对一个未知量,人们在测量或计算时,常不以 得到近似值为满足,还需估计误差,即要求知 道近似值的精确程度(亦即所求真值所在的范 围).类似地,对于未知参数θ,除了求出它的点 估计外,还希望估计出一个范围,并希望知 道这个范围包含参数真值的可信程度.这样 的范围通常以区间的形式给出,同时还给出此 区间包含参数θ真值的可信程度.这种形式的 估计称为区间估计

本章主要讲述点估计(矩法估计,极大似然估计);估计量的评价准则(无 偏性,最小方差性和有效性,其它几个准则);区间估计(区间估计的一般步 骤,单个正态总体参数的区间估计,双正态总体参数的区间估计,非正态总体参 数的区间估计)等内容

基本概念 用点估计来估计总体参数,即使是无偏有效 的估计量,也会由于样本的随机性,从一个 样本算得估计量的值不一定恰是所要估计 的参数真值.而且,即使真正相等,由于参数 值本身是未知的,也无从肯定这种相等.到 底二者相差多少呢?这个问题换一种提法就 是,根据估计量的分布,在一定的可靠程度 下,指出被估计的总体参数所在的可能数值 范围.这就是参数的区间估计问题

提出一种基于图像分割的噪声方差两步估计算法.第一步,对含有噪声的图像进行平滑,再利用统计区域归并算法对图像进行分割,并计算每个区域的方差,根据统计规律选择适当的区域估计图像中噪声方差.第二步,利用初始估计的方差,修正平滑滤波、图像分割及噪声估计的参数,进行新一轮的平滑、分割和方差估计,得出更为准确的估计结果.在大量图像和不同噪声情况下的实验结果表明,该算法可以快速、准确地估计图像中噪声方差

针对标准无迹卡尔曼滤波(Unscented Kalman filter, UKF) 算法本身存在着因状态误差协方差矩阵无法实现Cholesky分解而导致滤波发散的隐患，以及在电池状态估计过程中由离线标定的电池等效模型参数而造成的累积误差的问题，本文发展了一种平方根无迹卡尔曼滤波(Square-root unscented Kalman filter, SR-UKF)算法，并设计了一种电池状态联合估计策略。首先快速SR-UKF算法通过对观测方程进行准线性化处理，降低了每次无迹变换时的计算开销；然后在迭代过程中，用状态误差协方差矩阵的平方根代替状态误差协方差矩阵，该平方根是由QR分解与 Cholesky因子的一阶更新得到，解决了UKF 算法迭代过程中可能由计算累积误差引起状态误差协方差矩阵负定而导致滤波结果发散的问题，保证了电池荷电状态(State of charge，SOC)在线滚动估计的数值稳定性；最后采用联合估计策略，对电池等效模型参数进行实时辨识，保证了电池等效模型的准确性与有效性，从而提高了电池SOC的估计精度。仿真对比结果验证了快速SR-UKF算法以及电池状态联合估计策略的可行性与鲁棒性

3.1 问题描述 3.2 随机参量的Bayes估计 3.3 ML估计 3.4 估计量的性质 3.5 线性最小均方误差估计 3.6 最小二乘估计

4.1 参数估计的基本原理 估计量与估计值 点估计与区间估计 评价估计量的标准 4.2 一个总体参数的区间估计 总体均值的估计 总体比率的估计 总体方差的估计 4.3 样本量的确定

前面讨论了参数的点估计,它是用样本算出的一个值去估计未知参数即点估计值仅仅 是未知参数的一个近似值,它没有给出这个近似值的误差范围 例如,在估计某湖泊中鱼的数量的问题中,若根据一个实际样本,利用最大似然估计法 估计出鱼的数量为50000条,这种估计结果使用起来把握不大实际上鱼的数量的真值可 能大于50000条,也可能小于50000条且可能偏差较大 若能给出一个估计区间,让我们能较大把握地(其程度可用概率来度量之)相信鱼的数量 的真值被含在这个区间内,这样的估计显然更有实用价值

3 1 问题描述 3.2 随机参量的Bayes估计 3.3 ML估计 3.4 估计量的性质 3.5 线性最小均方误差估计 3.6 最小二乘估计

第三单元期望的区间估计 一、学习目标 通过本课学习,弄明白区间估计的意义会求总体参数从的区间估计 二、内容讲解 1.区间估计的概念 对于总体的未知参数θ,不仅需要估计它的值,有时还要按给定的可靠程度 (置信度)估计它的误差范围