知识点构建 02—27 批量修公式渲染(约 2500 处)

起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。

- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
  (`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0

全部经 fix_text 幂等核验;链接 28 文件 0 异常。
This commit is contained in:
2026-11-22 23:00:17 +08:00
parent da4c938e78
commit 26e91c4c68
26 changed files with 1211 additions and 1209 deletions
@@ -30,16 +30,16 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
| §5 | 假设检验(仅数一) | 选填 |
| §6 | 两类错误(仅数一) | 选填 |
**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 $EX^k$)。
**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 $EX^k$ )。
**符号约定**(本讲统一):
| 记号 | 含义 |
|---|---|
| $u_\alpha$ | 标准正态**上侧** $\alpha$ 分位点:$P\{Z>u_\alpha\}=\alpha$ |
| $\chi^2_\alpha(n)$、$t_\alpha(n)$、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 |
| $\overline X$、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$) |
| $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$(**有偏**) |
| $\chi^2_\alpha(n)$ 、$t_\alpha(n)$ 、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 |
| $\overline X$ 、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$ ) |
| $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$ (**有偏**) |
### 0.2 十年真题地图(sqlite,2016–2025)
@@ -52,7 +52,7 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
| 2023·9 | 两正态总体方差比的 $F$ 分布 | 5 | §2.5 |
| 2022·22 | 两样本泊松的 MLE 与 $D(\hat\theta)$ | 12 | §3.2 |
| 2021·10 | 第二类错误概率 | 5 | §6 |
| 2021·9 | 无偏性 + $D(\hat\theta)$(二元正态) | 5 | §3.3 |
| 2021·9 | 无偏性 + $D(\hat\theta)$ (二元正态) | 5 | §3.3 |
| 2020·23 | 威布尔型 $F(t)$ 的无记忆性 + MLE | 11 | §3.2 |
| 2019·23 | 半正态密度求常数 + MLE | 11 | §3.2 |
| 2018·23 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | 11 | §3.2 |
@@ -83,7 +83,7 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
| 概念 | 定义 |
|---|---|
| 总体 | 研究对象的全体;**数学上就是一个随机变量 $X$** |
| 总体 | 研究对象的全体;**数学上就是一个随机变量** $X$ |
| 个体 | 总体的每个元素 |
| 简单随机样本 | $n$ 个**相互独立且与总体同分布**的 $X_1,\dots,X_n$ |
| 样本值 | 一次具体观测得到的一组数 $x_1,\dots,x_n$ |
@@ -98,7 +98,7 @@ $$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=
### 1.3 经验分布函数
$\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$(几乎必然)。**了解即可**,考研不单独考。
$\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$ 。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$ (几乎必然)。**了解即可**,考研不单独考。
## 2 三大抽样分布与正态总体抽样(点 2–3)
@@ -108,9 +108,9 @@ $g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**
| 例子 | 是否统计量 |
|---|---|
| $\sum X_i$、$\overline X$、$S^2$、$\max X_i$ | ✓ |
| $\sum(X_i-\mu)^2$($\mu$ 未知) | ✗ |
| $\frac{X_1-\mu}{\sigma}$($\mu,\sigma$ 未知) | ✗ |
| $\sum X_i$ 、$\overline X$ 、$S^2$ 、$\max X_i$ | ✓ |
| $\sum(X_i-\mu)^2$ ($\mu$ 未知) | ✗ |
| $\frac{X_1-\mu}{\sigma}$ ($\mu,\sigma$ 未知) | ✗ |
**判断口诀**:**"能不能用样本算出来"**——算不出来就不是。
@@ -123,25 +123,25 @@ $g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**
| 样本 $k$ 阶原点矩 | $A_k=\dfrac1n\sum X_i^k$ |
| 样本 $k$ 阶中心矩 | $B_k=\dfrac1n\sum(X_i-\overline X)^k$ |
**恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$(方差题必用)。
**恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$ (方差题必用)。
### 2.3 $\overline X$ 与 $S^2$ 的数字特征(必背)
$$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
**为什么除以 $n-1$**:$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$(有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$。
**为什么除以** $n-1$ :$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$ (有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$ 。
### 2.4 三大抽样分布
| 分布 | 构造 | 期望 / 方差 | 关键性质 |
|---|---|---|---|
| $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$;**不对称**,上下分位点分别查 |
| $t(n)$ | $X\sim N(0,1)$,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$ |
| $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**(分子在前) |
| $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ ;**不对称**,上下分位点分别查 |
| $t(n)$ | $X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$ ;$t_{1-\alpha}(n)=-t_\alpha(n)$ ;$t^2\sim F(1,n)$ |
| $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$ ,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$ ;**两个自由度顺序不能反**(分子在前) |
### 2.5 正态总体下的抽样分布(本节最重要)
**(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$:
**(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$ :
| # | 统计量 | 分布 | 前提 |
|---|---|---|---|
@@ -151,7 +151,7 @@ $$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .
