重构概率论第6讲为「知识点带题」格式,并修复跨讲死链

- 第6讲数理统计:删旧三件套(01-考点手册 4.8 万字符 / 02-试题 / 03-解析)与 PDF,
  改为 01-知识点盘点 + 02—09 八点分册 + 10-速查卡,共 10 文件 26 题
- 八点:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 /
  最大似然 / 评价标准 / 区间估计 / 假设检验与两类错误
- 盘点含 §0.1 按分值、§0.2 依赖链、§0.3 符号、§0.4 AUTO 反查、§9 覆盖对照(21 条)、§10 接口
- 修复 2026-10 第3讲重构留下的死链:大题十年考点/15-点14(7 处指向已删 01-考点手册)、
  知识点构建/17-背诵版第3讲(回查入口 4 处)
- 知识点构建/20-背诵版第6讲:回查入口改指新文件,题源注明旧 18 题清单已失效待重出
- 同步:总览.md 第6讲目录树、知识点构建 README 题量 18 → 26
This commit is contained in:
2026-11-07 13:02:26 +08:00
parent 60dfb19579
commit 4e4009de30
23 changed files with 2077 additions and 1693 deletions
+12 -9
View File
@@ -81,15 +81,18 @@ tags:
│ │ ├── 03-点2-棣莫弗-拉普拉斯定理.md
│ │ ├── 04-点3-三种近似辨析.md
│ │ └── 05-速查卡.md ✓ 七组结论 + 六处丢分点(共 7 题)
│ └── 概率论-第6讲-数理统计/ ✓ 已出(2026-10-16,真题库第 20/21/22 章,15 题 116 分)
│ ├── README.md ✓ 文件夹索引与规划
│ ├── 01-考点手册.md ✓ 总体与样本 / 统计量及其分布 / 点估计(含 MLE 不变性)/ 区间估计(单+两总体)/ 假设检验(单+两总体)/ 两类错误
│ ├── 02-试题.md ✓ 18 题(A 基础 6 / B 中等 8 / C 拔高 4,不含答案)
│ ├── 03-解析.md ✓ 18 题详解 + 命题质量报告
│ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
│ ├── 概率论第6讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
│ ├── 概率论第6讲-解析.pdf(13 页)
│ └── 概率论第6讲-考点手册.pdf(19 页,含两总体区间估计与检验)
│ └── 概率论-第6讲-数理统计/ ✓ 重构(2026-11-07,原三件套 → 知识点带题;真题库第 20/21/22 章,15 题 116 分)
│ ├── README.md
│ ├── 01-知识点盘点.md
│ ├── 02-点1-总体样本与统计量.md
│ ├── 03-点2-三大抽样分布.md
│ ├── 04-点3-正态总体的抽样分布.md
│ ├── 05-点4-矩估计.md
│ ├── 06-点5-最大似然估计.md
│ ├── 07-点6-估计量的评价标准.md
│ ├── 08-点7-区间估计.md
│ ├── 09-点8-假设检验与两类错误.md
│ └── 10-速查卡.md ✓ 八组结论 + 六处丢分点(共 26 题)
│ ├── 线性代数-第2讲-矩阵/ ✓ 已出(2026-10-18,真题库第 10 章,11 题 71 分)
│ │ ├── README.md ✓ 2026-10-20 重写;新增 18 题与逐步解析
│ │ └── 01-考点手册.md ✓ 从计算例子讲运算、逆、初等变换、秩、伴随、分块与幂
@@ -13,7 +13,7 @@ tags: [数学一, 大题十年考点, 概率论与数理统计, 多维随机变
**组织原则**:概率大题**只有两个来源**,这是其中更大的一半(十年 **11 题 105 分**,含 8 道解答题 91 分与 3 道填选 14 分)。7 题按"给定联合密度(求边缘、判独立)$\to$ 卷积 $\to$ 混合型全概率 $\to$ 条件分布算协方差 $\to$ 乘积型与相关性 $\to$ 复合分布(泊松稀疏)$\to$ 商的分布"排。**前三题是 2016—2020 的老骨架,后四题对准 2022—2025 的新重心**——近三年条件分布与协方差连着考了三次(2022·10、2023·22、2024·9),只练前三题会漏掉这一块。
## 知识点 14.1 二维密度、边缘与独立性(出处:参考仓库未收录,转引 [概率论-第3讲](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.1 二维密度、边缘与独立性(出处:参考仓库未收录,转引 [概率论-第3讲 点3 二维连续型](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md))
联合密度 $f(x,y)$ 的两条基本性质:$f\ge0$ 且 $\iint_{\mathbb R^2}f=1$ 。
@@ -25,7 +25,7 @@ $$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}
**判独立的快速法**:若 $f\ne0$ 的区域是三角形、圆、$y\ge x^2$ 之类的**非矩形**,一定不独立(边缘密度的支撑不重合)。
## 知识点 14.2 随机变量函数的分布(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.2 随机变量函数的分布(出处:[概率论-第3讲 · 点5 函数分布两条路](../概率论-第3讲-多维随机变量及其分布/06-点5-函数分布两条路.md))
**和的分布(卷积)**:
@@ -39,7 +39,7 @@ $$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g(x,y)\le z}f(x,y)\,dxdy,$$
再对 $z$ 求导。**比"套公式"通用**,商、极值、平方都用它。
## 知识点 14.3 混合型与全概率公式(出处:参考仓库未收录,转引 [概率论-第3讲 · 条件分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.3 混合型与全概率公式(出处:参考仓库未收录,转引 [概率论-第3讲 · 点7 混合型与全概率](../概率论-第3讲-多维随机变量及其分布/08-点7-混合型与全概率.md))
两个随机变量一个离散一个连续时,用**全概率**:
@@ -51,23 +51,23 @@ $$P\{X=x_k\mid Y\le y_0\}=\frac{P\{X=x_k\}P\{Y\le y_0\mid X=x_k\}}{P\{Y\le y_0\}
分母就是上面那个 $f_Y$ 的积分。**这类题的分数全在"分母算对没有"**。
## 知识点 14.4 条件分布与重期望(出处:[概率论-第3讲 · 条件分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.4 条件分布与重期望(出处:[概率论-第3讲 · 点3 条件密度](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md)与[第4讲 · 点4 重期望](../概率论-第4讲-随机变量的数字特征/05-点4-条件期望与重期望.md))
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)} .$$
条件密度是**一族**密度,支撑随 $x$ 变——分段点就从这里来。**第一步永远先乘出联合密度**,即 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$ ;乘积与 $x$ 无关时,说明 $(X,Y)$ 在某区域上均匀。重期望 $EY=E\left[E(Y\mid X)\right]$ ,算协方差用 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 。
