UA MATH566 统计理论1 充分统计量例题答案2
UA MATH566 统计理论1 充分统计量例题答案2
例1.12 找N(θ,1)N(\theta,1)N(θ,1)的最小充分统计量
计算样本的联合密度
f(x∣θ)=∏i=1n12πexp(−(xi−θ)22)=(2π)−n/2exp(−12∑i=1n(xi−θ)2)=(2π)−n/2exp(−12∑i=1nxi2+θ∑i=1nxi−nθ22)f(x|\theta) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi}} \exp(-\frac{(x_i-\theta)^2}{2}) \\ = (2\pi)^{-n/2} \exp(-\frac{1}{2} \sum_{i=1}^n (x_i - \theta)^2) \\ = (2\pi)^{-n/2} \exp(-\frac{1}{2} \sum_{i=1}^n x_i^2+\theta \sum_{i=1}^n x_i-\frac{n \theta^2}{2}) f(x∣θ)=i=1∏n2π1exp(−2(xi−θ)2)=(2π)−n/2exp(−21i=1∑n(xi−θ)2)=(2π)−n/2exp(−21i=1∑nxi2+θi=1∑nxi−2nθ2)
计算(X,Y)(X,Y)(X,Y)两组样本联合密度的比值
f(x∣θ)f(y∣θ)=(2π)−n/2exp(−12∑i=1nxi2+θ∑i=1nxi−nθ22)(2π)−n/2exp(−12∑i=1nxi2+θ∑i=1nxi−nθ22)=exp(−12∑i=1nxi2+θ∑i=1nxi)exp(−12∑i=1nyi2+θ∑i=1nyi)=exp(−12∑i=1nxi2)exp(−12∑i=1nyi2)eθ(∑i=1nxi−∑i=1nyi)\frac{f(x|\theta)}{f(y|\theta)} = \frac{(2\pi)^{-n/2} \exp(-\frac{1}{2} \sum_{i=1}^n x_i^2+\theta \sum_{i=1}^n x_i-\frac{n \theta^2}{2}) }{(2\pi)^{-n/2} \exp(-\frac{1}{2} \sum_{i=1}^n x_i^2+\theta \sum_{i=1}^n x_i-\frac{n \theta^2}{2}) } \\ = \frac{\exp(-\frac{1}{2} \sum_{i=1}^n x_i^2+\theta \sum_{i=1}^n x_i) } { \exp(-\frac{1}{2} \sum_{i=1}^n y_i^2+\theta \sum_{i=1}^n y_i )} = \frac{\exp(-\frac{1}{2} \sum_{i=1}^n x_i^2) } { \exp(-\frac{1}{2} \sum_{i=1}^n y_i^2)}e^{\theta(\sum_{i=1}^n x_i-\sum_{i=1}^n y_i)} f(y∣θ)f(x∣θ)=(2π)−n/2exp(−21∑i=1nxi2+θ∑i=1nxi−2nθ2)(2π)−n/2exp(−21∑i=1nxi2+θ∑i=1nxi−2nθ2)=exp(−21∑i=1nyi2+θ∑i=1nyi)exp(−21∑i=1nxi2+θ∑i=1nxi)=exp(−21∑i=1nyi2)exp(−21∑i=1nxi2)eθ(∑i=1nxi−∑i=1nyi)
显然要让这个比值与θ\thetaθ无关,除非让∑i=1nxi−∑i=1nyi=0\sum_{i=1}^n x_i-\sum_{i=1}^n y_i=0∑i=1nxi−∑i=1nyi=0,因此最小充分统计量是T(X)=∑i=1nXiT(X)=\sum_{i=1}^n X_iT(X)=∑i=1nXi。
例1.13 找Γ(α,β)\Gamma(\alpha,\beta)Γ(α,β)的最小充分统计量
计算样本的联合概率密度
