c++求n的几次方_数理统计|笔记整理（E）——Ch7-C习题课

上一节笔记传送门：数理统计|笔记整理（D）——Ch1-6习题课

——————————————————————————————————————

大家好！这一节我们依然会补充一些习题，内容则是正文的后半部分。

那么我们开始吧。

Chapter 7

Problem 16:
设​

为相互独立的样本，

​,

​已知，那么在均方损失下，求

​的MREE。

这个考察的就是平移变换族最优同变估计的求解公式，在这之前，我们需要找到一个完备充分统计量​

是

​的同变估计，然后代入公式​

即可。那么首先根据指数族分布的性质，容易得到​

为完备充分统计量，并且有​

。那么这显然不是

​的同变估计（根据定义，每一个样本变化相同的量的时候，对应的估计量也要变化同样的数值）。所以要做一个标准化，也就是说我们要设

​。那么就可以得到​

（这是因为在未知参数设置为0的时候，

​）。这就完成了解答。

Problem 17:
设

​为独立同分布的样本，

​服从指数分布

​，

​已知，​

为未知的未知参数。

(1) 在绝对损失

​下，证明

​的MREE为

​。

(2) 若损失函数为

​，其中​

为已知正数，证明​

的MREE为

​。

这里要注意的是，因为考虑的不再是均方分布，所以Pitman公式是不行的！上面的公式也是不行的！我们需要借用我们证明这些公式所采用的走定义的方法，具体可以见正文的第7节。

对于第一问，首先要注意的就是在​

已知的情况下，充分统计量只有一个，为

​。在这种情况下，根据定义，我们要设

​，其中

​，并且求

​，使得​

在绝对损失下的风险函数最小。那么我们可以把风险函数写成

所以到这里，问题就转为了求

​的最小值（因为

​相对于

​来说是已知的，所以可以直接写成​

。我们只要求

​即可找到对应的

​ ）。而很明显，这里所求解的期望，实质上是针对

充分统计量的分布的。意思就是要先考虑​

的分布。这里因为​

，在

​的时候，就变成了一般的指数分布。所以根据正文第B节介绍的性质（Proposition 1），我们有

​，也就是

所以我们可以得到

（这里我们直接去掉了条件

​积分，想想为什么）

这两个部分求导都有点小技巧。第一个部分其实就可以写成

所以第一个部分不难，第二个部分相对复杂一点，属于含参变量求导的内容（陈纪修《数学分析》第15章第1节），这里就记得求导分三个步骤：求积分上限，求积分下限，求积分本身。在这个题中，设积分的原函数为

​，那么这相当于是

​，求完导就是​

，其中​

，所以前两个部分求完结果为0。但是还有一个部分是对积分本身求导，这里实质上就是

​。所以根据​

，可以得到​

，解得

​。结合

​就可以得到这确实是一个极大值，所以最终就证明了我们的结论。

对于第二问，前面的推导都完全相同，也就是说

同样的思路，我们实质上就是要求

的最小值。这里因为第一问中已经说过​

。这是一个减函数，所以在​

的时候取最小值（同时要考虑函数定义域），这就证明了结论。

Problem 18:
设

​为独立同分布的样本，

​，

​且已知，​

且未知，在均方损失下求

​的MREE。

这是一个相似变换族，所以在这里我们要使用的是Pitman公式

代入即可得到式子的结果为

​，这里略去计算细节。

这个地方要注意的是，相似变换族还有一个公式是

​

但是这个公式要求充分统计量​必须完备。但是直观上来看，这里只有一个未知参数，却需要两个充分统计量，所以它可能是不完备的（当然事实上也确实如此，这个思路有点类似于上一节的第8题），因此不能够在这里使用这个公式。

