Files
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

226 lines
13 KiB
Markdown
Raw Permalink 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, 无偏性, 有效性, 相合性, 均方误差]
专题: 概率论 第6讲 · 点6 估计量的评价标准
日期: 2026-11-07
状态: 知识点带题(6.1 无偏、6.2 有效、6.3 相合、6.4 均方误差,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 6 估计量的评价标准
> **2021·9(5 分)、2023·10(5 分)、2024·22(12 分)、2016·23(11 分)—— 约 33 分**|重要度 ★★★
> 依赖:点 1 的三个基本期望、点 5 的 MLE、第 5 讲上的依概率收敛。盘点对应:§6 全节。
**组织原则**:四个标准是四条独立的判据,**必须分开记**:无偏看期望、有效看方差、相合看极限、均方误差看"期望 + 方差"的合成。四题各打一个标准,第 4 题(2024·22 骨架)把无偏与均方误差放在一起对照,**结论是"有偏的估计有时更好"**,这是本点最有价值的一条。难度标准:★★☆ 三题、★★★ 一题。
## 知识点 6.1 无偏性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$E\hat\theta=\theta\quad(\text{对一切}\ \theta).$$
**三条常用**:$E\bar X=\mu$ ;$ES^2=\sigma^2$ ;$E S_n^2=\dfrac{n-1}{n}\sigma^2$ (有偏)。
> **"无偏"是估计量的性质,不是估计值的性质**。一次抽样的 $\hat\theta$ 与 $\theta$ 差多少,与无偏无关;无偏说的是"**反复抽样时平均等于真值**"。
## 知识点 6.2 有效性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
在两个**都无偏**的估计量之间比较方差,**方差小的更有效**:
$$\frac{D\hat\theta_1}{D\hat\theta_2}<1\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.$$
**一条重要限制**:有效性只在"同属无偏"的集合里比。一个无偏但方差大、一个有偏但方差极小,谁更好要用点 6.4 的均方误差来判。
## 知识点 6.3 相合性(一致性)(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$\hat\theta_n\overset{P}{\longrightarrow}\theta\quad(n\to\infty).$$
**判据(切比雪夫路线,考场上唯一要写的)**:若
$$E\hat\theta_n\to\theta\quad\text{且}\quad D\hat\theta_n\to0,$$
则 $\hat\theta_n$ 相合。因为 $P\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\}\le\dfrac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\dfrac{D\hat\theta_n+\text{偏差}^2}{\varepsilon^2}\to0$ 。
> **相合与无偏互不蕴含**:$\bar X+\frac1n$ 有偏但相合;$X_1$ 无偏($EX_1=\mu$ )但不相合(方差恒为 $\sigma^2$ 不趋于 $0$ )。**大样本性质看相合,小样本性质看无偏。**
## 知识点 6.4 均方误差(出处:参考仓库未单列,2024·22 引入)
$$MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .$$
读法:**总误差 = 波动 $+$ 偏差的平方**。无偏时第二项为 $0$ ,$MSE$ 退化为方差。
**它允许"有偏换低方差"**:只要偏差的平方小于省下的方差,有偏估计的 $MSE$ 反而更小——这就是第 4 题的结论。
---
## 题目(按知识点顺序对应)
### 题 1 · 6.1:无偏性反解系数(★★☆)
> 设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。
>
> (Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;
> (Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?
> (Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
**怎么想**:(Ⅰ)关键是 $X_1-X_2\sim N(0,2\sigma^2)$ ,再用半正态的期望 $E\lvert Z\rvert=\sigma_Z\sqrt{2/\pi}$ 。(Ⅱ)用凹凸性:开根号是凹函数,$E\sqrt{\cdot}<\sqrt{E\cdot}$ 。
**解**:
**(Ⅰ)** $X_1-X_2\sim N(0,\ 2\sigma^2)$ ,记 $Z=\dfrac{X_1-X_2}{\sqrt2\sigma}\sim N(0,1)$ ,则
$$\lvert X_1-X_2\rvert=\sqrt2\,\sigma\lvert Z\rvert,\qquad E\lvert Z\rvert=\sqrt{\frac{2}{\pi}} .$$
故
$$E\lvert X_1-X_2\rvert=\sqrt2\,\sigma\cdot\sqrt{\frac{2}{\pi}}=\frac{2\sigma}{\sqrt\pi} .$$
要使 $E(a\lvert X_1-X_2\rvert)=\sigma$ ,需
$$a\cdot\frac{2\sigma}{\sqrt\pi}=\sigma\quad\Longrightarrow\quad a=\frac{\sqrt\pi}{2}\approx0.886 .$$
**(Ⅱ)** **不是无偏的**。由柯西–施瓦茨(或 $g(x)=\sqrt x$ 为凹函数、琴生不等式),
$$E S=E\sqrt{S^2}<\sqrt{ES^2}=\sqrt{\sigma^2}=\sigma .$$