f(x∣α,β)=∏i=1nβαΓ(α)xiα−1e−βxi=(βαΓ(α))n(∏i=1nxi)α−1e−β∑i=1nxif(x|\alpha,\beta) = \prod_{i=1}^n \frac{\beta^{\alpha}}{\Gamma{(\alpha)}}x_i^{\alpha-1}e^{-\beta x_i} = (\frac{\beta^{\alpha}}{\Gamma{(\alpha)}})^n (\prod_{i=1}^n x_i)^{\alpha-1}e^{-\beta \sum_{i=1}^n x_i} f(x∣α,β)=i=1∏nΓ(α)βαxiα−1e−βxi=(Γ(α)βα)n(i=1∏nxi)α−1e−β∑i=1nxi
计算(X,Y)(X,Y)(X,Y)两组样本联合密度的比值
f(x∣α,β)f(y∣α,β)=(βαΓ(α))n(∏i=1nxi)α−1e−β∑i=1nxi(βαΓ(α))n(∏i=1nyi)α−1e−β∑i=1nyi=(∏i=1nxi)α−1e−β∑i=1nxi(∏i=1nyi)α−1e−β∑i=1nyi=(∏i=1nxi∏i=1nyi)α−1e−β(∑i=1nxi−∑i=1nyi)\frac{f(x|\alpha,\beta)}{f(y|\alpha,\beta)} = \frac{(\frac{\beta^{\alpha}}{\Gamma{(\alpha)}})^n (\prod_{i=1}^n x_i)^{\alpha-1}e^{-\beta \sum_{i=1}^n x_i}}{(\frac{\beta^{\alpha}}{\Gamma{(\alpha)}})^n (\prod_{i=1}^n y_i)^{\alpha-1}e^{-\beta \sum_{i=1}^n y_i}} \\ = \frac{ (\prod_{i=1}^n x_i)^{\alpha-1}e^{-\beta \sum_{i=1}^n x_i}}{ (\prod_{i=1}^n y_i)^{\alpha-1}e^{-\beta \sum_{i=1}^n y_i}} = (\frac{\prod_{i=1}^n x_i} {\prod_{i=1}^n y_i})^{\alpha-1}e^{-\beta (\sum_{i=1}^n x_i-\sum_{i=1}^n y_i}) f(y∣α,β)f(x∣α,β)=(Γ(α)βα)n(∏i=1nyi)α−1e−β∑i=1nyi(Γ(α)βα)n(∏i=1nxi)α−1e−β∑i=1nxi=(∏i=1nyi)α−1e−β∑i=1nyi(∏i=1nxi)α−1e−β∑i=1nxi=(∏i=1nyi∏i=1nxi)α−1e−β(∑i=1nxi−∑i=1nyi)
要让这个比率与参数α,β\alpha,\betaα,β无关,除非∏i=1nxi=∏i=1nyi\prod_{i=1}^n x_i=\prod_{i=1}^n y_i∏i=1nxi=∏i=1nyi,∑i=1nxi=∑i=1nyi\sum_{i=1}^n x_i=\sum_{i=1}^n y_i∑i=1nxi=∑i=1nyi,所以最小充分统计量是(∏i=1nXi,∑i=1nXi)(\prod_{i=1}^n X_i,\sum_{i=1}^n X_i)(∏i=1nXi,∑i=1nXi)
例1.14 X1,⋯,Xn∼iidU(θ1,θ2)X_1,\cdots,X_n \sim_{iid} U(\theta_1,\theta_2)X1,⋯,Xn∼iidU(θ1,θ2),找最小充分统计量
计算样本的联合概率密度
f(x∣θ1,θ2)=∏i=1nI(θ1≤xi≤θ2)θ1−θ2=(θ1−θ2)−n∏i=1nI(xi≥θ1)I(xi≤θ2)=(θ1−θ2)−nI(x(1)≥θ1)I(x(n)≤θ2)f(x|\theta_1,\theta_2) = \prod_{i=1}^n \frac{I(\theta_1 \le x_i \le \theta_2)}{\theta_1-\theta_2} \\= (\theta_1-\theta_2)^{-n} \prod_{i=1}^n I(x_i \ge \theta_1)I(x_i \le \theta_2) \\ = (\theta_1-\theta_2)^{-n} I(x_{(1)} \ge \theta_1)I(x_{(n)} \le \theta_2) f(x∣θ1,θ2)=i=1∏nθ1−θ2I(θ1≤xi≤θ2)=(θ1−θ2)−ni=1∏nI(xi≥θ1)I(xi≤θ2)=(θ1−θ2)−nI(x(1)≥θ1)I(x(n)≤θ2)
