目录
- 例题九
- 例9.16 设
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn是来自总体
X
X
X的一个简单随机样本,则样本标准差
S
S
S是总体标准差
σ
\sigma
σ的( )
( A ) (A) (A)无偏估计量;
( B ) (B) (B)最大似然估计量;
( C ) (C) (C)相合估计量;
( D ) (D) (D)以上均不正确。 - 例9.20 从正态分布 X ∼ N ( μ 1 , σ 2 ) X\sim N(\mu_1,\sigma^2) X∼N(μ1,σ2)和 Y ∼ N ( μ 2 , σ 2 ) Y\sim N(\mu_2,\sigma^2) Y∼N(μ2,σ2)中随意抽取容量分别为 n 1 , n 2 n_1,n_2 n1,n2的两个独立样本,样本方差分别为 S X 2 , S Y 2 S_X^2,S_Y^2 SX2,SY2。证明:对任意常数 a , b a,b a,b,只要 a + b = 1 a+b=1 a+b=1,统计量 σ ^ 2 = a S X 2 + b S Y 2 \hat{\sigma}^2=aS_X^2+bS_Y^2 σ^2=aSX2+bSY2都是 σ 2 \sigma^2 σ2的无偏估计,并确定 a , b a,b a,b使 D ( σ ^ 2 ) D(\hat{\sigma}^2) D(σ^2)达到最小。
- 例9.16 设
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn是来自总体
X
X
X的一个简单随机样本,则样本标准差
S
S
S是总体标准差
σ
\sigma
σ的( )
- 习题七
- 9.7 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn是取自正态总体 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2)的简单随机样本,样本均值 X ‾ = 1 n ∑ i = 1 n X i \overline{X}=\cfrac{1}{n}\sum\limits_{i=1}^nX_i X=n1i=1∑nXi。
- (1)记 S 1 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 , S 2 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 , S 3 2 = 1 n + 1 ∑ i = 1 n ( X i − X ‾ ) 2 S_1^2=\cfrac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2,S_2^2=\cfrac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2,S_3^2=\cfrac{1}{n+1}\sum\limits_{i=1}^n(X_i-\overline{X})^2 S12=n−11i=1∑n(Xi−X)2,S22=n1i=1∑n(Xi−X)2,S32=n+11i=1∑n(Xi−X)2,试问 S i 2 ( i = 1 , 2 , 3 ) S_i^2(i=1,2,3) Si2(i=1,2,3)中哪一个是 σ 2 \sigma^2 σ2的无偏估计?哪一个是 σ 2 \sigma^2 σ2的一致估计?哪一个是方差最小?
- (2)如果 μ \mu μ已知,求 k 1 k_1 k1使 σ ^ 1 = k 1 ∑ i = 1 n ∣ X i − μ ∣ \hat{\sigma}_1=k_1\sum\limits_{i=1}^n|X_i-\mu| σ^1=k1i=1∑n∣Xi−μ∣是 σ \sigma σ的无偏估计;如果 μ \mu μ未知,求 k 2 k_2 k2使 σ ^ 2 = k 2 ∑ i = 1 n ∣ X i − μ ∣ \hat{\sigma}_2=k_2\sum\limits_{i=1}^n|X_i-\mu| σ^2=k2i=1∑n∣Xi−μ∣是 σ \sigma σ的无偏估计。
- 新版习题九
- 新版习题九
- 写在最后
例题九
例9.16 设
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn是来自总体
X
X
X的一个简单随机样本,则样本标准差
S
S
S是总体标准差
σ
\sigma
σ的( )
(
A
)
(A)
(A)无偏估计量;
(
B
)
(B)
(B)最大似然估计量;
(
C
)
(C)
(C)相合估计量;
(
D
)
(D)
(D)以上均不正确。
解 本题主要考察以下结论。
对于来自总体
X
X
X的样本
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn,其样本方差
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
‾
)
2
S^2=\cfrac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2
S2=n−11i=1∑n(Xi−X)2是
σ
2
\sigma^2
σ2的无偏估计量,但其样本标准差
S
S
S不是总体标准差
σ
\sigma
σ的无偏估计量。
对于来自总体
X
X
X的样本
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn,二阶样本中心距
n
−
1
n
S
2
\cfrac{n-1}{n}S^2
nn−1S2是
σ
2
\sigma^2
σ2的最大似然估计量,
n
−
1
n
S
\sqrt{\cfrac{n-1}{n}}S
nn−1S是
σ
\sigma
σ的最大似然估计量。
对于来自总体体
X
X
X的样本
X
1
,
X
2
,
⋯
,
X
n
X_1,X_2,\cdots,X_n
X1,X2,⋯,Xn,
S
2
S^2
S2是
σ
2
\sigma^2
σ2的相合估计量,因为样本矩具有相合性,即当
n
→
∞
n\to\infty
n→∞时,有
1
n
∑
i
=
1
n
X
i
2
→
P
E
(
X
2
)
,
X
‾
=
1
n
∑
i
=
1
n
X
i
→
P
E
(
X
)
.
