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
X
1
,
.
.
.
,
X
n
R
(
θ
1
,
θ
2
)
X_1,...,X_n ~ R( \theta_1, \theta_2 )
X1,...,Xn R(θ1,θ2) 参数
θ
=
(
θ
1
,
θ
2
)
\theta = (\theta_1, \theta_2)
θ=(θ1,θ2) 在
−
∞
<
θ
1
<
θ
2
<
∞
-\infin < \theta_1< \theta_2<\infin
−∞<θ1<θ2<∞ 内变化,求
θ
1
,
θ
2
\theta_1,\theta_2
θ1,θ2的矩估计。
记
θ
1
^
,
θ
2
^
\hat{\theta_1},\hat{\theta_2}
θ1^,θ2^ 为
θ
1
,
θ
2
\theta_1,\theta_2
θ1,θ2的矩估计,按矩估计法,
(
θ
1
^
,
θ
2
^
)
(\hat{\theta_1},\hat{\theta_2})
(θ1^,θ2^) 应是方程组
{
X
ˉ
=
(
(
θ
1
^
−
θ
2
^
)
/
2
S
2
=
(
(
θ
2
^
−
θ
1
^
)
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:
θ
1
^
=
X
ˉ
−
3
S
,
θ
2
^
=
X
ˉ
+
3
S
\hat{\theta_1} = \text{\={X}} -\sqrt[]{3}S, \hat{\theta_2} = \text{\={X}} +\sqrt[]{3}S
θ1^=Xˉ−3S,θ2^=Xˉ+3S