Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/大题十年考点/16-点15-概率参数估计.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

182 lines
10 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, 大题十年考点, 概率论与数理统计, 参数估计, 极大似然, 无偏估计]
专题: 大题十年考点 · 点15 概率·参数估计
日期: 2026-11-01
状态: 知识点带题(15.1 矩估计与极大似然、15.2 无偏性与均方误差、15.3 次序统计量,共 3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]", "[[概率论-第6讲-数理统计]]"]
---
# 点 15 概率 · 参数估计
> 真题锚点:2016·23、2017·23、2018·23、2019·23、2020·23、2022·22、2024·22(十年 **7 题 79 分**)|重要度 ★★★
> 依赖:一维分布与分布函数。盘点对应:§15 全节。完整知识见 [概率论-第6讲](../概率论-第6讲-数理统计/README.md)。
**组织原则**:概率大题的另一个来源(7 题 79 分)。老卷固定在解 23,新卷与点 14 轮换。3 题覆盖三种问法:**矩估计 $+$ MLE**、**无偏性与均方误差**、**次序统计量(最大/最小)**。
## 知识点 15.1 矩估计与极大似然(出处:[概率论-第6讲 点4 矩估计](../概率论-第6讲-数理统计/05-点4-矩估计.md) 与 [点5 最大似然](../概率论-第6讲-数理统计/06-点5-最大似然估计.md))
**矩估计**:令"样本均值 $=$ 总体均值",解出参数。
$$\bar X=E_\theta(X)\ \Longrightarrow\ \hat\theta_{\text{矩}} .$$
**极大似然**:$L(\theta)=\prod f(x_i;\theta)$ ,取对数,求导令零,**并检查驻点是否在参数空间内**。
$$\frac{d\ln L}{d\theta}=0\ \Longrightarrow\ \hat\theta_{\text{MLE}} .$$
**两个特判**(十年考过两次):
1. 当 $L$ 关于 $\theta$ **单调**(如总体是 $U(0,\theta)$ 、$f=e^{-(x-\theta)}$ )时,导数不为零,MLE 落在**参数的边界**上,由"所有 $x_i$ 都必须落在支撑内"给出,答案形如 $\hat\theta=\max X_i$ 或 $\min X_i$ ;
2. 含指示函数的密度**不能直接求导**,必须先写清支撑条件。
## 知识点 15.2 无偏性与均方误差(出处:[概率论-第6讲 · 点6 估计量的评价标准](../概率论-第6讲-数理统计/07-点6-估计量的评价标准.md))
$$\text{无偏}:\ E(\hat\theta)=\theta;\qquad \operatorname{MSE}(\hat\theta)=E\left(\hat\theta-\theta\right)^2=D(\hat\theta)+\left[E(\hat\theta)-\theta\right]^2 .$$
**求 $E(\hat\theta)$ 的常规路径**:先求 $\hat\theta$ 的分布(通常是 $\max$ 或 $\min$ ,用分布函数法),再算期望。
**修正为无偏**:若 $E(\hat\theta)=c\theta$ ($c$ 为常数),则 $\frac{1}{c}\hat\theta$ 无偏。
## 知识点 15.3 次序统计量(出处:[概率论-第6讲 · 点1 总体样本与统计量](../概率论-第6讲-数理统计/02-点1-总体样本与统计量.md))
设 $X_1,\dots,X_n$ iid,分布函数 $F$ ,密度 $f$ 。
$$M=\max X_i:\ F_M(m)=\left[F(m)\right]^n,\qquad f_M(m)=n\left[F(m)\right]^{n-1}f(m);$$
$$L=\min X_i:\ P\{L>l\}=\left[1-F(l)\right]^n,\qquad f_L(l)=n\left[1-F(l)\right]^{n-1}f(l).$$
**两个必背结论**:$X\sim U(0,\theta)$ 时 $E(\max)=\frac{n}{n+1}\theta$ ;总体密度 $e^{-(x-\theta)}$ ($x\ge\theta$ )时 $E(\min)=\theta+\frac1n$ 。
**"求 $P\{\hat\theta>\theta+t\}$ "这类问题**:直接用 $\max$ 的分布函数 $\left(\frac{\theta+t}{\theta}\right)^n$ 或 $\min$ 的生存函数 $e^{-nt}$ 。
---
## 题目(按知识点顺序对应)
### 题 1 · 15.1:矩估计与极大似然并排(★★☆)
> 【2017·23 骨架】设总体 $X$ 的概率密度为
>
> $$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&0<x<1\\ 0,&\text{其他}\end{cases}\qquad(\theta>0),$$
>
> $X_1,\dots,X_n$ 是来自该总体的简单随机样本。求 $\theta$ 的矩估计量与最大似然估计量。
