) задач математической статистики .

Предположим, что имеется параметрическое семейство распределений вероятностей (для простоты будем рассматривать распределение случайных величин и случай одного параметра). Здесь - числовой параметр, значение которого неизвестно. Требуется оценить его по имеющейся выборке значений, порожденной данным распределением.

Различают два основных типа оценок: точечные оценки и доверительные интервалы .

Точечное оценивание

Точечное оценивание - это вид статистического оценивания, при котором значение неизвестного параметра приближается отдельным числом. То есть необходимо указать функцию от выборки (статистику)

,

значение которой будет рассматриваться в качестве приближения к неизвестному истинному значению .

К общим методам построения точечных оценок параметров относятся: метод максимального правдоподобия , метод моментов , метод квантилей .

Ниже приводятся некоторые свойства, которыми могут обладать или не обладать точечные оценки.

Состоятельность

Одно из самых очевидных требований к точечной оценке заключается в том, чтобы можно было ожидать достаточно хорошего приближения к истинному значению параметра при достаточно больших значениях объема выборки . Это означает, что оценка должна сходиться к истинному значению при . Это свойство оценки и называется состоятельностью . Поскольку речь идет о случайных величинах, для которых имеются разные виды сходимости, то и данное свойство может быть точно сформулировано по-разному:

Когда употребляют просто термин состоятельность , то обычно имеется в виду слабая состоятельность, т.е. сходимость по вероятности.

Условие состоятельности является практически обязательным для всех используемых на практике оценок. Несостоятельные оценки используются крайне редко.

Несмещенность и асимптотическая несмещенность

Оценка параметра называется несмещенной , если ее математическое ожидание равно истинному значению оцениваемого параметра:

.

Более слабым условием является асимптотическая несмещенность , которая означает, что математическое ожидание оценки сходится к истинному значению параметра с ростом объема выборки:

.

Несмещенность является рекомендуемым свойством оценок. Однако не следует слишком переоценивать его значимость. Чаще всего несмещенные оценки параметров существуют и тогда стараются рассматривать только их. Однако могут быть такие статистические задачи, в которых несмещенных оценок не существует. Наиболее известным примером является следующий: рассмотрим распределение Пуассона с параметром и поставим задачу оценки параметра . Можно доказать, что для этой задачи не существует несмещенной оценки.

Сравнение оценок и эффективность

Для сравнения между собой различных оценок одного и того же параметра применяют следующий метод: выбирают некоторую функцию риска , которая измеряет отклонение оценки от истинного значения параметра, и лучшей считают ту, для которой эта функция принимает меньшее значение.

Чаще всего в качестве функции риска рассматривают математическое ожидание квадрата отклонения оценки от истинного значения

Для несмещенных оценок это есть просто дисперсия .

Существует нижняя граница на данную функцию риска, называемая неравенство Крамера-Рао .

(Несмещенные) оценки, для которых достигается эта нижняя граница (т.е. имеющие минимально возможную дисперсию), называются эффективными . Однако существование эффективной оценки есть довольно сильное требование на задачу, которое имеет место далеко не всегда.

Более слабым является условие асимптотической эффективности , которое означает, что отношение дисперсии несмещенной оценки к нижней границе Крамера-Рао стремится к единице при .

Заметим, что при достаточно широких предположениях относительно исследуемого распределения, метод максимального правдоподобия дает асимптотически эффективную оценку параметра, а если существует эффективная оценка - тогда он дает эффективную оценку.

Достаточные статистики

Статистика назвается достаточной для параметра , если условное распределение выборки при условии того, что , не зависит от параметра для всех .

Важность понятия достаточной статистики обуславливается следующим утверждением . Если - достаточная статистика, а - несмещенная оценка параметра , тогда условное математическое ожидание является также несмещенной оценкой параметра , причем ее дисперсия меньше или равна дисперсии исходной оценки .

Напомним, что условное математическое ожидание есть случайная величина, являющаяся функцией от . Таким образом, в классе несмещенных оценок достаточно рассматривать только такие, которые являются функциями от достаточной статистики (при условии, что такая существует для данной задачи).

(Несмещенная) эффективная оценка параметра всегда является достаточной статистикой.

