对比例的推断 数据=(1,,11.0,伯努利(P) 目标一估计P值,成功的概率(或具有某种 性质的总体比例) p=x=在n次观测中成功的个数 Var( p) =p(1-p)/n =pq/n ·方差依赖均值

例1设随机变量X具有数学期望E(X)=u,方差 D()=o2≠0.记*=(X-u)/o

第四章随机变量的数字特征 数字特征的优越性: 1.较集中地反映了随机变量变化的一些平均特征 2.很多重要的随机变量(如二项分布、泊松分布、均匀分布、指数分布、正态分布等)的分布函数都能用一、两个数字特征完全确定。 3.重要的数字特征--数学期望、方差具有明确的统计意义,同时还具有良好的数学性质。 4.随机变量的数字特征较易求出

一、一元线性回归模型的基本假设 二、参数的普通最小二乘估计（OLS） 三、参数估计的最大或然法(ML) 四、最小二乘估计量的性质 五、参数估计量的概率分布及随机干扰项方差的估计

第8章参数估计 一、参数的点估计 以总体参数的近似值作为其真值的估计 二、估计优良性的判别标准 无偏性有效性一致性充分性 三、常用的点估计量 1样本均值2样本方差3样本比率

1. MATLAB中概率分布函数 2. 二项分布实验 3. 泊松分布实验 4. 二项分布与泊松分布关系实验 5. 连续型随机变量分布实验 6. 随机变量的均值与方差 7. 逆累积分布函数实验 8. 中心极限定理实验

 §7.1 点估计  §7.2 基于截尾样本的最大似然估计  §7.3 估计量的评选标准  §7.4 区间估计  §7.5 正态总体均值和方差的区间估计  §7.6 (0－1)分布参数的区间估计  §7.7 单侧置信区间

尽管在一般情况下,要确定某个统计量的分布是非常困难 的,但在总体服从正态分布时,可以确定某些统计量的分布 定理3.1设总体X~N(u,o2),X,X2,X为其 样本,则样本均值ⅹ与样本方差S2独立,且有

1 Monte Carlo Integration and Variance Reduction 1.1 Monte Carlo Integration 1.1.1 Simple Monte Carlo estimator 1.1.2 Variance and Efficiency 1.2 Variance Reduction 1.3 Antithetic Variables 1.4 Control Variates 1.4.1 Antithetic variate as control variate 1.4.2 Several control variates 1.5 Importance sampling 1.6 Stratified Sampling 1.7 Stratified Importance Sampling

一、多重共线性的含义 二、多重共线性来源及对OLSE性质的影响 三、多重共线检验：可决系数法、方差膨胀因子 四、多重共线的解决办法：逐步回归法 五、遗漏重要解释变量的后果 六、理解案例