从某种意义上说,样本均值是分布的“最佳”估计值均值吗?
通过大量的(弱/强)法,给出了一些独立同分布的采样点分布的,它们的样本均值˚F *({ X 我,我= 1 ,... ,N } ):= 1{ x一世∈ [Rñ,i = 1 ,… ,N}{xi∈Rn,i=1,…,N}\{x_i \in \mathbb{R}^n, i=1,\ldots,N\}在样本量N趋于 无穷大时,在概率和概率上均收敛于分布均值。F∗({ x一世,i = 1 ,… ,N} ):= 1ñ∑ñ我= 1X一世f∗({xi,i=1,…,N}):=1N∑i=1Nxif^*(\{x_i, i=1,\ldots,N\}):=\frac{1}{N} \sum_{i=1}^N x_i ñNN 当样本量固定时,我想知道LLN估计量f *在某种意义上是否是最佳估计量?例如,ñNNF∗f∗f^* 它的期望是分布均值,因此它是一个无偏估计量。方差为其中σ2是方差分布。但这是UMVU吗?σ2ñσ2N\frac{\sigma^2}{N}σ2σ2\sigma^2 是否有一些函数使得f ∗({ x i,i = 1 ,… ,N } )解决了最小化问题:f ∗({ x i,i = 1 …