Можно сказать, что достаточная статистика содержит в себе всю информацию об оцениваемом параметре, которая содержится в выборке .

Зависимые и независимые события. Произведение событий. Понятие условной вероятности. Теорема умножения вероятнос­тей (с доказательством).

Формулы полной вероятности и Байеса (с доказательством). Примеры.

Повторные независимые испытания. Формула Бернулли (с выводом). Примеры.

Локальная теорема Муавра-Лапласа, условия ее примени­мости. Свойства функции Дх). Пример.

Асимптотическая формула Пуассона и условия ее примени­мости. Пример.

Интегральная теорема Муавра-Лапласа и условия ее применимости. Функция Лапласа ф(х) и ее свойства. Пример.

Следствия из интегральной теоремы Муавра-Лапласа (с вы­водом). Примеры.

Математическое ожидание дискретной случайной величины и его свойства (с выводом). Примеры.

Дисперсия дискретной случайной величины и ее свойства (с вы­водом). Примеры.

Функция распределения случайной величины, ее определе­ние, свойства и график.

Непрерывная случайная величина (нов). Вероятность отдельно взятого значения нсв. Математическое ожидание и дис­персия нсв.

Плотность вероятности непрерывной случайной величины, ее определение, свойства и график.

Случайная величина, распределенная по биномиальному закону, ее математическое ожидание и дисперсия. Закон распреде­ления Пуассона.

Математическое ожидание и дисперсия числа и частости на­ступлений события в п повторных независимых испытаниях (с выводом).

Определение нормального закона распределения. Теоретико-вероятностный смысл его параметров. Нормальная кривая и зависимость ее положения и формы от параметров.

Функция распределения нормально распределенной случай­ной величины и ее выражение через функцию Лапласа.

Формулы для определения вероятности: а) попадания нормально распределенной случайной величины в заданный интер­вал; б) ее отклонения от математического ожидания. Правило «трехсигм».

Понятие двумерной (/7-мерной) случайной величины. При­меры. Таблица ее распределения. Одномерные распределения ее составляющих. Условные распределения и их нахождение по таб­лице распределения.

Ковариация и коэффициент корреляции случайных величин. Связь между екоррелированностью и независимостью случай­ных величин.

Понятие о двумерном нормальном законе распределения. Условные математические ожидания и дисперсии.

Неравенство Маркова (лемма Чебышева) (с выводом). При­мер.

Неравенство Чебышева (с выводом) и его частные случаидля случайной величины, распределенной по биномиальному за­кону, и для частости события.

Теорема Чебышева (с доказательством), ее значение и след­ствие. Пример.

Закон больших чисел. Теорема Бернулли (с доказательством) и ее значение. Пример.

Неравенство Чебышева для средней арифметической случай­ных величин (с выводом).

Центральная предельная теорема. Понятие о теореме Ляпу­нова и ее значение. Пример.

Вариационный ряд, его разновидности. Средняя арифмети­ческая и дисперсия ряда. Упрощенный способ их расчета.

Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность.

Оценка генеральной доли по собственно-случайной выбор­ке. Несмещенность и состоятельность выборочной доли.

Оценка генеральной средней по собственно-случайной вы­борке. Несмещенность и состоятельность выборочной средней.

Оценка генеральной дисперсии по собственно-случайной выборке. Смещенность и состоятельность выборочной дисперсии (без вывода). Исправленная выборочная дисперсия.

Понятие об интервальном оценивании. Доверительная ве­роятность и доверительный интервал. Предельная ошибка выбор­ки. Ошибки репрезентативности выборки (случайные и систематические).

Формула доверительной вероятности при оценке генеральной средней. Средняя квадратическая ошибка повторной и бес­повторной выборок и построение доверительного интервала для генеральной средней.

Определение необходимого объема повторной и бесповтор­ной выборок при оценке генеральной средней и доли.

Статистическая гипотеза и статистический критерий. Ошибки 1-го и 2-го рода. Уровень значимости и мощность критерия. Принцип практической уверенности.

Построение теоретического закона распределения по опыт­ным данным. Понятие о критериях согласия.

Критерий согласия х2-Пирсона и схема его применения.