## 知识点 14.5 协方差与相关系数(出处:[概率论-第3讲 · 数字特征](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.5 协方差与相关系数(出处:[概率论-第4讲 · 点3 协方差与相关系数](../概率论-第4讲-随机变量的数字特征/04-点3-协方差与相关系数.md))
$$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY,\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX\cdot DY}} .$$
双线性;$D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y)$ 。**不相关 $\ne$ 独立**(二维正态除外)。乘积型固定套路:$X=\pm1$ 时 $X^2=1$ ,故 $XZ=X^2Y=Y$ 、$E(XZ)=EY$ 。
## 知识点 14.6 复合分布与泊松稀疏(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.6 复合分布与泊松稀疏(出处:[概率论-第3讲 · 点7 混合型与全概率](../概率论-第3讲-多维随机变量及其分布/08-点7-混合型与全概率.md))
$N\sim P(\lambda)$ 且 $M\mid N=n\sim B(n,p)$ 时,$M\sim P(\lambda p)$ ,$EM=DM=\lambda p$ 。每个事件独立地以概率 $p$ 被留下,留下的仍是泊松——**认出结论直接写,别展开那个和式**。
## 知识点 14.7 商的分布(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
## 知识点 14.7 商的分布(出处:[概率论-第3讲 · 点6 四则运算](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md))
$$F_Z(z)=P\{Y\le zX\}=\iint_{y\le zx}f(x,y)\,dxdy,\qquad f_Z=F_Z' .$$
@@ -13,7 +13,7 @@ tags: [数学一, 大题十年考点, 概率论与数理统计, 参数估计,
**组织原则**:概率大题的另一个来源(7 题 79 分)。老卷固定在解 23,新卷与点 14 轮换。3 题覆盖三种问法:**矩估计 $+$ MLE**、**无偏性与均方误差**、**次序统计量(最大/最小)**。
## 知识点 15.1 矩估计与极大似然(出处:参考仓库未收录,转引 [概率论-第6讲](../概率论-第6讲-数理统计/01-考点手册.md))
## 知识点 15.1 矩估计与极大似然(出处:[概率论-第6讲 点4 矩估计](../概率论-第6讲-数理统计/05-点4-矩估计.md) 与 [点5 最大似然](../概率论-第6讲-数理统计/06-点5-最大似然估计.md))
**矩估计**:令"样本均值 $=$ 总体均值",解出参数。
@@ -28,7 +28,7 @@ $$\frac{d\ln L}{d\theta}=0\ \Longrightarrow\ \hat\theta_{\text{MLE}} .$$
1. 当 $L$ 关于 $\theta$ **单调**(如总体是 $U(0,\theta)$ 、$f=e^{-(x-\theta)}$ )时,导数不为零,MLE 落在**参数的边界**上,由"所有 $x_i$ 都必须落在支撑内"给出,答案形如 $\hat\theta=\max X_i$ 或 $\min X_i$ ;
2. 含指示函数的密度**不能直接求导**,必须先写清支撑条件。
## 知识点 15.2 无偏性与均方误差(出处:[概率论-第6讲 · 点 3](../概率论-第6讲-数理统计/01-考点手册.md))
## 知识点 15.2 无偏性与均方误差(出处:[概率论-第6讲 · 点6 估计量的评价标准](../概率论-第6讲-数理统计/07-点6-估计量的评价标准.md))
$$\text{无偏}:\ E(\hat\theta)=\theta;\qquad \operatorname{MSE}(\hat\theta)=E\left(\hat\theta-\theta\right)^2=D(\hat\theta)+\left[E(\hat\theta)-\theta\right]^2 .$$
@@ -36,7 +36,7 @@ $$\text{无偏}:\ E(\hat\theta)=\theta;\qquad \operatorname{MSE}(\hat\theta)=E\l
**修正为无偏**:若 $E(\hat\theta)=c\theta$ ($c$ 为常数),则 $\frac{1}{c}\hat\theta$ 无偏。
## 知识点 15.3 次序统计量(出处:[概率论-第6讲 · 点 6](../概率论-第6讲-数理统计/01-考点手册.md))
## 知识点 15.3 次序统计量(出处:[概率论-第6讲 · 点1 总体样本与统计量](../概率论-第6讲-数理统计/02-点1-总体样本与统计量.md))
设 $X_1,\dots,X_n$ iid,分布函数 $F$ ,密度 $f$ 。
@@ -0,0 +1,319 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 知识点盘点]
专题: 概率论 第6讲 · 数理统计
日期: 2026-11-07
状态: 知识点盘点(八节 + 覆盖对照表),配套 8 个点分册共 26 题
关联笔记: ["[[README]]", "[[10-速查卡]]"]
---
# 第6讲 · 数理统计:知识点盘点
真题库第 20、21、22 三章。近十年 **15 题 116 分**:**解答题 8 道(91 分)$+$ 选填 7 题(25 分)**。分章看:ch20 基本概念 2 题 9 分、**ch21 参数估计 10 题 93 分**、ch22 假设检验 3 题 14 分。
**这一讲的结构是"一个前提 + 两条主线"**:前提是**统计量的分布**(三大分布与正态总体的四个结论),两条主线是**点估计/区间估计**(正问题:参数是多少)与**假设检验**(反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。
**一句话定性**:数理统计 = **用样本反推总体**。前 5 讲是"已知分布求概率"(正问题),这一讲是"已知样本猜分布"(反问题),**方向反过来,所以每一问都要先问"我手里有哪些统计量、它们服从什么分布"**。
## 0 三张表
### 0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 最大似然估计 | 2018·23、2019·23、2020·23、2022·22 | **约 45** | `06` |
| 2 | 估计量的评价标准(无偏/有效/均方误差) | 2021·9、2023·10、2024·22、2016·23 | **约 33** | `07` |
| 3 | 假设检验与两类错误 | 2018·8、2021·10、2025·10 | **约 14** | `09` |
| 4 | 正态总体的抽样分布 | 2017·8 | **4** | `04` |
| 5 | 区间估计 | 2016·14 | **4** | `08` |
| 6 | 三大抽样分布 | 2023·9 | **5** | `03` |
| 7 | 矩估计 | 2017·23 的第一问 | 嵌在解答题 | `05` |
| 8 | 总体、样本与统计量 | 全部题的前置 | — | `02` |
**最大似然估计独占 45 分**,这是全讲乃至全卷概率部分最集中的一块。它的动作固定(写 $L$ → 取对数 → 求导),但**支撑含参数时不能求导**,那是唯一的坎。
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
```
02 总体、样本与统计量 ← 名词定义 + 三个基本期望
↓
03 三大抽样分布 ← χ² / t / F 的构造
↓
04 正态总体的抽样分布 ← 前面两者的合成:四个结论
