展开全部
(2)极大似然θL=max{X1,X2,X3,X4...Xn}。
EθL=Emax{X1,X2,X3,X4...Xn} 不是无偏估计。
估计量的数学期望等于被估计参数的真实值,则称此此估计量为被估计参数的无偏估计,即具有无偏性,是一种用于评价估计量优良性的准则。
无偏估计的意义是:在多次重复下,它们的平均数接近所估计的参数真值。无偏估计常被应用于测验分数统计中。
扩展资料:
用样本均值作为总体均值的估计时,虽无法说明一次估计所产生的偏差,但这种偏差随机地在0的周围波动,对同一统计问题大量重复使用不会产生系统偏差。
但是需要注意的是,所谓“平均为零”只有在大量重复使用此模型时才能体现出来。关于这一点,需要用大数定律作进一步解释。
无偏估计并不总是存在的,如服从二项分布的总体B(n,p),0<p<1,则1/p的无偏估计就不存在。有时,无偏估计虽然存在,但不够合理。又有些问题中,无偏估计很多,则其优良性由它们的方差来决定,方差越小越优良。
参考资料来源:百度百科——无偏估计
展开全部
1)
u=E(X)=∫(0~θ)2x^2/θ^2dx=(2/3)θ
^θ=(3/2)Xbar
E(^θ)=1.5E(X)=θ
2) L(θ|x)=π(i=n)(2xi/θ^2) π是连乘符号
ln(L(θ|x))=Σ{ln(xi)+ln(2)-2ln(θ)}
let l(θ)=ln(L(θ|x))
l(θ)=Σ{ln(xi)}+nln(2)-2nln(θ)
l'(θ)=-2n/(^θL)
l(θ)单调递减
所以^θL取区域最小值则对数拟然最大,^θL取最大拟然
^θL=X
E(^θL)=E(X)=(2/3)θ,不是无偏
u=E(X)=∫(0~θ)2x^2/θ^2dx=(2/3)θ
^θ=(3/2)Xbar
E(^θ)=1.5E(X)=θ
2) L(θ|x)=π(i=n)(2xi/θ^2) π是连乘符号
ln(L(θ|x))=Σ{ln(xi)+ln(2)-2ln(θ)}
let l(θ)=ln(L(θ|x))
l(θ)=Σ{ln(xi)}+nln(2)-2nln(θ)
l'(θ)=-2n/(^θL)
l(θ)单调递减
所以^θL取区域最小值则对数拟然最大,^θL取最大拟然
^θL=X
E(^θL)=E(X)=(2/3)θ,不是无偏
本回答被网友采纳
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
展开全部
(1)矩估计θM=1.5X~ 是无偏估计
(2)极大似然θL=max{X1,X2,X3,X4...Xn}
EθL=Emax{X1,X2,X3,X4...Xn} 不是无偏估计
(2)极大似然θL=max{X1,X2,X3,X4...Xn}
EθL=Emax{X1,X2,X3,X4...Xn} 不是无偏估计
已赞过
已踩过<
评论
收起
你对这个回答的评价是?
推荐律师服务:
若未解决您的问题,请您详细描述您的问题,通过百度律临进行免费专业咨询