**怎么想**:矩估计先算 $E(X)$ (对 $x$ 从 $0$ 到 $1$ 积分,得 $\frac{\theta}{\theta+1}$ ),再反解。MLE 取对数后对 $\theta$ 求导,一次就完。
**解**:**① 矩估计**。先算总体均值:
$$E(X)=\int_0^1x\cdot\theta x^{\theta-1}dx=\theta\int_0^1x^{\theta}dx=\frac{\theta}{\theta+1} .$$
令 $\frac{\theta}{\theta+1}=\bar X$ ,解得 $\theta(1-\bar X)=\bar X$ ,即
$$\hat\theta_{\text{矩}}=\frac{\bar X}{1-\bar X} .$$
**② 极大似然**。似然函数(所有 $x_i\in(0,1)$ 时)
$$L(\theta)=\prod_{i=1}^n\theta x_i^{\theta-1}=\theta^n\left(\prod_{i=1}^nx_i\right)^{\theta-1},$$
取对数:
$$\ln L(\theta)=n\ln\theta+(\theta-1)\sum_{i=1}^n\ln x_i .$$
求导令零:
$$\frac{d\ln L}{d\theta}=\frac{n}{\theta}+\sum_{i=1}^n\ln x_i=0\ \Longrightarrow\ \hat\theta_{\text{MLE}}=-\frac{n}{\sum_{i=1}^n\ln X_i} .$$
因 $\frac{d^2\ln L}{d\theta^2}=-\frac{n}{\theta^2}<0$ ,故为极大值点。
**验算**:注意 $0<x_i<1$ 时 $\ln x_i<0$ ,故 $\hat\theta_{\text{MLE}}>0$ ✓(参数空间内)。数值例:取 $n=2$ ,$x_1=x_2=\frac12$ ,则 $\hat\theta_{\text{MLE}}=-\frac{2}{2\ln0.5}=\frac{1}{\ln2}\approx1.443$ ;而 $\bar X=0.5$ 给 $\hat\theta_{\text{矩}}=1$ ,两个估计不同(正常,估计量不必相同)。
**带走结论**:**矩估计看一阶矩,MLE 看对数似然导数**。有一点必须写:MLE 的驻点要在参数空间内(本题 $\hat\theta>0$ 由 $\ln x_i<0$ 保证),并说明二阶导为负。
> **关联** · 盘点 [§15.1 矩估计与极大似然](01-知识点盘点.md#user-content-151-矩估计与极大似然) | 上游 — | 下游 — | 速查 [十五 参数估计:两个必背](17-速查卡.md#user-content-十五-参数估计两个必背)
---
### 题 2 · 15.2:最大值型估计的无偏修正(★★★)
> 【2016·23 骨架】设总体 $X\sim U(0,\theta)$ ($\theta>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本,记 $M=\max\{X_1,\dots,X_n\}$ 。
>
> (Ⅰ)求 $\theta$ 的最大似然估计量;(Ⅱ)判断 $M$ 是否为 $\theta$ 的无偏估计,若不是,请修正为无偏估计;(Ⅲ)求修正后估计量的方差。
**怎么想**:似然函数 $L(\theta)=\frac{1}{\theta^n}$ 且要求所有 $x_i\le\theta$ ,故 $L$ 关于 $\theta$ 单调递减,MLE 取在**最小的可行 $\theta$ ** 上,即 $\theta=M$ 。期望靠 $M$ 的分布函数 $\left(\frac{m}{\theta}\right)^n$ 算。
**解**:(Ⅰ)$L(\theta)=\prod\frac{1}{\theta}=\frac{1}{\theta^n}$ (要求 $0\le x_i\le\theta$ ,即 $\theta\ge M$ )。$L$ 在 $\theta\ge M$ 上关于 $\theta$ 严格递减,故在 $\theta=M$ 处取最大:
$$\hat\theta_{\text{MLE}}=M=\max\{X_1,\dots,X_n\} .$$
(Ⅱ)$M$ 的分布函数:$F_M(m)=P\{M\le m\}=\left(\frac{m}{\theta}\right)^n$ ($0\le m\le\theta$ ),密度
$$f_M(m)=\frac{n\,m^{n-1}}{\theta^n},\quad 0\le m\le\theta .$$
$$E(M)=\int_0^\theta m\cdot\frac{nm^{n-1}}{\theta^n}dm=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta\ne\theta .$$
故 $M$ **不是**无偏估计(系统性偏小,因为样本最大值总不超过 $\theta$ )。修正:
$$\tilde\theta=\frac{n+1}{n}M,\qquad E(\tilde\theta)=\frac{n+1}{n}\cdot\frac{n}{n+1}\theta=\theta .$$
(Ⅲ)先算二阶矩:
$$E(M^2)=\int_0^\theta m^2\frac{nm^{n-1}}{\theta^n}dm=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n}{n+2}\theta^2 .$$
