PAGE
72
习题4.1解答
1. 设总体
,
为取自该总体的
样本
保单样本pdf木马病毒样本下载上虞风机样本下载直线导轨样本下载电脑病毒样本下载
,求:(1)样本均值的数学期望和方差;(2)样本方差的数学期望;(3)样本均值的绝对值大于0.02的概率.
解:(1)
=
.
(2) 由于样本方差是总体方差的无偏估计,故
(3) 由(1)(2)可知,
近似服从N(0,0.01), 因此
2. 设总体
, 假如要以0.9606的概率保证偏差
, 问当
= 0.25时, 样本容量应取多大?
解: 设样本容量为n, 则
, 从而
P(
)=P(
)=
=0.9606
=0.9803, 查正态分布
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
,
,
故n取106.
3. 从一个正态总体
中抽取容量为10的样本,且
,求
.
解: 因为
, 故
=
=
=0.02
, 查正态分布表得,
, 解得σ=5.43.
4. 设在总体
抽取一个容量为16的样本,这里
均未知,求
.
解: 因为
,此处n=16, 所以
EMBED Equation.3
EMBED Equation.3
查自由度为15的
分布表得,
,所以
=0.95.
5. 设总体
,
为取自该总体的样本,已知
,求:常数a.
解: 因为
, n=10, σ=4, 所以
查自由度为9的
分布表得,
所以a=26.105.
6. 设总体
,
为取自该总体的样本,求:(1)
;(2)当样本容量很大时,
;(3)当样本容量等于6时,
.
解: (1)
=
=1-
, 易知
, 查自由度为1的
分布表, 得
=0.3174, 故
=0.6826.
(2) 当样本容量很大时,
近似服从
, 所以
=
=1-
=1-0.1574=0.8426.
(3) 因为,当样本容量等于6时,
,所以
=
=
=1-
查自由度为5的t分布双侧分位数得,
=0.1,故
=0.9.
7. 设
为取自总体
的样本,求
.
解:因为
,所以
=
=
查自由度为10的
分布表得,
=0.1
8. 设
是取自总体
的样本,
为样本均值,又记
,
,
,
,则服从分布
的随机变量
__(B)_____.
解:因为
~N(0,1),
,又
与
独立, 故
=
~
.
9、若
,则
服从什么分布?
解: 设T=
其中X~N(0,1), Y~F(1,n),且X和Y独立, 易知
X2~
(1), Y~
(n), 且X2与Y独立, 从而
T2=
~F(1,n)
10. 设
为取自总体
的样本,求常数
使得
服从
分布,并求其自由度.
解: 因为E(X1+ X2)=EX, D(X1+ X2)=2DX=8, 所以
同理,
EMBED Equation.3 且三者独立,
故
+
+
~
(3),
比较系数可知, a=
b=
c=
.
11. 设有
个正态总体
,从第
个总体中抽取容量为
的样本
,且各组样本间相互独立,记
(
),
,求
的分布.
解:因为
=
,
且
(
=1,2,…,k) 相互独立,故
=
EMBED Equation.3 ,而
, 故
~
(n-k ).
12. 设随机变量
相互独立且都服从标准正态分布,而
和
分别是取自总体
的相互独立的简单随机样本,求统计量
的分布,并指明参数.
解: 因为
, 故
,
而
EMBED Equation.3 (9 ),又因为
与
独立,所以
.
13. 设
是取自正态总体
的样本,且
,
,
,求证
.
解:易知
~
,
~
且Y1与Y2独立,故Y1-Y2~
,又 ~
(2 )
Y1-Y2与
独立, 从而
EMBED Equation.3
14. 设总体
,从中取出样本
,记
, 求证
.
证: 因为
,
~
,且
与
独立,
故
-
EMBED Equation.3 ,又因为
~
(n-1 ),
与
-
独立,故
=
.
15. 设总体
,而
为取自该总体的样本,则随机变量
服从___________分布,参数为_________.
解:因为
,故
EMBED Equation.3 (1 ),
, 而
独立,故
~
(10),
EMBED Equation.3 (5),所以
=
~F(10,5).
