估计 Estimation

原创已于 2023-07-04 17:10:10 修改 · 205 阅读

0 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#概率论

于 2023-07-04 16:32:27 首次发布

文章探讨了点估计的概念，包括偏差和MSE作为评估其准确性的指标。非偏差点估计如S^2被介绍，并讨论了为何在估计方差时除以n-1。同时，文章涵盖了置信区间的使用，特别是在大样本和小样本情况下的应用，以及如何选择合适的样本大小来建立置信区间。

8.1 介绍
8.2 偏差与点估计的MSE The Bias and Mean Square Error of Point Estimators
- 什么是偏差？
  - $\hat{\theta}$ 是 $\theta$ 的一个点估计。如果 $E(\hat{\theta})=\theta$ ，则称 $\hat{\theta}$ 是一个非偏差估计，反之则是偏差估计。
  - 一个点估计 $\hat{\theta}$ 的偏差Bias是 $B(\hat{\theta})=E(\hat{\theta})-\theta$ 。
- 什么是MSE？
  - 用来形容一个点估计的好坏。
  - 一个点估计 $\hat{\theta}$ 的MSE是 $\text{MSE}(\hat{\theta})=E[(\hat{\theta}-\theta)^2]=E[\hat{\theta}^2-2\hat{\theta}\theta+\theta^2]=E[\hat{\theta}^2]+E[-2\theta\hat{\theta}+\theta^2]=E[\hat{\theta}^2]-E[\hat{\theta}]^2+E[\hat{\theta}]^2-2\theta E[\hat{\theta}] +\theta^2=V(\hat{\theta})+[B(\hat{\theta})]^2$ 。
8.3 常见的非偏差点估计 Some Common Unbiased Point Estimators
- σ^2的点估计S^2
  - $S^2=\frac{1}{n-1}\sum_{i=1}^n (Y_i - \bar{Y})^2$
  - 证明为什么除以n-1
    - $E(S^2)=\frac{1}{n-1}E[\sum_{i=1}^n (Y_i - \bar{Y})^2]\\=\frac{1}{n-1}E[\sum Y_i^2-n\bar{Y}^2]\\=\frac{1}{n-1}(E(\sum Y_i^2)-nE(\bar{Y}^2))\\=\frac{1}{n-1}(\sum E(Y_i^2)-nE(\bar{Y}^2))\\=\frac{1}{n-1}(\sum(E(Y_i)^2+V(y_i))-n(E(\bar{Y})^2+V(\bar{Y})))\\=\frac{1}{n-1}(n(\mu^2+\sigma)-n(\mu^2+\sigma/n))\\=\frac{1}{n-1}(n-1)\sigma^2\\=\sigma^2$
8.4 评判一个点估计的好坏 Evaluating the Goodness of a Point Estimator
- Error of Estimate
  - $\varepsilon = |\hat{\theta}-\theta|$
8.5 置信区间 Confidence Intervals
8.6 大样本的置信区间 Large-Sample Confidence Intervals
8.7 选择样本数量 Selecting the Sample Size
8.8 均值和均值差的小样本置信区间 Small-Sample Confidence Intervals for μ and μ1 − μ2
8.9 方差的置信区间 Confidence Intervals for σ2