【概率论基础进阶】参数估计-估计量求法和区间估计

矩估计法

用样本矩估计相应的总体矩，用样本矩的函数估计总体矩相应的函数，然后求出要估计的参数，称这种估计法为矩估计法

步骤

设$X$为连续型随机变量，其概率密度为$f(x;{\theta }_1,{\theta }_2,\cdots ,{\theta }_k)$，或$X$为离散型随机变量，其分布律为 P { X = x } = p ( x ; θ 1 , θ 2 , ⋯   , θ k ) P \left\{X=x\right\}=p(x;\theta_{1},\theta_{2},\cdots,\theta_{k}) P{ X=x}=p(x;θ1​,θ2​,⋯,θk​)，其中${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$为待估计参数，$X_1,X_2,\cdots ,X_n$是来自$X$的样本。假设总体$X$的前$k$阶矩
$$\begin{array}{rl}{\mu }_l=E(X^l)& ={\int }_{-\infty }^{+\infty }{x}^{l}f(x;{\theta }_1,{\theta }_2,\cdots ,{\theta }_k)dx(X连续型)\\ {\mu }_l=E(X^l)& =\sum _{x\in R_X}{x}^{l}p(x;{\theta }_1,{\theta }_2,\cdots ,{\theta }_k)(X离散型)\end{array}$$
（其中$R_X$是$X$可能取值的范围）存在。一般来说，它们是${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$的函数。基于样本矩
$$A_l=\frac{1}{n}\sum _{i=1}^n{X}_i^l$$
依概率收敛于相应的总体距${\mu }_l(l=1,2,\cdots ,k)$，样本矩的连续函数依概率收敛于相应的总体矩的连续函数，我们就用样本矩作为相应的总体矩的估计量，而以样本矩的连续函数作为相应的总体矩的连续函数的估计量。这种估计方法称为矩估计法。矩估计法的具体做法如下：设
$$\{\begin{array}{rl}& {\mu }_1={\mu }_1({\theta }_1,{\theta }_2,\cdots ,{\theta }_k)\\ & {\mu }_2={\mu }_2({\theta }_1,{\theta }_2,\cdots ,{\theta }_k)\\ & ⋮\\ & {\mu }_k={\mu }_k({\theta }_1,{\theta }_2,\cdots ,{\theta }_k)\end{array}$$
这是一个包含$k$个未知参数${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$的联立方程组。一般来说，可以从中解出${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$，得到
$$\{\begin{array}{rl}& {\theta }_1={\theta }_1({\mu }_1,{\mu }_2,\cdots ,{\mu }_k)\\ & {\theta }_2={\theta }_2({\mu }_1,{\mu }_2,\cdots ,{\mu }_k)\\ ⋮& \\ & {\theta }_k={\theta }_k({\mu }_1,{\mu }_2,\cdots ,{\mu }_k)\end{array}$$
以$A_i$分别代替上式中的${\mu }_i,i=1,2,\cdots ,k$，就以
$$\widehat{{\theta }_i}={\theta }_i(A_1,A_2,\cdots ,A_k),i=1,2,\cdots ,k$$
分别作为${\theta }_i,i=1,2,\cdots ,k$的估计量，这种估计量称为矩估计量。矩估计量的观察值称为矩估计值

例1：设总体$X$在$[a,b]$上服从均匀分布，$a,b$未知， X 1 , X 2 , ⋯   , X n X_{1},X_{2},\cdots,X_{n} X1​,X