| ④ | $\dfrac{\sqrt n(\overline X-\mu)}{S}$ | $t(n-1)$ | $\sigma$ 未知 |
| ⑤ | $\dfrac{n(\overline X-\mu)^2}{S^2}$ | $F(1,n-1)$ | $\sigma$ 未知 |
**两句口诀**:②→③「**$\mu$ 换成 $\overline X$,自由度减一**」;①→④「**$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$**」。
**两句口诀**:②→③「**$\mu$ 换成 $\overline X$ ,自由度减一**」;①→④「**$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度** $n-1$ 」。
> **④ 里藏着一条独立结论**:正态总体下 $\overline X$ 与 $S^2$ **相互独立**。这是正态总体**独有**的(一般总体不成立),也是拼 $t$ 分布的前提。
@@ -161,17 +161,17 @@ $$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .
|---|---|---|
| ① | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ |
| ② | $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ | $F(m-1,n-1)$ |
| ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$($\sigma_1^2=\sigma_2^2$) | $t(m+n-2)$ |
| ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$ ($\sigma_1^2=\sigma_2^2$ ) | $t(m+n-2)$ |
合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
**(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$,平方得 $\chi^2(1)$;③ 按定义拼($\chi^2$ 相加、$t$ 除根号、$F$ 上下除各自自由度)。
**(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$ ,平方得 $\chi^2(1)$ ;③ 按定义拼($\chi^2$ 相加、$t$ 除根号、$F$ 上下除各自自由度)。
**三个恒定陷阱**:忘标准化就平方(系数不对,不是 $\chi^2$)|分子分母共用同一个 $X_i$(不独立,拼不出 $t$ 或 $F$)|自由度算错。
**三个恒定陷阱**:忘标准化就平方(系数不对,不是 $\chi^2$ )|分子分母共用同一个 $X_i$ (不独立,拼不出 $t$ 或 $F$ )|自由度算错。
### 2.6 顺序统计量
$X_{(1)}=\min\{X_i\}$,$X_{(n)}=\max\{X_i\}$。设总体分布函数 $F$、密度 $f$:
$X_{(1)}=\min\{X_i\}$ ,$X_{(n)}=\max\{X_i\}$ 。设总体分布函数 $F$ 、密度 $f$ :
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x),$$
@@ -181,42 +181,42 @@ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
| 总体密度 | $E X_{(n)}$ |
|---|---|
| $U(0,\theta)$:$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ |
| $f=\dfrac{2x}{\theta^2}$($0<x<\theta$) | $\dfrac{2n}{2n+1}\theta$ |
| $U(0,\theta)$ :$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ |
| $f=\dfrac{2x}{\theta^2}$ ($0<x<\theta$ ) | $\dfrac{2n}{2n+1}\theta$ |
| $f=\dfrac{kx^{k-1}}{\theta^k}$ | $\dfrac{kn}{kn+1}\theta$ |
## 3 矩估计、MLE 与评价标准(点 4–6,分值最重)
> **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数 $\theta$**。两种造法:矩估计、极大似然。
> **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数** $\theta$ 。两种造法:矩估计、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)。
**三步**: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$。
**三步**: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=\overline X$,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$。
**两参数模板**:$\hat\mu=\overline X$ ,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$ 。
> ⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$**——只有 $S^2$ 无偏。
> ⚠️ **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$。
**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(x_i;\theta)$);
② 取对数 $\ln L$(连乘变连加,$\ln$ 单调不减,不改变极值点);
① 写似然 $L(\theta)=\prod f(x_i;\theta)$ (离散用 $\prod p(x_i;\theta)$ );
② 取对数 $\ln L$ (连乘变连加,$\ln$ 单调不减,不改变极值点);
