矩估计法
矩估计法的定义
矩估计法是用样本
k
k
k阶矩作为总体的
k
k
k阶矩的估计量,建立含待估计参数的方程,从而解出带估计参数。矩估计中,总体均值与方差的矩估计量的表达式不因不同的总体分布而异。通俗的讲就是:
例如,不论总体服从什么分布,总体期望
μ
\mu
μ,与方差
δ
2
\delta^2
δ2存在,则根据矩估计法,它们的估计量分别为
μ
^
=
1
n
∑
i
=
1
n
X
i
=
X
ˉ
δ
^
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
=
S
n
2
\hat{\mu}=\frac{1}{n}\sum\limits_{i=1}^n{X_i}=\bar{X} \\\hat{\delta}^2=\frac{1}{n}\sum\limits_{i=1}^n{(X_i-\bar{X})^2}=S^2_n
μ^=n1i=1∑nXi=Xˉδ^2=n1i=1∑n(Xi−Xˉ)2=Sn2
当
1
n
−
1
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
=
S
n
2
\frac{1}{n-1}\sum\limits_{i=1}^n{(X_i-\bar{X})^2}=S^2_n
n−11i=1∑n(Xi−Xˉ)2=Sn2时,是无偏矩估计。当然,矩估计不唯一。
一般地,用样本均值
X
ˉ
=
1
n
∑
i
=
1
n
X
i
\bar{X}=\frac{1}{n}\sum\limits_{i=1}^n{X_i}
Xˉ=n1i=1∑nXi作为总体的均值的矩估计。
用样本二阶中心距
B
2
=
1
n
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
B_2=\frac{1}{n}\sum\limits_{i=1}^n{(X_i-\bar{X})^2}
B2=n1i=1∑n(Xi−Xˉ)2作为总体方差的的矩估计。
矩估计法的依据
设
X
X
X为连续型随机变量,其概率密度为
f
(
x
;
θ
1
,
θ
2
,
θ
3
,
⋯
 
,
θ
k
)
f(x;\theta_1,\theta_2,\theta_3,\cdots,\theta_k)
f(x;θ1,θ2,θ3,⋯,θk),设
X
X
X为离散型随机变量,其分布律为
P
{
X
=
x
}
=
p
(
x
;
θ
1
,
θ
2
,
θ
3
,
⋯
 
,
θ
k
)
P\{X=x\}=p(x;\theta_1,\theta_2,\theta_3,\cdots,\theta_k)
P{X=x}=p(x;θ1,θ2,θ3,⋯,θk),其中
θ
1
,
θ
2
,
θ
3
,
⋯
 
,
θ
k
\theta_1,\theta_2,\theta_3,\cdots,\theta_k
θ1,θ2,θ3,⋯,θk为待估参数,
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn来自
X
X
X的,假设总体
X
X
X的前
k
k
k阶矩且均为
θ
1
,
θ
2
,
θ
3
,
⋯
 
,
θ
k
\theta_1,\theta_2,\theta_3,\cdots,\theta_k
θ1,θ2,θ3,⋯,θk的函数,即
μ
l
=
E
(
X
l
)
=
⎰
+
∞
−
∞
x
l
f
(
x
;
θ
2
,
θ
3
,
⋯
 
,
θ
k
)
d
x
(
X
为
连
续
型
变
量
)
μ
l
=
E
(
X
l
)
=
∑
x
∈
R
X
x
l
p
(
x
;
θ
1
,
θ
2
,
θ
3
,
⋯
 
,
θ
k
)
(
X
为
离
散
型
变
量
)
\mu_l=E(X_l)=\lmoustache_{+\infty}^{-\infty}x^lf(x;\theta_2,\theta_3,\cdots,\theta_k)dx\quad(X为连续型变量) \\\quad \\\mu_l=E(X_l)=\sum\limits_{x\in R_X}{x^lp(x;\theta_1,\theta_2,\theta_3,\cdots,\theta_k)}\quad(X为离散型变量)
μl=E(Xl)=⎰+∞−∞xlf(x;θ2,θ3,⋯,θk)dx(X为连续型变量)μl=E(Xl)=x∈RX∑xlp(x;θ1,θ2,θ3,⋯,θk)(X为离散型变量)
R
X
R_X
RX是
x
x
x可能取值的范围,
l
=
1
,
2
,
3
,
⋯
 
,