\cfrac{1}{n}\sum\limits_{i=1}^nX_i^2\xrightarrow[]{P}E(X^2),\quad\overline{X}=\cfrac{1}{n}\sum\limits_{i=1}^nX_i\xrightarrow[]{P}E(X).
n1i=1∑nXi2PE(X2),X=n1i=1∑nXiPE(X).
所以
S
2
=
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
‾
)
2
=
1
n
−
1
(
∑
i
=
1
n
X
i
2
−
n
X
‾
)
→
P
E
(
X
2
)
−
(
E
(
X
)
)
2
=
D
(
X
)
=
σ
2
.
\begin{aligned} S^2&=\cfrac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2=\cfrac{1}{n-1}\left(\sum\limits_{i=1}^nX_i^2-n\overline{X}\right)\\ &\xrightarrow[]{P}E(X^2)-(E(X))^2=D(X)=\sigma^2. \end{aligned}
S2=n−11i=1∑n(Xi−X)2=n−11(i=1∑nXi2−nX)PE(X2)−(E(X))2=D(X)=σ2.
从而有
S
=
S
2
→
P
D
(
X
)
=
σ
2
=
σ
S=\sqrt{S^2}\xrightarrow[]{P}\sqrt{D(X)}=\sqrt{\sigma^2}=\sigma
S=S2PD(X)=σ2=σ。
综上分析,本题应该选择
(
C
)
(C)
(C)。(这道题主要利用了估计量的定义求解)
例9.20 从正态分布 X ∼ N ( μ 1 , σ 2 ) X\sim N(\mu_1,\sigma^2) X∼N(μ1,σ2)和 Y ∼ N ( μ 2 , σ 2 ) Y\sim N(\mu_2,\sigma^2) Y∼N(μ2,σ2)中随意抽取容量分别为 n 1 , n 2 n_1,n_2 n1,n2的两个独立样本,样本方差分别为 S X 2 , S Y 2 S_X^2,S_Y^2 SX2,SY2。证明:对任意常数 a , b a,b a,b,只要 a + b = 1 a+b=1 a+b=1,统计量 σ ^ 2 = a S X 2 + b S Y 2 \hat{\sigma}^2=aS_X^2+bS_Y^2 σ^2=aSX2+bSY2都是 σ 2 \sigma^2 σ2的无偏估计,并确定 a , b a,b a,b使 D ( σ ^ 2 ) D(\hat{\sigma}^2) D(σ^2)达到最小。
解 由题设知
E
(
S
X
2
)
=
σ
2
,
E
(
S
Y
2
)
=
σ
2
E(S_X^2)=\sigma^2,E(S_Y^2)=\sigma^2
E(SX2)=σ2,E(SY2)=σ2,
S
X
2
S_X^2
SX2与
S
Y
2
S_Y^2
SY2相互独立,且
(
n
1
−
1
)
S
X
2
σ
2
∼
χ
2
(
n
1
−
1
)
,
(
n
2
−
1
)
S
Y
2
σ
2
∼
χ
2
(
n
2
−
1
)
.
