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
This commit is contained in:
2026-11-07 13:02:26 +08:00
parent 60dfb19579
commit 4e4009de30
23 changed files with 2077 additions and 1693 deletions
@@ -0,0 +1,111 @@
---
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)
---