Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
T

861 lines
47 KiB
Markdown
Raw Normal View History

---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 考点手册
- MOC
专题: 概率论 第6讲 · 数理统计 · 考点手册(真题库第 20/21/22 章)
日期: 2026-10-16
状态: 已出
对应视频:
- 01 一、基础知识结构
- 02 二、总体与样本
- 03 二、统计量及其分布(上)
- 04 二、统计量及其分布(下)
- 05 三、参数的点估计
- 06 四、参数的区间估计(仅数学一)
- 07 五、假设检验(仅数学一)
- 08 六、两类错误(仅数学一)
关联: "[[README]] · [[02-试题]] · [[03-解析]]"
---
# 概率论 第6讲 · 数理统计 · 考点手册
> **定位**:这是概率论的**收尾大章**,也是数学一**独有的重头戏**(区间估计、假设检验「仅数学一」)。真题库对应 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**,其中**参数估计标注「热门」**——近十年**年年一道 11–12 分解答题**。
> **用法**:先通读本手册建立框架 → 做 [[02-试题]](18 题,约 80 分钟)→ 对 [[03-解析]]。
> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
---
## 0. 本讲定位与学习地图
### 0.1 一句话概括全部内容
> **数理统计 = 「用样本推断总体」**:先拿样本造工具(**统计量**),弄清工具服从什么分布(**抽样分布**),再用工具反推总体的未知参数(**点估计 → 区间估计 → 假设检验**)。
### 0.2 六节地图
| 节 | 内容 | 视频 | 真题热度 |
|---|---|---|---|
| §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) |
| §2 | **统计量及其分布**(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) |
| §3 | **参数的点估计**(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | **★★★★★ 年年必考解答题** |
| §4 | 区间估计(枢轴变量法,**单总体四大 + 两总体两类**,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
| §5 | 假设检验(**单总体六大 + 两总体三类**与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
| §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) |
### 0.3 三条主线
1. **独立性**:数理统计的一切都建立在「$X_1,\cdots,X_n$ **相互独立**且与总体**同分布**」上。看到"简单随机样本"六个字,立刻把它翻译成 **i.i.d.**。
2. **标准化**:$\chi^2/t/F$ 三大分布的构造,本质都是「**把正态变量化成标准正态,再按定义拼**」。
3. **$\dfrac{1}{n}\sum X_i^k$ 与 $E(X^k)$ 的替换**:矩估计的全部内容;也是**大数定律**在统计里的投影。
---
## 1. 总体与样本 🟦02 🟩
### 1.1 基本名词
| 名词 | 含义 |
|---|---|
| **总体** | 研究对象的全体;数学上就是一个**随机变量** $X$ (及其分布) |
| **个体** | 组成总体的每一个元素 |
| **简单随机样本** | $n$ 个**相互独立**且**与总体 $X$ 同分布**的随机变量 $(X_1,\cdots,X_n)$ ,容量为 $n$ |
| **样本值(观测值)** | 一次抽样得到的 $n$ 个具体数 $(x_1,\cdots,x_n)$ |
> **记忆**:概率论里叫「**独立同分布(i.i.d.)**」,数理统计里叫「**简单随机样本**」——同一件事的两个名字。
### 1.2 样本的联合分布(核心公式)
设总体 $X$ 的分布函数为 $F(x)$ (密度 $f(x)$ ,分布律 $p(x_i;\theta)$ ),则样本的联合分布为
$$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
> ⚠️ **这就是**"简单随机样本"**的全部价值**:有了独立性,$n$ 维联合分布才**等于一维分布的连乘**。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$ ,用的就是这一条。
### 1.3 经验分布函数(了解)
把样本值从小到大排列后,定义
$$\hat F_n(x)=\frac1n\sum_{i=1}^{n}I\{X_i\le x\}=\frac{\text{样本中 } \le x \text{ 的个数}}{n},$$
即"**样本落在 $x$ 左侧的比例**",它是分布函数 $F(x)$ 的一个估计。
> **格利文科(Glivenko)定理**:$\sup\limits_{x}\lvert\hat F_n(x)-F(x)\rvert\xrightarrow{\text{a.s.}}0$ ,即样本足够大时,**经验分布函数一致逼近真实分布**。
> 数一大纲不直接考,但它是"**用样本分布代替总体分布**"这一整套统计思想的来源——矩估计法中"样本矩 → 总体矩"就是它的特例。
### 1.4 分组数据(了解)
若样本值被整理成频数分布,第 $i$ 组组中值 $c_i$ 、频数 $n_i$ ,则
$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
---
## 2. 统计量及其分布 🟦03 🟦04 🟨2017·8 🟨2023·9 🟩
### 2.1 统计量的定义(判断题高频)
> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$ 、$\sigma$ ),它就不是统计量。
> **例**:$X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ **均未知**时
> - $X_1+X_2$ 、$\sum X_i$ 、$\max X_i$ 、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
> - $\sum(X_i-\mu)^2$ 、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$ )。
### 2.2 常用统计量
| 名称 | 记号 | 公式 |
|---|---|---|
| 样本均值 | $\bar X$ | $\displaystyle\bar X=\frac1n\sum_{i=1}^{n}X_i$ |
| 样本方差 | $S^2$ | $\displaystyle S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$ |
| 样本标准差 | $S$ | $S=\sqrt{S^2}$ |
| 样本 $k$ 阶原点矩 | $A_k$ | $\displaystyle A_k=\frac1n\sum_{i=1}^{n}X_i^k$ |
| 样本 $k$ 阶中心矩 | $B_k$ | $\displaystyle B_k=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^k$ |
**恒等式(化简必备)**:
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$
### 2.3 样本均值与样本方差的数字特征(必背)
设 $EX=\mu$ ,$DX=\sigma^2$ ,$X_1,\cdots,X_n$ 为简单随机样本,则
$$E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}},\qquad \boxed{ES^2=\sigma^2}.$$
