参数估计

参数估计

作者: 陈文瑜 | 来源:发表于2019-10-19 09:17 被阅读0次

提出背景

对总体X的估计

理解矩

一阶矩指的是随机变量的平均值,即期望值，二阶矩指的是随机变量的方差
阶矩是用来描述随机变量的概率分布的特性

估计方法

参数估计（包含点估计、区间估计）

总体X 分布形式已知，未知分布中的参数。
用样本的参数，估计总体的参数

非参数估计

总体X的分布形式未知

矩估计法

使用矩估计法对参数估计进行求解

只有一个未知参数，使用一阶矩 $EX = A_1 = \overline{X} = \mu = \frac{x_1+x_2+\dots+x_n}{n}$
有两个参数，使用二阶矩 $EX^2 = A_2 = \frac1{n}\sum_{i=1}^n X_i^2 = DX+(EX)^2 = \sigma^2 +u^2$
另有： $EX = \sum{x_ip_i}=1$

即求解方程组
$\begin{cases} \hat{\mu} = \overline{X} \quad \\ \hat{\sigma}^2 + \hat{\mu}^2 = A_2 \end{cases}$

二阶中心矩
$\hat{\sigma}^2 = A_2 - \overline{X}^2 = \frac1{n}\sum_{i=1}^n(X_i-\overline{X})^2 =B_2$
其中 $\hat{\mu}\quad \hat{\sigma}^2 \quad \hat{\mu}^2 \quad$ 均为样本的参数，是总体的估计值

极大似然估计 (参数估计的一种 )

理解

如果事件发生是关于 $\theta$ 参数的，那么一次事件放生时，样本为 $x_1,\dots,x_k$ ，那么 $\hat{\theta}(x_1,\dots,x_k)$ 就是 $\theta$ 的估计值。当 $\theta = \hat{\theta}(x_1,\dots,x_k)$ 时，当前样本发生的概率最大。

如果总体 $X$ 为离散型

假设分布率为 $P = p(x;\theta)$ , $x$ 是发生的样本， $\theta$ 是待估计的参数， $p(x;\theta)$ 表示估计参数为 $\theta$ 时，发生 $x$ 的概率。那么当我们的样本值为： $x_1,x_2,\dots,x_n$ 时，
$L(\theta) = L(x_1,x_2,\dots,x_n;\theta) = \prod_{i=1}^n p(x_i;\theta)$
其中 $L(\theta)$ 为样本的似然函数。
假设
$L(x_1,x_2,\dots,x_n;\hat{\theta}) = max_{\theta \in \Theta} L(x_1,x_2,\dots,x_n;\theta) \quad$
有 $\hat{\theta}$ 使得 $L(θ)$ 的取值最大，那么 $\hat{θ}$ 就叫做参数 $θ$ 的极大似然估计值。

如果总体X为连续型

基本和上面类似，只是概率密度为 $f(x;θ)$ ，替代 $p$ .
构造似然函数 $L(θ)$
取对数： $lnL(θ)$
求导，计算极值
解方程，得到 $θ$

相关文章

网友评论

本文标题：参数估计

本文链接：https://www.haomeiwen.com/subject/kisgmctx.html

延伸阅读

深度阅读

您也可以注册成为美文阅读网的作者，发表您的原创作品、分享您的心情！

栏目导航

热点阅读

关于我们|服务条款|联系我们|参数估计|投稿指南|网站地图|RSS订阅|排版工具|手机版

提供经典美文摘抄,优美散文欣赏,现代诗歌精选,短篇小说,心情随笔,表白情书范文,故事会在线阅读欣赏

Copyright © 2014-2023 Haomeiwen.com All Rights Reserved. 好美文阅读网版权所有

备案信息：桂公网安备 45052102000051号 · 桂ICP备13007215号-3

本站所收录作品、热点评论等信息部分来源互联网，目的只是为了系统归纳学习和传递资讯

所有作品版权归原创作者所有，与本站立场无关，如不慎侵犯了你的权益，请联系我们告知，我们将做删除处理！