Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md
T

181 lines
23 KiB
Markdown
Raw Normal View History

---
tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
专题: 概率论 第6讲 · 数理统计 · 背诵版
日期: 2026-10-27
状态: 背诵版 v1(考点完整呈现 + 18 题清单,无解答);**待重出**:在学练习第 6 讲已于 2026-11-07 重构为 26 题,本页题目清单仍是旧 18 题
来源: 在学练习/概率论-第6讲-数理统计 | 参考仓库 Math/probability-theory-and-mathematical-statistics
关联笔记: ["[[README]]", "[[../在学练习/概率论-第6讲-数理统计/README]]"]
---
# 概率论 第6讲 · 数理统计 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:旧版在学练习 `02-试题`(18 题:A 组 1–6 / B 组 7–14 / C 组 15–18),编号沿用原题号。**该文件已于 2026-11-07 重构删除**,下表的 18 题作为回忆自测清单保留;重构后的 26 题(八点分册)见在学练习第 6 讲各点文件,编号体系不同、题目也不重合。考点出处标注参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。
## 0. 本讲骨架(先背这张图)
**一句话概括**:**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**),再用工具反推总体未知参数(**点估计 → 区间估计 → 假设检验**)。
**三条主线**:① **独立性**(简单随机样本 = i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。
**真题地位**:真题库第 20/21/22 章合计 **15 题、116 分**;其中**参数估计(第 21 章)标注「热门」——近十年几乎年年一道 11–12 分解答题,是本讲唯一必拿的大题**(10 题里 8 题涉及 MLE)。区间估计、假设检验、两类错误**仅数学一**考,且只出选填。**「铁打的 22 题」**:每年解答题第 22(23)题基本固定考参数估计。
**六节地图**:§1 总体与样本(冷门)→ §2 统计量及其分布(三大分布 + 正态抽样分布,隔年选填)→ §3 **参数的点估计(年年必考解答题)**→ §4 区间估计(仅数一)→ §5 假设检验(仅数一)→ §6 两类错误(仅数一)。
**考点树**
| 节 | 考点(对应题目) |
|---|---|
| §1 总体与样本 | 简单随机样本、联合分布连乘、经验分布函数(题1 起手) |
| §2 统计量及其分布 ★ | 统计量定义、常用统计量、$\bar X/S^2$ 数字特征、$\chi^2/t/F$ 三大分布、单/两正态抽样分布、顺序统计量(题1–3、8、14) |
| §3 参数的点估计 ★★★ | 矩估计、MLE(可微/不可微/不变性)、无偏/有效/一致/MSE(题4–8、12、13、15–17) |
| §4 区间估计 | 枢轴变量法、单总体四大表、两总体两类(题9) |
| §5 假设检验 | 四步、三类拒绝域、单总体六大表、两总体三类(题10、18) |
| §6 两类错误 | $\alpha$/$\beta$ 定义与计算、$\alpha\beta$ 关系(题11、18) |
## 1. §1 总体与样本
总体 = 研究对象全体(数学上是一个随机变量 $X$);个体 = 每个元素;**简单随机样本 = $n$ 个相互独立且与总体同分布**的 $(X_1,\dots,X_n)$——「概率论里的 i.i.d.」即「数理统计里的简单随机样本」。**样本联合分布(核心)**:$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)$(离散同理)——独立性使 $n$ 维联合分布 = 一维分布连乘,这是 MLE 的根。经验分布函数 $\hat F_n(x)=\frac{\text{样本中}\le x\text{的个数}}n$(了解);格利文科定理:$\sup_x|\hat F_n(x)-F(x)|\xrightarrow{\text{a.s.}}0$。
## 2. §2 统计量及其分布
### 2.1 统计量定义(判断题高频)
$g(X_1,\dots,X_n)$ 中**不含任何未知参数**($\mu$、$\sigma$)才是统计量。判断口诀:**「能不能算出来」**。例:$\sum X_i$、$\max X_i$ 是;$\sum(X_i-\mu)^2$、$\frac{X_1-\mu}{\sigma}$ 不是。
### 2.2 常用统计量与恒等式
样本均值 $\bar X=\frac1n\sum X_i$;样本方差 $S^2=\frac1{n-1}\sum(X_i-\bar X)^2$;样本 $k$ 阶原点矩 $A_k=\frac1n\sum X_i^k$、中心矩 $B_k=\frac1n\sum(X_i-\bar X)^k$。**恒等式**:$\sum(X_i-\bar X)^2=\sum X_i^2-n\bar X^2$。
### 2.3 $\bar X$ 与 $S^2$ 的数字特征(必背)
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2.$$