> **为什么样本方差除以 $n-1$ ?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$ ,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$ (**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$ 。
>
> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
### 2.4 三大抽样分布 🟨2017·8
#### 2.4.1 $\chi^2$ 分布(卡方)
**构造**:$X_1,\cdots,X_n$ 相互独立且均 $\sim N(0,1)$ ,则
$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
**性质**:
| 性质 | 内容 |
|---|---|
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$ 、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
| 期望方差 | $E\chi^2(n)=n$ ,$D\chi^2(n)=2n$ |
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ (**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
#### 2.4.2 $t$ 分布(学生氏)
**构造**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,$X$ 与 $Y$ **独立**,则
$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
**性质**:
- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
- $n$ 很大时近似 $N(0,1)$ ;
- $t_{1-\alpha}(n)=-t_\alpha(n)$ (**对称性**);
- $t^2\sim F(1,n)$ 。
> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
#### 2.4.3 $F$ 分布
**构造**:$U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ ,$U$ 与 $V$ **独立**,则
$$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
**性质**:
| 性质 | 内容 |
|---|---|
| 倒数 | $F\sim F(n_1,n_2)\Longrightarrow \dfrac1F\sim F(n_2,n_1)$ |
| 分位点互化 | $F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)}$ |
| 与 $t$ 的关系 | $t\sim t(n)\Longrightarrow t^2\sim F(1,n)$ |
> **⚠️ 易错**:$F$ 分布的两个自由度**顺序不能反**!$F(n_1,n_2)$ 里 $n_1$ 是**分子**的自由度,$n_2$ 是**分母**的自由度。
### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\bar X$ 、$S^2$ 为样本均值与样本方差。
**(一)单个正态总体(四条定理)**
$$
\boxed{\begin{aligned}
&\text{①}\quad \bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\\[6pt]
&\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\\[6pt]
&\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\\[6pt]
&\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知})\\[6pt]
&\text{⑤}\quad \frac{n(\bar X-\mu)^2}{S^2}\ \sim\ F(1,\ n-1)\qquad\big(\text{由 ④ 取平方,}t^2\sim F(1,n-1)\big)
\end{aligned}}
$$
> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$ ,自由度减一"**。
> **①→④ 的口诀**:**"$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度 $n-1$ "**。
> **④ 的独立性**是正态总体**独有的性质**(一般总体不成立),它是 $t$ 分布构造的前提,**必须记住**。
**(二)两个正态总体(三条定理)**
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,记
$$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$
则
$$
\begin{aligned}
&\text{①}\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}}\ \sim\ N(0,1)\\[8pt]
&\text{②}\quad \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\ \sim\ F(m-1,\ n-1)\\[8pt]
&\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2)
\end{aligned}
$$
> **② 的推导就是"拼 $F$ "**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$ 、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$ ,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
> 🟨 **2023·9 就是考这一条**:只要两个总体的方差比 $\sigma_1^2:\sigma_2^2$ 已知,就能把系数调出来。
**(三)拼装三大分布的"三步法"(考场通用)**
1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$ ;
2. **标准化**:除以标准差得到 $N(0,1)$ ,**平方**得 $\chi^2(1)$ ;
3. **按定义拼**:$\chi^2$ **加**、$t$ **除根号**、$F$ **上下除各自自由度**。
**⚠️ 三个恒定陷阱**:
| 陷阱 | 正确做法 |
|---|---|
| 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$ ;系数不对就不是 $\chi^2$ |
| 独立性未验证 | 分子含 $X_1$ 、分母也含 $X_1$ 时**不独立**,不能用 $t$ /$F$ 定义 |
| 自由度算错 | $\chi^2$ 用 $n$ (或 $n-1$ )、$t$ 用 $n-1$ 、$F$ 用 $(m-1,n-1)$ |
### 2.6 顺序统计量 🟨2016·23 🟨2024·22
把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。
- $X_{(1)}=\min\{X_1,\cdots,X_n\}$ —— **最小**顺序统计量;
- $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。
**最大值/最小值的分布(背下来,解答题直接用)**
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