↓
05 矩估计 → 06 最大似然估计 ← 两条点估计路线
↓
07 估计量的评价标准 ← 判断估计"好不好"
↓
08 区间估计 → 09 假设检验 ← 同一套分布的两个用法
```
**为什么评价标准要排在两条估计路线之后**:无偏性、有效性都是"对某个估计量"说的,手里没有估计量就无从评价。而 07 又是 08、09 的前提——区间估计的枢轴量就是"无偏估计 + 已知分布"。
### 0.3 符号约定
| 记号 | 含义 |
|---|---|
| $X_1,\dots,X_n$ | 简单随机样本(独立同分布于总体 $X$ ) |
| $\bar X=\dfrac1n\sum X_i$ | 样本均值 |
| $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ | 样本方差(**分母取 $n-1$ 才对**) |
| $S_n^2=\dfrac1n\sum(X_i-\bar X)^2$ | 二阶中心矩(分母 $n$ ,有偏) |
| $X_{(n)}=\max\{X_i\}$ | 最大次序统计量 |
| $\chi^2_\alpha(n)$ 、$t_\alpha(n)$ 、$F_\alpha(n_1,n_2)$ | **上** $\alpha$ 分位点(右侧面积 $\alpha$ ) |
| $\hat\theta$ | 参数 $\theta$ 的估计量 |
| $\alpha$ 、$\beta$ | 第一类、第二类错误概率 |
> **分位点是上侧还是下侧,是这一讲最大的符号陷阱**。本讲统一用**上侧分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ 。所以置信区间里出现的是 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$ 两个下、上分位点,顺序不能写反。
### 0.4 知识点与练习文件对照(按知识点粒度)
<!-- AUTO:KP -->
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 总体与样本 | [点 1 题 1](02-点1-总体样本与统计量.md#user-content-题-1--11联合分布与两个词的用处) |
| §1.2 统计量与三个基本期望 | [点 1 题 2](02-点1-总体样本与统计量.md#user-content-题-2--12统计量的三个基本期望) |
| §1.3 顺序统计量 | [点 1 题 3](02-点1-总体样本与统计量.md#user-content-题-3--13最大次序统计量) |
| §2.1 卡方分布 | [点 2 题 1](03-点2-三大抽样分布.md#user-content-题-1--21平方和就是卡方) |
| §2.2 t 分布 | [点 2 题 2](03-点2-三大抽样分布.md#user-content-题-2--22t-的构造与对称性) |
| §2.3 F 分布 | [点 2 题 3](03-点2-三大抽样分布.md#user-content-题-3--23f-的两个自由度与倒数互换) |
| §3.1 单总体的四个结论(本讲的核心) | [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错)、[点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率) |
| §3.2 两总体的情形 | [点 3 题 3](04-点3-正态总体的抽样分布.md#user-content-题-3--32两总体的方差比) |
| §4.1 原理与步骤 | [点 4 题 1](05-点4-矩估计.md#user-content-题-1--41一阶矩就够的情形) |
| §4.2 两个陷阱 | [点 4 题 2](05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑) |
| §5.1 似然函数与三步 | [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性)、[点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松) |
| §5.2 支撑含参数(唯一不能求导的情形) | [点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导)、[点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) |
| §6.1 无偏性 | [点 6 题 1](07-点6-估计量的评价标准.md#user-content-题-1--61无偏性反解系数) |
| §6.2 有效性 | [点 6 题 2](07-点6-估计量的评价标准.md#user-content-题-2--62三个均值型估计谁更有效) |
| §6.3 相合性(一致性) | [点 6 题 3](07-点6-估计量的评价标准.md#user-content-题-3--63相合性的证明与反例) |
| §6.4 均方误差 | [点 6 题 4](07-点6-估计量的评价标准.md#user-content-题-4--64无偏不一定最好) |
| §7.1 置信区间与枢轴量 | [点 7 题 1](08-点7-区间估计.md#user-content-题-1--71由-095-的区间反推-09-的区间) |
| §7.2 单总体的三个区间 | [点 7 题 2](08-点7-区间估计.md#user-content-题-2--72单总体的三种区间) |
| §7.3 两总体的两个区间 | [点 7 题 3](08-点7-区间估计.md#user-content-题-3--73两总体的均值差与方差比) |
| §8.1 原假设、两类错误 | [点 8 题 1](09-点8-假设检验与两类错误.md#user-content-题-1--81第二类错误的计算202110-骨架) |
| §8.2 拒绝域与显著性水平 | [点 8 题 2](09-点8-假设检验与两类错误.md#user-content-题-2--82拒绝域的方向与显著性水平的单调性20251020188-骨架) |
| §8.3 正态总体的六大检验 | [点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2)、[点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) |
<!-- /AUTO:KP -->
## 1 总体、样本与统计量
### 1.1 总体与样本
**总体**是随机变量 $X$ (或它的分布);**样本** $X_1,\dots,X_n$ 是 $n$ 个独立同分布、且与 $X$ 同分布的随机变量;**样本值** $x_1,\dots,x_n$ 是观测到的数。
**"简单随机样本"= 独立 + 同分布**,这两个词缺一不可——独立保证联合密度可连乘,同分布保证每个因子长得一样。
### 1.2 统计量与三个基本期望
**统计量**:不含任何未知参数的样本函数。$\bar X$ 是统计量,$\bar X-\mu$ 不是(含未知的 $\mu$ )。
$$\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .$$
**三条必背**(对任意总体都成立):
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
第三条是 $S^2$ 分母取 $n-1$ 的全部理由;若取 $n$ ,期望是 $\frac{n-1}{n}\sigma^2$ ,有偏。
### 1.3 顺序统计量
把样本从小到大排:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。**分布函数法**:
$$F_{X_{(n)}}(x)=\left[F(x)\right]^n,\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^n .$$