Problem 19:
设样本

​服从尺度参数分布族

​，​

为未知的尺度参数。设

​为

​的某一同变估计，损失函数设置为​

，​

为某一个正整数。设

​的条件分布记为

​，并且​

为最大不变量。证明

​的MREE为​

，并且​

满足关系​

这一个题考察的是相似变换族下的求解极小值问题，和17题的思路相同，但做法略有区别。

根据假设，我们写成​

，并且根据我们的要求，需要​

达到最小，也就是说

在期望中，因为

​的存在，

​可以视为常数，因此我们可以将内部的期望拆开，写成

式子关于​

求导并设置为0，提出与积分变量

​无关的项，就可以得到结论。并且你还可以通过二阶导为

​恒正来得到这确实是一个极小值。

Problem 20:
设​

为独立同分布的样本，

​，如果仅仅观测到​

，

​未知 ，考虑均方损失下的两参数的MREE。

这是线性变换族的同变估计问题，但是我们没有在第7节介绍。所以这里主要是介绍这一类变换族的计算方法，而不强调它背后的理论证明。

注意到在这个分布中，

​为完备充分统计量，其中

​（这个我们已经用过很多次了），并且它们俩均为同变估计，独立，且有分布为

​，​

，所以根据公式​

，​

，就可以得到结果为

​，

​。

Chapter 8

Problem 21:
设

​为独立同分布的样本，

​，且

​, ​

,

​。

(1) 求​

的MLE，并判断其是否无偏。

(2) 计算​

无偏估计的C-R下界。

这个题目还是比较复杂的，我们一步步来看。

对于第一问，首先注意到，这是一个离散型分布，也就是说我们需要考虑一下将分布列写成分布函数的形式，就和写二项分布一样。在这里，我们显然是需要几个函数，它们在

​中的两个点上取值为0，而另外一个点上取值为1，这怎么找？

你第一反应当然是数值分析中的插值。比方说我们希望找到一个函数，满足

​，那么根据Newton插值公式，就只需要写成​

的形式即可（当然你不知道Newton插值公式这个题也可以做）。再代入

​可以知道​

。类似的你可以求得另外两个式子的指数部分。所以我们的密度函数应该写成

写出函数出来，就不难写出对数似然函数为

关于

​求导并令为0，就可以解得​

。

那么如何判断它是否无偏呢？你也能看出来，关键是在于量

​的期望。不失一般性，其实考虑的就是​

的期望。写得更具体一些，就是

这里我们将

​单独拆出来，是为了后面讨论方便。

到了这里，根据期望的定义，我们希望能够去掉这个分子上的

​。那么实际上根据

代回去，就可以得到

​，所以你也能够看出来关键点落在了​

上，那么如何对它进行讨论呢？

注意到如果​

服从题目条件中的分布，那么​

就服从

​，也就是说它一半可能是1，一半可能是0。在这种情况下，​

其实就对应

​种情况，​

就说明这​

个数中，有​

个为1，有​

个为0。这是一个非常标准的，高中就学过的

二项分布，所以只需要考虑​

的取值的各种情况，然后考虑它们分别可能发生的概率，再求和，就可以得到我们的结果为

（这里要注意，对于每一个单项，我们有

​，然后利用杨辉三角的结论）。

代回，就可以得到​

，所以它不是一个无偏估计。

对于第二问，其实考察的主要是Fisher信息量的计算。我们写出单样本的对数密度函数，然后求导，求方差，可以得到

那么我们最终的C-R下界就是

​。

Problem 22:
设

​为独立同分布的样本，​

。证明：​

，其中

​, ​

。

这个题其实就是根据第8节的Corollary 2来得到。再说明白点就是式子

（当然这个式子要求​

是一个CAN才可以，这个可以通过中心极限定理来说明）。这里因为我们有

​的表达式，所以可以得到​

。因为题目条件中有一个

​，所以我们设​

。在这之后，注意到

​，所以问题就落在了​

上，而这个在这里就是这个分布的方差。那么注意到这个分布本质上就是

​，所以就容易得到

​。一起代回就可以得到

再做一次相似变换，就可以我们最后的结论。

Chapter 9

Problem 23:
比较下面两组数据：
第一组：​

第二组：​

它们俩的均值是否有差异？​

这个题目考察的是一对样本的均值检验，并且方差未知。但是这里有个问题就是不知道方差是否相等（因为方差是否相等，对应的检验方法是不一样的），所以要比较均值，之前要先检验方差，因此我们先考虑做检验

这个检验问题的检验统计量是F统计量，并且它的拒绝域是

并且

​，再代入数字计算可以得到拒绝域为

​，所以这个数字并没有落在拒绝域，因此接受原假设，认为方差相同。

在这种情况下，就可以使用我们抽样定理中的第四个公式，也就是考虑

代入数字计算，可以得到

​，所以拒绝原假设，认为均值有明显的差异。

Problem 24:
现在在两个群体做调查，对某一件事投赞成或反对票。赞成为1，反对为0。第一个群体有120人，有50人投1，第二个群体有85人，有23人投1，判断两个群体的赞成比率有无显著差异？