Функциональная, статистическая и корреляционная зависимости. Различия между ними. Основные задачи теории корреляции.

Линейная парная регрессия. Система нормальных уравне­ний для определения параметров прямых регрессии. Выборочная ковариация. Формулы для расчета коэффициентов регрессии.

Упрощенный способ:

Оценка тесноты связи. Коэффициент корреляции (выбороч­ный), его свойства и оценка достоверности.

1. Понятие об оценке параметров генеральной совокупности. Свойства оценок: несмещенность, состоятельность, эффективность.

Сформулируем задачу оценки параметров в общем виде . Пусть распределение признака Х - генеральной совокупности - задается функцией вер-тей (для дискретной СВ Х) или плотностью вер-ти
(для непрерывной СВ Х), к-ая содержит неизвестный параметр. Напр, это параметр λ в распределении Пуассона или параметры а и
для нормального закона распределения и т.д.

Для вычисления параметра исследовать все элементы генеральной совокупности не представляется возможным. Поэтому о параметрепытаются судить по выборке, состоящей из значений (вариантов)
. Эти значения можно рассматривать как частные значения (реализации) n независимых случайных величин
каждая из к-ых имеет тот же закон распределения, что и сама СВ Х.

Определение . Оценкой параметраназывают всякую функцию результатов наблюдений над СВ Х (иначе - статистику), с помощью к-ой судят о значении параметра:

.

Поскольку
- случайные величины, то и оценка(в отличие от оцениваемого параметра- величины неслучайной, детерминированной) является случайной величиной, зависящей от закона распределения СВ Х и числа n.

О качестве оценки следует судить не по индивидуальным ее значениям, а лишь по распределению ее значений в большой сети испытаний, т.е. по выборочному распределению оценки.

Если значения оценки концентрируются около истинного значения параметра, т.е. основная часть массы выборочного распределения оценки сосредоточена в малой окрестности оцениваемого параметра, то с большой вер-тью можно считать, что оценкаотличается от параметралишь на малую величину. Поэтому, чтобы значениебыло близко к, надо, очевидно, потребовать, чтобы рассеяние случайной величиныотносительно, выражаемое, например, матем-ким ожиданием квадрата отклонения оценки от оцениваемого параметра
, было по возможности меньшим. Таково основное условие, к-му должна удовлетворять «наилучшая» оценка.

Свойства оценок.

Определение . Оценка параметраназываетсянесмещенной , если ее мат-кое ожидание равно оцениваемому параметру, т.е.
.

в противном случае оценка называется смещенной .

Если это равенство не выполняется, то оценка , полученная по разным выборкам, будет в среднем либо завышать значение(если
, либо занижать его (если
). Требование несмещенности гарантирует отсутствие систематических ошибок при оценивании.

Если при конечном объеме выборки n
, т.е. смещение оценки
, но
, то такая оценканазываетсяасимптотически несмещенной .

Определение . Оценка параметраназываетсясостоятельной , если она удовлетворяет закону больших чисел, т.е. сходится по вер-ти к оцениваемому параметру:

, или .

В случае использования состоятельных оценок оправдывается увеличение объема выборки, т.к. при этом становятся маловероятными значительные ошибки при оценивании. Поэтому практический смысл имеют только состоятельные оценки. Если оценка состоятельна, то практически достоверно, что при достаточно большом n
.

Если оценка параметраявляется несмещенной, а ее дисперсия
при n → ∞, то оценкаявляется и состоятельной. Это непосредственно вытекает из неравенства Чебышева:

.

Определение . Несмещенная оценка параметра сназываетсяэффективной , если она имеет наименьшую дисперсию среди всех возможных несмещенных оценок параметра , вычисленных по выборкам одного и того же объема n.

Т.к. для не смещенной оценки
есть ее дисперсия, то эф-ть являетсярешающим свойством , определяющим качество оценки.

Эффективность оценки определяют отношением: .

где и - соот-но дисперсии эффективной и данной оценок. Чем ближе е к 1, тем эффективнее оценка. Если е → 1 при n → ∞, то такая оценка называется асuмптотически эффективной.

"

Выборочные характеристики. Состоятельные,

В начале курса были рассмотрены такие понятия как классическая и статистическая вероятности.