k
l=1,2,3,\cdots,k
l=1,2,3,⋯,k,因为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,样本矩
A
l
=
1
n
∑
i
=
1
n
X
i
l
A_l=\frac{1}{n}\sum\limits_{i=1}^n{X_i^l}
Al=n1i=1∑nXil依概率收敛于相应的总体矩
μ
l
\mu_l
μl。
矩估计的一般步骤
- 令 μ l = A l , l = 1 , 2 , 3 , ⋯   , k \mu_l=A_l,l=1,2,3,\cdots,k μl=Al,l=1,2,3,⋯,k,这是一个包含 k 个未知参数 θ 1 , θ 2 , θ 3 , ⋯   , θ k \theta_1,\theta_2,\theta_3,\cdots,\theta_k θ1,θ2,θ3,⋯,θk的方程组;
- 解出其中的 θ 1 , θ 2 , θ 3 , ⋯   , θ k \theta_1,\theta_2,\theta_3,\cdots,\theta_k θ1,θ2,θ3,⋯,θk;
- 用方程组的解 θ ^ 1 , θ ^ 2 , θ ^ 3 , ⋯   , θ ^ k \hat{\theta}_1,\hat{\theta}_2,\hat{\theta}_3,\cdots,\hat{\theta}_k θ^1,θ^2,θ^3,⋯,θ^k分别作为 θ 1 , θ 2 , θ 3 , ⋯   , θ k \theta_1,\theta_2,\theta_3,\cdots,\theta_k θ1,θ2,θ3,⋯,θk的估计量。
例题
例1:设总体
X
X
X的概率密度函数为
f
(
x
,
θ
)
=
1
2
θ
e
−
∣
x
∣
θ
,
−
∞
<
x
<
+
∞
,
θ
>
0
f(x,\theta)=\frac{1}{2\theta}e^{-\frac{|x|}{\theta}},\quad -\infty<x<+\infty,\quad\theta>0
f(x,θ)=2θ1e−θ∣x∣,−∞<x<+∞,θ>0,求
θ
\theta
θ的矩估计量。
解:
f
(
x
;
θ
)
f(x;\theta)
f(x;θ)中仅含有一个
θ
\theta
θ,
E
(
X
)
=
⎰
−
∞
+
∞
x
1
2
θ
e
−
∣
x
∣
θ
d
x
=
0
E(X)=\lmoustache_{-\infty}^{+\infty}{x\frac{1}{2\theta}e^{-\frac{|x|}{\theta}}}dx=0
E(X)=⎰−∞+∞x2θ1e−θ∣x∣dx=0
E
(
X
)
E(X)
E(X)中不含有
θ
\theta
θ,因此无法解出
θ
\theta
θ的矩估计量。需继续求总体的二阶原点矩。
E
(
X
2
)
=
⎰
−
∞
+
∞
x
2
1
2
θ
e
−
∣
x
∣
θ
d
x
=
1
θ
⎰
0
+
∞
x
2
e
−
x
θ
d
x
=
θ
2
Γ
(
3
)
=
2
θ
2
\begin{aligned} E(X^2)&=\lmoustache_{-\infty}^{+\infty}{x^2\frac{1}{2\theta}e^{-\frac{|x|}{\theta}}}dx\\ &=\frac{1}{\theta}\lmoustache_0^{+\infty}x^2e^{-\frac{x}{\theta}}dx\\ &=\theta^2\Gamma(3)\\ &=2\theta^2\\ \end{aligned}
E(X2)=⎰−∞+∞x22θ1e−θ∣x∣dx=θ1⎰0+∞x2e−θxdx=θ2Γ(3)=2θ2
用
A
2
=
1
n
∑
i
=
1
n
X
i
2
A_2=\frac{1}{n}\sum\limits_{i=1}^n{X^2_i}
A2=n1i=1∑nXi2替换
E
(
X
2
)
E(X^2)
E(X2),则
A
2
=
1
n
∑
i
=
1
n
X
i
2
=
2
θ
2
A_2=\frac{1}{n}\sum\limits_{i=1}^n{X^2_i}=2\theta^2
A2=n1i=1∑nXi2=2θ2,得出
θ
\theta
θ的矩估计量为
θ
^
=
1
2
1
n
∑
i
=
1
n
X
i
2
=
A
2
2
,
θ
>
0
\hat{\theta}=\sqrt{\frac{1}{2}\frac{1}{n}\sum\limits_{i=1}^n{X^2_i}}=\sqrt{\frac{A_2}{2}} \quad,\quad \theta>0
