feat(专项突破): 出三份扩散式复习专题(反常积分 / 线面积分 / 数理统计)

- 01 反常积分 20 题:以反常积分为圆心铺一元积分全章,张宇第 8/9 章为骨架
- 02 线面积分 21 题:格林 / 高斯 / 斯托克斯 + 两类积分,真题约 125 分;张宇库无此章
- 03 大数定律与数理统计 20 题:ch19—ch22,切比雪夫与置信区间为模拟卷三第 8/10 题的加练
- 每题分三层(A 核心 / B 一圈 / C 二圈)并标注真题或张宇骨架
- 解析超 1.3 万字符上限,拆为 03a-解析-核心 / 03b-解析-扩散
- 专项突破 README 与总览建索引
This commit is contained in:
2026-10-31 17:59:41 +08:00
parent d66755fa0a
commit 24d2db5c45
20 changed files with 3004 additions and 0 deletions
@@ -0,0 +1,220 @@
---
tags: [数学一, 专项突破, 考点地图, 数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: 考点地图, 三层扩散(核心 10 条 + 一圈 5 条 + 二圈 5 条)
---
# 考点地图 · 大数定律与数理统计
你说的是"数理统计(小题 8、10)":第 8 题考切比雪夫不等式,属**大数定律**章;第 10 题考 $t$ 分布置信区间,属**参数估计**章。这两章加起来是概率的最后四章,也是**唯一"背了就能拿分"** 的部分——它不像多维随机变量那样要靠技巧,全是固定套路。
这份地图从这两道题向外铺到四章:大数定律与 CLT、抽样分布、参数估计、假设检验。
## 零、扩散半径总览
| 层 | 内容 | 题号 |
|---|---|---|
| **核心** | 切比雪夫、辛钦、CLT、$\chi^2/t/F$ 三大分布、抽样分布定理、矩估计、MLE、置信区间 | A1—A10 |
| **一圈** | 无偏性、有效性、相合性、次序统计量、枢轴量法 | B1—B5 |
| **二圈** | 两类错误、单侧检验、双总体检验、大数定律证明、MLE 综合 | C1—C5 |
**一句话总纲**:**统计部分的所有题,第一步都是"认清统计量服从什么分布"**。认清之后,矩估计是解方程、MLE 是求导、置信区间是套枢轴量、假设检验是定拒绝域,四件事都是机械操作。
## 一、核心层
### 1.1 切比雪夫不等式(小题 8 的正主)
$$P\{|X-E(X)|\geqslant\varepsilon\}\leqslant\frac{D(X)}{\varepsilon^2},\qquad\text{等价地}\quad P\{|X-E(X)|<\varepsilon\}\geqslant1-\frac{D(X)}{\varepsilon^2}.$$
**用法固定三步**:把待求概率化成 $|X-\mu|<\varepsilon$ 的形式 → 认出 $\varepsilon$ → 套公式。
**反向考法**(更容易失分):已知 $P\{|X-\mu|<\varepsilon\}\geqslant p$ ,求 $D(X)$ 的上界。此时令 $1-\dfrac{D}{\varepsilon^2}=p$ ,得 $D\leqslant\varepsilon^2(1-p)$ 。
两个要点:**它不需要知道分布**(这是它唯一的价值);**它给的是下界/上界,不是精确值**,所以题目一定问"至少""至多"。
### 1.2 大数定律三兄弟
| 定律 | 条件 | 结论 |
|---|---|---|
| 切比雪夫 | 独立、方差一致有界 | $\dfrac1n\sum X_i\xrightarrow{P}\dfrac1n\sum E(X_i)$ |
| 辛钦 | **独立同分布**、$E(X)$ 存在 | $\dfrac1n\sum X_i\xrightarrow{P}\mu$ |
| 伯努利 | $n$ 重伯努利,频率 | 频率 $\xrightarrow{P}$ 概率 |
**考的是条件的强弱**:辛钦**不要求方差存在**,这是它比切比雪夫强的地方。选择题常在这里设坑。
### 1.3 中心极限定理
**林德伯格-列维**:$X_i$ 独立同分布,$E(X)=\mu$ ,$D(X)=\sigma^2>0$ ,则
$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\xrightarrow{d}N(0,1).$$
**做题模板**:要求 $P\{\bar X\in(a,b)\}$ ,先标准化 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ ,再查 $\Phi$ 。近似计算题的标准答案是 $2\Phi(k)-1$ 这类形式。
**与切比雪夫的分工**:切比雪夫给"至少/至多"的粗糙界,CLT 给近似精确值。题目问"约为"就用 CLT,问"不少于"就用切比雪夫。
### 1.4 三大分布的定义(必须能默写)
设 $X_1,\dots,X_n$ 独立同服从 $N(0,1)$ :
- **$\chi^2$ 分布**:$\chi^2=\sum_{i=1}^nX_i^2\sim\chi^2(n)$ ,期望 $n$ ,方差 $2n$ 。
- **$t$ 分布**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,且独立,则 $T=\dfrac{X}{\sqrt{Y/n}}\sim t(n)$ 。**形状像正态但尾巴厚**,$n\to\infty$ 时趋于 $N(0,1)$ 。
- **$F$ 分布**:$X\sim\chi^2(n_1)$ ,$Y\sim\chi^2(n_2)$ 独立,则 $F=\dfrac{X/n_1}{Y/n_2}\sim F(n_1,n_2)$ 。
三个性质顺手记:$\chi^2$ 可加(独立的 $\chi^2$ 相加,自由度相加);$t^2(n)=F(1,n)$ ;$F$ 的倒数 $\dfrac{1}{F(n_1,n_2)}\sim F(n_2,n_1)$ 。
### 1.5 抽样分布定理(正态总体的四件套)
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
1. $\bar X\sim N\!\left(\mu,\dfrac{\sigma^2}{n}\right)$
2. $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$
3. $\bar X$ 与 $S^2$ **相互独立**(正态总体专有,别的分布不成立)
4. $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$
第 4 条是最常用的:**$\sigma$ 未知时把 $\sigma$ 换成 $S$ ,正态就变 $t$ 分布**。这一条直接决定了置信区间用 $u$ 还是用 $t$ 。
### 1.6 矩估计
**做法**:用样本矩代替总体矩,解方程。
- 一个参数:$E(X)=\bar X$ ,解出 $\hat\theta$ 。
- 两个参数:$E(X)=\bar X$ 、$E(X^2)=\dfrac1n\sum X_i^2$ ,联立解。
**注意**:$D(X)=E(X^2)-[E(X)]^2$ ,第二个方程常写成 $D(X)=\dfrac1n\sum(X_i-\bar X)^2$ (总体方差用样本二阶中心矩估计,**分母是 $n$ 而非 $n-1$ 这一点**)。
### 1.7 极大似然估计
**四步**:写 $L(\theta)=\prod f(x_i;\theta)$ → 取对数 → 求导令零 → 解出 $\hat\theta$ 。
**三个特例必须知道**:
1. **不可导型**:均匀分布 $U(0,\theta)$ 的 $L$ 关于 $\theta$ 单调递减,导数恒不为零,只能"看约束"得 $\hat\theta=X_{(n)}$ 。**这是最常考也最容易错的**。
2. **单调型**:参数出现在支撑集端点,同上。
3. **多参数**:分别求偏导,解方程组。