\cfrac{(n_1-1)S_X^2}{\sigma^2}\sim\chi^2(n_1-1),\\ \cfrac{(n_2-1)S_Y^2}{\sigma^2}\sim\chi^2(n_2-1).
σ2(n1−1)SX2∼χ2(n1−1),σ2(n2−1)SY2∼χ2(n2−1).
若
a
+
b
=
1
a+b=1
a+b=1,则
E
(
σ
^
2
)
=
a
E
(
S
X
2
)
+
b
E
(
S
Y
2
)
=
a
σ
2
+
b
σ
2
=
σ
2
E(\hat{\sigma}^2)=aE(S_X^2)+bE(S_Y^2)=a\sigma^2+b\sigma^2=\sigma^2
E(σ^2)=aE(SX2)+bE(SY2)=aσ2+bσ2=σ2,故
σ
^
2
\hat{\sigma}^2
σ^2为
σ
2
\sigma^2
σ2的无偏估计。又
D
[
(
n
1
−
1
)
S
X
2
σ
2
]
=
(
n
1
−
1
)
2
σ
4
D
(
S
X
2
)
=
2
(
n
1
−
1
)
,
D
(
S
X
2
)
=
2
σ
4
n
1
−
1
,
D
[
(
n
2
−
1
)
S
Y
2
σ
2
]
=
(
n
2
−
1
)
2
σ
4
D
(
S
Y
2
)
=
2
(
n
2
−
1
)
,
D
(
S
Y
2
)
=
2
σ
4
n
2
−
1
,
D
(
σ
^
2
)
=
D
(
a
S
X
2
+
b
S
Y
2
)
=
a
2
D
(
S
X
2
)
+
b
2
D
(
S
Y
2
)
=
(
a
2
n
1
−
1
+
b
2
n
2
−
1
)
2
σ
4
=
[
a
2
n
1
−
1
+
(
1
−
a
)
2
n
2
−
1
]
2
σ
4
.
D\left[\cfrac{(n_1-1)S_X^2}{\sigma^2}\right]=\cfrac{(n_1-1)^2}{\sigma^4}D(S_X^2)=2(n_1-1),\quad D(S_X^2)=\cfrac{2\sigma^4}{n_1-1},\\ D\left[\cfrac{(n_2-1)S_Y^2}{\sigma^2}\right]=\cfrac{(n_2-1)^2}{\sigma^4}D(S_Y^2)=2(n_2-1),\quad D(S_Y^2)=\cfrac{2\sigma^4}{n_2-1},\\ \quad\\ \begin{aligned} D(\hat{\sigma}^2)&=D(aS_X^2+bS_Y^2)=a^2D(S_X^2)+b^2D(S_Y^2)\\ &=\left(\cfrac{a^2}{n_1-1}+\cfrac{b^2}{n_2-1}\right)2\sigma^4\\ &=\left[\cfrac{a^2}{n_1-1}+\cfrac{(1-a)^2}{n_2-1}\right]2\sigma^4. \end{aligned}
D[σ2(n1−1)SX2]=σ4(n1−1)2D(SX2)=2(n1−1),D(SX2)=n1−12σ4,D[σ2(n2−1)SY2]=σ4(n2−1)2D(SY2)=2(n2−1),D(SY2)=n2−12σ4,D(σ^2)=D(aSX2+bSY2)=a2D(SX2)+b2D(SY2)=(n1−1a2+n2−1b2)2σ4=[n1−1a2+n2−1(1−a)2]2σ4.
