学习笔记，仅供参考，有错必纠

文章目录


UMRUE和UMVUE


引理3.2.4(唯一性)

在这里插入图片描述

引理3.2.5(最优性)

在这里插入图片描述

引理3.2.5(Lehmann-Scheffe)

在这里插入图片描述


L-S定理求 g ( θ ) g(\theta) g(θ)的UMRUE

应用L-S定理求 g ( θ ) g(\theta) g(θ)的UMRUE，前提是假定完备充分统计量存在以及 g ( θ ) g(\theta) g(θ)的UMRUE存在.

  • 直接法

在这里插入图片描述


无偏估计可能不唯一，可能不存在，也可能不合理

在这里插入图片描述


对于均匀分布 U ( 0 , θ ) U(0, \theta) U(0,θ)，其矩估计是无偏的，而极大似然估计是有偏的，但偏差不大，且矩估计的方差明显大于极大似然估计的方差，因此，从实际应用角度考虑，极大似然估计应优于矩估计，比较准则正是均方误差准则.

定义3.2.9(一致最小均方误差)

在这里插入图片描述

无偏准则与均方误差准则是从两个不同角度考察一个估计量优劣的，但当二者发生矛盾时，更应重视均方误差准则.有时一致最小均方误差估计并不存在，为了找到一个一致最小均方误差估计，通常通过缩小估计类来求得。

定义3.2.11(一致最小方差无偏估计)

在这里插入图片描述
注:UMVUE是无偏估计类中方差最小的估计，虽然UMVUE是一个很好的估计，但对于某些分布族或参数，其UMVUE不一定存在.

为了方便计算UMVUE，先给出如下一个定理。

定理3.2.12

在这里插入图片描述

从定理可以看出，当找到充分统计量后，任一个无偏估计都可以得到改进.

同时，为找到UMVUE，仅需在充分统计量的无偏估计类中寻找.但这一定理并没有告诉我们如何才能得到UMVUE.下一定理将回答这一问题.


引入如下两个无偏估计类:
在这里插入图片描述

定理3.2.13(UMVUE特征定理1)

在这里插入图片描述

定理3.2.14(UMVUE特征定理2)

在这里插入图片描述

在这里插入图片描述

应用UMVUE特征定理1的主要步骤包括:
在这里插入图片描述

应用UMVUE定理2(适用于T的分布容易计算，T为充分统计量)的主要步骤包括:

在这里插入图片描述

定理:UMVUE特征定理3(Lehmann-Scheffe定理)

在这里插入图片描述
在这里插入图片描述


定理3.2.19(UMVUE唯一性)

在这里插入图片描述

Logo
Vue

前往低代码交流专区

更多推荐

vue 表单验证

1、6位小写字母和数字必须包含两个字母rules: [{ required: true, message: "XXX不能为空", trigger: "blur" },{ max: 6, message: "最大长度为6位字符", trigger: "blur" },{pattern: /^(?=(?:[^a-z]*[a-z]){2})[a-z0-9]{6,6}$/, //不连续的两位字母// /^

avatar Vue
cover

echarts堆叠柱状图

avatar Vue

Vue里echarts根据页面大小动态调整/自适应

Vue里echarts根据页面大小动态调整/自适应

avatar Vue