非参数统计

非参数统计
在前几章讨论的统计问题大多属于这样一种情形：样本分布族的数学形式已知，但其中包含有限个未知的实参数。最典型的情况是关于正态分布的均值、方差的估计和检验问题，这种统计问题称为参数型的。
然而，在实际问题中也有这样的情况：对样本分布族并未给出其数学形式，而只做了某些一般的假定，如只假定总体分布的连续性或对称性，而对其分布的数学形式则一无所知。类似这种情形的统计问题称为非参数型的。
如果关于总体分布族事先有比较多的信息，那么统计推断问题放在参数型的范围内讨论是恰当的。如果事先关于总体分布族只有很少信息，此时就需要一种与总体分布族的具体数学形式无关的统计推断方法。这种方法称为非参数方法。
非参数方法有以下几个特点：1.适用面广而针对性较差。这是由于非参数方法对总体分布族没有提出太多的假设。但是，如果对特定的统计推断问题，参数模型适合该问题，且存在一个具有优良性质的参数型统计方法，则二者相比，非参数统计方法一般效率较低。 2.大样本理论在非参数统计中起着极其重要的作用。这是因为对总体分布族知之甚少，很难指望导出有关统计量的精确分布，迫使考虑用统计量的极限分布近似代替其精确分布。3.只能使用样本中的“一般”信息，如位置、次序关系等。这也是由于对总体分布族所知甚少之故。4.非参数方法具有稳健性，即当真实模型与设定理论模型有一定偏离时，能维持较好的性质。这是由于非参数方法对模型限制较小，故自然就具有稳健性。
非参数的推断的基本思想是在尽可能少的假定时利用数据对一个未知量做出推断。通常，这意味着利用具有无限维的统计模型。事实上，对非参数推断的另一个更好的名字可能就是无穷维推断。
现在非参数统计的典型问题：
1.估计分布函数。给定一个IID样本X1,…Xn~F,估计CDF(x)=P(X≤x).
2.估计泛函。给定一个IID