feat(在学练习): 概率论第5讲(大数定律与CLT)+第6讲(数理统计) 整套;第3讲中高难度卷;md2pdf 工具链

新增
- 在学练习/概率论-第5讲-大数定律与中心极限定理/:README + 01考点手册 + 02试题(16题) + 03解析 + PDF×3
- 在学练习/概率论-第6讲-数理统计/:README + 01考点手册 + 02试题(18题) + 03解析 + PDF×3
- 在学练习/概率论-第3讲.../05-试题-中高难度.md、06-解析-中高难度.md + 平板版 PDF×6(四件套 + 中高难度)
- .workbuddy/tools/md2pdf/:md2pdf.js(Markdown→KaTeX→Edge 无头打印 A4,含 answer 留白模式)、shot.js(渲染验收截图)
- .workbuddy/memory/:2026-10-14.md、2026-10-16.md、MEMORY.md

更新
- .gitignore:新增忽略 md2pdf/build/(HTML 内联字体,体积大)
- 总览.md:目录树同步(第5/6讲、第3讲中高难度卷、PDF 清单)
- 第3讲 01-考点手册/02-试题/README:中高难度卷接入与索引回填

说明:PDF 为 KaTeX 矢量公式渲染的平板书写版(试题逐题留白),由 md2pdf.js 从 .md 可重建。
This commit is contained in:
2026-10-16 14:17:28 +08:00
parent 82f15e18d9
commit 31fe3da11f
31 changed files with 3114 additions and 7 deletions
@@ -248,7 +248,7 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$;
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$。
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
---
@@ -0,0 +1,84 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 试题
- 中高难度
专题: 概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷(12 题)
日期: 2026-10-16
题量: 12 题(B 中等 7 / C 拔高 5,不含基础题)
建议用时: 100 分钟(可拆两天)
关联: "[[01-考点手册]] · [[06-解析-中高难度]] · [[02-试题]]"
---
# 概率论 第3讲 · 多维随机变量及其分布 · 试题(中高难度卷)
> **定位**:本章**只收 B / C 两档**(中等 + 拔高),基础题见 [[02-试题]] 的 A 组。题号 1–12 **独立成卷**。
> **用法**:先过 [[01-考点手册]],再限时 100 分钟做本卷,最后对 [[06-解析-中高难度]]。
> **来源记号**:🟨 真题库第 17 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字与区域全部原创**,做完可直接回刷真题原题。
> **难度**:B ★★☆ · C ★★★。
---
## B 组 · 中等(多步计算,★★☆)
**1.** 【离散型函数分布 · **填缺口**】设 $(X,Y)$ 的联合分布律为
| $X\backslash Y$ | 0 | 1 |
|---|---|---|
| **0** | 0.2 | 0.3 |
| **1** | 0.4 | 0.1 |
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅲ)求 $Z=X+Y$ 的分布律。
**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$,$Y\sim N(2,9)$。
(Ⅰ)写出 $X-Y$ 服从的分布;
(Ⅱ)求 $P\{X>Y\}$(用标准正态分布函数 $\Phi$ 表示);
(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
**3.** 【条件密度 + 条件期望 · **真题骨架 2024·9** 🟨】设 $(X,Y)$ 的概率密度为
$$f(x,y)=\begin{cases}c\,xy,&x>0,\ y>0,\ x+y<1\\0,&\text{其他}\end{cases}$$
(Ⅰ)求常数 $c$;
(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$;
(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$。
**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$。求 $Z$ 的概率密度 $f_Z(z)$。
**5.** 【非矩形域上的均匀分布 🟦02】设 $(X,Y)$ 在区域
$$D=\{(x,y)\mid x^2+y^2\le1,\ y\ge0\}$$
上服从均匀分布。
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$。
**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$,$P\{Y=1\}=1-p$($0<p<1$),且 $X$ 与 $Y$ 相互独立,令 $Z=XY$。
(Ⅰ)求 $Z$ 的概率密度 $f_Z(z)$;
(Ⅱ)求 $\operatorname{Cov}(X,Z)$;
(Ⅲ)$p$ 取何值时 $X$ 与 $Z$ 不相关?
(Ⅳ)$X$ 与 $Z$ 是否相互独立?
**7.** 【二维正态的线性组合 🟩】设 $(X,Y)$ 服从二维正态分布 $N(0,0;1,4;-0.5)$。
(Ⅰ)写出 $X+Y$ 服从的分布;
(Ⅱ)求 $D(X-Y)$;
(Ⅲ)求 $\operatorname{Cov}(X+Y,\ X-Y)$,并判断 $X+Y$ 与 $X-Y$ 是否相互独立。
## C 组 · 拔高(综合与辨析,★★★)
**8.** 【一般二维函数联合分布 · 雅可比行列式 🟦05/06】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=X+Y$,$V=X-Y$。
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$,写出支撑集并说明它在 $uOv$ 平面上的形状;
(Ⅱ)求 $f_{X+Y}(u)$,并说明 $X+Y$ 服从什么分布;
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立。
**9.** 【顺序统计量(最值)🟩】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=\min(X,Y)$,$V=\max(X,Y)$。
(Ⅰ)求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
(Ⅱ)求 $f_U(u)$ 与 $f_V(v)$;
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立,并求 $E(U)$、$E(V)$。
**10.** 【卷积 · 分段和分布 🟦05】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$,并验证它在 $z=1$ 处连续。
**11.** 【条件分布 → 相关系数 · **真题骨架 2022·10** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 的条件下 $Y\sim U(x,\,2x)$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$。
**12.** 【应用建模 · **真题骨架 2025·22** 🟨】某设备由 A、B 两个元件组成,两元件寿命 $X,Y$(单位:千小时)相互独立且都服从参数为 $\lambda$ 的指数分布。分别考虑两种连接方式:
(Ⅰ)**串联**(任一元件损坏则整机失效),系统寿命 $T_1=\min(X,Y)$。求 $f_{T_1}(t)$ 与 $E(T_1)$;
(Ⅱ)**并联**(两个都损坏才失效),系统寿命 $T_2=\max(X,Y)$。求 $f_{T_2}(t)$ 与 $E(T_2)$;
(Ⅲ)若要求系统**平均寿命不低于** $\dfrac{1.5}{\lambda}$(千小时),哪一种方案达标?说明理由。
@@ -0,0 +1,240 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 多维随机变量
- 解析
- 中高难度
专题: 概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷解析(12 题)
日期: 2026-10-16
关联: "[[05-试题-中高难度]] · [[01-考点手册]]"
---
# 概率论 第3讲 · 中高难度卷 · 解析
> 每题含 **答案 / 思路 / 易错点**;标「真题骨架」的题给出对应真题。
---
## B 组 · 中等
### 1.(Ⅰ)行和、列和:
| $X\backslash Y$ | 0 | 1 | $p_{i\cdot}$ |
|---|---|---|---|
| **0** | 0.2 | 0.3 | **0.5** |
| **1** | 0.4 | 0.1 | **0.5** |
| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$。
**(Ⅱ)** 取 $p_{00}=0.2$,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$,故 **$X$ 与 $Y$ 不相互独立**。
**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$,按对角求和:
$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
> **易错点**:$X,Y$ **不独立**不影响求和的分布——求 $Z$ 的分布律**永远只用联合表**,与独立性无关。
### 2.(Ⅰ)独立正态的差仍正态,均值相减、方差相加:
$$X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).$$
**(Ⅱ)**
$$P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.$$
**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$,故
$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
结果里**不含 $\mu$、含 $\sigma$** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$)与**差的方差**($2\sigma^2$)决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$。
> **易错点**:$D(X-Y)=DX+DY$(**独立才可加**),不是 $DX-DY$;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
### 3.(Ⅰ)
$$\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}$$
**(Ⅱ)** $D$ 是三角形 $x+y<1$,故
$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1),$$
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).$$
**(Ⅲ)**
$$E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.$$
再用**全期望**(对 $x$ 求平均):
$$E(Y)=E\big[E(Y\mid X)\big]=\int_0^1\frac{2(1-x)}{3}\cdot12x(1-x)^2\,\mathrm dx=8\int_0^1x(1-x)^3\,\mathrm dx=8B(2,4)=8\times\frac{1}{20}=\frac25.$$
> **思路**:条件密度型问题三步走——**先定域($0<y<1-x$)→ 再写条件密度 → 最后算 $E(Y\mid X=x)$**;求无条件期望用**全期望公式**,比直接二重积分省一半功夫。
> **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$。
### 4. $f_{XY}(x,y)=1\cdot e^{-y}$($0<x<1,\ y>0$)。用**商的密度公式**(其 $|x|$ 即雅可比):
$$f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).$$
两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$):
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$,$|J|=|x|$,故公式里出现 $|x|$;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$,求导结果相同。
> **易错点**:支撑集 $z>0$(公式里 $e^{-zx}$ 的收敛要求 $z>0$,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$。
### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$(上半圆),故
$$f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}$$
**(Ⅱ)**
$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1),$$
$$f_Y(y)=\int_{-\sqrt{1-y^2}}^{\sqrt{1-y^2}}\frac{2}{\pi}\,\mathrm dx=\frac{4}{\pi}\sqrt{1-y^2}\quad(0<y<1).$$
**(Ⅲ)** $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$,且取值区域是**半圆**(非矩形),故 **$X,Y$ 不相互独立**。
**(Ⅳ)** 极坐标下 $D$ 对应 $\theta\in[0,\pi]$。而
$$x>y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),$$
故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$。
$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
> **思路**:均匀分布求概率 = **面积比**;区域带圆就用**极坐标数角度**,比硬积分快得多。
> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$,也算进 $\{x<y\}$ 的补集。
### 6.(Ⅰ)$Z=XY$ 分两种情形:
- $Y=1$(概率 $1-p$):$Z=X\sim U(0,1)$,密度 $1$ 落在 $(0,1)$;
- $Y=-1$(概率 $p$):$Z=-X$,密度 $1$ 落在 $(-1,0)$。
$$f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}$$
**自检**:$\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1$ ✓
**(Ⅱ)** $EX=\dfrac12$,$EX^2=\dfrac13$,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$。
$$E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3},$$
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.$$
