高等数学 / 系统课时

矩估计法

矩估计法

矩估计法用样本中容易计算的“矩”去替代总体中含有未知参数的矩,再通过解方程得到参数估计。本课将把这一思路拆成可执行步骤,并用指数分布和均匀分布展示如何从样本均值直接构造估计量。

学习目标

  • 理解总体矩、样本矩与参数之间的替代关系
  • 能根据未知参数个数建立并求解矩方程
  • 能判断一个矩估计结果是否满足参数取值范围

矩估计的核心思想

设随机变量 XX 的分布含有未知参数 θ\theta。总体的 kk 阶原点矩定义为。

μk′=E(Xk)\mu_k'=E(X^k)

对应的样本 kk 阶原点矩为

Ak=1n∑i=1nXikA_k=\frac{1}{n}\sum_{i=1}^{n}X_i^k

大样本下,样本矩会接近相应的总体矩,因此可以用 AkA_k 替代 μk′\mu_k'。若模型含有 rr 个未知参数,通常选取前 rr 个矩,建立 rr 个方程并求解。

矩估计从样本到参数的构造流程

从矩方程得到估计量

构造矩估计时可以按以下顺序进行:

  1. 写出分布中未知参数的个数,并确认参数允许的取值范围。
  2. 计算包含这些参数的总体矩,如 E(X)E(X)、E(X2)E(X^2)。
  3. 用样本矩替代总体矩,形成关于未知参数的方程组。
  4. 解出参数,并检查结果是否落在合法范围内。

由样本随机变量构造出的表达式称为“估计量”,代入一组具体观测值后得到的数值称为“估计值”。例如,θ^=2Xˉ\hat{\theta}=2\bar{X} 是估计量,而样本均值为 3.23.2 时得到的 6.46.4 才是估计值。

常见分布的构造

若 X∼Exp⁡(λ)X\sim \operatorname{Exp}(\lambda),则 E(X)=1/λE(X)=1/\lambda。用样本均值 Xˉ\bar{X} 替代总体均值,可得

Xˉ=1λ\bar{X}=\frac{1}{\lambda}

因此参数的矩估计量为

λ^M=1Xˉ\hat{\lambda}_{M}=\frac{1}{\bar{X}}

样本为 2,1,3,42,1,3,4 时,Xˉ=2.5\bar{X}=2.5,所以 λ^M=0.4\hat{\lambda}_{M}=0.4。该结果大于零,满足指数分布参数的取值要求。

若 X∼U(0,θ)X\sim U(0,\theta),则 E(X)=θ/2E(X)=\theta/2,因此 θ^M=2Xˉ\hat{\theta}_{M}=2\bar{X}。这个例子说明矩估计通常计算简单,但它只利用选定的矩,未必充分使用样本中的全部信息。

按自己的节奏,确认真正理解。

目录与阅读设置

阅读设置

17

记录一个想法

矩估计法

0 / 10000 · 笔记保存到账号。未提交的修改会在关闭、离开或刷新后丢失。

登录哪都通