3.4.3. ДОСТАТОЧНОСТЬ И НЕСМЕЩЕННАЯ МИНИМАЛЬНО ДИСПЕРСНАЯ ОЦЕНКА
а) Теорема Рао—Блеквелла. Различные критерии, фигурировавшие выше, дают возможность найти достаточную статистику
, когда она существует. Но, как выяснилось в примере 3.4.3, остается открытой проблемой выбор подходящей функции от
, которая была бы разумной оценкой
.
Почти тривиальный пример дает биномиальное распределение
. Если X имеет такое распределение, то наблюдаемое значение х переменной X достаточно для
[см. пример 3.4.6 а]; как оценка эта статистика неприемлема: значение
должно заключаться между 0 и 1, между тем, если
то х может быть равным, скажем, 19.
Очевидное решение состоит в том, чтобы взять в качестве оценки не х, а
(несмещенную для
).
Подобные свойства проявляет и отрицательное биномиальное распределение. Если
имеет такое распределение, как в примере 3.4.6б, то наблюдаемое значение
переменной
достаточно для
, но как оценка
неприемлемо по соображениям размерности, как указывает соотношение
Преобразование, которому следует подвергнуть
для получения приемлемой, т. е. несмещенной, оценки
, не столь очевидно, как в предыдущем случае. Но небольшое вычисление все-таки приводит к оценке
которая является несмещенной для
[ср. с примером 3.3.0].
Нельзя, однако, надеяться на то, что всякий раз удастся найти подходящие решения, как было в этой задаче. Следующая теорема предлагает регулярный метод.
Теорема 3.4.2 (теорема Рао—Блеквелла). Предположим, что
— достаточная, но смещенная оценка
, основанная на выборке
наблюдений случайной величины X, а
— несмещенная, но недостаточная оценка в. Пусть
где
— статистические копии X. Тогда условное математическое ожидание [см. II, раздел 8.9]
является несмещенной достаточной оценкой
и
В качестве тривиальной иллюстрации действия теоремы рассмотрим выборку
наблюдений бернуллиевски распределенной переменной X. Статистика
достаточна для
, но смещенная.
Статистика
несмещенная, но недостаточная. Статистика Рао—Блеквелла равна:
Эта оценка
— несмещенная и достаточная. Следующий пример более содержателен.
Пример 3.4.7. Применение теоремы Рао—Бреквелла. Пусть
— случайная выборка наблюдений случайной переменной X с п.р.в.
. (Отметим, что
Из формы п.р.в. выборки
следует (с учетом теоремы 3.4.1), что
достаточна для
. Поскольку выборочное математическое ожидание этой статистики равно
она неудовлетворительна по соображениям размерности. С другой стороны, оценка
несмещенная для (К так как ее математическое ожидание равно:
Согласно теореме 3.4.2 оценка
несмещенная и достаточная для
. Отметим, что условное распределение
при данном
должно быть свободно от параметра
, по определению, достаточной статистики, и, таким образом,
— статистика. Чтобы вычислить ее, мы должны знать условное распределение
при заданном
Заметим, что
— специальный случай гамма-распределения. Из свойства аддитивности гамма-функций [см. II, раздел 11.3.2] следует, что плотность вероятностного распределения
в точке
равна:
Для того чтобы найти условное распределение
при данном
нужно знать совместную
скажем,
пары
Очевидно, что это то же самое, что и совместная п.р.в. Х и
в точке
Поскольку же
и
независимы,
Условная п.р.в. X в точке x при данном
равна:
Окончательно: искомой несмещенной функцией
будет
где
— выборочное среднее. Очевидно, что это достаточная статистика, поскольку она является функцией достаточной статистики
Несмещенность можно проверить и прямым вычислением:
б) Несмещенные оценки с минимальной дисперсией и достаточность. Теорема Рао—Блеквелла позволяет нам для
построить несмещенную достаточную оценку по достаточной оценке
и произвольной несмещенной оценке
с дисперсией, не большей, чем
По соображениям концентрации [см. раздел 3.3.1, а],
, очевидно, лучше, чем
Предположим, что кто-то работает с другой несмещенной оценкой
Получит ли он иную и, возможно, лучшую несмещенную достаточную оценку
? Ответ на этот вопрос отрицателен. При некоторых не слишком ограничительных условиях оценка Рао—Блеквелла
единственна и тем самым является НОМД для
. Это следует из известного результата
если существует полная достаточная статистика, то любая функция ее — несмещенная оценка ожидаемого значения с минимальной дисперсией. (Достаточная статистика называется полной, если ее любая функция, не равная нулю, с вероятностью 1 имеет ненулевое математическое ожидание.)
Пример 3.4.8. НОМД для биномиального и отрицательного биномиального параметров. Как мы убедились в разделе 3.4.5, а), если
— число успехов в
испытаниях Бернулли с параметром
то
— несмещенная достаточная оценка
. Можно показать, что х — полная в смысле предыдущего определения. Из чего следует, что
является НОМД для
. Аналогично если
— число испытаний до достижения фиксированного числа х успехов, то
для
.