&#xff1a; function ajaxRequest(method, url, data, callback) {var xhr new XMLHttpRequest();xhr.open(method, url, true);if (method POST) {xhr.setRequestHeader(Content-Type, applica…

安全与认证:在Symfony中实现用户登录和权限管理

安全与认证&#xff1a;在Symfony中实现用户登录和权限管理 目录 简介Symfony 安全组件概述用户登录实现 配置安全系统创建用户实体配置用户提供者创建登录表单 权限管理实现 角色与权限配置控制器中的权限检查安全注解的使用 示例项目 项目结构示例代码 总结 1. 简介 在现…

【React打卡学习第一天】

React入门 一、简介二、基本使用1.引入相关js库2.babel.js的作用 二、创建虚拟DOM三、JSX&#xff08;JavaScript XML&#xff09;1.本质2.作用3.基本语法规则定义虚拟DOM时&#xff0c;不要写引号。标签中混入JS表达式时要用{}。样式的类名指定不要用class,要用className.内联…

掌握未来:深度解析Xcode Cloud服务的高效使用

掌握未来&#xff1a;深度解析Xcode Cloud服务的高效使用 随着软件开发的不断进步&#xff0c;开发者们越来越需要一个能够提升效率、降低成本的工具。苹果公司推出的Xcode Cloud服务正是为了满足这一需求。本文将详细解析如何使用Xcode Cloud服务&#xff0c;并通过实际代码示…

大语言模型系列:Transformer

在自然语言处理&#xff08;NLP&#xff09;领域&#xff0c;Transformer模型自2017年由Vaswani等人在论文《Attention Is All You Need》中提出以来&#xff0c;已成为最具影响力的技术之一。这种模型设计的核心是自注意力机制&#xff0c;它允许模型在处理序列数据时&#xf…

solidity基础语法(以太坊solidity合约)

solidity基础语法&#xff08;以太坊solidity合约&#xff09; 1-值类型和取值范围2-引用类型3-引用类型高阶4-固定数组和动态数组 1-值类型和取值范围 https://learnblockchain.cn/docs/solidity/introduction-to-smart-contracts.html#subcurrency https://learnblockchain…

Nest.js 实战 (二):如何使用 Prisma 和连接 PostgreSQL 数据库

什么是 Prisma? Prisma 是一个开源的下一代 ORM。它包含了以下部分&#xff1a; Prisma Client: 自动生成、类型安全的查询构建器&#xff0c;用于 Node.js 和 TypeScriptPrisma Migrate: 数据迁移系统Prisma Studio: 查询和编辑数据库中数据的图形化界面 Prisma 客户端可以…

JAVA23种设计模式简介

设计模式 设计模式的类型 创建型模式 隐藏了创建对象的过程&#xff0c;通过逻辑方法进行创建对象&#xff0c;而不是通过new关键字创建对象。 工厂方法模式 定义接口或一个抽象的工厂类&#xff0c;让它实现类&#xff08;工厂&#xff09;来决定创建哪一个实例对象。根据每…

Unity3D中ProtoBuf的编译与使用详解

引言 Unity3D作为当今最流行的游戏开发引擎之一&#xff0c;支持多种编程语言&#xff0c;特别是C#&#xff0c;并提供了丰富的工具集来创建高质量的2D和3D游戏。在游戏开发中&#xff0c;数据的序列化和反序列化是至关重要的一环&#xff0c;它们影响着游戏的性能、网络通信的…

idea 运行异常 gradle 项目

运行异常日志如&#xff1a; > Process command C:/Program Files/Java/jdk-1.8/bin/java.exe finished with non-zero exit value 1* Try: Run with --info or --debug option to get more log output. Run with --scan to get full insights.* Exception is: org.gradle.…

React、Vue的password输入框组件,如何关闭自动填充?

有时候我们的表单使用了一个password组件&#xff0c;这时候每次打开新建&#xff0c;都会自动获取浏览器缓存的密码&#xff0c;但是它的上一个input输入框并不是用户名&#xff0c;这时候我们希望我们的表单&#xff0c;每次点开的时候密码是空的&#xff0c;让用户自动输入&…

Llama - 量化

本文翻译整理自&#xff1a; https://llama.meta.com/docs/how-to-guides/quantization/ 文章目录 PyTorch中支持的量化模式使用 TorchAO 进行 Pytorch量化HF支持的量化QuantoAQLMAWQAutoGPTQBitsAndBytes 量化是机器学习中使用的一种技术&#xff0c;用于减少模型的计算和内存…

PyTorch张量数值计算

文章目录 1、张量基本运算2、阿达玛积3、点积运算4、指定运算设备⭐5、解决在GPU运行PyTorch的问题 &#x1f343;作者介绍&#xff1a;双非本科大三网络工程专业在读&#xff0c;阿里云专家博主&#xff0c;专注于Java领域学习&#xff0c;擅长web应用开发、数据结构和算法&am…

【设计模式】【创建型模式】【02工厂模式】

系列文章 可跳转到下面链接查看下表所有内容https://blog.csdn.net/handsomethefirst/article/details/138226266?spm1001.2014.3001.5501文章浏览阅读2次。系列文章大全https://blog.csdn.net/handsomethefirst/article/details/138226266?spm1001.2014.3001.5501 目录 系…

【安全】系统安全设计规范(DOC完整版)

1.1安全建设原则 1.2 安全管理体系 1.3 安全管理规范 1.4 数据安全保障措施 1.4.1 数据库安全保障 1.4.2 操作系统安全保障 1.4.3 病毒防治 1.5安全保障措施 1.5.1实名认证保障 1.5.2 接口安全保障 1.5.3 加密传输保障 1.5.4终端安全保障 软件资料清单列表部分文档&…