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。
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) 在 −∞<θ1<θ2<∞-\infin < \theta_1< \theta_2<\infin−∞<θ1<θ2<∞ 内变化，求 θ1,θ2\theta_1,\theta_2θ1,θ2的矩估计。
记θ1^,θ2^\hat{\theta_1},\hat{\theta_2}θ1^,θ2^ 为 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^=Xˉ−3S,θ2^=Xˉ+3S
扫一扫
1590
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