> **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$ 。
> 最小值用**对立事件**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$ 。
**常用期望($\theta$ 为参数上限型分布时必用)**
| 总体 | $EX_{(n)}$ | $EX_{(n)}^2$ |
|---|---|---|
| $X\sim U(0,\theta)$ | $\dfrac{n}{n+1}\theta$ | $\dfrac{n}{n+2}\theta^2$ |
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
> **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0<x<\theta$ ,则 $X_{(n)}$ 服从「幂型」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$ 。
**(了解)第 $k$ 个顺序统计量的密度**
$$f_{(k)}(x)=\frac{n!}{(k-1)!\,(n-k)!}\,\big[F(x)\big]^{k-1}\,\big[1-F(x)\big]^{n-k}\,f(x),$$
把 $k=1$ 、$k=n$ 代进去,正好还原上面的 min、max 两式。数一大纲不直接要求,但讲课时会提——**考场上 max/min 够用了**。
---
## 3. 参数的点估计 🟦05 🟨(本讲分值最重)
> **点估计 = 造一个统计量 $\hat\theta(X_1,\cdots,X_n)$ 去"顶替"未知参数 $\theta$ 。** 两种造法:**矩估计**(用矩换矩)与**极大似然**(找最"像"的参数)。
### 3.1 矩估计法
**思想**:**用样本矩替换总体矩**(大数定律保证"样本矩 → 总体矩")。
**步骤**:
1. 写出含 $\theta$ 的总体矩 $E X^k$ (**一个参数用一阶矩,两个参数用一、二阶矩**);
2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$ ;
3. 解方程得 $\hat\theta$ 。
**两个参数的模板**:
$$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$
> ⚠️ **注意**:矩估计给出的方差估计是 **$B_2$ (除以 $n$ )**,**不是 $S^2$ (除以 $n-1$ )**!两者都是 $\sigma^2$ 的估计量,但**只有 $S^2$ 无偏**。
### 3.2 最大似然估计(MLE)
**思想**:既然观测到了 $(x_1,\cdots,x_n)$ ,那就选**让这组样本出现概率最大**的 $\theta$ 。
**步骤(常规可微情形)**:
1. **写似然函数** $L(\theta)=\prod\limits_{i=1}^{n}f(x_i;\theta)$ (离散型用 $\prod p(x_i;\theta)$ );
2. **取对数** $\ln L(\theta)$ (连乘变连加);
3. **求导令零** $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$ ;
4. **解出 $\hat\theta$ **,并写成**大写** $\hat\theta(X_1,\cdots,X_n)$ 才是"估计量"。
> **为什么取对数?** 因为 $\ln$ 单调递增,$L$ 与 $\ln L$ 在**同一点**取极值,而连加比连乘好求导。
**不可微 / 单调情形(每年必有一道,必须掌握)**
当 $L(\theta)$ 关于 $\theta$ **单调**(通常因为支撑集含 $\theta$ )时,$\hat\theta$ **不是驻点**,而是**取值边界**:
| 情形 | 结论 |
|---|---|
| $X\sim U(0,\theta)$ ,$f=\dfrac1\theta$ ,$0<x<\theta$ | $\hat\theta=X_{(n)}=\max X_i$ (**取最大**,保证所有 $x_i<\theta$ ) |
| $X\sim U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$ ,$\hat\theta_2=X_{(n)}$ |
| $f(x;\theta)=\dfrac{1}{\theta}$ ,$\theta\le x\le 2\theta$ 型 | 由 $\theta\le X_{(1)}$ 与 $X_{(n)}\le2\theta$ 夹出 $[\tfrac{X_{(n)}}2,\ X_{(1)}]$ ,任取一点皆可(**通常取端点**) |
> **口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
**三类高频载体(记住结果,考场直接写)**
| 分布 | 密度 | 矩估计 | 极大似然估计 |
|---|---|---|---|
| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
| 均匀 $U(0,\theta)$ | $\dfrac1\theta,0<x<\theta$ | $\hat\theta=2\bar X$ | $\hat\theta=X_{(n)}$ |
| 幂型 | $f(x)=\theta x^{\theta-1}$ ($0<x<1,\ \theta>0$ ) | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
> **两个特殊的"坑"分布**:
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$ ;常数 $A=\sqrt{2/\pi}$ ;
> - **两样本同参数**(如 $X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$ 。
---
#### 【例 3-1】两样本泊松分布 MLE + 方差(锚 2022·22)
> 设 $X_1,\cdots,X_n$ 来自参数为 $\theta$ 的泊松分布 $P(\theta)$ ,$Y_1,\cdots,Y_m$ 来自参数为 $2\theta$ 的泊松分布 $P(2\theta)$ ,两组样本相互独立,$\theta>0$ 未知。求 $\theta$ 的极大似然估计 $\hat\theta$ 及 $D(\hat\theta)$ 。
**第①步 写似然函数(两组相乘)**:
泊松分布律 $P\{X=k\}=\dfrac{\lambda^k e^{-\lambda}}{k!}$ 。两组样本独立,联合似然 = X 组似然 × Y 组似然:
$$L(\theta)=\underbrace{\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}}_{\text{X 组,参数 }\theta}\ \cdot\ \underbrace{\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}}_{\text{Y 组,参数 }2\theta}$$
**第②步 整理**:
把常数项(与 $\theta$ 无关)合并,$\theta$ 的幂合并:
$$L(\theta)=\frac{2^{\sum y_j}\,\theta^{\sum x_i+\sum y_j}\,e^{-n\theta-2m\theta}}{\prod x_i!\,\prod y_j!}$$
> **关键观察**:
> - X 组贡献 $\theta^{x_i}$ 和 $e^{-\theta}$ (n 个样本);
> - Y 组贡献 $(2\theta)^{y_j}=2^{y_j}\theta^{y_j}$ 和 $e^{-2\theta}$ (m 个样本);
> - 所以 $\theta$ 的总幂次是 $\sum x_i+\sum y_j$ ,指数上总共有 $n\theta+2m\theta=(n+2m)\theta$ 。
**第③步 取对数求导**:
$$\ln L(\theta)=\Big(\sum x_i+\sum y_j\Big)\ln\theta+\Big(\sum y_j\Big)\ln2-(n+2m)\theta-\ln(\prod x_i!\prod y_j!)$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0$$
