Słownik metodologiczny · Statystyka opisowa

Estymator zgodny – czy oszacowanie zbliża się do prawdy, gdy rośnie próba?

Estymator zgodny coraz dokładniej trafia w parametr, gdy rośnie liczebność próby. Pokazujemy, czym zgodność różni się od nieobciążoności, i porównujemy w R estymator obciążony, ale zgodny, z nieobciążonym, ale niezgodnym.

Strona główna / Słownik / Estymator zgodny
W skrócie: Estymator zgodny to estymator, którego oszacowania skupiają się coraz bliżej prawdziwego parametru, gdy rośnie liczebność próby. Zgodność nie oznacza nieobciążoności: maksimum z próby jest obciążone, ale zgodne, a oszacowanie z jednej obserwacji bywa nieobciążone, lecz niezgodne.

Co to jest estymator zgodny?

Estymator zgodny (ang. consistent estimator) to reguła szacowania parametru θ, której wyniki skupiają się coraz bliżej θ, gdy rośnie liczebność próby n. Formalnie: dla każdej, nawet bardzo małej odległości ε prawdopodobieństwo, że estymator chybi θ o więcej niż ε, dąży do zera. To zbieżność według prawdopodobieństwa. Wystarczy, by obciążenie i wariancja estymatora malały do zera. Wariancja malejąca do zera oznacza też, że do zera maleje jego błąd standardowy.

Klasyczny przykład to średnia z próby: z prawa wielkich liczb zbliża się do wartości oczekiwanej. Seneta (2013) śledzi to twierdzenie od Jakuba Bernoullego, który pytał też, jak duża próba wystarczy do zadanej precyzji. Wald (1949) zajął się warunkami zgodności estymatora największej wiarygodności.

Zgodność a nieobciążoność

To dwie różne własności. Estymator nieobciążony średnio trafia w θ przy każdym n, a zgodny trafia coraz dokładniej, gdy n rośnie. Estymator może być:

  • obciążony, ale zgodny – np. odchylenie standardowe z próby albo maksimum z próby jako estymator górnej granicy rozkładu;
  • nieobciążony, ale niezgodny – np. oszacowanie z jednej obserwacji, które nie poprawia się, gdy dobieramy osoby.

Szerzej o cechach dobrego estymatora piszemy w haśle estymacja punktowa.

Przykład w R

Losowaliśmy po 10 000 prób z rozkładu jednostajnego na przedziale od 0 do θ = 10. Maksimum z próby zawsze leży poniżej 10, więc jest obciążone: średnio wynosiło 8.33, 9.81 i 9.98 przy n = 5, 50 i 500 (obciążenie teoretyczne −θ/(n + 1), czyli −1.67, −0.20 i −0.02). Odsetek prób, w których chybiło o więcej niż 0.5, spadł z .777 do .072 i do zera. Podwojona pierwsza obserwacja jest nieobciążona (średnio 9.96–10.11), ale chybiała o ponad 0.5 w około 95% prób przy każdym n.

Na rysunku

Sześć histogramów w trzech wierszach (n = 5, 50 i 500) i dwóch kolumnach. Lewa kolumna: maksimum z próby z rozkładu jednostajnego od 0 do 10; przy n = 5 rozkład jest rozciągnięty w lewo i 77.0% oszacowań chybia θ = 10 o więcej niż 0.5, przy n = 50 – 7.8%, a przy n = 500 wszystkie oszacowania leżą w jednym słupku tuż pod 10. Prawa kolumna: podwojona pierwsza obserwacja; we wszystkich trzech wierszach rozkład jest płaski od 0 do 20 i chybia w około 95% prób.
Rysunek 1. Rozkład dwóch estymatorów górnej granicy θ = 10 rozkładu jednostajnego w 10 000 symulowanych próbach po 5, 50 i 500 obserwacji. Szary pas to θ ± 0.5; oś pionowa ma w każdym panelu własną skalę. Obliczenia: R, pakiet ggplot2 (dane symulowane, set.seed(4942)).

