数理统计-参数估计_七月算法出品

《数理统计-参数估计_七月算法出品》由会员分享，可在线阅读，更多相关《数理统计-参数估计_七月算法出品（49页珍藏版）》请在文档大全上搜索。

1、参数估计与矩阵运算基础七月算法 邹博 2015年3月8日2/历史遗留问题o 根据o 从而公式 的极限存在，定义为e。11111111nxnnxnxxx11limexxx)11 (lim3/极限存在的证明o 根据前文中 的二项展开式，已经证明数组an单增有上界，因此，必有极限。o 同时：o 根据两边夹定理，函数 的极限存在，为e.eennnnnnnnnnnn01111lim111lim111111lim111lim11eennnnnnnnnnnn0111lim11lim1111lim11lim1nnna1111111111nxnnxn xxxf114/期望o 离散型o 连续型o 即：概率加权下的

2、“平均值” iiipxXE dxxxfXE5/期望的性质o 无条件成立o 若X和Y相互独立n 反之不成立。事实上，若E(XY)=E(X)E(Y)，只能说明X和Y不相关。n 关于不相关和独立的区别，稍后马上给出。 XkEkXE YEXEYXE YEXEXYE6/方差o 定义o 无条件成立o X和Y独立n此外，方差的平方根，称为标准差 2XEXEXVar 0cVar XVarcXVar XVarkkXVar2 YVarXVarYXVar7/协方差o 定义o 性质： YEYXEXEYXCov,XYCovYXCov,YXacCovdcYbaXCov,YXCovYXCovYXXCov,2121 YEXE

3、XYEYXCov,8/协方差和独立、不相关o X和Y独立时，o 而o 从而，当X和Y独立时，o 但X和Y独立这个前提太强，我们定义：若Cov(X,Y)=0，称X和Y不相关。 YEXEXYEYXCov,0,YXCov YEXEXYE9/协方差的意义o 协方差是两个随机变量具有相同方向变化趋势的度量；若Cov(X,Y)0，它们的变化趋势相同，若Cov(X,Y)0，它们的变化趋势相反；若Cov(X,Y)=0，称X和Y不相关。o 思考：两个随机变量的协方差，是否有上界？10/协方差的上界o 若o 则o 当且仅当X和Y之间有线性关系时，等号成立。21,YXCov 22YVar 21XVar11/再谈独立

4、与不相关o 因为上述定理的保证，使得“不相关”事实上即“线性独立”。o 即：若X与Y不相关，说明X与Y之间没有线性关系(但有可能存在其他函数关系)，不能保证X和Y相互独立。o 但对于二维正态随机变量，X与Y不相关等价于X与Y相互独立。12/相关系数o 定义o 由协方差上界定理可知，o 当且仅当X与Y有线性关系时，等号成立o 容易看到，相关系数是标准尺度下的协方差。上面关于协方差与XY相互关系的结论，完全适用于相关系数和XY的相互关系。 YVarXVarYXCovXY,113/协方差矩阵o 对于n维随机向量(X1,X2Xn)，任意两个元素Xi和Xj都可以得到一个协方差，从而形成n*n的矩阵；显然

5、，协方差矩阵是对称阵。jijjiiijXXCovXEXXEXEc,nnnnnncccccccccC21222211121114/思考题o 对称阵的不同特征值对应的特征向量，是否一定正交？15/矩o 对于随机变量X，X的k阶原点矩为o X的k阶中心矩为kXE kXEXE16/统计参数的总结o 均值(期望，一阶)o 方差(标准差，二阶)o 变异系数(Coefficient of Variation)n 标准差与平均数的比值称为变异系数，记为CVo 偏度Skew(三阶)o 峰度Kurtosis(四阶)17/偏度o 偏度衡量随机变量概率分布的不对称性，是概率密度曲线相对于平均值不对称程度的度量。o 偏

