Skip to main content

强化篇第9章 参数估计与假设检验

  1. X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本,总体XX的概率分布为P{X=k}=θkkln(1θ)P\{X=k\}=-\frac{\theta^k}{k\ln(1-\theta)}k=1,2,k=1,2,\cdots,其中θ(0<θ<1)\theta(0<\theta<1)是未知参数,μm=1ni=1nXim\mu_m=\frac{1}{n}\sum_{i=1}^{n}X_i^mm=1,2,3m=1,2,3,则θ\theta的矩估计量为( ) A. 1+μ1μ21+\frac{\mu_1}{\mu_2} B. 1μ1μ21-\frac{\mu_1}{\mu_2} C. 1+μ2μ31+\frac{\mu_2}{\mu_3} D. 1μ2μ31-\frac{\mu_2}{\mu_3}
  2. 设袋中红球数与黑球数之比为rr且无其他颜色的球,现有放回地抽取nn次,每次取一球,共取出kk个红球,则rr的最大似然估计值为( ) A. nk\frac{n}{k} B. nkk\frac{n-k}{k} C. kn\frac{k}{n} D. knk\frac{k}{n-k}
  3. (X1,Y1),(X2,Y2),,(Xn,Yn)(X_1,Y_1),(X_2,Y_2),\cdots,(X_n,Y_n)是来自总体(X,Y)(X,Y)的简单随机样本,且(X,Y)f(x,y)={12θ2e2x+y2θ,x>0,y>00,其他(X,Y) \sim f(x,y)=\begin{cases}\frac{1}{2\theta^2}e^{-\frac{2x+y}{2\theta}},&x>0,y>0\\0,&\text{其他}\end{cases},其中θ\theta为大于0的参数。记X=1ni=1nXi\overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_iY=1nj=1nYj\overline{Y}=\frac{1}{n}\sum_{j=1}^{n}Y_j,则θ\theta的最大似然估计量θ^\hat{\theta}D(θ^)D(\hat{\theta})分别为( ) A. X+Y2,θ24n\overline{X}+\frac{\overline{Y}}{2},\frac{\theta^2}{4n} B. X2+Y4,θ22n\frac{\overline{X}}{2}+\frac{\overline{Y}}{4},\frac{\theta^2}{2n} C. X+Y2,θ22n\overline{X}+\frac{\overline{Y}}{2},\frac{\theta^2}{2n} D. X2+Y4,θ24n\frac{\overline{X}}{2}+\frac{\overline{Y}}{4},\frac{\theta^2}{4n}
  4. 设总体XX服从参数为λ(λ>0\lambda(\lambda>0未知))的泊松分布,X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的一个简单随机样本,则P{X=0}P\{X=0\}的最大似然估计量为_____。
  5. 设总体XX的概率密度为f(x)={βxα2,0<x<α0,其他f(x)=\begin{cases}\frac{\beta x}{\alpha^2},&0<x<\alpha\\0,&\text{其他}\end{cases},其中α(α>1)\alpha(\alpha>1)是未知参数,X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本,记p=P{0<X<α}p=P\{0<X<\sqrt{\alpha}\}X(1)=min{X1,X2,,Xn}X_{(1)}=\min\{X_1,X_2,\cdots,X_n\}X(n)=max{X1,X2,,Xn}X_{(n)}=\max\{X_1,X_2,\cdots,X_n\},则pp的最大似然估计量p^\hat{p}为_____。
  6. X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XN(1,σ2)X \sim N(1,\sigma^2)的简单随机样本,σ>0\sigma>0未知,记σ2\sigma^2的最大似然估计量为σ^2\hat{\sigma}^2,则D(σ^2)=D(\hat{\sigma}^2)=_____。
  7. XX的概率密度为f(x;θ)={1,θ12xθ+120,其他f(x;\theta)=\begin{cases}1,&\theta-\frac{1}{2} \leq x \leq \theta+\frac{1}{2}\\0,&\text{其他}\end{cases}<θ<+-\infty<\theta<+\inftyX1,X2,,XnX_1,X_2,\cdots,X_n为取自总体XX的简单随机样本,并记X(1)=min{X1,X2,,Xn}X_{(1)}=\min\{X_1,X_2,\cdots,X_n\}X(n)=max{X1,X2,,Xn}X_{(n)}=\max\{X_1,X_2,\cdots,X_n\}。则参数θ\theta的最大似然估计量θ^L\hat{\theta}_L满足_____。
  8. 设总体XX服从区间[θ,θ](θ>0)[-\theta,\theta](\theta>0)上的均匀分布,X1,X2,,XnX_1,X_2,\cdots,X_n为来自总体XX的简单随机样本,求参数θ\theta的矩估计量和最大似然估计量。