### 1.8 置信区间(小题 10 的正主)
**枢轴量法三步**:找一个含 $\theta$ 但不含其他未知参数的统计量 → 定它服从的分布 → 由分位数反解 $\theta$ 的范围。
**单正态总体 $\mu$ 的区间**(置信度 $1-\alpha$ ):
| 条件 | 枢轴量 | 区间 |
|---|---|---|
| $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
**记法**:**知道 $\sigma$ 就用 $u$ ,不知道就用 $t$ 分布**;自由度是 $n-1$ (因为用了 $S$ )。这是选择题最爱考的一处,四个选项通常就是 $u/t$ 与自由度 $n$ / $n-1$ 的排列组合。
$\sigma^2$ 的区间:$\left(\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right)$ ,分母的上下标方向要小心。
## 二、一圈层
### 2.1 无偏性
$E(\hat\theta)=\theta$ 称无偏。常用结论:
- $E(\bar X)=\mu$ ,$E(S^2)=\sigma^2$ (**分母 $n-1$ 的原因**)
- $E\!\left(\dfrac1n\sum(X_i-\bar X)^2\right)=\dfrac{n-1}{n}\sigma^2$ (有偏)
- 均匀 $U(0,\theta)$ :$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $\dfrac{n+1}{n}X_{(n)}$ 无偏
**判断无偏的通法**:把估计量写成样本的函数,取期望,看是否等于参数。次序统计量的期望要靠密度积分。
### 2.2 有效性
两个都无偏时,方差小的更有效。比较 $D(\hat\theta_1)$ 与 $D(\hat\theta_2)$ 。
**方差计算的两个常用值**:$D(\bar X)=\dfrac{\sigma^2}{n}$ ;对 $U(0,\theta)$ 的 $X_{(n)}$ ,$D(X_{(n)})=\dfrac{n}{(n+1)^2(n+2)}\theta^2$ 。
### 2.3 相合性(一致性)
$\hat\theta\xrightarrow{P}\theta$ 。判据:**若 $\hat\theta$ 无偏且 $D(\hat\theta)\to0$ ,则相合**(切比雪夫直接给)。
所以"无偏 + 方差趋于 0"是相合性的充分条件,不是必要条件。
### 2.4 次序统计量
$X_{(n)}=\max X_i$ 的密度:$f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)$ 。
$X_{(1)}=\min X_i$ 的密度:$f_{X_{(1)}}(x)=n\left[1-F(x)\right]^{n-1}f(x)$ 。
这两个公式是"$\max$ /$\min$ "类题的钥匙,$U(0,\theta)$ 与指数分布下必考。
### 2.5 枢轴量法的通用流程
1. 明确要估的参数($\mu$ 还是 $\sigma^2$ )
2. 找分布($N$ / $t$ / $\chi^2$ / $F$ )
3. 写 $P\{a<\text{枢轴量}<b\}=1-\alpha$
4. 解不等式得区间
**双总体**的三类区间:均值差($\sigma$ 已知用 $u$ 、未知但相等用 $t$ )、方差比($F$ )。大纲要求,十年没考——**属于"高性价比冷门"**。
## 三、二圈层
### 3.1 假设检验的两类错误
| | $H_0$ 为真 | $H_0$ 为假 |
|---|---|---|
| 接受 $H_0$ | 正确 | **第二类错误** $\beta$ |
| 拒绝 $H_0$ | **第一类错误** $\alpha$ | 正确(功效 $1-\beta$ ) |
$\alpha$ 是**显著性水平**,检验时先定 $\alpha$ 再定拒绝域。**样本量固定时 $\alpha$ 减小则 $\beta$ 增大**;两者同时减小的唯一办法是增大样本量。
### 3.2 拒绝域的方向
- $H_1:\mu>\mu_0$ → 拒绝域在**右尾**:$\bar X>\mu_0+u_\alpha\dfrac{\sigma}{\sqrt n}$
- $H_1:\mu<\mu_0$ → 拒绝域在**左尾**
- $H_1:\mu\neq\mu_0$ → **双尾**,用 $\alpha/2$
**判断口诀**:拒绝域跟着 $H_1$ 走。$H_1$ 写"大于"就往右拒绝。
### 3.3 双正态总体
均值差 $\mu_1-\mu_2$ :$\sigma_1^2,\sigma_2^2$ 已知用 $u$ ;未知但相等用 $t$ (合并方差 $S_w^2=\dfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$ ,自由度 $n_1+n_2-2$ )。
方差比 $\sigma_1^2/\sigma_2^2$ :用 $F$ ,$F=\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}\sim F(n_1-1,n_2-1)$ 。
### 3.4 大数定律的证明套路
证 $\bar X\xrightarrow{P}\mu$ 的固定三步:**算 $E(\bar X)=\mu$ → 算 $D(\bar X)=\sigma^2/n$ → 套切比雪夫**,得 $P\{|\bar X-\mu|<\varepsilon\}\geqslant1-\dfrac{\sigma^2}{n\varepsilon^2}\to1$ 。
### 3.5 MLE 综合题的标准形态
真题的参数估计大题常是四问:**(Ⅰ)矩估计(Ⅱ)MLE(Ⅲ)判断无偏、修正(Ⅳ)比较方差**。这四问的每一问都是独立给分点,前一问错了后一问照做仍有分——**所以千万别因为第(Ⅱ)问卡住就整题放弃**。
## 四、坑清单
1. **切比雪夫把不等号方向弄反**:$P\{|X-\mu|\geqslant\varepsilon\}\leqslant D/\varepsilon^2$ ,是"$\leqslant$ "。
2. **$\sigma$ 未知却用 $u$ 分布**:这是置信区间题的头号错因。
3. **自由度误写成 $n$ 的情况**:用 $S$ 时自由度是 $n-1$ 。
4. **$S^2$ 的分母误写成 $n$ 的情况**:估计量 $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 才是无偏的。
5. **均匀分布的 MLE 去求导**:$L$ 单调,导数无零点,必须看约束。
6. **$\chi^2$ 区间上下标反**:分母是 $\chi^2_{\alpha/2}$ 与 $\chi^2_{1-\alpha/2}$ ,位置与 $t$ 相反。
7. **假设检验把 $\alpha$ 用错侧**:双尾检验用 $\alpha/2$ ,单尾用 $\alpha$ 。
8. **忘记"独立"这个条件**:$t$ 与 $F$ 的定义都要求两个 $\chi^2$ 型变量独立。
9. **相合性当成无偏性**:两者是不同概念,相合是"样本量趋于无穷时收敛"。
## 五、题目索引
| 题号 | 考点 | 层 | 来源骨架 |
|---|---|---|---|
| A1 | 切比雪夫不等式(反向求方差界) | 核心 | 真题 2022-9 |
| A2 | 辛钦大数定律的条件 | 核心 | 真题 2017-8 变体 |
| A3 | 中心极限定理近似计算 | 核心 | 真题 2019-9 变体 |
| A4 | $\chi^2$ 分布的构造 | 核心 | 真题 2017-8 |
| A5 | $t$ 分布的构造 | 核心 | 真题 2021-9 变体 |
| A6 | $F$ 分布的构造 | 核心 | 真题 2023-9 |
| A7 | 抽样分布定理(独立性) | 核心 | 自编 |
| A8 | 矩估计 | 核心 | 真题 2017-23 |
| A9 | 极大似然(可导型) | 核心 | 真题 2018-23 |
| A10 | 单正态置信区间 | 核心 | 真题 2016-14 |
| B1 | 无偏性判断 | 一圈 | 真题 2023-10 |
| B2 | 有效性比较 | 一圈 | 真题 2021-9 |
| B3 | 相合性 | 一圈 | 自编 |