6、度的值可以为正，可以为负或者无定义。o 偏度为负(负偏态)意味着在概率密度函数左侧的尾部比右侧的长，绝大多数的值(包括中位数在内)位于平均值的右侧。o 偏度为正(正偏态)意味着在概率密度函数右侧的尾部比左侧的长，绝大多数的值(包括中位数在内)位于平均值的左侧。o 偏度为零表示数值相对均匀地分布在平均值的两侧，但不一定意味着一定是对称分布。18/偏度公式o 其中3是三阶中心矩，是标准差。E是期望算子。等式的最后以三阶累积量与二阶累积量的1.5次方的比率来表示偏度。这和用四阶累积量除去二阶累积量的平方来表示峰度的方法向类似。o 偏度有时用SkewX来表示。19/峰度o 峰度是概率密度曲线在平均值处

7、峰值高低的特征，通常被定义四阶中心矩除以方差的平方再减去3：o 也被称为超值峰度(excess kurtosis)。n “减3”是为了让正态分布的峰度为0。o 如果超值峰度为正，称为尖峰态(leptokurtic)，超值峰度为负，称为低峰态(platykurtic)。20/实践中的例子21/思考o 1、给定两个随机变量X和Y，如何度量这两个随机变量的“距离”？o 2、设随机变量X的期望为，方差为2，对于任意整数，试估计概率P|X-| 的下限。n 即：随机变量的变化值落在期望值附近的概率22/解(以连续型随机变量为例) 2222222211dxxfXdxxfXdxxfXdxxfXPXXX2211

8、XPXP23/切比雪夫不等式o 设随机变量X的期望为，方差为2，对于任意整数，有：o 切比雪夫不等式说明，X的方差越小， 事件|X-| 发生的概率越大。即：X取的值基本上集中在期望附近。n 该不等式进一步说明了方差的含义n 该不等式可证明大数定理。22XP24/大数定理o 设随机变量X1,X2Xn互相独立，并且具有相同的期望和方差2。作前n个随机变量的平均 ，则对于任意整数，有1limnnYPniinXnY1125/大数定理的意义o 当n很大时，随机变量X1,X2Xn的平均值Yn在概率意义下无限接近期望 。n 出现偏离是可能的，但这种可能性很小，当n无限大时，这种可能性的概率为0。26/思考题

9、o 如何证明大数定理？n 提示：根据Y的定义，求出它的期望和方差，带入切比雪夫不等式即可。27/重要推论o 一次试验中事件A发生的概率为p；重复n次独立试验中，事件A发生了nA次，则p、n、nA的关系满足：对于任意整数，1limpnnPAn28/伯努利定理o 上述推论是最早的大数定理的形式，称为伯努利定理。该定理表明事件A发生的频率nA/n以概率收敛于事件A的概率p，以严格的数学形式表达了频率的稳定性。o 上述事实为我们在实际应用中用频率来估计概率提供了一个理论依据。n 回忆一下朴素贝叶斯做垃圾邮件分类的例子，就是用的频率估计的概率。29/中心极限定理o 设随机变量X1,X2Xn互相独立，服从

10、同一分布，并且具有相同的期望和方差2，则随机变量 的分布收敛到标准正态分布。o 容易得到： 收敛到正态分布N(n，n2)nnXYniin1niiX130/标准的中心极限定理的问题o 有一批样本(字符串)，其中a-z开头的比例是固定的，但是量很大，需要从中随机抽样。样本量n，总体中a开头的字符串占比1%，需要每次抽到的a开头的字符串占比(0.99%,+1.01%)，样本量n至少是多少？o 问题可以重新表述一下：大量存在的两点分布Bi(1,p)，其中，Bi发生的概率为0.01，即p=0.01。取其中的n个，使得发生的个数除以总数的比例落在区间(0.0099,0.0101)，则n至少是多少？31/解

11、：o首先，两点分布B的期望为=p，方差为2=p(1-p)。o其次，当n较大时，随机变量 近似服从正态分布，事实上， 近似服从标准正态分布。o从而：o上式中， =0.01，2=0.0099，a=0.0099，b=0.0101，=0.05或0.01(显著性水平的一般取值)，查标准正态分布表，很容易计算得到n的最小值。n注：直接使用二项分布，也能得到结论。niiBY1nnBnnYXnii111111anbnbnnnBanPbnBaPniinii32/中心极限定理的意义o 实际问题中，很多随机现象可以看做许多因素的独立影响的综合反应，往往近似服从正态分布。n 城市耗电量：大量用户的耗电量总和n 测量误

