题目
4.设总体X的分布密度函数为-|||-(x;theta )= (theta +1)(x)^0,0lt xlt 1-|||-0, 其他-|||-其中 theta gt -1 。来自X的样本为(X1,X2,···,Xn):(1)求未知参数θ的矩估计量和最大-|||-似然估计量;(2)当样本值为(0.1,0.2,00.9,0.8,0.7,0.7)时,求θ的估计值。
题目解答
答案
解析
步骤 1：求矩估计量
矩估计量是通过将总体的矩与样本的矩相等来估计参数的方法。对于给定的分布密度函数 $f(x;\theta )=(\theta +1)x^{\theta },0总体的一阶矩（期望值）$E(X)$ 可以通过积分计算得到：
$$E(X) = \int_{0}^{1} x f(x;\theta) dx = \int_{0}^{1} x (\theta + 1)x^{\theta} dx = \int_{0}^{1} (\theta + 1)x^{\theta + 1} dx$$
$$E(X) = (\theta + 1) \int_{0}^{1} x^{\theta + 1} dx = (\theta + 1) \left[\frac{x^{\theta + 2}}{\theta + 2}\right]_{0}^{1} = \frac{\theta + 1}{\theta + 2}$$
样本的一阶矩（样本均值）$\overline{X}$ 为：
$$\overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i$$
令总体的一阶矩等于样本的一阶矩，得到：
$$\frac{\theta + 1}{\theta + 2} = \overline{X}$$
解这个方程，得到矩估计量 $\hat{\theta}_M$：
$$\hat{\theta}_M = \frac{\overline{X}}{1 - \overline{X}}$$
步骤 2：求最大似然估计量
最大似然估计量是通过最大化似然函数来估计参数的方法。似然函数 $L(\theta)$ 是样本观测值的联合概率密度函数，对于独立同分布的样本，似然函数可以表示为：
$$L(\theta) = \prod_{i=1}^{n} f(X_i; \theta) = \prod_{i=1}^{n} (\theta + 1)X_i^{\theta}$$
取对数似然函数：
$$\ln L(\theta) = \sum_{i=1}^{n} \ln((\theta + 1)X_i^{\theta}) = n \ln(\theta + 1) + \theta \sum_{i=1}^{n} \ln X_i$$
对 $\theta$ 求导并令导数等于零，得到：
$$\frac{d}{d\theta} \ln L(\theta) = \frac{n}{\theta + 1} + \sum_{i=1}^{n} \ln X_i = 0$$
解这个方程，得到最大似然估计量 $\hat{\theta}_2$：
$$\hat{\theta}_2 = \frac{-n}{\sum_{i=1}^{n} \ln X_i}$$
步骤 3：计算样本值为(0.1,0.2,0.9,0.8,0.7,0.7)时的估计值
对于样本值(0.1,0.2,0.9,0.8,0.7,0.7)，计算样本均值 $\overline{X}$ 和 $\sum_{i=1}^{n} \ln X_i$：
$$\overline{X} = \frac{0.1 + 0.2 + 0.9 + 0.8 + 0.7 + 0.7}{6} = \frac{4.4}{6} = 0.7333$$
$$\sum_{i=1}^{n} \ln X_i = \ln(0.1) + \ln(0.2) + \ln(0.9) + \ln(0.8) + \ln(0.7) + \ln(0.7)$$
$$\sum_{i=1}^{n} \ln X_i = -2.3026 - 1.6094 - 0.1054 - 0.2231 - 0.3567 - 0.3567 = -5.004$$
代入矩估计量和最大似然估计量的公式，得到：
$$\hat{\theta}_M = \frac{0.7333}{1 - 0.7333} = \frac{0.7333}{0.2667} = 2.75$$
$$\hat{\theta}_2 = \frac{-6}{-5.004} = 1.199$$
矩估计量是通过将总体的矩与样本的矩相等来估计参数的方法。对于给定的分布密度函数 $f(x;\theta )=(\theta +1)x^{\theta },0
$$E(X) = \int_{0}^{1} x f(x;\theta) dx = \int_{0}^{1} x (\theta + 1)x^{\theta} dx = \int_{0}^{1} (\theta + 1)x^{\theta + 1} dx$$
$$E(X) = (\theta + 1) \int_{0}^{1} x^{\theta + 1} dx = (\theta + 1) \left[\frac{x^{\theta + 2}}{\theta + 2}\right]_{0}^{1} = \frac{\theta + 1}{\theta + 2}$$
样本的一阶矩（样本均值）$\overline{X}$ 为：
$$\overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i$$
令总体的一阶矩等于样本的一阶矩，得到：
$$\frac{\theta + 1}{\theta + 2} = \overline{X}$$
解这个方程，得到矩估计量 $\hat{\theta}_M$：
$$\hat{\theta}_M = \frac{\overline{X}}{1 - \overline{X}}$$
步骤 2：求最大似然估计量
最大似然估计量是通过最大化似然函数来估计参数的方法。似然函数 $L(\theta)$ 是样本观测值的联合概率密度函数，对于独立同分布的样本，似然函数可以表示为：
$$L(\theta) = \prod_{i=1}^{n} f(X_i; \theta) = \prod_{i=1}^{n} (\theta + 1)X_i^{\theta}$$
取对数似然函数：
$$\ln L(\theta) = \sum_{i=1}^{n} \ln((\theta + 1)X_i^{\theta}) = n \ln(\theta + 1) + \theta \sum_{i=1}^{n} \ln X_i$$
对 $\theta$ 求导并令导数等于零，得到：
$$\frac{d}{d\theta} \ln L(\theta) = \frac{n}{\theta + 1} + \sum_{i=1}^{n} \ln X_i = 0$$
解这个方程，得到最大似然估计量 $\hat{\theta}_2$：
$$\hat{\theta}_2 = \frac{-n}{\sum_{i=1}^{n} \ln X_i}$$
步骤 3：计算样本值为(0.1,0.2,0.9,0.8,0.7,0.7)时的估计值
对于样本值(0.1,0.2,0.9,0.8,0.7,0.7)，计算样本均值 $\overline{X}$ 和 $\sum_{i=1}^{n} \ln X_i$：
$$\overline{X} = \frac{0.1 + 0.2 + 0.9 + 0.8 + 0.7 + 0.7}{6} = \frac{4.4}{6} = 0.7333$$
$$\sum_{i=1}^{n} \ln X_i = \ln(0.1) + \ln(0.2) + \ln(0.9) + \ln(0.8) + \ln(0.7) + \ln(0.7)$$
$$\sum_{i=1}^{n} \ln X_i = -2.3026 - 1.6094 - 0.1054 - 0.2231 - 0.3567 - 0.3567 = -5.004$$
代入矩估计量和最大似然估计量的公式，得到：
$$\hat{\theta}_M = \frac{0.7333}{1 - 0.7333} = \frac{0.7333}{0.2667} = 2.75$$
$$\hat{\theta}_2 = \frac{-6}{-5.004} = 1.199$$