Co widać. Rysunek powtarza przykład z hasła na 10 000 nowych próbach (inne ziarno, więc liczby nieco różnią się od tych powyżej). Maksimum z próby (lewa kolumna) zawsze leży poniżej θ = 10 i przy n = 5 jest wyraźnie zaniżone (średnio 8.35), ale z każdym dziesięciokrotnym zwiększeniem próby jego rozkład ściska się przy θ: SD spada z 1.40 do 0.19 i 0.02, a odsetek oszacowań chybiających o więcej niż 0.5 – z 77.0% (±0.4 pp) do 7.8% (±0.3 pp) i do zera. Podwojona pierwsza obserwacja (prawa kolumna) ma średnią bliską 10 (od 9.88 do 10.01), ale jej rozkład przy każdym n jest taki sam: płaski od 0 do 20, z SD od 5.78 do 5.82, i chybia w 94.8–95.3% prób. Wartość θ, próg 0.5 i liczebności ustawiono ręcznie tak jak w przykładzie; ziarna nie zmieniano.

Na co uważać. Oś pionowa ma w każdym panelu inną skalę: wysoki słupek przy n = 500 znaczy tylko tyle, że prawie wszystkie oszacowania mieszczą się w jednym przedziale o szerokości 0.5. Rysunek pokazuje zgodność w sytuacji idealnej – losowej próby z dobrze określonego rozkładu. Nie pokazuje, co dzieje się przy próbie stronniczej: rozkład też by się zwężał, tyle że wokół niewłaściwej wartości. Wąski rozkład przy dużym n nie jest więc dowodem trafności. Zawężanie się rozkładu średniej i mediany pokazuje hasło estymacja punktowa, a średnią bieżącą w kolejnych losowaniach – prawo wielkich liczb.

Podpis do pracy:

Rysunek 1. Rozkład dwóch estymatorów górnej granicy rozkładu jednostajnego U(0, 10) w 10 000 symulowanych próbach po 5, 50 i 500 obserwacji. Uwaga. Lewa kolumna: maksimum z próby (estymator obciążony, ale zgodny); prawa kolumna: podwojona pierwsza obserwacja (estymator nieobciążony, ale niezgodny). Przerywana linia oznacza prawdziwą wartość θ = 10, szary pas – zakres θ ± 0.5. Oś pionowa ma w każdym panelu własną skalę.

Kod rysunku losuje dane z ustalonym ziarnem set.seed(4942) i liczy się w kilka sekund. Rysunek na stronie powstał z tego kodu po podmianie motywu na motyw serwisu (krój czcionki, siatka). Dane, geometrie i skale są identyczne.

Kod R rysunku 1
# Rysunek 1. Dwa estymatory górnej granicy θ rozkładu U(0, 10) przy n = 5, 50 i 500
library(ggplot2)

# Paleta Okabe–Ito i prosty motyw
kol <- c("maksimum z próby" = "#0072B2", "2 × pierwsza obserwacja" = "#D55E00")
motyw <- theme_minimal(base_size = 14) +
  theme(plot.title = element_text(face = "bold", colour = "#0f1d3a", size = rel(1.0)),
        panel.grid.minor = element_blank(), panel.grid.major = element_line(colour = "grey88", linewidth = 0.4),
        legend.position = "none", plot.background = element_rect(fill = "white", colour = NA))

theta <- 10; R <- 10000; ns <- c(5, 50, 500)
set.seed(4942)
dl <- do.call(rbind, lapply(ns, function(n) {
  x <- matrix(runif(R * n, 0, theta), nrow = R)          # R prób po n obserwacji
  rbind(data.frame(n = n, estymator = "maksimum z próby", wartosc = apply(x, 1, max)),
        data.frame(n = n, estymator = "2 × pierwsza obserwacja", wartosc = 2 * x[, 1]))
}))

# Średnia, SD i odsetek oszacowań chybiających θ o więcej niż 0.5 (z błędem Monte Carlo)
podsum <- aggregate(wartosc ~ estymator + n, dl, function(w) c(srednia = mean(w), SD = sd(w),
  P_chybia = mean(abs(w - theta) > 0.5), se_P = sqrt(mean(abs(w - theta) > 0.5) * (1 - mean(abs(w - theta) > 0.5)) / R)))
podsum <- data.frame(podsum[1:2], round(podsum$wartosc, 3))
print(podsum, row.names = FALSE)

