概率论与数理统计教程(六)-参数估计02：矩估计及相合性

§ 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 $\bar{x}$ 估计总体均值 $E(X)$.
- 用样本方差 $s^2$ 估计总体方差 $\mathrm{Var}(X)$.
- 用事件 $A$ 出现的频率估计事件 $A$ 发生的概率.
- 用样本的 $p$ 分位数估计总体的 $p$ 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 $5\mathrm{L}$ 汽油的行驶里程
(单位: $\mathrm{km}$ ), 观测数据如下:
$\begin{array}{llllllllll}29.8& 27.6& 28.3& 27.9& 30.1& 28.7& 29.9& 28.0& 27.9& 28.7\end{array}${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 $5\mathrm{L}$
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
$$\bar{x}=28.695,s^2=0.9668,m_{0.5}=28.6,$$
由此给出总体均值、方差和中位数的估计分别为 $28.695,0.9668$ 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
$p\left(x;{\theta }_1,{\theta }_2,\cdots ,{\theta }_k\right),\left({\theta }_1,{\theta }_2,\cdots ,{\theta }_k\right)\in \Theta$
是未知参数或参数向量, $x_1,x_2,\cdots ,x_n$ 是样本, 假定总体的
$k$ 阶原点矩 ${\mu }_k$ 存在, 则对所有的 $j$, $0<j<k,{\mu }_j$ 都存在,
若假设 ${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$ 能够表示成
${\mu }_1,{\mu }_2,\cdots ,{\mu }_k$ 的函数
${\theta }_j={\theta }_j({\mu }_1$,
${\mu }_2,\cdots ,{\mu }_k)$, 则可给出诸 ${\theta }_j$
的矩估计:
$${\hat{\theta }}_j={\theta }_j\left(a_1,a_2,\cdots ,a_k\right),j=1,2,\cdots ,k,$$
其中 $a_1,a_2,\cdots ,a_k$ 是前 $k$ 阶样本原点矩
$a_j=\frac{1}{n}{\sum }_{i=1}^n{x}_i^j$. 进一步, 如果我们要估计
${\theta }_1,{\theta }_2,\cdots ,{\theta }_k$ 的函数
$\eta =g\left({\theta }_1,{\theta }_2,\cdots ,{\theta }_k\right)$,
则可直接得到 $\eta$ 的矩估计
$$\hat{\eta }=g\left({\hat{\theta }}_1,{\hat{\theta }}_2,\cdots ,{\hat{\theta }}_k\right),$$
当 $k=1$ 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 $k=2$,
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
$$p(x;\lambda )=\lambda {\mathrm{e}}^{-\lambda x},x⩾0,$$
$x_1,x_2,\cdots ,x_n$ 是样本, 此处 $k=1$, 由于
$E(X)=1/\lambda$, 亦即 $\lambda =1/E(X)$, 故 $\lambda$ 的矩估计为
$$\hat{\lambda }=1/\bar{x}\text{. }$$
另外, 由于 $\mathrm{Var}(X)=1/{\lambda }^2$, 其反函数为
$\lambda =1/\sqrt{\mathrm{Var}(X)}$, 因此, 从替换原理来看,
$\lambda$的矩估计也可取为
$${\hat{\lambda }}_1=1/s,$$
$s$ 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 $x_1,x_{}$