第 22 卷第 6 期 唐山学院学报 Vol. 22 No. 6
2009 年 11 月 Journal of Tangshan College Nov. 2009
收稿日期 :2009210229
基金项目 :河北省教育科学研究“十一五”规划课题 (08020282)
作者简介 :孙皆宜 (1962 - ) ,女 ,教授 ,主要从事大学物理教学与研究。
泊松分布中参数的无偏估计
孙皆宜1 ,步金芳2 ,孙翠先1
(1.唐山学院 基础部 ,河北 唐山 063000 ;2. 唐山职业技术学院 基础部 ,河北 唐山 063000)
摘要 :基于泊松分布 ,讨论未知参数θ与 g (θ) 无偏估计的区别和联系。得到当 E(θ^) =θ时 ,不一定
有 E( g (θ^) ) = g (θ) 。并给出了几个一般性结论。
关键词 :泊松分布 ;未知参数 ;无偏估计
中图分类号 :O212 文献标识码 :A 文章编号 :16722349X(2009) 0620008202
Unbiased Estimation of Parameter in Poisson Distribution
SUN Jie2yi1 , BU Jin2fang2 , SUN Cui2xian1
(1. Tangshan College , Tangshan 063000 , China ;2. Tangshan Vocational & Technical College , Tangshan 063000 , China )
Abstract : Based on Possion dist ribution , t he paper discusses the differences and relationship of
t he unbiased estimation between unknown parameterθand g (θ) and gives some general conclu2
sions alt hough E( g (θ^) ) = g (θ) is not necessary when E(θ^) =θ.
Key Words : Poisson Dist ribution ; ;unknown parameter ;unbiased estimation
1 问题的提出
当θ^是未知参数θ的无偏估计量时 , g(θ^) 不一定是 g (θ)
的无偏估计量。未知参数θ与 g (θ) 的无偏估计量的定义见
参考文献[1 ]。也就是说 ,当 E(θ^) =θ时 ,不一定有 E( g (θ^) )
= g(θ) ,其中 g(θ) 为θ的实值函数。本文就参数θ与 g (θ) 的
无偏估计量存在时 ,之间的区别和联系 ,能否借助于θ的无
偏估计来求 g (θ) 的无偏估计问题展开讨论 ,假设总体分布为
泊松分布。
2 关于参数的几个无偏估计
文中提到的样本均值、样本方差的定义 ,涉及到的数学
符号比如 : S2 等可参阅参考文献[2 ]。
总体为泊松 ( Poisson)分布 P(λ) 时 ,即
P( X = x) =λ
x
x !e
-
λ
, x = 0 ,1 ,2 , ⋯,
未知参θ=λ> 0 , 可以证明样本均值 X 和样本方差
S 2 = 1
n - 1 ∑
n
i = 1
( X I - X) 2都是总体参数θ=λ的无偏估计 [3 ] 。
推广到一般情况 ,对任意实数α, 0 ≤α≤1 ,αX + (1 - α) S2 也
都是λ的无偏估计 ,即θ^=λ^= X 或 S 2 或αX + (1 - α) S2 。
下面再研究未知参数函数的无偏估计问题。
引理 1 设 ( X1 ⋯X n) 是来自该总体泊松的一个样本 ,则
nX = ∑n
i = 1
X i~ P( nλ) 。
证明 因为 X1~ P(λ) , X2~ P(λ) ,且 X1 和 X2 相互独
立 , Z = Z1 + X2 的概率分布
P( z) = ∑
z
x = 0
PX1 ( x) PX2 ( z - x) =
(2λ) z
z ! e
- 2λ
,
即 Z = X1 + X2~ P(2λ) 。
由数学归纳法得
nX = ∑n
i = 1
X i~ P( nλ) 。
结论 1 设函数 g1 (θ) = g1 (λ) = eλ ,可以证明 g1 (λ) 的无
偏估计为 2 Xi 而不是 g1 (θ^) = eX 。
证明 由引理 1 ,
E( g1 (θ^) ) = E( g1 (λ^) ) = E( eX ) = E( e 1n ( nX ) )
= ∑
∞
z = 0
e
z
n P ( nX = z) = ∑∞
z = 0
e
z
n
( nλ) z
z ! e
- nλ ≠eλ。
而 E(2 Xi ) = ∑
∞
x = 0
2 x P ( X i = x)
= ∑
∞
x = 0
2 x λ
x
x !e
-λ
= e
-λ ∑
∞
x = 0
(2λ) x
x !
