精华内容
下载资源
问答
  • .一个未知参数无偏估计一定唯一
    千次阅读
    2021-01-12 10:42:28

    【简答题】当机体缺水时 , 为什么尿量会减少 ?

    【单选题】有下列If语句,说法正确的是________。 If x=1 Then y=1

    【判断题】确定项目名称时,对于初学者一般按照定额法开始,并逐步加深对定额的了解。

    【单选题】肾糖阀是( )。

    【填空题】已知两个变量m和n,利用If语句,使得m大于n。在下列程序中填写合适的语句,使得功能完善(答案不要有空格)。 If m < n Then __________ n = m m = t End If

    【简答题】请说出脑结构。

    【简答题】自主神经系统中哪一种兴奋,会引起心脏跳动加快?

    【单选题】ndarray对象实例a,代码如下: import numpy as np a = np.array([[ 0 , 1 , 2 , 3 , 4 ], [ 9 , 8 , 7 , 6 , 5 ]]) a.itemsize的执行结果是什么?

    【填空题】生成一个3行4列全0的ndarray对象a的语句是: a = np._______(( 3 , 4 ), dtype = 'int32' )

    【简答题】按以下格式写出实验报告,可手写拍照也可打字。 实验目的: 实验要求: 实验过程: 实验结果:请上传你的体重指数及体脂率。

    【单选题】肾 小管浓缩和稀释的过程主要发生于 ( )。

    【填空题】绘制极坐标图使用plt._________()函数

    【单选题】ndarray对象实例a,代码如下: import numpy as np a = np.array([[ 0 , 1 , 2 , 3 , 4 ], [ 9 , 8 , 7 , 6 , 5 ]]) a.shape的执行结果是什么?

    【判断题】材料单价是指建筑材料从其来源地运到施工工地仓库直至出库形成的综合平均单价。

    【判断题】所有清单项目的工程量应以实体工程量为准,并以完成后的净值计算。

    【填空题】绘制饼图使用plt.______()函数。

    【单选题】如下代码: import pandas as pd a = pd.Series([ 9 , 8 , 7 , 6 ], [ 'a' , 'b' , 'c' , 'd' ]) 其中,'a'是什么?

    【判断题】施工机械台班定额可分为时间定额和产量定额两种形式,两者之间互为倒数。

    【名词解释】心输出量

    【名词解释】血压

    【单选题】下列关于IsNumeric()函数的描述中,错误的是_______。

    【名词解释】肾小球滤出率

    【单选题】分段函数: ,下面程序段中正确的是__________。

    【单选题】H + 主要的分泌部位使在 ( )。

    【其它】上传朗读录音和默写照片

    【简答题】请写出神经系统的组成。

    【单选题】在VB6.0中,表达式4 * 3 \ 5 Mod 3的值是_______。

    【简答题】根据平、立面图绘制管道的斜等轴测图。 斜等轴测图的绘制.docx

    【判断题】采用定额计价时,利润应列入分部分项工程和措施项目费中。

    【填空题】绘制直方图使用plt.______()函数

    【单选题】表达式Val("-1.2a3b4")的值是_______。

    【简答题】写出实验目的和要求,再 画出人体肌肉主要结构

    【名词解释】肾单位

    【单选题】NumPy提供了多种存储ndarray对象的方法,以下哪种方法可以最方便的存储多维(任意维度)数组?(a是ndarray对象)

    【单选题】表示x是5的倍数的逻辑表达式为_______。

    【判断题】“单价法”和“实物法”的区别在于两者求直接费的方法不同,“单价法”需要在计算利润之前调整材料及人工的差价,而“实物法”则不需要。

    【简答题】按以下格式写出实验报告,可手写拍照也可打字。 实验目的: 实验要求: 实验材料: 实验过程: 实验结果: 请上传你的不同仪器测量出的体温值。 实验问题: 1 、体温测量方法 , 正常体温范围 。 2 、 常见退热药有哪些 ? (至少写三种) 3 、实验原理

    【单选题】不属于VB6.0基本数据类型的是_______。

    【单选题】正常人每昼夜排尿量平均约为

    【填空题】填写如下空格,生成一个3行4列的ndarray对象a:(答案中不要出现空格) a = np.arange( 12 )._______

    【简答题】请画出消化系统,呼吸系统主要器官构造。

    【简答题】请按顺序写出十二对脑神经。

    【单选题】绘制散点图使用如下哪个函数?

