![dfb7f0d16e62bf0db17a2e3e2f2f33f4.png](https://i-blog.csdnimg.cn/blog_migrate/aa15d15f577c7e2beb46ed782a9d331f.jpeg)
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
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
所以到这里,问题就转为了求
所以我们可以得到
(这里我们直接去掉了条件
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
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
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
在期望中,因为
式子关于
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,
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
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
写出函数出来,就不难写出对数似然函数为
关于
那么如何判断它是否无偏呢?你也能看出来,关键是在于量
这里我们将
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
代回去,就可以得到
注意到如果
(这里要注意,对于每一个单项,我们有
代回,就可以得到
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
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
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
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
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
现在的关键是这里的
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
直观来看,这个
如果
如果
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
由次序统计量的公式,可以得到它的分布为
现在设
如果
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
就这一个公式当然不能解决什么问题,因为
(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
根据条件,第一个式子
接下来注意到,因为
这个的求解本质上还是二重积分的计算。如果
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
首先自然要证明它是一个水平为
(注意到
还是一样的讨论思路。如果
(注意
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
最后还有一种情况是
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
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
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
对于第二个题,我们相当于要求
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
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
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
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
所以可以得到
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)。
——————————————————————————————————————
![5cf8a73101ec0608190789fcdec01728.png](https://i-blog.csdnimg.cn/blog_migrate/970641ff807802d9c8603f6ccf0e66d9.jpeg)
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~