点估计方法 矩估计

本文深入解析了矩估计这一统计学方法,介绍了如何利用样本的原点矩和中心矩来估计分布函数参数,通过实例展示了矩估计的具体应用过程。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

矩估计

个人理解:矩估计是利用K阶原点矩与中心矩等用于描述概率分布特征的参数对分布函数参数进行估计的方法。由于抽样的样本的原点矩和中心矩通常是可以直接计算出来的,则可使用矩估计对分布函数的参数进行估计。

例如:设 X1,...,Xn R(θ1,θ2)X_1,...,X_n ~ R( \theta_1, \theta_2 )X1,...,Xn R(θ1,θ2) 参数 θ=(θ1,θ2)\theta = (\theta_1, \theta_2)θ=(θ1,θ2)−∞&lt;θ1&lt;θ2&lt;∞-\infin &lt; \theta_1&lt; \theta_2&lt;\infin<θ1<θ2< 内变化,求 θ1,θ2\theta_1,\theta_2θ1,θ2的矩估计。
θ1^,θ2^\hat{\theta_1},\hat{\theta_2}θ1^,θ2^θ1,θ2\theta_1,\theta_2θ1,θ2的矩估计,按矩估计法,(θ1^,θ2^)(\hat{\theta_1},\hat{\theta_2})(θ1^,θ2^) 应是方程组
{Xˉ=((θ1^−θ2^)/2S2=((θ2^−θ1^)2/12\begin{dcases} \text{\={X}} = ((\hat{\theta_1}-\hat{\theta_2})/2 \\ S^2= ((\hat{\theta_2}-\hat{\theta_1})^2/12 \end{dcases}{Xˉ=((θ1^θ2^)/2S2=((θ2^θ1^)2/12 的解,故得:
θ1^=Xˉ−3S,θ2^=Xˉ+3S \hat{\theta_1} = \text{\={X}} -\sqrt[]{3}S, \hat{\theta_2} = \text{\={X}} +\sqrt[]{3}S θ1^=Xˉ3S,θ2^=Xˉ+3S

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值