$$D(M)=\frac{n}{n+2}\theta^2-\left(\frac{n}{n+1}\theta\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\theta^2}{(n+1)^2(n+2)} .$$
(通分验证:$\frac{n(n+1)^2-n^2(n+2)}{(n+2)(n+1)^2}=\frac{n(n^2+2n+1)-n^3-2n^2}{(n+2)(n+1)^2}=\frac{n}{(n+2)(n+1)^2}$ ✓。)
故
$$D(\tilde\theta)=\left(\frac{n+1}{n}\right)^2D(M)=\frac{(n+1)^2}{n^2}\cdot\frac{n\theta^2}{(n+1)^2(n+2)}=\frac{\theta^2}{n(n+2)} .$$
**验算**:$n=1$ 时 $M=X_1$ ,$E(M)=\frac\theta2$ ✓,$\tilde\theta=2X_1$ ;按公式 $D(\tilde\theta)=\frac{\theta^2}{1\cdot3}=\frac{\theta^2}{3}$ ,而直接算 $D(2X_1)=4\cdot\frac{\theta^2}{12}=\frac{\theta^2}{3}$ ✓。
**带走结论**:**$U(0,\theta)$ 的两个必背结论:$\hat\theta_{\text{MLE}}=\max$ 、$E(\max)=\frac{n}{n+1}\theta$ ** ,修正因子 $\frac{n+1}{n}$ 。求期望前必须先写出 $M$ 的分布函数,这一步是全部分数的来源。
> **关联** · 盘点 [§15.2 无偏性与均方误差](01-知识点盘点.md#user-content-152-无偏性与均方误差) | 上游 — | 下游 — | 速查 [十五 参数估计:两个必背](17-速查卡.md#user-content-十五-参数估计两个必背)
---
### 题 3 · 15.3:最小值型估计(★★★)
> 设总体 $X$ 的概率密度为
>
> $$f(x;\theta)=\begin{cases}e^{-(x-\theta)},&x\ge\theta\\ 0,&x<\theta\end{cases}$$
>
> 其中 $\theta\in\mathbb R$ 未知,$X_1,\dots,X_n$ 为样本,记 $L=\min\{X_1,\dots,X_n\}$ 。
>
> (Ⅰ)求 $\theta$ 的最大似然估计量;(Ⅱ)证明 $L-\dfrac1n$ 是 $\theta$ 的无偏估计;(Ⅲ)求 $P\left\{L>\theta+\dfrac{\ln2}{n}\right\}$ 。
**怎么想**:似然函数只含 $\theta$ 的支撑条件,$\theta$ 越大指数部分越小,故 MLE 取**能取到的最大 $\theta$ **,即 $\theta=L$ 。$L$ 的分布用生存函数 $P\{L>l\}=\left[1-F(l)\right]^n$ 最快。
**解**:(Ⅰ)似然函数(所有 $x_i\ge\theta$ 时)
$$L(\theta)=\prod_{i=1}^ne^{-(x_i-\theta)}=e^{-\sum x_i+n\theta},$$
且要求 $\theta\le\min x_i=L$ 。$L(\theta)$ 关于 $\theta$ 严格递增,故在 $\theta=L$ 处最大:
$$\hat\theta_{\text{MLE}}=L=\min\{X_1,\dots,X_n\} .$$
(Ⅱ)由 $f(x;\theta)=e^{-(x-\theta)}$ ($x\ge\theta$ )得分布函数
$$F(x)=1-e^{-(x-\theta)},\quad x\ge\theta;\qquad F(x)=0,\ x<\theta .$$
对 $l\ge\theta$ ,
$$P\{L>l\}=P\{X_1>l,\dots,X_n>l\}=\left[e^{-(l-\theta)}\right]^n=e^{-n(l-\theta)} .$$
这说明 $L-\theta$ 服从参数为 $n$ 的指数分布,故
$$E(L-\theta)=\frac1n\ \Longrightarrow\ E(L)=\theta+\frac1n\ \Longrightarrow\ E\left(L-\frac1n\right)=\theta .$$
即 $L-\frac1n$ 是 $\theta$ 的无偏估计。
(Ⅲ)
$$P\left\{L>\theta+\frac{\ln2}{n}\right\}=e^{-n\cdot\frac{\ln2}{n}}=e^{-\ln2}=\frac12 .$$
**验算**:$n=1$ 时 $L=X_1$ ,(Ⅱ)给 $E(L)=\theta+1$ ✓(指数分布期望为 $1$ )。$P\left\{L>\theta+\frac{1}{n}\right\}=e^{-1}$ ,而 $P\left\{L>\theta+\frac{\ln2}{n}\right\}=2^{-1}$ ——中位数对应 $\frac{\ln2}{n}$ ✓。
**带走结论**:**位置参数 $+$ 支撑下界型的密度,MLE 一定是 $\min$ **(与 $U(0,\theta)$ 的 $\max$ 相对)。求分布一律用**生存函数** $P\{L>l\}=[1-F(l)]^n$ ,比先求密度再积分快,而且能直接读出"$L-\theta\sim E(n)$ "这个结论。
> **关联** · 盘点 [§15.3 次序统计量](01-知识点盘点.md#user-content-153-次序统计量) | 上游 — | 下游 — | 速查 [十五 参数估计:两个必背](17-速查卡.md#user-content-十五-参数估计两个必背)
---