Если классическая вероятность - это теоретическая характеристика, которую можно определить, не прибегая к опыту, то статистическая вероятность может быть определена только по результатам эксперимента. При большем числе опытов величина W(A) может служить оценкой для вероятности P(A). Достаточно вспомнить классические опыты Бюффона и Пирсона. Подобные аналогии можно продолжить и далее. Например, для теоретической характеристики М(x) таковой аналогией будет - среднее арифметическое:

= i f i / n ,

для дисперсии D(x) эмпирическим аналогом будет статистическая дисперсия:

S 2 (x) = (x i - ) 2 f i / n .

Эмпирические характеристики , S 2 (x) , W(A) являются оценками параметров М(x) , D(x) , P(A) . В тех случаях, когда эмпирические характеристики определяются на основе большого числа опытов, использование их в качестве теоретических параметров не приведет к существенным ошибкам в исследовании, однако в тех случаях, когда число опытов ограничено, ошибка при замене будет существенна. Поэтому к эмпирическим характеристикам, являющимися оценками теоретических параметров предъявляются 3 требования:

оценки должны быть состоятельными, несмещенными и эффективными.

Оценка называется состоятельной, если вероятность отклонения ее от оцениваемого параметра на величину меньшую как угодно малого положительного числа стремится к единице при неограниченном увеличении числа наблюдений n , т.е.

P(| - | < ) = 1

где - некоторый параметр генеральной совокупности,

/ - оценка этого параметра. Большинство оценок различных чис­ловых параметров отвечают этим требованиям. Однако одного этого требования бывает недостаточно. Необходимо, чтобы они еще были и несмещенными.

Оценка называется несмещенной, если математическое ожидание этой оценки равно оцениваемому параметру:

М ( / ) = .

Примером состоятельной и несмещенной оценки систематического ожидания является средняя арифметическая:

М () = .

Примером состоятельной и смещенной оценки является

дисперсия:

М (S 2 (x) ) = [ (n – 1)/ n] D(x).

Поэтому, чтобы получить несмещенную оценку теоретической дисперсии D(x) надо эмпирическую дисперсию S 2 (x) умножить на n/(n – 1) , т.е.

S 2 (x) = (x i - ) 2 f i / n n /(n – 1) = (x i - ) 2 f i /(n – 1) .

Практически эту поправку вносят при вычислении оценки дисперсии в тех случаях, когда n < 30 .

Состоятельных несмещенных оценок может быть несколько. Например, для оценки центра рассеивания нормального распределения наряду со средней арифметической , может быть взята медиана . Медиана так же, как и является несмещенной состоятельной оценкой центра группирования. Из двух состоятельных несмещенных оценок для одного и того же параметра естественно отдать пред­почтение той, у которой дисперсия меньше.

Такая оценка, у которой дисперсия будет наименьшей относительно оцениваемого параметра, называется эффективной . Например, из двух оценок центра рассеивания нормального распределения М(x) эффективной оценкой является , а не , так как дисперсия меньше дисперсии . Сравнительная эффективность этих оценок при большой выборке приближенно равна: D() / D= 2/ = 0,6366.

Практически это означает, что центр распределения генеральной совокупности (назовем его 0) определяется по с той же точностью при n наблюдениях, как и при 0,6366 n наблюдениях по средней арифметической .

4.4. Свойства выборочных средних и дисперсий.

1. Если объем выборки достаточно велик, то на основе закона больших чисел с вероятностью близкой к единице, можно утверждать, что средняя арифметическая и дисперсия S 2 будут как угодно мало отличаться от М(x) и D(x ), т.е.

М(x) , S 2 (x) D(x ), и дисперсией D() , каков бы не был объем выборок n, лишь бы число выборок было достаточно велико.

4. Когда дисперсия D(x ), генеральной совокупности неизвестна, тогда для больших значений n с большей вероятностью малой ошибки можно дисперсию выборочных средних вычислить приближенно по равенству:

D() = S 2 (x) / n,

где S 2 (x) = (x i - ) 2 f i / n - дисперсия большой выборки.