    【判断题】简单 If 形式无 End If 时,Then 后面只能是一句语句或多条语句间用冒号分隔,而且必须在一行上书写。

    【阅读理解】Every year there is a Spring Festival in China. Usually it is in January or February. It is the most important festival in China. So before it comes, everyone has to prepare things. They buy pork, beef, chicken, fruits and many other things. And they often make a special kind of fooddumplings. It means come together. On the day before the festival, parents buy new clothes for their children. Children also buy presents for their parents. On the Spring Festival Eve(除夕), all the family members come back to their hometown. This is a happy moment. Some sing and dance, some play cards and others get the dinner ready. When they enjoy the meal, they give each other the best wishes for the coming year. They all have a good time.

    【判断题】采用定额计价,确定项目名称可采用定额法即按照施工顺序自准备施工开始逐项在定额中查找应该套用的定额子目,直至工程完工.

    【判断题】建筑安装工程费中的施工机具使用费,如采用的是租赁机械时是指其租赁费。

    【判断题】套用定额时,当分项工程的有关内容虽然与定额项目不完全相同,但是定额规定不需要进行调整、可以近似套用相应定额子目时,可以直接套用近似定额子目及其单价。

    【简答题】将下列图形的正立面图、平面图或左侧立面图补充完整。 平、立、侧面图.docx

    【单选题】表达式Chr(Int(Rnd*4+97))的结果是_______。

    更多相关内容
  • 什么是无偏估计和有偏估计

    千次阅读 2020-12-29 11:04:07
    展开全部有偏估计(biased estimate)是指由样本值...无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值,则称此估计量为被估计参数无偏估计,即具有无偏性,是一种...

    展开全部

    有偏估计(biased estimate)是指由样本值求得的估计值与待估参数的真值之间有系统误差,其期望值不是待32313133353236313431303231363533e4b893e5b19e31333431376634估参数的真值。

    无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值,则称此估计量为被估计参数的无偏估计,即具有无偏性,是一种用于评价估计量优良性的准则。

    假设A市有10000名小学六年级的学生,他们进行一次考试,成绩服从1~100的均匀分布。1号学生考1分,2号学生考1.01分......10000号学生考100分。

    那么,他们的平均分为(1+1.01+1.02+...+100)/10000=50.5,这个值是总体期望,但实际上我们并不能知道这个值,只能通过样本估计。

    可以给A市88所小学打电话,让学校老师随机选取一名学生成绩报上来,这样就可以得到88名学生的成绩,这88名学生就是我们第一个随机选取的样本,我们算出平均值,记作。

    然后再重新给A市88所小学打电话,重新随机选取88名学生的成绩,这是第二个随机样本。算出样本2的平均值,记作。

    然后重复n遍,获得n个样本均值,你会发现样本均值的分布符合正态分布。我们就可以用最大似然估计或距估计求得这个正态分布的期望。

    而样本平均数的期望(在这里就是均值),极其接近总体的期望。我们称之为无偏估计,一次抽样计算的平均值就说是总体均值的做法就是有偏估计(biased estimator)

    扩展资料

    (1)无偏估计有时并不一定存在。

    (2)可估参数的无偏估计往往不唯一。统计学中,将存在无偏估计的参数称为可估参数,可估参数的无偏估计往往不唯一,而且只要不唯一,则即有无穷多个。一个参数往往有不止一个无偏估计。

    (3)无偏估计不一定是好估计。

    展开全文
  • 总体样本方差的无偏估计样本方差为什么除以n-1 ...

    总体样本方差的无偏估计样本方差为什么除以n-1

    本文链接: https://blog.csdn.net/qq_16587307/article/details/81328773

    我们先从最基本的一些概念入手。

    如下图,脑子里要浮现出总体样本X,还有一系列随机选取的样本X_{1},X_{2},...,X_{n}。只要是样本,脑子里就要浮现出它的集合属性,它不是单个个体,而是一堆随机个体集合。样本X_{i}是总体样本中随机抽取一系列个体组成的集合,它是总体样本的一部分。

    应该把样本X_{i}和总体样本X一样进行抽象化理解,因此样本X_{i}也存在期望E(X_{i})和方差D(X_{i})

    这里有一个重要的假设,就是随机选取的样本X_{i}与总体样本同分布,它的意思就是说他们的统计特性是完全一样的,即他们的期望值一样,他们的方差值也是一样的:

    E(X_{i})=E(X)=\mu

    D(X_{i})=D(X)=\sigma ^{2}

    另外,由于每个样本的选取是随机的,因此可以假设X_{1},X_{2},...,X_{n}不相关(意味着协方差为0,即Cov(X_{i},X{j})=0,i\neq j),根据方差性质就有:

    D(X_{i}+X_{j})=D(X_{i})+D(X_{j})+2Cov(X_{i},X_{j})=D(X_{i})+D(X_{j})=2\sigma ^{2}

    另外,还需要知道方差另外一个性质:

    D(aX_{i})=a^{2}D(X_{i}),a为常数。

    还有一个,别忘了方差的基本公式:

    D(X)=E(X^2)-E^2(X)

    以上的公式都很容易百度得到,也非常容易理解。这里不赘述。

    2)无偏估计

    接下来,我们来理解下什么叫无偏估计。

    定义:设统计量\hat{\Theta}=\hat{\Theta}(X_{1},X_{2},...,X_{n})是总体中未知参数\Theta的估计量,若E(\hat{\Theta })=\Theta,则称\hat{\Theta }\Theta无偏估计量;否则称为有偏估计量。

    上面这个定义的意思就是说如果你拿到了一堆样本观测值,然后想通过这一堆观测值去估计某个统计量\Theta,一般就是想估计总体的期望或方差,如果你选择的方法所估计出来的统计量\hat{\Theta}的期望值与总体样本的统计量\Theta相等,那么我们称这种方法下的估计量是无偏估计,否则,就称这种方法下的估计量为有偏估计量。

    按照这么理解,那么有偏无偏是针对你选择估计的方法所说的,它并不是针对具体某一次估计出来的估计量结果。如果方法不对,即使你恰好在某一次计算出来一个值和总体样本统计量值相同,也并不代表你选的这个方法是无偏的。为什么呢?这是因为单次\hat{\Theta}值是和你选取的样本相关的,每次样本(更加严格的意义是某次样本快照)的值变化了,那么每次\hat{\Theta}的值就有可能跟着变化,你就需对这么多\hat{\Theta}求期望值来判断\hat{\Theta}的可信程度,如果一直重复这个试验,然后它的期望值与总体样本的统计量\Theta一样,那么称按照这种方法估计出来的统计量是无偏的。

    来一点题外话:

    但凡是想通过有限的信息去"估计"一个整体的"量",这种情形下谈这个"估计"的方法“有偏”\“无偏”才有意义。一般来说,这种情形下,这个被估计的"量"肯定是有碍于技术或者现实情况无法严格准确获取,比如因为成本过高这些"量"无法通过穷举或者其他办法获知。否则,如果被估计的"量"很容易获取,就不需要"估计"了,采用统计方法就可以了。

    如果你只是要进行简单的"统计"就能获得你想要的"量",那么没必要去关心所采用的方法是"有偏"还是“无偏";尤其是当整体信息很容易获取的情况下谈"有偏"还是“无偏"就毫无意义。比如要谈某个班级的身高的平均值,直接将身高总数除以班级人数就可以了,因为根本没必要去"估计",因为它仅仅是个"统计"问题;同样的,求一个班级的身高方差也不用任何纠结,求方差过程中除以班级人数就OK了,没有必要非常变态的研究是除以"班级总人数"还是"班级总人数-1",你要是去纠结这个,那就是吃饱了撑的了。但是,假如学校有几万人,你要统计的是整个学校所有的人的平均身高,这个时候一个一个进行统计是不现实的,反而需要使用的"估计"的方法。你采用的方法是随便抓100个人过来,将这100人总的身高数值除以100,估计出来的平均值就可以假设认为是整个学校的身高平均值,因为,你是用部分样本估计了总体样本的一个”量“,所以这个是"估计";此时,要是估计整个学校学生身高的方差,如果要想估计方法"无偏", 那就不是除以100了,而是除以99。当然,如果你是一位粗人,无所谓啥"有偏"还是“无偏"的束缚,那么你直接除以100也不会遭到嘲笑的,具体原因得继续往下看。总之,无法通过整体直接"统计"获得你想要的"量"时,你只能通过"部分样本"来做"整体样本""量"的估计时,谈估计方法的"有偏"还是"无偏"才是有意义的。

    3)样本均值的无偏估计

    接下来探讨一下下面的结论:

    定理1:样本均值\bar{X}是总体样本均值\mu的无偏估计。

    注意:这里样本均值\bar{X}不是指某个样本X_{i}的均值。

    这里需要看上面这张图,这里的均指的是特定某次样本集合(X_{1},X_{2},...,X_{n})的快照(上图红色框),显然这个快照也是一个样本,只不过这个样本它的样本大小固定为n,这与抽象的样本不一样(一般我们想象抽象的样本,比如X_{i},是无限大的)。

    明显,

    第一个样本(快照)均值是长这样子的:\frac{1}{n}(x_{11}+x_{21}+...+x_{i1}+...+x_{n1})=\hat{\mu _{1}}

    第二个样本(快照)均值是长这样子的:\frac{1}{n}(x_{12}+x_{22}+...+x_{i2}+...+x_{n2})=\hat{\mu _{2}}

    ....依此类推...