**为什么除以 $n-1$**:用 $\bar X$ 代替 $\mu$ 损失 1 个自由度,$E[\frac1n\sum(X_i-\bar X)^2]=\frac{n-1}{n}\sigma^2$(有偏)——**$n-1$ 是为了无偏性**(也解释了 $\chi^2$ 里 $n-1$)。
### 2.4 三大抽样分布
- **$\chi^2$**:$X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ⟹ $\chi^2=\sum X_i^2\sim\chi^2(n)$。性质:可加性(独立 $\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$);$E\chi^2(n)=n$、$D\chi^2(n)=2n$;**分布不对称**,上下分位点分别查。
- **$t$**:$X\sim N(0,1)$、$Y\sim\chi^2(n)$ 独立 ⟹ $t=\frac{X}{\sqrt{Y/n}}\sim t(n)$。性质:密度**偶函数、关于 $y$ 轴对称、比标准正态矮胖(尾厚)**;$n$ 大近似 $N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$。用途:$\sigma$ 未知时用 $S$ 代替。
- **$F$**:$U\sim\chi^2(n_1)$、$V\sim\chi^2(n_2)$ 独立 ⟹ $F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$。性质:$\frac1F\sim F(n_2,n_1)$;$F_{1-\alpha}(n_1,n_2)=\frac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**($n_1$ 分子、$n_2$ 分母)。
### 2.5 正态总体下的抽样分布(本节最重要)
**(一)单个正态总体(四条定理,$\bar X$、$S^2$ 来自 $N(\mu,\sigma^2)$)**
① $\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$;② $\frac1{\sigma^2}\sum(X_i-\mu)^2\sim\chi^2(n)$($\mu$ 已知);③ $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$($\mu$ 未知);④ $\bar X$ 与 $S^2$ **相互独立**,且 $\frac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$($\sigma$ 未知);⑤ $\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$。
口诀:**②→③「$\mu$ 换成 $\bar X$,自由度减一」**;**①→④「$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$」**。④ 的独立性是**正态总体独有**(一般总体不成立),必须记住。
**(二)两个正态总体($X_1,\dots,X_m\sim N(\mu_1,\sigma_1^2)$、$Y_1,\dots,Y_n\sim N(\mu_2,\sigma_2^2)$ 独立)**
① $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$;② $\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$(🟨2023·9 考点);③ $\sigma_1^2=\sigma_2^2$ 时 $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$,合并方差 $S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
**(三)拼装三大分布三步法**:① 算线性组合的均值方差;② 标准化得 $N(0,1)$、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**:忘标准化就平方(系数不对不是 $\chi^2$);分子分母共用同一 $X_i$ 不独立;自由度算错。
### 2.6 顺序统计量
$X_{(1)}=\min$、$X_{(n)}=\max$。**最值分布(背下来)**:$F_{(n)}(x)=[F(x)]^n$、$f_{(n)}(x)=n[F(x)]^{n-1}f(x)$;$F_{(1)}(x)=1-[1-F(x)]^n$、$f_{(1)}(x)=n[1-F(x)]^{n-1}f(x)$。**常用期望**(上限型分布):$X\sim U(0,\theta)$ 时 $EX_{(n)}=\frac{n}{n+1}\theta$、$EX_{(n)}^2=\frac{n}{n+2}\theta^2$;$f(x)=\frac{2x}{\theta^2}$ 时 $EX_{(n)}=\frac{2n}{2n+1}\theta$、$EX_{(n)}^2=\frac{2n}{2n+2}\theta^2$;一般式:$f(x)=\frac{kx^{k-1}}{\theta^k}$ 时 $EX_{(n)}=\frac{kn}{kn+1}\theta$。
## 3. §3 参数的点估计(分值最重)
> **点估计 = 造统计量 $\hat\theta(X_1,\dots,X_n)$ 去「顶替」未知参数 $\theta$**。两种造法:矩估计与极大似然。