记
g
(
a
)
=
a
2
n
1
−
1
+
(
1
−
a
)
2
n
2
−
1
g(a)=\cfrac{a^2}{n_1-1}+\cfrac{(1-a)^2}{n_2-1}
g(a)=n1−1a2+n2−1(1−a)2。令
g
′
(
a
)
=
2
a
n
1
−
1
−
2
(
1
−
a
)
n
2
−
1
=
0
g'(a)=\cfrac{2a}{n_1-1}-\cfrac{2(1-a)}{n_2-1}=0
g′(a)=n1−12a−n2−12(1−a)=0,解得
a
=
n
1
−
1
n
1
+
n
2
−
2
,
b
=
1
−
a
=
n
2
−
1
n
1
+
n
2
−
2
.
a=\cfrac{n_1-1}{n_1+n_2-2},\quad b=1-a=\cfrac{n_2-1}{n_1+n_2-2}.
a=n1+n2−2n1−1,b=1−a=n1+n2−2n2−1.
又
g
′
′
(
a
)
=
2
n
1
−
1
+
2
n
2
−
1
>
0
g''(a)=\cfrac{2}{n_1-1}+\cfrac{2}{n_2-1}>0
g′′(a)=n1−12+n2−12>0,所以当
a
=
n
1
−
1
n
1
+
n
2
−
2
,
b
=
1
−
a
=
n
2
−
1
n
1
+
n
2
−
2
a=\cfrac{n_1-1}{n_1+n_2-2},b=1-a=\cfrac{n_2-1}{n_1+n_2-2}
a=n1+n2−2n1−1,b=1−a=n1+n2−2n2−1时,
D
(
σ
^
2
)
D(\hat{\sigma}^2)
D(σ^2)达到最小。(这道题主要利用了公式变换求解)
习题七
9.7 设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn是取自正态总体 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2)的简单随机样本,样本均值 X ‾ = 1 n ∑ i = 1 n X i \overline{X}=\cfrac{1}{n}\sum\limits_{i=1}^nX_i X=n1i=1∑nXi。
(1)记 S 1 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 , S 2 2 = 1 n ∑ i = 1 n ( X i − X ‾ ) 2 , S 3 2 = 1 n + 1 ∑ i = 1 n ( X i − X ‾ ) 2 S_1^2=\cfrac{1}{n-1}\sum\limits_{i=1}^n(X_i-\overline{X})^2,S_2^2=\cfrac{1}{n}\sum\limits_{i=1}^n(X_i-\overline{X})^2,S_3^2=\cfrac{1}{n+1}\sum\limits_{i=1}^n(X_i-\overline{X})^2 S12=n−11i=1∑n(Xi−X)2,S22=n1i=1∑n(Xi−X)2,S32=n+11i=1∑n(Xi−X)2,试问 S i 2 ( i = 1 , 2 , 3 ) S_i^2(i=1,2,3) Si2(i=1,2,3)中哪一个是 σ 2 \sigma^2 σ2的无偏估计?哪一个是 σ 2 \sigma^2 σ2的一致估计?哪一个是方差最小?