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$。
**(Ⅳ)$X$ 与 $Z$ 不相互独立**。理由:给定 $X=x$,$Z=xY$ 只取 $\pm x$ 两个值,条件分布**依赖 $x$**(如 $P\{Z=x\mid X=x\}=1-p$,$P\{Z=-x\mid X=x\}=p$),故不独立。
> **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$、负半轴权重 $p$),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$。
> **结论**:本题与真题同构——**"不相关"可以靠调参数凑出来,但"独立"凑不出来**。
### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$。
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$。
**(Ⅲ)** 线性组合的协方差(交叉项抵消):
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
因 $(X+Y,\ X-Y)$ 仍是 $(X,Y)$ 的线性变换,**仍服从二维正态**,对二维正态"不相关 $\iff$ 独立",故 **$X+Y$ 与 $X-Y$ 不相互独立**。
> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$(**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$。
> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$。
---
## C 组 · 拔高
### 8.(Ⅰ)反解
$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
雅可比行列式(**反解的行列式**):
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.$$
**定义域一起变换**:$0<x<1,\ 0<y<1$ 变成 $0<u+v<2$ 且 $0<u-v<2$,即
$$|v|<u<2-|v|\iff |v|<1.$$
于是
$$f_{UV}(u,v)=\begin{cases}\dfrac12,&|v|<u<2-|v|\\[4pt]0,&\text{其他}\end{cases}$$
**支撑集形状**:由四条边 $u+v=0,\ u+v=2,\ u-v=0,\ u-v=2$ 围成的**菱形**(正方形旋转 $45^\circ$),顶点为
$$(0,0),\ (1,1),\ (2,0),\ (1,-1).$$
**(Ⅱ)** 对 $v$ 积分:
- $0<u<1$:$v\in(-u,u)$,长度 $2u$ ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$;
- $1\le u<2$:$v\in\big(-(2-u),\,2-u\big)$,长度 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$。
$$f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
**自检**:$\displaystyle\int_0^1u\,\mathrm du+\int_1^2(2-u)\,\mathrm du=\frac12+\frac12=1$ ✓
**(Ⅲ)$U$ 与 $V$ 不相互独立**。$f_{UV}$ 在菱形上恒为 $\dfrac12$(常数),而 $f_U(u)=u$ 在 $(0,1)$ 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$,故不独立。
> **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$;③ $f_{UV}=f\cdot|J|$,**定义域一并变换**(这一步决定了菱形的四条边)。
> **易错点**:$|J|=\tfrac12$ 是**常数**,很容易被误当成"$f_{UV}$ 也是常数所以独立"——**判断独立必须比较边缘之积**,支撑集是斜菱形这一点就足以否定独立。
> **与 02-试题 第 19 题的分工**:第 19 题练"和非一一→按分支"的比值变换,本题练**一一变换 + 支撑集形状**。
### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0<u<v<1$,且区域**非矩形**。用对称性($f(u)f(v)=1$,两种排列):
$$f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).$$
**自检**:$\displaystyle\int_0^1\!\!\int_u^1 2\,\mathrm dv\,\mathrm du=2\int_0^1(1-u)\,\mathrm du=1$ ✓
**(Ⅱ)**
$$f_U(u)=\int_u^1 2\,\mathrm dv=2(1-u)\ (0<u<1),\qquad f_V(v)=\int_0^v 2\,\mathrm du=2v\ (0<v<1).$$
**(Ⅲ)** $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$,故 **$U$ 与 $V$ 不相互独立**(支撑集是三角形 $u<v$,几何上已排除独立)。
$$E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.$$
> **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$(限在 $x_{(1)}<\cdots<x_{(n)}$ 上);$n=2$ 时系数就是 $2$。
> **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$——正好是 $[0,1]$ 上两个等分点的位置。
### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.$$
- $0<z<1$:$x\in(0,z)$,
$$f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};$$
- $z\ge1$:$x\in(0,1)$,
$$f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1).$$
$$\boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }$$
**验证 $z=1$ 处连续**:左极限 $1-e^{-1}=e^{-1}(e-1)=$ 右极限 ✓
**自检**:$\displaystyle\int_0^1(1-e^{-z})\mathrm dz+\int_1^{+\infty}(e-1)e^{-z}\mathrm dz=\big[1-e^{-1}\big]+(e-1)e^{-1}=e^{-1}+1-e^{-1}=1$ ✓
> **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$),本题分界点就是 $z=1$。
> **易错点**:$0<z<1$ 段的积分上限是 $z$(不是 $1$)——因为 $f_Y(z-x)$ 要求 $z-x>0$。
### 11. 先写联合密度:$f_X(x)=1\ (0<x<1)$,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$,故
$$f(x,y)=\frac1x\quad(0<x<1,\ x<y<2x).$$
**三个期望 + 一个混合矩**:
$$E(Y\mid X=x)=\frac{x+2x}{2}=\frac{3x}{2}\ \Rightarrow\ E(Y)=E\!\left(\frac{3X}{2}\right)=\frac34;$$
$$E(Y^2\mid X=x)=\frac{x^2+2x^2+4x^2}{3}=\frac{7x^2}{3}\ \Rightarrow\ E(Y^2)=\frac79;$$
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\!\left[\frac{3X^2}{2}\right]=\frac{3}{2}\cdot\frac13=\frac12.$$
又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$。于是
$$\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad
\rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.$$
> **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$**;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$。
> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$(均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x<y<2x$ 是最小支撑集,$y$ 的上限含 $x$。
> **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$。
### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$:
$$F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0),$$
$$\boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.$$
> **结论**:独立同分布指数取 **min 仍是指数**,参数**相加**——"最短寿命"是串联系统的招牌性质。
**(Ⅱ)** **并联** $T_2=\max(X,Y)$:
$$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$
用**期望的可加性**($\max+\min=X+Y$):
$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$:
$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
**并联方案达标**(且恰好取等)。
> **思路(最省力的期望算法)**:恒等式 $\max(X,Y)+\min(X,Y)=X+Y$ 两边取期望即可,**不必再做一次积分**。
> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
> **真题骨架**:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为**可靠性工程**情境。
---
## 附 · 出题质量报告
### 一、与既有 19 题的分工(**不重复号、不重复数字**)
| 本章已被 02-试题 覆盖 | 本卷的定位 |
|---|---|
| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$(18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
### 二、真题覆盖(对照 ch17 的 11 题)
| 真题 | 考法 | 对应题 | 说明 |
|---|---|---|---|
| 2016·22 | 均匀域 + 离散化 + 函数分布 | 5 | 同域精神,改为**半圆** |
| 2017·22 | 混合型 $Z=X+Y$ | 1、10 | 离散型(1)+ **卷积**(10) |
| 2018·22 | $Z=XY$ + 协方差 | — | 已由 02-试题 第 9 题覆盖 |
| **2019·8** | **正态差 $\lvert X-Y\rvert$** | **2** | ✅ **本卷重点补** |
| 2019·22 | 离散×连续乘积 + 不相关 + 独立 | 6 | ✅ 完整复刻考法 |
| 2020·22 | 混合正态证明 | — | 已由 02-试题 第 17 题覆盖 |
| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$) |
| 2022·10 / 2024·9 | 条件分布 → 相关系数 | **3、11** | 条件期望(3)+ 相关系数(11) |
| 2023·22 | 圆域 + Cov + 独立 + 函数分布 | 5、7 | 拆到"边缘 + 独立"与"二维正态线性组合" |
| **2025·22** | **复合分布应用建模** | **12** | ✅ **本卷重点补** |
### 三、手法覆盖
离散和分布(1)、正态差(2)、条件密度与条件期望(3、11)、商分布(4)、非矩形域均匀 + 面积比(5)、离散×连续乘积(6)、二维正态线性组合与协方差(7)、**雅可比一一变换 + 菱形支撑集(8)**、**顺序统计量(9)**、**卷积分段(10)**、**min / max 与期望恒等式(12)**。
### 四、相对 02-试题 新填的 5 个缺口
1. 离散型二维函数分布(两离散变量之和的表格题)→ **第 1 题**;
2. $\lvert X-Y\rvert$ 正态差的完整选择题(2019·8)→ **第 2 题**;
3. 条件期望 / 全期望递推 → **第 3、11 题**;
4. 一般二维函数的联合分布(**雅可比 + 支撑集形状**)→ **第 8 题**;
5. 2025·22 式应用建模 → **第 12 题**。
> 仍**未**覆盖(留作三轮):二维离散与连续的混合卷积(需同时用两种全概率)、二维正态的密度形式推导($\rho$ 的实际含义)。
@@ -27,7 +27,9 @@ tags:
| **[[01-考点手册]]** | 本讲全部考点 + 方法库(含**雅可比行列式变换法**) | 学之前/复习时 |
| **[[02-试题]]** | 19 题分层练习(A 基础 / B 中等 / C 拔高),**不含答案** | 限时自测 |
| **[[03-解析]]** | 19 题详解 + 思路 + 易错点 + 真题骨架 | 做完对答案 |
| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(当前:第 2 题 画图定限) | 哪题卡了看哪题 |
| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(第 2 / 4 / 7 题已收) | 哪题卡了看哪题 |
| **[[05-试题-中高难度]]** | **中高难度卷 12 题**(B 中等 7 + C 拔高 5,**无基础题**),独立成卷 | 一轮做完后的强化 |
| **[[06-解析-中高难度]]** | 中高难度卷详解 + 与 02-试题 的分工说明 + 缺口覆盖表 | 做完对答案 |
## 二、训练目标
@@ -50,7 +52,24 @@ tags:
- 🟦 **视频**:第 3 讲 6 个讲次(本文件夹对应目录见 frontmatter)。
- **防过拟合**:试题数字与区域全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
## 五、关联
## 五、平板书写版(PDF)
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
| 文件 | 页数 | 用途 |
|---|---|---|
| `概率论第3讲-试题-答题版.pdf` | 17 | **主用**:19 题逐题留白——A 组每题约半页,B/C 组每题约整页(带浅色虚框与横线格) |
| `概率论第3讲-试题-中高难度-答题版.pdf` | 13 | **强化卷**:12 题全部整页留白(1 封面 + 12 题页) |
| `概率论第3讲-解析-中高难度.pdf` | 9 | 强化卷答案 |
| `概率论第3讲-考点手册.pdf` | 10 | 复习查阅 |
| `概率论第3讲-解析.pdf` | 7 | 第一轮 19 题答案 |
| `概率论第3讲-答疑笔记.pdf` | 9 | 卡壳题逐步答疑 |
> **重新生成**:改完 `.md` 后运行