### 3.1 矩估计法
**思想**:用样本矩替换总体矩(大数定律保证)。步骤:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶、两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。两参数模板:$\hat\mu=\bar X$、$\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2$。⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$——只有 $S^2$ 无偏**。
### 3.2 最大似然估计(MLE)
**思想**:选让这组样本出现概率最大的 $\theta$。**常规可微四步**:① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p$);② 取对数(连乘变连加,$\ln$ 单调不减保极值点);③ 求导令零;④ 解出并写大写 $\hat\theta(X_1,\dots,X_n)$。
**不可微/单调情形(每年必有一道)**:$L$ 关于 $\theta$ 单调(支撑集含 $\theta$)时 $\hat\theta$ 是**取值边界**:$X\sim U(0,\theta)$ ⟹ $\hat\theta=X_{(n)}=\max X_i$;$U(\theta_1,\theta_2)$ ⟹ $\hat\theta_1=X_{(1)}$、$\hat\theta_2=X_{(n)}$。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)**:拉普拉斯 $\frac1{2\lambda}e^{-|x|/\lambda}$:矩估计 = MLE = $\frac1n\sum|X_i|$;均匀 $U(0,\theta)$:矩估计 $=2\bar X$、MLE $=X_{(n)}$;幂型 $f=\theta x^{\theta-1}$($0<x<1$):矩估计 $=\frac{\bar X}{1-\bar X}$、MLE $=-\frac n{\sum\ln X_i}$。
**两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得 $\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}$。⚠️ 分母是 $n+2m$(Y 组每个样本携带 $2\theta$ 的信息量);分子 Y 组就是 $\sum Y_j$($2$ 进了常数项)。$D(\hat\lambda)=\frac{\theta}{n+2m}$;$E\hat\lambda=\theta$(无偏)。
**MLE 的不变性原理**:$g(\hat\theta)$ 是 $g(\theta)$ 的 MLE($\widehat{g(\theta)}=g(\hat\theta)$)。**用途**:$\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$、$U(0,\theta)$ 的 $\theta^2$ 的 MLE $=X_{(n)}^2$。⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$($S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)——**「MLE 有不变性,无偏性没有」常考辨析**。
### 3.3 评价标准
- **无偏性**(考得最多):$E\hat\theta=\theta$。传播法则 $E(a\hat\theta+b)=a\theta+b$。常见:$E\bar X=\mu$、$ES^2=\sigma^2$ 无偏;$B_2$ 有偏。
- **有效性**:都无偏时方差越小越有效($D\hat\theta_1<D\hat\theta_2$ ⟹ $\hat\theta_1$ 有效)。⚠️ **先验证都无偏,再比有效性**——两级筛选。
- **均方误差 MSE**(2024 新考点):$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+(E\hat\theta-\theta)^2$(方差+偏差²)。无偏时 $h=D\hat\theta$;**有偏估计量 MSE 反而可能更小**。让 MSE 最小的 $c$ ≠ 让无偏的 $c$——展开成 $c$ 的二次函数求顶点($T_c=cX_{(n)}$ 时 $h'(c)=0\Rightarrow c=\frac{\theta EX_{(n)}}{EX_{(n)}^2}$)。
- **一致性(相合性)**:$\hat\theta\overset{P}{\longrightarrow}\theta$——大数定律的语言;**无偏 + 方差趋于 0 ⟹ 一致**。三标准速记:无偏管「准不准」、有效管「稳不稳」、一致管「样本多了会不会靠近」。
## 4. §4 参数的区间估计(仅数学一)
**概念**:$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha$;$1-\alpha$ 置信度、$\alpha$ 显著性水平。**正确理解**:不是「$\theta$ 落在区间内的概率」,而是「反复抽样中平均 $100(1-\alpha)$% 的区间盖住 $\theta$」——$\theta$ 是常数不是随机变量。
**枢轴变量法(万能套路)**:① 找点估计(MLE 或 $\bar X$、$S^2$);② 造枢轴量(**含未知参数但分布已知且与 $\theta$ 无关**:正态、$\chi^2$、$t$、$F$);③ 定分位点($P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$,取上 $\alpha/2$ 分位点);④ 解不等式。
**单总体四大区间(必背表,$X_1,\dots,X_n\sim N(\mu,\sigma^2)$)**
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\frac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 已知 | $\frac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