计算(X,Y)(X,Y)(X,Y)两组样本联合密度的比值
f(x∣θ1,θ2)f(y∣θ1,θ2)=(θ1−θ2)−nI(x(1)≥θ1)I(x(n)≤θ2)(θ1−θ2)−nI(y(1)≥θ1)I(y(n)≤θ2)=I(x(1)≥θ1)I(x(n)≤θ2)I(y(1)≥θ1)I(y(n)≤θ2)\frac{f(x|\theta_1,\theta_2)}{f(y|\theta_1,\theta_2)} = \frac{(\theta_1-\theta_2)^{-n} I(x_{(1)} \ge \theta_1)I(x_{(n)} \le \theta_2)}{(\theta_1-\theta_2)^{-n} I(y_{(1)} \ge \theta_1)I(y_{(n)} \le \theta_2)} = \frac{I(x_{(1)} \ge \theta_1)I(x_{(n)} \le \theta_2)}{I(y_{(1)} \ge \theta_1)I(y_{(n)} \le \theta_2)} f(y∣θ1,θ2)f(x∣θ1,θ2)=(θ1−θ2)−nI(y(1)≥θ1)I(y(n)≤θ2)(θ1−θ2)−nI(x(1)≥θ1)I(x(n)≤θ2)=I(y(1)≥θ1)I(y(n)≤θ2)I(x(1)≥θ1)I(x(n)≤θ2)
如果x(1)=y(1),x(n)=y(n)x_{(1)}=y_{(1)},x_{(n)}=y_{(n)}x(1)=y(1),x(n)=y(n),分子分母的值就会完全相同,这个比率就与参数无关,因此最小充分统计量是(X(1),X(n))(X_{(1)},X_{(n)})(X(1),X(n))。
例1.15 X1,⋯,Xn∼iidf(x∣θ)=e−(x−θ)(1+e−(x−θ))2X_1,\cdots,X_n \sim_{iid} f(x|\theta)=\frac{e^{-(x-\theta)}}{(1+e^{-(x-\theta)})^2}X1,⋯,Xn∼iidf(x∣θ)=(1+e−(x−θ))2e−(x−θ),找最小充分统计量
计算样本的联合概率密度
f(x∣θ)=∏i=1ne−(xi−θ)(1+e−(xi−θ))2=e−∑i=1nxi+nθ[∏i=1n(1+e−(xi−θ))]2f(x|\theta) = \prod_{i=1}^n \frac{e^{-(x_i-\theta)}}{(1+e^{-(x_i-\theta)})^2} = \frac{e^{-\sum_{i=1}^n x_i +n\theta}}{ [\prod_{i=1}^n (1+e^{-(x_i-\theta)})]^2 } f(x∣θ)=i=1∏n(1+e−(xi−θ))2e−(xi−θ)=[∏i=1n(1+e−(xi−θ))]2e−∑i=1nxi+nθ
计算(X,Y)(X,Y)(X,Y)两组样本联合密度的比值
f(x∣θ)f(y∣θ)=e−∑i=1nxi+nθe−∑i=1nyi+nθ[∏i=1n(1+e−(yi−θ))∏i=1n(1+e−(xi−θ))]2\frac{f(x|\theta)}{f(y|\theta)} = \frac{e^{-\sum_{i=1}^n x_i +n\theta}}{e^{-\sum_{i=1}^n y_i +n\theta}} [\frac{\prod_{i=1}^n (1+e^{-(y_i-\theta)})}{\prod_{i=1}^n (1+e^{-(x_i-\theta)})}]^2 f(y∣θ)f(x∣θ)=e−∑i=1nyi+nθe−∑i=1nxi+nθ[∏i=1n(1+e−(xi−θ))∏i=1n(1+e−(yi−θ))]2
第一个因子显然与参数θ\thetaθ无关,第二个因子只要平方内的式子与参数无关,这个比值就会与参数无关。然而要做的这点,除非∃k\exists k∃k是常数,满足
