矩
估
计
d
e
原
理
:
E
(
1
n
∑
i
=
1
n
x
i
k
)
=
E
(
x
k
)
(
总
体
的
k
阶
中
心
矩
f
(
θ
)
)
矩估计de原理:E(\frac{1}{n}\sum_{i=1}^{n}x_{i}^k)=E(x^k)(总体的k阶中心矩f(\theta ))
矩估计de原理:E(n1i=1∑nxik)=E(xk)(总体的k阶中心矩f(θ))
证
明
:
∵
X
i
与
X
同
分
布
,
且
期
望
具
有
线
性
性
质
∴
E
(
X
i
k
)
=
E
(
X
k
)
,
E
(
1
n
∑
i
=
1
n
x
i
k
)
=
E
(
x
k
)
用
1
n
∑
i
=
1
n
x
i
k
=
E
(
x
k
)
(
总
体
的
k
阶
中
心
矩
f
(
θ
)
)
估
计
参
数
θ
证明:\because X_i与X同分布,且期望具有线性性质\\ \therefore E(X_i^k)=E(X^k),E(\frac{1}{n}\sum_{i=1}^{n}x_{i}^k)=E(x^k)\\ 用 \frac{1}{n}\sum_{i=1}^{n}x_{i}^k =E(x^k)(总体的k阶中心矩f(\theta ))估计参数\theta
证明:∵Xi与X同分布,且期望具有线性性质∴E(Xik)=E(Xk),E(n1i=1∑nxik)=E(xk)用n1i=1∑nxik=E(xk)(总体的k阶中心矩f(θ))估计参数θ
矩 ( x n 的 期 望 ) 估 计 : { 对 总 体 的 均 值 与 方 差 的 估 计 : μ ^ = 1 n ∑ x i , σ ^ 2 = 1 n ∑ ( x i − x ˉ ) 2 ( 有 偏 ) 或 1 n − 1 ∑ ( x i − x ˉ ) 2 ( 无 偏 ) 用 参 数 表 示 矩 后 , 由 等 式 关 系 解 出 参 数 矩(x^n的期望)估计:\\ \begin{cases} 对总体的均值与方差的估计 : \hatμ=\frac{1}{n}\sum x_i,\hatσ^2=\frac{1}{n}\sum (x_i-\bar x)^2(有偏)或\frac{1}{n-1}\sum (x_i-\bar x)^2(无偏)\\ 用参数表示矩后,由等式关系解出参数 \end{cases} 矩(xn的期望)估计:{对总体的均值与方差的估计:μ^=n1∑xi,σ^2=n1∑(xi−xˉ)2(有偏)或n−11∑(xi−xˉ)2(无偏)用参数表示矩后,由等式关系解出参数
例:
设
总
体
X
的
分
布
函
数
为
F
(
x
,
β
)
=
{
1
−
1
x
β
,
x
>
1
0
,
x
≤
1
其
中
未
知
参
数
β
>
1
,
X
1
,
X
2
,
X
3
…
…
X
n
是
来
自
总
体
的
简
单
随
机
样
本
,
求
β
的
矩
估
计
量
设总体X的分布函数为 \\ F(x,β)=\begin{cases} 1-\frac{1}{x^β } ,\ x>1 \\ 0,\ \ \ x\le1 \end{cases}\\ 其中未知参数β>1,X_1,X_2,X_3……X_n是来自总体的简单随机样本,\\求β的矩估计量
设总体X的分布函数为F(x,β)={1−xβ1, x>10, x≤1其中未知参数β>1,X1,X2,X3……Xn是来自总体的简单随机样本,求β的矩估计量
解
:
X
的
概
率
密
度
函
数
为
f
(
x
,
β
)
=
{
β
x
β
+
1
,
x
>
1
0
,
x
≤
1
E
(
X
)
=
∫
−
∞
+
∞
x
f
(
x
,
β
)
d
x
=
∫
0
+
∞
x
β
x
β
+
1
d
x
=
β
β
−
1
令
E
(
X
)
=
X
ˉ
(
∗
∗
∗
)
解
得
β
=
X
ˉ
X
ˉ
−
1
解:X的概率密度函数为f(x,β)= \begin{cases} \frac{β}{x^{β+1} } ,\ x>1 \\ 0,\ \ \ x\le1 \end{cases} \\ E(X)=\int_{-\infty}^{+\infty}xf(x,β)dx=\int_{0}^{+\infty}x\frac{β}{x^{β+1} }dx =\frac{β}{β-1} \\ 令 E(X)= \bar X (***)\\解得 β=\frac{\bar X}{\bar X-1}
解:X的概率密度函数为f(x,β)={xβ+1β, x>10, x≤1E(X)=∫−∞+∞xf(x,β)dx=∫0+∞xxβ+1βdx=β−1β令E(X)=Xˉ(∗∗∗)解得β=Xˉ−1Xˉ