Tôi tin rằng bạn đang hỏi, nếu có, phân phối của rv là gì, nếu chúng ta có một mẫu iid có kích thước từ phân phối đó, thì nó sẽ giữ điều đón > 1Xn>1
E[GM]=E⎡⎣(∏i=1nXi)1/n⎤⎦=E(X)
Do giả định iid , chúng tôi có
E⎡⎣(∏i=1nXi)1/n⎤⎦=E(X1/n1⋅...⋅X1/nn)=E(X1/n1)⋅...⋅E(X1/nn)=[E(X1/n)]n
và vì vậy chúng tôi đang hỏi liệu chúng tôi có thể có
[E(X1/n)]n=E(X)
Nhưng bởi sự bất bình đẳng của Jensen, và thực tế là hàm sức mạnh hoàn toàn lồi lên cho các quyền lực cao hơn sự thống nhất, chúng ta có điều đó, gần như chắc chắn cho một biến ngẫu nhiên không suy biến (không liên tục),
[E(X1/n)]n<E[(X1/n)]n=E(X)
Vì vậy, không có phân phối như vậy tồn tại.
Liên quan đến việc đề cập đến phân phối log-normal trong một nhận xét, điều có nghĩa là giá trị trung bình hình học ( ) của mẫu từ phân phối log-normal là một ước lượng sai lệch nhưng không có triệu chứng của trung vị . Điều này là do, đối với phân phối lognatural nó giữ rằngGM
E(Xs)=exp{sμ+s2σ22}
(trong đó và là các tham số của mức bình thường cơ bản, không phải giá trị trung bình và phương sai của log-normal).σμσ
Trong trường hợp của chúng tôi, để chúng tôi nhận đượcs=1/n
E(GM)=[E(X1/n)]n=[exp{(μ/n)+σ22n2}]n=exp{μ+σ22n}
(cho chúng ta biết rằng đó là một ước lượng sai lệch của trung vị). Nhưng
lim[E(X1/n)]n=limexp{μ+σ22n}=eμ
đó là trung vị của phân phối. Người ta cũng có thể chỉ ra rằng phương sai của giá trị trung bình hình học của mẫu hội tụ về 0 và hai điều kiện này đủ để công cụ ước tính này không nhất quán - đối với trung vị,
GM→peμ