Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/05-点4-矩估计.md
T
Yimu 4e4009de30 重构概率论第6讲为「知识点带题」格式,并修复跨讲死链
- 第6讲数理统计:删旧三件套(01-考点手册 4.8 万字符 / 02-试题 / 03-解析)与 PDF,
  改为 01-知识点盘点 + 02—09 八点分册 + 10-速查卡,共 10 文件 26 题
- 八点:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 /
  最大似然 / 评价标准 / 区间估计 / 假设检验与两类错误
- 盘点含 §0.1 按分值、§0.2 依赖链、§0.3 符号、§0.4 AUTO 反查、§9 覆盖对照(21 条)、§10 接口
- 修复 2026-10 第3讲重构留下的死链:大题十年考点/15-点14(7 处指向已删 01-考点手册)、
  知识点构建/17-背诵版第3讲(回查入口 4 处)
- 知识点构建/20-背诵版第6讲:回查入口改指新文件,题源注明旧 18 题清单已失效待重出
- 同步:总览.md 第6讲目录树、知识点构建 README 题量 18 → 26
2026-11-07 13:02:26 +08:00

112 lines
6.2 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
tags: [数学一, 在学练习, 概率论, 数理统计, 矩估计]
专题: 概率论 第6讲 · 点4 矩估计
日期: 2026-11-07
状态: 知识点带题(4.1 原理与步骤、4.2 两个陷阱,共 2 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 4 矩估计
> 2017·23 的第一问;作为"送分的第一问"出现频率极高|重要度 ★★★
> 依赖:点 1 的样本矩、第 4 讲的期望与方差。盘点对应:§4 全节。
**组织原则**:矩估计是点估计里**唯一有固定套路**的方法——写出总体矩,令它等于样本矩,解方程。两题分工:第 1 题练"一阶矩就够"的标准流程,第 2 题专治"一阶矩里没有参数"这个最常见的卡壳点。难度标准:★☆☆ 一题、★★☆ 一题。
## 知识点 4.1 原理与步骤(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**一句话原理**:**用样本矩替换总体矩**。
$$A_k=\frac1n\sum_{i=1}^{n}X_i^{k}\ \xrightarrow{\ \text{替代}\ }\ EX^{k}\quad(k=1,2,\dots).$$
**两步**:
1. 写出**总体矩** $EX^k$ ,让它带参数;
2. 令 $EX^k=A_k$ ,**方程个数 $=$ 未知参数个数**,解出参数。
> **先数参数、再定阶数**:两个未知参数就要用到二阶矩,这是唯一需要预先判断的事。
## 知识点 4.2 两个陷阱(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**陷阱一:一阶矩里没有参数**。如 $X\sim N(0,\sigma^2)$ 时 $EX=0$ ,与 $\sigma$ 无关,方程恒成立、解不出东西。此时必须升到二阶矩。
**陷阱二**:二阶矩用 $A_2$ 还是 $S^2$ ?矩估计法**规定用二阶原点矩** $A_2=\frac1n\sum X_i^2$ ,不是 $S^2$ 。两者只差一个系数:
$$S^2=\frac{n}{n-1}A_2-\frac{n}{n-1}\bar X^2\quad\Longrightarrow\quad A_2=\frac{n-1}{n}S^2+\bar X^2 .$$
> **后果**:用 $A_2$ 得到的估计量是**有偏**的($EA_2=\sigma^2+\mu^2$ 之类),但这不影响矩估计的合法性——矩估计从来不以无偏为目标,只保证**相合**。要无偏得再修正,那是点 6 的事。
---
## 题目(按知识点顺序对应)
### 题 1 · 4.1:一阶矩就够的情形(★☆☆)
> 设总体 $X$ 的概率密度为
>
> $$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$
>
> $X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
**怎么想**:只有一个未知参数,用一阶矩。先算 $EX$ (带 $\theta$ ),再令它等于 $\bar X$ ,最后把 $\theta$ 解出来——**解方程这一步最容易算错符号**。
**解**:
先算总体一阶矩:
$$EX=\int_0^{1}x\cdot(\theta+1)x^{\theta}\,\mathrm dx=(\theta+1)\int_0^{1}x^{\theta+1}\,\mathrm dx=\frac{\theta+1}{\theta+2}.$$