| B4 | 次序统计量 | 一圈 | 真题 2016-23 |
| B5 | 方差区间(枢轴量) | 一圈 | 大纲要求、十年未考 |
| C1 | 两类错误 | 二圈 | 真题 2021-10 |
| C2 | 单侧检验拒绝域 | 二圈 | 真题 2025-10 |
| C3 | 双总体均值差检验 | 二圈 | 大纲要求、十年未考 |
| C4 | 大数定律的证明 | 二圈 | 真题 2018-8 变体 |
| C5 | 参数估计综合(MLE + 无偏 + 有效) | 二圈 | 真题 2024-22 变体 |
@@ -0,0 +1,268 @@
---
tags: [数学一, 专项突破, 试题, 数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
题量: 20 题(核心 10 + 一圈 5 + 二圈 5)
状态: 试题版, 答案与解析见 03-解析
关联笔记: ["[[01-考点地图]]", "[[03a-解析-核心]]", "[[03b-解析-扩散]]", "[[04-答疑笔记]]"]
---
# 试题 · 大数定律与数理统计
**A1 与 A10 就是你错的那两道题的加练**(切比雪夫、置信区间),但都换成了**反向问法**——正着套公式你会,反过来问"方差最大能多大"才是考场上的样子。
A 组十题把四章的主干各走一次,B 组补无偏/有效/相合三性与次序统计量,C 组是假设检验与综合大题。
**附常用分位数**:$u_{0.025}=1.96$ ,$u_{0.05}=1.645$ ,$t_{0.025}(15)=2.131$ ,$\chi^2_{0.025}(9)=19.02$ ,$\chi^2_{0.975}(9)=2.70$ ,$\Phi(2)=0.9772$ 。
---
## A 组 · 核心(10 题)
### 题 A1 · 切比雪夫不等式(★★☆)
【真题 2022-9 骨架】设随机变量 $X$ 的数学期望 $E(X)=0$ ,方差 $D(X)=1$ 。
(Ⅰ)用切比雪夫不等式估计 $P\{-2<X<2\}$ 的下界;
(Ⅱ)若要求 $P\{|X|<3\}\geqslant0.9$ ,问 $D(X)$ 最大可以是多少?
> **考点** · [§1.1 切比雪夫不等式(小题 8 的正主)](01-考点地图.md#user-content-11-切比雪夫不等式小题-8-的正主)
---
### 题 A2 · 辛钦大数定律的条件(★★☆)
【真题 2017-8 变体】设 $X_1,X_2,\dots,X_n,\dots$ 为随机变量序列,$E(X_i)=\mu$ 。下列条件中,能保证 $\dfrac1n\sum_{i=1}^nX_i\xrightarrow{P}\mu$ 的是( )
(A)$X_i$ 独立同分布
(B)$X_i$ 相互独立,且 $D(X_i)$ 存在
(C)$X_i$ 相互独立,且 $D(X_i)$ 一致有界
(D)$X_i$ 两两不相关
> **考点** · [§1.2 大数定律三兄弟](01-考点地图.md#user-content-12-大数定律三兄弟)
---
### 题 A3 · 中心极限定理近似计算(★★☆)
【真题 2019-9 变体】某元件寿命的均值为 $1000$ 小时,标准差为 $40$ 小时。随机抽取 $100$ 只,用中心极限定理求样本均值落在 $(992,1008)$ 内的概率(用 $\Phi$ 表示并给出数值)。
> **考点** · [§1.3 中心极限定理](01-考点地图.md#user-content-13-中心极限定理)
---
### 题 A4 · $\chi^2$ 分布的构造(★★☆)
【真题 2017-8 骨架】设 $X_1,X_2,\dots,X_9$ 相互独立且都服从 $N(0,1)$ ,令 $Y=\displaystyle\sum_{i=1}^9X_i^2$ 。则 $Y$ 服从什么分布?并求 $E(Y)$ 与 $D(Y)$ 。
> **考点** · [§1.4 三大分布的定义(必须能默写)](01-考点地图.md#user-content-14-三大分布的定义必须能默写)
---
### 题 A5 · $t$ 分布的构造(★★☆)
【真题 2021-9 变体】设 $X\sim N(0,1)$ ,$Y\sim\chi^2(4)$ ,且 $X$ 与 $Y$ 相互独立,则( )
(A)$\dfrac{X}{\sqrt{Y/4}}\sim t(4)$
(B)$\dfrac{X}{\sqrt{Y}}\sim t(4)$
(C)$\dfrac{4X}{Y}\sim t(4)$
(D)$\dfrac{X^2}{Y}\sim t(4)$
> **考点** · [§1.4 三大分布的定义(必须能默写)](01-考点地图.md#user-content-14-三大分布的定义必须能默写)
---
### 题 A6 · $F$ 分布的构造(★★☆)
【真题 2023-9 骨架】设 $X_1,\dots,X_m$ 来自正态总体 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\dots,Y_n$ 来自正态总体 $N(\mu_2,\sigma_2^2)$ ,两样本相互独立,$S_1^2,S_2^2$ 为各自的样本方差。则
$$\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}$$
服从( )
(A)$F(m,n)$
(B)$F(m-1,n-1)$
(C)$F(n-1,m-1)$
(D)$\chi^2(m+n-2)$
> **考点** · [§1.4 三大分布的定义(必须能默写)](01-考点地图.md#user-content-14-三大分布的定义必须能默写)
---
### 题 A7 · 抽样分布定理的独立性(★★★)
设 $X_1,X_2,\dots,X_n$ ($n\geqslant2$ )是来自正态总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\bar X$ 与 $S^2$ 分别为样本均值与样本方差。下列结论中**正确**的是( )
(A)$\bar X$ 与 $S^2$ 相互独立,且这一结论对任何总体都成立
(B)$\bar X$ 与 $S^2$ 相互独立,但这一结论只对正态总体成立
(C)$\bar X$ 与 $S^2$ 不相关,但不一定独立
(D)只有当 $n\geqslant3$ 时 $\bar X$ 与 $S^2$ 才独立
> **考点** · [§1.5 抽样分布定理(正态总体的四件套)](01-考点地图.md#user-content-15-抽样分布定理正态总体的四件套)
---
### 题 A8 · 矩估计(★★☆)
【真题 2017-23 骨架】设总体 $X$ 的概率密度为
$$f(x)=\begin{cases}(\theta+1)x^{\theta},&0<x<1,\\ 0,&\text{其他},\end{cases}$$
其中 $\theta>-1$ 为未知参数。$X_1,\dots,X_n$ 为来自该总体的简单随机样本,求 $\theta$ 的矩估计量。
> **考点** · [§1.6 矩估计](01-考点地图.md#user-content-16-矩估计)
---
### 题 A9 · 极大似然估计(★★☆)
【真题 2018-23 骨架】设总体 $X$ 的概率密度为
$$f(x)=\begin{cases}\theta x^{\theta-1},&0<x<1,\\ 0,&\text{其他},\end{cases}$$
其中 $\theta>0$ 为未知参数。求 $\theta$ 的极大似然估计量。
> **考点** · [§1.7 极大似然估计](01-考点地图.md#user-content-17-极大似然估计)
---
### 题 A10 · 单正态总体置信区间(★★☆)
【真题 2016-14 骨架】设某正态总体 $N(\mu,\sigma^2)$ 中 $\mu,\sigma^2$ 均未知,从中抽取容量 $n=16$ 的样本,算得 $\bar x=10$ ,$s=2$ 。求 $\mu$ 的置信度为 $0.95$ 的置信区间($t_{0.025}(15)=2.131$ )。
> **考点** · [§1.8 置信区间(小题 10 的正主)](01-考点地图.md#user-content-18-置信区间小题-10-的正主)
