精华内容
下载资源
问答
  • 关于参数估计(点估计和参数估计)的详细笔记。


    统计方法
    在这里插入图片描述
    参数估计概览
    在这里插入图片描述
    估计量与估计值
    估计量:用于估计总体参数的随机变量
    估计值:估计参数时计算出来的统计量的具体值

    参数点估计

    用样本的估计量的某个取值直接作为总体参数的估计值
    例如:用样本均值直接作为总体均值的估计;
    用两个样本均值之差直接作为总体均值之差的估计。
    无法给出估计值接近总体参数程度的信息
    虽然在重复抽样条件下,点估计的均值可望等于总体真值,但由于样本是随机的,抽出一个具体的样本得到的估计值很可能不同于总体真值。
    一个点估计量的可靠性是由它的抽样标准误差来衡量的,这表明一个具体的点估计值无法给出估计的可靠性的度量。

    矩估计法

    借助样本矩去估计总体的矩,得到总体相应的未知参数的估计值。
    1 .用样本的一阶原点矩来估计总体的均值μ
    2 .用样本的二阶中心矩来估计总体的方差σ2

    极大似然估计法

    在这里插入图片描述

    点估计的评价准则(无偏性一致性有效性)

    在这里插入图片描述 在这里插入图片描述 在这里插入图片描述

    无偏性
    估计量抽样分布的数学期望等于被估计的总体参数
    在这里插入图片描述
    无偏估计指的是所有可能样本估计值的数学期望等于待估总体参数

    有效性
    对同一总体参数的两个无偏点估计量,有更小标准差的估计量更有效
    在这里插入图片描述
    一致性
    随着样本量的增大,估计量的值越来越接近被估计的总体参数
    在这里插入图片描述

    区间估计

    在点估计的基础上,给出总体参数估计的一个区间范围,该区间由样本统计量加减抽样误差而得到的。
    根据样本统计量的抽样分布能够对样本统计量与总体参数的接近程度给出一个概率度量。
    在这里插入图片描述

    主要公式

    在这里插入图片描述
    置信水平
    在这里插入图片描述

    置信区间

    由样本统计量所构造的总体参数的估计区间称为置信区间
    统计学家在某种程度上确信这个区间会包含真正的总体参数,所以给它取名为置信区间
    用一个具体的样本所构造的区间是一个特定的区间,我们无法知道这个样本所产生的区间是否包含总体参数的真值
    我们只能是希望这个区间是大量包含总体参数真值的区间中的一个,但它也可能是少数几个不包含参数真值的区间中的一个
    总体参数以一定的概率落在这一区间的表述是错误的

    例:重复构造出μ的20个置信区间
    在这里插入图片描述
    在这里插入图片描述
    影响区间宽度的因素
    在这里插入图片描述
    当样本量一定时,置信区间的宽度随着置信系数的增大而增大。
    当置信水平一定时,置信区间的宽度随着样本的增大而减小。

    区间估计的步骤
    以总体均值的区间估计为例:
    在这里插入图片描述

    区间估计的内容

    在这里插入图片描述

    总体均值的区间估计(大样本)

    在这里插入图片描述

    例子:
    为了估计目前北京市场二手房交易的平均价格,制定相应的营销策略,某房地产中介公司在2005年第四季度的二手房交易中,随机抽取40个交易作为样本,得到二手房交易价格如下表所示(单位:万元)。
    在这里插入图片描述
    假定房地产中介公司从上季度的二手房交易记录中得到以下信息:交易价格的标准差为15万元,于是我们假定总体标准差σ=15。试在95%的置信水平下估计二手房平均价格的置信区间。
    答案:
    在这里插入图片描述
    一家保险公司收集到由36个投保人组成的随机样本,得到每个投保人的年龄(单位:周岁)数据如下表。试建立投保人年龄90%的置信区间。
    在这里插入图片描述
    在这里插入图片描述

    总体均值的区间估计(小样本)

    在这里插入图片描述
    t 分布
    t 分布是类似正态分布的一种对称分布,它通常要比正态分布平坦和分散。一个特定的分布依赖于称之为自由度的参数。随着自由度的增大,分布也逐渐趋于正态分布。
    在这里插入图片描述
    自由度
    1.当样本统计量被计算出以后可以自由改变的观测值数目
    2.举例
    3个数之和是 6
    X1 = 1(或其他数)
    X2 = 2(或其他数)
    X3 = 3(不能改变)
    Sum=6
    自由度df=n-1=2

