本篇笔记内容来源
数理统计学导论(原书第7版) 机械工业出版社
统计量
设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 表示随机变量 X X X 的样本,令 T = T ( X 1 , X 2 , ⋯ , X n ) T=T(X_1,X_2,\cdots,X_n) T=T(X1,X2,⋯,Xn) 是样本的函数,则称 T T T 为统计量
(统计量也是随机变量)
例
样本均值 X ‾ = 1 n ∑ i = 1 n X i 样本方差 S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ‾ ) 2 样本均值\overline{X}=\frac{1}{n}\sum^n_{i=1}X_i\ \ 样本方差S^2=\frac{1}{n-1}\sum^n_{i=1}(X_i-\overline{X})^2\\ 样本均值X=n1i=1∑nXi 样本方差S2=n−11i=1∑n(Xi−X)2
无偏性
设 X 1 , X 2 , ⋯ , X n X_1,X_2,\cdots,X_n X1,X2,⋯,Xn 表示随机变量 X X X 的样本, X X X 具有 pdf f ( x ; θ ) f(x;\theta) f(x;θ) .
设 T = T ( X 1 , X 2 , ⋯ , X n ) T=T(X_1,X_2,\cdots,X_n) T=T(X1,X2,⋯,Xn) 是统计量.
如果 E ( T ) = θ E(T)=\theta E(T)=θ 我们称 T T T 是 θ \theta θ 的无偏估计量.
(无偏性是点估计量的性质)
比如 X ∼ N ( μ , σ 2 ) X\sim N(\mu,\sigma^2) X∼N(μ,σ2) 中均值 μ \mu μ 未知,就可以将其 pdf 写作 f ( x ; μ ) f(x;\mu) f(x;μ)
这时样本均值
X ‾ = 1 n ∑ i = 1 n X i \overline{X}=\frac{1}{n}\sum^n_{i=1}X_i X=n1i=1∑nXi
就是 μ \mu μ 的无偏估计量