  9. 设总体XX服从(0,1θ](0,\frac{1}{\theta}]上的均匀分布,θ>0\theta>0为未知参数,X1,X2,,XnX_1,X_2,\cdots,X_n为来自总体XX的简单随机样本。求: (1) θ\theta的最大似然估计量θ^\hat{\theta}; (2) θ^\hat{\theta}的分布函数; (3) P{θ<θ^θ+1}P\{\theta<\hat{\theta} \leq \theta+1\}
  10. 设总体XU[θ0,θ0+θ]X \sim U[\theta_0,\theta_0+\theta],其中θ0\theta_0是已知常数,θ>0\theta>0是未知参数,X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本,求: (1) θ\theta的矩估计量θ^1\hat{\theta}_1E(θ^1)E(\hat{\theta}_1); (2) θ\theta的最大似然估计量θ^2\hat{\theta}_2E(θ^2)E(\hat{\theta}_2)
  11. 设总体XX服从(0,θ](0,\theta]上的均匀分布,θ>0\theta>0X1,X2,,XnX_1,X_2,\cdots,X_n为来自总体XX的简单随机样本,并记X(1)=min{X1,X2,,Xn}X_{(1)}=\min\{X_1,X_2,\cdots,X_n\}X(n)=max{X1,X2,,Xn}X_{(n)}=\max\{X_1,X_2,\cdots,X_n\}。 (1) 求θ\theta的最大似然估计量θ^\hat{\theta}; (2) 求Z=θ^θZ=\frac{\hat{\theta}}{\theta}的分布函数; (3) 若P{θ^<θ<θ0}=1αP\{\hat{\theta}<\theta<\theta_0\}=1-\alpha0<α<10<\alpha<1,求θ0\theta_0
  12. 设总体Xf(x;θ)={xθex22θ,x>00,x0X \sim f(x;\theta)=\begin{cases}\frac{x}{\theta}e^{-\frac{x^2}{2\theta}},&x>0\\0,&x \leq 0\end{cases}θ>0\theta>0未知,X1,X2,,XnX_1,X_2,\cdots,X_n为来自总体XX的简单随机样本,记θ^M\hat{\theta}_Mθ^L\hat{\theta}_L分别是θ\theta的矩估计量和最大似然估计量,求θ^M\hat{\theta}_Mθ^L\hat{\theta}_L以及对应的均值。
  13. 设总体XX的概率密度为f(x;b)={ae2(xb),xb0,x<bf(x;b)=\begin{cases}ae^{-2(x-b)},&x \geq b\\0,&x,其中b>0b>0X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本。 (1) 求aa的值; (2) 求bb的矩估计量b^M\hat{b}_M与最大似然估计量b^L\hat{b}_L; (3) b^L\hat{b}_L是否为bb的无偏估计量?
  14. X1,X2X_1,X_2为来自总体XU[0,2θ]X \sim U[0,2\theta]的简单随机样本,Y1,Y2,Y3Y_1,Y_2,Y_3为来自总体YU[0,4θ]Y \sim U[0,4\theta]的简单随机样本,且两样本相互独立,其中θ(θ>0)\theta(\theta>0)是未知参数。利用样本X1,X2,Y1,Y2,Y3X_1,X_2,Y_1,Y_2,Y_3,求θ\theta的最大似然估计量θ^\hat{\theta},并求D(θ^)D(\hat{\theta})
  15. XX服从参数为2θ\frac{2}{\theta}的指数分布,在X=x(x>0)X=x(x>0)的条件下,YY的条件概率密度为fYX(yx)={1θeyxθ,0<x<y0,其他f_{Y|X}(y|x)=\begin{cases}\frac{1}{\theta}e^{-\frac{y-x}{\theta}},&0<x<y\\0,&\text{其他}\end{cases},其中θ\theta为大于0的参数,(X1,Y1),(X2,Y2),,(Xn,Yn)(X_1,Y_1),(X_2,Y_2),\cdots,(X_n,Y_n)是来自总体(X,Y)(X,Y)的简单随机样本。 (1) 求θ\theta的最大似然估计量θ^\hat{\theta}; (2) 计算D(θ^)D(\hat{\theta})
  16. 设总体XX的概率密度为f(x;α,β)={αβαxα+1,xβ0,x<βf(x;\alpha,\beta)=\begin{cases}\frac{\alpha\beta^{\alpha}}{x^{\alpha+1}},&x \geq \beta\\0,&x<\beta\end{cases}α,β\alpha,\beta均大于0,X1,X2,,XnX_1,X_2,\cdots,X_n为总体XX的简单随机样本。 (1) 求α,β\alpha,\beta的最大似然估计量α^,β^\hat{\alpha},\hat{\beta}; (2) 对任意的ε>0\varepsilon>0是否存在常数aa,使得limnP{β^aε}=0\lim\limits_{n \to \infty}P\{|\hat{\beta}-a| \geq \varepsilon\}=0; (3) 求E(lnX1)E(\ln X_1)