**$U(0,\theta)$ 的两个现成结果**(解答题反复用):
$$E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
## 2 三大抽样分布
### 2.1 卡方分布
$$X_i\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^2\sim\chi^2(n).$$
$E\chi^2(n)=n$ 、$D\chi^2(n)=2n$ ;**可加性**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ (独立时)。
### 2.2 t 分布
$$X\sim N(0,1),\ Y\sim\chi^2(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).$$
密度**偶对称**,故 $t_{1-\alpha}(n)=-t_\alpha(n)$ ;$n>2$ 时方差为 $\frac{n}{n-2}$ ;$n\to\infty$ 时趋于 $N(0,1)$ 。
### 2.3 F 分布
$$U\sim\chi^2(n_1),\ V\sim\chi^2(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).$$
**两条互换公式**(查表必备):
$$\frac{1}{F}\sim F(n_2,n_1),\qquad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).$$
## 3 正态总体的抽样分布
### 3.1 单总体的四个结论(本讲的核心)
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
$$\text{①}\ \bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1);$$
$$\text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
**③ 是"正态总体"独有的**,非正态时 $\bar X$ 与 $S^2$ 一般不独立。第 ② 式的分子是 $n-1$ 而不是 $n$ ,因为减掉 $\bar X$ 用掉一个自由度。
### 3.2 两总体的情形
两样本独立,$X_i\sim N(\mu_1,\sigma_1^2)$ 、$Y_j\sim N(\mu_2,\sigma_2^2)$ :
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).$$
当 $\sigma_1^2=\sigma_2^2=\sigma^2$ 时把两个方差"合并":
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).$$
## 4 矩估计
### 4.1 原理与步骤
**用样本矩替换总体矩**:$A_k=\frac1n\sum X_i^k$ 代替 $EX^k$ ,列出与未知参数个数相同的方程,解出参数。
**两步**:① 写出总体矩(含参数);② 令其等于对应的样本矩,解方程。
### 4.2 两个陷阱
- **需要二阶矩时用二阶原点矩** $A_2=\frac1n\sum X_i^2$ ,不是 $S^2$ ——两者差一个 $\frac{n-1}{n}$ 的系数,选择题常在这里设错;
- **解出的估计量要检验参数范围**(如 $\hat\theta$ 必须为正),必要时取绝对值或截断。
## 5 最大似然估计
### 5.1 似然函数与三步
$$L(\theta)=\prod_{i=1}^{n}f(x_i;\theta),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).$$
**三步**:① 写 $L$ → ② 取对数 → ③ 对参数求导令零。**离散型把 $f$ 换成 $p$ 即可** 。
**多参数**:对每个参数分别求偏导,联立求解(如 2019·23 的 $\mu$ 与 $\sigma^2$ )。
**不变性**:若 $\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE(不必重新求)。
### 5.2 支撑含参数(唯一不能求导的情形)
当密度的**非零区域端点含参数**时(如 $f(x)=\frac{3x^2}{\theta^3},\ 0<x<\theta$ ),$L$ 里会出现示性函数,求导无意义。此时看 $L$ 关于参数的**单调性**:
- $L$ 随 $\theta$ 增大而减小 $\Rightarrow$ $\hat\theta$ 取 $\theta$ 的**最小可能值**;
- $L$ 随 $\theta$ 增大而增大 $\Rightarrow$ $\hat\theta$ 取 $\theta$ 的**最大可能值**(通常是 $X_{(n)}$ )。
## 6 估计量的评价标准
### 6.1 无偏性
$$E\hat\theta=\theta\quad(\forall\theta).$$
**三条常用**:$E\bar X=\mu$ ;$ES^2=\sigma^2$ ;$E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2$ (有偏)。
### 6.2 有效性
两个**都无偏**的估计量,方差小的更有效。比值 $\dfrac{D\hat\theta_1}{D\hat\theta_2}$ 就叫相对效率。
### 6.3 相合性(一致性)
$$\hat\theta\overset{P}{\longrightarrow}\theta .$$
**验证套路**:算 $E\hat\theta$ 与 $D\hat\theta$ ,若"偏差趋于 $0$ 且方差趋于 $0$ ",由切比雪夫不等式即得相合。
### 6.4 均方误差
$$MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .$$
它是"无偏 + 有效"的合体:允许有偏,只要总误差小。**2024·22 的最后一问就考这个。**
## 7 区间估计
### 7.1 置信区间与枢轴量
**枢轴量**:含待估参数、但**分布已知且不含任何未知参数**的统计量。由 $P\{a<Q<b\}=1-\alpha$ 反解出 $\theta$ 的范围即得置信区间。
**注意"置信度"的读法**:$1-\alpha$ 说的是"反复抽样时,约 $100(1-\alpha)\%$ 的区间会盖住真值",不是"$\theta$ 落在该区间的概率"。
### 7.2 单总体的三个区间
| 待估 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
| $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right]$ |
### 7.3 两总体的两个区间
$\mu_1-\mu_2$ :方差已知用 $z$ ,未知但相等用合并方差的 $t(n_1+n_2-2)$ 。$\dfrac{\sigma_1^2}{\sigma_2^2}$ :用 $F(n_1-1,n_2-1)$ ,区间为
$$\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].$$
> **大纲要求、十年未单考**:两总体的均值差与方差比区间属于"高性价比冷门"——公式要会写,但不必刷难题。
## 8 假设检验
### 8.1 原假设、两类错误
| 真实情况 | 接受 $H_0$ | 拒绝 $H_0$ |
|---|---|---|
| $H_0$ 为真 | 正确 | **第一类错误**(弃真),概率 $\alpha$ |
| $H_0$ 为假 | **第二类错误**(取伪),概率 $\beta$ | 正确(功效 $1-\beta$ ) |
**$\alpha$ 是"冤枉好人"的概率,$\beta$ 是"放过坏人"的概率**。样本量固定时二者此消彼长;要同时减小只能增大 $n$ 。
### 8.2 拒绝域与显著性水平
**显著性水平** $\alpha$ = 允许的第一类错误上限。拒绝域由 $\alpha$ 与**备择假设的方向**共同决定:
- $H_1:\theta>\theta_0$ → 右侧拒绝域(大值拒绝);