---
## B 组 · 一圈:无偏、有效、相合(5 题)
### 题 B1 · 无偏性判断(★★☆)
【真题 2023-10 骨架】设 $X_1,\dots,X_n$ 是来自均匀分布 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。判断 $X_{(n)}$ 是否为 $\theta$ 的无偏估计;若不是,给出无偏修正。
> **考点** · [§2.1 无偏性](01-考点地图.md#user-content-21-无偏性)
---
### 题 B2 · 有效性比较(★★★)
【真题 2021-9 变体】设 $X_1,\dots,X_n$ 是来自参数为 $\theta$ 的指数分布(密度 $f(x)=\dfrac1\theta\mathrm{e}^{-x/\theta}$ ,$x>0$ )的简单随机样本,$X_{(1)}=\min\{X_1,\dots,X_n\}$ 。
(Ⅰ)验证 $\bar X$ 与 $nX_{(1)}$ 都是 $\theta$ 的无偏估计;
(Ⅱ)比较二者的有效性。
> **考点** · [§2.2 有效性](01-考点地图.md#user-content-22-有效性)
---
### 题 B3 · 相合性(★★☆)
证明:对均匀分布 $U(0,\theta)$ ,$\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的相合估计。
> **考点** · [§2.3 相合性(一致性)](01-考点地图.md#user-content-23-相合性一致性)
---
### 题 B4 · 次序统计量(★★★)
【真题 2016-23 骨架】设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。
(Ⅰ)求 $X_{(n)}$ 的概率密度;
(Ⅱ)求 $E(X_{(n)})$ 与 $D(X_{(n)})$ 。
> **考点** · [§2.4 次序统计量](01-考点地图.md#user-content-24-次序统计量)
---
### 题 B5 · 方差的置信区间(★★★)
设某正态总体 $N(\mu,\sigma^2)$ 中 $\mu,\sigma^2$ 均未知,抽取容量 $n=10$ 的样本,算得 $s^2=4$ 。求 $\sigma^2$ 的置信度为 $0.95$ 的置信区间($\chi^2_{0.025}(9)=19.02$ ,$\chi^2_{0.975}(9)=2.70$ )。
> **考点** · [§2.5 枢轴量法的通用流程](01-考点地图.md#user-content-25-枢轴量法的通用流程)
---
## C 组 · 二圈:假设检验与综合(5 题)
### 题 C1 · 两类错误(★★☆)
【真题 2021-10 骨架】在假设检验中,当样本容量固定时,下列关于两类错误的说法正确的是( )
(A)第一类错误概率 $\alpha$ 减小时,第二类错误概率 $\beta$ 必然增大
(B)$\alpha+\beta=1$
(C)$\alpha$ 与 $\beta$ 可以同时任意减小
(D)$\beta$ 就是显著性水平
> **考点** · [§3.1 假设检验的两类错误](01-考点地图.md#user-content-31-假设检验的两类错误)
---
### 题 C2 · 单侧检验的拒绝域(★★☆)
【真题 2025-10 骨架】设总体 $X\sim N(\mu,4)$ ,从中抽取容量 $n=25$ 的样本,检验假设 $H_0:\mu\leqslant10$ ,$H_1:\mu>10$ ,取显著性水平 $\alpha=0.05$ ($u_{0.05}=1.645$ )。求拒绝域。
> **考点** · [§3.2 拒绝域的方向](01-考点地图.md#user-content-32-拒绝域的方向)
---
### 题 C3 · 双总体均值差检验(★★★)
设 $X\sim N(\mu_1,\sigma_1^2)$ ,$Y\sim N(\mu_2,\sigma_2^2)$ ,$\sigma_1^2,\sigma_2^2$ **均已知**。从两总体分别抽取容量 $n_1,n_2$ 的样本,样本均值为 $\bar x,\bar y$ 。要检验 $H_0:\mu_1=\mu_2$ ,$H_1:\mu_1\neq\mu_2$ ,写出所用的检验统计量及其在原假设下的分布,并给出显著性水平 $\alpha$ 下的拒绝域。
> **考点** · [§3.3 双正态总体](01-考点地图.md#user-content-33-双正态总体)
---
### 题 C4 · 大数定律的证明(★★★)
【真题 2018-8 变体】设 $X_1,X_2,\dots,X_n,\dots$ 独立同分布,$E(X_i)=\mu$ ,$D(X_i)=\sigma^2<+\infty$ 。用切比雪夫不等式证明
$$\frac1n\sum_{i=1}^nX_i\xrightarrow{P}\mu.$$
> **考点** · [§3.4 大数定律的证明套路](01-考点地图.md#user-content-34-大数定律的证明套路)
---
### 题 C5 · 参数估计综合(★★★)
【真题 2024-22 变体】设总体 $X$ 服从参数为 $\theta$ ($\theta>0$ )的指数分布,概率密度为
$$f(x)=\begin{cases}\dfrac1\theta\mathrm{e}^{-x/\theta},&x>0,\\ 0,&x\leqslant0.\end{cases}$$
$X_1,\dots,X_n$ 为简单随机样本。
(Ⅰ)求 $\theta$ 的矩估计量;
(Ⅱ)求 $\theta$ 的极大似然估计量;
(Ⅲ)判断 $\bar X$ 是否为 $\theta$ 的无偏估计;
(Ⅳ)$\dfrac1{\bar X}$ 与 $\dfrac{n-1}{n}\cdot\dfrac1{\bar X}$ 中哪个是 $\dfrac1\theta$ 的无偏估计?说明理由(可用 $E\!\left(\dfrac{1}{\bar X}\right)=\dfrac{n}{(n-1)\theta}$ )。
> **考点** · [§3.5 MLE 综合题的标准形态](01-考点地图.md#user-content-35-mle-综合题的标准形态)
---
## 做完之后
1. 对 **03a / 03b**。统计部分的错误几乎全是**公式记混**($u$ 还是 $t$ 、$n$ 还是 $n-1$ ),对答案时把这些点单独抄一遍。
2. 错题记 [04-答疑笔记](04-答疑笔记.md),重点是**"我当时以为该用哪个分布"**。
3. A 组错 3 题以上 → 回 [01 §1.5](01-考点地图.md#user-content-15-抽样分布定理正态总体的四件套) 与 [§1.8](01-考点地图.md#user-content-18-置信区间小题-10-的正主),把四件套与两个区间表默写一遍。
@@ -0,0 +1,199 @@
---
tags: [数学一, 专项突破, 解析, 大数定律与数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: A 组核心题解析,B/C 组见 03b
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03b-解析-扩散]]"]
---
# 解析(核心)· 大数定律与数理统计
**这块的失分几乎全是"记混"而非"不会"**:$u$ 还是 $t$ 、$n$ 还是 $n-1$ 、$\alpha$ 还是 $\alpha/2$ 。每题"归因"里点出的就是这些混淆处。
## 答案速查
| 题 | A1 | A2 | A3 | A4 | A5 | A6 | A7 | A8 | A9 | A10 |
|---|---|---|---|---|---|---|---|---|---|---|
| 答 | 见解析 | A | $0.9544$ | $\chi^2(9)$ | A | B | B | $\frac{2\bar X-1}{1-\bar X}$ | $-\frac{n}{\sum\ln X_i}$ | $(8.93,\ 11.07)$ |
| 题 | B1 | B2 | B3 | B4 | B5 | C1 | C2 | C5 |