令 $EX=\bar X$ :
$$\frac{\theta+1}{\theta+2}=\bar X\quad\Longrightarrow\quad \theta+1=\bar X(\theta+2)\quad\Longrightarrow\quad \theta(1-\bar X)=2\bar X-1 .$$
故矩估计量
$$\hat\theta=\frac{2\bar X-1}{1-\bar X}\qquad\left(\bar X\ne1\right).$$
**验算**:取 $\theta=0$ ,此时 $f(x)=1$ 即 $U(0,1)$ ,$EX=\frac12$ 。代入公式:$\hat\theta=\dfrac{2\cdot\frac12-1}{1-\frac12}=\dfrac{0}{0.5}=0$ ✓。再取 $\theta=1$ ($f=2x$ ,$EX=\frac23$ ):$\hat\theta=\dfrac{\frac43-1}{1-\frac23}=\dfrac{1/3}{1/3}=1$ ✓。
**带走结论**:**矩估计的答案一定写成"只含样本"的形式**($\bar X$ 、$A_2$ 等),不能留着 $\theta$ 。另外要标出**定义域**:本题 $\bar X\ne1$ ,且当 $\bar X<\frac12$ 时 $\hat\theta<0$ 会越界——这时按"参数范围"截断到 $-1$ 。
> **关联** · 盘点 [§4.1 原理与步骤](01-知识点盘点.md#user-content-41-原理与步骤) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
---
### 题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)
> (Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。
>
> (Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
**怎么想**:(Ⅰ)一阶矩 $EX=0$ 与 $\sigma$ 无关,方程退化成"$0=0$ ",所以必须升到二阶矩。(Ⅱ)两个参数用两个矩,第二式解出的是 $\frac1n\sum(X_i-\bar X)^2$ ——注意它与 $S^2$ **不相等**。
**解**:
**(Ⅰ)** 一阶矩 $EX=0$ ,不含 $\sigma$ ,令 $EX=\bar X$ 得 $0=\bar X$ ,与 $\sigma$ 无关,**方程无效**。
改用二阶矩:$EX^2=DX+(EX)^2=\sigma^2$ 。令 $EX^2=A_2=\frac1n\sum X_i^2$ ,得
$$\hat\sigma^2=A_2=\frac1n\sum_{i=1}^{n}X_i^2,\qquad \hat\sigma=\sqrt{\frac1n\sum_{i=1}^{n}X_i^2}.$$
**(Ⅱ)** 两个方程:
$$EX=\mu\ \Rightarrow\ \hat\mu=\bar X;\qquad EX^2=\mu^2+\sigma^2\ \Rightarrow\ \hat\sigma^2=A_2-\bar X^2 .$$
而
$$A_2-\bar X^2=\frac1n\sum X_i^2-\bar X^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2=S_n^2 .$$
所以
$$\hat\mu=\bar X,\qquad \hat\sigma^2=S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$$
**无偏性**:由点 1 题 2,$ES_n^2=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ ,故 $\hat\sigma^2$ **有偏**(系统性偏小)。若改用 $S^2$ 才无偏。
**验算**:(Ⅰ)里 $\hat\sigma^2$ 的期望:$E A_2=EX^2=\sigma^2$ ✓,所以**(Ⅰ)的 $\hat\sigma^2$ 反而无偏**——这与(Ⅱ)恰好相反,原因是一阶矩是否为 $0$ 决定了"减不减 $\bar X^2$ "。
**带走结论**:**同一个参数,在不同的总体设定下矩估计可能不同,无偏性也可能不同**。规律是:**只要 $\mu$ 未知、需要先估 $\mu$ ,$\sigma^2$ 的矩估计就必然是 $S_n^2$ (有偏)**;而 $\mu$ 已知为 $0$ 时用 $A_2$ (无偏)。这一条把 2019·23 与 2017·23 的分叉点讲清了。
> **关联** · 盘点 [§4.2 两个陷阱](01-知识点盘点.md#user-content-42-两个陷阱) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
---