概率统计7-2(估计量的评选标准).docxVIP

概率统计7-2(估计量的评选标准)

一、引言

在概率统计的领域中，参数估计是一个核心内容。当我们面对总体分布中的未知参数时，需要通过样本信息来构造合适的统计量对其进行估计，这样的统计量就被称为估计量。然而，对于同一个未知参数，往往可以构造出多个不同的估计量。那么，如何从众多的估计量中挑选出“最优”的那个呢？这就涉及到估计量的评选标准问题。本文将深入探讨估计量的几个重要评选标准，包括无偏性、有效性和一致性，通过理论分析、实例讲解以及实际应用等方面，全面阐述这些标准的意义和应用。

二、无偏性

（一）无偏性的定义

设$\theta$是总体$X$的未知参数，$X_1,X_2,\cdots,X_n$是来自总体$X$的样本，$\hat{\theta}=\hat{\theta}(X_1,X_2,\cdots,X_n)$是$\theta$的一个估计量。如果$E(\hat{\theta})=\theta$，则称$\hat{\theta}$是$\theta$的无偏估计量。

直观地说，无偏性意味着估计量的期望等于被估计的参数。也就是说，在大量重复抽样的情况下，估计量的平均值会趋近于被估计的真实参数值。这是一个非常重要的性质，因为它保证了估计量不会系统地高估或低估参数。

（二）无偏性的实例

1.样本均值是总体均值的无偏估计

设总体$X$的均值为$\mu$，方差为$\sigma^2$，$X_1,X_2,\cdots,X_n$是来自总体$X$的样本。样本均值$\overline{X}=\frac{1}{n}\sum_{i=1}^{n}X_i$。

根据期望的线性性质，$E(\overline{X})=E(\frac{1}{n}\sum_{i=1}^{n}X_i)=\frac{1}{n}\sum_{i=1}^{n}E(X_i)$。由于样本$X_i$与总体$X$同分布，所以$E(X_i)=\mu$，则$\frac{1}{n}\sum_{i=1}^{n}E(X_i)=\frac{1}{n}\cdotn\mu=\mu$。因此，样本均值$\overline{X}$是总体均值$\mu$的无偏估计量。

2.样本方差是总体方差的无偏估计

样本方差$S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\overline{X})^2$。

可以通过一系列的推导证明$E(S^2)=\sigma^2$。具体推导过程如下：

\[

\begin{align}

\sum_{i=1}^{n}(X_i-\overline{X})^2=\sum_{i=1}^{n}[(X_i-\mu)-(\overline{X}-\mu)]^2\\

=\sum_{i=1}^{n}[(X_i-\mu)^2-2(X_i-\mu)(\overline{X}-\mu)+(\overline{X}-\mu)^2]\\

=\sum_{i=1}^{n}(X_i-\mu)^2-2(\overline{X}-\mu)\sum_{i=1}^{n}(X_i-\mu)+n(\overline{X}-\mu)^2

\end{align}

\]

因为$\sum_{i=1}^{n}(X_i-\mu)=n(\overline{X}-\mu)$，所以$\sum_{i=1}^{n}(X_i-\overline{X})^2=\sum_{i=1}^{n}(X_i-\mu)^2-n(\overline{X}-\mu)^2$。

又因为$E[(X_i-\mu)^2]=\sigma^2$，$E[(\overline{X}-\mu)^2]=\frac{\sigma^2}{n}$，则$E[\sum_{i=1}^{n}(X_i-\overline{X})^2]=(n-1)\sigma^2$，所以$E(S^2)=\sigma^2$，即样本方差$S^2$是总体方差$\sigma^2$的无偏估计量。

（三）无偏性的意义

无偏性在实际应用中具有重要的意义。例如，在质量控制中，我们需要估计产品的某个质量指标的均值。如果使用的估计量是无偏的，那么多次抽样得到的估计值的平均结果就会接近真实的质量指标均值，从而可以更准确地评估产品的质量水平。同时，无偏性也是其他评选标准的基础，很多时候我们会优先考虑无偏估计量，然后再在无偏估计量中进一步筛选。

三、有效性

（一）有效性的定义

设$\hat{\theta}_1$和$\hat{\theta}_2$都是参数$\theta$的无偏估计量，如果$D(\hat{\theta}_1)D(\h