    例题
    沿用上例,假定该房地产公司在某日随机抽取16位二手房购买者,得到二手房交易价格如下表所示(万元)。
    在这里插入图片描述
    根据以往交易情况得知:二手房交易价格服从正态分布,但总体方差未知。
    试在95%的置信水平下估计二手房交易平均价格的置信区间。
    在这里插入图片描述
    已知某种灯泡的寿命服从正态分布,现从一批灯泡中随机抽取16只,测得其使用寿命(单位:h)如下。建立该批灯泡平均使用寿命95%的置信区间。
    在这里插入图片描述
    在这里插入图片描述

    单一总体均值的区间估计总结

    当正态总体的方差未知时,在大样本条件下,估计总体均值使用的分布是正态分布。
    当正态总体的方差未知时,在小样本条件下,估计总体均值使用的分布是t分布。
    当正态总体的方差已知时,在小样本条件下,估计总体均值使用的分布是正态分布。
    当正态总体的方差已知时,在大样本条件下,估计总体均值使用的分布是正态分布。
    对于非正态总体,在大样本条件下,估计总体均值使用的分布是正态分布。
    在这里插入图片描述
    在这里插入图片描述

    两个总体均值之差的区间估计(大样本)

    在这里插入图片描述
    在这里插入图片描述
    例题
    沿用上例。从2006年初开始,北京二手房交易价格急剧攀升。为对比2006年第一季度与2005年第四季度二手房平均价格的差异,该房地产中介公司从2006年第一季度的交易中随机抽取36个,得到二手房交易价格如下表所示(单位:万元) 。
    在这里插入图片描述
    将以上数据和引例中2005年第四季度二手房交易价格进行整理,得到:
    在这里插入图片描述
    根据以上数据,试以95%置信水平估计2006年第一季度与2005年第四季度的二手房交易平均价格差值的置信区间。
    在这里插入图片描述
    某地区教育管理部门想估计两所中学的学生高考时的英语平均分数之差,为此在两所中学独立抽取两个随机样本,有关数据如表。试建立两所中学高考英语平均分数之差95%的置信区间。
    在这里插入图片描述
    在这里插入图片描述

    总体比例的区间估计

    在这里插入图片描述
    在这里插入图片描述
    某城市想要估计下岗职工中女性所占的比例,随机地抽取了100名下岗职工,其中65人为女性职工。试以95%的置信水平估计该城市下岗职工中女性比例的置信区间。
    在这里插入图片描述

    总体方差的区间估计

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    沿用上例,假定二手房的交易价格服从正态分布。试在95%的置信水平下估计二手房交易价格方差的置信区间。
    在这里插入图片描述
    在这里插入图片描述
    样本容量的确定
    假定E (Error)是在一定置信水平下允许的误差范围,又称边际误差,于是有:
    在这里插入图片描述
    在这里插入图片描述
    沿用上例,假定房地产中介公司想要估计2005年第四季度二手房的平均交易价格。按照历史经验,总体标准差为15万元。试问:在95%的置信水平下,使二手房平均交易价格的误差范围小于5万元,样本容量应定为多少?
    在这里插入图片描述
    拥有工商管理学士学位的大学毕业生年薪的标准差大约为2000元,假定想要估计年薪95%的置信区间,希望估计误差为400元,应抽取多大的样本量?
    在这里插入图片描述
    根据以往的生产统计,某种产品的合格率约为90%,现要求估计误差为 5% , 在 求95%的置信区间,应抽取多少个产品作为样本?
    在这里插入图片描述

    展开全文
  • 文章目录1.AR模型介绍2.AR 模型参数和自相关函数推导3.例题并用MATLAB计算 1.AR模型介绍 百度百科: 自回归模型(AutoRegressive model),是统计上一种处理时间序列的方法,用同一变数例如x的之前各期,亦即x1至xt...