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第3讲-试题-答题版.pdf --mode answer`
> (去掉 `--mode answer` 即为普通版;留白尺寸在脚本 `pageCss()` 的 `.q-space.half / .full` 处调整。)
## 六、关联
- 上层:[[总览]] · [[README]](每日小练规划)
- 相邻讲次:[[02-数列-加强版]](方法论参考)
@@ -0,0 +1,307 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 考点
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
日期: 2026-10-16
来源: 🟦视频 第5讲(4 讲次) · 🟨真题库第 19 章 · 🟩参考仓库 knowledge/4 + exercise/4、knowledge/3 §切比雪夫
关联: "[[README]] · [[02-试题]] · [[03-解析]] · [[概率论-第3讲-多维随机变量及其分布/01-考点手册]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 考点手册
> **定位**:这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束。真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」,但**几乎年年有选填**,属"低投入、必拿分"板块。
> **用法**:先通读本手册建立框架 → 做 [[02-试题]](16 题,约 70 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
**一句话概括全讲**:**大数定律管「均值稳定」,中心极限定理管「和的分布趋正态」**,而**切比雪夫不等式**是证明前者的工具。
**三条主线(对应视频 4 个讲次)**
| 讲次 | 主题 | 核心产出 |
|---|---|---|
| 01 | 基础知识结构 | 三条条件主线:**独立** · **期望存在** · **方差存在** |
| 02 | 依概率收敛 | 极限的"概率语言" |
| 03 | 大数定律 | 切比雪夫 / 伯努利 / 辛钦 |
| 04 | 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯 + 泊松近似 |
**学习地图(依赖链)**
```
依概率收敛(语言)
│
切比雪夫不等式(工具)───► 大数定律(均值 → 期望)
│
└──────────────► 中心极限定理(和 → 正态)
│
三种近似:正态近似 / 泊松近似
```
> ⚠️ **全讲的三个"开关"**:① 是否**独立**(或两两不相关);② **期望**是否存在;③ **方差**是否存在(辛钦不要求)。绝大多数概念题的答案就藏在这三点里。
---
## 1. 依概率收敛 🟦02 🟩
### 1.1 定义
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$。若对**任意** $\varepsilon>0$,
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
### 1.2 为什么叫"依概率"(与数列极限的区别)
数列极限要求"**从某一项起,每一项都**落在邻域内";依概率收敛只要求"**落在邻域外的概率趋于 0**"——**允许个别项"跑飞",只要它们出现的概率越来越小**。
> **经典反例**(必看):设
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
> 则对任意 $\varepsilon>0$,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
> 即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。
> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
### 1.3 常用推论
- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
- 若 $X_n\overset{P}{\longrightarrow}c$(**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$($g$ 连续);
- 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
---
## 2. 切比雪夫不等式(核心工具)🟨2022·9 🟩
### 2.1 不等式
设随机变量 $X$ 的 $E X=\mu$、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$,
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
**读法**:**方差越小(波动越小),$X$ 就越"集中"在期望附近**;$\varepsilon$ 越大,$\dfrac{\sigma^2}{\varepsilon^2}$ 越小、界越紧。
### 2.2 由来(理解即可,不必背证明)
设 $X$ 连续、密度 $f$,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
两边除以 $\varepsilon^2$ 即得。
### 2.3 常用变形表
| 场景 | 结论 |
|---|---|
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
### 2.4 使用三步
1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(**落在附近 → 下界**),定出 $\varepsilon$;
3. 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
### 2.5 陷阱清单
| 陷阱 | 正确做法 |
|---|---|
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(**对立事件**) |
| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
| 二项方差写成 $np$ | 是 $np(1-p)$ |
---
## 3. 大数定律 🟦03 🟩
### 3.1 共同形式
在满足一定条件下,**样本均值依概率收敛于期望的均值**:
$$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i\qquad(\text{即}\ \bar X\overset{P}{\longrightarrow}E\bar X).$$
> **考法**:大数定律**几乎不考计算**,只考「**定律成立的条件**」与「**结论是否正确**」——即判断某个序列是否满足独立/不相关、期望是否存在、方差是否有界。
### 3.2 切比雪夫大数定律
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$,使 $D X_i\le C$ 对一切 $i$ 成立)。
**结论**:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$。
**证明**(用切比雪夫不等式 + 夹逼):
$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
由**夹逼定理**得结论。$\blacksquare$
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$;再除以 $n^2$ 得 $\dfrac Cn\to0$。
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$(参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
### 3.3 伯努利大数定律
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$(每次概率 $p$,$0<p<1$)发生的次数。
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$。
**证明**:$\mu_n\sim B(n,p)$,$E\!\left(\dfrac{\mu_n}{n}\right)=p$,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$,切比雪夫 + 夹逼即得。
> **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
### 3.4 辛钦大数定律
**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布 → **C**。
(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
### 3.5 三条定律对照(高频辨析)
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
|---|---|---|---|---|
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** |
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
---
## 4. 中心极限定理 🟦04 🟨2020·8 🟩
### 4.1 共同形式
若 $X_i$ 独立同分布(或"近似"),则**和**的分布趋于正态:
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \text{充分大}).$$
> **与两大数定律的分工**:大数定律说"**均值趋于常数**",中心极限定理说"**围绕该常数的波动趋于正态**"——后者信息更细。
> **实用门槛**:$n$ 一般 **≥ 30**(若接近对称,$n\ge10$ 也可)即可使用。
### 4.2 列维–林德伯格定理(独立同分布版)
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$、$D X_i=\sigma^2>0$(**存在**)。
**结论**:对任意实数 $x$,
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
即
$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad \sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2).$$
### 4.3 棣莫弗–拉普拉斯定理(二项版)
**条件**:$Y_n\sim B(n,p)$($0<p<1$)。
**结论**:
$$\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_n\ \overset{\text{近似}}{\sim}\ N\big(np,\ np(1-p)\big).$$
> 即**二项分布的正态近似**:$n$ 大、且 $np$ 与 $n(1-p)$ 都不太小时使用。
### 4.4 标准化四步模板(考场流程)
1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
### 4.5 例题(🟩 仓库)
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
设第 $i$ 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
---
## 5. 三种「近似」辨析(正态近似 / 泊松近似)🟨2025·9
二项分布 $B(n,p)$ 有**两种**近似,**用哪个取决于 $p$ 的大小**:
| 近似 | 适用条件 | 结果 | 典型题 |
|---|---|---|---|
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
| **泊松近似** | $n$ 大,$p$ **很小**($np=\lambda$ 适中) | $Y_n\approx P(\lambda),\ \lambda=np$ | 🟨2025·9 |
**判别口诀**:**"$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。"**
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 $P\{T\le1\}$ 的近似值。
$T\sim B(300,0.01)$,$p$ 很小,取 $\lambda=np=3$,$T\approx P(3)$:
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$。
---
## 6. 十年真题落点地图(🟨 第 19 章 3 题)
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|---|---|---|---|---|
| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
> **规律**:本讲**只出选填**(4–5 分),十年 3 题全部是**单选**,且**每 4–5 年一轮**(2020、2022、2025)。属于"**背条件 + 套模板**"就能拿分的题型。
---
## 7. 速查卡 · 陷阱清单
### 7.1 速记八条
1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,**只给界不给精确值**;
4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
5. **伯努利大数定律** = "频率稳定于概率";
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
8. **大数定律考条件、中心极限定理考计算**。
### 7.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 $1-$ |
| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$(不是 $n$ 也不是 $p$) |
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$,标准差是 $\sqrt n\,\sigma$ |
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
---
> **下一步**:开做 [[02-试题]](16 题,约 70 分钟)。做完对 [[03-解析]],错题回挂 [[做题本]]。
@@ -0,0 +1,97 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 切比雪夫不等式
- 试题
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 试题(16 题)
日期: 2026-10-16
题量: 16 题(A 基础 6 / B 中等 6 / C 拔高 4)
建议用时: 70 分钟(可拆两天)
关联: "[[01-考点手册]] · [[03-解析]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 试题
> **用法**:先过 [[01-考点手册]],再限时 70 分钟做本卷,最后对 [[03-解析]]。
> **来源记号**:🟨 真题库第 19 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字全部原创**,做完可直接回刷真题原题。
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
---
## A 组 · 基础(直接套用,★☆☆)
**1.** 【依概率收敛】设随机变量序列 $\{X_n\}$ 满足
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;
(Ⅱ)求 $E X_n$,并说明它是否收敛于 $0$。由此可得什么结论?