解得:
$$\boxed{\ \hat\theta=\frac{\sum_{i=1}^{n}X_i+\sum_{j=1}^{m}Y_j}{n+2m}\ }$$
> **⚠️ 易错 1**:分母是 $n+2m$ ,不是 $n+m$ !因为 Y 组每个样本携带的参数是 $2\theta$ ,相当于"两个 θ 的信息量",所以分母里 Y 组的权重是 $2m$ 。
> **⚠️ 易错 2**:分子里 Y 组就是 $\sum Y_j$ ,不要写成 $2\sum Y_j$ 。$2\theta$ 那个 2 在取对数时变成了 $\sum y_j\ln2$ 这一项(常数,求导后消失),不会进到分子里。
**第④步 求 $D(\hat\theta)$ **:
$$\hat\theta=\frac{\sum X_i+\sum Y_j}{n+2m}$$
由泊松分布性质 $D(X_i)=\theta$ 、$D(Y_j)=2\theta$ ,且各组样本独立:
$$D(\hat\theta)=\frac{D(\sum X_i)+D(\sum Y_j)}{(n+2m)^2}=\frac{n\cdot\theta+m\cdot2\theta}{(n+2m)^2}=\frac{\theta(n+2m)}{(n+2m)^2}$$
$$\boxed{\ D(\hat\theta)=\frac{\theta}{n+2m}\ }$$
> **顺便验证无偏性**:$E\hat\theta=\dfrac{n\theta+m\cdot2\theta}{n+2m}=\theta$ ,所以 $\hat\theta$ 是 $\theta$ 的无偏估计。
---
**这类题的通用模板**(看到"两样本共享一个未知参数"就套):
1. 两组样本的分布里都出现同一个 $\theta$ (但参数可能带系数,如 $\theta$ 与 $2\theta$ );
2. 似然函数 = 两组似然**相乘**;
3. 取对数后,$\theta$ 的系数(幂次)来自两组所有样本;
4. 指数项 $e^{-(\text{样本数加权})\theta}$ 里的权重要按参数倍数算(Y 组是 $2\theta$ 就贡献 $2m\theta$ );
5. 求导后解出 $\hat\theta$ ,再用 $D(\sum)=nD(X)$ 算方差。
**极大似然估计的不变性原理(重要)**
> 若 $\hat\theta$ 是 $\theta$ 的极大似然估计,$g(\cdot)$ 是任意函数(通常单调),则 **$g(\hat\theta)$ 是 $g(\theta)$ 的极大似然估计**。
$$\widehat{g(\theta)}=g(\hat\theta).$$
**用途**:不必为新参数重新建似然函数。典型例子:
- 正态总体 $N(\mu,\sigma^2)$ :$\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2$ (注意**除以 $n$ 、有偏**)⟹ 直接得 $\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$ ;
- $X\sim U(0,\theta)$ :$\hat\theta=X_{(n)}$ ⟹ $\theta^2$ 的 MLE 就是 $X_{(n)}^2$ 、$1/\theta$ 的 MLE 就是 $1/X_{(n)}$ 。
> ⚠️ **注意区分**:**无偏性没有不变性**!$E\hat\theta=\theta$ **推不出** $Eg(\hat\theta)=g(\theta)$ (如 $S=\sqrt{S^2}$ 就不是 $\sigma$ 的无偏估计)。**"MLE 有不变性,无偏性没有"**——这是常考的概念辨析点。
### 3.3 估计量的评价标准
#### 3.3.1 无偏性(考得最多)
$$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \hat\theta\ \text{是}\ \theta\ \text{的无偏估计}.$$
**无偏性的传播法则**(极其好用):
$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
> **常见结论**:$E\bar X=\mu$ 、$ES^2=\sigma^2$ (无偏);$B_2=\frac1n\sum(X_i-\bar X)^2$ (**有偏**)。
#### 3.3.2 有效性
两个**都无偏**的估计量,**方差越小越有效**:
$$D\hat\theta_1<D\hat\theta_2\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.$$
> **⚠️ 前提**:**必须先都无偏**,才能比有效性!无偏 ≠ 有效,两者是**两级筛选**。
#### 3.3.3 均方误差(MSE)—— 2024 年新考点
$$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2=\text{方差}+\text{偏差}^2 .$$
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$ **(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
> **2024·22 的考点**:让 MSE 最小的 $c$ ,通常**不等于**让估计无偏的 $c$ ——**要展开成 $c$ 的二次函数求顶点**。
> 展开模板(以 $T_c=cX_{(n)}$ 为例):
> $$h(c)=c^2\,E X_{(n)}^2-2c\,\theta\,EX_{(n)}+\theta^2,\qquad h'(c)=0\Longrightarrow c=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.$$
#### 3.3.4 一致性(相合性)
$$\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert\hat\theta-\theta\rvert<\varepsilon\}=1\quad\Longleftrightarrow\quad \hat\theta\xrightarrow{\ P\ }\theta .$$
> **联系第 5 讲**:这就是**大数定律**的语言——$\bar X$ 是 $\mu$ 的一致估计量的直接理由。
### 3.4 三个标准的关系(速记)
> **无偏**管"准不准"(偏差为 0);**有效**管"稳不稳"(方差最小);**一致**管"样本多了会不会靠近"。
> 数学上:**无偏 + 方差趋于 0 $\Rightarrow$ 一致**。
---
## 4. 参数的区间估计 🟦06 🟨2016·14(**仅数学一**)
> **点估计给一个数,区间估计给一个"带可信度的范围"。**
### 4.1 基本概念
$$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
| 名词 | 含义 |
|---|---|
| $1-\alpha$ | **置信度 / 置信水平**(可信程度) |
| $\alpha$ | **显著性水平**(犯错的概率,通常 0.05、0.01、0.1) |
| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
| 区间长度 | 反映**估计精度**;长度越短越精确 |
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$ "($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$ **"。
### 4.2 枢轴变量法(万能套路)
1. **找点估计** $\hat\theta$ (一般取 MLE 或 $\bar X$ 、$S^2$ );
2. **造枢轴量** $I=I(\hat\theta,\theta)$ :**含未知参数 $\theta$ ,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$ 、$t$ 、$F$ );
