【概率论三】参数估计:点估计(矩估计、极大似然法)、区间估计

文章目录

  • 一. 点估计
    • 1. 矩估计法
    • 2. 极大似然法
      • 2.1. 似然函数
      • 2.2. 极大似然估计法
    • 3. 评价估计量的标准
      • 3.1. 无偏性
      • 3.2. 有效性
      • 3.3. 一致性
  • 二. 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 ] \mu'_2 = 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

 
用样本矩估计参数
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

  1. A 1 A_1 A1 代表一阶原点矩,就是平均值,当趋于无穷时, A 1 A_1 A1 收敛于 μ 1 \mu_1 μ1
  2. xf(x;θ)是求一阶原点矩的通用公式
  3. 得到θ与μ的关系之后,就可得θ的矩估计值 θ ^ \hat{θ} θ^

 

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

 

2.1. 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
p为 X n X_n Xn 变量θ的概率

 
(2)连续型总体

在这里插入图片描述

只要知道概率分布或密度函数就可以得到关于θ的似然函数。

 

2.2. 极大似然估计法

主要思想

在这里插入图片描述
转换为求似然函数的最大值。
简化为:dlnL(θ)/dθ=0

 

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, 如下分别使用点估计和极大似然法来估计θ

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}

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。

 

3.1. 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。

 

3.2. 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。如下分析:

在这里插入图片描述

举例说明

在这里插入图片描述

 

3.3. 一致性

随着样本的增大,n随概率收敛于θ真值

在这里插入图片描述

 

二. 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

 
如果未知,则用方差代替

在这里插入图片描述
练习题ing

 
当容量很大时,由中心极限定理,下式服从标准正态分布。

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/web/46237.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

算法:二叉树相关

目录 题目一&#xff1a;单值二叉树 题目二&#xff1a;二叉树的最大深度 题目三&#xff1a;相同的树 题目四&#xff1a;对称二叉树 题目五&#xff1a;另一棵树的子树 题目六&#xff1a;二叉树的前序遍历 题目七&#xff1a;二叉树遍历 题目八&#xff1a;根据二叉…

linux搭建mysql主从复制(一主一从)

目录 0、环境部署 1、主服务器配置 1.1 修改mysql配置文件 1.2 重启mysql 1.3 为从服务器授权 1.4 查看二进制日志坐标 2、从服务器配置 2.1 修改mysql配置文件 2.2 重启mysql 2.3 配置主从同步 2.4 开启主从复制 3、验证主从复制 3.1 主服务器上创建test…

微服务拆分流程 (黑马商城拆分商品服务)

1. 创建新module - maven模块&#xff0c;并引入依赖&#xff08;可以复制 把不需要的依赖删掉 &#xff09; 2. 新建包com.hmall.xx&#xff08;业务名&#xff09;&#xff0c;添加和修改启动类&#xff0c;新建mapper包、domain包 - service包 - controller包 3. 拷贝并修…

4款良心软件,免费又实用,内存满了都舍不得卸载

以下几款高质量软件&#xff0c;若是不曾体验&#xff0c;实在是遗憾可惜。 PDF Guru 这是一款开源免费的PDF编辑软件&#xff0c;打开之后功能一目了然。 可以拆分、合并PDF&#xff0c;也可以给PDF添加水印和密码&#xff0c;同时也可以去除别人PDF里的水印或密码&#xff0…

HouseCrafter:平面草稿至3D室内场景的革新之旅

在室内设计、房地产展示和影视布景设计等领域,将平面草稿图快速转换为立体的3D场景一直是一个迫切的需求。HouseCrafter,一个创新的AI室内设计方案,正致力于解决这一挑战。本文将探索HouseCrafter如何将这一过程自动化并提升至新的高度。 一、定位:AI室内设计的革新者 Ho…

Scala之OOP讲解

Scala OOP 前序 Scala 为纯粹OOP1、不支持基本类型&#xff1a;一切皆为对象 Byte,Int,...2、不支持静态关键字&#xff1a;static 3、支持类型推断【通过判断泛型的父子关系来确定泛型类的父子关系>协变&#xff0c;逆变&#xff0c;不变】和类型预定&#xff0c; 动静…

【iOS】类对象的结构分析

目录 对象的分类object_getClass和class方法isa流程和继承链分析isa流程实例验证类的继承链实例验证 类的结构cache_t结构bits分析实例验证属性properties方法methods协议protocolsro类方法 类结构流程图解 对象的分类 OC中的对象主要可以分为3种&#xff1a;实例对象&#xf…

【React】JSX基础

一、简介 JSX是JavaScript XML的缩写&#xff0c;它是一种在JavaScript代码中编写类似HTML模板的结构的方法。JSX是React框架中构建用户界面&#xff08;UI&#xff09;的核心方式之一。 1.什么是JSX JSX允许开发者使用类似HTML的声明式模板来构建组件。它结合了HTML的直观性…

