问题背景：最符合人类直觉的想法是：把截获到的这批坦克编号算一个平均数，既然编号是连续均匀分布的，那么总数应该差不多是平均数的两倍左右。
数学真相：假设真实坦克总数为 \( N \)，均匀分布的总体期望（平均值）为 \( \mu = \frac{N+1}{2} \)。根据矩法估计，我们用实际抽取的样本平均数 \( \bar{x} \) 来代替总体的期望，解方程即可得到估计量：
致命缺陷：虽然公式极其简单，但在小样本抽样时，它经常会给出一个小于截获最大编号的荒谬结果。例如：你截获了编号为 10, 20, 80 的三辆坦克，平均数是 36.6，公式预测总数为 72 辆。但你明明已经亲眼看到了 80 号坦克！这在逻辑上产生了自相矛盾。
问题背景：如果不用平均数，那我们从概率的角度反推：在所有的可能性中，总数 \( N \) 等于多少时，能让“我们恰好抓到目前这 \( k \) 辆坦克”的概率达到最大？
数学真相：从 \( N \) 辆坦克中抽出特定的 \( k \) 辆，概率为 \( 1 / \binom{N}{k} \)。要让这个概率值最大，分母就必须尽可能小。而 \( N \) 的物理下限，就是我们观测到的最大编号 \( m \)。
致命缺陷：极大似然估计彻底忽略了那些未被观测到的隐藏坦克。它极其保守地认为“我看到的最大的就是敌军的全部”。这是一个严格向下有偏 (Biased) 的估计量，在实战中永远会低估敌军的真实兵力。
问题背景：我们需要一个近乎完美的公式：它既不能违背常理（预测值必须 \(\ge m\)），又能在长期抽样验证中保持零误差（无偏），并且方差还要尽可能小。
数学真相：在均匀分布模型中，样本的最大值 \( m \) 包含着关于总数 \( N \) 的全部有效信息，在统计学中这被称为“充分统计量” (Sufficient Statistic)。统计学家发现，\( m \) 总是比 \( N \) 小一个平均间隙。通过严密的数学修正，将这个缺失的“间隙”补全，就得到了极其强悍的一致最小方差无偏估计量 (UMVUE)：