# Rysunek: histogramy (przedziały co 0.5, oś Y osobna w każdym panelu); szary pas = θ ± 0.5, przerywana linia = θ
dl$estymator <- factor(dl$estymator, levels = names(kol))
dl$panel <- factor(paste("n =", dl$n), levels = paste("n =", ns))
podsum$estymator <- factor(podsum$estymator, levels = names(kol))
podsum$panel <- factor(paste("n =", podsum$n), levels = paste("n =", ns))
podsum$etykieta <- sprintf("chybia o > 0.5:\n%.1f%% prób", 100 * podsum$P_chybia)
p <- ggplot(dl, aes(wartosc, fill = estymator)) +
  annotate("rect", xmin = theta - 0.5, xmax = theta + 0.5, ymin = -Inf, ymax = Inf, fill = "grey80", alpha = 0.6) +
  geom_histogram(binwidth = 0.5, boundary = 0, alpha = 0.9) +
  geom_vline(xintercept = theta, linetype = "dashed", colour = "grey20") +
  geom_label(aes(x = 11, y = Inf, label = etykieta), data = podsum, inherit.aes = FALSE,
             vjust = 1.15, hjust = 0, size = 3.6, linewidth = 0, fill = "white") +
  facet_wrap(~ panel + estymator, ncol = 2, scales = "free_y", labeller = label_wrap_gen(width = 40, multi_line = FALSE)) +
  scale_fill_manual(values = kol) +
  scale_x_continuous(breaks = seq(0, 20, 5), limits = c(0, 20)) +
  scale_y_continuous(expand = expansion(mult = c(0, 0.5))) +   # miejsce na etykiety
  labs(title = "Estymator zgodny i niezgodny w 10 000 próbach z U(0, 10)",
       x = "Oszacowanie θ (przerywana linia = θ = 10; szary pas = θ ± 0.5)", y = "Liczba prób") +
  motyw
p
Wynik w R
               estymator   n srednia    SD P_chybia  se_P
 2 × pierwsza obserwacja   5   9.879 5.781    0.953 0.002
        maksimum z próby   5   8.346 1.401    0.770 0.004
 2 × pierwsza obserwacja  50  10.012 5.790    0.948 0.002
        maksimum z próby  50   9.804 0.194    0.078 0.003
 2 × pierwsza obserwacja 500  10.010 5.816    0.953 0.002
        maksimum z próby 500   9.980 0.020    0.000 0.000

Jak opisać w pracy

W symulacji (10 000 powtórzeń) obciążenie maksimum z próby jako estymatora górnej granicy rozkładu malało z −1.67 przy n = 5 do −0.02 przy n = 500, a odsetek oszacowań odległych od parametru o więcej niż 0.5 spadł z .777 do 0, co potwierdza zgodność estymatora.

Na co uważać

  • Zgodność to własność graniczna. Nie mówi, ile osób wystarczy – przy n = 5 maksimum chybiało w 78% prób.
  • Zgodność zależy od założeń. Przy próbie stronniczej estymator zbiega do wartości w badanej grupie, a nie w populacji.
  • Nieobciążoność nie zastępuje zgodności. Lepszy bywa estymator lekko obciążony, którego błąd szybko maleje z n.
Przykład reprodukowalny

Estymator zgodny w R

Kod porównuje w symulacji dwa estymatory górnej granicy rozkładu jednostajnego: obciążone, ale zgodne maksimum z próby i nieobciążoną, ale niezgodną podwojoną pierwszą obserwację.

Obciążenie i trafność dwóch estymatorów przy rosnącym n

Dane wejściowe: dane symulowane, rozkład jednostajny U(0, 10), n = 5, 50 i 500, po 10 000 powtórzeń; set.seed(4941).

Co odczytać: sr_maks i obc_teor (średnie maksimum i teoretyczne obciążenie), P_maks i P_2x1 (odsetek oszacowań chybiających o więcej niż 0.5) oraz sr_2x1.