θ^=21n1i=1∑nXi2=2A2,θ>0
例2
设总体
X
X
X的均值
μ
\mu
μ和方差
δ
2
\delta^2
δ2都存在,且有
δ
>
0
\delta>0
δ>0,但
μ
\mu
μ和
δ
2
\delta^2
δ2均为未知,又设
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn是一个样本,求
μ
\mu
μ和
δ
2
\delta^2
δ2的矩估计量。
解:
μ
1
=
E
(
X
)
=
μ
μ
2
=
E
(
X
2
)
=
D
(
X
)
+
[
E
(
X
)
]
2
=
δ
2
+
μ
2
\begin{aligned} \mu_1&=E(X)=\mu\\ \mu_2&=E(X^2)=D(X)+[E(X)]^2=\delta^2+\mu^2 \end{aligned}
μ1μ2=E(X)=μ=E(X2)=D(X)+[E(X)]2=δ2+μ2
令
{
μ
=
A
1
δ
2
+
μ
2
=
A
2
\left\{ \begin{aligned} &\mu=A_1\\ \\\quad &\delta^2+\mu^2=A_2 \end{aligned} \right.
⎩⎪⎨⎪⎧μ=A1δ2+μ2=A2
解得
{
μ
=
μ
1
δ
2
=
μ
−
μ
1
2
\left\{ \begin{aligned} &\mu=\mu_1\\ \\\quad &\delta^2=\mu-\mu_1^2 \end{aligned} \right.
⎩⎪⎨⎪⎧μ=μ1δ2=μ−μ12
则
μ
^
=
A
1
=
X
ˉ
δ
^
2
=
A
2
−
A
1
2
=
1
n
∑
i
=
1
n
X
i
2
−
X
ˉ
=
1
n
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
\begin{aligned} \hat{\mu}&=A_1=\bar{X}\\ \hat{\delta}^2&=A_2-A_1^2\\ &=\frac{1}{n}\sum\limits_{i=1}^n{X^2_i}-\bar{X}\\ &=\frac{1}{n}\sum\limits_{i=1}^n{(X_i-\bar{X})^2} \end{aligned}
μ^δ^2=A1=Xˉ=A2−A12=n1i=1∑nXi2−Xˉ=n1i=1∑n(Xi−Xˉ)2
例3
设总体
X
X
X在
[
a
,
b
]
[a,b]
[a,b]上服从均匀分布, 其中
a
,
b
a, b
a,b未知,
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn是一个样本,求
a
,
b
a, b
a,b的估计量。
解:
μ
1
=
E
(
X
)
=
a
+
b
2
μ
2
=
E
(
X
2
)
=
D
(
X
)
+
[
E
(
X
)
]
2
=
(
a
−
b
)
2
12
+
(
a
+
b
)
2
4
\begin{aligned} \mu_1&=E(X)=\frac{a+b}{2}\\ \mu_2&=E(X^2)=D(X)+[E(X)]^2\\ &=\frac{(a-b)^2}{12}+\frac{(a+b)^2}{4} \end{aligned}
μ1μ2=E(X)=2a+b=E(X2)=D(X)+[E(X)]2=12(a−b)2+4(a+b)2
令
A
1
=
a
+
b
2
=
1
n
∑
i
=
1
n
X
i
A
2
=
(
a
−
b
)
2
12
+
(
a
+
b
)
2
4
=
1
n
∑
i
=
1
n
X
i
2
\begin{aligned} A_1&=\frac{a+b}{2}=\frac{1}{n}\sum\limits_{i=1}^n{X_i}\\ A_2&=\frac{(a-b)^2}{12}+\frac{(a+b)^2}{4}=\frac{1}{n}\sum\limits_{i=1}^n{X^2_i} \end{aligned}
A1A2=2a+b=n1i=1∑nXi=12(a−b)2+4(a+b)2=n1i=1∑nXi2
则
{
a
+
b
=
2
A
1
b
−
a
=
12
(
A
2
−
A
1
2
)
\left\{ \begin{aligned} &a+b=2A_1\\ \\\quad &b-a=\sqrt{12(A_2-A_1^2)} \end{aligned} \right.
