完备统计量

完备统计量 (Complete Statistic)

完备统计量是数理统计中比充分性更强的性质→确保统计量"无冗余"压缩样本中关于参数的信息。定义：若对所有 $\theta$ ， $E_\theta[g(T)]=0$ →则 $P_\theta(g(T)=0)=1$ （几乎处处为零）。直观：T中信息如此"完整"→无法构造任何非零函数g(T)使其期望与 $\theta$ 变化脱钩。

验证方法

从定义直接验证一般困难→常依赖定理和指数族性质。

伯努利例： $T=\sum X_i\sim B(n,p)$ 。 $E_p[g(T)]=\sum g(t)\binom{n}{t}p^t(1-p)^{n-t}=0$ 。除以 $(1-p)^n$ →令 $y=p/(1-p)$ → $\sum[g(t)\binom{n}{t}]y^t=0$ 恒零。n次多项式在 $(0,\infty)$ 有无穷根→必为零多项式→所有系数为0→ $g(t)\binom{n}{t}=0$ → $\binom{n}{t}>0$ → $g(t)=0$ →T完备。

指数族捷径：若分布属k参数指数族 $f(x|\theta)=h(x)c(\theta)\exp(\sum\eta_j(\theta)T_j(x))$ ，且 $\eta(\Theta)$ 含 $\mathbb{R}^k$ 开集→则统计量向量 $(\sum T_1(X_i),\dots,\sum T_k(X_i))$ 完备充分（正态/泊松/指数/伽玛均属指数族）。

核心应用

莱曼-谢费定理：若T完备充分且 $\phi(T)$ 无偏（ $E_\theta[\phi(T)]=\tau(\theta)$ ）→则 $\phi(T)$ 是 $\tau(\theta)$ 的唯一最小方差无偏估计量(UMVUE)。逻辑：Rao-Blackwell（充分统计量取条件期望降低方差）+完备性→唯一性（两不同无偏估计量基于T→差函数期望为零→完备性→差为零→相同）。

巴苏定理：若T完备充分且A为辅助统计量（分布不依赖 $\theta$ ）→则T与A相互独立。经典例：正态 $N(\mu,\sigma^2)$ （ $\sigma^2$ 已知）→样本均值 $\bar{X}$ 完备充分→样本方差 $S^2$ 关于 $\mu$ 辅助→巴苏定理→ $\bar{X}$ 与 $S^2$ 独立（t检验构建基础性结论）。

常见分布完备充分统计量表

分布	参数	完备充分统计量
二项 $B(n,p)$	p	$T=X$ （样本→ $\sum X_i$ ）
泊松 $Pois(\lambda)$	$\lambda$	$\sum X_i$
正态 $N(\mu,\sigma_0^2)$	$\mu$ （ $\sigma_0^2$ 已知）	$\sum X_i$ 或 $\bar{X}$
正态 $N(\mu_0,\sigma^2)$	$\sigma^2$ （ $\mu_0$ 已知）	$\sum(X_i-\mu_0)^2$
正态 $N(\mu,\sigma^2)$	$(\mu,\sigma^2)$	$(\sum X_i,\sum X_i^2)$ 或 $(\bar{X},S^2)$
指数 $Exp(\lambda)$	$\lambda$	$\sum X_i$
均匀 $U(0,\theta)$	$\theta$	$\max(X_1,\dots,X_n)$

注意：非所有充分统计量都完备（反例： $U(\theta-1/2,\theta+1/2)$ → $(X_{(1)},X_{(n)})$ 充分但不完备→样本极差R分布不依赖 $\theta$ →为辅助统计量→可构造非零g $(X_{(1)},X_{(n)})=R-E(R)$ →期望恒零但非零函数）。

返回百科索引