1、二项分布符号是BinomialDistribution，两个参数n，p写法如图。分布只是符号定义的理想模型，运算过程是符号运算，不是实际样本。
2、使用Moment函数计算这个分布的1阶矩，2阶矩。并设A1,A2,构造两个方程，如图。
3、使用Solve函数，联立这两个方程，求解出n和p。这里的每一步都是精确理想的符号运算。A1,A2是分布的矩。
4、为了产生样本，我们使用RadomVariate，产生二项分布n=5,p=0.3的样本。但是稍后的矩估计计算，则假设我们不知道n和p是多少，然后回来比对运算结果，看估计是否有效。
5、计算样本的一阶矩和二阶矩，使用同一个函数Moment。另外，注意Moment是原点矩不是中心矩。不论用哪种矩，算到最后都能用。
6、然后，我们之前那个n和p关于A1,A2的表达式，把其中的A1和A2替换为我们样本得出的a1和a2（相当于A1和A2的估计值），来算出n和p的估计值。可见，估计有效。
7、增大样本数量到10^8个，估计值更加接近真实值。即这个矩估计随着样本增多是收敛的。
8、下面，正态分布同理，首先符号计算分布的矩。如图，计算的仍然都是中心距。然后Solve反解待估计量。注意取第二组解，σ为正数。
9、将A1,A2替换为a1,a2解出估计值，和原来的值做比较，可见估计有效。增大样本数量，估计值收敛到真实值。
10、另外，使用中心矩，还是原点矩，我们应该怎么方便耦嘀扔硇怎么来。通常一阶矩取原点矩（平均值），二阶矩取中心矩（分布中心矩与分布方差相等，样本中心矩与样本方差有比例系数n-1/n）比较方便。如图是取中心矩，确实简化了。
11、计算样本矩的时候，也同样和分布的矩计算对应即可。最后替换并计算估计值。