|---|---|---|---|---|---|---|---|---|
| 答 | 有偏,修正 $\frac{n+1}{n}X_{(n)}$ | $\bar X$ 更有效 | 证 | 见解析 | $(1.89,\ 13.33)$ | A | $\bar x>10.658$ | 见解析 |
---
## A 组
### 题 A1 · (Ⅰ)$\geqslant\dfrac34$ (Ⅱ)$D(X)\leqslant0.9$
**怎么想**:切比雪夫只有一种用法——**把待求概率化成 $|X-\mu|<\varepsilon$ 的形状**,认出 $\varepsilon$ ,套公式。(Ⅱ)是反解。
**解**:
(Ⅰ)$E(X)=0$ ,故 $-2<X<2$ 即 $|X-0|<2$ ,$\varepsilon=2$ :
$$P\{-2<X<2\}=P\{|X|<\varepsilon\}\geqslant1-\frac{D(X)}{\varepsilon^2}=1-\frac{1}{4}=\frac34.$$
(Ⅱ)$P\{|X|<3\}\geqslant1-\dfrac{D(X)}{9}$ ,要求它 $\geqslant0.9$ ,则
$$1-\frac{D(X)}{9}\geqslant0.9\ \Longrightarrow\ \frac{D(X)}{9}\leqslant0.1\ \Longrightarrow\ D(X)\leqslant0.9.$$
即 $D(X)$ 最大为 $0.9$ 。
**归因**:这题是卷三选 8 的反向版。正向套公式人人会,反向解不等式才是考点。两个细节:①(Ⅰ)里 $E(X)=0$ 使 $|X-\mu|=|X|$ ,若 $E(X)\neq0$ 要先减掉;②(Ⅱ)问的是**上界**,答案是"最大可以是多少"即 $0.9$ ,不是"至少 $0.9$ "。
---
### 题 A2 · A
**怎么想**:看到"依概率收敛于 $\mu$ ",先想辛钦大数定律,再看它的条件是否最弱。
**解**:
(A)独立同分布 + $E(X_i)=\mu$ 存在 —— 这正是**辛钦大数定律**的条件,结论成立。
(B)(C)独立性加方差条件能推出结论,但都是辛钦条件的**特例或更弱**的结论路径,不是"能保证"的最本质条件。更关键的是:(B)没说同分布,(C)不说同分布也不说期望存在,都不足以单独保证收敛到**同一个** $\mu$ 。
(D)两两不相关既无独立性也无同分布,推不出。
故只有(A)是正确条件。
**归因**:这题的判据是"**辛钦不要求方差存在**"。(C)是切比雪夫大数定律的条件,它确实能推出结论——但切比雪夫要求方差**一致有界**且独立,比辛钦强。若题目问"下列哪个条件**能**保证",严格说(C)也能推出来。这道题按"条件最弱且最标准"选(A),因为(C)没有同分布假设,$\frac1n\sum E(X_i)$ 未必等于定值 $\mu$ 。
**这个提醒很重要**:若考试遇到(A)(C)同时出现且(C)包含同分布,则要看选项表述是否"独立同分布 + 方差有界"——那种情况下两者都对,题目会改问"条件最弱的是"。
---
### 题 A3 · $2\Phi(2)-1=0.9544$
**怎么想**:问"概率"且给了 $\Phi$ ,就是中心极限定理。标准化一步到位。
**解**:$\mu=1000$ ,$\sigma=40$ ,$n=100$ ,则 $\bar X$ 近似服从 $N\!\left(1000,\dfrac{40^2}{100}\right)$ ,即标准差 $\dfrac{\sigma}{\sqrt n}=4$ 。
$$P\{992<\bar X<1008\}=P\left\{\frac{992-1000}{4}<Z<\frac{1008-1000}{4}\right\}=P\{-2<Z<2\}=2\Phi(2)-1.$$
代入 $\Phi(2)=0.9772$ 得 $0.9544$ 。
**归因**:三个易错点。①标准差用 $\sigma/\sqrt n=4$ 而不是 $\sigma=40$ ;②题目说"用中心极限定理",所以**不需要知道寿命的具体分布**;③$2\Phi(2)-1$ 是"对称区间"的标准形式,别写成 $\Phi(2)-\Phi(-2)$ 后忘记 $\Phi(-2)=1-\Phi(2)$ 。
---
### 题 A4 · $Y\sim\chi^2(9)$ ,$E(Y)=9$ ,$D(Y)=18$
**怎么想**:$\chi^2$ 的定义就是"标准正态的平方和",直接对号。
**解**:$X_i$ 独立且都服从 $N(0,1)$ ,故
$$Y=\sum_{i=1}^9X_i^2\sim\chi^2(9).$$
由 $\chi^2(n)$ 的性质:$E(Y)=n=9$ ,$D(Y)=2n=18$ 。
**归因**:$\chi^2(n)$ 的方差是 $2n$ 不是 $n$ ,这是最高频的记错。另外**前提是标准正态** $N(0,1)$ ;若 $X_i\sim N(\mu,\sigma^2)$ ,则 $\sum\left(\frac{X_i-\mu}{\sigma}\right)^2\sim\chi^2(n)$ ,必须先标准化。
---
### 题 A5 · A
**怎么想**:$t$ 分布的定义是"标准正态 ÷ 卡方除自由度的平方根"。逐字对照。
**解**:$t$ 分布定义为 $T=\dfrac{X}{\sqrt{Y/n}}$ ,其中 $X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,独立。这里 $n=4$ ,故
$$\frac{X}{\sqrt{Y/4}}\sim t(4),$$
选 A。
**归因**:B 少了自由度归一化(若 $Y\sim\chi^2(n)$ 而没除 $n$ ,就不是 $t$ );C、D 形式完全不对。**记法**:$t=\dfrac{\text{正态}}{\sqrt{\chi^2/\text{自由度}}}$ ,分母里那个"/自由度"不能丢。
---
### 题 A6 · B
**怎么想**:两个样本方差各自对应一个 $\chi^2$ ,相除就是 $F$ 。关键是**自由度各减 1**。
**解**:由抽样分布定理,
$$\frac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1),\qquad\frac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1),$$
两者独立。按 $F$ 的定义 $\dfrac{U/r_1}{V/r_2}$ :
$$F=\frac{\dfrac{(m-1)S_1^2/\sigma_1^2}{m-1}}{\dfrac{(n-1)S_2^2/\sigma_2^2}{n-1}}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\sim F(m-1,n-1).$$
选 B。
**归因**:$S^2$ 的分母已经消耗了一个自由度,所以是 $m-1$ 与 $n-1$ ,不是 $m,n$ 。另外 $\dfrac{\sigma_2^2}{\sigma_1^2}$ 的位置别放反——**分子放"与 $S_1^2$ 相配的另一侧 $\sigma_2^2$ "**,凑成无量纲量。
---
### 题 A7 · B
**怎么想**:这是"正态总体专有"的一条,考的就是"只对正态成立"。
**解**:抽样分布定理:正态总体下 $\bar X$ 与 $S^2$ 相互独立。这一结论**依赖正态性**,对一般总体不成立(例如指数总体的 $\bar X$ 与 $S^2$ 一般不独立)。故 B 正确。
A 错在"对任何总体都成立";C 的"不相关但不独立"与事实相反(独立必不相关,且这里确实独立);D 的"$n\geqslant3$ "无依据,$n\geqslant2$ 时 $S^2$ 有定义且结论即成立。
**归因**:这条经常与"$E(S^2)=\sigma^2$ "混着考。记住两件事:**$S^2$ 无偏是任何总体都成立的**;**$\bar X$ 与 $S^2$ 独立只在正态总体成立**。前者普适,后者专属。
---