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$,$D X=2$。用切比雪夫不等式估计:
(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
**5.** 【辛钦大数定律的条件】设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$,$D X_i=4$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
## B 组 · 中等(多步计算,★★☆)
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$,$E X_1^2=1$,$E X_1^4=5$。令 $Y_i=X_i^2$。
(Ⅰ)求 $E Y_i$ 与 $D Y_i$;
(Ⅱ)用切比雪夫不等式估计 $P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}$ 的上界。
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$,$D X=9$。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
用切比雪夫不等式估计 $n$ **至少**应取多少。
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$,令 $T=\sum\limits_{i=1}^{300}X_i$。利用泊松近似求 $P\{T\le1\}$ 的近似值。
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$,$D X=D Y=1$,相关系数 $\rho_{XY}=\dfrac12$。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
## C 组 · 拔高(综合与证明,★★★)
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$)。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
(A)$X_1,\dfrac12X_2,\cdots,\dfrac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$
(C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$。证明:对任意 $\varepsilon>0$,
$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
**15.** 【中心极限定理 · 反解 $n$】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$。($\Phi(1.645)=0.95$)
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2\in(0,+\infty)$,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$;
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$;
(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
---
> **做完对答案** → [[03-解析]]。
@@ -0,0 +1,327 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- 解析
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 解析(16 题)
日期: 2026-10-16
关联: "[[02-试题]] · [[01-考点手册]]"
---
# 概率论 第5讲 · 大数定律与中心极限定理 · 解析
> 对应 [[02-试题]]。每题给「**答案 / 思路 / 易错点 / 真题骨架**」。
**核心公式(贴在眼前)**
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad \frac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1),\qquad Y_n\sim B(n,p)\Rightarrow Y_n\approx N\!\big(np,\,np(1-p)\big).$$
---
## A 组 · 基础
### 第 1 题
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$,**依概率收敛 ⇏ 期望收敛**。
**思路**:
(Ⅰ)对任意 $\varepsilon>0$,取 $n>\dfrac1\varepsilon$,则 $\dfrac1n<\varepsilon$。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$),故
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
所以 $X_n\overset{P}{\longrightarrow}0$。
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
**结论**:**依概率收敛不能推出期望收敛**。(一般地,需要"一致可积"或"有界"等额外条件。)
**易错点**:不要因为 $P\{X_n=n\}=\frac1n$ 很小就忽略它——**期望是"值 × 概率"**,$n\cdot\frac1n=1$ 恰好贡献了一个常数,这正是反例的精妙处。
---
### 第 2 题
**答案**:(Ⅰ)$\le\dfrac18$;(Ⅱ)$\ge\dfrac78$。
**思路**:$\varepsilon=4$,
$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
**易错点**:**方向**——"$\ge$"用上界 $\frac{DX}{\varepsilon^2}$;"$<$"用 $1-\frac{DX}{\varepsilon^2}$(对立事件)。
---
### 第 3 题
**答案**:$\ge0.9$。
**思路**:$E X=np=500$,$D X=np(1-p)=1000\times0.25=250$。
$450<X<550\iff\lvert X-500\rvert<50$,取 $\varepsilon=50$:
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
**易错点**:二项方差是 $np(1-p)=250$,**不是** $np=500$。
---
### 第 4 题
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$。
**思路**:各次投掷**相互独立**;$X_i$ **同分布**(都在 $\{1,2,\cdots,6\}$ 上等可能);期望
$$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$。
**易错点**:骰子的期望是 $3.5$(**不是** $3$ 或 $4$);本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
---
### 第 5 题
**答案**:**C**。
**思路**:辛钦大数定律的三个条件——**相互独立**、**同分布**、**期望存在**。题干已给"相互独立",只需再满足"同分布 + 期望存在"。
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$、一个取 $\pm2$),✗;
- (B)(D)只说"同一**类型**分布"(离散型/连续型 ≠ 同一个分布),且**不保证期望存在**(如柯西分布连续但期望不存在),✗;
- (C)**同一泊松分布**:既同分布,期望 $=\lambda$ 又存在,✓。
**易错点**:「同一**类型**分布」≠「**同一个**分布」——这是本题最核心的文字陷阱。
---
### 第 6 题
**答案**:$\approx\Phi(1)$。
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$,$D\!\left(\sum X_i\right)=100\times4=400$,标准差 $=\sqrt{400}=20$。由中心极限定理
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$(不是 $n\sigma^2=400$,也不是 $\sigma^2=4$)——标准化时除的是**标准差**。
---
## B 组 · 中等
### 第 7 题 【真题骨架 2022·9】
**答案**:(Ⅰ)$E Y_i=1$,$D Y_i=4$;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$。
**思路**:
(Ⅰ)$E Y_i=E X_i^2=1$;
$$D Y_i=E Y_i^2-(E Y_i)^2=E X_i^4-1^2=5-1=4 .$$
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
由切比雪夫不等式
$$P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}\le\frac{D\bar Y}{\varepsilon^2}=\frac{4}{n\varepsilon^2}.$$
**易错点**:
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$;
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$,用到**四阶矩** $\mu_4=5$。
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$)。
---
### 第 8 题
**答案**:$n\ge90$。
**思路**:$E\bar X=20$,$D\bar X=\dfrac{D X}{n}=\dfrac9n$。要求"落在附近",取下界:
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightarrow\ \frac9n\le0.1\ \Longrightarrow\ n\ge90 .$$
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$(**不是** $9$);"至少"故**向上取整**(本题恰为整数 $90$)。
---
### 第 9 题
**答案**:最多装 **99** 件。
**思路**:设第 $i$ 件重量 $X_i$,$E X_i=10$,$D X_i=0.25$。记 $T_n=\sum_{i=1}^nX_i$。由中心极限定理
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
解不等式:令 $t=\sqrt n$,得 $10t^2+t-1000\le0$,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$,故 $n\le99.0$,即**最多 99 件**。
**验证**:$n=99$:$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$:$\dfrac{0}{5}=0$ ✗。
**易错点**:
- 标准差是 $\sqrt{n}\cdot0.5$,**不是** $n\cdot0.5$;方差是 $n\cdot0.25$;
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$,方向别反;
- 答案是"最多"故**向下取整**($99$,不是 $100$)。
---
### 第 10 题 【真题骨架 2020·8】
**答案**:$\approx\Phi(1)$。
**思路**:$\sum X_i\sim B(400,0.5)$,$E=400\times0.5=200$,$D=400\times0.5\times0.5=100$,标准差 $=10$。由棣莫弗–拉普拉斯定理
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
**易错点**:二项的正态近似用**二项自己的期望方差**($np$、$np(1-p)$),不要另算。
**真题**:2020·8(单选 4 分)结构完全一致($n=100$、阈值 $55$,答案 $\Phi(1)$)。
---
### 第 11 题 【真题骨架 2025·9】
**答案**:$\approx4e^{-3}\approx0.199$。
**思路**:$T\sim B(300,0.01)$。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$,$T\approx P(3)$:
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
**易错点**:$\lambda=np=300\times0.01=3$(**不是** $n=300$,也**不是** $p=0.01$);$P\{T\le1\}$ 是"$0$ 或 $1$",别只算一项。
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$,答案 $3e^{-2}$,即选项 C)。
---
### 第 12 题
**答案**:$\le\dfrac{1}{16}$。
**思路**:令 $Z=X-Y$。由 $E X=E Y$ 得 $E Z=0$。
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
取 $\varepsilon=4$:
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
**易错点**:
- 方差**不能**直接相加($DX+DY=2$),必须**减去** $2\operatorname{Cov}$;
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$,分母是**标准差之积**。
---
## C 组 · 拔高
### 第 13 题
**答案**:**D**。
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$(存在),$D X_n=\dfrac1{n^2}$。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|---|---|---|---|
| A | $\dfrac1nX_n$ | $\dfrac{1}{n^2}\cdot\dfrac1{n^2}=\dfrac{1}{n^4}$ | ✓ $\le1$ |
| B | $X_n$ | $\dfrac1{n^2}$ | ✓ $\le1$ |
| C | $nX_n$ | $n^2\cdot\dfrac1{n^2}=1$ | ✓ $=1$ |
| D | $n^2X_n$ | $n^4\cdot\dfrac1{n^2}=n^2$ | ✗ $\to\infty$ |
**故 D 不服从切比雪夫大数定律。**
**易错点**:$D(aX_n)=a^2D X_n$——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$(发散)。这是本类题的标准设计手法。
---
### 第 14 题 【切比雪夫大数定律】
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$):
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
对 $\bar X$ 用切比雪夫不等式:
$$P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum E X_i\right\rvert\ge\varepsilon\right\}=P\{\lvert\bar X-E\bar X\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0 .\qquad\blacksquare$$
**要点**:
1. **「两两不相关」是用来消协方差项的**——没有它,$\sum DX_i$ 这一步不成立;
2. 「方差有界」保证 $\dfrac Cn\to0$,这就是"**平均值稳定**"的来源;
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$(比独立弱),但**已足够**。
---
### 第 15 题
**答案**:$n_{\min}=102$。
**思路**:由中心极限定理
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(100n,\ 100n),\qquad \sqrt{D}=10\sqrt n .$$
要求
$$P\left\{\sum_{i=1}^nX_i\ge10000\right\}\approx1-\Phi\!\left(\frac{10000-100n}{10\sqrt n}\right)\ge0.95 .$$
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$,故
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
令 $t=\sqrt n$:$100t^2-16.45t-10000\ge0$,解得
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
故 $n_{\min}=102$。
**验证**:$n=101$:$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$:$z\approx-1.98\le-1.645$ ✓。
**易错点**:
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$,**不要**错写成 $\Phi$;
- $\Phi(z)\le0.05\iff z\le-1.645$(**负号**易漏);
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$,**不是** $\sigma n$。
---
### 第 16 题 【综合辨析】
**答案**:
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$,由切比雪夫不等式
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
即 $\bar X\overset{P}{\longrightarrow}\mu$。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$,故
$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$,$\Phi\to1$,故该概率 $\to1$。
(Ⅲ)**中心极限定理更精确**:
- **(Ⅱ)**利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
- **(Ⅰ)**只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$(**除以标准差 $\sigma$**,不是 $\sigma^2$)。
---
## 命题质量报告
### 一、考点覆盖
| 考点 | 题号 | 覆盖 |
|---|---|---|
| 依概率收敛的定义与反例 | 1 | ✅ |
| 切比雪夫不等式:直接套 + 方向 | 2 | ✅ |
| 切比雪夫不等式:二项分布 | 3 | ✅ |
| 辛钦大数定律:应用(求极限值) | 4 | ✅ |
| 辛钦大数定律:**条件辨析** | 5 | ✅ |
| 中心极限定理:iid 求和标准化 | 6 | ✅ |
| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
| 反解样本量 $n$(切比雪夫) | 8 | ✅ |
| 中心极限定理:应用建模(装箱) | 9 | ✅ |
| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
| **2025·9 骨架**(泊松近似) | 11 | ✅ |
| 切比雪夫 + 协方差($Z=X-Y$) | 12 | ✅ |
| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
| 切比雪夫大数定律:**证明** | 14 | ✅ |
| 中心极限定理:反解 $n$ | 15 | ✅ |
| 切比雪夫 vs 中心极限定理:精度/条件对比 | 16 | ✅ |
### 二、难度与用时
| 组 | 题量 | 难度 | 建议用时 |
|---|---|---|---|
| A 基础 | 6(1–6) | ★☆☆ | 22 分钟 |
| B 中等 | 6(7–12) | ★★☆ | 28 分钟 |
| C 拔高 | 4(13–16) | ★★★ | 20 分钟 |
| **合计** | **16** | | **70 分钟** |
### 三、真题使用情况
- **骨架题**:
- 第 7 题 ← **2022·9**(单选 5 分,「大数定律(切比雪夫不等式)」),数字原创;
- 第 10 题 ← **2020·8**(单选 4 分,「中心极限定理」),数字原创;
- 第 11 题 ← **2025·9**(单选 5 分,「泊松近似(二项分布)」),数字原创。
- **仓库例题改编**:第 4、5、9、13 题(`knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫`)。
- **本章十年 3 题全覆盖**(2020·8、2022·9、2025·9)。
### 四、仍未覆盖方向(诚实列出)
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$)——考研几乎不单独考;
2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
@@ -0,0 +1,72 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 大数定律
- 中心极限定理
- MOC
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
日期: 2026-10-16
状态: 已出(考点 + 试题 + 解析 三件分离)
对应视频:
- 01 一、基础知识结构
- 02 二、依概率收敛
- 03 三、大数定律
- 04 四、中心极限定理
---
# 概率论 第5讲 · 大数定律与中心极限定理
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
## 一、本文件夹文件
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 全考点:依概率收敛 / **切比雪夫不等式** / 三大数定律 / 两大中心极限定理 / 泊松近似 | 学之前/复习时 |
| **[[02-试题]]** | 16 题分层练习(A 基础 6 / B 中等 6 / C 拔高 4),**不含答案** | 限时自测 |
| **[[03-解析]]** | 16 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
## 二、训练目标
- 真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」但**几乎年年有选填**。
- 这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束:**大数定律管"均值稳定",中心极限定理管"和趋正态"**。
- 三个"开关"贯穿全讲:**是否独立** · **期望是否存在** · **方差是否存在**。
## 三、难度与用时
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|---|---|---|---|---|
| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
| B 中等 | 6(7–12) | 多步计算 | 28 分钟 | ★★☆ |
| C 拔高 | 4(13–16) | 条件辨析与证明 | 20 分钟 | ★★★ |
| **合计** | **16** | | **约 70 分钟** | 可拆两天 |
## 四、命题依据与来源记号
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 19 章(2020·8、2022·9、2025·9,**十年仅此 3 题,全为单选**)。
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/4` 大数定律与中心极限定理、`exercise/4`、`knowledge/3 §切比雪夫不等式`)。
- 🟦 **视频**:第 5 讲 4 个讲次(见 frontmatter)。
- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
## 五、平板书写版(PDF)
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
| 文件 | 页数 | 用途 |
|---|---|---|
| `概率论第5讲-试题-答题版.pdf` | 14 | **主用**:16 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
| `概率论第5讲-解析.pdf` | 9 | 答案与详解 |
| `概率论第5讲-考点手册.pdf` | 8 | 复习查阅 |
> **重新生成**:改完 `.md` 后运行
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第5讲-试题-答题版.pdf --mode answer`
> (去掉 `--mode answer` 即为普通版。)
## 六、关联
- 上层:[[总览]]
- 相邻讲次:[[概率论-第3讲-多维随机变量及其分布/README]](多维随机变量)
- 后续:数字特征(第 4 讲)、数理统计(第 6 讲起)
- 错题:[[做题本]]
@@ -0,0 +1,583 @@
---
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,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
| §5 | 假设检验(六大检验与拒绝域,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 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)**
$$\boxed{\begin{aligned}
&\text{①}\quad \bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\\[6pt]
&\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\\[6pt]
&\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\\[6pt]
&\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知})
\end{aligned}}$$
> **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」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$。
---
## 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 $f=\dfrac{\theta x^{\theta-1}}{\ }$($0<x<1,\theta>0$) | $\theta x^{\theta-1}$ | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
> **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 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$。
### 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)。
---
## 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。
### 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。
### 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。
---
## 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
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
### 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。
---
## 8. 速查卡 · 陷阱清单
### 8.1 速记十二条
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。**
### 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 $u_\alpha$、$t_\alpha(n-1)$ |
---
> **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)。
@@ -0,0 +1,189 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 参数估计
- 假设检验
- 试题
专题: 概率论 第6讲 · 数理统计 · 试题(18 题)
日期: 2026-10-16
题量: 18 题(A 基础 6 / B 中等 8 / C 拔高 4)
建议用时: 80 分钟(可拆两天)
关联: "[[01-考点手册]] · [[03-解析]]"
---
# 概率论 第6讲 · 数理统计 · 试题
> **用法**:先过 [[01-考点手册]],再限时 80 分钟做本卷,最后对 [[03-解析]]。
> **来源记号**:🟨 真题库第 20/21/22 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题**同结构不同数字**,做完可直接回刷真题原题。
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
---
## A 组 · 基础(直接套用,★☆☆,约 22 分钟)
**1.** 【统计量与常用统计量】设总体 $X$ 的一组样本观测值为
$$2,\quad3,\quad5,\quad6,\quad9 .$$
(Ⅰ)求样本均值 $\bar X$、样本方差 $S^2$、样本二阶中心矩 $B_2$;
(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$;$\ S^2$;$\ X_1+X_2-\mu$;$\ \max\{X_1,\cdots,X_5\}$;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$。