    x_{ij}表示第j次随机从从本X_{i}获取一个个体。

    试验一直进行下去,你就会有一些列估计出来的样本(快照)均值\hat{\mu _{1}},\hat{\mu _{2}}...\hat{\mu _{i}},\hat{\mu _{m}}...,实际上这也称为了一个样本,我们称为均值的样本,既然是样本,它就也有统计量。我们这里重点关注这个均值样本的期望。因为按照估计量的有偏无偏定义,如果E(\hat{\mu})=\mu,那么按照这个方法估计的均值\hat{\mu }就是无偏的。仔细思考,估计量有偏无偏它是针对你所选定的某个估计方法所形成的估计量样本空间来讨论的,讨论单次试验形成的估计量是没有太大意义的,只有针对形成的估计量样本空间才有意义。

    下面验证上面的方法形成的\hat{\mu}估计是无偏的。

    E(\hat{\mu})=\frac{1}{m}(\hat{\mu}_{1}+\hat{\mu}_{2}+...+\hat{\mu}_{m})

    =\frac{1}{n}(\frac{x_{11}+x_{12}+...+x_{1m}}{m}+\frac{x_{21}+x_{22}+...+x_{2m}}{m}+...+\frac{x_{n1}+x_{n2}+...+x_{nm}}{m})

    =\frac{1}{n}(E(X_{1})+E(X_{2})+...+E(X_{n}))

    =\frac{1}{n}(n*\mu )

    =\mu

    这么一来,就和教科书和网上的资料结果上都对上了,教科书上的公式在下面列出(\hat{\mu}符号用\bar{X}代替):

    E(\bar{X})=E(\frac{1}{n}\sum_{i=1}^{n}X_{i} )=\frac{1}{n}\sum_{i=1}^{n}E(X_{i})=\mu

    有了前面的分析,上面的教科书公式就很好理解了,注意,里头的X_{i}是原始样本,\bar{X}也是样本!!!  公式推导过程中,\bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_{i}表示了原始的(X_{1},X_{2},...,X_{n})样本快照求和后再除以n形成的估计量样本,所以是可以对其再进行求期望的。

    讨论完估计量样本\bar{X}的均值,我们别忘了,既然它是个样本,那么可以计算\bar{X}的方差D(\bar X)(后面会用到):

    D(\bar X)=D(\frac{1}{n}\sum_{i=1}^{n}X_{i})

    =\frac{1}{n^2}D(\sum_{i=1}^{n}X_{i})

    =\frac{n\sigma ^2}{n^2}=\frac{\sigma ^2}{n}

    所以,样本(快照)均值的期望还是总体期望,但是,样本(快照)均值的方差却不是原来的方差了,它变成原来方差的1/n。这也容易理解,方差变小了是由于样本不是原来的样本X_{i}了,现在的样本是均值化后的新样本\bar {X},既然均值化了,那么比起原来的老样本X_{i},它的离散程度显然是应当变小的。

    4)样本方差的无偏估计

    定理2:样本方差S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2}是总体样本方差\sigma ^{2}的无偏估计。

    也就是需要证明下面的结论:

    E(S^2)=E(\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^2)=\sigma ^2

    首先,脑子里要非常清楚,你截至目前,仅仅知道以下内容:

    E(X_{i})=E(X)=\mu

    D(X_{i})=D(X)=\sigma ^{2}

    Cov(X_{i}X{j})=0,i\neq j

    D(X_{i}+X_{j})=D(X_{i})+D(X_{j})=2\sigma ^{2},i\neq j

    D(X)=\sigma ^{2}=E(X^2)-E(X)^2=E(X^2)-\mu^2

    {\color{Red} E(\bar{X})=\mu}

    {\color{Red} D(\bar X)=\frac{\sigma ^2}{n}}

    其中前面5个来自1),最后2个来自3)。

    至于为什么是S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2},而不是S^{2}=\frac{1}{n}\sum_{n}^{i=1}(X_{i}-\bar{X})^{2},需要看下面的证明。

    E(S^{2})=E(\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2})=\frac{1}{n-1}E(\sum_{i=1}^{n}X_{i}^2-n \bar{X}^{2})

    =\frac{1}{n-1}(\sum_{i=1}^{n}E(X_{i}^2)-nE(\bar{X}^{2}) )

    =\frac{1}{n-1}(\sum_{i=1}^{n}[D(X_{i})+E^2(X_{i})]-n[D(\bar{X})+E^{2}(\bar{X}) ])

    =\frac{1}{n-1}(\sum_{i=1}^{n}[\sigma ^2+\mu^2]-n[\frac{1}{n}\sigma ^2+\mu^{2} ])=\sigma ^2

     

    那么为什么会导致这么个奇怪的结果,不是\frac{1}{n}而是\frac{1}{n-1}  ?

