黑箱里有n个小球，编号为1, 2, ..., n，随机抽一个球的号码是10，能获得什么关于n的信息？ 第1页

任何观察都能带来信息，只是看你怎么用的问题。

实际上，仅仅凭这一个观察我们就能得到估计。

最简单的估计：n = 10

这我相信你肯定是不信服的，怎么可能那么巧就拿到最大编号的呢？但它也是有道理的，你听我跟你说：

考虑最大编号为n的情况下，随机摸到10号的概率，可以知道n < 10时为0，n >= 10时为1/n，这样n = 10的时候，发生这件事的概率是最大的，相比起来如果n非常大，那么摸到10的概率就会小，所以如果没有任何信息的情况下，取n = 10可以让我们观察到的这个现象发生的概率最大。

这种估计方法就叫做最概然估计，它让被观察条件的似然值（likelihood，可以理解为是没有归一化过的某种概率）最大。它的缺点你也看到了，它是有偏（bias）的，我们已经知道了真值肯定至少是10，那么我们很不习惯猜在一个端点上，我们会希望往中间猜一点。

为什么要往中间猜呢？

很多时候我们不止是想要猜中这个n，还希望在猜不中的情况下能尽量地接近，这样如果n有一定的分布的话，我们猜在靠中间的地方，均方误差会比较小一些，也就是说即使猜不中也差不远。数学上来说，我们恰好猜在n的期望的位置的时候，这个估计达到了最小均方误差，同时也是无偏的，这种估计方法就叫做最小均方误差估计。

最简单的一种方法就是用似然值代替概率，作加权平均：我们已经知道不同n下被观察现象发生的概率了，我们用这个概率来做加权平均，这看上去是很有道理的一件事，实际计算一下：

遗憾的是这个结果是发散的，原因在于即便n很大，取到10的概率也不算太小，这样就没有什么所谓中间了。做一个无可奈何下的修正，我们假定n有个上限N，那么利用调和级数求和的近似公式可以得到结果约为

如果取N = 100的话，大致就是38.7左右。注意这个估计值连整数都不是，但它符合我们“往中间猜”的期望。

为了解决刚才的不收敛的问题，我们可以考虑下面的问题：

我们取平均的时候，只考虑了被观察的事件在特定n取值下的可能性，但却没有考虑n本身取值的可能性。比如说，n有可能特别特别大、甚至超过了整个太阳系的总质量吗？这一点都不符合实际啊，可对这种n的取值，我们的处理和对n = 100这样的比较“正常”的值没有任何区别。这样并不合理啊。

最合理的办法是动用贝叶斯公式：

我们将n也看作一个随机变量，它有先验分布，我们通过观察到的实验结果x来计算n的后验分布，利用这个后验分布来计算期望。我们首先要先给一个合理的先验分布，在这里我们假定这个箱子的小球是某个人一个一个放进去的，他抓一个放一个，直到自己厌倦了为止，而厌倦的可能性每次抓球都是独立同分布的，这样就得到了一个几何分布：

为了防止混淆我们用u表示几何分布的参数，下一步代入贝叶斯公式：

期望就可以写为

求出这个结果并不难，分式上面的式子显然是个等比数列求和，结果为

下面的式子可以使用母函数，令

则

直接暴力二项式展开

两边同时积分

利用u = 1时f(u) = 0，得到

好歹是有限项的和，我们就不继续化简了……注意到分母上是

于是

它与u有关也是意料之中，我们来研究它和u的关系，考虑到几何分布的期望是1/u，我们画出E和1/u的关系：

1/u较小时：

可以看到贝叶斯修正是怎么工作的：

1. 无论1/u多么小（哪怕接近于1），得到的估计也大于10（符合预期）
2. 随着1/u的上升，n的估计值也上升，但上升得要比1/u慢

当 时， ，注意它跟我们前面的简单最小均方误差估计得到了同一个结果。实际上，前面的结果就可以看作是这里 的极限情况。

注意贝叶斯估计并不是唯一正确的估计方法，其实也没有什么所谓正确的估计方法，每种方法都有自己的优点和缺点。贝叶斯估计方法的好处在于比较灵活，坏处也在于比较灵活——因为很灵活，所以只要先验分布可靠，用很少的样本也可以得到准确的估计；反过来，如果先验分布取的不对头，就需要很多的样本才能纠正过来。

还有许多基于统计量的估计方法，就不再介绍了。