**2.** 【三大分布辨析与构造】设 $X_1,X_2,\cdots,X_6$ 为来自总体 $N(0,4)$ 的简单随机样本。判断下列统计量各服从什么分布(写出名称与自由度);**不服从三大分布的,请说明理由**:
(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$;
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$;
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$;
(Ⅳ)$Y_4=2(X_1-X_2)^2$。
**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$、$S^2$ 为样本均值与样本方差。
(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;
(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$。
**4.** 【矩估计】设总体 $X$ 的分布律为
$$P\{X=-1\}=2\theta,\qquad P\{X=0\}=\theta,\qquad P\{X=1\}=1-3\theta,\qquad 0<\theta<\frac13 .$$
$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$。
**5.** 【极大似然估计】设总体 $X$ 的概率密度为
$$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&0<x<1\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知})$$
$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$。
**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$,$DX=\sigma^2$。求常数 $k$,使
$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
为 $\sigma^2$ 的**无偏估计量**。
---
## B 组 · 中等(多步计算,★★☆,约 34 分钟)
**7.** 【拉普拉斯分布 · MLE + 数字特征】🟨**真题骨架 2018·23** 设总体 $X$ 的概率密度为
$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$。
(Ⅰ)求 $\hat\lambda$;
(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
**8.** 【次序统计量 · 最大值分布 + 无偏】🟨**真题骨架 2016·23** 设总体 $X$ 的概率密度为
$$f(x;\theta)=\begin{cases}\dfrac{2x}{\theta^2},&0<x<\theta\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知}),$$
$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$。
(Ⅰ)求 $T$ 的概率密度 $f_T(x)$;
(Ⅱ)确定常数 $a$,使 $aT$ 为 $\theta$ 的无偏估计。
**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$。
(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$,$u_{0.05}=1.645$);
(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$)。
**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$。检验
$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
显著性水平为 $\alpha$,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
(Ⅰ)写出该检验的拒绝域;
(Ⅱ)若 $n=12$,$\alpha=0.05$,$Z_{0.05}=1.645$,求拒绝域的临界值 $c$。
**11.** 【两类错误】🟨**真题骨架 2021·10** 设 $X_1,\cdots,X_{25}$ 为来自总体 $N(\mu,9)$ 的简单随机样本,考虑检验问题
$$H_0:\mu\le5,\qquad H_1:\mu>5,$$
取拒绝域 $W=\{\bar X\ge6\}$,$\Phi(x)$ 为标准正态分布函数。
(Ⅰ)求犯**第一类错误**的概率(用 $\Phi$ 表示);
(Ⅱ)求当 $\mu=6.6$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$($EX=\mu$,$DX=\sigma^2$)的简单随机样本,考虑 $\mu$ 的三个估计量
$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
(Ⅰ)验证三个估计量都是 $\mu$ 的无偏估计;
(Ⅱ)比较它们的有效性,指出哪一个最有效。
**13.** 【两样本泊松 · MLE】🟨**真题骨架 2022·22** 设 $X_1,\cdots,X_5$ 来自参数为 $\lambda$ 的泊松分布,$Y_1,\cdots,Y_4$ 来自参数为 $2\lambda$ 的泊松分布,两组样本**相互独立**,$\lambda>0$ 未知。测得观测值
$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$;
(Ⅱ)写出 $D(\hat\lambda)$ 的表达式。
**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$,两样本**相互独立**,$S_1^2$、$S_2^2$ 分别为两样本的样本方差。求常数 $c$,使
$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
并写出该 $F$ 分布的两个自由度。
---
## C 组 · 拔高(综合与建模,★★★,约 24 分钟)
**15.** 【半正态分布 · 求常数 + MLE】🟨**真题骨架 2019·23** 设总体 $X$ 的概率密度为
$$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}},&x\ge\mu\\[4pt]0,&x<\mu\end{cases}$$
其中 $\mu$ **已知**,$\sigma>0$ 未知,$A$ 为常数,$X_1,\cdots,X_n$ 为简单随机样本。
(Ⅰ)求 $A$;
(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
**16.** 【威布尔分布 · 无记忆性 + MLE】🟨**真题骨架 2020·23** 设某元件使用寿命 $T$ 的分布函数为
$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$;
(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$。
**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$,构造 $T_c=cX_{(n)}$($c>0$)。
(Ⅰ)求 $c$,使 $T_c$ 为 $\theta$ 的**无偏估计**;
(Ⅱ)记 $h(c)=E(T_c-\theta)^2$,求 $c$,使 $h(c)$ **最小**。
**18.** 【假设检验概念综合】🟨**真题骨架 2018·8** 设 $X_1,\cdots,X_n$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma$ 已知,检验
$$H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,$$
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$。
(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$;
(C)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
(D)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$。
(Ⅱ)若 $n=16$,$\sigma=2$,取 $\alpha=0.05$($u_{0.025}=1.96$),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
---
> **做完后**:对 [[03-解析]] 逐题复盘;错题回挂 [[做题本]];方法不熟的地方回查 [[01-考点手册]] 对应小节。
@@ -0,0 +1,561 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 解析
专题: 概率论 第6讲 · 数理统计 · 解析(18 题)
日期: 2026-10-16
关联: "[[01-考点手册]] · [[02-试题]]"
---
# 概率论 第6讲 · 数理统计 · 解析
> **用法**:先做完 [[02-试题]] 再对答案。每题给「**答案 / 思路 / 易错点**」,标「真题骨架」的题注明对应真题。
---
## A 组 · 基础
### 第 1 题 · 统计量与常用统计量
**(Ⅰ)答案**:$\bar X=5$,$S^2=7.5$,$B_2=6$。
**思路**:
$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$。
$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$、$\max$ 是统计量**;其余三个($\bar X+\mu$、$X_1+X_2-\mu$、$\sum(X_i-\mu)^2$)**不是**。
**易错点**:
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
- $S^2$ 虽然含 $\bar X$,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
---
### 第 2 题 · 三大分布辨析与构造
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$。
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$。六个独立相加:
$$Y_1=\sum_{i=1}^{6}\left(\frac{X_i}{2}\right)^2\sim\chi^2(6).$$
**(Ⅱ)答案**:$Y_2\sim\chi^2(1)$。
**思路**:$X_1+X_2+X_3\sim N(0,\ 4+4+4)=N(0,12)$,标准化后平方:
$$Y_2=\frac{(X_1+X_2+X_3)^2}{12}=\left(\frac{X_1+X_2+X_3}{\sqrt{12}}\right)^2\sim\chi^2(1).$$
**(Ⅲ)答案**:$Y_3\sim t(3)$。
**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$;
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$;
$$\frac{X_1/2}{\sqrt{\dfrac{1}{3}\cdot\dfrac{X_2^2+X_3^2+X_4^2}{4}}}=\frac{X_1/2}{\sqrt{X_2^2+X_3^2+X_4^2}/\sqrt{12}}=\frac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}\sim t(3).$$
**(Ⅳ)答案**:**不服从三大分布**。
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$,但
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$)。
**易错点**:
- ⚠️ **系数错一点就不是 $\chi^2$**。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$,同样不服从)。
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$、分母是 $X_2,X_3,X_4$,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$,就不独立,不能用。
---
### 第 3 题 · 样本均值与样本方差的数字特征
**(Ⅰ)答案**:$E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$ES^2=\sigma^2$。
**思路**:
$$E\bar X=\frac1n\sum EX_i=\frac1n\cdot n\mu=\mu;$$
$$D\bar X=\frac{1}{n^2}\sum DX_i=\frac{1}{n^2}\cdot n\sigma^2=\frac{\sigma^2}{n}\quad(\text{独立才可加});$$
$ES^2$ 的关键是**先化简再取期望**:
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2,$$
$$E\!\left[\sum X_i^2\right]=n(\sigma^2+\mu^2),\qquad E\bar X^2=D\bar X+(E\bar X)^2=\frac{\sigma^2}{n}+\mu^2,$$
$$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2\ \Longrightarrow\ ES^2=\sigma^2 .$$
**(Ⅱ)答案**:因为 $\dfrac1n\sum(X_i-\bar X)^2$ 是**有偏**的。
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$)。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
**易错点**:
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$,**不是** $\sigma^2$——这是第 5 讲切比雪夫不等式反复用到的结论。
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$(求 $E$ 时用)。
- **"$n-1$ 是为了无偏"**这句话要能自己推(面试式追问)。
---
### 第 4 题 · 矩估计
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$。
**思路**:先求**总体一阶矩**(含 $\theta$):
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
用样本一阶矩替换:$1-5\theta=\bar X$,解得
$$\hat\theta=\frac{1-\bar X}{5}.$$
**易错点**:
- 先**验证概率和为 1**:$2\theta+\theta+(1-3\theta)=1$ ✓(题目给了 $0<\theta<1/3$ 保证非负)。
- **只用一个参数 → 只用一阶矩**,别多此一举用二阶矩。
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
---
