数理统计和随机过程7参数估计.pptVIP

;非正态总体的区间估计 ;§7.6 非正态总体的区间估计 ;所不同的是：这时的置信区间是近似的。 ;因而，近似地有 ;只要 n 很大，(2)式所提供的置信区间在应用上是令人满意的。;例1：某公司欲估计自己生产的电池寿命。现从其产品中随机抽取 50 只电池做寿命试验。这些电池寿命的平均值为 2.261 (单位：100小时)，标准差 S=1.935。求该公司生产的电池平均寿命的置信系数为 95% 的置信区间。 ; 设事件 A 在一次试验中发生的概率为 p， 现在做 n 次试验，以Yn记事件 A 发生的次数,则 Yn ~ B(n, p)。依中心极限定理，对充分大的 n，近似地有 ; (4)式就是二项分布参数 p 的置信系数约为1-α 的置信区间。;例3：在环境保护问题中, 饮水质量研究占有重要地位， 其中一项工作是检查饮用水中是否存在某种类型的微生物。 假设在随机抽取的100份一定容积的水样品中有20份含有这种类型的微生物。试求同样容积的这种水含有这种微生物的概率 p 的置信系数为0.90的置信区间。;7.6.2 泊松分布 ;例4：公共汽车站在一单位时间内 (如半小时,或1小时, 或一天等) 到达的乘客数服从泊松分布 P( λ ), 对不同的车站, 不同的仅是参数 λ 的取值不同。 现对某城市某公共汽车站进行100个单位时间的调查。这里单位时间是20分钟。计算得到每 20 分钟内来到该车站的乘客数平均值为 15.2 人。试求参数 λ 的置信系数为95%的置信区间。 ;要对非正态分布的参数进行区间估计，主要需要哪些条件？;;参数估计：样本的概率密度函数P(x，?i)的形式已知，去推断概率密度函数中的某些未知的参数?i 。 非参数估计：样本的概率密度函数P(x ，?i)的形式未知，去推断概率密度函数。;当密度函数的形式未知时，只能用非参数方法。它能处理任意的概率分布。 在参数估计中, 密度函数的参数形式是单模的 (单个局部极大值)，然而在现实中，所遇到的却常常是多模的情况。 ;基于直方图的概率密度估计就是一种典型的非参数估计;基本思想: 设有样本x的概率密度函数为 p(x)，则x 落在区域 R 中的概率为:;二项式分布（Binomial Distribution）;即比值 k/n 就是概率 P 的一个很好的估计. 若概率密度p(x)是连续的，并且区域R足够小，以致于在这个区间中p 几乎没有变化，那么近似地有:; 这种情况毫无意义！ 区域 R 中含有样本:;当下面3个条件成立时，pn(x) 收敛到 p(x)：;*;Parzen 窗法;根据某一个确定的体积函数，比如 ，来逐渐收缩一个给定的初始区间。;Parzen 窗方法估计概率密度函数，我们假设区间Vn 是一个 d 维的超立方体 其中hn为Vn的边长 令窗函数为：;将 kn 代入 pn(x) = (kn/n)/Vn , 得： p(x) 的估计pn(x)是一系列关于 x 和 {xi} (i = 1,… ,n)的函数的平均. 推广：窗函数 ? 可以是满足概率容许条件的任意函数;考虑一维 N (0,? =1) 正态概率密度函数 令 (h1: 随意选取的一个参数) 则: 表示Pn(x)就是以各个样本点xi为中心的正态概率密度函数的平均。; 如果 n = 10 、h = 0.1, 那么每个样本点各自的贡献能够清楚的观察到 。;h1=1;在二维情况下有类似的结果:;;K Nearest Neighbor Density Estimation 在 Parzen窗法中: 体积由 先确定 体积内的点数不确定 在K-近邻估计中: 体积内的点数 kN 先确定 体积再由包含 kN 个最近邻点来确定VN 基本公式仍然为：;K-近邻估计;基本公式： ;K-近邻估计举例;用直方图估计概率密度函数，和用 Parzen 窗估计概率密度函数有什么联系和区别?