参数估计综合练习题

解题思路： 使用样本均值和样本方差作为无偏估计量。

详细步骤：

1. $\mu$ 的无偏估计量：$\hat{\mu} = \overline{X} = \frac{1}{n}\sum_{i=1}^n X_i$
2. $\sigma^2$ 的无偏估计量：$\hat{\sigma}^2 = S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \overline{X})^2$

答案：$\hat{\mu} = \overline{X}$，$\hat{\sigma}^2 = S^2$

解题思路： 使用矩估计法，令样本矩等于总体矩。

详细步骤：

1. 总体一阶矩：$E(X) = \lambda$
2. 样本一阶矩：$\frac{1}{n}\sum_{i=1}^n x_i = \overline{x}$
3. 令 $\overline{x} = \lambda$
4. 解得：$\hat{\lambda} = \overline{x}$

答案：$\hat{\lambda} = \overline{x}$

解题思路： 使用最大似然估计法，构造似然函数并求导。

详细步骤：

1. 似然函数：$L(\mu, \sigma^2) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}$
2. 对数似然函数：$\ln L(\mu, \sigma^2) = -\frac{n}{2}\ln(2\pi) - \frac{n}{2}\ln(\sigma^2) - \frac{1}{2\sigma^2}\sum_{i=1}^n (x_i-\mu)^2$
3. 对 $\mu$ 求导：$\frac{\partial \ln L}{\partial \mu} = \frac{1}{\sigma^2}\sum_{i=1}^n (x_i-\mu) = 0$
4. 解得：$\hat{\mu} = \overline{x}$
5. 对 $\sigma^2$ 求导：$\frac{\partial \ln L}{\partial \sigma^2} = -\frac{n}{2\sigma^2} + \frac{1}{2\sigma^4}\sum_{i=1}^n (x_i-\mu)^2 = 0$
6. 解得：$\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (x_i-\overline{x})^2$

答案：$\hat{\mu} = \overline{x}$，$\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (x_i-\overline{x})^2$

解题思路： 使用枢轴量法构造置信区间。

详细步骤：

1. 枢轴量：$Z = \frac{\overline{X} - \mu}{\sigma/\sqrt{n}} \sim N(0,1)$
2. $P(-z_{\alpha/2} \leq \frac{\overline{X} - \mu}{\sigma/\sqrt{n}} \leq z_{\alpha/2}) = 1 - \alpha$
3. 解得：$\mu \in [\overline{X} - z_{\alpha/2}\frac{\sigma}{\sqrt{n}}, \overline{X} + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}]$

答案：$[\overline{X} - z_{\alpha/2}\frac{\sigma}{\sqrt{n}}, \overline{X} + z_{\alpha/2}\frac{\sigma}{\sqrt{n}}]$

解题思路： 比较两个估计量的方差。

详细步骤：

1. 如果 $Var(\hat{\theta}_1) < Var(\hat{\theta}_2)$
2. 且两个估计量都是无偏的
3. 则 $\hat{\theta}_1$ 比 $\hat{\theta}_2$ 更有效

答案：$\hat{\theta}_1$ 更有效

解题思路： 使用期望的线性性质。

详细步骤：

1. $E(\overline{X}) = E(\frac{1}{n}\sum_{i=1}^n X_i) = \frac{1}{n}\sum_{i=1}^n E(X_i)$
2. 由于 $X_i \sim Poisson(\lambda)$，所以 $E(X_i) = \lambda$
3. $E(\overline{X}) = \frac{1}{n} \cdot n\lambda = \lambda$
4. 因此 $\overline{X}$ 是 $\lambda$ 的无偏估计量

答案：证明完成

解题思路： 计算两个估计量的期望。

详细步骤：

1. 设 $S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \overline{X})^2$
2. 已知 $E(S^2) = \sigma^2$，即 $\frac{1}{n-1}\sum_{i=1}^n (X_i - \overline{X})^2$ 是无偏的
3. 设 $\hat{\sigma}^2 = \frac{1}{n}\sum_{i=1}^n (X_i - \overline{X})^2$
4. $E(\hat{\sigma}^2) = E(\frac{n-1}{n}S^2) = \frac{n-1}{n}\sigma^2 \neq \sigma^2$
5. 因此 $\frac{1}{n}\sum_{i=1}^n (X_i - \overline{X})^2$ 不是无偏估计量

答案：$\frac{1}{n-1}\sum_{i=1}^n (X_i - \overline{X})^2$ 是无偏估计量

解题思路： 使用矩估计法，令样本矩等于总体矩。

详细步骤：

1. 总体一阶矩：$E(X) = \frac{\theta}{2}$
2. 样本一阶矩：$\overline{X} = \frac{1}{n}\sum_{i=1}^n X_i$
3. 令 $\overline{X} = \frac{\theta}{2}$
4. 解得：$\hat{\theta} = 2\overline{X}$