### 第 5 题 · 极大似然估计
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$。
**思路**:
$$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\theta-1},\qquad \ln L(\theta)=n\ln\theta+(\theta-1)\sum_{i=1}^{n}\ln x_i .$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
**易错点**:
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$** ✓,解是合法的。可以顺手做这个**正性检验**。
- 支撑集 $0<x<1$ **不含 $\theta$**,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$——**结构相同,常数差 1**,注意区分。
---
### 第 6 题 · 无偏性定常数 🟩
**答案**:$k=\dfrac{1}{2(n-1)}$。
**思路**:关键是算 $E(X_{i+1}-X_i)^2$。用"**方差 + 均值差平方**":
$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
($X_{i+1}$ 与 $X_i$ 独立,方差可加;同分布 ⟹ 均值之差为 0。)
于是
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
**易错点**:
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$**。
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
---
## B 组 · 中等
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
**思路**:
$$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert}{\lambda}}=\Big(\frac{1}{2\lambda}\Big)^n\exp\!\Big(-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert\Big),$$
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
**(Ⅱ)答案**:$E\hat\lambda=\lambda$,$D\hat\lambda=\dfrac{\lambda^2}{n}$。
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$,由对称性可得
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$、$D\lvert X_i\rvert=\lambda^2$。于是
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
**易错点**:
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$,与本题无关。要求的是**绝对值的期望**。
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$,**记得乘 $\frac{1}{n^2}$**。
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$),可直接回刷真题。
---
### 第 8 题 · 次序统计量 · 最大值分布 + 无偏 🟨真题骨架 2016·23
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$(其他为 0)。
**思路**:先求**分布函数**。
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$,求导:
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
**(Ⅱ)答案**:$a=\dfrac76$。
**思路**:
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
令 $E(aT)=a\cdot\dfrac67\theta=\theta$,得 $a=\dfrac76$。
**易错点**:
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$,本题 $n=3$,$f=2x/\theta^2$,$[F]^2=x^4/\theta^4$,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
- 若总体的 $F(x)=(x/\theta)^k$,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
---
### 第 9 题 · 区间估计 🟨真题骨架 2016·14
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$;单侧置信上限 $13.1225$。
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$。
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$。
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
**单侧上限**:**改用 $u_\alpha$(不是 $u_{\alpha/2}$)**,半宽 $=1.645\times0.5=0.8225$,
$$\bar\mu=12.3+0.8225=13.1225 .$$
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$。
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$,枢轴量变 $t(n-1)$:
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
**易错点**:
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$(本例 1.96),单侧用 $u_\alpha$(1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
- ⚠️ **$\sigma$ 已知用 $U$、未知用 $t$**——审题第一件事就是看 $\sigma$ 给没给。
- 💡 **对称性技巧(真题 2016·14 的考点)**:均值的双侧区间关于 $\bar X$ 对称,所以
$$\text{下限}+\text{上限}=2\bar X .$$
真题只给了 $\bar X=9.5$ 和上限 $10.8$,让你反求下限:$2\times9.5-10.8=8.2$,答案 $[8.2,10.8]$。**区间估计里唯一"送分"的公式,务必记住。**
---
### 第 10 题 · 假设检验拒绝域 🟨真题骨架 2025·10
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$。
**思路**:$\sigma^2=3$ 已知 ⟹ 取检验统计量
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}=\frac{\bar X-2}{\sqrt{3}/\sqrt n}\sim N(0,1)\quad(H_0\ \text{边界处}).$$
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$,即
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
**(Ⅱ)答案**:$c=2.8225$。
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$,
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
**易错点**:
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$**。**不要把方差当标准差代进分母**——这是本题最大的坑。
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$"就放右尾($\ge$);$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$"。
- **单侧用 $Z_\alpha$**(不是 $Z_{\alpha/2}$)。若改成 $H_1:\mu\ne2$,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$。
---
### 第 11 题 · 两类错误 🟨真题骨架 2021·10
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$。
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$,即标准差 $\dfrac35=0.6$。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
**(Ⅱ)答案**:$\beta=1-\Phi(1)$。
**思路**:第二类错误在 $H_1$ 下的**具体真值** $\mu=6.6$ 处计算,用**接受域**($W$ 的补集):
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
**易错点**:
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$(边界),$\beta$ 用 $\mu=\mu_1$(真值)。这是两类错误的**根本区别**。
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$,得 $\beta=1-\Phi(1)$),可直接回刷。
---
### 第 12 题 · 无偏性与有效性
**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$,**只要系数和 $\sum a_i=1$ 就无偏**:
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
**(Ⅱ)答案**:$\hat\theta_1$ 最有效。
**思路**:三者都无偏,比较方差(独立性使方差可加):
$$D\hat\theta_1=\Big(\tfrac19+\tfrac19+\tfrac19\Big)\sigma^2=\frac{\sigma^2}{3}\approx0.333\,\sigma^2;$$
$$D\hat\theta_2=\Big(\tfrac14+\tfrac19+\tfrac1{36}\Big)\sigma^2=\frac{9+4+1}{36}\sigma^2=\frac{14}{36}\sigma^2=\frac{7}{18}\sigma^2\approx0.389\,\sigma^2;$$
$$D\hat\theta_3=\Big(\tfrac14+\tfrac14\Big)\sigma^2=\frac{\sigma^2}{2}=0.5\,\sigma^2 .$$
$$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
**易错点**:
- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
- 直觉:**系数越"平均"(越接近 $\frac1n$),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
---
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$。
**思路**:**两个样本要放在同一个似然函数里**。
$$L(\lambda)=\prod_{i=1}^{n}\frac{\lambda^{x_i}}{x_i!}\mathrm e^{-\lambda}\cdot\prod_{j=1}^{m}\frac{(2\lambda)^{y_j}}{y_j!}\mathrm e^{-2\lambda},$$
$$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\lambda)-2m\lambda+\text{常数}.$$
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
代入:$n=5$,$m=4$,$\sum x_i=3+2+4+1+5=15$,$\sum y_j=5+3+7+9=24$,
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$。
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$;两者独立故方差可加:
$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
**易错点**:
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$** 的两个来源,必须合并。
- ⚠️ **$Y$ 组的分母是 $n+2m$**(不是 $n+m$):因为 $Y$ 的均值是 $2\lambda$,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
- 若把 $Y$ 的分布参数换成 $k\lambda$,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$,$D\hat\lambda=\dfrac{\lambda}{n+km}$——**这是本题的一般式**。
---
### 第 14 题 · 两正态总体方差比 · $F$ 分布 🟨真题骨架 2023·9
**答案**:$c=3$,自由度为 $(m-1,\ n-1)$。
**思路**:**"拼 $F$"的两步——先各去方差,再除自由度**。
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
且两者独立。按 $F$ 的定义(各自除以自由度后相除):
$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
所以 $c=3$。
**易错点**:
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$)时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$。
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$,分母是 $Y$ 组的 $n-1$。
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$,则由倒数性质 $c'=\dfrac13$。
---
## C 组 · 拔高
### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$。
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$。令 $t=\dfrac{x-\mu}{\sigma}$($\mathrm dx=\sigma\,\mathrm dt$):
$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
**思路**:似然函数(注意支撑集 $x_i\ge\mu$)
$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