    仔细看上面的公式,如果D(\bar X)=0,那么就应该是\frac{1}{n}了,但是残酷的事实是D(\bar X)\neq 0(除非\sigma本身就等于0),导致\frac{1}{n-1}的罪魁祸首是D(\bar X)\neq 0。这就有告诉我们,D(\bar X)虽然将方差缩小了n倍,但是仍然还有残存,除非\sigma本身就等于0,才会有D(\bar X)=0,但这就意味着所有样本的个体处处等于\mu

    还有一种情况,如果你事先就知道\mu,那么S^{2}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2}就是\sigma ^{2}的无偏估计,这个时候就是\frac{1}{n}了。

    ---------------------------------------------------------------------------------------------------------------------------------------------

    有人还是问我为什么\mu(总体均值)已知,就可以用S^{2}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2}作为总体方差\sigma ^{2}的无偏估计,这个完全直接推导就可以证明。证明如下:

    E(S^{2})=E(\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2})

    =\frac{1}{n}\sum_{i=1}^{n}E[(X_{i}-\mu)^{2}]

    =\frac{1}{n}\sum_{i=1}^{n}[E(X_{i}^2)-2\mu E(X_{i})+\mu^{2}]

    =\frac{1}{n}\sum_{i=1}^{n}[E(X_{i}^2)-\mu^{2}]

    =\frac{1}{n}\sum_{i=1}^{n}[\sigma^2+\mu^2-\mu^{2}]

    =\sigma^{2}

    这个结论告诉我们,如果某个人很牛逼,他可以知道确切的总体样本均值\mu,那么就可以用S^{2}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2}来估计总体样本方差\sigma^{2},并且这个估计方法是保证你无偏的。

    而上面的S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2},请睁大眼睛看清楚,用的是\bar{X}。大部分的实际应用情况下,谁也不知道总体样本均值\mu(请问你知道全球人均身高么?鬼知道,地球上没有一个人可以知道!我想即使是外星爸爸也不知道!),但是我还是想在全球人都不知道的情况下去估计总体的身高方差,怎么办?现在有个办法,我们可以去抓一些人(部分样本)来做一个部分样本均值,那就用部分样本均值也就是\bar{X}来近似代表\mu(上面的定理1告诉我们这种方法对于估计\mu是无偏的),但是现在我想估计另外一个东东,那个东东叫总体样本方差\sigma^{2}。好了,我们可以也用\bar{X}代入S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2}来估计总体样本方差\sigma^{2},并且如前面所分析的,这个估计方法针对\sigma^{2}是无偏的。(至于为啥是奇怪的\frac{1}{n-1},简单直接的原因是因为我不知道总体样本均值\mu,因为如果你能够知道\mu,我们就可以不需要用奇怪的\frac{1}{n-1},我们就可以用S^{2}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2}去估计总体样本方差)。

    总之,S^{2}=\frac{1}{n}\sum_{i=1}^{n}(X_{i}-\mu)^{2}是理论上的总体样本方差。S^{2}=\frac{1}{n-1}\sum_{i=1}^{n}(X_{i}-\bar{X})^{2}是实际应用中采用的总体样本方差估计。

    ------------------------------------------------------------------------------------------------------------------------------------------------------------------

    统计学中还有一个"自由度"的概念。为什么是除以n-1还可以从自由度角度进行解释,具体可以参看下面百度的解释:

    自由度 (统计学的自由度)

    展开全文
  • 总体分布为N(μ,σ2)下,分别给出了未知参数μ,σ,σ2的几个无偏估计量,并加以证明。
  • 设样本(X1,X2,⋯ ,Xn)(X_1,X_2,\cdots,X_n)(X1​,X2​,⋯,Xn​)来自XXX,XXX的分布中含有mmm个未知参数θ1,θ2,⋯ ,θm\theta_1,\theta_2,\cdots,\theta_mθ1​,θ2​,⋯,θm​。设XXX存在直到mmm阶的原点矩E(X),E...