3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$ 。
### 4.3 正态总体四大区间估计(**必背表**)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ ,置信度 $1-\alpha$ 。
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
| $\mu$ | $\sigma$ **已知** | $U=\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\left[\bar X-u_{\alpha/2}\dfrac{\sigma}{\sqrt n},\ \bar X+u_{\alpha/2}\dfrac{\sigma}{\sqrt n}\right]$ |
| $\mu$ | $\sigma$ **未知** | $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\left[\bar X-t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n},\ \bar X+t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}\right]$ |
| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
**⚠️ $\chi^2$ 区间的两端分位点"反着放"**:因为 $\chi^2$ **分布不对称**,且 $\sigma^2$ 在**分母**——所以**上分位点配下限、下分位点配上限**。这是最容易抄错的地方。
**三个"看条件"的读法**:
- $\sigma$ 已知 → $U$ (正态);$\sigma$ 未知 → $t$ (且自由度 $n-1$ );
- $\mu$ 已知 → $\chi^2(n)$ ;$\mu$ 未知 → $\chi^2(n-1)$ ;
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$ "**。
### 4.4 单侧置信区间
| 类型 | 枢轴量形式 | 区间 |
|---|---|---|
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$ ) | $u_\alpha$ (单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$ ) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
> **单双侧的分位数互换**:单侧用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同理 $t_\alpha(n-1)$ 。
> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
> $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$
> **一句话**:**"上限 + 下限 = 2 $\bar X$ "**(仅对均值的对称区间成立;方差区间不成立)。
### 4.5 两个正态总体的区间估计 🟩(**数一大纲要求**)
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,置信度 $1-\alpha$ 。
**(1)均值差 $\mu_1-\mu_2$ 的置信区间**
| 条件 | 枢轴量 | 置信区间 |
|---|---|---|
| $\sigma_1^2,\sigma_2^2$ **均已知** | $U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ | $(\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ |
| $\sigma_1^2=\sigma_2^2$ **未知**($T$ ) | $T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | $(\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}$ |
其中合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
> **记法要点**:区间**中心永远是点估计 $\bar X-\bar Y$ **,半宽 = 「分位点 × 该估计量的标准差」。$\mu_1-\mu_2$ 的估计量方差是 $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ (**两样本方差各自除以自身容量再相加**)——别漏掉任何一项。
**(2)方差比 $\sigma_1^2/\sigma_2^2$ 的置信区间**
由 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ ,解出
$$\left[\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(m-1,n-1)},\quad \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(m-1,n-1)}\ \right].$$
> **⚠️ 两端同样"反着放"**:因为 $\sigma_1^2/\sigma_2^2$ 在**分母**,且 $F$ 分布不对称——**大分位点配下限、小分位点配上限**。附:$F_{1-\alpha/2}(m-1,n-1)=\dfrac{1}{F_{\alpha/2}(n-1,m-1)}$ ,查表时要**两个自由度都互换**。
---
## 5. 假设检验 🟦07 🟨2025·10(**仅数学一**)
### 5.1 基本思想
> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$ **。
### 5.2 假设检验四步
1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$ (通常把"想否定的、被保护的说法"放 $H_0$ );
2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$ 、$T$ 、$\chi^2$ 、$F$ ,并写出 $H_0$ 成立时的分布;
3. **定拒绝域**:给定 $\alpha$ ,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$ **,否则接受。
---
#### 【例 5-1】$U$ 检验·双侧·$\sigma$ 已知(走一遍完整四步)
> 某厂生产的螺钉长度 $X\sim N(\mu, 0.2^2)$ (单位:mm)。现抽 $n=16$ 个,算得样本平均长度 $\bar x=2.12$ mm。在显著性水平 $\alpha=0.05$ 下,能否认为螺钉平均长度为 $\mu_0=2.10$ mm?(已知 $u_{0.025}=1.96$ )
**第①步 提假设**:
$$H_0:\mu=2.10,\qquad H_1:\mu\ne 2.10\quad(\text{双侧}).$$
**第②步 选统计量**:$\sigma=0.2$ **已知**,选 $U$ 检验:
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}\ \xrightarrow{H_0}\ N(0,1).$$
**第③步 定拒绝域**:双侧,分位点 $u_{\alpha/2}=u_{0.025}=1.96$ :
$$W=\{\,|U|\ge 1.96\,\}.$$
**第④步 算观测值、下结论**:
$$u=\frac{2.12-2.10}{0.2/\sqrt{16}}=\frac{0.02}{0.05}=0.4.$$
$|0.4|<1.96$ ,**不在拒绝域内**,故**接受 $H_0$ **——可以认为螺钉平均长度为 $2.10$ mm。
> **⚠️ 易错**:分母是 $\sigma/\sqrt n=0.2/4=0.05$ ,不是 $\sigma=0.2$ 也不是 $S/\sqrt n$ 。
---
