Tietoa tästä e-kirjasta
Assume one has to estimate the mean J x P( dx) (or the median of P, or any other functional t;;(P)) on the basis ofi.i.d. observations from P. Ifnothing is known about P, then the sample mean is certainly the best estimator one can think of. If P is known to be the member of a certain parametric family, say {Po: {) E e}, one can usually do better by estimating {) first, say by {)(n)(.~.), and using J XPo(n)(;r.) (dx) as an estimate for J xPo(dx). There is an "intermediate" range, where we know something about the unknown probability measure P, but less than parametric theory takes for granted. Practical problems have always led statisticians to invent estimators for such intermediate models, but it usually remained open whether these estimators are nearly optimal or not. There was one exception: The case of "adaptivity", where a "nonparametric" estimate exists which is asymptotically optimal for any parametric submodel. The standard (and for a long time only) example of such a fortunate situation was the estimation of the center of symmetry for a distribution of unknown shape.
Arvioi tämä e-kirja
Kerro meille mielipiteesi.
Tietoa lukemisesta
Älypuhelimet ja tabletit
Asenna Google Play Kirjat ‑sovellus Androidille tai iPadille/iPhonelle. Se synkronoituu automaattisesti tilisi kanssa, jolloin voit lukea online- tai offline-tilassa missä tahansa oletkin.
Kannettavat ja pöytätietokoneet
Voit kuunnella Google Playsta ostettuja äänikirjoja tietokoneesi selaimella.
Lukulaitteet ja muut laitteet
Jos haluat lukea kirjoja sähköisellä lukulaitteella, esim. Kobo-lukulaitteella, sinun täytyy ladata tiedosto ja siirtää se laitteellesi. Siirrä tiedostoja tuettuihin lukulaitteisiin seuraamalla ohjekeskuksen ohjeita.