    设样本 ( X 1 , X 2 , ⋯   , X n ) (X_1,X_2,\cdots,X_n) (X1,X2,,Xn)来自 X X X X X X的分布中含有 m m m个未知参数 θ 1 , θ 2 , ⋯   , θ m \theta_1,\theta_2,\cdots,\theta_m θ1,θ2,,θm。设 X X X存在直到 m m m阶的原点矩 E ( X ) , E ( X 2 ) , ⋯   , E ( X m ) E(X),E(X^2),\cdots,E(X^m) E(X),E(X2),,E(Xm)。显然, E ( X k ) = μ k E(X^k)=\mu_k E(Xk)=μk,仍然含有 m m m个参数 θ 1 , θ 2 , ⋯   , θ m \theta_1,\theta_2,\cdots,\theta_m θ1,θ2,,θm,记为 μ k ( θ 1 , θ 2 , ⋯   , θ m ) \mu_k(\theta_1,\theta_2,\cdots,\theta_m) μk(θ1,θ2,,θm) k = 1 , 2 , ⋯   , m k=1,2,\cdots,m k=1,2,,m。我们得到方程组
    { μ 1 = μ 1 ( θ 1 , θ 2 , ⋯   , θ m ) μ 2 = μ 2 ( θ 1 , θ 2 , ⋯   , θ m ) ⋯ ⋯ ⋯ μ m = μ m ( θ 1 , θ 2 , ⋯   , θ m ) \begin{cases}\mu_1=\mu_1(\theta_1,\theta_2,\cdots,\theta_m)\\ \mu_2=\mu_2(\theta_1,\theta_2,\cdots,\theta_m)\\ \cdots\quad\cdots\quad\cdots\\ \mu_m=\mu_m(\theta_1,\theta_2,\cdots,\theta_m)\end{cases} μ1=μ1(θ1,θ2,,θm)μ2=μ2(θ1,θ2,,θm)μm=μm(θ1,θ2,,θm)
    解此方程组,并用样本的 k k k阶原点矩 A k = 1 n ∑ i = 1 n X i k A_k=\frac{1}{n}\sum\limits_{i=1}^nX_i^k Ak=n1i=1nXik代替总体 k k k阶原点矩 μ k \mu_k μk,得到参数 θ 1 , θ 2 , ⋯   , θ m \theta_1,\theta_2,\cdots,\theta_m θ1,θ2,,θm的矩估计量
    { θ ∧ 1 = g 1 ( A 1 , A 2 , ⋯   , A m ) θ ∧ 2 = g 2 ( A 1 , A 2 , ⋯   , A m ) ⋯ ⋯ ⋯ θ ∧ m = g m ( A 1 , A 2 , ⋯   , A m ) . \begin{cases}\stackrel{\wedge}{\theta}_1=g_1(A_1,A_2,\cdots,A_m)\\ \stackrel{\wedge}{\theta}_2=g_2(A_1,A_2,\cdots,A_m)\\ \quad\cdots\quad\cdots\quad\cdots\\ \stackrel{\wedge}{\theta}_m=g_m(A_1,A_2,\cdots,A_m) \end{cases}. θ1=g1(A1,A2,,Am)θ2=g2(A1,A2,,Am)θm=gm(A1,A2,,Am).
    矩估计量的观测值称为矩估计值。
    为计算参数的矩估计值,则可用样本数据数组x(numpy.array类对象)的mean函数计算样本1阶原点矩;若需要计算 k k k ≥ 2 \geq2 2)阶原点矩,则只需调用x**k的mean函数即可。
    例1随机地取8只活塞环,测得它们的直径为(单位:mm):
    74.001 , 74.005 , 74.003 , 74.001 , 74.000 , 73.998 , 74.006 , 74.002 74.001, 74.005, 74.003, 74.001, 74.000, 73.998, 74.006, 74.002 74.001,74.005,74.003,74.001,74.000,73.998,74.006,74.002
    计算总体期望 μ \mu μ,方差 σ 2 \sigma^2 σ2的矩估计值,并计算样本方差值 s 2 s^2 s2
    解: 设总体为 X X X,由 σ 2 = D ( X ) = E ( X 2 ) − [ E ( X ) ] 2 \sigma^2=D(X)=E(X^2)-[E(X)]^2 σ2=D(X)=E(X2)[E(X)]2,得方程组
    { μ = E ( X ) = A 1 σ 2 = E ( X 2 ) − [ E ( X ) ] 2 = A 2 − A 1 2 . \begin{cases}\mu=E(X)=A_1\\\sigma^2=E(X^2)-[E(X)]^2=A_2-A_1^2\end{cases}. {μ=E(X)=A1σ2=E(X2)[E(X)]2=A2A12.
    下列代码计算本例中总体期望 μ \mu μ和方差 σ 2 \sigma^2 σ2的矩估计值,以及样本方差观测值 s 2 s^2 s2

    import numpy as np                              #导入numpy
    x=np.array([74.001, 74.005, 74.003, 74.001,     #样本观测值
                74.000, 73.998, 74.006, 74.002])
    a1=x.mean()                                     #1阶样本原点矩
    print('mu=%.4f'%a1)                             #总体均值的矩估计
    a2=(x**2).mean()                                #2阶样本原点矩
    print('sigma^2=%.5f'%(a2-a1**2))                #总体方差的矩估计
    s2=x.var(ddof=1)								#样本方差
    print('s^2=%.4f'%s2)
    