- $H_1:\theta<\theta_0$ → 左侧拒绝域;
- $H_1:\theta\ne\theta_0$ → 双侧拒绝域,每侧 $\alpha/2$ 。
### 8.3 正态总体的六大检验
| 检验对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| 单总体 $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ | $N(0,1)$ |
| 单总体 $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
| 单总体 $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
| 两总体 $\mu_1-\mu_2$ | 方差已知 | $\dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}}$ | $N(0,1)$ |
| 两总体 $\mu_1-\mu_2$ | 方差未知但相等 | $\dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}}$ | $t(n_1+n_2-2)$ |
| 两总体 $\sigma_1^2/\sigma_2^2$ | 均值未知 | $\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}$ | $F(n_1-1,n_2-1)$ |
## 9 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 总体与样本 | **理解** | 全部题前置 | 有 | 点 1,1 题 |
| 统计量与三个基本期望 | **掌握** | 2024·22 | 有 | 点 1,1 题 |
| 顺序统计量 | **掌握** | 2016·23、2024·22 | 有 | 点 1,1 题 |
| 卡方分布 | **掌握** | 2017·8 | 有 | 点 2,1 题 |
| t 分布 | **掌握** | 嵌在各题 | 有 | 点 2,1 题 |
| F 分布 | **掌握** | 2023·9 | 有 | 点 2,1 题 |
| 正态总体的四个结论 | **掌握** | 2017·8、2023·9 | 有 | 点 3,2 题 |
| 两总体的抽样分布 | **掌握** | 2023·9 | 有 | 点 3,1 题 |
| 矩估计 | **掌握** | 2017·23 | 有 | 点 4,2 题 |
| 最大似然估计 | **掌握** | 2018·23、2019·23、2020·23、2022·22 | 有 | 点 5,2 题 |
| 支撑含参数的 MLE | **掌握** | 2016·23 | 有 | 点 5,2 题 |
| 无偏性 | **掌握** | 2021·9、2023·10 | 有 | 点 6,1 题 |
| 有效性 | **掌握** | 2021·9 | 有 | 点 6,1 题 |
| 相合性 | **掌握** | 未单考 | 有 | 点 6,1 题 |
| 均方误差 | 了解 | 2024·22 | 无(自编) | 点 6,1 题 |
| 置信区间与枢轴量 | **掌握** | 2016·14 | 有 | 点 7,1 题 |
| 单总体区间 | **掌握** | 2016·14 | 有 | 点 7,1 题 |
| 两总体区间 | **掌握** | 未考 | 有 | 点 7,1 题 |
| 两类错误 | **掌握** | 2018·8、2021·10、2025·10 | 有 | 点 8,1 题 |
| 拒绝域与显著性水平 | **掌握** | 2025·10 | 有 | 点 8,1 题 |
| 六大检验 | **掌握** | 2018·8、2021·10 | 有 | 点 8,2 题 |
**判断**:21 个知识点里,大纲"掌握"的 19 个全部配题,"均方误差"属"了解"层次也配了 1 题。**"两总体区间"与"相合性"是十年未考的两处空白**,按大纲要求补齐,标注为"高性价比冷门"。
## 10 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$D\bar X$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 点 1 的三条基本期望、点 6 的方差比较全靠它 |
| $E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ | [第4讲点5 题4](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | $S^2$ 无偏性的唯一根据 |
| 依概率收敛、辛钦大数定律 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | 点 6 相合性的证明工具 |
| $\Phi$ 、$z_\alpha$ 分位数 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 点 8、点 9 的临界值 |
| 正态分布的可加性与标准化 | [第3讲点3 §3.5](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 3 两样本结论的来源 |
| $\max/\min$ 的分布 | [第3讲点6](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md) | 点 1 顺序统计量直接引用 |
> **跨讲一句话**:前 5 讲给的是"分布 → 概率",本讲要的是"样本 → 参数",**唯一的桥就是统计量的分布**。所以本讲真正的重点不是公式,而是**见到一个统计量就能说出它服从什么分布**。
@@ -1,860 +0,0 @@
---
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,**单总体四大 + 两总体两类**,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
| §5 | 假设检验(**单总体六大 + 两总体三类**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).$$
> ⚠️ **这就是**"简单随机样本"**的全部价值**:有了独立性,$n$ 维联合分布才**等于一维分布的连乘**。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$ ,用的就是这一条。
### 1.3 经验分布函数(了解)
把样本值从小到大排列后,定义
$$\hat F_n(x)=\frac1n\sum_{i=1}^{n}I\{X_i\le x\}=\frac{\text{样本中 } \le x \text{ 的个数}}{n},$$
即"**样本落在 $x$ 左侧的比例**",它是分布函数 $F(x)$ 的一个估计。
> **格利文科(Glivenko)定理**:$\sup\limits_{x}\lvert\hat F_n(x)-F(x)\rvert\xrightarrow{\text{a.s.}}0$ ,即样本足够大时,**经验分布函数一致逼近真实分布**。
> 数一大纲不直接考,但它是"**用样本分布代替总体分布**"这一整套统计思想的来源——矩估计法中"样本矩 → 总体矩"就是它的特例。
### 1.4 分组数据(了解)
若样本值被整理成频数分布,第 $i$ 组组中值 $c_i$ 、频数 $n_i$ ,则
$$\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})\\[6pt]
&\text{⑤}\quad \frac{n(\bar X-\mu)^2}{S^2}\ \sim\ F(1,\ n-1)\qquad\big(\text{由 ④ 取平方,}t^2\sim F(1,n-1)\big)
\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).$$