    1.AR模型介绍

    百度百科:

    自回归模型(AutoRegressive model),是统计上一种处理时间序列的方法,用同一变数例如x的之前各期,亦即x1至xt-1来预测本期xt的表现,并假设它们为一线性关系。因为这是从回归分析中的线性回归发展而来,只是不用x预测y,而是用x预测 x(自己),所以叫做自回归。

    随机信号由本身的若干次过去值x(n-k)和当前的激励值w(n)线性组合产生:
    在这里插入图片描述
    该模型的系统函数为:
    在这里插入图片描述
    p表示系统阶数,系统函数只有极点,无零点,也称为全极点模型,系统由于极点的原因,要考虑到系统的稳定性,因而要注意极点的分布位置

    2.AR 模型参数和自相关函数推导

    在这里插入图片描述

    3.例题并用MATLAB计算

    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述
    c.
    matlab代码:

    x_n = [0.4282 1.1454 1.5597 1.8994 1.6854 2.3075 2.4679 1.9790 1.6063 1.2804 
    -0.2083 0.0577 0.0206 0.3572 1.6572 0.7488 1.6666 1.9830 2.6914 1.2521 1.8691 
    1.6855 0.6242 0.1763 1.3490 0.6955 1.2941 1.0475 0.4319 0.0312 0.5802 -0.6177];
    
    R_xx = zeros( 1, length(x_n) );
    for m  = 0 : length(x_n) - 1 
        j = 1; 
        while j + m <= length(x_n)
            R_xx(m+1) = R_xx(m+1) + x_n(j) * x_n(j + m );
            j = j + 1; 
        end
        R_xx(m+1) =  R_xx(m+1) / 32;
    end
    R_xx
    
    

    结果:

    R_xx =
    
      1111.9271    1.6618    1.5381    1.3545    1.1349    0.9060    0.8673    0.7520    0.7637    0.8058    0.8497
    
      12220.8761    0.9608    0.8859    0.7868    0.7445    0.6830    0.5808    0.5622    0.5134    0.4301    0.3998
    
      23320.3050    0.2550    0.1997    0.1282    0.0637    0.0329   -0.0015   -0.0089   -0.0143   -0.0083
    
    
    

    把头 4 个相关序列值代入矩阵在这里插入图片描述可求得
    估计值:ˆ1 a =-0.6984 =-0.2748 =0.0915, =0.4678 ˆ2 a ˆ3 a 2 σˆ w与真实 AR 模型参数误差为: =0.1151, =0.1002, =0.0498,原因在于我们只有一部分的观测数据,使得自相关序列值与理想的完全不同。输入信号的方差误差比较大: =0.5322,造成的原因比较多,计算机仿真的白噪声由于只有 32 点长,32 点序列的方差不可能刚好等于 1。给出一段观测值求 AR 模型参数这样直接解方程组,当阶数越高时直接解方程组计算就越复杂,因而要用特殊的算法使得计算量减小且精确度高。

    展开全文
  • 利用最小二乘法进行参数估计

    万次阅读 2019-05-08 11:14:06
    # 参数估计 # residuals误差函数 # par为拟合参数的初始值 # args为需要拟合的实验数据 def get_related_par(x, y, par, residuals):  plsq = leastsq(residuals, par, args=(y, x)) # 调用leastsq进行数据拟合, ...

    应用示例

    from scipy.optimize import leastsq
    
    # 公式求解
    def get_C_formula(X, par):
        DT = X
        alpha, beta = par
        return alpha * DT + beta
    
    # 实验数据x, y和拟合函数之间的差,p为拟合需要找到的系数
    def residuals1(p, y, x): 
        return y - get_C_formula(x, p)
    
    
    # 参数估计
    # residuals误差函数
    # par为拟合参数的初始值
    # args为需要拟合的实验数据
    def get_related_par(x, y, par, residuals):
        plsq = leastsq(residuals, par, args=(y, x)) # 调用leastsq进行数据拟合, residuals为计算误差的函数
        return plsq[0]
    
    # 公式预测
    def get_pre_formula(train_data, all_data):
        par2 = 0.5, 0.5, 0.5
        par2 =  get_related_par([train_data['DT'], train_data['N']], train_data['C'], par2, residuals2)
        y_pre2 = all_data[['N','DT']].apply(lambda row:get_C_formula2([row['DT'], row['N']], par2), axis=1)
        print('参数估计:',par2)
        print ('RMSE2:', get_RMSE(y_pre2, all_data['C'].values))
        return y_pre2

     

    展开全文
  • 参数估计_例题讲解.doc
  • 本文将涉及到数理统计的最后一个模块——参数估计,后续将更新的模块是多项式计算、数据插值和曲线拟合。 在讲述使用matlab来实现参数估计之前,有必要去了解一些基本原理。 1.离散型随机变量的极大似然估计法: (1) ...