③ 求导令零(多参数解方程组);
④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$。
④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$ 。
**不可微/单调情形(每年必有一道)**:当 $\theta$ 出现在**支撑集**里时,$L$ 关于 $\theta$ 单调,$\hat\theta$ 取**边界**:
| 总体 | MLE |
|---|---|
| $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)}$ |
| $f(x;\theta)=\dfrac{\theta}{x^2}$($x>\theta$) | 支撑要求 $\theta<\min X_i$,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ |
| $U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$ ,$\hat\theta_2=X_{(n)}$ |
| $f(x;\theta)=\dfrac{\theta}{x^2}$ ($x>\theta$ ) | 支撑要求 $\theta<\min X_i$ ,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ |
**口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
@@ -226,17 +226,17 @@ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
|---|---|---|
| 拉普拉斯 $\frac1{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\frac1n\sum\lvert X_i\rvert$ | 同左 |
| 均匀 $U(0,\theta)$ | $2\overline X$ | $X_{(n)}$ |
| 幂型 $\theta x^{\theta-1}$($0<x<1$) | $\dfrac{\overline X}{1-\overline X}$ | $-\dfrac{n}{\sum\ln X_i}$ |
| 幂型 $\theta x^{\theta-1}$ ($0<x<1$ ) | $\dfrac{\overline X}{1-\overline X}$ | $-\dfrac{n}{\sum\ln X_i}$ |
**两样本同参数**($X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得
**两样本同参数**($X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):**两组似然先相乘再求导**,得
$$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.$$
**为什么分母是 $n+2m$**:$Y$ 组每个样本携带 $2\theta$ 的信息量,分子对 $Y$ 组只记 $\sum Y_j$(那个 2 进了常数项)。
**为什么分母是** $n+2m$ :$Y$ 组每个样本携带 $2\theta$ 的信息量,分子对 $Y$ 组只记 $\sum Y_j$ (那个 2 进了常数项)。
**MLE 的不变性原理**:$\widehat{g(\theta)}=g(\hat\theta)$。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$。
**MLE 的不变性原理**:$\widehat{g(\theta)}=g(\hat\theta)$ 。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$ 。
> ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$(例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。**
> ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$ (例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。**
### 3.3 评价估计量的四个标准
@@ -247,9 +247,9 @@ $$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda
| **一致性(相合)** | $\hat\theta\xrightarrow{P}\theta$ | 管"样本多了会不会靠近" |
| **均方误差 MSE** | $h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2$ | 方差 + 偏差² |
**无偏的四个常用结论**:$E\overline X=\mu$、$ES^2=\sigma^2$、$E B_2=\frac{n-1}{n}\sigma^2$(有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$(对 $U(0,\theta)$)。
**无偏的四个常用结论**:$E\overline X=\mu$ 、$ES^2=\sigma^2$ 、$E B_2=\frac{n-1}{n}\sigma^2$ (有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$ (对 $U(0,\theta)$ )。
**"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$,令 $c=1$ 反解常数。
**"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$ ,令 $c=1$ 反解常数。
**有效性必须先过无偏关**:两个都无偏才比方差;一个无偏一个有偏,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。
@@ -257,7 +257,7 @@ $$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda
$$c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},$$
**它一般不等于使无偏的 $\frac{n+1}{n}$**——这正是 2024·22 的考点。
**它一般不等于使无偏的** $\frac{n+1}{n}$ ——这正是 2024·22 的考点。
## 4 区间估计(点 7,仅数学一)
@@ -267,11 +267,11 @@ $$P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .$$
$1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
> **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住 $\theta$**"。
> **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住** $\theta$ "。
### 4.2 枢轴变量法(万能套路)
① 找点估计($\overline X$、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$、$\chi^2$、$t$、$F$);③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$);④ 解不等式得区间。
① 找点估计($\overline X$ 、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$ 、$\chi^2$ 、$t$ 、$F$ );③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$ );④ 解不等式得区间。
### 4.3 单总体四大区间(必背表)
@@ -282,18 +282,18 @@ $1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
| $\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]$ |
**读法**:$\sigma$ 已知用 $U$,$\sigma$ 未知用 $t(n-1)$;$\mu$ 已知用 $\chi^2(n)$,$\mu$ 未知用 $\chi^2(n-1)$。
**读法**:$\sigma$ 已知用 $U$ ,$\sigma$ 未知用 $t(n-1)$ ;$\mu$ 已知用 $\chi^2(n)$ ,$\mu$ 未知用 $\chi^2(n-1)$ 。
> ⚠️ **$\chi^2$ 区间两端"反着放"**:因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母——**大分位点配下限、小分位点配上限**。这是最易抄错的一处。
**单侧区间**:用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。
**2016·14 的速算**:给 $\overline X$ 与置信上限反求下限——**"上限 $+$ 下限 $=2\overline X$"**(仅均值对称区间成立)。
**单侧区间**:用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同一置信度下单侧半宽更小。
**2016·14 的速算**:给 $\overline X$ 与置信上限反求下限——**"上限 $+$ 下限 $=2\overline X$ "**(仅均值对称区间成立)。
### 4.4 两总体(数一要求,十年未考,性价比高)
| 对象 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
| $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$(**两项都要**) |
| $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$ (**两项都要**) |
| $\mu_1-\mu_2$ | 等方差未知 | $t(m+n-2)$ | $(\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}$ |
| $\frac{\sigma_1^2}{\sigma_2^2}$ | — | $F(m-1,n-1)$ | 两端反着放(大分位点配下限) |
@@ -301,22 +301,22 @@ $1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
### 5.1 基本思想
**小概率事件在一次试验中不应发生**:若 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$。
**小概率事件在一次试验中不应发生**:若 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$ 。
### 5.2 四步
① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$(等号在 $H_0$ 里);
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**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$;
① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$ (等号在 $H_0$ 里);
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**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ ;
④ **算观测值、下结论**。
### 5.3 拒绝域的方向(跟着 $H_1$ 跑)
| $H_1$ | 拒绝域形式 |
|---|---|
| $\theta\ne\theta_0$(双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 |
| $\theta>\theta_0$(右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$) |
| $\theta<\theta_0$(左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$;$\chi^2\le\chi^2_{1-\alpha}$) |
