无偏性(Unbiasedness)是指单凭某一次抽样的样本是不具有说服力的,必须要通过很多次抽样的样本来衡量。
因此,我们容易能想到的就是,经过多次抽样后,将所有的点估计值平均起来,也就是取期望值,这个期望值应该和总体参数一样。
这就是所谓的无偏性(Unbiasedness)。
有效性(Efficiency)是指,对同一总体参数,如果有多个无偏估计量,那么标准差小的估计量更有效。因为一个无偏的估计量并不意味着它就非常接近被估计的参数,它还必须和总体参数的离散程度比较小。
一致性(Consistency)是指随着样本量的增大,点估计的值越来越接近被估计的总体的参数。因为随着样本量增大,样本无限接近总体,那么,点估计的值也就随之无限接近总体参数的值。
抽样估计有点估计和区间估计两种方法。
点估计,又称定值估计,就是用实际样本指标数值作为总体参数的估计值。点估计的方法简单,一般不考虑抽样误差和可靠程度,它适用于对推断准确程度与可靠程度要求不高的情况。
区间估计就是根据样本指标、抽样误差和概率保证程度去推断总体参数的可能范围。
在统计实践中,通常用一个区间及其出现的概率来估计总体参数,并以一定的概率保证总体参数包含在估计区间内,这就是参数的区间估计问题。
一致性差异是什么意思
一致性检验是指对由不同样本计算的各平均值或方差进行检验。
一致性检验,确定在一定显著性水平下各平均值或各方差之间是否有显著性差异,若无显著性差异,则各'f`均值或各方差是一致的,此称为一致性检验。
一致性就是数据保持一致,在分布式系统中,可以理解为多个节点中数据的值是一致的。同时,一致性也是指事务的基本特征或特性相同,其他特性或特征相类似。
一致性又可以分为强一致性与弱一致性。
强一致性强一致性可以理解为在任意时刻,所有节点中的数据是一样的。同一时间点,你在节点A中获取到key1的值与在节点B中获取到key1的值应该都是一样的。
2.弱一致性
弱一致性包含很多种不同的实现,目前分布式系统中广泛实现的是最终一致性。
3.最终一致性
所谓最终一致性,是弱一致性的一种特例,保证用户最终能够读取到某操作对系统特定数据的更新。但是随着时间的迁移,不同节点上的同一份数据总是在向趋同的方向变化。
也可以简单的理解为在一段时间后,节点间的数据会最终达到一致状态。
对于最终一致性最好的例子就是DNS系统,由于DNS多级缓存的实现,所以修改DNS记录后不会在全球所有DNS服务节点生效,需要等待DNS服务器缓存过期后向源服务器更新新的记录才能实现。
还没有评论,来说两句吧...