#### 【例 5-2】$U$ 检验·单侧右侧·$\sigma$ 已知(锚 2025·10)
> 某元件寿命 $X\sim N(\mu, 2)$ (单位:千小时)。现抽 $n=9$ 个,算得 $\bar x=1.8$ 千小时。在 $\alpha=0.05$ 下,是否有理由认为元件平均寿命**大于** $1$ 千小时?(已知 $u_{0.05}=1.645$ )
**第①步 提假设**(**方向跟着 $H_1$ 跑**):
$$H_0:\mu\le 1,\qquad H_1:\mu>1\quad(\text{右侧检验}).$$
**第②步 选统计量**:$\sigma^2=2$ **已知**,故 $\sigma=\sqrt2$ :
$$U=\frac{\bar X-1}{\sqrt2/\sqrt9}=\frac{\bar X-1}{\sqrt2/3}\ \xrightarrow{H_0}\ N(0,1).$$
**第③步 定拒绝域**:右侧,**单侧**分位点 $u_{\alpha}=u_{0.05}=1.645$ (**不是** $u_{0.025}$ ):
$$W=\{\,U\ge 1.645\,\}.$$
**第④步 算观测值、下结论**:
$$u=\frac{1.8-1}{\sqrt2/3}=\frac{0.8\times 3}{\sqrt2}=\frac{2.4}{1.414}\approx 1.70.$$
$1.70>1.645$ ,**落在拒绝域内**,故**拒绝 $H_0$ **——有理由认为元件平均寿命大于 $1$ 千小时。
> **⚠️ 易错 1**:$\sigma^2=2$ 时 $\sigma=\sqrt2$ ,别把方差直接当代入分母。
> **⚠️ 易错 2**:单侧用 $u_\alpha=1.645$ ,双侧才用 $u_{\alpha/2}=1.96$ 。方向不同,分位点不同。
---
### 5.3 三类假设与拒绝域方向
| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
|---|---|---|---|
| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$ ) |
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) |
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$ ) |
> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$ "就放在右侧,$H_1$ 是"$<$ "就放在左侧,$H_1$ 是"$\ne$ "就放两侧。
### 5.4 正态总体六大检验(拒绝域速查表)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ 。
| 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 |
|---|---|---|---|---|
| $\mu$ | $\sigma=\sigma_0$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1)$ | $\mu\ne\mu_0$ | $\lvert u\rvert\ge u_{\alpha/2}$ |
| | | | $\mu>\mu_0$ | $u\ge u_\alpha$ |
| | | | $\mu<\mu_0$ | $u\le-u_\alpha$ |
| $\mu$ | $\sigma$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$ | $\mu\ne\mu_0$ | $\lvert t\rvert\ge t_{\alpha/2}(n-1)$ |
| | | | $\mu>\mu_0$ | $t\ge t_\alpha(n-1)$ |
| | | | $\mu<\mu_0$ | $t\le-t_\alpha(n-1)$ |
| $\sigma^2$ | $\mu$ **已知**($\chi^2$ 检验) | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n)$ 或 $\ge\chi^2_{\alpha/2}(n)$ |
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n)$ |
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n)$ |
| $\sigma^2$ | $\mu$ **未知**($\chi^2$ 检验) | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n-1)$ 或 $\ge\chi^2_{\alpha/2}(n-1)$ |
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
**记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"**
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。
---
#### 【例 5-3】$T$ 检验·双侧·$\sigma$ 未知
> 某班数学成绩 $X\sim N(\mu,\sigma^2)$ ,$\sigma$ **未知**。现抽 $n=9$ 人,算得 $\bar x=72$ 分,$s=4.5$ 分。在 $\alpha=0.05$ 下,能否认为该班平均成绩为 $75$ 分?(已知 $t_{0.025}(8)=2.306$ )
**第①步**:$H_0:\mu=75$ ,$H_1:\mu\ne75$ 。
**第②步**:$\sigma$ **未知**,用 $S$ 代替 $\sigma$ ,选 $T$ 检验,自由度 $n-1=8$ :
$$T=\frac{\bar X-75}{S/\sqrt n}\ \xrightarrow{H_0}\ t(8).$$
**第③步**:双侧拒绝域 $W=\{\,|T|\ge t_{0.025}(8)=2.306\,\}$ 。
**第④步**:
$$t=\frac{72-75}{4.5/\sqrt9}=\frac{-3}{1.5}=-2,\qquad |t|=2<2.306.$$
**接受 $H_0$ **——可以认为该班平均成绩为 75 分。
> **口诀对照**:$\sigma$ 已知用 $U$ 、$\sigma$ 未知用 $T$ ;自由度从 $n$ 变 $n-1$ 。
---
#### 【例 5-4】$\chi^2$ 检验·方差·$\mu$ 未知
> 某厂钢丝折断力 $X\sim N(\mu,\sigma^2)$ 。现抽 $n=10$ 根,算得样本方差 $s^2=48.2$ 。在 $\alpha=0.05$ 下,能否认为折断力的方差为 $\sigma_0^2=64$ ?(已知 $\chi^2_{0.025}(9)=19.02$ ,$\chi^2_{0.975}(9)=2.70$ )
**第①步**:$H_0:\sigma^2=64$ ,$H_1:\sigma^2\ne64$ 。
**第②步**:$\mu$ **未知**,用样本均值代替,自由度 $n-1=9$ :
$$\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\ \xrightarrow{H_0}\ \chi^2(9).$$
**第③步**:$\chi^2$ 分布**不对称**,双侧拒绝域要**两端分别查**:
$$W=\{\,\chi^2\le\chi^2_{0.975}(9)=2.70\ \text{或}\ \chi^2\ge\chi^2_{0.025}(9)=19.02\,\}.$$
**第④步**:
$$\chi^2=\frac{9\times 48.2}{64}=\frac{433.8}{64}\approx 6.78.$$
$2.70<6.78<19.02$ ,**不在拒绝域内**,**接受 $H_0$ **——可以认为折断力方差为 64。
> **⚠️ 易错**:$\chi^2$ 双侧拒绝域不是 $|\chi^2|\ge c$ 这种对称写法!它**左尾一个临界值、右尾一个临界值**,必须分别查 $\chi^2_{\alpha/2}(n-1)$ 和 $\chi^2_{1-\alpha/2}(n-1)$ 。