| $\theta\ne\theta_0$ (双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 |
| $\theta>\theta_0$ (右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$ ) |
| $\theta<\theta_0$ (左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$ ;$\chi^2\le\chi^2_{1-\alpha}$ ) |
### 5.4 单总体四种检验
@@ -327,17 +327,17 @@ $1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
| $\sigma^2$ | $\mu$ 已知 | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ |
| $\sigma^2$ | $\mu$ 未知 | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
**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)$。**
**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 的坑**:题给的是**方差** $\sigma^2=2$,而 $U$ 的公式分母是**标准差** $\sqrt2$。把 2 直接当代入是本题唯一失分点。
> 🟨 **2025·10 的坑**:题给的是**方差** $\sigma^2=2$ ,而 $U$ 的公式分母是**标准差** $\sqrt2$ 。把 2 直接当代入是本题唯一失分点。
> ⚠️ **$\chi^2$ 双侧检验的拒绝域不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$,**不能写成 $\lvert\cdot\rvert\ge$**。
> ⚠️ **$\chi^2$ 双侧检验的拒绝域不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$ ,**不能写成** $\lvert\cdot\rvert\ge$ 。
### 5.5 区间估计与假设检验的对偶
置信度 $1-\alpha$ 的双侧置信区间 $\iff$ 显著性水平 $\alpha$ 的双侧检验的**接受域**。
**一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$。**
**一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$ 。**
### 5.6 两总体检验(数一要求)
@@ -347,7 +347,7 @@ $1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
| $\mu_1=\mu_2$ | 等方差未知 | $T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}}$ | $t(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | — | $F=\dfrac{S_1^2}{S_2^2}$ | $F(m-1,n-1)$ |
> **顺序不能反**:分子方差配 $m-1$、分母配 $n-1$;$F$ 双侧两端分别查。
> **顺序不能反**:分子方差配 $m-1$ 、分母配 $n-1$ ;$F$ 双侧两端分别查。
## 6 两类错误(点 8,仅数学一)
@@ -359,13 +359,13 @@ $$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·
**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。**
> $H_1$ 通常是一个**范围**(如 $\mu>10$),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出 $\beta$**(2021·10 给了 $\mu=11.5$)。
> $H_1$ 通常是一个**范围**(如 $\mu>10$ ),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出** $\beta$ (2021·10 给了 $\mu=11.5$ )。
### 6.2 计算 $\beta$ 的四步
① 写出拒绝域 $W$;② 写出接受域 $\overline W$;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$。
① 写出拒绝域 $W$ ;② 写出接受域 $\overline W$ ;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$ 。
**模板**:$W=\{\overline X\ge c\}$,$H_1$ 下真值取 $\mu_1$ 时
**模板**:$W=\{\overline X\ge c\}$ ,$H_1$ 下真值取 $\mu_1$ 时
$$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
@@ -374,27 +374,27 @@ $$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt
| 结论 | 说明 |
|---|---|
| 样本量固定时,$\alpha\downarrow\Rightarrow\beta\uparrow$ | **此消彼长** |
| 要同时减小 $\alpha$ 与 $\beta$ | **只能增大 $n$** |
| $\alpha$ 越小 | 临界值越远离 $\mu_0$,拒绝域越小 |
| 拒绝域的包含关系 | $\alpha_1<\alpha_2\Rightarrow W(\alpha_1)\subset W(\alpha_2)$,接受域反之 |
| 要同时减小 $\alpha$ 与 $\beta$ | **只能增大** $n$ |
| $\alpha$ 越小 | 临界值越远离 $\mu_0$ ,拒绝域越小 |