所以 $S$ 系统性**偏小**($n$ 大时偏差趋于 $0$ ,但永远小于 $\sigma$ )。
**(Ⅲ)** 因为 $E\left[g(\hat\theta)\right]\ne g\left(E\hat\theta\right)$ 除非 $g$ 是线性的。所以:
> **$\hat\theta$ 无偏 $\nRightarrow g(\hat\theta)$ 无偏**。但反过来,**若 $\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE**(不变性)——**"无偏"不传递,"最大似然"传递**,这两个性质必须分清。
**验算**:取 $n=2$ 校验(Ⅰ)的常数合理性:$\lvert X_1-X_2\rvert$ 的平均大约 $0.886\sigma$ ,与 $\sqrt\pi/2$ 的系数吻合($\frac{1}{0.886}=1.128=\frac{2}{\sqrt\pi}$ ✓)。
**带走结论**:**看到 $\lvert X_1-X_2\rvert$ 就要想到半正态的一阶矩** $E\lvert Z\rvert=\sqrt{2/\pi}$ ——这是 2023·10 的整套解题链。另外牢记两条:**"无偏"不穿过非线性函数,"MLE + 不变性"可以穿过**。
> **关联** · 盘点 [§6.1 无偏性](01-知识点盘点.md#user-content-61-无偏性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 2 · 6.2:三个均值型估计谁更有效(★★☆)
> 设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:
>
> $$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$$
>
> (Ⅰ)验证三者都无偏;
> (Ⅱ)比较有效性,指出最有效的一个;
> (Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
**怎么想**:$\hat\mu=\sum a_iX_i$ 无偏 $\iff$ 系数和为 $1$ ;方差是 $\left(\sum a_i^2\right)\sigma^2$ 。所以问题变成"**平方和最小**"。
**解**:
**(Ⅰ)** 三组系数和都是 $1$ :
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac12=1,\qquad \frac14+\frac14+\frac12=1 .$$
故 $E\hat\mu_k=\mu$ ,三者都无偏。
**(Ⅱ)** 用 $D\left(\sum a_iX_i\right)=\left(\sum a_i^2\right)\sigma^2$ :
$$D\hat\mu_1=3\times\frac{1}{9}\sigma^2=\frac{\sigma^2}{3};\qquad D\hat\mu_2=2\times\frac14\sigma^2=\frac{\sigma^2}{2};\qquad D\hat\mu_3=\left(\frac1{16}+\frac1{16}+\frac14\right)\sigma^2=\frac{3}{8}\sigma^2 .$$
比较:$\dfrac13<\dfrac38<\dfrac12$ ,故
$$D\hat\mu_1<D\hat\mu_3<D\hat\mu_2,\qquad \hat\mu_1\ \text{最有效}.$$
**(Ⅲ)** 在 $\sum a_i=1$ 、$a_i\ge0$ 下最小化 $\sum a_i^2$ ,由柯西–施瓦茨
$$\left(\sum a_i\right)^2\le3\sum a_i^2\ \Longrightarrow\ \sum a_i^2\ge\frac13,$$
等号在 $a_1=a_2=a_3=\dfrac13$ 处成立。所以**最有效的是等权的样本均值** $\bar X$ 。
**验算**:$\hat\mu_3$ 的系数 $(0.25,0.25,0.5)$ 明显"厚此薄彼"(给 $X_3$ 双倍权重),方差自然更大:$\sum a_i^2=0.375>0.333$ ✓。直观上"权重越平均,方差越小"。
**带走结论**:**均值型估计量的比较只看"系数的平方和"** ,系数和为 $1$ 保证无偏,平方和越小越有效。**等权最优**这一结论可以推广到 $n$ 个样本:$\sum a_i^2\ge\frac1n$ ,等号在 $a_i=\frac1n$ 时成立。
> **关联** · 盘点 [§6.2 有效性](01-知识点盘点.md#user-content-62-有效性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 3 · 6.3:相合性的证明与反例(★★☆)
> (Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。
>
> (Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。
>
> (Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。
**怎么想**:(Ⅰ)唯一工具是切比雪夫不等式(或马尔可夫不等式),作用在 $\lvert\hat\theta_n-\theta\rvert$ 上。(Ⅲ)要举两个反例,一个"有偏但相合",一个"无偏但不合"。
**解**:
**(Ⅰ)** 任给 $\varepsilon>0$ ,对随机变量 $\hat\theta_n$ 用马尔可夫不等式($EY\ge\varepsilon P\{Y\ge\varepsilon\}$ ,取 $Y=(\hat\theta_n-\theta)^2$ ):
$$P\left\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\right\}=P\left\{(\hat\theta_n-\theta)^2\ge\varepsilon^2\right\}\le\frac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\frac{D\hat\theta_n+\left(E\hat\theta_n-\theta\right)^2}{\varepsilon^2}.$$