1+e−(yi−θ)=(1+e−(xi−θ))k1+e^{-(y_i-\theta)} = (1+e^{-(x_i-\theta)})k 1+e−(yi−θ)=(1+e−(xi−θ))k
这个关系貌似看不出统计量来,但事实上这个函数是单调的,因此满足这个关系的一定是次序统计量,所以这个分布的最小充分统计量是(X(1),X(2),⋯,X(n))(X_{(1)},X_{(2)},\cdots,X_{(n)})(X(1),X(2),⋯,X(n))。
例1.16 X1,⋯,Xn∼iidU(0,θ)X_1,\cdots,X_n \sim_{iid} U(0,\theta)X1,⋯,Xn∼iidU(0,θ),验证T(X)=X(n)T(X)=X_{(n)}T(X)=X(n)是完备统计量。
例1.2已经计算过T(X)T(X)T(X)的密度了
f(t)=ntn−1θ−nI(0≤t≤θ)f(t) = nt^{n-1} \theta^{-n}I(0 \le t \le \theta) f(t)=ntn−1θ−nI(0≤t≤θ)
对任一可测函数h(T(X))h(T(X))h(T(X))
E[h(T(X))]=∫h(t)ntn−1θ−nI(0≤t≤θ)dt=0⇔∫0θh(t)tn−1dt=0⇒∂∂θ∫0θh(t)tn−1dt⇒h(θ)θn−1=0⇒h(θ)=0E[h(T(X))] = \int h(t) nt^{n-1} \theta^{-n}I(0 \le t \le \theta) dt = 0 \\ \Leftrightarrow \int_0^{\theta} h(t) t^{n-1} dt = 0 \Rightarrow \frac{\partial}{\partial \theta} \int_0^{\theta} h(t) t^{n-1} dt \\ \Rightarrow h(\theta) \theta^{n-1}=0 \Rightarrow h(\theta) = 0 E[h(T(X))]=∫h(t)ntn−1θ−nI(0≤t≤θ)dt=0⇔∫0θh(t)tn−1dt=0⇒∂θ∂∫0θh(t)tn−1dt⇒h(θ)θn−1=0⇒h(θ)=0
因此T(X)=X(n)T(X)=X_{(n)}T(X)=X(n)是完备统计量。
例1.17 X1,⋯,Xn∼iidN(0,σ2)X_1,\cdots,X_n \sim_{iid} N(0,\sigma^2)X1,⋯,Xn∼iidN(0,σ2),验证T(X)=X2T(X)=X^2T(X)=X2是完备统计量。
因为T(X)/σ2∼χ2(1)T(X)/\sigma^2 \sim \chi^2(1)T(X)/σ2∼χ2(1),所以它的概率密度为
f(t)=σ22πt−1/2e−t/2f(t) = \frac{\sigma^2}{2\sqrt{\pi}} t^{-1/2}e^{-t/2} f(t)=2πσ2t−1/2e−t/2
对任一可测函数h(T(X))h(T(X))h(T(X))
E[h(T(X))]=∫h(t)σ22πt−1/2e−t/2dt=0⇔∫h(t)t−1/2e−t/2dt=0E[h(T(X))] = \int h(t) \frac{\sigma^2}{2\sqrt{\pi}} t^{-1/2}e^{-t/2} dt = 0 \\ \Leftrightarrow \int h(t) t^{-1/2}e^{-t/2} dt = 0 E[h(T(X))]=∫h(t)2πσ2t−1/2e−t/2dt=0⇔∫h(t)t−1/2e−t/2dt=0
上式是函数h(t)/th(t)/\sqrt{t}h(t)/t的Laplace变换在1/2处的取值,因为Laplace是具有唯一性的积分变换(或者根据Laplace变换的反演公式),所以h(t)/t=0h(t)/\sqrt{t}=0h(t)/t=0。因此T(X)=X2T(X)=X^2T(X)=X2是完备统计量。
UA MATH566 统计理论1 充分统计量例题答案2相关推荐
- UA MATH566 统计理论1 充分统计量例题答案3
UA MATH566 统计理论1 充分统计量例题答案3 例1.18 X1,⋯,Xn∼iidN(μ,σ2)X_1,\cdots,X_n \sim_{iid} N(\mu,\sigma^2)X1,⋯,X ...