    本文将涉及到数理统计的最后一个模块——参数估计,后续将更新的模块是多项式计算、数据插值和曲线拟合。
    在讲述使用matlab来实现参数估计之前,有必要去了解一些基本原理。
    1.离散型随机变量的极大似然估计法:
    (1) 似然函数
    若X为离散型, 似然函数为
    在这里插入图片描述
    (2) 求似然函数L(θ)的最大值点 θ, 则θ就是未知参数的极大似然估计值.
    2.连续型随机变量的极大似然估计法:
    (1) 似然函数
    若 X 为连续型, 似然函数为
    在这里插入图片描述
    (2) 求似然函数L(θ)的最大值点θ, 则θ就是未知参数 的极大似然估计值.
    一、矩估计
    设总体X的均值、方差均存在,样本(X1,X2,……,X n),则不管总体服从什么分布,总体均值的矩估计均为样本均值,方差的矩估计均为样本二阶中心矩。
    matlab中提供了下列函数来实现总体均值的矩估计值与方差的矩估计值的计算,如下:
    mu_ju=mean(X) % 返回样本X的均值
    sigma2_ju =moment(X,2) % 返回样本X的2阶中心矩
    例:来自某总体X的样本值如下:
    232.50, 232.48, 232.15, 232.52, 232.53, 232.30, 232.48, 232.05, 232.45, 232.60, 232.47, 232.30,求X的均值与方差的矩估计。

    >> x=[232.50,232.48,232.15,232.52,232.53,232.30,232.48,232.05,232.45,232.60,232.47,232.30]
     mu_ju=mean(x)
    sigma2_ju= moment(x,2)
    x =
      232.5000  232.4800  232.1500  232.5200  232.5300  232.3000  232.4800  232.0500  232.4500  232.6000  232.4700  232.3000
    mu_ju =
      232.4025
    sigma2_ju =
        0.0255
    

    二、单个总体极大似然估计与区间估计(参数均未知)
    命令: [a,b]=namefit (X, ALPHA) % 返回总体参数的极大似然估计a与置信度为100(1- ALPHA)的置信区间 [a,b],若参数为多个,ab也是多个,若省略ALPHA,则置信度为0.95
    下表列出了几种常用分布的参数估计函数:

    函数名调 用 形 式函 数 说 明
    binofitPHAT= binofit(X, N);[PHAT, PCI] = binofit(X,N);[PHAT, PCI]= binofit (X, N, ALPHA)二项分布的概率的最大似然估计置信度为95%的最大似然估计和置信区间返回水平α的参数估计和置信区间
    poissfitLambdahat=poissfit(X);[Lambdahat, Lambdaci] = poissfit(X);[Lambdahat, Lambdaci]= poissfit (X, ALPHA)泊松分布的参数的最大似然估计置信度为95%的最大似然估计和置信区间返回水平α的λ参数和置信区间
    normfit[muhat,sigmahat,muci,sigmaci] = normfit(X);[muhat,sigmahat,muci,sigmaci] = normfit(X, ALPHA)正态分布的最大似然估计,置信度为95%返回水平α的期望、方差值和置信区间
    betafitPHAT =betafit (X);[PHAT, PCI]= betafit (X, ALPHA)返回β分布参数a和 b的最大似然估计返回最大似然估计值和水平α的置信区间
    unifit[ahat,bhat] = unifit(X);[ahat,bhat,ACI,BCI] = unifit(X);[ahat,bhat,ACI,BCI]=unifit(X, ALPHA)均匀分布参数的最大似然估计置信度为95%的参数估计和置信区间返回水平α的参数估计和置信区间
    expfitmuhat =expfit(X);[muhat,muci] = expfit(X);[muhat,muci] = expfit(X,alpha)指数分布参数的最大似然估计置信度为95%的参数估计和置信区间返回水平α的参数估计和置信区间
    gamfitphat =gamfit(X);[phat,pci] = gamfit(X);[phat,pci] = gamfit(X,alpha)γ分布参数的最大似然估计置信度为95%的参数估计和置信区间返回最大似然估计值和水平α的置信区间
    weibfitphat = weibfit(X);[phat,pci] = weibfit(X);[phat,pci] = weibfit(X,alpha)韦伯分布参数的最大似然估计置信度为95%的参数估计和置信区间返回水平α的参数估计及其区间估计
    Mlephat = mle(‘dist’,data);[phat,pci] = mle(‘dist’,data);[phat,pci] = mle(‘dist’,data,alpha);[phat,pci] = mle(‘dist’,data,alpha,p1)分布函数名为dist的最大似然估计置信度为95%的参数估计和置信区间返回水平α的最大似然估计值和置信区间仅用于二项分布,pl为试验总次数