---
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。
### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**)
两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。
| 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) |
|---|---|---|---|
| $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ |
| $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ |
> **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。
> **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。
---
## 6. 两类错误 🟦08 🟨2018·8 🟨2021·10
### 6.1 定义
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|---|---|---|
| **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
| **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
**公式**:
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受}H_0\mid H_0\text{为假}\}=P\{\text{接受}H_0\mid H_1\text{为真}\}.$$
> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$ ),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
### 6.2 计算 $\beta$ 的四步
1. 写出**拒绝域** $W$ ;
2. 写出**接受域** $\bar W$ (拒绝域的补集);
3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$ 。
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$ ,则在 $\mu=\mu_1$ ($H_1$ 中某个值)下
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
---
#### 【例 6-1】第二类错误 $\beta$ 完整计算(锚 2021·10)
> 承接【例 5-1】:$X\sim N(\mu, 0.2^2)$ ,$n=16$ ,$H_0:\mu=2.10$ ,$H_1:\mu\ne2.10$ ,$\alpha=0.05$ 。若真实均值 $\mu_1=2.20$ (即 $H_0$ 实际为假),求第二类错误概率 $\beta$ 。($\Phi(0.04)\approx0.516$ ,$\Phi(3.96)\approx1$ )
**第①步 写出拒绝域 $W$ **:
由例 5-1,$|U|\ge1.96$ ,即
$$\left|\frac{\bar X-2.10}{0.2/4}\right|\ge1.96\ \Longleftrightarrow\ |\bar X-2.10|\ge0.098.$$
**第②步 写出接受域 $\bar W$ **:
$$2.10-0.098<\bar X<2.10+0.098\quad\Longleftrightarrow\quad 2.002<\bar X<2.198.$$
**第③步 把分布换成 $H_1$ 下的分布(关键!)**:
$H_1$ 真实世界里 $\mu=\mu_1=2.20$ ,所以
$$\bar X\sim N\!\left(2.20,\ \frac{0.2^2}{16}\right)=N(2.20,\ 0.05^2).$$
> ⚠️ **这里必须把均值从 $\mu_0=2.10$ 换成 $\mu_1=2.20$ **——这是 $\beta$ 与 $\alpha$ 的本质区别:$\alpha$ 在 $H_0$ 世界算,$\beta$ 在 $H_1$ 世界算。
**第④步 算 $\beta$ **:
$$\beta=P\{\text{接受 }H_0\mid\mu=2.20\}=P\{2.002<\bar X<2.198\mid\mu=2.20\}.$$
标准化 $Z=\dfrac{\bar X-2.20}{0.05}\sim N(0,1)$ :
$$\beta=P\left\{\frac{2.002-2.20}{0.05}<Z<\frac{2.198-2.20}{0.05}\right\}=P\{-3.96<Z<-0.04\}.$$
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx(1-\Phi(0.04))-0\approx1-0.516=0.484.$$
**结论**:当真实均值为 2.20 mm 时,约有 $48.4\%$ 的概率会"错误地接受 $H_0$ "(即漏判)。
> **一句话流程**:拒绝域 → 接受域 → **换均值为 $\mu_1$ ** → 标准化查 $\Phi$ 。
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)🟨2018·8
| 结论 | 说明 |
|---|---|
| **样本量固定时** | $\alpha$ 减小 $\Rightarrow$ $\beta$ **增大**;$\beta$ 减小 $\Rightarrow$ $\alpha$ 增大(**此消彼长**) |
| **同时减小 $\alpha$ 与 $\beta$ ** | **只能增大样本容量 $n$ ** |
| $\alpha$ 与拒绝域的关系 | $\alpha$ 越小 ⟹ 临界值 $c$ 越**远离** $\mu_0$ ⟹ 拒绝域**越小** |
> 🟨 **2018·8 的核心结论**:
> - $\alpha=0.05$ **拒绝** $H_0$ $\Rightarrow$ $\alpha=0.01$ **不一定拒绝**(因为拒绝域缩小了);
> - $\alpha=0.05$ **接受** $H_0$ $\Rightarrow$ $\alpha=0.01$ **必然接受**(接受域扩大,原来在里面的还在里面)。
> **不等式记忆**:$\ \alpha_1<\alpha_2\ $ (如 $0.01<0.05$ )时,**拒绝域** $W(\alpha_1)\subset W(\alpha_2)$ ,**接受域**反之。
> 所以:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
### 6.4 显著性检验
> 只控制**第一类错误**概率(即只给定 $\alpha$ ,不控制 $\beta$ )的检验称为**显著性检验**,$\alpha$ 称**显著性水平**。
---
## 7. 十年真题落点地图(🟨 第 20/21/22 章,共 15 题)
### 7.1 第 20 章 · 数理统计的基本概念(2 题,9 分)
| 年份·题号 | 题型 | 考点 | 本手册 |
|---|---|---|---|
| 2017·8 | 单选 4 | $\chi^2$ 分布辨析(四个结论判断) | §2.5 |
| 2023·9 | 单选 5 | $F$ 分布(两正态总体方差比) | §2.5(二) |
### 7.2 第 21 章 · 参数估计(10 题,93 分)**— 全章最重**
| 年份·题号 | 题型/分值 | 考点 | 本手册 |
|---|---|---|---|
| 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 |
| 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 |
| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$ :密度 + 矩估计 + MLE | §2.6 / §3.2 |