解 由于总体
X
∼
N
(
μ
,
σ
2
)
X\sim N(\mu,\sigma^2)
X∼N(μ,σ2),所以
S
0
2
=
∑
i
=
1
n
(
X
i
−
X
‾
σ
)
2
∼
χ
2
(
n
−
1
)
S_0^2=\sum\limits_{i=1}^n\left(\cfrac{X_i-\overline{X}}{\sigma}\right)^2\sim\chi^2(n-1)
S02=i=1∑n(σXi−X)2∼χ2(n−1),再根据辛钦大数定律与依概率收敛性质可求得(1)的所有解答。因为
S
0
2
∼
χ
2
(
n
−
1
)
S_0^2\sim\chi^2(n-1)
S02∼χ2(n−1),所以,
E
(
S
0
2
)
=
n
−
1
,
D
(
S
0
2
)
=
2
(
n
−
1
)
E(S_0^2)=n-1,D(S_0^2)=2(n-1)
E(S02)=n−1,D(S02)=2(n−1)。
又
S
1
2
=
σ
2
n
−
1
S
0
2
,
S
2
2
=
σ
2
n
S
0
2
,
S
3
2
=
σ
2
n
+
1
S
0
2
S_1^2=\cfrac{\sigma^2}{n-1}S_0^2,S_2^2=\cfrac{\sigma^2}{n}S_0^2,S_3^2=\cfrac{\sigma^2}{n+1}S_0^2
S12=n−1σ2S02,S22=nσ2S02,S32=n+1σ2S02,所以
E
(
S
1
2
)
=
σ
2
n
−
1
E
(
S
0
2
)
=
σ
2
,
E
(
S
2
2
)
=
σ
2
n
E
(
S
0
2
)
=
n
n
−
1
σ
2
,
E
(
S
3
2
)
=
σ
2
n
+
1
E
(
S
0
2
)
=
n
−
1
n
+
1
σ
2
,
D
(
S
1
2
)
=
σ
4
(
n
−
1
)
2
D
(
S
0
2
)
=
2
(
n
−
1
)
(
n
−
1
)
2
σ
4
,
D
(
S
2
2
)
=
σ
4
n
2
D
(
S
0
2
)
=
2
(
n
−
1
)
n
2
σ
4
,
D
(
S
3
2
)
=
σ
4
(
n
+
1
)
2
D
(
S
0
2
)
=
2
(
n
−
1
)
(
n
+
1
)
2
σ
4
,
D
(
S
1
2
)
>
D
(
S
2
2
)
>
D
(
S
3
2
)
.
E(S_1^2)=\cfrac{\sigma^2}{n-1}E(S_0^2)=\sigma^2,\\ E(S_2^2)=\cfrac{\sigma^2}{n}E(S_0^2)=\cfrac{n}{n-1}\sigma^2,\\ E(S_3^2)=\cfrac{\sigma^2}{n+1}E(S_0^2)=\cfrac{n-1}{n+1}\sigma^2,\\ D(S_1^2)=\cfrac{\sigma^4}{(n-1)^2}D(S_0^2)=\cfrac{2(n-1)}{(n-1)^2}\sigma^4,\\ D(S_2^2)=\cfrac{\sigma^4}{n^2}D(S_0^2)=\cfrac{2(n-1)}{n^2}\sigma^4,\\ D(S_3^2)=\cfrac{\sigma^4}{(n+1)^2}D(S_0^2)=\cfrac{2(n-1)}{(n+1)^2}\sigma^4,\\ D(S_1^2)>D(S_2^2)>D(S_3^2).
E(S12)=n−1σ2E(S02)=σ2,E(S22)=nσ2E(S02)=n−1nσ2,E(S32)=n+1σ2E(S02)=n+1n−1σ2,D(S12)=(n−1)2σ4D(S02)=(n−1)22(n−1)σ4,D(S22)=n2σ4D(S02)=n22(n−1)σ4,D(S32)=(n+1)2σ4D(S02)=(n+1)22(n−1)σ4,D(S12)>D(S22)>D(S32).