| $\sigma^2$ | $\mu$ 未知 | $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
⚠️ **$\chi^2$ 区间两端分位点「反着放」**($\sigma^2$ 在分母且 $\chi^2$ 不对称:上分位点配下限、下分位点配上限)——最易抄错。读法:$\sigma$ 已知 → $U$;$\sigma$ 未知 → $t(n-1)$;$\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$。
**单侧置信区间**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。🟨2016·14 考法:给 $\bar X$ 与置信上限反求下限——**「上限 + 下限 = $2\bar X$」(仅均值对称区间成立)**。
**两总体区间估计(数一大纲要求、十年未考的高性价比冷门)**:均值差 $\mu_1-\mu_2$:方差已知用 $U$(半宽 $u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$,**两项都要**)、等方差未知用 $t(m+n-2)$($S_w\sqrt{\frac1m+\frac1n}$);方差比 $\frac{\sigma_1^2}{\sigma_2^2}$ 用 $F(m-1,n-1)$,**两端反着放**(大分位点配下限)。
## 5. §5 假设检验(仅数学一)
**基本思想**:**小概率事件在一次试验中不应发生**——$H_0$ 成立时观测到小概率事件则拒绝 $H_0$。**四步**:① 提假设(「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 $U/T/\chi^2/F$);③ 定拒绝域($P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$);④ 算观测值下结论。
**三类拒绝域方向**:双侧 $|\cdot|\ge$;右侧 $\ge$($H_1:\theta>\theta_0$);左侧 $\le$。口诀:**拒绝域跟着 $H_1$ 跑**。
**单总体六大检验(速查表核心)**:$\mu$ 且 $\sigma$ 已知 → $U=\frac{\bar X-\mu_0}{\sigma_0/\sqrt n}$(拒绝域 $|u|\ge u_{\alpha/2}$ / $u\ge u_\alpha$ / $u\le-u_\alpha$);$\mu$ 且 $\sigma$ 未知 → $T=\frac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$;$\sigma^2$ 且 $\mu$ 已知 → $\chi^2=\frac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$;$\sigma^2$ 且 $\mu$ 未知 → $\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$($\chi^2$ 双侧拒绝域左尾右尾分别查,**不是对称写法**)。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:$\sigma^2=2$ 时标准差是 $\sqrt2$,别把方差当代入分母。
**区间估计与假设检验的对偶**:置信度 $1-\alpha$ 的双侧置信区间 ⟺ 显著性水平 $\alpha$ 的双侧检验的接受域;**$\mu_0$ 落在区间内 ⟺ 不拒绝 $H_0$**。
**两总体检验(数一大纲要求)**:均值差 $\mu_1=\mu_2$:方差已知 $U=\frac{\bar X-\bar Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$、等方差未知 $T=\frac{\bar X-\bar Y}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$;方差比 $\frac{\sigma_1^2}{\sigma_2^2}$:$F=\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$(**分子方差配 $m-1$、分母配 $n-1$,顺序别反**;$F$ 双侧两端分别查)。
## 6. §6 两类错误(仅数学一)
**定义**:$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}$(**第一类错误·弃真**);$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}$(**第二类错误·存伪**)。一句话:**「拒真 = 第一类,纳伪 = 第二类」;$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算**。$H_1$ 通常是范围,$\beta$ 是关于 $\mu$ 的函数,**必须给定具体 $\mu$ 值才能算**(🟨2021·10)。
**计算 $\beta$ 四步**:① 写拒绝域 $W$;② 写接受域 $\bar W$;③ **把分布换成 $H_1$ 下的分布**(均值/方差要换——$\beta$ 与 $\alpha$ 的本质区别);④ $\beta=P\{\text{统计量}\in\bar W\mid H_1\}$。