均匀分布的点估计量

均匀分布的点估计量

1.均匀分布

若随机变量$X\sim F(x)=\{\begin{array}{l}0,others\\ \frac{x}{\theta },x\in (0,\theta )\end{array}$，则称随机变量$X\sim U(0,\theta )$即$X$服从$(0,\theta )$的均匀分布

• 均匀分布的期望及方差
  $$f(x)=\frac{d}{dx}F(x)=\{\begin{array}{l}0,others\\ \frac{1}{\theta },x\in (0,\theta )\end{array}$$
  $$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx={\int }_0^{\theta }\frac{x}{\theta }dx=\frac{\theta }{2}$$
  $$D(X)={\int }_{-\infty }^{+\infty }{x}^{2}f(x)dx-\frac{{\theta }^2}{4}=\frac{{\theta }^2}{12}$$

2.$\theta$的极大似然估计

设$(X_1,X_2,\dots ,X_n)$是总体$X(X\sim U(0,\theta ))$的样本求$\theta$的极大似然估计量

• 写出似然函数
  L ( θ ) = ∏ i = 1 n f i ( x ) = ( 1 θ ) n ( θ ≥ m a x { X 1 , X 2 , … , X n } ) L(\theta)=\prod_{i=1}^nf_i(x)=(\frac 1 \theta)^n\quad(\theta\geq \mathop{max}\{X_1,X_2,\dots,X_n\}) L(θ)=i=1∏n​fi​(x)=(θ1​)n(θ≥max{X1​,X2​,…,Xn​})
• 分析似然函数的增减趋势得出驻点
  易得当$\theta$越大时$L(\theta )$越小故$\theta$越小越好，故 θ ^ = m a x { X 1 , X 2 , … , X n } = X ( n ) \hat{\theta}=\mathop{max}\{X_1,X_2,\dots,X_n\}=X_{(n)} θ^=max{X1​,X2​,…,Xn​}=X(n)​
  一般来说进行极大似然估计要先求出对数似然函数而后求导取驻点但在似然函数简单的情况下无需这样做，可以简单地对似然函数的单调性进行分析

3.$\theta$的矩估计量

设$(X_1,X_2,\dots ,X_n)$是总体$X(X\sim U(0,\theta ))$的样本求$\theta$的矩估计量
$$\overline{X}=\frac{1}{n}\sum _{i=1}^n{X}_i=E(X)=\frac{\theta }{2}$$

则$\hat{\theta }=2\overline{X}$

4.总结

对于均匀分布而言$\theta$的极大似然估计量和矩估计量不一致