TDesign组件库日常应用的一些注意事项

【前言】Element&#xff08;饿了么开源组件库&#xff09;在国内使用的普及率和覆盖率高于TDesign-vue&#xff08;腾讯开源组件库&#xff09;&#xff0c;这也导致日常开发遇到组件使用上的疑惑时&#xff0c;网上几乎搜索不到其文章解决方案&#xff0c;只能深挖官方文档或…

2024.7.17 ABAP面试题目总结

2024.7.17 用的SAP什么平台&#xff0c;S4/HANA吗&#xff0c;有用过ECC吗 S4/HANA&#xff0c;没用过ECC 会不会CDS VIEW 不会 会不会FIORI 不会 银企直连里面的逻辑了解不 不了解&#xff0c;做过&#xff0c;但是只能算很简单的修改 SAP做增强&#xff0c;如何创建…

网络安全-网络安全及其防护措施7

31.防病毒和恶意软件保护 防病毒和恶意软件防护的定义和作用 防病毒和恶意软件防护是一种保护计算机和网络免受病毒、木马、间谍软件等恶意软件侵害的安全措施。通过防护措施&#xff0c;可以检测、阻止和清除恶意软件&#xff0c;确保系统和数据的安全。其主要作用包括&…

C++右值引用和移动语义

目录 概念&#xff1a; 左值引用和右值引用 概念&#xff1a; 注意&#xff1a; 左值引用的意义 作函数参数 函数引用返回 右值引用的意义 诞生背景 移动构造 移动赋值 其他应用 万能引用和完美转发 默认的移动构造和移动赋值 概念&#xff1a; 左值&#xff1a;顾…

List数据的几种数据输出方式

一、问题引入 在Java中&#xff0c;查询List集合是一项常见的任务&#xff0c;它可以通过多种方式实现&#xff0c;以满足不同的需求。下面&#xff0c;List数据的几种数据输出方式。 二、实例 /*** 查询所有用户信息* return*/ List<User> getAllUser(); <select…

Git【撤销远程提交记录】

在实际开发中&#xff0c;你是否遇到过错误的提交了代码&#xff0c;想要删掉本次提交记录的情况&#xff0c;你可以按照如下方法实现。 1、使用 git revert 如果你想要保留历史记录&#xff0c;并且对远程仓库其他使用者的影响最小&#xff0c;你可以使用 git revert 命令。这…

conda 使用

首先要安装Miniconda的环境 下面是一下命令关于如何使用conda 查看当前环境列表&#xff1a; conda env list 创建环境不指定路径&#xff1a; conda create --name p38 python3.8 创建新环境并指定路径&#xff1a; conda create --prefix /data/p38 python3.8激活新环境&a…

VulnHub:CK00

靶场搭建 靶机下载地址&#xff1a;CK: 00 ~ VulnHub 下载后&#xff0c;在vmware中打开靶机。 修改网络配置为NAT 处理器修改为2 启动靶机 靶机ip扫描不到的解决办法 靶机开机时一直按shift或者esc直到进入GRUB界面。 按e进入编辑模式&#xff0c;找到ro&#xff0c;修…

Kubernetes网络性能测试-calico插件环境

Kubernetes 网络性能测试-calico插件环境 本次主要针对calico网络插件k8s集群的网络性能进行摸底及测试方法探索实践。 1. 测试准备 1.1 测试环境 测试环境为VMware Workstation虚拟机搭建的一套K8S环境&#xff0c;版本为1.28.2&#xff0c;网络插件使用calico&#xff0c…

6Python的Pandas:数据读取与输出

Pandas是一个强大的Python数据分析库&#xff0c;提供了读取和输出数据的多种功能。以下是一些常见的数据读取与输出方法&#xff1a; 1. 读取CSV 读取数据 从CSV文件读取数据 import pandas as pd# 读取CSV文件 df pd.read_csv(file_path.csv) print(df.head())从Excel文…

Flutter 状态管理调研总结

一, 候选状态管理组件简介 0. flutter_hooks 一个 React 钩子在 Flutter 上的实现&#xff1a;Making Sense of React Hooks 钩子是一种用来管理 Widget 生命周期的新对象&#xff0c;以减少重复代码、增加组件间复用性&#xff0c;允许将视图逻辑提取到通用的用例中并重用&…

思路|如何利用oneNote钓鱼?

本文仅用于技术研究学习&#xff0c;请遵守相关法律&#xff0c;禁止使用本文所提及的相关技术开展非法攻击行为&#xff0c;由于传播、利用本文所提供的信息而造成任何不良后果及损失&#xff0c;与本账号及作者无关。 本文来源无问社区&#xff0c;更多实战内容&#xff0c;…