2025年大学《统计学》专业题库- 统计学中的效率评价方法

2025年大学《统计学》专业题库——统计学中的效率评价方法考试时间：______分钟总分：______分姓名：______一、填空题（每空3分，共15分）1.若一个估计量满足其期望值等于被估计参数，则称该估计量为_______估计量。2.在所有无偏估计量中，方差最小的估计量称为_______估计量，简称MVUE。3.衡量估计量方差与其理论最小值（由罗-克拉美不等式确定）接近程度的指标是_______。4.若一个统计量包含了总体分布中所有关于参数的信息，且不再包含任何关于参数的其他信息，则称该统计量为_______统计量。5.根据因子分解定理，一个统计量T是总体参数θ的充分统计量的充要条件是存在两个函数g(T,θ)和h(T)，使得样本联合概率密度（或分布律）f(x;θ)可以分解为_______的形式。二、选择题（每题3分，共15分。请将正确选项的代表字母填写在题后括号内）1.下列哪个说法是正确的？(A)所有无偏估计量都是有效的。(B)有效的估计量一定是无偏估计量。(C)矩估计量一定是充分估计量。(D)一致性是衡量估计量精确度的标准。2.设总体X服从参数为θ的指数分布，f(x;θ)=θe^{-θx}(x>0,θ>0)。则θ的无偏估计量θ̂=(1/n)Σi=1^nXi的方差Var(θ̂)是：(A)θ²(B)θ(C)1/θ(D)1/(nθ)3.对于正态分布N(μ,σ²)的一个简单随机样本，样本均值X̄和样本方差S²都是μ的估计量。下列说法正确的是：(A)X̄和S²都是无偏估计量。(B)X̄和S²都是最小方差无偏估计量。(C)X̄是无偏估计量，S²不是。(D)X̄不是无偏估计量，S²是。4.设T是总体参数θ的一个充分统计量。若θ̂_1和θ̂_2都是θ的无偏估计量，且Var(θ̂_1|T)<Var(θ̂_2|T)，则称θ̂_1比θ̂_2在给定T下的_______。(A)无偏性更好(B)一致性更好(C)效率更高(D)稳定性更好5.对于总体分布N(μ,σ²)，样本均值X̄是总体均值μ的最小方差无偏估计量（MVUE）。这是基于以下哪个定理？(A)罗-克拉美不等式(B)因子分解定理(C)大数定律(D)中心极限定理三、计算题（每题10分，共30分）1.设总体X服从两点分布B(1,p)，即P(X=x)=p^x(1-p)^(1-x),x=0,1,0<p<1。从总体中抽取一个简单随机样本X_1,X_2,...,X_n，样本大小为n。(1)求p的矩估计量。(2)求p的最大似然估计量。(3)求p的充分统计量。2.从均值为μ、方差为σ²的正态分布N(μ,σ²)中抽取一个简单随机样本X_1,X_2,...,X_n，样本大小为n。样本均值X̄=(1/n)Σi=1^nX_i。(1)证明样本方差S²=[(Σi=1^n(X_i-X̄)²)/(n-1)]是σ²的无偏估计量。(2)根据罗-克拉美不等式，求σ²的理论最小方差下界（即C-R不等式下界）。3.设总体X服从参数为λ的泊松分布P(λ)，即P(X=x)=(e^-λ*λ^x)/x!,x=0,1,2,...,λ>0。从总体中抽取一个简单随机样本X_1,X_2,...,X_n。(1)求参数λ的最大似然估计量。(2)求样本均值X̄的方差，并说明X̄是否是λ的有效估计量（需要先求出λ的C-R下界）。四、简答题（每题10分，共20分）1.简述无偏估计量和有效估计量的区别与联系。2.解释什么是充分统计量，并说明为什么充分性在统计推断中具有重要意义（至少从效率评价的角度说明）。五、证明题（15分）设总体X的概率密度函数为f(x;θ)=(θ/x)*e^(-θ/x),x>θ,θ>0。