故
S
1
2
S_1^2
S12为
σ
2
\sigma^2
σ2的无偏估计,
S
3
2
S_3^2
S32的方差最小。
由辛钦大数定律,
X
‾
→
P
E
(
X
)
=
μ
,
1
n
∑
i
=
1
n
X
i
2
→
P
σ
2
+
μ
2
\overline{X}\xrightarrow[]{P}E(X)=\mu,\cfrac{1}{n}\sum\limits_{i=1}^nX_i^2\xrightarrow[]{P}\sigma^2+\mu^2
XPE(X)=μ,n1i=1∑nXi2Pσ2+μ2,故
S
2
2
=
1
n
∑
i
=
1
n
X
i
2
−
X
‾
2
→
P
σ
2
+
μ
2
−
μ
2
=
σ
2
S
1
2
=
n
n
−
1
S
2
2
→
P
σ
2
,
S
3
2
=
n
n
+
1
S
2
2
→
P
σ
2
,
S_2^2=\cfrac{1}{n}\sum\limits_{i=1}^nX_i^2-\overline{X}^2\xrightarrow[]{P}\sigma^2+\mu^2-\mu^2=\sigma^2\\ S_1^2=\cfrac{n}{n-1}S_2^2\xrightarrow[]{P}\sigma^2,\\ S_3^2=\cfrac{n}{n+1}S_2^2\xrightarrow[]{P}\sigma^2,
S22=n1i=1∑nXi2−X2Pσ2+μ2−μ2=σ2S12=n−1nS22Pσ2,S32=n+1nS22Pσ2,
即
S
i
2
(
i
=
1
,
2
,
3
)
S_i^2(i=1,2,3)
Si2(i=1,2,3)都是
σ
2
\sigma^2
σ2的一致估计。
(2)如果 μ \mu μ已知,求 k 1 k_1 k1使 σ ^ 1 = k 1 ∑ i = 1 n ∣ X i − μ ∣ \hat{\sigma}_1=k_1\sum\limits_{i=1}^n|X_i-\mu| σ^1=k1i=1∑n∣Xi−μ∣是 σ \sigma σ的无偏估计;如果 μ \mu μ未知,求 k 2 k_2 k2使 σ ^ 2 = k 2 ∑ i = 1 n ∣ X i − μ ∣ \hat{\sigma}_2=k_2\sum\limits_{i=1}^n|X_i-\mu| σ^2=k2i=1∑n∣Xi−μ∣是 σ \sigma σ的无偏估计。
解
k
i
k_i
ki应使
E
(
σ
^
i
)
=
σ
E(\hat{\sigma}_i)=\sigma
E(σ^i)=σ,为计算
E
(
σ
^
i
)
E(\hat{\sigma}_i)
E(σ^i),需先求出
X
i
−
μ
X_i-\mu
Xi−μ及
X
i
−
X
‾
X_i-\overline{X}
Xi−X的分布。
已知
X
i
∼
N
(
μ
,
σ
2
)
X_i\sim N(\mu,\sigma^2)
Xi∼N(μ,σ2),故
X
i
−
μ
∼
N
(
0
,
σ
2
)
,
E
(
∣
X
i
−
μ
∣
)
=
∫
−
∞
+
∞
∣
x
∣
⋅
1
2
π
σ
e
−
1
2
(
x
σ
)
2
d
x
=
2
2
π
σ
∫
0
+
∞
x
e
−
1
2
(
x
σ
)
2
d
x
=
2
π
[
−
σ
e
−
1
2
(
x
σ
)
2
]
∣
0
+
∞
=
2
π
σ
,
X_i-\mu\sim N(0,\sigma^2),\\ \begin{aligned} E(|X_i-\mu|)&=\displaystyle\int^{+\infty}_{-\infty}|x|\cdot\cfrac{1}{\sqrt{2\pi}\sigma}e^{-\frac{1}{2}\left(\frac{x}{\sigma}\right)^2}\mathrm{d}x=\cfrac{2}{\sqrt{2\pi}\sigma}\displaystyle\int^{+\infty}_0xe^{-\frac{1}{2}\left(\frac{x}{\sigma}\right)^2}\mathrm{d}x\\ &=\sqrt{\cfrac{2}{\pi}}\left[-\sigma e^{-\frac{1}{2}\left(\frac{x}{\sigma}\right)^2}\right]\biggm\vert^{+\infty}_0=\cfrac{2}{\pi}\sigma, \end{aligned}