⎩⎪⎪⎨⎪⎪⎧a+b=2A1b−a=12(A2−A12)
则
a
,
b
a,b
a,b的估计量为:
a
^
=
X
ˉ
−
3
n
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
b
^
=
X
ˉ
+
3
n
∑
i
=
1
n
(
X
i
−
X
ˉ
)
2
\begin{aligned} &\hat{a}=\bar{X}-\sqrt{\frac{3}{n}\sum\limits^n_{i=1}{(X_i-\bar{X})^2}}\\ &\hat{b}=\bar{X}+\sqrt{\frac{3}{n}\sum\limits^n_{i=1}{(X_i-\bar{X})^2}} \end{aligned}
a^=Xˉ−n3i=1∑n(Xi−Xˉ)2b^=Xˉ+n3i=1∑n(Xi−Xˉ)2
最大似然估计
似然函数的定义
- 总体X是连续型:设概率密度为
f
(
x
;
θ
)
f(x;\theta)
f(x;θ),
θ
\theta
θ为待估参数,
θ
∈
Θ
\theta\in\Theta
θ∈Θ,
Θ
\Theta
Θ是
θ
\theta
θ可能的取值范围。设
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn是来自X的样本,则
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn的联合密度为
∏
i
=
1
n
f
(
x
;
θ
)
\prod\limits^n_{i=1}f(x;\theta)
i=1∏nf(x;θ),设
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
x_1,x_2,x_3,\cdots,x_n
x1,x2,x3,⋯,xn为相应样本
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn的一个样本值,则随机点
(
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
)
(X_1,X_2,X_3,\cdots,X_n)
(X1,X2,X3,⋯,Xn)落在点
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
x_1,x_2,x_3,\cdots,x_n
x1,x2,x3,⋯,xn的邻域内的概率近似地为
∏
i
=
1
n
f
(
x
;
θ
)
d
x
i
\prod\limits^n_{i=1}f(x;\theta)dx_i
i=1∏nf(x;θ)dxi。则
L ( θ ) = L ( x 1 , x 2 , x 3 , ⋯   , x n ; θ ) = ∏ i = 1 n f ( x ; θ ) L(\theta)=L(x_1,x_2,x_3,\cdots,x_n;\theta)=\prod\limits^n_{i=1}f(x;\theta) L(θ)=L(x1,x2,x3,⋯,xn;θ)=i=1∏nf(x;θ)
L ( θ ) L(\theta) L(θ)称为样本的似然函数。 - 总体X是离散型:设分布律
P
{
X
=
x
}
=
p
(
x
;
θ
)
P\{X=x\}=p(x;\theta)
P{X=x}=p(x;θ),
θ
∈
Θ
\theta\in\Theta
θ∈Θ的形式是已知的,
θ
\theta
θ为待估参数,
Θ
\Theta
Θ是
θ
\theta
θ可能的取值范围。设
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn是来自X的样本,则
X
1
,
X
2
,
X
3
,
⋯
 
,
X
n
X_1,X_2,X_3,\cdots,X_n
X1,X2,X3,⋯,Xn的联合分布律为
∏
i
=
1
n
p
(
x
i
;
θ
)
\prod\limits^n_{i=1}p(x_i;\theta)
i=1∏np(xi;θ)
