统计信号处理基础 习题解答5-11

本文详细探讨了参数估计问题,特别是最有效无偏估计量(MVU)的概念。首先,针对例5.2,展示了如何在第一个参数变化后求解MVU估计量,通过重新参数化PDF并应用充分统计量和Lehmann-Scheffé定理。接着,讨论了第二个参数变化后的MVU估计量,同样利用充分统计量和中心矩来构建估计量。整个过程深入浅出,揭示了MVU估计量的计算方法和重要性。
摘要由CSDN通过智能技术生成

目录

题目

解答

1. 第一个参数变化后的MVU估计量求解

2. 第二个参数变化后的MVU估计量求解


题目

 对于例5.2,希望估计 来代替估计 。求 的MVU估计量。如果参数 ,那么 的MVU估计量是什么?提示:根据 重新参数化PDF,并且使用标准方法。


解答

1. 第一个参数变化后的MVU估计量求解

由于:

因此:

而由于:

因此得到:

因此,概率密度函数可以拆分为

其中:

        根据定理5.1,可以得到:

的一个充分统计量。

        而又由于:

因此,可以构建:

此时可以得到:

因此, 是无偏估计,利用定理5.2,可以得到: 是MVU估计。


2. 第二个参数变化后的MVU估计量求解

因此:

而由于:

因此得到:

因此,概率密度函数可以拆分为

其中:

        根据定理5.1,可以得到:

的一个充分统计量。

        而由于

        因此:

        也就可以分别得到:

        也就可以得到:

        接下来,我们需要尝试构建函数:

        使得:

        由于其中出现了 ,因此我们首先尝试 的三阶中心矩:

        由于奇数阶的中心矩都为零,因此

中心矩,原点矩可以进一步参考:

标准正态分布k阶原点矩公式_犹有傲霜枝的博客-CSDN博客_正态分布的k阶原点矩

因此,可以得到:

化简后可以得到:

于是可以得到:

因此,可以构造函数,满足:

其中

当然,如果我们一开始,就用另外一个充分统计量(该充分统计量,应该是原版习题解答上用到的充分统计量,此处应该是作者存在笔误),即:

上述推导过程就会简单很多,最终可以得到:

由于上述推导满足定理5.2,因此 是MVU估计。

  • 1
    点赞
  • 2
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值