16. 设总体
,
为取自该总体的样本,求
的分布.
解: 因为
, 且
故
EMBED Equation.3 ~F(5, n-5)
习题4.3解答
1、 总体
, 其中
是未知参数, 又
为取自该总体的样本,
为样本均值. 证明:
是参数
的无偏估计.
证明: 因为
=
, 故
是参数
的无偏估计.
2、 设
是参数
的无偏估计量,
, 证明:
不是
的无偏估计量.
证明:因为
是参数
的无偏估计量,所以
,
EMBED Equation.3
EMBED Equation.3 , 即
,
故
不是
的无偏估计量.
3. 设
是取自总体
的样本, 试证下列统计量都是总体均值
的无偏估计量, 并指出哪一个最有效?
(1)
(2)
(3)
证明:
故
都为总体均值
的无偏估计量.
而
因为
, 故
最有效.
4. 设总体
, 现从该总体中抽取容量为10的样本, 样本值为:
0.5, 1.3, 0.6, 1.7, 2.2, 1.2, 0.8, 1.5, 2.0, 1.6
试对参数
进行点估计.
解: 因为
, 所以EX=
, 故
=2×
=2.68.
5. 从一批电子元件中抽取8个进行寿命测试, 得到如下数据(单位: 小时):
1050, 1100, 1130, 1040, 1250, 1300, 1200, 1080
试对这批元件的平均寿命以及寿命分布的标准差进行点估计.
解: 设这批元件的平均寿命为u, 寿命分布的标准差为
,
,
.
6、从均值为
, 方差为
的正态总体中分别抽取容量为
和
的两组独立样本,
分别为两组样本的样本均值. 试证: 对任何常数
,
都是
的无偏估计, 并确定
的值使
在此形式的估计量中最有效.
解:因为
所以,对任何常数
,
都是
的无偏估计.
令 f(a,b)=
, 求f(a,b)在a+b=1下的条件极值,可知
当a=
, b=
时, f(a,b)最小, 从而Y最有效.
习题4.4解答
1、 取自正态总体
, 容量为9的样本, 若得到样本均值为
=5, 则未知参数
的置信度为0.95的置信区间是________________.
解:因为
, 故参数
的置信度为0.95的置信区间是
,查标准正态分布分布表可知
,
={5-0.3×1.96, 5+0.3×1.96}={4.412, 5.588}
2. 已知某种材料的抗压强度
, 现随机地抽取10个试件进行抗压试验, 测得数据如下: 482, 493, 457, 471, 510, 446, 435, 418, 394, 469.
(1) 求平均抗压强度
的点估计值;
(2) 求平均抗压强度
的95%的置信区间;
(3) 若已知
=30, 求平均抗压强度
的95%的置信区间;
(4) 求
的点估计值;
(5) 求
的95%的置信区间;
(6) 求
的点估计值;
(7)求
的95%的置信区间.
解: (1)
0
(2) 因为
, 故参数
的置信度为0.95的置信区间是:
, 经计算
,S=35.276, n=10,
查自由度为9的分位数表得,
,故
=
={432.30, 482.70}
(3) 若已知
=30, 则平均抗压强度
的95%的置信区间为:
=
={438.90,476.09}
(4)
=S2=1240.28
(5) 因为
,所以
的95%的置信区间为:
,其中S2=1240.28,
,所以
=
={586.79,4134.27}
(6) 由(4)
S=
=35.276
(7)由(5)
的95%的置信区间为:
=
={24.2237,64.2982}
3、 总体
,
已知, 问样本容量
取多大时才能保证
的95%的置信区间的长度不大于
.
解:由于
已知时,
的95%的置信区间为:
它的长度为:L=
,查表得
令L≤
,则n≥
, 故n至少要取
.
4. 假设 0.50 , 1.25 , 0.80 , 2.00 是取自总体
的样本值, 已知
服从正态分布
.
(1) 求
的数学期望
(并记
=
);
(2) 求
的置信度为95%的置信区间;
(3) 利用上述结果求
的置信度为95%的置信区间.