设 x 1 , x 2 , x 3 , ⋯   , x n x_1,x_2,x_3,\cdots,x_n x1,x2,x3,⋯,xn为相应样本 X 1 , X 2 , X 3 , ⋯   , X n X_1,X_2,X_3,\cdots,X_n X1,X2,X3,⋯,Xn的一个样本值,则 X 1 , X 2 , X 3 , ⋯   , X n X_1,X_2,X_3,\cdots,X_n X1,X2,X3,⋯,Xn取到观察值 x 1 , x 2 , x 3 , ⋯   , x n x_1,x_2,x_3,\cdots,x_n x1,x2,x3,⋯,xn的概率,即 { X 1 = x 1 , X 2 = x 2 , X 3 = x 3 , ⋯   , X n = x n } \{X_1=x_1,X_2=x_2,X_3=x_3,\cdots,X_n=x_n\} {X1=x1,X2=x2,X3=x3,⋯,Xn=xn}的概率为
L ( θ ) = L ( x 1 , x 2 , x 3 , ⋯   , x n ; θ ) = ∏ i = 1 n p ( x i ; θ ) , θ ∈ Θ L(\theta)=L(x_1,x_2,x_3,\cdots,x_n;\theta)=\prod\limits^n_{i=1}p(x_i;\theta),\theta\in\Theta L(θ)=L(x1,x2,x3,⋯,xn;θ)=i=1∏np(xi;θ),θ∈Θ
L ( θ ) L(\theta) L(θ)称为样本的似然函数
最大似然估计的求解步骤
1.写出似然函数
L
(
θ
)
=
L
(
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
;
θ
)
=
∏
i
=
1
n
p
(
x
i
;
θ
)
L(\theta)=L(x_1,x_2,x_3,\cdots,x_n;\theta)=\prod\limits^n_{i=1}p(x_i;\theta)
L(θ)=L(x1,x2,x3,⋯,xn;θ)=i=1∏np(xi;θ)
或者
L
(
θ
)
=
L
(
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
;
θ
)
=
∏
i
=
1
n
f
(
x
;
θ
)
L(\theta)=L(x_1,x_2,x_3,\cdots,x_n;\theta)=\prod\limits^n_{i=1}f(x;\theta)
L(θ)=L(x1,x2,x3,⋯,xn;θ)=i=1∏nf(x;θ)
2.取对数
l
n
L
(
θ
)
=
∑
i
=
1
n
l
n
p
(
x
i
;
θ
)
或
者
l
n
L
(
θ
)
=
∑
i
=
1
n
l
n
f
(
x
i
;
θ
)
\begin{aligned} &lnL(\theta)=\sum\limits^n_{i=1}ln\ p(x_i;\theta)\\ &或者\\ &lnL(\theta)=\sum\limits^n_{i=1}ln\ f(x_i;\theta) \end{aligned}
lnL(θ)=i=1∑nln p(xi;θ)或者lnL(θ)=i=1∑nln f(xi;θ)
3.对
θ
\theta
θ求导
d
l
n
L
(
θ
)
d
θ
\frac{dlnL(\theta)}{d\theta}
dθdlnL(θ),并且令
d
l
n
L
(
θ
)
d
θ
=
0
\frac{dlnL(\theta)}{d\theta}=0
dθdlnL(θ)=0,解方程即得未知参数
θ
\theta
θ的最大似然估计值
θ
^
\hat{\theta}
θ^。
例题
设总体
X
X
X在
[
a
,
b
]
[a,b]
[a,b]上服从均匀分布, 其中
a
,
b
a,b
a,b未知,
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
x_1,x_2,x_3,\cdots,x_n
x1,x2,x3,⋯,xn是来自总体
X
X
X的一个样本值,求
a
,
b
a,b
a,b的最大似然估计量。
解:令
x
m
i
n
=
m
i
n
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
x
m
a
x
=
m
a
x
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
\begin{aligned} x_{min}=min{x_1,x_2,x_3,\cdots,x_n} \\x_{max}=max{x_1,x_2,x_3,\cdots,x_n} \end{aligned}