| 2018·23 | 解答 11 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | §3.2 |
| 2019·23 | 解答 11 | 半正态分布:求常数 $A$ + MLE | §3.2 |
| 2020·23 | 解答 11 | 威布尔分布:$P\{T>t\}$ + 无记忆性 + MLE | §3.2 |
| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$ (二元正态) | §2.5 ① / §3.3.1 |
| 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$ )MLE + $D\hat\theta$ | §3.2 |
| 2023·10 | 单选 5 | 无偏估计($a\lvert X_1-X_2\rvert$ 定常数) | §3.3.1 |
| 2024·22 | 解答 12 | $U(0,\theta)$ 的 $X_{(n)}$ :无偏 $c$ + MSE 最小 $c$ | §2.6 / §3.3.3 |
### 7.3 第 22 章 · 假设检验(3 题,14 分)
| 年份·题号 | 题型 | 考点 | 本手册 |
|---|---|---|---|
| 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 |
| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$ ) | §6.2 |
| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
### 7.4 命题规律(读三遍)
1. **参数估计是"铁打的 22 题"**:近十年 **10 题解答题(11–12 分)**,**几乎年年一题**,从未缺席。**这是本讲唯一的"必拿大题"**。
2. **MLE 占绝对统治地位**:10 题里有 **8 题**涉及极大似然估计,且**每隔几年就换一个"怪分布"**(拉普拉斯、半正态、威布尔、幂型、两样本泊松)——**考的不是计算,而是"能不能把似然函数写对 + 会不会处理不可微"**。
3. **无偏估计紧跟其后**:2016·23、2021·9、2023·10、2024·22,**四年考了四道**,典型套路是**「给一个带参数的统计量,反解系数使无偏」**。
4. **假设检验只考选填**(4–5 分),且只在 **2018、2021、2025** 出现,**三年一轮**——考的是**方向判断**与**概念辨析**,不考查表计算。
5. **区间估计**只考过一次(2016·14),属**低频**,但**只在数一**出现。
6. **两个正态总体的区间估计与检验(§4.5 / §5.6):大纲明确要求,近十年却从未考**——属"**高性价比冷门**"。一旦出现就是套公式的送分题,两张表(均值差、方差比)务必背熟。
7. **经验分布函数(§1.3)、第 $k$ 个顺序统计量(§2.6)**:数一大纲不直接要求,讲课会提到,考试不出——**了解即可**,别在这上面花计算时间。
---
## 8. 速查卡 · 陷阱清单
### 8.1 速记十四条
1. **简单随机样本 = i.i.d.**;联合分布 = 一维分布**连乘**(这是 MLE 的根)。
2. **统计量不能含未知参数**——含 $\mu$ 、$\sigma$ 的统统不是。
3. $E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$\boxed{ES^2=\sigma^2}$ (**$n-1$ 是为了无偏**)。
4. 正态四条:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$ 、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 、**$\bar X\perp S^2$ **、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$ 。
5. 两总体方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
6. $X_{(n)}=\max$ :$F_{(n)}=F^n$ ;$X_{(1)}=\min$ :$F_{(1)}=1-(1-F)^n$ 。
7. 矩估计的方差是 $B_2=\frac1n\sum(X_i-\bar X)^2$ (**有偏**);MLE 不可微时**往边界取**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$ )。
8. **无偏是有效性比较的前提**(两级筛选)。
9. $h(\hat\theta)=D\hat\theta+(\text{偏差})^2$ ;**MSE 最小的 $c$ ≠ 无偏的 $c$ **。
10. 均值的双侧区间**关于 $\bar X$ 对称** ⟹ **上限 + 下限 = $2\bar X$ **。
11. 检验**方向跟着 $H_1$ **;$\sigma^2=2$ 时标准差是 $\sqrt2$ 。
12. **小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。**
13. **两总体**:均值差区间/检验的中心是 $\bar X-\bar Y$ ,标准差 $\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ (或 $S_w\sqrt{\dfrac1m+\dfrac1n}$ );方差比用 $F(m-1,n-1)$ ,**区间两端反着放**。
14. **MLE 有不变性**($\widehat{g(\theta)}=g(\hat\theta)$ ),**无偏性没有**($E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$ )。
### 8.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 统计量判断时漏看未知参数 | 逐个检查表达式里有没有 $\mu,\sigma$ |
| $\sigma^2$ 与 $\sigma$ 混用 | $\sigma^2=2$ 时 $\sigma=\sqrt2$ ;$U$ 检验分母是 $\sigma_0/\sqrt n$ |
| 样本方差分母写成 $n$ | 定义是 $n-1$ ;但**矩估计给出的是 $n$ **,别混 |
| $\chi^2$ 分布当成对称 | $\chi^2$ **不对称**,$t$ 分布**对称**;$\chi^2$ 区间两端分位点"反着放" |
| 拼 $F$ 时忘记"除自由度" | $F=\dfrac{U/n_1}{V/n_2}$ ,**两个都要除** |
| $t$ /$F$ 定义里忽略独立性 | 分子分母共用同一个 $X_i$ 时**不独立**,不能用 |
| MLE 直接求导而不管单调性 | $U(0,\theta)$ 型必须**看支撑集、取边界** |
| 无偏性直接比有效性 | **先验证都无偏** |
| $\beta$ 忘记换 $H_1$ 下的分布 | $\beta$ 用的是**真值 $\mu_1$ **,不是 $\mu_0$ |
| 认为"$\theta$ 落在置信区间内的概率是 $1-\alpha$ " | $\theta$ 是常数;是**区间**随机 |
| 单侧检验用了 $\alpha/2$ 分位点 | 单侧用 $u_\alpha$ 、$t_\alpha(n-1)$ |
| 两总体均值差漏掉某项方差 | $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ **两项都要**,别只写一项 |
| 两总体方差比区间方向写反 | $\sigma_1^2/\sigma_2^2$ 在分母 ⟹ **大分位点配下限**(同 $\chi^2$ 区间) |
| 以为"无偏性"能传递 | 只有 **MLE** 有不变性;$E\hat\theta=\theta\not\Rightarrow Eg(\hat\theta)=g(\theta)$ |
---
> **下一步**:开做 [[02-试题]](18 题,约 80 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$ )** 见第 4 讲(待补)。