• Пусть texvc не найден; См. math/README - справку по настройке.): X_1,\ldots, X_n,\ldots - выборка для распределения , зависящего от параметра Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \theta \in \Theta . Тогда оценка Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \hat{\theta} \equiv \hat{\theta}(X_1,\ldots,X_n) называется состоятельной, если

Невозможно разобрать выражение (Выполняемый файл texvc по вероятности при Невозможно разобрать выражение (Выполняемый файл texvc .

В противном случае оценка называется несостоятельной.

• Оценка Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \hat{\theta} называется си́льно состоя́тельной , если

Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \hat{\theta} \to \theta,\quad \forall \theta\in \Theta почти наверное при Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): n \to \infty .

На практике «увидеть» сходимость «почти наверное» не представляется возможным, поскольку выборки конечны. Таким образом, для прикладной статистики достаточно требовать состоятельности оценки. Более того, оценки, которые были бы состоятельными, но не сильно состоятельными, «в жизни» встречаются очень редко. Закон больших чисел для одинаково распределённых и независимых величин с конечным первым моментом выполнен и в усиленном варианте, всякие крайние порядковые статистики тоже сходятся в силу монотонности не только по вероятности, но и почти наверное.

Признак

• Если оценка сходится к истинному значению параметра "в среднем квадратичном" или если оценка асимптотически несмещенная и её дисперсия стремится к нулю, то такая оценка будет состоятельной.

Свойства

• Из свойств сходимостей случайных величин имеем, что сильно состоятельная оценка всегда состоятельна. Обратное, вообще говоря, неверно.
• Поскольку дисперсия состоятельных оценок стремится к нулю, часто со скоростью порядка 1/n, то состоятельные оценки сравниваются между собой асимптотической дисперсией случайной величины Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \sqrt {n} (\hat{\theta}-\theta) (асимптотическое математическое ожидание этой величины равно нулю).

Связанные понятия

• Оценка называется суперсостоятельной , если дисперсия случайной величины Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): n (\hat{\theta}-\theta) стремится к конечной величине. То есть скорость сходимости оценки к истинному значению существенно выше чем у состоятельной оценки. Суперсостоятельными, например, оказываются оценки параметров регрессии коинтегрированных временных рядов.

Примеры

• Выборочное среднее Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): \bar{X} = \frac{1}{n} \sum\limits_{i=1}^n X_i является сильно состоятельной оценкой математического ожидания Невозможно разобрать выражение (Выполняемый файл texvc не найден; См. math/README - справку по настройке.): X_i .
• Периодограмма является несмещённой , но несостоятельной оценкой спектральной плотности .

См. также

Напишите отзыв о статье "Состоятельная оценка"