    对于上表函数,以均匀分布的参数估计为例说明:
    例、产生 100 行1列服从区间(1, 10)上的均匀分布的随机数, 计算区间端点“a”和“b”的极大似然估计值, 求出置信度为0.95的这两个参数的置信区间。
    本例结合了上节讲述过的常见分布随机数产生的知识,要用到unifrnd函数产生随机数。

    >> r = unifrnd(1, 10, 100, 1);
    >> [ahat, bhat, aci, bci] = unifit(r)
    ahat =
        1.0104
    bhat =
        9.7178
    aci =
        0.7456
        1.0104
    bci =
        9.7178
        9.9826
    

    结果表明: 区间端点a和b的极大似然估计值分别是1.0104(比“1”略大)和9.7178(比“10”略小), 置信度为0.95的两个参数的置信区间分别是(0.7456, 9.7178)和(1.0104,9.9826).
    上面的表中,有一个较为特殊的函数,Mle函数,现对其具体用法有如下说明:
    [phat, pci]=mle(’ name ‘, X); % 同时进行区间估计, 默认置信度为95%.
    [phat, pci]=mle(’ name ‘, X, alpha); %同时进行区间估计, 置信度由 alpha确定.
    [phat, pci]=mle(’ name ', X, alpha, pl); %仅用于二项分布, pl为试验次数.
    说明:name为分布函数名,如 beta(β分布)、bino(二项分布)等, X 为数据样本,alpha 为显著水平α, 100(1-α)%为置信度.
    例、产生参数为N=100,p=0.35的200个二项分布的随机数, 求出置信度为 0.95的参数p的置信区间.

    >> X=binornd(100,0.35,200,1); 
    >> [p,pci]=mle('bino',X,0.05,100)
    p =
        0.3511
    pci =
        0.3445
        0.3578
    

    三、单个正态总体参数估计
    设X1,X2,……Xn,为来自正态总体N(u,sigma^2)的一个样本,求u,sigma ^2的极大似然估计与区间估计。此处会较多用到数理统计的知识,参见下表。
    在这里插入图片描述只需要按照表中所对应的估计函数计算即可。只不过在计算之前,有必要去了解一下matlab中如何去计算某一分布的临界值,见下表。
    在这里插入图片描述在这里插入图片描述
    例、设总体服从正态分布, sigma^2为待估参数。样本的一组观察值为(14.6,15.1,14.9,14.8,15.2,15.1),置信度为95%,求 u=14.5时sigma的置信区间.

    >> x=[14.6,15.1,14.9,14.8,15.2,15.1];         %样本数据
    >> alpha=0.05;                                %给定的显著性水平
    n=length(x);                                  %计算样本容量
    mu=14.5;                                      %给定的样本均值
    chi2=sum((x-mu).^2);                          %计算离差的平方和
    lambda1=chi2inv(1-alpha/2,n);                 %计算卡方分布的临界值
    lambda2=chi2inv(alpha/2,n);
    sigma=[sqrt(chi2/lambda1),sqrt(chi2/lambda2)]  %计算方差的置信区间
    sigma =
        0.3190    1.0900
    