> **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$ 。
> 最小值用**对立事件**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$ 。
**常用期望($\theta$ 为参数上限型分布时必用)**
| 总体 | $EX_{(n)}$ | $EX_{(n)}^2$ |
|---|---|---|
| $X\sim U(0,\theta)$ | $\dfrac{n}{n+1}\theta$ | $\dfrac{n}{n+2}\theta^2$ |
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
> **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0<x<\theta$ ,则 $X_{(n)}$ 服从「幂型」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$ 。
**(了解)第 $k$ 个顺序统计量的密度**
$$f_{(k)}(x)=\frac{n!}{(k-1)!\,(n-k)!}\,\big[F(x)\big]^{k-1}\,\big[1-F(x)\big]^{n-k}\,f(x),$$
把 $k=1$ 、$k=n$ 代进去,正好还原上面的 min、max 两式。数一大纲不直接要求,但讲课时会提——**考场上 max/min 够用了**。
---
## 3. 参数的点估计 🟦05 🟨(本讲分值最重)
> **点估计 = 造一个统计量 $\hat\theta(X_1,\cdots,X_n)$ 去"顶替"未知参数 $\theta$ 。** 两种造法:**矩估计**(用矩换矩)与**极大似然**(找最"像"的参数)。
### 3.1 矩估计法
**思想**:**用样本矩替换总体矩**(大数定律保证"样本矩 → 总体矩")。
**步骤**:
1. 写出含 $\theta$ 的总体矩 $E X^k$ (**一个参数用一阶矩,两个参数用一、二阶矩**);
2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$ ;
3. 解方程得 $\hat\theta$ 。
**两个参数的模板**:
$$\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(x)=\theta x^{\theta-1}$ ($0<x<1,\ \theta>0$ ) | $\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}$ 。
---
#### 【例 3-1】两样本泊松分布 MLE + 方差(锚 2022·22)
> 设 $X_1,\cdots,X_n$ 来自参数为 $\theta$ 的泊松分布 $P(\theta)$ ,$Y_1,\cdots,Y_m$ 来自参数为 $2\theta$ 的泊松分布 $P(2\theta)$ ,两组样本相互独立,$\theta>0$ 未知。求 $\theta$ 的极大似然估计 $\hat\theta$ 及 $D(\hat\theta)$ 。
**第①步 写似然函数(两组相乘)**:
泊松分布律 $P\{X=k\}=\dfrac{\lambda^k e^{-\lambda}}{k!}$ 。两组样本独立,联合似然 = X 组似然 × Y 组似然:
$$L(\theta)=\underbrace{\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}}_{\text{X 组,参数 }\theta}\ \cdot\ \underbrace{\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}}_{\text{Y 组,参数 }2\theta}$$
**第②步 整理**:
把常数项(与 $\theta$ 无关)合并,$\theta$ 的幂合并:
$$L(\theta)=\frac{2^{\sum y_j}\,\theta^{\sum x_i+\sum y_j}\,e^{-n\theta-2m\theta}}{\prod x_i!\,\prod y_j!}$$
> **关键观察**:
> - X 组贡献 $\theta^{x_i}$ 和 $e^{-\theta}$ (n 个样本);
> - Y 组贡献 $(2\theta)^{y_j}=2^{y_j}\theta^{y_j}$ 和 $e^{-2\theta}$ (m 个样本);
> - 所以 $\theta$ 的总幂次是 $\sum x_i+\sum y_j$ ,指数上总共有 $n\theta+2m\theta=(n+2m)\theta$ 。
**第③步 取对数求导**:
$$\ln L(\theta)=\Big(\sum x_i+\sum y_j\Big)\ln\theta+\Big(\sum y_j\Big)\ln2-(n+2m)\theta-\ln(\prod x_i!\prod y_j!)$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0$$
解得:
$$\boxed{\ \hat\theta=\frac{\sum_{i=1}^{n}X_i+\sum_{j=1}^{m}Y_j}{n+2m}\ }$$
> **⚠️ 易错 1**:分母是 $n+2m$ ,不是 $n+m$ !因为 Y 组每个样本携带的参数是 $2\theta$ ,相当于"两个 θ 的信息量",所以分母里 Y 组的权重是 $2m$ 。
> **⚠️ 易错 2**:分子里 Y 组就是 $\sum Y_j$ ,不要写成 $2\sum Y_j$ 。$2\theta$ 那个 2 在取对数时变成了 $\sum y_j\ln2$ 这一项(常数,求导后消失),不会进到分子里。
**第④步 求 $D(\hat\theta)$ **:
$$\hat\theta=\frac{\sum X_i+\sum Y_j}{n+2m}$$
由泊松分布性质 $D(X_i)=\theta$ 、$D(Y_j)=2\theta$ ,且各组样本独立:
$$D(\hat\theta)=\frac{D(\sum X_i)+D(\sum Y_j)}{(n+2m)^2}=\frac{n\cdot\theta+m\cdot2\theta}{(n+2m)^2}=\frac{\theta(n+2m)}{(n+2m)^2}$$
$$\boxed{\ D(\hat\theta)=\frac{\theta}{n+2m}\ }$$
> **顺便验证无偏性**:$E\hat\theta=\dfrac{n\theta+m\cdot2\theta}{n+2m}=\theta$ ,所以 $\hat\theta$ 是 $\theta$ 的无偏估计。
---
**这类题的通用模板**(看到"两样本共享一个未知参数"就套):
1. 两组样本的分布里都出现同一个 $\theta$ (但参数可能带系数,如 $\theta$ 与 $2\theta$ );
2. 似然函数 = 两组似然**相乘**;
3. 取对数后,$\theta$ 的系数(幂次)来自两组所有样本;
4. 指数项 $e^{-(\text{样本数加权})\theta}$ 里的权重要按参数倍数算(Y 组是 $2\theta$ 就贡献 $2m\theta$ );
5. 求导后解出 $\hat\theta$ ,再用 $D(\sum)=nD(X)$ 算方差。
**极大似然估计的不变性原理(重要)**
> 若 $\hat\theta$ 是 $\theta$ 的极大似然估计,$g(\cdot)$ 是任意函数(通常单调),则 **$g(\hat\theta)$ 是 $g(\theta)$ 的极大似然估计**。
$$\widehat{g(\theta)}=g(\hat\theta).$$
**用途**:不必为新参数重新建似然函数。典型例子:
- 正态总体 $N(\mu,\sigma^2)$ :$\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2$ (注意**除以 $n$ 、有偏**)⟹ 直接得 $\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$ ;
