0
点赞
收藏
分享

微信扫一扫

机器学习中的数学——点估计(二):矩估计


分类目录:​​《机器学习中的数学》总目录​​

矩估计的思想就是替换思想:用​样本原点矩替换总体原点矩​。


设总体 X X X的 k k k阶原点矩: μ k = E ( X k ) \mu_k=E(X_k) μk​=E(Xk​),样本的 k k k阶原点矩为:

如果未知参数 θ = ϕ ( μ 1 , μ 2 , ⋯   , μ m ) \theta=\phi(\mu_1, \mu_2, \cdots, \mu_m) θ=ϕ(μ1​,μ2​,⋯,μm​),则 θ \theta θ的矩估计量为:


当正态分布均值 μ \mu μ已知和 μ \mu μ未知时, σ 2 \sigma^2 σ2的矩估计的结论不一样:


设一个总体 X X X的均值 E ( X ) = μ E(X)=\mu E(X)=μ和方差 D ( X ) = σ 2 D(X)=\sigma^2 D(X)=σ2都未知, ( X 1 , X 2 , ⋯   , X n ) (X_1, X_2, \cdots, X_n) (X1,X2,⋯,Xn)为取自该总体的一个样本,则 ( ˉ X ) \bar(X) (ˉX)是 μ \mu μ的矩估计量, S n 2 S_n^2 Sn2是 σ 2 \sigma^2 σ2的矩估计量, S n S_n Sn是 σ 2 \sigma^2 σ2的矩估计量。




举报

相关推荐

0 条评论