解:(1) 因为
服从正态分布
,故X=eY服从对数正态分布, 从而
=
=
(2)因为
,故当
时,相应的
,由于
已知, 故
的置信度为95%的置信区间为:
易求得
查表得
=1.96, 所以
=(-0.98, 0.98)
(3)因为
的置信度为95%的置信区间为 (-0.98, 0.98),
而b=
, 所以b的置信度为95%的置信区间为:
=
5. 设从总体
和总体
中分别抽取容量为
的独立样本, 可计算得
, 求
的96%的置信区间.
解: 因为
,故
的96%的置信区间为:
, 其中
EMBED Equation.3
查表得
,所以
=
={3.42,8.58}
6. 假设人体身高服从正态分布, 今抽测甲、乙两地区18 ~ 25岁女青年身高得数据如下: 甲地区抽取10名, 样本均值1.64米, 样本标准差0.2米; 乙地区抽取10名, 样本均值1.62米, 样本标准差0.4米. 求
①两正态总体方差比的99%的置信区间;
②两正态总体均值差的99%的置信区间.
解:(1)因为
EMBED Equation.3 ,
的99%的置信区间为:
查表得
EMBED Equation.3 =
, 故
={0.03822, 1.635265}
(2) 因为
, 其中
故
的99%的置信区间为:
, 其中
=
,查表得
,
=
=
{-0.38707,0.42707}
习题4.5解答
1. 已知总体
服从瑞利分布, 其密度函数为:
未知参数
>0,
为取自该总体的样本. 求
的矩估计量和最大似然估计量, 并问这两个估计量是不是无偏估计量?
解:EX=
=
=
=2
令
,则
2
=
=
=
=
, 故EX=
,
, 因此θ的矩估计量为
EMBED Equation.3 .
EX2=
=
, 令
,
EX2=
=
=2θ
E
E
=
=
=
=
=
≠θ, 故
不是θ的无偏估计量.
令L(θ;x1,x2,...,xn)=
=
=
, 当x1,x2,...,xn>0时, L=
,
lnL=
,
,
=
为θ的最大似然估计量. E
=
=
=
=θ,
所以
是θ的无偏估计量.
2、 总体
的对数函数
服从正态分布
,
为取自总体
的样本, 求
及
的最大似然估计量.
解: 设Y=lnX~N(u,σ2),
u的最大似然估计,
,故
为u的最大似然估计.
为σ2的最大似然估计,由于X服从对数正态分布,EX=
,故EX的最大似然估计为
.
3. 已知总体
服从参数为
的泊松分布, 其分布律为:
为取自总体
的样本. 求 (1)
的矩估计量; (2)
的最大似然估计量; (3)
的无偏估计量.
解:(1)因为EX=DX=θ, 而S2=
, B2=
都是DX的点估计,故
, S2, B2都可作为θ的矩估计量.
(2) L(θ;x1,x2,...,xn)=
=
=
lnL=
,令
=
,
=
为θ的最大似然估计量.
(3)E
=E
=E X=θ, E
=ES2=D X=θ,故
=
及
=S2都是θ的无偏估计,
E
=EB2=
=
, 故
不是θ的无偏估计.
