数理统计学4-一个样本的点估计
通俗的讲,点估计就是用样本值的一个函数去估计总体分布的参数。
数学表述
已知总体分布形式为$D(\theta,…)$,其参数未知,抽样得一个样本${x_i}$,我们想估计总体分布各参数的一个函数值$a=f(\theta,…)$, 通过$\hat{a}=g(x_1,…x_n)$作为总体参数函数$a$的估计,问是否可行,如何评价好坏?
矩估计
我们发现一些具体分布的参数总是该分布的统计量(或函数),所以自然而然的,将样本的统计量作为分布的统计量代入即可。
极大似然估计
由独立同分布可以得出,随机向量$X_i$的联合分布密度是$L=\prod_{i}f(X_i;\theta,…)$,产生的样本值必然最符合该函数,所以对于样本来说$\frac{\partial L}{\partial \theta}=0$
贝叶斯估计
该估计直接利用贝叶斯公式进行,基于参数的先验分布对样本计算得到后验分布。注意,得到的是一个分布。
评价标准–无偏
无偏
如果$\mathbb{E}_{\theta,…}(\hat{a})=f(\theta,…)$,则我们称$\hat{a}$是$f(\theta,…)$的一个无偏估计量。
请推导样本方差的无偏估计。
最小方差无偏
无偏估计一般会有很多,如何确定哪一个更好呢?
当然是用方差来确定啦。
- 原文作者:mlyixi
- 原文链接:https://mlyixi.github.io/post/math/%E6%95%B0%E7%90%86%E7%BB%9F%E8%AE%A1%E5%AD%A64-%E4%B8%80%E4%B8%AA%E6%A0%B7%E6%9C%AC%E7%9A%84%E7%82%B9%E4%BC%B0%E8%AE%A1/
- 版权声明:本作品采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可,非商业转载请注明出处(作者,原文链接),商业转载请联系作者获得授权。