12、差：许多观察不到的、微小误差的总和o 注意：是多个随机变量的和才可以，有些问题是乘性误差，则需要鉴别或者取对数后再使用。n 线性回归中，将使用该定理论证最小二乘法的合理性33/样本的统计量o 设X1，X2，Xn为一组样本，则o 样本均值o 样本方差n 样本方差的分母使用n-1而非n，是为了无偏。niiXnX1121211niiXXnS34/样本的矩o k阶样本原点矩o k阶样本中心矩nikikXnA11kniikXXnM1135/思考o 随机变量的矩和样本的矩，有什么关系？o 换个提法：n 假设总体服从某参数为(存在且未知，有可能是值或者向量)的分布，从总体中抽出一组样本X1，X2，Xn，如何

13、估计参数？n 样本是独立同分布的n 可以通过X1，X2，Xn方便的计算出样本的k阶矩n 假设样本的k阶矩等于总体的k阶矩，可估计出总体的参数。36/矩估计o 设总体的均值为，方差2，(和未知，待求)则有原点距表达式：o 根据该总体的一组样本，求得原点距：niiniiXnAXnA1221111 2222XEXVarXEXE37/矩估计的结论o 根据各自阶的中心矩相等，计算得到：o 由于是根据样本求得的估计结果，根据记号习惯，写作：niiniiXXnXXnX12212211niiXXnX1221niiXXnX122138/例：正态分布的矩估计o 在正态分布的总体中采样得到n个样本：X1,X2Xn，

14、估计该总体的均值和方差。o 解：直接使用矩估计的结论niiXXnX122139/例：均匀分布的矩估计o 设X1,X2,Xn为定义在a,b上的均匀分布的总体采样得到的样本，求a，b。o 解：已知均匀分布的均值和方差为矩估计要求满足从而： 1222abXVarbaXEniiXXnX12213312222baabba40/极大似然估计o 设总体分布为f(x,) ，X1, X2 Xn为该总体采样得到的样本。因为X1,X2Xn独立同分布，于是，它们的联合密度函数为：o 这里，被看做固定但未知的参数；反过来，因为样本已经存在，可以看成x1,x2xn是固定的，L(x,)是关于的函数，即似然函数。o 求参数的

15、值，使得似然函数取极大值，这种方法就是极大似然估计。nikiknxfxxxL1212121,;,;,41/极大似然估计的具体实践操作o 在实践中，由于求导数的需要，往往将似然函数取对数，得到对数似然函数；若对数似然函数可导，可通过求导的方式，解下列方程组，得到驻点，然后分析该驻点是极大值点nikikxfL12121,;log,log kiLi, 2 , 1, 042/极大似然估计o 找出与样本的分布最接近的概率分布模型。o 简单的例子n 10次抛硬币的结果是：正正反正正正反反正正o 假设p是每次抛硬币结果为正的概率。则：o 得到这样的实验结果的概率是：371111ppppppppppppP43

16、/极大似然估计MLEo 目标函数：o 最优解是：p=0.7n 思考：如何求解？o 一般形式：37101maxmaxppPp xxppxpL 是实验结果的分布模型是估计的概率分布xpxp44/正态分布的极大似然估计o 若给定一组样本X1,X2Xn ，已知它们来自于高斯分布N(,)，试估计参数,。45/按照MLE的过程分析o 高斯分布的概率密度函数：o 将Xi的样本值xi带入，得到： 22221xexf nixiexL12222146/化简对数似然函数 iiiiiixixxnxeexlii2222222212log2221log21log21log222247/参数估计的结论o 目标函数o 将目标

17、函数对参数,分别求偏导，很容易得到,的式子： iixnxl222212log2iixn1iixn22148/符合直观想象o 上述结论和矩估计的结果是一致的，并且意义非常直观：样本的均值即高斯分布的均值，样本的方差即高斯分布的方差。n注：经典意义下的方差，分母是n-1；在似然估计的方法中，求的方差是no 该结论将在EM(期望最大化算法)、高斯混合模型中将继续使用。iixn1iixn22149/思考o 在西单商场随机挑选100位顾客，测量这100位顾客的身高：o 若这100个样本服从正态分布N(,) ，试估计参数和。o 若样本中存在男性和女性顾客，它们服从N(1,1)和N(2,2)的分布，试估计1,1,2,2 。