    程序的第2~3行设置样本观测值数据,记为x。第4行调用x的mean函数,计算样本均值,即样本1阶原点矩 A 1 A_1 A1,记为a1。第5行显示用 A 1 A_1 A1估计总体期望 μ \mu μ。第6行调用x**2(即 x 2 x^2 x2)的mean函数,计算2阶样本原点矩 A 2 A_2 A2,记为a2。第7行显示用样本原点矩表达式 A 2 − A 1 2 A_2-A_1^2 A2A12估计总体方差 σ 2 \sigma^2 σ2。第8~9行调用x的var函数计算并输出样本方差。运行程序,输出

    mu=74.0020
    sigma^2=0.00001
    s^2=0.00001
    

    对于连续型总体,若知道其分布类型,scipy.stats提供的所有分布对象,均有函数fit_loc_scale,其调用接口为
    fit_loc_scale(data) \text{fit\_loc\_scale(data)} fit_loc_scale(data)
    该函数直接对参数data所传递的样本数据的1、2阶原点矩对该分布的参数loc和scale作矩估计。我们可以通过了解loc和scale与待估参数的关系,算出待估参数的估计值。例如,若总体 X X X~ U ( a , b ) U(a,b) U(a,b),scipy.stats表示均匀分布的uniform对象的参数loc对应分布参数 a a a,scale参数对应分布参数 a a a b b b的差 b − a b-a ba。则loc的估计值就是 a a a的矩估计值,scale+loc的估计值就是 b b b的估计值。
    例2 设总体 X X X~ U ( a , b ) U(a, b) U(a,b) a a a b b b未知。来自 X X X的,容量 n = 20 n=20 n=20的样本观测值为
    1.248 , 1.664 , 1.101 , 1.967 , 1.468 , 1.140 , 1.434 , 1.063 , 1.878 , 1.375 1.819 , 1.704 , 1.328 , 1.619 , 1.830 , 1.764 , 1.034 , 1.553 , 1.878 , 1.166 1.248,1.664,1.101,1.967,1.468,1.140,1.434,1.063,1.878,1.375\\ 1.819,1.704,1.328,1.619,1.830,1.764,1.034,1.553,1.878,1.166 1.248,1.664,1.101,1.967,1.468,1.140,1.434,1.063,1.878,1.3751.819,1.704,1.328,1.619,1.830,1.764,1.034,1.553,1.878,1.166
    试计算 a a a b b b的矩估计值。
    解: 下列代码完成本利计算。

    import numpy as np                              #导入numpy
    from scipy.stats import uniform                 #导入uniform 
    x=np.array([1.248, 1.664 ,1.101 ,1.967 ,1.468,  #设置样本数据数组
                1.140, 1.434, 1.063, 1.878, 1.375,
                1.819, 1.704, 1.328, 1.619, 1.830,
                1.764, 1.034, 1.553, 1.878, 1.166])
    l, s=uniform.fit_loc_scale(x)                   #均匀分布参数loc,scale的矩估计
    a=l                                             #a的矩估计
    b=a+s                                           #b的矩估计
    print('用样本矩估计a=%.4f, b=%.4f'%(a, b))
    

    注意程序中第7行调用uniform对象的fit_loc_scale函数,用数据数组计算表示均匀分布的uniform对象的属性参数loc和scale的矩估计值l和s。根据loc和scale与均匀分布的参数 a a a b b b的关系,第8行和第9行分别计算出 a a a b b b的矩估计值。运行程序,输出

    用样本矩估计a=0.9832, b=2.0201
    

    写博不易,敬请支持:
    如果阅读本文于您有所获,敬请点赞、评论、收藏,谢谢大家的支持!
    返回《导引》

    展开全文
  • 楼主,我发现你最近发了很多这...无偏性是指,比如我们要估计某个参数theta,然后得到一个估计量theta_hat,如果theta_hat的数学期望等于未知参数theta,那么我们说theta_hat是theta的无偏估计。引用版主的例子:样本方...
  • 设(X1,X2,⋯ ,Xn)(X_1,X_2,\...已知XXX的分布,其中含有mmm个未知参数θ1,θ2,⋯ ,θm\theta_1,\theta_2,\cdots,\theta_mθ1​,θ2​,⋯,θm​,记θ=(θ1,θ2,⋯ ,θm)\theta=(\theta_1,\theta_2,\cdots,\theta_m)
  • 无偏估计

    千次阅读 2019-08-14 11:34:28
    目录 ...5如何理解无偏估计量? 5.1 无偏性 5.2有效性 5.3一致性 5.4 总结 参考百度百科:https://baike.baidu.com/item/%E6%97%A0%E5%81%8F%E4%BC%B0%E8%AE%A1%E9%87%8F/303853?fr=aladdin ...
  • 无偏估计实例证明