从总体中抽取一个简单随机样本X_1,X_2,...,X_n。证明：统计量T=(-2/n)*Σi=1^nln(X_i/θ)是参数θ的一个充分统计量。---试卷答案一、填空题1.无偏2.最小方差无偏(或MVUE)3.效率4.充分5.g(T,θ)/h(T)二、选择题1.B2.D3.C4.C5.A三、计算题1.(1)矩估计量：p̂_M=(1/n)*Σi=1^nX_i(即样本均值X̄)(解析思路：E[X]=p，令E[X]=样本矩(1/n)Σi=1^nX_i，解得p̂_M)(2)最大似然估计量：p̂_MLE=(1/n)*Σi=1^nX_i(即样本均值X̄)(解析思路：写出似然函数L(p;X_1,...,X_n)=Πp^X_i(1-p)^(1-X_i)，取对数得lnL，对p求导数，令其为0，解得p̂_MLE)(3)充分统计量：T=(1/n)*Σi=1^nX_i(即样本均值X̄)(解析思路：写出样本联合概率分布f(x_1,...,x_n;p)=Πp^x_i(1-p)^(1-x_i)，尝试用因子分解定理形式g(T,p)*h(x_1,...,x_n)分解，发现T=ΣX_i/n可作为g(T,p)，h(x_1,...,x_n)为(1/n)^n*(1-p)^(n-T)*p^T，满足因子分解定理，故X̄是充分统计量)2.(1)证明：E[S²]=E[(Σ(X_i-X̄)²)/(n-1)]=E[Σ(X_i-E[X_i])²/(n-1)]=E[Σ(X_i-μ)²/(n-1)](因X_i~N(μ,σ²))=(1/(n-1))*[n*Var(X_i)]=(1/(n-1))*[n*σ²]=σ²(解析思路：利用样本方差的定义和期望性质，结合正态分布样本均值的性质E[X_i]=μ,Var(X_i)=σ²)(2)C-R下界：σ_min²=E[(θ̂-θ)²]≥(1/Cov(θ̂,θ)²)=(1/E[θ̂²]-θ²)²对于正态分布，θ̂=X̄~N(μ,σ²/n)，E[X̄²]=Var(X̄)+(E[X̄])²=σ²/n+μ²Cov(X̄,μ)=E[X̄-μ](X̄-μ)=E[(X̄-μ)²]=Var(X̄)=σ²/nE[θ̂-θ]²=E[X̄-μ]²=Var(X̄)=σ²/nC-R下界为σ_min²=(σ²/n)/(σ²/n)²=n/σ²(解析思路：利用C-R不等式σ²≥E[(θ̂-θ)²]≥1/Cov(θ̂,θ)²，计算正态分布下X̄的方差Var(X̄)和协方差Cov(X̄,μ)，代入求解)3.(1)最大似然估计量：λ̂_MLE=(1/n)*Σi=1^nX_i(即样本均值X̄)(解析思路：写出似然函数L(λ;X_1,...,X_n)=Π(e^(-λ)*λ^X_i)/X_i!=e^(-nλ)*(λ^ΣX_i)/ΠX_i!取对数lnL=-nλ+ΣX_i*lnλ-ln(ΠX_i!)，对λ求导数dlnL/dλ=-n+(ΣX_i)/λ，令其为0，解得λ̂_MLE=ΣX_i/n=X̄)(2)Var(X̄)=Var((1/n)ΣX_i)=(1/n²)*n*Var(X_i)=(1/n)*Var(X_i)因X_i~P(λ)，Var(X_i)=λ，故Var(X̄)=λ/nC-R下界：σ²≥E[(θ̂-θ)²]≥1/Cov(θ̂,θ)²对于泊松分布，θ̂=X̄~N(λ,λ/n)，E[X̄²]=Var(X̄)+(E[X̄])²=λ/n+λ²Cov(X̄,λ)=E[X̄-λ](X̄-λ)=E[(X̄-λ)²]=Var(X̄)=λ/nE[θ̂-λ]²=E[X̄-λ]²=Var(X̄)=λ/nC-R下界为σ_min²=(λ/n)/(λ/n)²=n/λ因Var(X̄)=λ/n=n/λ，故X̄的方差等于其C-R下界，X̂=X̄是λ的有效估计量。