高等数理统计_高等数理统计—绪论

文中有一些概念另附加了个人理解，欢迎指正

绪论

内容主要考韦博成老师的《参数统计教程》学习该书的内容不需要测度论方面的知识，另外参考书包括茆诗松、王静龙、濮晓龙老师的《高等数理统计(第二版)》；陈希孺老师的《高等数理统计学》，习题多，理论解释的好 , 是本非常好的书，当然也是非常难学难懂的；邵军老师的《Mathematical Statistics》荆炳义老师的《Advanced Mathematical Statistics》。

在前面的基础阶段侧重点主要还是《参数统计教程》，难度适中，理论解释详细，基础内容丰富。

开始还是与高等概率论同样的问题：

什么是随机变量？

由概率空间

到实数空间

的可测映射

就是

随机变量(random variable,r.v.)*

其中可测映射:

其中

称为

样本空间，

称为事件域，它是一个

域.

为概率测度

，

是

域，表示

中所有开集(就是开区间)全体产生的

域。

数理统计关心样本的概率分布，与概率论不同，概率论中当测度发生变化，实空间上的分布就会发生变化，变来变去的是测度。而在数理统计上，我们的终极目标是确定样本的概率分布，通过样本来推断总体的分布函数。

按照《参数统计教程》书本的设置，共分八章，分别是统计分布基础、充分统计量与样本信息、点估计的基本方法、最优同变估计、点估计的性质、参数假设检验、区间估计、

统计基础。现大致说一下每一章的基本内容与关键知识点，以后的内容基本上围绕此展开，另外额外加的内容会开专题来讲。

第一章 统计分布基础

要用到的理论方法

常见分布及非中心分布

指数族分布

次序统计量（会发的较晚）

第二章 充分统计量与样本信息

统计量—充分性—完备性

分布族的信息函数（会发的较晚）

第三章 点估计的基本方法

无偏估计—UMRUE—UMVUE

极大似然估计

第四章 最优同变估计（略）

第五章 点估计的性质

C-R不等式

估计量的渐进性质

第六章 参数假设检验

基本概念

N-P引理

单边、双边、单参数、多参数的检验

第七章 区间估计

待定

第八章 Bayes统计基础

待定