Отрывок, характеризующий Состоятельная оценка

Искренний, глубоко-печальный рассказ Изидоры омертвил болью наши детские сердца, даже не давая время очнуться... Казалось, не было предела бесчеловечным мукам, причиняемым чёрствыми душами уродливых палачей этой удивительной и мужественной женщине!.. Мне было искренне боязно и тревожно, только лишь думая о том, что же ждало нас по окончании её потрясающего рассказа!..
Я посмотрела на Стеллу – моя воинственная подружка испуганно жалась к Анне, не сводя с Изидоры потрясённо- округлившихся глаз... Видимо, даже её – такую храбрую и не сдающуюся – ошеломила людская жестокость.
Да, наверняка, мы со Стеллой видели больше, чем другие дети в свои 5-10 лет. Мы уже знали, что такое потеря, знали, что означает боль... Но нам ещё предстояло очень многое пережить, чтобы понять хоть малую часть того, что чувствовала сейчас Изидора!.. И я лишь надеялась, что мне никогда не придётся такого на себе по-настоящему испытать...
Я зачарованно смотрела на эту прекрасную, смелую, удивительно одарённую женщину, не в силах скрыть навернувшихся на глаза горестных слёз... Как же «люди» смели зваться ЛЮДЬМИ, творя с ней такое?!. Как Земля вообще терпела такую преступную мерзость, разрешая топтать себя, не разверзнув при этом своих глубин?!.
Изидора всё ещё находилась от нас далеко, в своих глубоко-ранящих воспоминаниях, и мне честно совсем не хотелось, чтобы она продолжала рассказывать дальше... Её история терзала мою детскую душу, заставляя сто раз умирать от возмущения и боли. Я не была к этому готова. Не знала, как защититься от такого зверства... И казалось, если сейчас же не прекратится вся эта раздирающая сердце повесть – я просто умру, не дождавшись её конца. Это было слишком жестоко и не поддавалось моему нормальному детскому пониманию...
Но Изидора, как ни в чём не бывало, продолжала рассказывать дальше, и нам ничего не оставалось, как только окунутся с ней снова в её исковерканную, но такую высокую и чистую, не дожитую земную ЖИЗНЬ...
Проснулась я на следующее утро очень поздно. Видимо тот покой, что подарил мне своим прикосновением Север, согрел моё истерзанное сердце, позволяя чуточку расслабиться, чтобы новый день я могла встретить с гордо поднятой головой, что бы этот день мне ни принёс... Анна всё ещё не отвечала – видимо Караффа твёрдо решил не позволять нам общаться, пока я не сломаюсь, или пока у него не появится в этом какая-то большая нужда.
Изолированная от моей милой девочки, но, зная, что она находится рядом, я пыталась придумать разные-преразные способы общения с ней, хотя в душе прекрасно знала – ничего не удастся найти. Караффа имел свой надёжный план, который не собирался менять, согласуя с моим желанием. Скорее уж наоборот – чем больше мне хотелось увидеть Анну, тем дольше он собирался её держать взаперти, не разрешая встречу. Анна изменилась, став очень уверенной и сильной, что меня чуточку пугало, так как, зная её упёртый отцовский характер, я могла только представить, как далеко она могла в своём упорстве пойти... Мне так хотелось, чтобы она жила!.. Чтобы палач Караффы не посягал на её хрупкую, не успевшую даже полностью распуститься, жизнь!.. Чтобы у моей девочки всё ещё было только впереди...

Одним из основных требований при построении оценок является получение оценок с минимальной дисперсией или минимальным рассеянием (если они существуют). В связи с этим в математической статистике введено понятие эффективных оценок ,

Применительно к смещенным оценкам параметра сигнала оценка называется эффективной, если среднее значение квадрата отклонения оценки от истинного значения оцениваемого параметра I не превышает среднее значение квадрата отклонения любой другой оценки у, т. е. выполняется неравенство

Для несмещенной оценки рассеяние оценки совпадает с ее дисперсией следовательно, эффективная несмещенная оценка определяется как оценка с минимальной дисперсией.

С. Рао и Крамер независимо друг от друга получили выражения для нижних границ условных дисперсий и рассеяний оценок, которые являются дисперсиями и рассеяниями эффективных оценок при условии, что таковые существуют для данных параметров.

Приведем вывод этого выражения, полагая, что необходимые допущения справедливы.

Оценку параметра у представим в сокращенной записи где X - многомерная выборка из реализации на интервале времени

Усредним выражение

по всевозможным значениям многомерной выборки X, которая описывается условной плотностью вероятности Учитывая известное соотношение для производной натурального логарифма после усреднения получаем

В силу свойства нормировки плотности вероятности последнее слагаемое в (1.3.3) равно нулю. Интеграл от первого слагаемого представляет среднее значение оценки

С учетом последнего усредненное значение можно записать в виде

Левая часть этого выражения представляет собой среднее значение произведения двух случайных величин с конечными значениями первых двух моментов. При этих условиях для случайных величин справедливо известное из математической статистики неравенство Буняковского - Шварца

которое переходит в равенство, если случайные величины связаны детерминированной зависимостью . С учетом (1.3.6) из выражения (1.3.5) можно получить

Для несмещенных оценок и оценок с постоянным смещением дисперсия оценки удовлетворяет неравенству Рао-Крамера

Необходимо отметить, что во всех соотношениях усреднение производится по многомерной выборке наблюдаемых данных X (при непрерывной обработке - по всевозможным реализациям а

произшодные берутся в точке истинного значения оцениваемого параметра.

Знак равенства в выражениях (1,3.7) и (1-3.8) достигается только для эффективных оценок.

