估计 Estimation

文章探讨了点估计的概念,包括偏差和MSE作为评估其准确性的指标。非偏差点估计如S^2被介绍,并讨论了为何在估计方差时除以n-1。同时,文章涵盖了置信区间的使用,特别是在大样本和小样本情况下的应用,以及如何选择合适的样本大小来建立置信区间。
摘要由CSDN通过智能技术生成
  • 8.1 介绍

  • 8.2 偏差与点估计的MSE The Bias and Mean Square Error of Point Estimators

    • 什么是偏差?

      • \hat{\theta}\theta的一个点估计。如果E(\hat{\theta})=\theta,则称\hat{\theta}是一个非偏差估计,反之则是偏差估计。
      • 一个点估计\hat{\theta}的偏差Bias是B(\hat{\theta})=E(\hat{\theta})-\theta
    • 什么是MSE?

      • 用来形容一个点估计的好坏。
      • 一个点估计\hat{\theta}的MSE是\text{MSE}(\hat{\theta})=E[(\hat{\theta}-\theta)^2]=E[\hat{\theta}^2-2\hat{\theta}\theta+\theta^2]=E[\hat{\theta}^2]+E[-2\theta\hat{\theta}+\theta^2]=E[\hat{\theta}^2]-E[\hat{\theta}]^2+E[\hat{\theta}]^2-2\theta E[\hat{\theta}] +\theta^2=V(\hat{\theta})+[B(\hat{\theta})]^2
  • 8.3 常见的非偏差点估计 Some Common Unbiased Point Estimators

    • σ^2的点估计S^2

      • S^2=\frac{1}{n-1}\sum_{i=1}^n (Y_i - \bar{Y})^2
      • 证明为什么除以n-1
        • E(S^2)=\frac{1}{n-1}E[\sum_{i=1}^n (Y_i - \bar{Y})^2]\\=\frac{1}{n-1}E[\sum Y_i^2-n\bar{Y}^2]\\=\frac{1}{n-1}(E(\sum Y_i^2)-nE(\bar{Y}^2))\\=\frac{1}{n-1}(\sum E(Y_i^2)-nE(\bar{Y}^2))\\=\frac{1}{n-1}(\sum(E(Y_i)^2+V(y_i))-n(E(\bar{Y})^2+V(\bar{Y})))\\=\frac{1}{n-1}(n(\mu^2+\sigma)-n(\mu^2+\sigma/n))\\=\frac{1}{n-1}(n-1)\sigma^2\\=\sigma^2
  • 8.4 评判一个点估计的好坏 Evaluating the Goodness of a Point Estimator

    • Error of Estimate 

      • \varepsilon = |\hat{\theta}-\theta|
  • 8.5 置信区间 Confidence Intervals

  • 8.6 大样本的置信区间 Large-Sample Confidence Intervals

  • 8.7 选择样本数量 Selecting the Sample Size

  • 8.8 均值和均值差的小样本置信区间 Small-Sample Confidence Intervals for μ and μ1 − μ2

  • 8.9 方差的置信区间 Confidence Intervals for σ2

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值