    分析:先分析题设,sigma^2为待估参数,并且 u=14.5,从表中找到估计函数服从卡方分布。chi2inv函数是计算卡方分布的临界值的函数。
    对于两个正态总体区间估计,在这里就不过多重复数理统计的知识,有需要者可以自己温习一下这部分的高数知识,下面就直接通过一个简单的例子进行讲解。
    例、从甲乙两个蓄电池厂生产的产品中,分别抽取10个产品,测得它们的电容量(单位:Ah)为:
    甲厂:146 141 138 142 140 143 138 137 142 137 乙厂:141 143 139 139 140 141 138 140 142 136 若蓄电池的电容量服从正态分布,求两个工厂生产的蓄电池的电容量方差之比的置信水平为0.90的置信区间。

    >> x1=[146 141 138 142 140 143 138 137 142 137]; 
    x2=[141 143 139 139 140 141 138 140 142 136]; 
    s1=var(x1); 
     s2=var(x2); 
     f1=finv(0.95,9,9);
     f2=finv(0.05,9,9); 
     d1=s1/s1*(1/f1) 
     d2=s1/s2*(1/f2)
    d1 =
        0.3146
    d2 =
        6.7541
    

    至此,对于matlab在数理统计部分的应用就讲述到这里,难度较大的就是参数估计这一部分,希望大家在了解matlab实现某些统计问题简化运算的同时,还是要回归书本,认真去了解参数估计的数学原理。

    展开全文
  • 多元线性回归的参数估计方法,吴仕勋,赵东方,本文依据高斯—马尔可夫定理,通过对最小二乘估计方法得出的参数估计值的分析,从另外两个角度出发得出了参数估计的值与最小二乘
  • 在对语音信号进行编码时,往往通过分析不同种类语音信号的特点及产生,用数学模型表示信源,而编码器根据输入信号计算模型参数,然后对模型参数进行编码,也就是说,只需要对编码后的参数进行传送(而不需要传送语音...
  • 【数学基础】参数估计之贝叶斯估计

    万次阅读 多人点赞 2018-08-07 16:50:35
    另外还定义了参数的一个方差量,来评估参数估计的准确程度或者置信度。 贝叶斯估计:从分布的总体信息和参数的先验知识以及样本信息出发。 不同于ML估计,不再把参数 看成一个未知的确定变量,而是看成未知的...
  • 参数估计之点估计(矩估计,最大似然估计) 详解含推导 1.何为点估计 在了解点估计之前,我们先介绍一下估计量与估计值的概念 1.1估计量与估计值 参数估计 就是用样本统计量去估计总体的参数,如用样本均值 x⃗\vec xx ...
  • 无论是参数估计还是费参数估计 其目的都是为了求出总体的概率密度函数parzen窗基本原理嗯哼哼 ,画个圈圈 ,在圈圈里面又画一个正方形,在往圈圈里面随机扔豆豆,豆豆在正方形里面的概率约等于在正方形内的总数k比...
  • 为随机信号建立参数模型是研究随机信号的一种基本方法,其含义是认为随机信号是由白噪激励某一确定系统的响应。只要白噪的参数确定了,研究随机信号就可以转化成研究产生随机信号的系统。 经典信号建模法前面已经...
  • 参数估计(三)---贝叶斯估计

    千次阅读 2014-04-12 21:39:50
    极大似然估计和极大后验概率估计,dou
  • 统计学习方法第四章朴素贝叶斯的贝叶斯估计例题4.2代码实践(如需要查看极大似然估计的算法请看我的另一篇文章http://blog.csdn.net/grinandbearit/article/details/79044065),贝叶斯算法略微复杂了点对分子分母...
  • 贝叶斯估计的理解及例子

    千次阅读 2020-03-04 19:07:59
    大体上,统计学分为两个学派,一个是经典学派(又称频率学派),用的是总体信息和样本信息来处理参数的问题。另一个是贝叶斯学派,除了用的是同经典学派一样的总体信息和样本信息之外,还有先验信息。那么什么是先验...
  • 区间估计的一道例题

