§ 6.2 矩估计及相合性
6.2.1 替换原理和矩法估计
1900 年 K.皮尔逊提出了一个替换原理, 后来人们称此方法为矩法.
替换原理常指如下两句话:
- 用样本矩去替换总体矩, 这里的矩可以是原点矩也可以是中心矩.
- 用样本矩的函数去替换相应的总体矩的函数.
根据这个替换原理,在总体分布形式未知场合也可对各种参数作出估计, 譬如:
- 用样本均值 x ˉ \bar{x} xˉ 估计总体均值 E ( X ) E(X) E(X).
- 用样本方差 s 2 s^{2} s2 估计总体方差 Var ( X ) \operatorname{Var}(X) Var(X).
- 用事件 A A A 出现的频率估计事件 A A A 发生的概率.
- 用样本的 p p p 分位数估计总体的 p p p 分位数, 特别,
用样本中位数估计总体中位数.
例 6.2.1 对某型号的 20 辆汽车记录其每 5 L 5 \mathrm{~L} 5 L 汽油的行驶里程
(单位: k m \mathrm{km} km ), 观测数据如下:
29.8 27.6 28.3 27.9 30.1 28.7 29.9 28.0 27.9 28.7 \begin{array}{llllllllll}29.8 & 27.6 & 28.3 & 27.9 & 30.1 & 28.7 & 29.9 & 28.0 & 27.9 & 28.7\end{array} 29.827.628.327.930.128.729.928.027.928.7{width=“420px”}
这是一个容量为 20 的样本观测值, 对应总体是该型号汽车每 5 L 5 \mathrm{~L} 5 L
汽油的行驶里程, 其分布形式尚不清楚, 可用矩法估计其均值、方差和中位数等.
本例中经计算有
x ˉ = 28.695 , s 2 = 0.9668 , m 0.5 = 28.6 , \bar{x}=28.695, \quad s^{2}=0.9668, \quad m_{0.5}=28.6, xˉ=28.695,s2=0.9668,m0.5=28.6,
由此给出总体均值、方差和中位数的估计分别为 28.695 , 0.9668 28.695,0.9668 28.695,0.9668 和 28.6 .
矩法估计的统计思想 (替换原理) 十分简单明确, 众人都能接受, 使用场合甚广.
它的实质是用经验分布函数去替换总体分布,其理论基础是格利文科定理.
6.2.2 概率函数已知时未知参数的矩估计
设总体具有已知的概率函数
p ( x ; θ 1 , θ 2 , ⋯ , θ k ) , ( θ 1 , θ 2 , ⋯ , θ k ) ∈ Θ p\left(x ; \theta_{1}, \theta_{2}, \cdots, \theta_{k}\right),\left(\theta_{1}, \theta_{2}, \cdots, \theta_{k}\right) \in \Theta p(x;θ1,θ2,⋯,θk),(θ1,θ2,⋯,θk)∈Θ
是未知参数或参数向量, x 1 , x 2 , ⋯ , x n x_{1}, x_{2}, \cdots, x_{n} x1,x2,⋯,xn 是样本, 假定总体的
k k k 阶原点矩 μ k \mu_{k} μk 存在, 则对所有的 j j j, 0 < j < k , μ j 0<j<k, \mu_{j} 0<j<k,μj 都存在,
若假设 θ 1 , θ 2 , ⋯ , θ k \theta_{1}, \theta_{2}, \cdots, \theta_{k} θ1,θ2,⋯,θk 能够表示成
μ 1 , μ 2 , ⋯ , μ k \mu_{1}, \mu_{2}, \cdots, \mu_{k} μ1,μ2,⋯,μk 的函数
θ j = θ j ( μ 1 \theta_{j}=\theta_{j}\left(\mu_{1}\right. θj=θj(μ1,
μ 2 , ⋯ , μ k ) \left.\mu_{2}, \cdots, \mu_{k}\right) μ2,⋯,μk), 则可给出诸 θ j \theta_{j} θj
的矩估计:
θ ^ j = θ j ( a 1 , a 2 , ⋯ , a k ) , j = 1 , 2 , ⋯ , k , \hat{\theta}_{j}=\theta_{j}\left(a_{1}, a_{2}, \cdots, a_{k}\right), \quad j=1,2, \cdots, k, θ^j=θj(a1,a2,⋯,ak),j=1,2,⋯,k,
其中 a 1 , a 2 , ⋯ , a k a_{1}, a_{2}, \cdots, a_{k} a1,a2,⋯,ak 是前 k k k 阶样本原点矩
a j = 1 n ∑ i = 1 n x i j a_{j}=\frac{1}{n} \sum_{i=1}^{n} x_{i}^{j} aj=n1∑i=1nxij. 进一步, 如果我们要估计
θ 1 , θ 2 , ⋯ , θ k \theta_{1}, \theta_{2}, \cdots, \theta_{k} θ1,θ2,⋯,θk 的函数
η = g ( θ 1 , θ 2 , ⋯ , θ k ) \eta=g\left(\theta_{1}, \theta_{2}, \cdots, \theta_{k}\right) η=g(θ1,θ2,⋯,θk),
则可直接得到 η \eta η 的矩估计
η ^ = g ( θ ^ 1 , θ ^ 2 , ⋯ , θ ^ k ) , \hat{\eta}=g\left(\hat{\theta}_{1}, \hat{\theta}_{2}, \cdots, \hat{\theta}_{k}\right), η^=g(θ^1,θ^2,⋯,θ^k),
当 k = 1 k=1 k=1 时, 我们通常可以由样本均值出发对未知参数进行估计; 如果 k = 2 k=2 k=2,
我们可以由一阶、二阶原点矩 (或二阶中心矩) 出发估计未知参数.
例 6.2.2 设总体为指数分布, 其密度函数为
p ( x ; λ ) = λ e − λ x , x ⩾ 0 , p(x ; \lambda)=\lambda \mathrm{e}^{-\lambda x}, \quad x \geqslant 0, p(x;λ)=λe−λx,x⩾0,
x 1 , x 2 , ⋯ , x n x_{1}, x_{2}, \cdots, x_{n} x1,x2,⋯,xn 是样本, 此处 k = 1 k=1 k=1, 由于
E ( X ) = 1 / λ E(X)=1 / \lambda E(X)=1/λ, 亦即 λ = 1 / E ( X ) \lambda=1 / E(X) λ=1/E(X), 故 λ \lambda λ 的矩估计为
λ ^ = 1 / x ˉ . \hat{\lambda}=1 / \bar{x} \text {. } λ^=1/xˉ.
另外, 由于 Var ( X ) = 1 / λ 2 \operatorname{Var}(X)=1 / \lambda^{2} Var(X)=1/λ2, 其反函数为
λ = 1 / Var ( X ) \lambda=1 / \sqrt{\operatorname{Var}(X)} λ=1/Var(X), 因此, 从替换原理来看,
λ \lambda λ的矩估计也可取为
λ ^ 1 = 1 / s , \hat{\lambda}_{1}=1 / s, λ^1=1/s,
s s s 为样本标准差. 这说明矩估计可能是不唯一的,
此时通常应该尽量采用低阶矩给出未知参数的估计.
例 6.2.3 设 x 1 , x 2 , ⋯ , x n x_{1}, x_{2}, \cdots, x_{n} x1,x
概率论与数理统计教程(六)-参数估计02:矩估计及相合性
于 2024-02-11 00:13:12 首次发布