对于均匀分布上限估计量的对比.pdfVIP

应用举例18 （参数估计） 对于均匀分布上限估计量的对比 设一个均匀分布在0～b 间的随机变量X 。X 的PDF,CDF 为： X 的均值和方差为： ， 假定上限b 未知且需从来自X 群体的随机样本{X1,X2,...,Xn }中估计。常用来解决这 类问题的方法有：矩估计（MOM ）,极大可能性法（ML ），和贝叶斯估计。这里我 们利用以上问题比较这几种方法。 1. 矩估计（MOM ） X 的均值为m = b/2,故有以下估计： 估计量是无偏的，因为 且方差为 = ，其中有 代换 2 2 σ=b /12 该方法的一个问题为， 可能比样本中最大值要小，Xmax=max{X1,X2,...,Xn }。 这种情况下，使用 变得没有意义。 2. 极大可能性法（ML ） 上述的问题可通过运用极大似然估计（ML ）法来避免。极大函数的形式为： 式（3 ）中的函数是 的最大化。因为Xmax 是具有式（1）分布的n重独立同分 布变量的最大化，估计量的分布有如下的CDF和PDF ： 的均值和方差为： 图1 为 和 方差前因子，1/3n 和 的比较。如图1 所示， 的 方差要小于 的，尤其在n 较大时。在这样的关系中，注意到 的方差依赖于n ， 比如1/n，但是（对于较大的n ） 的方差近似于 。 图1 ， 和 方差前因子的比较 以上的图形显示 比 更佳，但是 是有偏差的。为消除偏差，可采用如下 的改进的ML 估值： 其均值和方差为： 式（7 ）中的方差前因子也显示在图1 中。如图示，该前因子介于 比 的之间。 估值不一定要是无偏的（这里， 和 是无偏的， 是有偏差的），且常基 于 MSE 方法对估值进行排序，MSE 是误差的二阶初始矩阵 。因此， 。对于以上的估值，MSE 给出： 2 图2 为MSE表达式中b 的前因子的比较。注意到，除了n=1 ，改进后的ML估值 最佳。 图2 MSE 表达式中 ， 和 方差前因子的比较 3. 贝叶斯估值 贝叶斯分析需要b 的详细的分布，预先的密度 ，与式（3 ）中的可能性函数 联立得：后来的密度 和最终 b 的估值。估值可能基于 （例如， 可用后验的形式或者后验的均值）或者最小化期望损失函数来计算。 举例，设伽玛型的先前密度， 其中，参数α, β 0 。则b 后来的密度为; 忽略限制b≥Xmax ，则式（10）中的函数为b=max{0,β(α−n−1)}的最大化。结论，最大化 作为估计b 的值，有： 有趣的是当n 足够大，对于任意的α, β，即 时， 与 相同。 问题18.1 使用如下的样本得到先前的估值： Sample 1: {5.2, 0.8, 2.7, 3.1, 6.4, 3.8, 1.7, 6.3} Sample 2: {5.2, 0.8, 2.7, 3.1, 6.4, 3.8, 1.7, 16.3} 对于贝叶斯估值，先使用α = 20 和 β = 1 。讨论结果。在样本2 中，你发现任何 可疑了吗？