= e
-λ
e
2λ
= e
λ。
第 6 期 孙皆宜 ,步金芳 ,孙翠先 :泊松分布中参数的无偏估计
结论 2 已知函数 g2 (θ) = g2 (λ) = e - 2λ ,可以证明 g2 (λ)
的无偏估计为
t^ ( X i ) =
1 , X i 取偶数值时
- 1 , X i 取基数值时
,而不是 g2 (θ^) = e - 2 X 。
证明
E( g2 (θ^) ) = E( g2 (λ^) ) = E( e - 2 X )
= E( e - 2n ( nX) ) = ∑∞
z = 0
e
- 2z
n P ( nX = z)
= ∑
∞
z = 0
e
- 2z
n
( nλ) z
z ! e
- nλ ≠e - 2λ。
令估计量 t^ ( X i ) = f ( X i ) ,而
E( t^ ( X i ) ) = ∑
∞
x = 0
f ( x) P( X i = x)
= ∑
∞
x = 0
(
- 1) x λ
x
x !e
-λ
= e
-
λ ∑
∞
x = 0
(
-
λ) x
x ! = e
-
λ
e
-
λ
= e
- 2λ。
结论 3 再考虑 g3 (θ) = g3 (λ) =λ2 也是未知参数λ的一
个函数 ,但它的无偏估计不是 X2 而是 1
n
∑
n
i = 1
X i ( X i - 1) 。
证明
E( X2 ) = E( e 1n2 ( nX ) 2 ) = ∑∞
z = 0
e
z2
n
2 P( nX = z)
= ∑
∞
z = 0
e
z2
n
2
( nλ) z
z ! e
- nλ ≠λ2 。
而 E( 1
n
∑
n
i = 1
X i ( X i - 1) ) = E( 1
n
∑
n
i = 1
X i 2 -
1
n
∑
n
i = 1
X i )
=
1
n
∑
n
i = 1
E( X i 2 ) - 1
n
∑
n
i = 1
E( X i )
=
1
n
∑
n
i = 1
(λ+λ2 ) - 1
n
∑
n
i = 1
λ=λ2 。
结论 4 已知函数 g4 (θ) = g4 (λ) = e -λ ,可以证明 g4 (λ)
的无偏估计为 ,而不是
e^ ( X i ) =
1 , X i = 0
0 , X i ≠0
,而不是 g4 (θ^) = e - X 。
证明
E( g4 (θ^) ) = E( g4 (λ^) ) = E( e - X )
= E( e - 1n ( nX ) ) = ∑∞
z = 0
e
- z
n P ( nX = Z)
= ∑
∞
z = 0
e
- z
n
( nλ) z
z ! e
- nλ ≠e -λ。
令估计量 d^ ( X i ) = g( X i ) ,而
E( d^ ( X i ) ) = ∑
∞
x = 0
g( x) P( X i = x)
= ∑
∞
x = 0
g( x)λ
x
x !e
-
λ
= e
-λ ∑
∞
x = 1
0 ·λ
x
x ! + e
-λ·1 ·λ
0
0 ! = e
-λ。
3 一般性结论
命题 1 无偏估计不一定存在。
比如 ,设样本 X 来自二项分布总体 B ( n , p) ,样本量为
1 , n 已知 ,而 p 未知 ,0 < p < 1 ,函数 f ( p) = sin p 的无偏估计
不存在 [4 ] 。
命题 2 设θ^1 和θ^2 分别是未知参数θ的可估函数 g1 (θ)
和 g2 (θ)的无偏估计量 ,则 c1θ^1 + c2θ^2 是 c1 g1 (θ) + c2 g2 (θ) 的
无偏估计量。这里 c1 , c2 为任意实数。
证明 因为
E(θ^1 ) = g1 (θ) , E(θ^2 ) = g2 (θ) ,
又因为
E( c1θ^1 + c2θ^2 ) = c1 E(θ^1 ) + c2 E(θ^2 ) = c1 g1 (θ) + c2 g2 (θ) ,
所以 c1θ^1 + c2θ^2 是 c1 g1 (θ) + c2 g2 (θ) 的无偏估计量。
命题 3 无偏估计不一定唯一。
样本均值 X 和样本方差 S 2 = 1
n - 1 ∑
n
i = 1
( X i - X) 2 都是总
体参数θ=λ的无偏估计。
命题 4 能借助于θ的无偏估计来求 g (θ) 的无偏估计。
设总体 X 服从指数分布总体 e (λ) ,从总体中抽取一组
样本 ( X1 , ⋯, X n) ,设θ^是θ的无偏估计量。X 的概率密度为
f ( x) ,记θ=λ> 0 ,这里θ=λ为未知参数。由文献[5 ]知 ,θ的
无偏估计是θ^=λ^= X 。今由θ的无偏估计构造 g (θ) =θ2 =λ2
的无偏估计 ,为此取 a为修正系数 ,要使 E( a( X) 2 ) =θ2 =λ2
成立 ,而
E( ( X) 2 ) = D ( X) + ( EX) 2 = 1
n
λ2 +λ2 = n + 1
n
λ2 。
故取系数 a = n
n + 1 ,此时 E( a( X) 2 ) =θ2 =λ2 成立 ,故θ2 =λ2
的无偏估计为 n
n + 1 ( X) 2 。
参考文献 :
[1 ] 陈希孺. 概率论与数理统计 [ M ] . 北京 :科学出版社 ,
2000 :175.
[2 ] 沈恒范. 概率论与数理统计教程 [ M ]. 第四版 . 北京 :高
等教育出版社 ,2003 :1462147.
[3 ] 工科数学课程教学指导委员会本科组编. 工程数学例
题与习题[ M ] . 北京 :高等教育出版社 ,1996 :264.
[4 ] 成平 ,陈希孺 ,陈桂景 ,等. 参数估计 [ M ] . 上海 :上海科
学技术出版社 ,1985 :64.
[5 ] 盛骤 ,谢式千 ,潘承毅. 概率论与数理统计 [ M ] . 第二
版. 北京 :高等教育出版社 ,1989 :237.
(责任编校 :李高峰)
·9·
本文档为【泊松分布中参数的无偏估计】,请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑,
图片更改请在作品中右键图片并更换,文字修改请直接点击文字进行修改,也可以新增和删除文档中的内容。
该文档来自用户分享,如有侵权行为请发邮件ishare@vip.sina.com联系网站客服,我们会及时删除。
[版权声明] 本站所有资料为用户分享产生,若发现您的权利被侵害,请联系客服邮件isharekefu@iask.cn,我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。