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 +1,224 @@
---
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 |