数理统计与随机过7--参数估计.pptVIP

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 。 数值计算结果: 如果 n = 1、h1=1 h1=1 h1=0.5 h1=0.1 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 如果设 ，随着N增大，KN增大，所以体积也就增大。 如果x点附近密度低，体积增大速度就快； 如果x点附近密度高，体积增大速度就慢。 可以克服Pazzen窗对于初值V1的依耐性 基本公式： K-近邻估计 假设条件： 一个较好的确定kN的方法： 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? * * * * * * * * * * * * * 兰州大学信息科学与工程学院 主讲: 路永刚 E-mail: ylu@ 非正态总体的区间估计 §7.6 非正态总体的区间估计 前面两节讨论了正态总体分布参数的区间估计。但是在实际应用中，我们有时不能判断手中的数据是否服从正态分布，或者有足够理由认为它