_1068985642.unknown
_1069487882.unknown
_1069494466.unknown
_1069821774.unknown
_1069833609.unknown
_1069834841.unknown
_1070089004.unknown
_1070089570.unknown
_1070089805.unknown
_1070090078.unknown
_1070606933.unknown
_1070090015.unknown
_1070089652.unknown
_1070089190.unknown
_1070089487.unknown
_1070089062.unknown
_1070088372.unknown
_1070088575.unknown
_1070088836.unknown
_1070088979.unknown
_1070088422.unknown
_1070088241.unknown
_1070088278.unknown
_1069835094.unknown
_1069834417.unknown
_1069834699.unknown
_1069834757.unknown
_1069834509.unknown
_1069834006.unknown
_1069834330.unknown
_1069833810.unknown
_1069832779.unknown
_1069833070.unknown
_1069833286.unknown
_1069832994.unknown
_1069821899.unknown
_1069822029.unknown
_1069822130.unknown
_1069821878.unknown
_1069500661.unknown
_1069570705.unknown
_1069579120.unknown
_1069768648.unknown
_1069783671.unknown
_1069785685.unknown
_1069788977.unknown
_1069789085.unknown
_1069821691.unknown
_1069786435.unknown
_1069788348.unknown
_1069788525.unknown
_1069788559.unknown
_1069788643.unknown
_1069788451.unknown
_1069788261.unknown
_1069788279.unknown
_1069787999.unknown
_1069786037.unknown
_1069786359.unknown
_1069785820.unknown
_1069784408.unknown
_1069785274.unknown
_1069785294.unknown
_1069784427.unknown
_1069784090.unknown
_1069784351.unknown
_1069783764.unknown
_1069784063.unknown
_1069781434.unknown
_1069782047.unknown
_1069782431.unknown
_1069783625.unknown
_1069781940.unknown
_1069781363.unknown
_1069781373.unknown
_1069781182.unknown
_1069767213.unknown
_1069767927.unknown
_1069768395.unknown
_1069768612.unknown
_1069768063.unknown
_1069768167.unknown
_1069767267.unknown
_1069767341.unknown
_1069767232.unknown
_1069766857.unknown
_1069766953.unknown
_1069766976.unknown
_1069767191.unknown
_1069766913.unknown
_1069766525.unknown
_1069766625.unknown
_1069766479.unknown
_1069576691.unknown
_1069577865.unknown
_1069579116.unknown
_1069579118.unknown
_1069579119.unknown
_1069579117.unknown
_1069579113.unknown
_1069579115.unknown
_1069577871.unknown
_1069577029.unknown
_1069577206.unknown
_1069577578.unknown
_1069577742.unknown
_1069577493.unknown
_1069577129.unknown
_1069576898.unknown
_1069576911.unknown
_1069576874.unknown
_1069576886.unknown
_1069574472.unknown
_1069576079.unknown
_1069576621.unknown
_1069576647.unknown
_1069576196.unknown
_1069575387.unknown
_1069576008.unknown
_1069574861.unknown
_1069571610.unknown
_1069572033.unknown
_1069572307.unknown
_1069571671.unknown
_1069571234.unknown
_1069571429.unknown
_1069570838.unknown
_1069503255.unknown
_1069503910.unknown
_1069570155.unknown
_1069570330.unknown
_1069570383.unknown
_1069570191.unknown
_1069569783.unknown
_1069569981.unknown
_1069504042.unknown
_1069504424.unknown
_1069503426.unknown
_1069503847.unknown
_1069503767.unknown
_1069503263.unknown
_1069501296.unknown
_1069502974.unknown
_1069503108.unknown
_1069503166.unknown
_1069502664.unknown
_1069502838.unknown
_1069501525.unknown
_1069501090.unknown
_1069501229.unknown
_1069500919.unknown
_1069497851.unknown
_1069499325.unknown
_1069499599.unknown
_1069499933.unknown
_1069500068.unknown
_1069499752.unknown
_1069499410.unknown
_1069499572.unknown
_1069499401.unknown
_1069498705.unknown
_1069498927.unknown
_1069499200.unknown
_1069498819.unknown
_1069498073.unknown
_1069498322.unknown
_1069498052.unknown
_1069495209.unknown
_1069495745.unknown
_1069497536.unknown
_1069497725.unknown
_1069497463.unknown
_1069495468.unknown
_1069495713.unknown
_1069495340.unknown
_1069494625.unknown
_1069495106.unknown
_1069495115.unknown
_1069494673.unknown
_1069494471.unknown
_1069490866.unknown
_1069494113.unknown
_1069494118.unknown
_1069494447.unknown
_1069494342.unknown