由条件,分子两项都趋于 $0$ ,故右端趋于 $0$ ,即 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。$\blacksquare$
**(Ⅱ)** $\bar X$ 满足 $E\bar X=\mu$ (偏差为 $0$ )与 $D\bar X=\dfrac{\sigma^2}{n}\to0$ ,由(Ⅰ)立即得 $\bar X\overset{P}{\longrightarrow}\mu$ 。(这与第 5 讲上"辛钦大数定律"的结论一致,但用的是更强的条件——要求方差存在。)
**(Ⅲ)** **不互相蕴含**。
- **有偏但相合**:$\hat\theta_n=\bar X+\dfrac1n$ 。$E\hat\theta_n=\mu+\dfrac1n\ne\mu$ (有偏),但偏差 $\frac1n\to0$ 、方差 $\frac{\sigma^2}{n}\to0$ ,故相合。
- **无偏但不合**:$\hat\theta_n=X_1$ (永远只用第一个样本)。$EX_1=\mu$ (无偏),但 $D X_1=\sigma^2$ 不趋于 $0$ ,故不相合。
**验算**:第二个例子里 $P\{\lvert X_1-\mu\rvert\ge\varepsilon\}$ 是**固定的正数**(与 $n$ 无关),永远不趋于 $0$ ✓。
**带走结论**:**相合性的判据就是"偏差 $\to0$ 且方差 $\to0$ "两句话**,缺一不可。写解答题时把这两句摆出来,比背定律名字得分稳。**无偏管小样本、相合管大样本**——两者是不同维度,不能互相替代。
> **关联** · 盘点 [§6.3 相合性(一致性)](01-知识点盘点.md#user-content-63-相合性一致性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 4 · 6.4:无偏不一定最好(★★★)
> 设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知
>
> $$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$$
>
> (Ⅰ)求使 $T_c$ 无偏的 $c$ ;
> (Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;
> (Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
**怎么想**:(Ⅱ)把 $E(T_c-\theta)^2$ 展开成三项,它对 $c$ 是**二次函数**,配方即得最优 $c$ 。(Ⅲ)直接比两个值的大小。
**解**:
**(Ⅰ)**
$$E T_c=c\cdot\frac{n}{n+1}\theta=\theta\quad\Longrightarrow\quad c_1=\frac{n+1}{n}.$$
**(Ⅱ)** 展开:
$$MSE(T_c)=E\left(cX_{(n)}-\theta\right)^2=c^2EX_{(n)}^2-2c\theta EX_{(n)}+\theta^2$$
$$=\theta^2\left[c^2\frac{n}{n+2}-2c\frac{n}{n+1}+1\right].$$
这是关于 $c$ 的二次函数,开口向上,顶点在
$$c^{*}=\frac{\dfrac{n}{n+1}}{\dfrac{n}{n+2}}=\frac{n+2}{n+1}.$$
代入得最小值:
$$MSE_{\min}=\theta^2\left[\frac{(n+2)^2}{(n+1)^2}\cdot\frac{n}{n+2}-\frac{2(n+2)}{n+1}\cdot\frac{n}{n+1}+1\right]=\theta^2\left[1-\frac{n(n+2)}{(n+1)^2}\right]=\frac{\theta^{2}}{(n+1)^{2}} .$$
**(Ⅲ)** 无偏时的 $MSE$ 就是方差:
$$MSE(T_{c_1})=DT_{c_1}=\left(\frac{n+1}{n}\right)^{2}\cdot\frac{n\theta^{2}}{(n+1)^{2}(n+2)}=\frac{\theta^{2}}{n(n+2)} .$$
比较:
$$\frac{\theta^2}{(n+1)^2}\ \ \text{vs}\ \ \frac{\theta^2}{n(n+2)},\qquad (n+1)^2=n^2+2n+1>n^2+2n=n(n+2),$$
故
$$\frac{\theta^2}{(n+1)^2}<\frac{\theta^2}{n(n+2)}\quad\Longrightarrow\quad MSE_{\min}<MSE(T_{c_1}).$$
**有偏的 $c^{*}=\frac{n+2}{n+1}$ 反而更好**。(数值感:$n=5$ 时 $MSE_{\min}=\frac{\theta^2}{36}$ ,无偏的 $MSE=\frac{\theta^2}{35}$ 。)
**验算**:$n=1$ 时 $c_1=2$ 、$c^{*}=\frac32$ 。$T_2=2X_1$ ,$DT_2=4\cdot\frac{\theta^2}{12}=\frac{\theta^2}{3}$ ;$T_{1.5}$ 的 $MSE=\theta^2\left[1.5^2\cdot\frac13-2\cdot1.5\cdot\frac12+1\right]=\theta^2\left[0.75-1.5+1\right]=0.25\theta^2=\frac{\theta^2}{4}$ 。而 $\frac{\theta^2}{(1+1)^2}=\frac{\theta^2}{4}$ ✓,且 $\frac{\theta^2}{4}<\frac{\theta^2}{3}$ ✓。
**带走结论**:**$MSE$ 是"偏差 + 方差"的总账,允许用一点偏差换大幅降方差**。这条在 2024·22 的最后一问直接考。写答案时要明确:**"无偏"是约束,"$MSE$ 最小"是目标**——约束可以放松,目标不能换。
> **关联** · 盘点 [§6.4 均方误差](01-知识点盘点.md#user-content-64-均方误差) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---