Xi−μ∼N(0,σ2),E(∣Xi−μ∣)=∫−∞+∞∣x∣⋅2πσ1e−21(σx)2dx=2πσ2∫0+∞xe−21(σx)2dx=π2[−σe−21(σx)2]∣∣∣∣0+∞=π2σ,
所以
E
(
σ
^
1
)
=
k
1
∑
i
=
1
n
E
(
∣
X
i
−
μ
∣
)
=
k
1
n
2
π
σ
E(\hat{\sigma}_1)=k_1\sum\limits_{i=1}^nE(|X_i-\mu|)=k_1n\sqrt{\cfrac{2}{\pi}}\sigma
E(σ^1)=k1i=1∑nE(∣Xi−μ∣)=k1nπ2σ,因此当
k
1
=
1
n
2
π
k_1=\cfrac{1}{n}\sqrt{\cfrac{2}{\pi}}
k1=n1π2时,
σ
^
1
=
1
n
2
π
∑
i
=
1
n
∣
X
i
−
μ
∣
\hat{\sigma}_1=\cfrac{1}{n}\sqrt{\cfrac{2}{\pi}}\sum\limits_{i=1}^n|X_i-\mu|
σ^1=n1π2i=1∑n∣Xi−μ∣为
σ
\sigma
σ的无偏估计。
由于
X
i
∼
N
(
μ
,
σ
2
)
X_i\sim N(\mu,\sigma^2)
Xi∼N(μ,σ2)且相互独立,所以
X
i
−
X
‾
=
(
1
−
1
n
)
X
i
−
1
n
∑
j
≠
i
X
j
∼
N
(
0
,
n
−
1
n
σ
2
)
=
记
N
(
0
,
σ
1
2
)
.
X_i-\overline{X}=\left(1-\cfrac{1}{n}\right)X_i-\cfrac{1}{n}\sum\limits_{j\ne i}X_j\sim N\left(0,\cfrac{n-1}{n}\sigma^2\right)\xlongequal{\text{记}}N(0,\sigma_1^2).
Xi−X=(1−n1)Xi−n1j=i∑Xj∼N(0,nn−1σ2)记N(0,σ12).
其中
σ
1
2
=
n
−
1
n
σ
2
\sigma_1^2=\cfrac{n-1}{n}\sigma^2
σ12=nn−1σ2。由上面计算知
E
(
∣
X
i
−
X
‾
∣
)
=
2
π
σ
1
=
2
(
n
−
1
)
n
π
σ
E(|X_i-\overline{X}|)=\sqrt{\cfrac{2}{\pi}}\sigma_1=\sqrt{\cfrac{2(n-1)}{n\pi}}\sigma
E(∣Xi−X∣)=π2σ1=nπ2(n−1)σ,所以
E
(
σ
^
2
)
=
k
2
∑
i
=
1
n
E
(
∣
X
i
−
X
‾
∣
)
=
k
2
n
2
(
n
−
1
)
n
π
σ
=
k
2
2
n
(
n
−
1
)
π
σ
,
E(\hat{\sigma}_2)=k_2\sum\limits_{i=1}^nE(|X_i-\overline{X}|)=k_2n\sqrt{\cfrac{2(n-1)}{n\pi}}\sigma=k_2\sqrt{\cfrac{2n(n-1)}{\pi}}\sigma,
E(σ^2)=k2i=1∑nE(∣Xi−X∣)=k2nnπ2(n−1)σ=k2π2n(n−1)σ,
因此当
k
2
=
π
2
n
(
n
−
1
)
k_2=\sqrt{\cfrac{\pi}{2n(n-1)}}
k2=2n(n−1)π时,
σ
^
2
=
π
2
n
(
n
−
1
)
∑
i
=
1
n
∣
X
i
−
X
‾
∣
\hat{\sigma}_2=\sqrt{\cfrac{\pi}{2n(n-1)}}\sum\limits_{i=1}^n|X_i-\overline{X}|
σ^2=2n(n−1)πi=1∑n∣Xi−X∣为的无偏估计。(这道题主要利用了无偏估计的定义求解)
新版习题九
例9.9
例9.14
新版习题九
9.2
写在最后
如果觉得文章不错就点个赞吧。另外,如果有不同的观点,欢迎留言或私信。
欢迎非商业转载,转载请注明出处。