  17. 设总体XX的概率分布为 |XX|0|1| |----|----|----| |PP|1p1-p|pp| 0<p<10<p<1是未知参数,又设X1,X2,,XnX_1,X_2,\cdots,X_nXX的简单随机样本,x1,x2,,xnx_1,x_2,\cdots,x_n是一组样本观测值。 (1) 求参数pp的矩估计量和最大似然估计量; (2) 验证相应两个估计量的无偏性。
  18. 设总体XX的分布函数F(x)={0,x<1θ,1x<321,x32F(x)=\begin{cases}0,&x<1\\\theta,&1 \leq x<\frac{3}{2}\\1,&x \geq \frac{3}{2}\end{cases}X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本。 (1) 求θ\theta的矩估计量θ^M\hat{\theta}_M,并验证其是否有无偏性、一致性; (2) 若nn个样本中有n1n_1个观测值为1,n2n_2个观测值为0,求θ\theta的最大似然估计值θ^L\hat{\theta}_L
  19. 设总体X(012θ4Nθ2N4N3θ4N)X \sim \begin{pmatrix}0&1&2\\\frac{\theta}{4N}&\frac{\theta}{2N}&\frac{4N-3\theta}{4N}\end{pmatrix},其中N>0N>0已知,θ>0\theta>0未知,设X1,X2,,XnX_1,X_2,\cdots,X_n是来自总体XX的简单随机样本,取到0的个数为n0n_0,取到1的个数为n1n_1,取到2的个数为n2n_2,即n0+n1+n2=nn_0+n_1+n_2=n。 (1) 求θ\theta的矩估计量θ^1\hat{\theta}_1和最大似然估计量θ^2\hat{\theta}_2; (2) 求θ^1\hat{\theta}_1θ^2\hat{\theta}_2的数学期望; (3) 求θ^1\hat{\theta}_1θ^2\hat{\theta}_2的方差。
  20. 设总体XX的概率分布为 |1|2|3| |----|----|----| |1θ1-\theta|θθ2\theta-\theta^2|θ2\theta^2| 其中参数θ(0,1)\theta \in(0,1)未知。以NiN_i表示来自总体XX的简单随机样本(样本容量为nn)中等于ii的个数。求常数a1,a2,a3a_1,a_2,a_3,使T=i=13aiNiT=\sum_{i=1}^{3}a_iN_iθ\theta的无偏估计量,并求TT的方差。
  21. 对总体XX进行简单随机抽样,得如下统计资料: |kk|1|2|3|4|5| |----|----|----|----|----|----| |X=kX=k的次数|12|20|24|24|20| (1) 求总体XX的数学期望aa和方差bb的无偏估计值; (2) 根据以上计算结果,分析能否用泊松分布描述总体XX的概率分布。
  22. 设总体XX服从参数为λ(λ>0)\lambda(\lambda>0)的泊松分布,取容量为1的简单随机样本X1X_1,其样本值x1=3x_1=3,则e2λe^{-2\lambda}的无偏估计量与无偏估计值分别为( ) A. e2X1,e6e^{-2X_1},e^{-6} B. eX1,e3e^{-X_1},e^{-3} C. 1,1 D. (1)X1,1(-1)^{X_1},-1
  23. 设总体XX的未知参数θ\theta有两个相互独立的无偏估计量θ^1\hat{\theta}_1θ^2\hat{\theta}_2,且D(θ^2)=2D(θ^1)D(\hat{\theta}_2)=2D(\hat{\theta}_1),记θ^=aθ^1+bθ^2\hat{\theta}=a\hat{\theta}_1+b\hat{\theta}_2,则以下使得θ^\hat{\theta}最有效的是( ) A. a=13,b=13a=\frac{1}{3},b=\frac{1}{3} B. a=23,b=13a=\frac{2}{3},b=\frac{1}{3} C. a=13,b=23a=\frac{1}{3},b=\frac{2}{3} D. a=23,b=23a=\frac{2}{3},b=\frac{2}{3}
  24. 设总体XX的数学期望存在且方差为1,根据来自XX的容量为16的简单随机样本测得样本均值为aaΦ(1.96)=0.975\Phi(1.96)=0.975,则XX的数学期望的置信度等于0.95的置信区间为( ) A. (a0.49,a+0.49)(a-0.49,a+0.49) B. (a0.327,a+0.327)(a-0.327,a+0.327) C. (a0.196,a+0.196)(a-0.196,a+0.196) D. (a0.025,a+0.025)(a-0.025,a+0.025)
  25. 设总体XN(μ,22)X \sim N(\mu,2^2),其中μ\mu为未知参数,X1,X2,,X9X_1,X_2,\cdots,X_9是来自总体XX的简单随机样本,记关于μ\mu的置信度为0.95的置信区间长度为LL,则LL的数学期望E(L)=E(L)=( ) A. 23z0.025\frac{2}{3}z_{0.025} B. 43z0.025\frac{4}{3}z_{0.025} C. 23z0.05\frac{2}{3}z_{0.05} D. 43z0.05\frac{4}{3}z_{0.05}