模板:$W=\{\bar X\ge c\}$、$\mu=\mu_1$ 时 $\beta=\Phi(\frac{c-\mu_1}{\sigma/\sqrt n})$。
**$\alpha$ 与 $\beta$ 的关系(必考辨析,🟨2018·8)**:样本量固定时 $\alpha\downarrow\Rightarrow\beta\uparrow$(此消彼长);**同时减小只能增大 $n$**;$\alpha$ 越小 ⟹ 临界值越远离 $\mu_0$ ⟹ 拒绝域越小。不等式记忆:$\alpha_1<\alpha_2$ 时拒绝域 $W(\alpha_1)\subset W(\alpha_2)$、接受域反之。**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」** 显著性检验 = 只控制第一类错误(给定 $\alpha$,不控制 $\beta$)。
## 7. 十年真题地图(速览)
第 20 章:2017·8($\chi^2$ 辨析)、2023·9($F$ 分布方差比)各 4–5 分选填。第 21 章(93 分,全章最重):2016·14 置信区间、2016·23 次序统计量+无偏、2017·23 绝对误差矩估计+MLE、2018·23 拉普拉斯 MLE、2019·23 半正态、2020·23 威布尔无记忆性+MLE、2021·9 无偏+D 方差、2022·22 两样本泊松 MLE、2023·10 无偏定常数、2024·22 $X_{(n)}$ 无偏 c+MSE 最小 c。第 22 章:2018·8 显著性水平关系、2021·10 第二类错误、2025·10 单侧拒绝域。**命题规律**:参数估计「铁打的 22 题」、MLE 统治(8/10 题)、无偏四年四道、假设检验三年一轮只考方向判断与概念。
## 8. 题目清单(18 题)
### A 组 · 基础(★☆☆)
- **题 1 · 统计量与常用统计量(A)**:样本观测值 $2,3,5,6,9$。(Ⅰ)求 $\bar X$、$S^2$、$B_2$;(Ⅱ)$\mu,\sigma^2$ 均未知时判断哪些是统计量:$\bar X+\mu$;$S^2$;$X_1+X_2-\mu$;$\max\{X_1,\dots,X_5\}$;$\sum(X_i-\mu)^2$(**含未知参数者不是**)。
- **题 2 · 三大分布辨析与构造(A)**:$X_1,\dots,X_6\sim N(0,4)$,判断(Ⅰ)$Y_1=\frac14\sum X_i^2$($\chi^2(6)$);(Ⅱ)$Y_2=\frac{(X_1+X_2+X_3)^2}{12}$($\chi^2(1)$);(Ⅲ)$Y_3=\frac{\sqrt3X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$($t(3)$);(Ⅳ)$Y_4=2(X_1-X_2)^2$($\chi^2(1)$)各服从什么分布;不服从的说明理由。
- **题 3 · 样本均值与样本方差的数字特征(A)**:(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;(Ⅱ)说明 $S^2$ 为何除 $n-1$ 而非 $n$(无偏性)。
- **题 4 · 矩估计(A)**:$P\{X=-1\}=2\theta$、$P\{X=0\}=\theta$、$P\{X=1\}=1-3\theta$,求 $\theta$ 的矩估计量($EX=-2\theta+(1-3\theta)=1-5\theta=\bar X\Rightarrow\hat\theta=\frac{1-\bar X}{5}$)。
- **题 5 · 极大似然估计(A)**:$f(x;\theta)=\theta x^{\theta-1}$($0<x<1$),求 $\hat\theta$(幂型 MLE $=-\frac n{\sum\ln X_i}$)。
- **题 6 · 无偏性定常数(A)**:求 $k$ 使 $\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$ 为 $\sigma^2$ 无偏估计($E(X_{i+1}-X_i)^2=2\sigma^2$,$\Rightarrow k=\frac1{2(n-1)}$)。
### B 组 · 中等(★★☆)
- **题 7 · 拉普拉斯分布 MLE+数字特征(B)**【真题骨架 2018·23】:$f(x;\lambda)=\frac1{2\lambda}e^{-|x|/\lambda}$。(Ⅰ)求 $\hat\lambda$($=\frac1n\sum|X_i|$);(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
- **题 8 · 次序统计量·最大值分布+无偏(B)**【真题骨架 2016·23】:$f(x;\theta)=\frac{2x}{\theta^2}$($0<x<\theta$),$n=3$,$T=\max\{X_1,X_2,X_3\}$。(Ⅰ)求 $f_T(x)$($n[F]^{n-1}f$);(Ⅱ)定 $a$ 使 $aT$ 无偏($ET=\frac{2n}{2n+1}\theta=\frac67\theta\Rightarrow a=\frac76$)。
- **题 9 · 区间估计(B)**【真题骨架 2016·14】:$n=16$,$\bar X=12.3$。(Ⅰ)$\sigma=2$ 已知求 $\mu$ 的 0.95 双侧置信区间与单侧置信上限($u_{0.025}=1.96$、$u_{0.05}=1.645$);(Ⅱ)$\sigma$ 未知、$S=2$ 求双侧区间($t_{0.025}(15)=2.131$)。
