设X1,X2,...Xn为来自正态总体X~N(μ,σ^2)的一个样本,μ已知,求σ^2的极大似然估计.

来源:学生作业帮助网 编辑:作业帮 时间:2024/11/15 21:53:17

设X1,X2,...Xn为来自正态总体X~N(μ,σ^2)的一个样本,μ已知,求σ^2的极大似然估计.
设X1,X2,...Xn为来自正态总体X~N(μ,σ^2)的一个样本,μ已知,求σ^2的极大似然估计.

设X1,X2,...Xn为来自正态总体X~N(μ,σ^2)的一个样本,μ已知,求σ^2的极大似然估计.
f(x1)=1/(2piσ^2)^0.5*exp[-(x1-μ)^2/2σ^2]
...
f(xn)=1/(2piσ^2)^0.5*exp[-(xn-μ)^2/2σ^2]
L=f(x1)*f(x2)...f(xn)=[1/(2piσ^2)^0.5]^n*exp[-(x1-μ)^2/2σ^2+...-(xn-μ)^2/2σ^2]
L=[1/(2piσ^2)^0.5n]*exp{-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2}
lnL=ln[1/(2piσ^2)^0.5n]-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2
lnL=-0.5n*ln(2piσ^2)-[(x1-μ)^2/+...+(xn-μ)^2]/2σ^2
lnL(对σ^2的导数)=-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4
lnL(对σ^2的导数)=0
所以-n/(2σ^2)+[(x1-μ)^2/+...+(xn-μ)^2]/2σ^4=0
σ^2=[(x1-μ)^2/+...+(xn-μ)^2]/n

设X1,X2,...Xn为来自正态总体X~N(μ,σ^2)的一个样本,μ已知,求σ^2的极大似然估计. 设X1,X2,...Xn+1为来自正态总体X~N(u,)的容量为n的样本,,为样本X1,X2...,Xn的样本均值和样本方差,下面这个是怎么推导出来的? 1、抛n次硬币,X、Y分别表示硬币正面和反面向上的次数,则X与Y的相关系数为____.2、设X1,X2,...,Xn为来自正态总体N(μ,σ^2)的简单随机样本,那么D[∑(Xi-X上面一横)^2]=?3、设X1,X2.Xn为来自正态总体X 设总体X~P(λ),则来自总体X的样本X1,X2.Xn的样本概率分布为 设X1.X2.Xn是来自正态总体N(3,4)的样本,则1/4倍的Xi-3的平方求和服从的分布为? 设X1,X2,...Xn是来自正态总体X~N(μ,σ^2)的简单随机样本求(X1+X2+...+Xn)服从什么分布?正态么?期望,方差都是多少? 概率论的一道题设X1,X2,...Xn+1为来自正态总体X~N(u,o^2)的容量为n+1的样本,X均,S^2为样本X1,X2...,Xn的样本均值和样本方差,证明T=(根号(n/(n+1)))*(Xn+1-X均)/S~t(n-1) 设X1,X2,...Xn+1为来自正态总体X~N(u,o^2)的容量为n+1的样本,X均,S^2为样本X1,X2...,Xn的样本均值和样本方差,证明T=(根号(n/(n+1)))*(Xn+1-X均)/S~t(n-1) 设总体X:N(μ,σ^2),X1,X2,……Xn是来自X的样本,X(上面有个横杠),S^2分别为样本均值和修 正的样本方差,设总体X:N(μ,σ^2),X1,X2,……Xn是来自X的样本,X(上面有个横杠),S^2分别为样本均值和修正的样本 设总体X服从正态N(μ,σ²),x1,x2,xn为其总体的样本,求该样本的联合概率密度 设总体X服从正态N(μ,σ²),x1,x2,xn为其总体的样本,求该样本的联合概率密度 设X1,X2,...,Xn为来自正态总体X~N( θ,1)的样本,求参数 θ的极大似然估计量并验证它是否为参数 θ的无偏估计量. 设(x1,x2.xn)来自正态总体N(u,q^2),x(头上一横),s^2分别是样本均值和方差,当u未知,q^2的置信水平为1-a的置信区间为 设X1,X2,...Xn是来自正态总体N(μ,σ^2)的简单随机样本.则平均值Xbar服从参数为__和__分布 设X1,X2,...Xn是来自正态总体N(μ,σ^2)的简单随机样本.则平均值Xbar服从参数为__的__分布 设总体X服从正态分布X~N(μ,σ^2),X1,X2,...,Xn为来自该总体的一个样本,则样本均值是 设X1,X2.Xn是来自正态总体N(0,1)的样本,则随机变量Y=C(X1-X2+X3-X4)^2~x^2(1)则常数C是 概率论与数理统计:设总体X~N(0,0.25),x1,x2,x3...xn为来自总体的一个样本,见下图;请给出计算过程, 设X1 X2 ...Xn为来自总体X的样本,总体X服从参数为λ的指数分布,即X~f(x,λ)=λexp(-λx) 求X(1)和X(n)的数学期望(其中X1)=min(X1 X2 ...Xn).X(n)=max(X1 X2 ...Xn))