这里我们可以将这两个群体的总体设置为

​，那么这就相当于是两个二项分布在比较，其中​

。那么这里的检验其实就是

对于二项分布，因为这里的样本量比较大，所以可以考虑大样本检验。注意到这里我们有

那么在

​的成立条件下，根据正态分布的性质，我们统计量可以设置为

现在的关键是这里的​

应该是多少。注意到我们在​

的条件下，两个群体是没有显著差异的，因此这种情况下如果对联合密度函数做极大似然估计，对应的情况就是这两个群体被混在一起，

视为一个群体的情况。所以这里的估计值依然是均值，但是考虑的是两个群体的总人数。所以

​。再代入

​，就可以算出来

​，所以拒绝原假设，认为两个群体的赞成比率有显著差异。

Chapter A

Problem 25:
设​

为独立同分布的样本，考虑假设检验问题​

，求检验问题的水平为

​的MPT。其中​

要求解单点假设检验的MPT，使用N-P准则（或者叫N-P引理）即可，也就是说先求出似然比，然后再让其满足水平条件。

这里不难求出似然比为

这个函数是离散的，因此根据N-P准则，我们要求

​。其中

​，

​。那么现在的问题就是求

​。

直观来看，这个​

应该只能取

​，为什么？你可以看到这里的

​只有一个点，所以如果它的样本值都在​

上面肯定是不行的，那么都在​

下面呢？好像也不行，因为这对应上了​

的情况，没有给

​留下余地（这里的潜在意思就是​

）。所以我们有了这个思路，现在回头来证明一下这个结论。

如果​

偏大（

​），那么这个时候，

​，并且​

是空集，那么这个时候，​

（这个时候要求

​，与

​不相交），而

​（​

为空集），那么这个时候如果要条件满足，必须​

，这是不可能的。

如果​

偏小（

​），那么这个时候，

​，​

为空集。类似的推论可以得到这个时候要求

​，所以这也不可能。因此​

。这个时候同样的推论，可以得到

​，因此可以得到MPT为

Problem 26:
设

​为独立同分布的样本，

​，

​。证明：​

是假设检验问题​

的水平为

​的UMPT。

根据我们正文第10节说的方法，要求解一个UMPT，你就首先需要求解一个简单情形下的MPT。所以这里考虑问题

​。那么我们第一步就要证明题目中所给定的检验函数是一个水平为​

的检验，也就是说要求解积分

​。

由次序统计量的公式，可以得到它的分布为

​，根据这个，划分积分区域，经过简单的二重积分计算，就可以得到

现在设​

为检验问题的任意一个水平为

​的检验，下面只需要证明

​即可。这需要对​

做一些讨论。

如果

​，那么这个时候根据检验函数的定义，

​是恒成立的，所以在全区域上的期望积分自然也就是1，那么肯定会有​

成立。那么如果

​，则积分区域就变成了​

，同时注意到，如果要​

，那么要不

​，要不​

（分别对应最小统计量和最大统计量）。所以划分积分区域可以得到

注意在坐标系中画出区域会更直观的理解这个积分的上下限。

现在再回头看​

，那么同样的根据公式，我们有

就这一个公式当然不能解决什么问题，因为​

是任意的。这里有一个技巧，我们可以考虑一下

​，因为它是有界的（​

），而这里注意到​

，所以考虑拆分一下积分区域就可以想办法做到放缩。具体来说，就是

（注意积分顺序的变换），对第一个式子放缩，并且考虑对第二个式子的

​放缩至1，可以得到

根据条件，第一个式子

​，第二个式子直接求积分可以得到为​

。加在一起就可以得到结论成立。也就是说我们已经证明出了它是假设检验问题的MPT。

接下来注意到，因为

​与​

无关，所以可以把它推广成为假设检验问题​

的UMPT。还差一步就是推广成为

​的UMPT，这一步就需要证明在​

的时候，有​

。

这个的求解本质上还是二重积分的计算。如果​

，那么因为​

，所以有

​恒成立，那么当然期望会

​。如果

​，那么本质上就是

根据它是增函数就可以证明结论。

Problem 27:
设

​为独立同分布的样本，​

服从均匀分布​

。证明​

为假设检验问题

​的一个水平为​

的UMPT。其中​

这个题目和Problem 26类似，这里是要证明一个双边检验的结论，因此思路上相同，但是做法上会略有区别。

考虑简单假设检验问题​

，根据正文中的说法，我们先证明这个​

是MPT。

首先自然要证明它是一个水平为​

的检验。注意到

（注意到

​）所以它是一个水平为

的检验。现在考虑设​

为任意一个满足水平条件的检验，因为充分性原则，

​可以写成是​

的函数，所以形式没有问题。那么接下来就是要说明​