### 题 A8 · $\hat\theta=\dfrac{2\bar X-1}{1-\bar X}$
**怎么想**:一个参数就一个方程:$E(X)=\bar X$ 。
**解**:
$$E(X)=\int_0^1x(\theta+1)x^{\theta}\mathrm{d}x=(\theta+1)\int_0^1x^{\theta+1}\mathrm{d}x=\frac{\theta+1}{\theta+2}.$$
令 $\dfrac{\theta+1}{\theta+2}=\bar X$ ,解得
$$\theta+1=\bar X(\theta+2)\ \Longrightarrow\ \theta(1-\bar X)=2\bar X-1\ \Longrightarrow\ \hat\theta=\frac{2\bar X-1}{1-\bar X}.$$
**归因**:①积分限是 $(0,1)$ ,别当 $(0,+\infty)$ ;②解方程时把 $\theta$ 的项集中到一边,中间容易把 $2\bar X$ 与 $\bar X$ 的系数搞错;③**要检查合理性**:$\bar X\in(0,1)$ ,当 $\bar X>0.5$ 时 $\hat\theta>0$ ,符合 $\theta>-1$ 的定义域(实际上面这个式子在 $\bar X\in(0,1)$ 内都有意义)。
---
### 题 A9 · $\hat\theta=-\dfrac{n}{\sum_{i=1}^n\ln X_i}$
**怎么想**:标准 MLE 四步。这里 $L$ 可导,正常求导。
**解**:似然函数
$$L(\theta)=\prod_{i=1}^n\theta X_i^{\theta-1}=\theta^n\left(\prod_{i=1}^nX_i\right)^{\theta-1},$$
取对数:
$$\ln L=n\ln\theta+(\theta-1)\sum_{i=1}^n\ln X_i.$$
求导令零:
$$\frac{\mathrm{d}\ln L}{\mathrm{d}\theta}=\frac{n}{\theta}+\sum_{i=1}^n\ln X_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum_{i=1}^n\ln X_i}.$$
又 $\dfrac{\mathrm{d}^2\ln L}{\mathrm{d}\theta^2}=-\dfrac{n}{\theta^2}<0$ ,故为极大值点。
**说明**:由于 $0<X_i<1$ ,有 $\ln X_i<0$ ,故 $\hat\theta>0$ ,符合参数范围。
**归因**:三个易错点。①$(\theta-1)\ln$ 那一项求导后是 $\sum\ln X_i$ ,**不要把 $\theta-1$ 也带下来**;②答案的负号来自 $\sum\ln X_i<0$ ,写成 $\dfrac{n}{-\sum\ln X_i}$ 等价;③要说明是极大值(二阶导为负),只写一阶导等于零不完整。
---
### 题 A10 · $(8.93,\ 11.07)$
**怎么想**:$\sigma$ **未知** ⟹ 用 $t$ 分布;自由度 $n-1=15$ 。
**解**:$\sigma$ 未知,枢轴量
$$T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)=t(15).$$
由 $P\{|T|<t_{0.025}(15)\}=0.95$ 得
$$\bar x\pm t_{0.025}(15)\frac{s}{\sqrt n}=10\pm2.131\times\frac{2}{4}=10\pm1.0655.$$
故置信区间为 $(8.9345,\ 11.0655)$ ,约 $(8.93,\ 11.07)$ 。
**归因**:这题就是卷三选 10 的数值版。**判断口诀**:$\sigma$ 未知 → $t$ ;自由度 $n-1$ 。两个高频错:用了 $u_{0.025}=1.96$ (那是 $\sigma$ 已知的情形);自由度写成 $16$ (用了 $n$ 而不是 $n-1$ )。
---
---
> B 组、C 组与错题归因表见 [03b-解析-扩散](03b-解析-扩散.md)。
@@ -0,0 +1,224 @@
---
tags: [数学一, 专项突破, 解析, 大数定律与数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: B 组与 C 组题解析,A 组见 03a
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03a-解析-核心]]"]
---
# 解析(扩散)· 大数定律与数理统计
A 组核心题的解析见 [03a-解析-核心](03a-解析-核心.md)。下面从 B 组接续。
## B 组
### 题 B1 · 有偏,修正为 $\dfrac{n+1}{n}X_{(n)}$
**怎么想**:判断无偏要算 $E(X_{(n)})$ ,而算它要先有 $X_{(n)}$ 的密度。
**解**:$U(0,\theta)$ 的分布函数 $F(x)=\dfrac x\theta$ ($0<x<\theta$ ),故
$$f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)=n\left(\frac x\theta\right)^{n-1}\cdot\frac1\theta=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.$$
$$E(X_{(n)})=\int_0^\theta x\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta\neq\theta.$$
故 $X_{(n)}$ **有偏**。修正:取 $\dfrac{n+1}{n}X_{(n)}$ ,其期望为 $\dfrac{n+1}{n}\cdot\dfrac{n}{n+1}\theta=\theta$ ,无偏。
**归因**:**$\max$ 天然偏小**(它永远取不到 $\theta$ 以上),所以 $X_{(n)}$ 低估 $\theta$ ,修正要**乘一个大于 1 的因子**。写成 $\frac{n}{n+1}X_{(n)}$ 就是把方向搞反了——那一改偏得更小。
---
### 题 B2 · (Ⅰ)均无偏 (Ⅱ)$\bar X$ 更有效
**解**:
(Ⅰ)$E(\bar X)=\theta$ ,无偏。
$X_{(1)}=\min X_i$ 的分布:$P\{X_{(1)}>x\}=\left[P\{X_1>x\}\right]^n=\mathrm{e}^{-nx/\theta}$ ,故 $X_{(1)}$ 服从参数为 $\dfrac\theta n$ 的指数分布,
$$E(X_{(1)})=\frac\theta n\ \Longrightarrow\ E(nX_{(1)})=\theta,$$
无偏。
(Ⅱ)$D(\bar X)=\dfrac{\theta^2}{n}$ 。又 $D(X_{(1)})=\dfrac{\theta^2}{n^2}$ ,故
$$D(nX_{(1)})=n^2\cdot\frac{\theta^2}{n^2}=\theta^2.$$
比较:当 $n\geqslant2$ 时 $\dfrac{\theta^2}{n}<\theta^2$ ,故 $\bar X$ 的方差更小,**$\bar X$ 更有效**。
**归因**:$X_{(1)}$ 的期望是 $\theta/n$ 而不是 $\theta$ —— 最小值天然偏小,所以乘 $n$ 才无偏。第(Ⅱ)问的关键是 $D(nX_{(1)})=\theta^2$ **与 $n$ 无关**,这说明"只用一个样本点"的估计量不会因为样本量增加而变准,这正是它不如 $\bar X$ 的原因。
---
### 题 B3 · 证明
**解**:记 $\hat\theta_n=\dfrac{n+1}{n}X_{(n)}$ 。
**无偏**:由 B1 ,$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $E(\hat\theta_n)=\theta$ 。
**方差趋于 0**:由 B4 的结论 $D(X_{(n)})=\dfrac{n\theta^2}{(n+1)^2(n+2)}$ ,
$$D(\hat\theta_n)=\left(\frac{n+1}{n}\right)^2\cdot\frac{n\theta^2}{(n+1)^2(n+2)}=\frac{\theta^2}{n(n+2)}\to0\quad(n\to\infty).$$
