本文介绍了统计学中的参数估计，包括最大似然估计和贝叶斯估计。最大似然估计在样本容量足够大时接近无偏估计，而贝叶斯估计则考虑了参数的先验分布，适用于引入先验信息的场景。文章还讨论了估计量的无偏性、有效性和相合性标准。
在系统树的构建中，常用的方法还有似然法和贝叶斯法，在讲这之前，我们先回顾一下统计学中的估计的相关知识。
我们知道统计学可以分为描述统计和推断统计两大类：
描述统计就是对采集的全部数据进行概括，可以使用平均值、方差、中位数、四分位数等特征量来描述分布情况。
而推断统计则是根据所采集的部分数据，对全部数据的情况进行推测。
从抛硬币中区分经验分布与真实分布
我们抛10次硬币，得到“反正反正正反反反反反”的观测结果，从观测值中得到“正面出现的比例为3/10，反面出现的比例为7/10”的结论，这称为经验分布，是我们对我们所在的这一世界的观测。
而真实分布中的正面向上或反面向上的概率是多少，我们是不可知的，只有能够看到所有平行世界整体的那位知道。
但是当你的实验次数够多的话，我们就可以从经验分布中去估计真实分布，这也是我们为什么需要估计的原因。
假设我们的观测值与真实分布相关的话，我们应该依据什么来估计真实分布呢？分为两类考虑：
1：参数估计：对真实分布做假定，给出了分布函数，但是分布函数的某些参数是未知的，需要利用已知的样本集对总体分布函数的参数进行估计。
常用的两种估计方法是最大似然估计和贝叶斯估计。
2：非参数估计：已知样本所属的类别，但是对真实分布不做假定，也就不知道
最低0.47元/天 解锁文章
4988
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