**令 $v=\sigma^2$**(对 $\sigma$ 求导会出现平方根,**换元更省事**):
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
解得 $v=\dfrac1n\sum(X_i-\mu)^2$,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
**易错点**:
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$)。
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$)**能避开根号运算——**这是本类题的一个通用技巧**。
- 结果里是 **$n$ 而不是 $n-1$**(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
---
### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$。
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$。再用条件概率:
$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$。
**思路**:先求密度(对 $F$ 求导):
$$f(t)=F'(t)=\frac{m}{\theta^m}t^{m-1}\mathrm e^{-t^m/\theta^m}\quad(t>0).$$
$$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}^{n}t_i^m,$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
**易错点**:
- ⚠️ **别忘了"先由 $F$ 求 $f$"这一步**——题目给的是分布函数,似然函数要用密度。
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$,**符号与幂次都容易错**。
- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
---
### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$。
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$。
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$,
$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
**(Ⅰ)无偏**:
$$E(T_c)=c\cdot\frac{n}{n+1}\theta\overset{!}{=}\theta\ \Longrightarrow\ c=\frac{n+1}{n}.$$
**(Ⅱ)最小 MSE**:把 $h(c)$ 展开成 $c$ 的**二次函数**:
$$h(c)=E(T_c-\theta)^2=c^2EX_{(n)}^2-2c\theta\,EX_{(n)}+\theta^2=c^2\cdot\frac{n\theta^2}{n+2}-2c\cdot\frac{n\theta^2}{n+1}+\theta^2 .$$
对 $c$ 求导:
$$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightarrow\ c=\frac{n+2}{n+1}.$$
**易错点**:
- ⚠️ **两个 $c$ 不相等,且最小 MSE 的 $c$ 更小**。比较大小(交叉相乘,两边同乘正数 $n(n+1)$ 不变号):
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$。
这不矛盾:**有偏估计只要偏差足够小,就能把方差压得更低,使总 MSE 更小**——这就是"**无偏 ≠ 最优**"的经典例证($c=\frac{n+2}{n+1}$ 时估计量是有偏的,但 MSE 反而比无偏的那一个更小)。
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$),**不能**用 $(EX_{(n)})^2$。
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$(本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
---
### 第 18 题 · 假设检验概念综合 🟨真题骨架 2018·8
**(Ⅰ)答案**:**(D)**。
**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$;
- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
于是:
| 条件 | 在 $\alpha=0.01$ 下 |
|---|---|
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$) | 因 $c_{0.01}>c_{0.05}$,**未必**达到 ⟹ A、B 都错 |
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$) | 因 $c_{0.05}<c_{0.01}$,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$。
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$,
$$c=u_{0.025}\cdot\frac{\sigma}{\sqrt n}=1.96\times0.5=0.98\ \Longrightarrow\ W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}.$$
求 $\beta$:在 $\mu=\mu_0+1$ 下 $\bar X\sim N(\mu_0+1,\ 0.25)$,标准差 $0.5$。**用接受域**:
$$\beta=P\{\lvert\bar X-\mu_0\rvert<0.98\mid \mu=\mu_0+1\}.$$
令 $\dfrac{\bar X-\mu_0-1}{0.5}=Z\sim N(0,1)$,则 $\bar X-\mu_0=1+0.5Z$,条件化为
$$-0.98<1+0.5Z<0.98\ \Longleftrightarrow\ -3.96<Z<-0.04,$$
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
**易错点**:
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$。
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$**(含真值的偏移 $1$),这是最容易漏的一步。
- 结果 $\beta\approx0.484$ 很大,说明**这个检验对 $\mu=\mu_0+1$ 的偏离"很不敏感"**——这正是 $\alpha=0.05$ 时 $\beta$ 随之增大的体现($\alpha$ 小时 $\beta$ 大)。
---
## 命题质量报告
### 一、考点覆盖表(对照第 20/21/22 章 15 道真题)
| 真题 | 考点 | 对应题 | 覆盖 |
|---|---|---|---|
| 2017·8 | $\chi^2$ 分布辨析 | A2(含同款陷阱 Ⅳ) | ✅ |
| 2023·9 | $F$ 分布(方差比) | B14 | ✅ |
| 2016·14 | 区间估计(对称性) | B9(含对称性技巧) | ✅ |
| 2016·23 | 次序统计量 $X_{(n)}$ + 无偏 | B8 | ✅ |
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$(变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
| 2018·23 | 拉普拉斯 MLE + $E/D$ | B7 | ✅ |
| 2019·23 | 半正态:求 $A$ + MLE | C15 | ✅ |
| 2020·23 | 威布尔:无记忆性 + MLE | C16 | ✅ |
| 2021·9 | 无偏 + $D(\bar X-\bar Y)$ | B12(无偏/有效分支) | ◐ 部分(两样本方差未单设) |
| 2022·22 | 泊松两样本 MLE + $D$ | B13 | ✅ |
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$) | A6(同类"定常数") | ✅ |
| 2024·22 | $U(0,\theta)$:无偏 + MSE | C17 | ✅ |
| 2018·8 | 显著性水平与拒绝/接受 | C18(Ⅰ) | ✅ |
| 2021·10 | 第二类错误 | B11 | ✅ |
| 2025·10 | 单侧检验拒绝域 | B10 | ✅ |
**覆盖结论**:15 道真题中 **13 题完全覆盖 ✅、2 题部分覆盖 ◐**。
### 二、难度分布与用时
| 组 | 题量 | 建议用时 | 难度 |
|---|---|---|---|
| A 基础 | 6(1–6) | 22 分钟 | ★☆☆ |
| B 中等 | 8(7–14) | 34 分钟 | ★★☆ |
| C 拔高 | 4(15–18) | 24 分钟 | ★★★ |
| **合计** | **18** | **约 80 分钟** | 可拆两天(第 1 天 1–9,第 2 天 10–18) |
### 三、真题使用与防过拟合
- **本题卷 18 题全部为原创命题**,数字、样本量、分布参数均与真题不同;
- 标「**真题骨架**」的 10 道题**只对齐考法结构**(如"两样本不同参数泊松 MLE"),**不做数字复用**,做完可直接回刷真题原题而不会"背答案";
- **参照了 🟩 参考仓库**的 4 道例题风格(拉普拉斯 MLE、均匀分布矩估计、两正态方差比、无偏性定 $k$),并在此基础上把数字重设。
### 四、仍未覆盖的方向(诚实清单)
1. **区间估计的 $\sigma^2$ 分支**(含 $\chi^2$ 分布的两端分位点"反着放")——真题 2016·14 只考均值,本卷也未设(§4.3 已在手册中写明,可自行练手);
2. **两样本 $t$ 检验**($\sigma_1^2=\sigma_2^2$ 时的合并方差 $S_w$)——真题十年未考,数一考纲内但低频;
3. **分布函数的拟合优度 $\chi^2$ 检验**——超出考研范围(了解即可);
4. **2017·23 的"矩估计分支"**——该真题要求先用一阶矩求 $\sigma$ 的矩估计量再求 MLE,本卷 B7 只做了 MLE 分支,矩估计的"绝对误差一阶矩"未单设;
5. **2021·9 的 $D(\bar X-\bar Y)$ 两样本方差计算**——考纲内、涉及二元正态的 $\rho$,本卷以 B12 的"单样本有效性"替代。
> 上述 1、4、5 三项可在二轮复习时用真题原题补齐;2、3 属边缘,暂不安排。
### 五、与既有材料的衔接
- 本讲**上游**:第 4 讲(数字特征,$E,D,\operatorname{Cov}$——**尚未建文件夹**)、第 5 讲(大数定律与中心极限定理,切比雪夫不等式)。
- 本讲**核心依赖**:正态分布、$\chi^2/t/F$ 三大分布、期望方差的性质。
- 建议顺序:**第 5 讲 → 第 6 讲**(因为区间估计与假设检验反复用到第 5 讲的标准化与分位数)。
@@ -0,0 +1,78 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 参数估计
- 假设检验
- MOC
专题: 概率论 第6讲 · 数理统计(真题库第 20/21/22 章)
日期: 2026-10-16
状态: 已出(考点 + 试题 + 解析 三件分离)
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)
---
# 概率论 第6讲 · 数理统计
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
## 一、本文件夹文件
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 全考点:总体与样本 / **统计量及其分布**(三大分布 + 正态总体抽样分布)/ **参数的点估计** / 区间估计 / 假设检验 / 两类错误 | 学之前/复习时 |
| **[[02-试题]]** | 18 题分层练习(A 基础 6 / B 中等 8 / C 拔高 4),**不含答案** | 限时自测 |
| **[[03-解析]]** | 18 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
## 二、训练目标
- 真题库 **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**。
- **参数估计标注「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**;本卷 18 题中 15 题与之相关。
- **数学一独有**:区间估计(视频 06)、假设检验(视频 07)、两类错误(视频 08)——**只在数一考**,且都只出选填。
- 三条主线:**独立性**(简单随机样本 = i.i.d.)、**标准化**(拼 $\chi^2/t/F$)、**矩替换**($\frac1n\sum X_i^k$ 换 $E X^k$)。
## 三、难度与用时
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|---|---|---|---|---|
| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
| B 中等 | 8(7–14) | 多步计算 | 34 分钟 | ★★☆ |
| C 拔高 | 4(15–18) | 建模与综合辨析 | 24 分钟 | ★★★ |
| **合计** | **18** | | **约 80 分钟** | 可拆两天 |
## 四、命题依据与来源记号
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 20/21/22 章(15 题,2016–2025)。
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`)。
- 🟦 **视频**:第 6 讲 8 个文件(见 frontmatter)。
- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的 10 题可直接回刷真题原题。
## 五、平板书写版(PDF)
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
| 文件 | 页数 | 用途 |
|---|---|---|
| `概率论第6讲-试题-答题版.pdf` | 17 | **主用**:18 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
| `概率论第6讲-解析.pdf` | 13 | 答案与详解 |
| `概率论第6讲-考点手册.pdf` | 16 | 复习查阅 |
> **重新生成**:改完 `.md` 后运行
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第6讲-试题-答题版.pdf --mode answer`
> (去掉 `--mode answer` 即为普通版。)
## 六、关联
- 上层:[[总览]]
- 相邻讲次:[[概率论-第5讲-大数定律与中心极限定理/README]](大数定律与中心极限定理)
- 上游待补:数字特征(第 4 讲,**尚未建文件夹**)——本讲的切比雪夫、$\chi^2$、方差性质都依赖它
- 错题:[[做题本]]