    千次阅读 2019-02-13 18:12:59
    区间估计的一道例题 为了提高可靠性和测量精度,飞机通常安装了若干个高度仪。设飞机实际飞行高度为μ\muμ时每个高度仪时测量值X∼N(μ,σ2)X\sim\mathcal N(\mu,\sigma^2)X∼N(μ,σ2),σ=8m\sigma=8mσ=8m,二...
  • 三种参数估计方法(MLE,MAP,贝叶斯估计)
  • 最小二乘法(又称最小平方法)是一种数学优化技术。它通过最小化误差的平方和寻找数据的最佳函数匹配。利用最小二乘法可以简便地求得未知的数据,并使得这些求得的数据与实际数据之间误差的平方和为最小。...
  • 参数估计方法整理

    万次阅读 多人点赞 2018-08-06 10:33:27
    参数估计:是根据从总体中抽取的样本估计总体分布中包含的未知参数的方法。 参数估计包括点估计和区间估计。 常见点估计方法:矩估计、最小二乘估计、极大似然估计、贝叶斯估计 区间估计:利用已知的抽样分布、...
  • 参数技术——Parzen窗估计方法

    千次阅读 2016-11-11 11:31:15
    常用的模式分类的非参数技术主要有两种:Parzen窗估计方法和K-近邻概率密度估计方法。二者其实是对同一个问题的不同角度去解决。Parzen窗估计方法的主题思想是固定窗口区域容积,去看有多少个样本点在里面,而K-近邻...
  • 参数估计-Parzen窗口函数法

    千次阅读 2012-09-27 23:13:30
    在模式识别过程中,学习了非参数估计的两种方法:Paren窗口法和K-近邻法。在这篇文章中主要谈谈自己对窗口函数法的理解。
  • 多元线性回归的参数估计,介绍多元线性回归的参数估计
  • 简述:参数估计中的最小二乘法

    千次阅读 2020-03-28 23:44:59
    在工程物理、 化学工程、 生物医学、 统计学、 经济学、 信号处理、 自动化、测绘学等领域中, 许多问题都可归结为求解矩阵方程 Ax=b的问题,其中最常见的是线性参数估计问题,而最小二乘法是最常用的线性参数估计...
  • R语言中的参数估计

    千次阅读 2020-12-25 11:52:44
    R语言中的参数估计 一直想要写博客来着,一直没有实现,昨天看室友写了,借着复习R语言考试,来开启我的第一篇博客叭! 以下我将从点估计、区间估计来介绍区间估计,本文主要介绍R代码,具体的统计知识,详情可参考...
  • parzen窗的matlab实现 本文档实现的是用简单的matlab程序实现parzen窗的设计
  • 卡尔曼滤波与状态估计例题python实现 关于卡尔曼滤波的原理这里就不赘述了,很多大佬说的很棒,这里就把网课上看到的例题在这里做一下 巩固一下 卡尔曼滤波的两个步骤 预测更新(Predict): 预测状态量: x^=(t∣t−...
  • 参数估计-parzen窗估计和k近邻估计

    千次阅读 2015-08-17 22:46:42
    许多数据挖掘模型(贝叶斯决策模型)是基于一假设条件的:数据的概率密度函数的参数形式已知,然后去估计其参数,并且有参数估计方法,最大似然估计和贝叶斯参数估计等。这一假设是带有相当大的局限性的,第一:假设...
  • 参数估计和假设检验参数估计与假设检验区间估计单个总体N(μ,σ2)N(μ,σ^2)N(μ,σ2)的情况两个总体N(μ1,σ12),N(μ2,σ22)N(μ_1,σ_1^2),N(μ_2,σ_2^2)N(μ1​,σ12​),N(μ2​,σ22​)的情况应用实例例题1:...
  • 当第二个参数是已知,或未知的时候,关于参数估计的这个式子说明了什么?在什么情况下等号成立?为什么? 解答 逆矩阵求解 首先,需要确定 的逆矩阵,这里采用伴随矩阵的方法进行求解: 由于 正定,因此 , 可逆...
  • parzen窗-非参数密度估计

    千次阅读 2013-12-07 22:33:39
    对一个连续函数P(X),满足以下性质 (1)X在(a,b)之间的概率如下: (2)对所有的实数X均满足  P(X)>=0 ...给定一组数量为N的样本,X1,X2,X3,...Xn,对新给定的X我们要估计P(X)的
  • 几个贝叶斯估计例题

    万次阅读 2017-07-04 10:55:38
    几个贝叶斯估计例题

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 2,544
精华内容 1,017
关键字:

参数估计的例题