xmin=minx1,x2,x3,⋯,xnxmax=maxx1,x2,x3,⋯,xn
X
X
X的概率密度函数为
f
(
x
;
a
,
b
)
=
{
1
b
−
a
,
a
≤
x
≤
b
0
,
其
他
\begin{aligned} f(x;a,b)={\left\{\begin{aligned}&\frac{1}{b-a},a\leq x\leq b\\ &0,\quad \quad 其他 \end{aligned} \right.} \end{aligned}
f(x;a,b)=⎩⎨⎧b−a1,a≤x≤b0,其他
则似然函数为
L
(
a
,
b
)
=
{
1
(
b
−
a
)
n
,
a
≤
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
≤
b
0
,
其
他
\begin{aligned} L(a,b)={\left\{\begin{aligned}&\frac{1}{(b-a)^n},a\leq x_1,x_2,x_3,\cdots,x_n\leq b\\ &\quad \ 0,\quad \quad \quad 其他 \end{aligned} \right.} \end{aligned}
L(a,b)=⎩⎪⎨⎪⎧(b−a)n1,a≤x1,x2,x3,⋯,xn≤b 0,其他
由于
a
≤
x
1
,
x
2
,
x
3
,
⋯
 
,
x
n
v
b
a\leq x_1,x_2,x_3,\cdots,x_nvb
a≤x1,x2,x3,⋯,xnvb即
a
≤
x
m
i
n
,
x
m
a
x
≤
b
a\leq x_{min},x_{max}\leq b
a≤xmin,xmax≤b
所以
L
(
a
,
b
)
=
{
1
(
b
−
a
)
n
,
a
≤
x
m
i
n
,
x
m
a
x
≤
b
0
,
其
他
\begin{aligned} L(a,b)={\left\{\begin{aligned}&\frac{1}{(b-a)^n},a\leq x_{min},x_{max}\leq b\\ &\quad \ 0,\quad \quad \quad 其他 \end{aligned} \right.} \end{aligned}
L(a,b)=⎩⎪⎨⎪⎧(b−a)n1,a≤xmin,xmax≤b 0,其他
对于满足条件的
a
≤
x
m
i
n
,
x
m
a
x
≤
b
a\leq x_{min},x_{max}\leq b
a≤xmin,xmax≤b的任意
a
,
b
a,b
a,b有
L
(
a
,
b
)
=
1
(
b
−
a
)
n
≤
1
(
x
m
a
x
−
x
m
i
n
)
2
L(a,b)=\frac{1}{(b-a)^n}\leq \frac{1}{(x_{max}-x_{min})^2}
L(a,b)=(b−a)n1≤(xmax−xmin)21
即似然函数在
a
=
x
m
i
n
,
b
=
x
m
a
x
a=x_{min},b=x_{max}
a=xmin,b=xmax时取得最大值
1
(
x
m
a
x
−
x
m
i
n
)
2
\frac{1}{(x_{max}-x_{min})^2}
(xmax−xmin)21。
所以
a
,
b
a,b
a,b的最大似然估计值为
a
^
=
x
m
i
n
=
min
1
≤
i
≤
n
x
i
b
^
=
x
m
a
x
=
max
1
≤
i
≤
n
x
i
\begin{aligned} \hat{a}=x_{min}=\min\limits_{1\leq i\leq n}x_i \\\hat{b}=x_{max}=\max\limits_{1\leq i\leq n}x_i \end{aligned}
a^=xmin=1≤i≤nminxib^=xmax=1≤i≤nmaxxi
a
,
b
a,b
a,b的最大似然估计量为
a
^
=
min
1
≤
i
≤
n
X
i
b
^
=
max
1
≤
i
≤
n
X
i
\begin{aligned} \hat{a}=\min\limits_{1\leq i\leq n}X_i \\\hat{b}=\max\limits_{1\leq i\leq n}X_i \end{aligned}
a^=1≤i≤nminXib^=1≤i≤nmaxXi