本文深入探讨了数理统计中的充分统计量，解释了其定义，并通过N(μ,1)样本的例子说明了充分统计量如何确保在给定取值后，样本条件分布与参数θ无关。此外，还介绍了因子分解定理，阐述了充分统计量的充分必要条件，并讨论了统计量之间的关系。"
112934739,10327924,Verilog实现浮点数到定点数及定点数到浮点数转换,"['Verilog', '数字信号处理', 'FPGA实现', '定点运算', '浮点运算']
前言
本章讲解统计量及其分布的最后一部分：充分统计量
五、充分统计量
1.定义
设 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn是来自某个总体的样本，总体分布函数为 F ( x ; θ ) , F(x;\theta), F(x;θ),统计量 T = T ( x 1 , x 2 , ⋯ , x n ) T=T(x_1,x_2,\cdots,x_n) T=T(x1,x2,⋯,xn)称为 θ \theta θ 的充分统计量,如果在给定 T T T 的取值后， x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn 的条件分布与 θ \theta θ 无关。
例子
设 x 1 , x 2 , ⋯ , x n x_1,x_2,\cdots,x_n x1,x2,⋯,xn是来自 N ( μ , 1 ) N(\mu,1) N(μ,1)的样本， T = x ˉ T=\bar x T=xˉ，则 T ∼ N ( μ , 1 / n ) T\sim N(\mu,1/n) T∼N(μ,1/n)，做变换
x 1 = x 1 , x 2 = x 2 , ⋯ , t = x ˉ . x_1=x_1,\quad x_2=x_2,\quad\cdots,\quad t=\bar x. x1=x1,x2=x2,⋯,t=xˉ.
x 1 , x 2 , ⋯ , x n , t x_1,x_2,\cdots,x_n,t x
最低0.47元/天 解锁文章
扫一扫
2万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
