题目
已知总体 sim U(theta ,theta +1) X1,X2,···, _(n)是来自总体的样本,总体 sim U(theta ,theta +1) X1,X2,···, _(n)为样本均值,试证总体 sim U(theta ,theta +1) X1,X2,···, _(n)的无偏估计量
已知
是来自总体的样本,
为样本均值,试证
的无偏估计量
题目解答
答案
根据题意，可解：
要证明 
首先，已知总体 
，其概率密度函数为:
的平均值:
，即:
为了证明 
E(\hat{\theta})=E(\bar{X})
∵ 
，样本均值的期望值 
的平均值:
对于均匀分布 
∴
∵ 
∴ 可以得出结论，
故本题得证
解析
步骤 1：理解无偏估计量的定义
无偏估计量是指估计量的期望值等于被估计参数的真实值。即，如果 $\hat{\theta}$ 是 $\theta$ 的无偏估计量，则 $E(\hat{\theta}) = \theta$。
步骤 2：计算样本均值的期望值
已知总体 $X \sim U(\theta, \theta + 1)$，其概率密度函数为：
$$
f(x) = \begin{cases}
1, & \theta \leq x \leq \theta + 1 \\
0, & \text{其他}
\end{cases}
$$
样本均值 $\overline{X}$ 是样本 $X_1, X_2, \ldots, X_n$ 的平均值，即：
$$
\overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i
$$
由于 $X_1, X_2, \ldots, X_n$ 是独立同分布的，样本均值的期望值 $E(\overline{X})$ 等于总体期望值 $E(X)$ 的平均值，即：
$$
E(\overline{X}) = E(X)
$$
对于均匀分布 $U(\theta, \theta + 1)$，总体期望值 $E(X)$ 是：
$$
E(X) = \frac{\theta + (\theta + 1)}{2} = \theta + \frac{1}{2}
$$
因此，样本均值的期望值为：
$$
E(\overline{X}) = \theta + \frac{1}{2}
$$
步骤 3：判断 $\hat{\theta} = \overline{X}$ 是否为 $\theta$ 的无偏估计量
根据步骤 2 的计算结果，$E(\overline{X}) = \theta + \frac{1}{2}$，而 $\theta$ 的真实值为 $\theta$。由于 $E(\overline{X})$ 不等于 $\theta$，因此 $\hat{\theta} = \overline{X}$ 不是 $\theta$ 的无偏估计量。
无偏估计量是指估计量的期望值等于被估计参数的真实值。即，如果 $\hat{\theta}$ 是 $\theta$ 的无偏估计量，则 $E(\hat{\theta}) = \theta$。
步骤 2：计算样本均值的期望值
已知总体 $X \sim U(\theta, \theta + 1)$，其概率密度函数为：
$$
f(x) = \begin{cases}
1, & \theta \leq x \leq \theta + 1 \\
0, & \text{其他}
\end{cases}
$$
样本均值 $\overline{X}$ 是样本 $X_1, X_2, \ldots, X_n$ 的平均值，即：
$$
\overline{X} = \frac{1}{n} \sum_{i=1}^{n} X_i
$$
由于 $X_1, X_2, \ldots, X_n$ 是独立同分布的，样本均值的期望值 $E(\overline{X})$ 等于总体期望值 $E(X)$ 的平均值，即：
$$
E(\overline{X}) = E(X)
$$
对于均匀分布 $U(\theta, \theta + 1)$，总体期望值 $E(X)$ 是：
$$
E(X) = \frac{\theta + (\theta + 1)}{2} = \theta + \frac{1}{2}
$$
因此，样本均值的期望值为：
$$
E(\overline{X}) = \theta + \frac{1}{2}
$$
步骤 3：判断 $\hat{\theta} = \overline{X}$ 是否为 $\theta$ 的无偏估计量
根据步骤 2 的计算结果，$E(\overline{X}) = \theta + \frac{1}{2}$，而 $\theta$ 的真实值为 $\theta$。由于 $E(\overline{X})$ 不等于 $\theta$，因此 $\hat{\theta} = \overline{X}$ 不是 $\theta$ 的无偏估计量。