由切比雪夫不等式,对任意 $\varepsilon>0$ :
$$P\left\{\left|\hat\theta_n-\theta\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\hat\theta_n)}{\varepsilon^2}=\frac{\theta^2}{n(n+2)\varepsilon^2}\to0.$$
故 $\hat\theta_n\xrightarrow{P}\theta$ ,即 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的相合估计。
**归因**:相合性的判据是"**无偏 + 方差趋于 0**"(充分条件),本题正好两条都满足,用切比雪夫一收即可。**别漏掉"对任意 $\varepsilon>0$ "这句**,它是依概率收敛的定义语言。
---
### 题 B4 · 见解析
**解**:
(Ⅰ)由 B1 已得
$$f_{X_{(n)}}(x)=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.$$
(Ⅱ)$E(X_{(n)})=\dfrac{n}{n+1}\theta$ 。
$$E\!\left(X_{(n)}^2\right)=\int_0^\theta x^2\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n\theta^2}{n+2}.$$
$$D(X_{(n)})=\frac{n\theta^2}{n+2}-\left(\frac{n\theta}{n+1}\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\theta^2}{(n+1)^2(n+2)}.$$
(通分:分子 $n(n+1)^2-n^2(n+2)=n^3+2n^2+n-n^3-2n^2=n$ 。)
**归因**:方差这一步必须通分到底,最后分子恰好是 $n$ ——这是个"漂亮结果",可以用它自查。数值验证:$n=2$ 时 $D=\dfrac{2\theta^2}{9\cdot4}=\dfrac{\theta^2}{18}$ ,而 $U(0,\theta)$ 两个样本的最大值方差可直接算,结果一致。
---
### 题 B5 · $(1.89,\ 13.33)$
**怎么想**:$\sigma^2$ 的区间只能用 $\chi^2$ 枢轴量,$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 。
**解**:枢轴量 $\chi^2=\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(9)$ ,由
$$P\left\{\chi^2_{0.975}(9)<\chi^2<\chi^2_{0.025}(9)\right\}=0.95$$
得
$$\frac{(n-1)s^2}{\chi^2_{0.025}(9)}<\sigma^2<\frac{(n-1)s^2}{\chi^2_{0.975}(9)}.$$
代入 $(n-1)s^2=9\times4=36$ :
$$\sigma^2\in\left(\frac{36}{19.02},\ \frac{36}{2.70}\right)=(1.893,\ 13.333).$$
**归因**:**上下标是反的**——分母大的分位数($0.025$ )对应区间的**左端**,因为它在分母上。这与 $t$ 区间"$\pm t_{\alpha/2}$ "的直觉相反,是这块最阴的一个点。记法:**分位数在分母上,所以与 $\alpha/2$ 的位置要对调**。
---
## C 组
### 题 C1 · A
**解**:(A)对。样本量固定时,$\alpha$ 与 $\beta$ 此消彼长:减小 $\alpha$ 意味着拒绝域变小,$H_0$ 更难被拒绝,于是 $H_0$ 为假时也更难拒绝,$\beta$ 增大。
(B)错,$\alpha+\beta$ 一般不等于 1。(C)错,两者同时减小只能靠增大样本量。(D)错,$\beta$ 是第二类错误概率,显著性水平是 $\alpha$ 。
**归因**:这条的唯一考点就是"此消彼长"。补一句常考的:**要同时减小两类错误,唯一办法是增大样本量**。
---
### 题 C2 · $\bar x>10.658$
**怎么想**:$H_1$ 写"$\mu>10$ " ,所以拒绝域在**右尾**,用 $u_\alpha$ (单尾)而不是 $u_{\alpha/2}$ 。
**解**:$\sigma=2$ 已知,用 $u$ 统计量 $U=\dfrac{\bar X-10}{2/\sqrt{25}}=\dfrac{\bar X-10}{0.4}$ 。
$$P\{U>u_{0.05}\}=\alpha=0.05\ \Longrightarrow\ \bar X>10+1.645\times0.4=10.658.$$
故拒绝域为 $\bar x>10.658$ 。
**归因**:两个坑。①单侧检验用 $u_{0.05}=1.645$ ,**不是** $1.96$ ;②方向跟着 $H_1$ 走,$H_1$ 是"大于"就往右拒绝。若把 $H_1$ 改成 $\mu<10$ ,拒绝域就是 $\bar x<9.342$ 。
---
### 题 C3 · 见解析
**解**:两样本独立,$\bar X\sim N\!\left(\mu_1,\dfrac{\sigma_1^2}{n_1}\right)$ ,$\bar Y\sim N\!\left(\mu_2,\dfrac{\sigma_2^2}{n_2}\right)$ ,故
$$\bar X-\bar Y\sim N\left(\mu_1-\mu_2,\ \frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}\right).$$
在 $H_0:\mu_1=\mu_2$ 下,
$$U=\frac{\bar X-\bar Y}{\sqrt{\dfrac{\sigma_1^2}{n_1}+\dfrac{\sigma_2^2}{n_2}}}\sim N(0,1).$$
双尾检验,拒绝域为
$$|U|>u_{\alpha/2}.$$
**归因**:①$\sigma_1^2,\sigma_2^2$ **已知**才用 $u$ ;未知但相等要用**合并方差**的 $t$ (自由度 $n_1+n_2-2$ );未知且不等要用近似 $t$ ( Welch )。②双尾用 $\alpha/2$ ,这与单尾题的区别就在此。这条大纲要求、十年未考,属于"高性价比冷门"。
---
### 题 C4 · 证明
**解**:记 $\bar X_n=\dfrac1n\displaystyle\sum_{i=1}^nX_i$ 。由独立性,
$$E(\bar X_n)=\frac1n\sum_{i=1}^nE(X_i)=\mu,\qquad D(\bar X_n)=\frac{1}{n^2}\sum_{i=1}^nD(X_i)=\frac{\sigma^2}{n}.$$
对任意 $\varepsilon>0$ ,由切比雪夫不等式:
$$P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\bar X_n)}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}.$$
当 $n\to\infty$ 时右端趋于 0,故
$$\lim_{n\to\infty}P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}=0,$$
即 $\dfrac1n\displaystyle\sum_{i=1}^nX_i\xrightarrow{P}\mu$ 。
**归因**:这题是"标准三步":算期望、算方差、套切比雪夫。两个易错点:①$D(\bar X)=\frac{\sigma^2}{n}$ 里的 $\frac{1}{n^2}$ 别丢;②最后要写成**极限形式** $\lim P\{\cdot\}=0$ ,这才是依概率收敛的定义。
---