    2021-04-22 00:49:08
    无偏估计在概率论和数量统计中,学习过无偏估计,最近在学习论文时候,也经常论文中提到无偏估计。虽然对无偏估计有所了解,但是还是有些...为了解决这个问题,首先来回忆一下什么叫无偏估计无偏估计参数的样本...
  • 定义:使样本事件发生概率最大的参数值,作为总体参数估计值,就是极大似然估计。 比如箱子中有100个球,共两种颜色白和黑。已知白球和黑球的比例是1...无偏性的含义是:用样本估计参数值的期望,等于真实值。 ...
  •   无偏估计估计量的数学期望等于被估参数的真实值,则称此估计量为被估参数无偏估计。(例:样本均值的期望等于总体均值,所以样本均值为无偏估计)   有偏估计估计量的数学期望不等于被估参数的真实值,...
  • 无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值,则称此此估计量为被估计参数无偏估计,即具有无偏性,是一种用于评价估计量优良性的准则。无偏估计的意义是:在...
  • 无偏估计的数学证明和分析

    千次阅读 2020-02-11 20:53:22
    最近学习PCA,在求最大化方差 σ2=1P−1∑k=1P(vT(xk−μ))2−λ(∥v∥2−1)\sigma^{2} = \frac{1}{P-1} \sum_{k=1}^{P}(v^{T}(x_{k}-\mu ))^{2}-\lambda(\left \| v \right \|^{2}-...时遇到了无偏估计的问题——为...
  • Excel在统计分析中的应用—第七章—参数估计-总体均值的估计(总体方差未知且为大样本下估计).pdf
  • 无偏估计意味着估计量的平均值为未知参数的真值。如果 E[θ^]=θ,a<θ<b E[\hat{\theta}]=\theta, a<\theta<b E[θ^]=θ,a<θ<b 说明估计量θ^\hat{\theta}θ^​是无偏估计量。 ​ 例:白色...
  • 样本估计量的有偏估计无偏估计

    千次阅读 2020-02-22 13:50:35
    因此样本均值是高斯均值参数无偏估计量。 2.2 样本方差 样本方差: σ ^ m 2 = 1 m ∑ i = 1 m ( x i − μ ^ m ) \hat\sigma^2_{m}=\frac{1}{m}\sum^{m}_{i=1}{(x^{i}-\hat\mu_{m})} σ ^ m 2 ​ = m 1 ​ ∑ ...
  • 数理统计:参数估计

    千次阅读 2020-12-29 22:57:30
    learning why, thinking what, then forgetting how. 随着时间的流逝,知识总会被遗忘和...统计推断主要分为参数估计和假设检验,参数估计又分为点估计和区间估计。 2.1 参数的点估计 首先提出参数和参数的估计量的.
  • 参数估计无偏性、有效性以及一致性 无偏性 定义式: 无偏估计是用样本统计量来估计总体参数时的一种无偏推断。估计量的数学期望等于被估计参数的真实值,则称此此估计量为被估计参数的无偏估计,即具有无偏性,是...
  • 数学概念-无偏估计

    千次阅读 2019-10-01 17:36:08
    所谓总体参数估计量的无偏性指的是,基于不同的样本,使用该估计量可算出多个估计值,但它们的平均值等于被估参数的真值。 在某些场合下,无偏性的要求是有实际意义的。例如,假设在某厂商与某销售商之间存在长期...
  • 数理统计|参数估计

    千次阅读 2018-10-10 23:31:28
    在比较两个无偏估计的好坏的时候,较好的那个无偏估计总是样本的充分统计量;并且,将不是样本充分统计量的统计量,关于充分统计量求期望,得到的估计,一定是充分统计量,并且新的估计的方差也得到了降低。   ...
  • 方差的无偏估计

    千次阅读 2020-05-21 21:52:30
    方差的无偏估计如何计算? 我们常常被问到"方差的无偏估计如何计算?和有偏估计的区别是什么?",心想"哎呀,又忘了"。本篇回归问题本质,带你理解这些名词背后解决的实际问题(通过总结回顾,无意中解决了一年...
  • 单正态总体参数的置信区间估计一种有两类:总体均值μ的区间估计总体方差^2的区间估计;其中,总体均值μ的区间估计又可分为两种:方差^2已知时的均值的区间估计和方差^2未知时的均值的区间估计。(1)方差^2已知是...
  • 1. 总体与样本 0x1:数理统计中为什么要引入总体和个体这个概念 概率论与数理统计中,一个很重要的研究对象就是总体的概率分布,理论上说,我们希望获得被研究对象的总体样本,基于这份总体样本进一步研究其概率...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 11,582
精华内容 4,632
关键字:

总体未知参数的无偏估计总是存在的