(解析思路：计算泊松分布下X̄的方差Var(X̄)。利用C-R不等式计算λ的理论最小方差下界。比较Var(X̄)与C-R下界，若相等则X̄是有效估计量。)四、简答题1.区别：无偏估计量要求其期望值等于被估参数，侧重于估计值的集中位置；有效估计量要求在所有无偏估计量中具有最小的方差，侧重于估计值的精确度（方差小表示波动小，更集中）。联系：有效估计量首先必须是无偏估计量，否则无法进行比较。效率评价是在无偏估计的基础上，对其精确性进行更高层次的衡量。一个估计量若想成为MVUE，必须同时满足无偏性和有效性（最小方差）。2.充分统计量是指包含了样本中所有关于参数θ的信息，且不再包含任何关于θ的其他信息的统计量T=T(X_1,...,X_n)。其重要性在于：(1)简化问题：利用充分统计量T可以代替原始样本(X_1,...,X_n)，大大降低样本的维度，使后续分析更简洁。(2)有效性：由因子分解定理可知，基于充分统计量得到的估计量通常具有更好的效率。例如，在单参数指数族分布中，基于充分统计量的无偏估计量往往是MVUE。(3)理论基础：充分性是现代统计推断理论（如UMVUE的构造）的重要基石。(解析思路：首先定义充分统计量。然后从简化分析、提高效率（特别是与MVUE的联系）、提供理论基础等角度阐述其意义。)3.证明：写出样本联合概率密度f(x_1,...,x_n;θ)=Π(θ/x_i)*e^(-θ/x_i)(x_i>θ,θ>0)=θ^n*Π(1/x_i)*e^(-θ*Σ(1/x_i))=θ^n*(Πx_i)^(-1)*e^(-θ*(-2/n)*Σ(1/x_i))=θ^n*(Πx_i)^(-1)*e^(2θ/n*Σ(1/x_i))尝试因子分解形式g(T,θ)*h(x_1,...,x_n)，其中T=(-2/n)*Σ(1/x_i)，h(x_1,...,x_n)与θ无关。g(T,θ)=θ^n*e^(2θT)=θ^n*e^(2θ*(-2/n)*Σ(1/x_i))=θ^n*e^(-4θ/n*Σ(1/x_i))h(x_1,...,x_n)=(Πx_i)^(-1)发现样本联合概率密度可以分解为g(T,θ)=θ^n*e^(-4θT)和h(x_1,...,x_n)=(Πx_i)^(-1)的形式，其中T=(-2/n)*Σ(1/x_i)仅依赖于样本，不依赖于参数θ。根据因子分解定理，统计量T=(-2/n)*Σ(1/x_i)是参数θ的充分统计量。(解析思路：写出样本联合密度函数。尝试用因子分解定理的形式进行分解，将样本相关的部分提取出来作为h(x_1,...,x_n)，剩余部分作为g(T,θ)包含T和θ。验证分解是否成功，若成功则T是充分统计量。)五、证明题证明：写出样本联合概率密度f(x_1,...,x_n;θ)=Π(θ/x_i)*e^(-θ/x_i)(x_i>θ,θ>0)=θ^n*Π(1/x_i)*e^(-θ*Σ(1/x_i))=θ^n*(Πx_i)^(-1)*e^(-θ*(-2/n)*Σ(1/x_i))=θ^n*(Πx_i)^(-1)*e^(2θ/n*Σ(1/x_i))令T=(-2/n)*Σ(1/x_i)，则Σ(1/x_i)=-n/T，代入上式：f(x_1,...,x_n;θ)=θ^n*(Πx_i)^(-1)*e^(2θ*(-n/T))=θ^n*(Πx_i)^(-1)*e^(-2nθ/T)令g(T,θ)=θ^n*e^(-2nθ/T)，h(x_1,...,x_n)=(Πx_i)^(-1)可以验证f(x_1,...,x_n;θ)=g(T,θ)*h(x_1,...,x