### 题 C5 · 见解析
**解**:
(Ⅰ)**矩估计**:$E(X)=\theta$ ,令 $\theta=\bar X$ ,得 $\hat\theta_{\text{矩}}=\bar X$ 。
(Ⅱ)**极大似然**:似然函数
$$L(\theta)=\prod_{i=1}^n\frac1\theta\mathrm{e}^{-X_i/\theta}=\theta^{-n}\exp\left(-\frac{1}{\theta}\sum_{i=1}^nX_i\right),$$
$$\ln L=-n\ln\theta-\frac{1}{\theta}\sum_{i=1}^nX_i.$$
求导令零:
$$\frac{\mathrm{d}\ln L}{\mathrm{d}\theta}=-\frac n\theta+\frac{1}{\theta^2}\sum_{i=1}^nX_i=0\ \Longrightarrow\ \hat\theta_{\text{MLE}}=\frac1n\sum_{i=1}^nX_i=\bar X.$$
(二阶导在 $\theta=\bar X$ 处为 $-\frac{n}{\bar X^2}<0$ ,是极大值。)
(Ⅲ)$E(\bar X)=\theta$ ,故 $\bar X$ 是 $\theta$ 的**无偏**估计。
(Ⅳ)目标估计量是 $\lambda=\dfrac1\theta$ 。由题给
$$E\left(\frac{1}{\bar X}\right)=\frac{n}{(n-1)\theta}=\frac{n}{n-1}\cdot\frac1\theta=\frac{n}{n-1}\lambda,$$
故 $\dfrac1{\bar X}$ 的期望是目标的 $\dfrac{n}{n-1}>1$ 倍,**有偏**(系统性偏大)。
而
$$E\left(\frac{n-1}{n}\cdot\frac{1}{\bar X}\right)=\frac{n-1}{n}\cdot\frac{n}{n-1}\cdot\frac1\theta=\frac1\theta,$$
故 $\dfrac{n-1}{n}\cdot\dfrac1{\bar X}$ 才是 $\dfrac1\theta$ 的无偏估计。
**归因**:这道题的核心是一句话:**期望与倒数不能交换**,即 $E\!\left(\dfrac1{\bar X}\right)\neq\dfrac{1}{E(\bar X)}$ 。因为 $f(t)=1/t$ 是凸函数,由 Jensen 不等式 $E\!\left(\dfrac1{\bar X}\right)>\dfrac{1}{E(\bar X)}$ ,所以 $\dfrac1{\bar X}$ 系统性偏大,修正要**乘一个小于 1 的因子** $\dfrac{n-1}{n}$ 。这与均匀分布"乘 $\dfrac{n+1}{n}$ "方向相反,别记混。
---
## 错题归因表
| 你错的题 | 如果是 | 说明什么 | 补法 |
|---|---|---|---|
| A1 | 没认出 $\varepsilon$ | 切比雪夫只会正向用 | 回 [01 §1.1](01-考点地图.md#user-content-11-切比雪夫不等式小题-8-的正主),练反向 |
| A4 / A6 | 自由度记错 | $\chi^2$ 与 $F$ 的 $n-1$ 混淆 | $S^2$ 出现就减 1 |
| A5 | $t$ 的定义记混 | 分母缺"/自由度" | 默写三遍 $t$ 的定义 |
| A7 | 以为是普适结论 | 抽样定理的前提是正态 | 记"独立是正态专属,无偏是普适" |
| A10 / B5 | 用错分布或用错分位 | 这块头号错因 | 背两张区间表 |
| B1 / B5 | 修正因子方向反 | 期望偏大偏小没判断 | 想"$\max$ 偏小、$1/\bar X$ 偏大" |
| A8 / A9 | 方程解错 | 计算 | 解完代回去验 |
| C1 / C2 | $\alpha$ 用错侧 | 单双尾没分清 | 拒绝域跟着 $H_1$ 走 |
@@ -0,0 +1,25 @@
---
tags: [数学一, 专项突破, 答疑]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: 待填, 按题号增量追加
---
# 答疑笔记 · 大数定律与数理统计
规则:**按题号递增追加**,一题一条。这块的错因清一色是"记混",所以模板只留三栏,逼自己写清楚混在哪。
## 记录模板
```
### 题 X · 日期
- 我当时以为该用(哪个分布 / 哪个自由度 / 哪个分位):
- 实际应该用:
- 记混的根源(两件事长得像在哪):
```
---
## 待填区
(首次做错后从这里开始记)
@@ -0,0 +1,53 @@
---
tags: [数学一, 专项突破, 说明]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: 完成, 20 题, 三层扩散
关联笔记: ["[[01-考点地图]]", "[[02-试题]]", "[[03a-解析-核心]]", "[[03b-解析-扩散]]"]
---
# 专项突破 03 · 大数定律与数理统计
## 这份专题解决什么
你提到"数理统计部分(小题 8、10)":第 8 题是**切比雪夫不等式**(属大数定律章),第 10 题是 **$t$ 分布置信区间**(属参数估计章)。这两章的共同点是——**全是固定套路,背了就有分**,不涉及多维随机变量那种技巧性构造。
所以这份专题从这两道题向外铺满最后四章,A1 与 A10 就是这两道题的**反向加练**(正着套公式你会,反着问"方差最大是多少"才是考场形态)。
## 三层扩散
| 层 | 覆盖 | 题号 |
|---|---|---|
| **核心** | 切比雪夫、辛钦、CLT、$\chi^2/t/F$ 、抽样分布四件套、矩估计、MLE、置信区间 | A1—A10 |
| **一圈** | 无偏性、有效性、相合性、次序统计量、枢轴量法 | B1—B5 |
| **二圈** | 两类错误、单侧检验、双总体检验、大数定律证明、MLE 综合大题 | C1—C5 |
## 数据支撑(十年真题)
| 章 | 题数 | 分值 | 说明 |
|---|---|---|---|
| ch19 大数定律与 CLT | 3 | 14 | 切比雪夫、辛钦、CLT 近似 |
| ch20 数理统计基本概念 | 2 | 9 | $\chi^2$ 、$F$ 的构造 |
| ch21 参数估计 | **9** | **101** | MLE 是绝对主力,几乎每年一道 11—12 分大题 |
| ch22 假设检验 | 3 | 14 | 两类错误、拒绝域 |
合计 138 分。**注意 ch21 的 101 分**——参数估计是概率里最稳的得分点,而它的题型高度固定(矩估计 / MLE / 无偏 / 有效四问)。
## 必须说清楚:这里也没有张宇兜底
张宇 1000 题的库**只有高数与线代**(15 + 6 章),**完全没有概率**。所以本专题:
- 20 题全部以**真题骨架**为主,来源标在题首、汇总在 [01 §5](01-考点地图.md#user-content-五题目索引);
- A3、A7、B3、C3 为自编或改写(真题无对应考法,或考法太单一);
- **B5($\sigma^2$ 的置信区间)与 C3(双总体均值差检验)是大纲明确要求、十年未考的"高性价比冷门"**,真题库里找不到,只能自编——这类题恰恰最可能明年出现。
## 怎么用
1. **A 组限时 60 分钟**。这组是"认得分布就能做"的题,卡住说明四件套没记牢。
2. 对答案后,把错题按两类分开:**分布认错**($u$ 还是 $t$ 、$n$ 还是 $n-1$ )与**算错**。前者抄表,后者练手。
3. B 组的三性(无偏/有效/相合)是概念题,C 组是 12 分大题的形态。C5 建议**手写完整过程**,它是真题 2024-22 的变体。
## 与其他材料的关系
- `模拟卷/第三次模拟-数学一` 第 8 题(切比雪夫)、第 10 题(置信区间)、第 22 题(参数估计四问)是本专题的直接来源,做完这里可以回看那三道。
- `在学练习/概率论与数理统计-第6讲-数理统计` 对应 ch20—ch22,若需要系统学一遍再去那里。