栗子1 设样本 X ∼ B ( n , p ) X\sim B(n,p) X∼B(n,p)， n n n已知而 p p p为未知参数（样本大小为1）， g ( p ) = s i n p g(p)=sin~p g(p)=sin p.因为 X X X只取 0 , 1 , . . . , n 0,1,...,n 0,1,...,n这些值，为定义一个估计量 g ^ \hat{g} g^，只需指出 g ^ ( i ) \hat{g}(i) g^(i)的值 a i ( i = 0 , 1 , . . . , n ) a_i(i=0,1,...,n) ai(i=0,1,...,n)即可.
容易知道，
g
^
\hat{g}
g^必为有偏的.
如果
g
^
\hat{g}
g^为无偏的,则应有
E
p
[
g
^
(
X
)
]
=
∑
i
=
0
n
a
i
(
n
i
)
p
i
(
1
−
p
)
n
−
i
=
g
(
p
)
=
s
i
n
p
,
∀
p
∈
(
0
,
1
)
E_p[\hat{g}(X)]=\sum_{i=0}^{n}a_i\binom{n}{i}p^i(1-p)^{n-i}=g(p)=sin~p,\forall p\in (0,1)
Ep[g^(X)]=i=0∑nai(in)pi(1−p)n−i=g(p)=sin p,∀p∈(0,1)
但是一个多项式函数是不可能在一个区间上处处等于一个超越函数
s
i
n
p
sin~p
sin p的.因此不可能存在
s
i
n
p
sin~p
sin p的无偏估计.
栗子2 设 X 1 , X 2 , . . . , X n ∼ N ( θ , 1 ) X_1,X_2,...,X_n \sim N(\theta,1) X1,X2,...,Xn∼N(θ,1).则 g ( θ ) = ∣ θ ∣ g(\theta)=|\theta| g(θ)=∣θ∣没有无偏估计.
如果存在无偏估计
g
^
(
X
)
\hat{g}(X)
g^(X),那么应有
E
θ
(
g
^
(
X
)
)
=
∫
−
∞
+
∞
g
^
(
x
1
,
.
.
.
,
x
n
)
p
(
x
1
,
x
2
,
.
.
.
,
x
n
,
θ
)
d
x
1
d
x
2
.
.
.
d
x
n
=
∣
θ
∣
E_\theta(\hat{g}(X))=\int_{-\infty}^{+\infty}\hat{g}(x_1,...,x_n)p(x1,x2,...,xn,\theta)dx_1dx_2...dx_n=|\theta|
Eθ(g^(X))=∫−∞+∞g^(x1,...,xn)p(x1,x2,...,xn,θ)dx1dx2...dxn=∣θ∣
然后会发现 左边可以对
θ
\theta
θ取任意值进行求导（控制收敛定理）.
d
d
θ
∫
−
∞
+
∞
g
^
(
x
1
,
.
.
.
,
x
n
)
p
(
x
1
,
x
2
,
.
.
.
,
x
n
,
θ
)
d
x
1
d
x
2
.
.
.
d
x
n
=
∫
−
∞
+
∞
g
^
(
x
1
,
.
.
.
,
x
n
)
d
d
θ
p
(
x
1
,
x
2
,
.
.
.
,
x
n
,
θ
)
d
x
1
d
x
2
.
.
.
d
x
n
\frac{d}{d\theta}\int_{-\infty}^{+\infty}\hat{g}(x_1,...,x_n)p(x1,x2,...,xn,\theta)dx_1dx_2...dx_n=\int_{-\infty}^{+\infty}\hat{g}(x_1,...,x_n)\frac{d}{d\theta}p(x1,x2,...,xn,\theta)dx_1dx_2...dx_n
dθd∫−∞+∞g^(x1,...,xn)p(x1,x2,...,xn,θ)dx1dx2...dxn=∫−∞+∞g^(x1,...,xn)dθdp(x1,x2,...,xn,θ)dx1dx2...dxn
但是右式
∣
θ
∣
|\theta|
∣θ∣在
0
0
0处不可导，这就产生了矛盾.
说明
∣
θ
∣
|\theta|
∣θ∣的无偏估计量
g
^
(
X
)
\hat{g}(X)
g^(X)是不存在的.
参考资料： 《数理统计学教程》（陈希孺）
1万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