| 拒绝域的包含关系 | $\alpha_1<\alpha_2\Rightarrow W(\alpha_1)\subset W(\alpha_2)$ ,接受域反之 |
**记忆句**:**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」**(2018·8)
**显著性检验 = 只控制第一类错误**(给定 $\alpha$,不控制 $\beta$)。
**显著性检验 = 只控制第一类错误**(给定 $\alpha$ ,不控制 $\beta$ )。
## B 题型考点(怎么想到、为什么、坑在哪)
- **B1 MLE 的四类载体先归类**:① 可微常规(求导解方程);② 支撑含参数(单调 ⟹ 取边界,$U(0,\theta)$ 的 $X_{(n)}$);③ 两样本同参数(似然先乘,分母 $n+2m$);④ 由密度形状先定常数(半正态的 $A=\sqrt{2/\pi}$)。**认错类会白算十分钟**。
- **B2 似然函数里的常数**:$\frac1{\sigma^n}$ 型一定要提出去再求导,漏掉会导致 $\hat\sigma$ 差一个 $\sqrt{n/(n-1)}$。
- **B3 无偏"定常数"的通法**:算出 $E(\text{统计量})=k\theta$,令 $k=1$ 反解。**坑**:$E(X_{(n)})$ 用错公式(上限型才有 $\frac{n}{n+1}\theta$)。
- **B4 MSE 与无偏的分离**:$h(c)=E(T_c-\theta)^2=D+(\text{偏差})^2$,展开成 $c$ 的二次式求顶点;**顶点一般不是无偏的那个 $c$**,两问答案不同(2024·22)。
- **B5 拼装 $\chi^2/t/F$ 的三步**:先算均值方差 → 标准化 → 平方/相除;**坑**:分子的 $X$ 与分母的 $\chi^2$ 必须独立(正态总体下 $\overline X\perp S^2$ 才能拼 $t$)。
- **B6 自由度速查**:$\chi^2$ 单总体看 $\mu$ 知不知($n$ 或 $n-1$);$t$ 永远 $n-1$;$F$ 是两个 $\chi^2$ 的自由度按分子/分母顺序写。
- **B7 置信区间四选一**:$\sigma$ 知/未知、$\mu$ 知/未知,两两组合决定 $U/t/\chi^2(n)/\chi^2(n-1)$。**$\chi^2$ 区间两端反着放**是最大失分点。
- **B8 给上限反求下限**:对称区间下"上下限之和 $=2\overline X$"(2016·14 唯一解法的入口)。
- **B9 拒绝域跟着 $H_1$**:先看 $H_1$ 是不等号哪一侧,再定单侧/双侧;**坑**:把方差当标准差代入(2025·10)。
- **B10 $\beta$ 的四步换世界**:写出接受域 → 换成 $H_1$ 的分布 → 算概率。**坑**:用 $H_0$ 的均值算 $\beta$(那就变成 $\alpha$ 了)。
- **B11 $\alpha$-$\beta$ 关系只用两句**:小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 接受。**坑**:把方向记反。
- **B1 MLE 的四类载体先归类**:① 可微常规(求导解方程);② 支撑含参数(单调 ⟹ 取边界,$U(0,\theta)$ 的 $X_{(n)}$ );③ 两样本同参数(似然先乘,分母 $n+2m$ );④ 由密度形状先定常数(半正态的 $A=\sqrt{2/\pi}$ )。**认错类会白算十分钟**。
- **B2 似然函数里的常数**:$\frac1{\sigma^n}$ 型一定要提出去再求导,漏掉会导致 $\hat\sigma$ 差一个 $\sqrt{n/(n-1)}$ 。
- **B3 无偏"定常数"的通法**:算出 $E(\text{统计量})=k\theta$ ,令 $k=1$ 反解。**坑**:$E(X_{(n)})$ 用错公式(上限型才有 $\frac{n}{n+1}\theta$ )。
- **B4 MSE 与无偏的分离**:$h(c)=E(T_c-\theta)^2=D+(\text{偏差})^2$ ,展开成 $c$ 的二次式求顶点;**顶点一般不是无偏的那个** $c$ ,两问答案不同(2024·22)。
- **B5 拼装 $\chi^2/t/F$ 的三步**:先算均值方差 → 标准化 → 平方/相除;**坑**:分子的 $X$ 与分母的 $\chi^2$ 必须独立(正态总体下 $\overline X\perp S^2$ 才能拼 $t$ )。
- **B6 自由度速查**:$\chi^2$ 单总体看 $\mu$ 知不知($n$ 或 $n-1$ );$t$ 永远 $n-1$ ;$F$ 是两个 $\chi^2$ 的自由度按分子/分母顺序写。
- **B7 置信区间四选一**:$\sigma$ 知/未知、$\mu$ 知/未知,两两组合决定 $U/t/\chi^2(n)/\chi^2(n-1)$ 。**$\chi^2$ 区间两端反着放**是最大失分点。
- **B8 给上限反求下限**:对称区间下"上下限之和 $=2\overline X$ "(2016·14 唯一解法的入口)。
- **B9 拒绝域跟着** $H_1$ :先看 $H_1$ 是不等号哪一侧,再定单侧/双侧;**坑**:把方差当标准差代入(2025·10)。
- **B10 $\beta$ 的四步换世界**:写出接受域 → 换成 $H_1$ 的分布 → 算概率。**坑**:用 $H_0$ 的均值算 $\beta$ (那就变成 $\alpha$ 了)。
- **B11 $\alpha$ -$\beta$ 关系只用两句**:小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 接受。**坑**:把方向记反。
- **B12 区间与检验的对偶**:$\mu_0$ 在区间内 ⟺ 不拒绝;这一个等价能把区间题改写成检验题(反之亦然)。
## 7 题目清单(26 题,纯题干,按在学练习八点分册)
@@ -404,7 +404,7 @@ $$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt
### 点 1 总体、样本与统计量(题 1–3)
- **题 1 · 1.1:联合分布与两个词的用处(★☆☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;(Ⅱ)指出"独立"与"同分布"各自用在哪一步;(Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗?