_1069494116.unknown
_1069494114.unknown
_1069494115.unknown
_1069492349.unknown
_1069494111.unknown
_1069494112.unknown
_1069494110.unknown
_1069491001.unknown
_1069492304.unknown
_1069490933.unknown
_1069489250.unknown
_1069490349.unknown
_1069490609.unknown
_1069490757.unknown
_1069490411.unknown
_1069489516.unknown
_1069490186.unknown
_1069489513.unknown
_1069489514.unknown
_1069489256.unknown
_1069489072.unknown
_1069489150.unknown
_1069489245.unknown
_1069489141.unknown
_1069488015.unknown
_1069488178.unknown
_1069487949.unknown
_1069478586.unknown
_1069479168.unknown
_1069479895.unknown
_1069487615.unknown
_1069487750.unknown
_1069479925.unknown
_1069479798.unknown
_1069479833.unknown
_1069479206.unknown
_1069478830.unknown
_1069479087.unknown
_1069479088.unknown
_1069478877.unknown
_1069478703.unknown
_1068992018.unknown
_1068992909.unknown
_1069478509.unknown
_1069478534.unknown
_1068993074.unknown
_1068992182.unknown
_1068992413.unknown
_1068992122.unknown
_1068991611.unknown
_1068991732.unknown
_1068991904.unknown
_1068991682.unknown
_1068986874.unknown
_1068991277.unknown
_1068991460.unknown
_1068986482.unknown
_1059115782.unknown
_1059115932.unknown
_1059115990.unknown
_1059116011.unknown
_1063638324.unknown
_1063638326.unknown
_1068985597.unknown
_1063638325.unknown
_1059116032.unknown
_1063638321.unknown
_1063638322.unknown
_1063638319.unknown
_1063638320.unknown
_1063638318.unknown
_1059116020.unknown
_1059116001.unknown
_1059116006.unknown
_1059115995.unknown
_1059115971.unknown
_1059115981.unknown
_1059115985.unknown
_1059115976.unknown
_1059115945.unknown
_1059115951.unknown
_1059115939.unknown
_1059115868.unknown
_1059115908.unknown
_1059115918.unknown
_1059115927.unknown
_1059115912.unknown
_1059115894.unknown
_1059115902.unknown
_1059115889.unknown
_1059115872.unknown
_1059115876.unknown
_1059115839.unknown
_1059115854.unknown
_1059115858.unknown
_1059115845.unknown
_1059115791.unknown
_1059115834.unknown
_1059115787.unknown
_1058856404.unknown
_1059115711.unknown
_1059115771.unknown
_1059115776.unknown
_1059115731.unknown
_1059115753.unknown
_1059115727.unknown
_1059115652.unknown
_1059115692.unknown
_1059115706.unknown
_1059115657.unknown
_1058857775.unknown
_1059019464.unknown
_1059020301.unknown
_1059115636.unknown
_1059115644.unknown
_1059111685.unknown
_1059113053.unknown
_1059113455.unknown
_1059115618.unknown
_1059113410.unknown
_1059112457.unknown
_1059020430.unknown
_1059108738.unknown
_1059111563.unknown
_1059025116.unknown
_1059020381.unknown
_1059019980.unknown
_1059020095.unknown
_1059020229.unknown
_1059019992.unknown
_1059019676.unknown
_1059019920.unknown
_1059019763.unknown
_1059019581.unknown
_1059019017.unknown
_1059019176.unknown
_1059018525.unknown
_1059018642.unknown
_1059018481.unknown
_1059018360.unknown
_1058857010.unknown
_1058857496.unknown
_1058857654.unknown
_1058857702.unknown
_1058857539.unknown
_1058857455.unknown
_1058856557.unknown
_1058856658.unknown
_1058856521.unknown
_1058765818.unknown
_1058855850.unknown
_1058856118.unknown
_1058856239.unknown
_1058856305.unknown
_1058856175.unknown
_1058856023.unknown
_1058856085.unknown
_1058855964.unknown
_1058855984.unknown
_1058855916.unknown
_1058766514.unknown
_1058855624.unknown
_1058855709.unknown
_1058853430.unknown
_1058853512.unknown
_1058853664.unknown
_1058766645.unknown
_1058766163.unknown
_1058766257.unknown
_1058765969.unknown
_1058762338.unknown
_1058763048.unknown
_1058763408.unknown
_1058765702.unknown
_1058763185.unknown
_1058762844.unknown
_1058762965.unknown
_1058762517.unknown
_1058759223.unknown
_1058761183.unknown
_1058761332.unknown
_1058760620.unknown
_1058757621.unknown
_1058686279.unknown
_1058699453.unknown