Применительно к выражению (1.3.7) рассмотрим условия, при которых неравенство обращается в равенство, т. е. оценка параметра является эффективной смещенной оценкойю Согласно (1.3.6) для этого необходимо, чтобы коэффициент взаимной корреляции между был равен единице, т. е. чтобы эти случайные функции были связаны детерминированной линейной зависимостью.

Действительно, представим производную логарифма функции правдоподобия в виде

где функция, которая не зависит от оценки у и выборки наблюдаемых данных, но может зависеть от оцениваемого параметра При подстановке (1.3.5) и (1.3.9) в неравенство (1.3.7) оно переходит в равенство. Однако представление производной логарифма функции правдоподобия в виде (1.3.9) возможно, если для оценки у выполняется условие достаточности (1.2.9), из которого следует, что

и, следовательно, если производная логарифма отношения правдоподобия линейно зависит от достаточной оценки, то коэффициент пропорциональности не зависит от выборки

Таким образом, для существования смещенной эффективной оценки необходимо выполнение двух условий: оценка должна быть достаточной (1.2.9) и должно выполняться соотношение (1.3.9). Аналогичные ограничения налагаются на существование эффективных несмещенных оценок, при которых в выражении (1.3.8) знак неравенства переходит в равенство.

Полученное выше выражение для нижней границы дисперсии смещенной оценки справедливо и для нижней границы рассеяния смещенной оценки, так как т. е.

Последнее неравенство переходит в равенство, если кроме условия достаточности оценки справедливо соотношение

где имеет тот же смысл, что и в выражении (1.3.9).

Формула (1.3.10) выводится аналогично (1.3.7), если в исходном выражении (1.3.2) вместо рассматривать

Из характера условий (1.2.9) и (1.3.9) видно, что эффективные оценки существуют только в весьма специфических случаях. Также следует отметить, что эффективная оценка обязательно принадлежит к классу достаточных оценок, в то время как достаточная оценка не обязательно будет эффективной.

Анализ выражения для дисперсии эффективной смешенной оценки 1.3.7) показывает, что могут существовать смещенные оценки, которые обеспечивают меньшую дисперсию оценки, чем несмещенные. Для этого необходимо, чтобы производная от смещения имела отрицательное значение и по абсолютной величине в точке истинного значения параметра была близка к единице.

Поскольку в большинстве случаев интерес представляет средний квадрат результирующей ошибки оценки (рассеяние), имеет смысл говорить и о среднем квадрате ошибки оценки, который для любой оценки ограничен снизу:

При этом для эффективных оценок имеет место знак равенства.

Нетрудно показать, что соотношения (1.3.10) и (1.3.12) совпадают, если выполняются соответственно условия (1.3.11) и (1.3.9). Действительно, подставив в числитель и знаменатель (1.3.10) значения, выраженные через функции получим (1.3.12).

Используя рассмотренные выше свойства эффективных оценок уточним их определение. Будем называть оценку у эффективной, если для нее либо выполняются условия (1.2.9) и (1.3.11), либо при заданном смещении она обладает дисперсией

или рассеянием

либо при нулевом смещении эта оценка имеет дисперсию

Отметим, что характеристики эффективной оценки (1.3.13) - (1.3.15) могут быть вычислены и для тех параметров, для которых эффективной оценки не существует. В этом случае величины (1.3.13) -(1.3.15) определяют нижнюю границу (недостижимую) для соответствующих характеристик оценки.

Для сравнения реальных оценок с эффективными в математической статистике введено понятие относительной эффективности оценок, представляющее отношение среднего квадрата отклонения эффективной оценки относительно истинного значения параметра к среднему квадрату отклонения реальной оценки относительно истинного значения параметра:

Здесь у - реальная оценка, эффективность которой равна эффективная оценка.

Из определения дисперсии эффективной оценки (1.3.1) видно, что относительная эффективность оценки изменяется в пределах

Кроме понятия эффективных оценок существует понятие асимптотически эффективных оценок. При этом предполагается, что для достаточно большого времени наблюдения или неограниченного увеличения отношения сигнал/помеха предельное значение относительной эффективности реальной оценки равно единице. Это означает, что при асимптотически эффективной оценке дисперсия оценки для заданного смещения определяется выражением (1.3.13), а при отсутствии смещения - выражением (1.3.15).