R
set.seed(4941)
theta <- 10                                  # rozkład jednostajny U(0, 10)
n <- c(5, 50, 500)
wyniki <- t(sapply(n, function(k) {
  maks <- replicate(10000, max(runif(k, 0, theta)))  # estymator: maksimum z próby
  x1   <- replicate(10000, runif(1, 0, theta) * 2)   # estymator: 2 * pierwsza obserwacja
  c(n = k,
    sr_maks = mean(maks), obc_teor = -theta / (k + 1),     # obciążenie −θ/(n + 1)
    P_maks = mean(abs(maks - theta) > 0.5),                # P(|błąd| > 0.5)
    sr_2x1 = mean(x1), P_2x1 = mean(abs(x1 - theta) > 0.5))
}))
round(wyniki, 3)
Wynik w R
       n sr_maks obc_teor P_maks sr_2x1 P_2x1
[1,]   5   8.326   -1.667  0.777  9.962 0.950
[2,]  50   9.806   -0.196  0.072  9.967 0.945
[3,] 500   9.980   -0.020  0.000 10.105 0.954

Bibliografia oprogramowania

Wyniki pochodzą z uruchomienia pokazanego kodu w R 4.5.3. Rysunek 1 wykonano w pakiecie ggplot2, a plik SVG zapisano pakietem svglite. W pracy podaj wersje faktycznie użytych pakietów (sessionInfo()).

  1. R: R Core Team. (2026). R: A language and environment for statistical computing (Version 4.5.3) [Computer software]. R Foundation for Statistical Computing. https://www.R-project.org/
  2. ggplot2 (wersja 4.0.2): Wickham, H. (2016). ggplot2: Elegant graphics for data analysis. Springer. https://ggplot2.tidyverse.org
  3. svglite (wersja 2.2.2): Wickham, H., Henry, L., Pedersen, T. L., Luciani, T. J., Decorde, M., & Lise, V. (2025). svglite: An 'SVG' graphics device [R package]. https://doi.org/10.32614/CRAN.package.svglite

Najczęstsze pytania

Czy estymator obciążony może być zgodny?

Tak, jeśli obciążenie maleje do zera wraz z n. Maksimum z próby z rozkładu jednostajnego U(0, 10) zaniżało granicę średnio o 1.67 przy n = 5 i tylko o 0.02 przy n = 500.

Czy każdy estymator nieobciążony jest zgodny?

Nie. Podwojona pierwsza obserwacja z U(0, 10) średnio trafia w 10, ale nie korzysta z reszty próby i chybiała o ponad 0.5 w około 95% prób, niezależnie od n.

Jak sprawdzić, czy estymator jest zgodny?

Wystarczy pokazać, że jego obciążenie i wariancja dążą do zera, gdy rośnie n. W praktyce pomaga symulacja: odsetek oszacowań odległych od parametru powinien maleć wraz z liczebnością próby.

Powiązane hasła

Poradniki, w których użyjesz tego pojęcia

Potrzebujesz wsparcia w analizie danych?

Wybierz ofertę dopasowaną do pracy dyplomowej albo profesjonalnego projektu naukowego.

Wyceń analizęOferta dla studentów

Bibliografia i dalsza literatura naukowa (APA 7)

  1. Seneta, E. (2013). A tricentenary history of the law of large numbers. Bernoulli, 19(4), 1088–1121. https://doi.org/10.3150/12-bejsp12 ● Otwarty dostęp: pełny tekst
  2. Wald, A. (1949). Note on the consistency of the maximum likelihood estimate. The Annals of Mathematical Statistics, 20(4), 595–601. https://doi.org/10.1214/aoms/1177729952 ● Otwarty dostęp

Cytowania BibTeX

@article{seneta2013tricentenary, author={Seneta, Eugene}, title={{A tricentenary history of the law of large numbers}}, journal={Bernoulli}, year={2013}, volume={19}, number={4}, pages={1088--1121}, doi={10.3150/12-bejsp12}}
@article{wald1949note, author={Wald, Abraham}, title={{Note on the consistency of the maximum likelihood estimate}}, journal={The Annals of Mathematical Statistics}, year={1949}, volume={20}, number={4}, pages={595--601}, doi={10.1214/aoms/1177729952}}
R