- **题 2 · 1.2:统计量的三个基本期望(★★☆)**:设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$(Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;(Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;(Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量?
- **题 2 · 1.2:统计量的三个基本期望(★★☆)**:设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$ (Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;(Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;(Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量?
- **题 3 · 1.3:最大次序统计量(★★☆)**: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 $X_{(n)}$ 的分布函数与密度;(Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;(Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
### 点 2 三大抽样分布(题 1–3)
@@ -415,13 +415,14 @@ $$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt
### 点 3 正态总体的抽样分布(题 1–3)
- **题 1 · 3.1:四选一找错(★★☆)**:设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$(B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$(C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$(D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
- **题 1 · 3.1:四选一找错(★★☆)**:设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$ (B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$ (C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$ (D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
- **题 2 · 3.1:用卡方算样本方差的概率(★★☆)**:设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求(Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;(Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;(Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。
- **题 3 · 3.2:两总体的方差比(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。(Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?(Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?(Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。
### 点 4 矩估计(题 1–2)
- **题 1 · 4.1:一阶矩就够的情形(★☆☆)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
- **题 1 · 4.1:一阶矩就够的情形(★☆☆)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$
X_1,\dots,X_n $ 为简单随机样本。求 $ \theta$ 的矩估计量。
- **题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)**:(Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
### 点 5 最大似然估计(题 1–4)
@@ -429,27 +430,28 @@ $$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt
- **题 1 · 5.1:指数分布与不变性(★★☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;(Ⅱ)求 $P\{X>t\}$ 的最大似然估计;(Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同?
- **题 2 · 5.1:两组不同参数的泊松(★★☆)**:设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)判断 $\hat\theta$ 是否无偏;(Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么?
- **题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;(Ⅱ)求 $\theta$ 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。
- **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.$$X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;(Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同?
- **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.
$$X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;(Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同?
### 点 6 估计量的评价标准(题 1–4)
- **题 1 · 6.1:无偏性反解系数(★★☆)**:设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。(Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;(Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?(Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
- **题 2 · 6.2:三个均值型估计谁更有效(★★☆)**:设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$(Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
- **题 2 · 6.2:三个均值型估计谁更有效(★★☆)**:设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$ (Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
- **题 3 · 6.3:相合性的证明与反例(★★☆)**:(Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。(Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。(Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。
- **题 4 · 6.4:无偏不一定最好(★★★)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$(Ⅰ)求使 $T_c$ 无偏的 $c$ ;(Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;(Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
- **题 4 · 6.4:无偏不一定最好(★★★)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$ (Ⅰ)求使 $T_c$ 无偏的 $c$ ;(Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;(Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
### 点 7 区间估计(题 1–3)
- **题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )(Ⅰ)求 $0.95$ 双侧置信区间的下限;(Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;(Ⅲ)说明为什么置信度降低时区间变窄。
- **题 2 · 7.2:单总体的三种区间(★★☆)**:设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。(Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);(Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?(Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。
- **题 3 · 7.3:两总体的均值差与方差比(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。(Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;(Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。
- **题 3 · 7.3:两总体的均值差与方差比(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$ 已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。(Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;(Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。
### 点 8 假设检验与两类错误(题 1–4)
- **题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)**:设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;(Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;(Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;(Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。
- **题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)**:设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$ 拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;(Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;(Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;(Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。
- **题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)**:(Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。(Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?(Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:(A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。
- **题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)**:某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。(Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;(Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;(Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。
- **题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。(Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;(Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。
- **题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$ 取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。(Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;(Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。
---