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:
@@ -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)。
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -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]]
|
||||
Reference in New Issue
Block a user