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