答案：$\hat{\theta} = 2\overline{X}$

解题思路： 使用最大似然估计法，构造似然函数并求导。

详细步骤：

1. 似然函数：$L(\lambda) = \prod_{i=1}^n \lambda e^{-\lambda X_i} = \lambda^n e^{-\lambda \sum_{i=1}^n X_i}$
2. 对数似然函数：$\ln L(\lambda) = n \ln \lambda - \lambda \sum_{i=1}^n X_i$
3. 求导：$\frac{\partial \ln L}{\partial \lambda} = \frac{n}{\lambda} - \sum_{i=1}^n X_i = 0$
4. 解得：$\hat{\lambda} = \frac{n}{\sum_{i=1}^n X_i} = \frac{1}{\overline{X}}$

答案：$\hat{\lambda} = \frac{1}{\overline{X}}$

解题思路： 使用 t 分布构造置信区间。

详细步骤：

1. 枢轴量：$T = \frac{\overline{X} - \mu}{S/\sqrt{n}} \sim t(n-1)$
2. $P(-t_{0.025}(n-1) \leq \frac{\overline{X} - \mu}{S/\sqrt{n}} \leq t_{0.025}(n-1)) = 0.95$
3. 解得：$\mu \in [\overline{X} - t_{0.025}(n-1)\frac{S}{\sqrt{n}}, \overline{X} + t_{0.025}(n-1)\frac{S}{\sqrt{n}}]$

答案：$[\overline{X} - t_{0.025}(n-1)\frac{S}{\sqrt{n}}, \overline{X} + t_{0.025}(n-1)\frac{S}{\sqrt{n}}]$

解题思路： 使用卡方分布构造置信区间。

详细步骤：

1. 枢轴量：$\chi^2 = \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$
2. $P(\chi^2_{1-\alpha/2}(n-1) \leq \frac{(n-1)S^2}{\sigma^2} \leq \chi^2_{\alpha/2}(n-1)) = 1 - \alpha$
3. 解得：$\sigma^2 \in [\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)}, \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}]$

答案：$[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)}, \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}]$

解题思路： 使用正态分布构造置信区间。

详细步骤：

1. 枢轴量：$Z = \frac{\overline{X} - \mu}{\sigma/\sqrt{n}} \sim N(0,1)$
2. $P(-z_{0.05} \leq \frac{\overline{X} - \mu}{\sigma/\sqrt{n}} \leq z_{0.05}) = 0.90$
3. 解得：$\mu \in [\overline{X} - z_{0.05}\frac{\sigma}{\sqrt{n}}, \overline{X} + z_{0.05}\frac{\sigma}{\sqrt{n}}]$

答案：$[\overline{X} - z_{0.05}\frac{\sigma}{\sqrt{n}}, \overline{X} + z_{0.05}\frac{\sigma}{\sqrt{n}}]$

解题思路： 从计算复杂度、估计效果、适用性等方面比较。

详细步骤：

1. 计算复杂度：

   • 矩估计法：计算简单，只需要计算样本矩
   • 最大似然估计法：计算相对复杂，需要求导和解方程

2. 估计效果：

   • 矩估计法：可能不是最优估计量
   • 最大似然估计法：在正则条件下是最优估计量

3. 适用性：

   • 矩估计法：适用于各种分布，不需要知道具体形式
   • 最大似然估计法：需要知道分布的具体形式

4. 渐近性质：

   • 矩估计法：具有一致性，但不一定具有渐近有效性
   • 最大似然估计法：具有一致性、渐近正态性和渐近有效性

答案：矩估计法计算简单但效果可能不如最大似然估计法，最大似然估计法计算复杂但效果更好

解题思路： 根据检验对象选择合适的检验方法。

详细步骤：

1. 检验两个正态总体方差比
2. 使用 F 检验
3. 检验统计量：$F = \frac{S_1^2}{S_2^2} \sim F(n_1-1, n_2-1)$

答案：F 检验

解题思路： 使用最大似然估计法，构造似然函数并求导。

详细步骤：

1. 似然函数：$L(p) = \prod_{i=1}^n p^{X_i}(1-p)^{1-X_i} = p^{\sum_{i=1}^n X_i}(1-p)^{n-\sum_{i=1}^n X_i}$
2. 对数似然函数：$\ln L(p) = \sum_{i=1}^n X_i \ln p + (n-\sum_{i=1}^n X_i) \ln(1-p)$
3. 求导：$\frac{\partial \ln L}{\partial p} = \frac{\sum_{i=1}^n X_i}{p} - \frac{n-\sum_{i=1}^n X_i}{1-p} = 0$
4. 解得：$\hat{p} = \frac{1}{n}\sum_{i=1}^n X_i = \overline{X}$

答案：$\hat{p} = \overline{X}$