对于任意的

​成立即可。

还是一样的讨论思路。如果

​，这个时候根据均匀分布的取值范围可以知道

​，所以​

恒成立，那么当然不等式成立。如果说​

，这个时候根据分布，

​是不成立的，所以对应的积分就只有

​的部分。这个时候，就有

（注意

是一个充分统计量的函数，所以期望的积分是关于充分统计量密度函数来的）。注意到水平条件

​，所以必要的放缩是必须的，在这里注意到​

，所以有

这就证明了结论。

事实上，你也可以通过分析法看出来为什么我们这里把

​设为界点，又多做了一次讨论。

最后还有一种情况是

​，这个时候的对应的

​为

那么注意到

第一项的证明和前一部分完全一样，第二项利用一下​

放缩即可，这里略去细节。

最后，只需要说明它是题设中假设检验问题的UMPT即可。这个只需要根据这个

​仅仅与

有关​，与

​无关即可得到结论。

这两个题都算是比较复杂的题目，需要细细体会一下。

Chapter B

Problem 28:
设总体​

的密度函数为

​，

​为摘选自此总体的简单随机样本。

(1) 证明：​

的分布与

​无关，并求出此分布。

(2) 求​

的置信水平为​

的置信区间。

这个题是想介绍一下枢轴量法的应用。

第一个题很简单，因为相当于

​，所以​

，设

​，那么根据次序统计量公式容易得到​

的密度函数为​

，这就足够证明结论了。

对于第二个题，我们相当于要求

​，使得

并且要使得区间长度尽可能的短。这个题目是比较好满足这个条件的，因为

​是一个单减的函数，所以积分的范围越靠前越好（想想为什么？），因此可以得到

​，这样的话我们的置信区间就可以得到为

​。

Problem 29:
设

​为独立同分布的样本，​

，其中​

已知，​

未知。试找到一个枢轴量，并根据此枢轴量构造

​的一个水平为​

的置信区间。

这是我校18-19年《数理统计》期中考试的最后一题，考察的也是枢轴量法。但是这里并没有给定线索，而是需要我们自己去寻找，这个怎么做？

我们要注意的是区间估计本质上是从点估计发展过来的，也就是说，我们应该先从点估计得到的统计量下手，因此一般情况下我们都会先考虑统计量的极大似然估计。在这里也就是

​。而根据已有的结论不难得到​

的密度函数为

​，由此可以得到这个是满足条件的枢轴量。

那么现在我们希望区间长度最小，那么注意到这个密度函数是一个增函数，因此越靠近数轴的右边越好，因此右端点一定是1。换句话说，我们希望确定一个

​，使得

​，直接积分可以得到

​。因此可以得到区间的不等式为

​，化简一下即可得到区间估计的表达式。

至于其它求解置信区间的问题，因为都比较套路，这里就不多说了。

Problem 30:
设​

为独立同分布的样本，

​服从均匀分布​

，求分布水平为

​的容忍上下限和容忍区间。

这个题是一个非常标准的考察容忍区间计算方法的题目。我们首先求容忍下限。注意到根据定义，这里就相当于要求分布的​

分位点​

的水平为​

的置信下限。而又因为

所以可以得到​

，因此对应的它的置信下限就是​

，而这个​

就是分布中​

的水平为​

的置信下限。根据枢轴量法，不难得到​

，所以相乘起来即可得到​

为容忍下限。类似的方法可以推导出​

为容忍上限。而容忍区间，根据定义，其实就是两边各分一半的

​。也就是说

是我们要求的容忍区间。

关于Chapter C的方差分析与贝叶斯统计，我们在正文中已经说清楚了他们的套路，也给出了一些例题。所以这里我们就不再额外补充啦。

到此，我们的习题课也正式结束，这也宣告了我们《数理统计》系列告一段落。有的人可能会好奇关于计算统计的内容，专栏中已经有收录比较好的一些文章，当然针对以后需要应用的重要的内容（比如EM算法，MCMC算法等），我们会找时间再将它们补上（当然应该会另开系列了）。

——————————————————————————————————————

本专栏为我的个人专栏，也是我学习笔记的主要生产地。任何笔记都具有著作权，不可随意转载和剽窃。

个人微信公众号：cha-diary，你可以通过它来获得最新文章更新的通知。

《一个大学生的日常笔记》专栏目录：笔记专栏|目录

《GetDataWet》专栏目录：GetDataWet|目录

想要更多方面的知识分享吗？可以关注专栏：一个大学生的日常笔记。你既可以在那里找到通俗易懂的数学，也可以找到一些杂谈和闲聊。也可以关注专栏：GetDataWet，看看在大数据的世界中，一个人的心路历程。我鼓励和我相似的同志们投稿于此，增加专栏的多元性，让更多相似的求知者受益~