- **题 10 · 假设检验拒绝域(B)**【真题骨架 2025·10】:$X_i\sim N(\mu,3)$,$H_0:\mu\le2$、$H_1:\mu>2$。(Ⅰ)写拒绝域($\bar X\ge2+Z_\alpha\sqrt3/\sqrt n$);(Ⅱ)$n=12$、$\alpha=0.05$、$Z_{0.05}=1.645$ 求临界值 $c$。
- **题 11 · 两类错误(B)**【真题骨架 2021·10】:$n=25$、$N(\mu,9)$,$H_0:\mu\le5$、$H_1:\mu>5$,$W=\{\bar X\ge6\}$。(Ⅰ)求第一类错误概率($\alpha=P\{\bar X\ge6\mid\mu=5\}=1-\Phi(\frac{6-5}{3/5})=1-\Phi(\frac53)$);(Ⅱ)$\mu=6.6$ 时求第二类错误概率($\beta=\Phi(\frac{6-6.6}{0.6})=\Phi(-1)$)。
- **题 12 · 无偏性与有效性(B)**:$\hat\theta_1=\frac13(X_1+X_2+X_3)$、$\hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3$、$\hat\theta_3=\frac12X_1+\frac12X_2$。(Ⅰ)验证都无偏;(Ⅱ)比较有效性($D\hat\theta_1=\frac{\sigma^2}{3}$、$D\hat\theta_2=(\frac14+\frac19+\frac1{36})\sigma^2=\frac{7}{18}\sigma^2$、$D\hat\theta_3=\frac{\sigma^2}{2}$,$\hat\theta_1$ 最有效)。
- **题 13 · 两样本泊松 MLE(B)**【真题骨架 2022·22】:$X_1,\dots,X_5\sim P(\lambda)$、$Y_1,\dots,Y_4\sim P(2\lambda)$ 独立,观测值 $(3,2,4,1,5)$、$(5,3,7,9)$。(Ⅰ)求 $\hat\lambda$($\frac{15+24}{5+8}=\frac{39}{13}=3$);(Ⅱ)写 $D(\hat\lambda)$ 表达式($\frac{\lambda}{n+2m}=\frac{\lambda}{13}$)。
- **题 14 · 两正态总体方差比 F 分布(B)**【真题骨架 2023·9】:$X_i\sim N(\mu_1,\sigma^2)$、$Y_j\sim N(\mu_2,3\sigma^2)$,求 $c$ 使 $c\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ 并写自由度($\frac{S_1^2/\sigma^2}{S_2^2/3\sigma^2}\sim F$,故 $c=3$,$F(m-1,n-1)$)。
### C 组 · 拔高(★★★)
- **题 15 · 半正态分布·求常数+MLE(C)**【真题骨架 2019·23】:$f(x;\sigma)=\frac{A}{\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$($x\ge\mu$),$\mu$ 已知。(Ⅰ)求 $A$($\int_\mu^\infty$ 积分 = 标准正态半区 $\Rightarrow A=\sqrt{2/\pi}$);(Ⅱ)求 $\sigma^2$ 的 MLE。
- **题 16 · 威布尔分布·无记忆性+MLE(C)**【真题骨架 2020·23】:$F(t)=1-e^{-(t/\theta)^m}$($t\ge0$)。(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$(**无记忆性**);(Ⅱ)$m$ 已知,求 $\theta$ 的 MLE。
- **题 17 · 无偏+均方误差最小(C)**【真题骨架 2024·22】:$X\sim U(0,\theta)$,$T_c=cX_{(n)}$。(Ⅰ)求 $c$ 使 $T_c$ 无偏($\frac{n+1}{n}$);(Ⅱ)$h(c)=E(T_c-\theta)^2$,求 $c$ 使 $h(c)$ 最小(展开二次函数求顶点,**≠ 无偏的 $c$**)。
- **题 18 · 假设检验概念综合(C)**【真题骨架 2018·8】:$H_0:\mu=\mu_0$、$H_1:\mu\ne\mu_0$,$W=\{|\bar X-\mu_0|\ge c\}$。(Ⅰ)判断(A)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必拒绝(**错**);(B)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必接受(**错**);(C)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必拒绝(**错**);(D)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必接受(**对**——大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受);(Ⅱ)$n=16$、$\sigma=2$、$\alpha=0.05$ 写拒绝域具体形式,并求 $\mu=\mu_0+1$ 时的第二类错误概率($\Phi$ 表示)。
---
> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]];八点分册见同目录 `02`—`09`(总体与统计量 / 三大分布 / 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)。参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics` 与 `exercise/5-mathematical-statistics`。