- UA MATH566 统计理论1 充分统计量例题答案1
UA MATH566 统计理论1 充分统计量例题答案1 例1-3是直接法判断是否是充分统计量. 例1.1 X1,⋯,Xn∼iidBer(θ)X_1,\cdots,X_n \sim_{iid} Ber( ...
- UA MATH566 统计理论1 充分统计量
UA MATH566 统计理论1 充分统计量 指数族 自然形式 充分统计量 Neyman-Fisher因子分解定理 Bayes充分性 最小充分统计量 完备性 分布族的完备性 统计量的完备性 辅助统计量 ...
- UA MATH566 统计理论 一个例题 Hierarchical Model的统计性质
UA MATH566 统计理论 一个例题 Hierarchical Model的统计性质 Y∣X∼Pois(X)Y|X \sim Pois(X)Y∣X∼Pois(X) and X∼Γ(α,β)X \s ...
- UA MATH566 统计理论 Fisher信息论的性质下
UA MATH566 统计理论 Fisher信息量的性质下 辅助统计量的Fisher信息为0 分布族参数变换后的Fisher信息 统计量的Fisher信息的有界性 下面介绍一些Fisher信息量的常用 ...
- UA MATH566 统计理论 Fisher信息量的性质上
UA MATH566 统计理论 Fisher信息量的性质上 Fisher信息量的定义 Fisher信息量的数学意义 C-R下界是由Fisher统计量定义的,在推导C-R下界的时候,我们只是把下界的逆定 ...
- UA MATH566 统计理论 用点估计构造置信区间
UA MATH566 统计理论 用点估计构造置信区间 用点估计构造置信区间 置信区间(confidential interval,CI)也叫区间估计,是另一种做统计推断的方法,和假设检验密切相关.统计 ...
- UA MATH566 统计理论 QE练习题2.2
UA MATH566 统计理论 QE练习题2.2 第五题 这是2014年5月的5题. 第五题 Part (a) Joint density of the bivariate normal disrtr ...
- UA MATH566 统计理论 证明UMVUE的方法
UA MATH566 统计理论 证明UMVUE的方法 方法一 零无偏估计法 方法二 完备充分统计量法 关于UMVUE,我们有下面两个非常常用的结论: Lehmann-Sheffe定理: 如果g(θ^) ...
最新文章
- VMware虚拟机安装黑苹果MacOS Mojave系统详细教程
- WCF 4.0 进阶系列 – 第十二章 实现单向操作和异步操作(下)
- 安卓四大组件之Activity
- python序列_什么是Python的序列协议?
- 【债券】可转换债券基本概念
- 零起点英语_【零起点英语】第154讲:Large Feet 大脚丫
- 二维码扫描ZXing简化
- SQL Server安装教程
- 极客空间-MySQL实战45天-第二天
- 计算机硬盘坏道有什么特点,硬盘坏道对电脑会造成什么影响
- 广州海客智能机器人:为什么要让孩子从小学习机器人课程
- mysql 手工配置_小姜学网络(MySQL数据库的手工安装与配置)附代码
- 什么公司需要Linux运维,为什么企业会需要Linux运维?Linux入门!
- 苹果手机用什么软件测试续航,苹果哪个系统最耗电 iOS10/11/12/13电池续航测试
- 网络安全实验1 Sniffer Pro网络分析器应用实验
- C语言 键盘输入年月日,计算该年第几天
- 新兴市场崛起,1 对 1 社交应用出海成“新贵”!
- java并发-JUC
- 【matlab】图像傅里叶变换与反变换
- Ubuntu16.04 安装VM12:解决网卡驱动vmnet安装失败的问题
热门文章
- Hive用户权限管理理解
- jQuery 元素操作——遍历元素
- JSON对象和JSON 字符串之间的相互转换
- springboot 启动分析【难点】——如何自动扫描 @SpringBootApplication||如何加载自动配置类 @EnableAutoConfiguration||如何加载前端控制器
- javascript判断ie浏览器
- jQuery取得select选择的文本与值
- Python+selenium 自动化-获取当前页面的url地址,打开指定的url地址
- jQuery中get()和eq()的区别
- Keil编译出现sct(7): error: L6236E: No section matches selector - no section to be FIRST/LAST.报错的解决方法
- opencv中使用K-近邻分类算法KNN