- $X\sim U(0,\theta)$ :$\hat\theta=X_{(n)}$ ⟹ $\theta^2$ 的 MLE 就是 $X_{(n)}^2$ 、$1/\theta$ 的 MLE 就是 $1/X_{(n)}$ 。
> ⚠️ **注意区分**:**无偏性没有不变性**!$E\hat\theta=\theta$ **推不出** $Eg(\hat\theta)=g(\theta)$ (如 $S=\sqrt{S^2}$ 就不是 $\sigma$ 的无偏估计)。**"MLE 有不变性,无偏性没有"**——这是常考的概念辨析点。
### 3.3 估计量的评价标准
#### 3.3.1 无偏性(考得最多)
$$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}.$$
> **一句话**:**"上限 + 下限 = 2 $\bar X$ "**(仅对均值的对称区间成立;方差区间不成立)。
### 4.5 两个正态总体的区间估计 🟩(**数一大纲要求**)
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,置信度 $1-\alpha$ 。
**(1)均值差 $\mu_1-\mu_2$ 的置信区间**
| 条件 | 枢轴量 | 置信区间 |
|---|---|---|
| $\sigma_1^2,\sigma_2^2$ **均已知** | $U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ | $(\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ |
| $\sigma_1^2=\sigma_2^2$ **未知**($T$ ) | $T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | $(\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}$ |
其中合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
> **记法要点**:区间**中心永远是点估计 $\bar X-\bar Y$ **,半宽 = 「分位点 × 该估计量的标准差」。$\mu_1-\mu_2$ 的估计量方差是 $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ (**两样本方差各自除以自身容量再相加**)——别漏掉任何一项。
**(2)方差比 $\sigma_1^2/\sigma_2^2$ 的置信区间**
由 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ ,解出
$$\left[\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(m-1,n-1)},\quad \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(m-1,n-1)}\ \right].$$
> **⚠️ 两端同样"反着放"**:因为 $\sigma_1^2/\sigma_2^2$ 在**分母**,且 $F$ 分布不对称——**大分位点配下限、小分位点配上限**。附:$F_{1-\alpha/2}(m-1,n-1)=\dfrac{1}{F_{\alpha/2}(n-1,m-1)}$ ,查表时要**两个自由度都互换**。
---
## 5. 假设检验 🟦07 🟨2025·10(**仅数学一**)
### 5.1 基本思想
> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$ **。
### 5.2 假设检验四步
1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$ (通常把"想否定的、被保护的说法"放 $H_0$ );
2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$ 、$T$ 、$\chi^2$ 、$F$ ,并写出 $H_0$ 成立时的分布;
3. **定拒绝域**:给定 $\alpha$ ,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$ **,否则接受。
---
#### 【例 5-1】$U$ 检验·双侧·$\sigma$ 已知(走一遍完整四步)
> 某厂生产的螺钉长度 $X\sim N(\mu, 0.2^2)$ (单位:mm)。现抽 $n=16$ 个,算得样本平均长度 $\bar x=2.12$ mm。在显著性水平 $\alpha=0.05$ 下,能否认为螺钉平均长度为 $\mu_0=2.10$ mm?(已知 $u_{0.025}=1.96$ )
**第①步 提假设**:
$$H_0:\mu=2.10,\qquad H_1:\mu\ne 2.10\quad(\text{双侧}).$$
**第②步 选统计量**:$\sigma=0.2$ **已知**,选 $U$ 检验:
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}\ \xrightarrow{H_0}\ N(0,1).$$
**第③步 定拒绝域**:双侧,分位点 $u_{\alpha/2}=u_{0.025}=1.96$ :
$$W=\{\,|U|\ge 1.96\,\}.$$
**第④步 算观测值、下结论**:
$$u=\frac{2.12-2.10}{0.2/\sqrt{16}}=\frac{0.02}{0.05}=0.4.$$
$|0.4|<1.96$ ,**不在拒绝域内**,故**接受 $H_0$ **——可以认为螺钉平均长度为 $2.10$ mm。
> **⚠️ 易错**:分母是 $\sigma/\sqrt n=0.2/4=0.05$ ,不是 $\sigma=0.2$ 也不是 $S/\sqrt n$ 。
---
#### 【例 5-2】$U$ 检验·单侧右侧·$\sigma$ 已知(锚 2025·10)
> 某元件寿命 $X\sim N(\mu, 2)$ (单位:千小时)。现抽 $n=9$ 个,算得 $\bar x=1.8$ 千小时。在 $\alpha=0.05$ 下,是否有理由认为元件平均寿命**大于** $1$ 千小时?(已知 $u_{0.05}=1.645$ )
**第①步 提假设**(**方向跟着 $H_1$ 跑**):
$$H_0:\mu\le 1,\qquad H_1:\mu>1\quad(\text{右侧检验}).$$
**第②步 选统计量**:$\sigma^2=2$ **已知**,故 $\sigma=\sqrt2$ :
$$U=\frac{\bar X-1}{\sqrt2/\sqrt9}=\frac{\bar X-1}{\sqrt2/3}\ \xrightarrow{H_0}\ N(0,1).$$
**第③步 定拒绝域**:右侧,**单侧**分位点 $u_{\alpha}=u_{0.05}=1.645$ (**不是** $u_{0.025}$ ):
$$W=\{\,U\ge 1.645\,\}.$$
**第④步 算观测值、下结论**:
$$u=\frac{1.8-1}{\sqrt2/3}=\frac{0.8\times 3}{\sqrt2}=\frac{2.4}{1.414}\approx 1.70.$$
$1.70>1.645$ ,**落在拒绝域内**,故**拒绝 $H_0$ **——有理由认为元件平均寿命大于 $1$ 千小时。
> **⚠️ 易错 1**:$\sigma^2=2$ 时 $\sigma=\sqrt2$ ,别把方差直接当代入分母。
> **⚠️ 易错 2**:单侧用 $u_\alpha=1.645$ ,双侧才用 $u_{\alpha/2}=1.96$ 。方向不同,分位点不同。
---
### 5.3 三类假设与拒绝域方向
| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
|---|---|---|---|
| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$ ) |
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) |
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$ ) |
> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$ "就放在右侧,$H_1$ 是"$<$ "就放在左侧,$H_1$ 是"$\ne$ "就放两侧。
### 5.4 正态总体六大检验(拒绝域速查表)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ 。
| 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 |
|---|---|---|---|---|
| $\mu$ | $\sigma=\sigma_0$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1)$ | $\mu\ne\mu_0$ | $\lvert u\rvert\ge u_{\alpha/2}$ |
| | | | $\mu>\mu_0$ | $u\ge u_\alpha$ |
| | | | $\mu<\mu_0$ | $u\le-u_\alpha$ |
| $\mu$ | $\sigma$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$ | $\mu\ne\mu_0$ | $\lvert t\rvert\ge t_{\alpha/2}(n-1)$ |
| | | | $\mu>\mu_0$ | $t\ge t_\alpha(n-1)$ |
| | | | $\mu<\mu_0$ | $t\le-t_\alpha(n-1)$ |
| $\sigma^2$ | $\mu$ **已知**($\chi^2$ 检验) | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n)$ 或 $\ge\chi^2_{\alpha/2}(n)$ |
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n)$ |
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n)$ |
| $\sigma^2$ | $\mu$ **未知**($\chi^2$ 检验) | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n-1)$ 或 $\ge\chi^2_{\alpha/2}(n-1)$ |
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
**记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"**
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。
---
#### 【例 5-3】$T$ 检验·双侧·$\sigma$ 未知
> 某班数学成绩 $X\sim N(\mu,\sigma^2)$ ,$\sigma$ **未知**。现抽 $n=9$ 人,算得 $\bar x=72$ 分,$s=4.5$ 分。在 $\alpha=0.05$ 下,能否认为该班平均成绩为 $75$ 分?(已知 $t_{0.025}(8)=2.306$ )
**第①步**:$H_0:\mu=75$ ,$H_1:\mu\ne75$ 。
**第②步**:$\sigma$ **未知**,用 $S$ 代替 $\sigma$ ,选 $T$ 检验,自由度 $n-1=8$ :
$$T=\frac{\bar X-75}{S/\sqrt n}\ \xrightarrow{H_0}\ t(8).$$
**第③步**:双侧拒绝域 $W=\{\,|T|\ge t_{0.025}(8)=2.306\,\}$ 。
**第④步**:
$$t=\frac{72-75}{4.5/\sqrt9}=\frac{-3}{1.5}=-2,\qquad |t|=2<2.306.$$
**接受 $H_0$ **——可以认为该班平均成绩为 75 分。
> **口诀对照**:$\sigma$ 已知用 $U$ 、$\sigma$ 未知用 $T$ ;自由度从 $n$ 变 $n-1$ 。
---
#### 【例 5-4】$\chi^2$ 检验·方差·$\mu$ 未知
> 某厂钢丝折断力 $X\sim N(\mu,\sigma^2)$ 。现抽 $n=10$ 根,算得样本方差 $s^2=48.2$ 。在 $\alpha=0.05$ 下,能否认为折断力的方差为 $\sigma_0^2=64$ ?(已知 $\chi^2_{0.025}(9)=19.02$ ,$\chi^2_{0.975}(9)=2.70$ )
**第①步**:$H_0:\sigma^2=64$ ,$H_1:\sigma^2\ne64$ 。
**第②步**:$\mu$ **未知**,用样本均值代替,自由度 $n-1=9$ :
$$\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\ \xrightarrow{H_0}\ \chi^2(9).$$
**第③步**:$\chi^2$ 分布**不对称**,双侧拒绝域要**两端分别查**:
$$W=\{\,\chi^2\le\chi^2_{0.975}(9)=2.70\ \text{或}\ \chi^2\ge\chi^2_{0.025}(9)=19.02\,\}.$$
**第④步**:
$$\chi^2=\frac{9\times 48.2}{64}=\frac{433.8}{64}\approx 6.78.$$
$2.70<6.78<19.02$ ,**不在拒绝域内**,**接受 $H_0$ **——可以认为折断力方差为 64。
> **⚠️ 易错**:$\chi^2$ 双侧拒绝域不是 $|\chi^2|\ge c$ 这种对称写法!它**左尾一个临界值、右尾一个临界值**,必须分别查 $\chi^2_{\alpha/2}(n-1)$ 和 $\chi^2_{1-\alpha/2}(n-1)$ 。
---
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。
### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**)
两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。
| 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) |
|---|---|---|---|
| $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ |
| $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ |
> **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。
> **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。
---
## 6. 两类错误 🟦08 🟨2018·8 🟨2021·10
### 6.1 定义
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|---|---|---|
| **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
| **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
**公式**:
$$\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).$$
---
#### 【例 6-1】第二类错误 $\beta$ 完整计算(锚 2021·10)
> 承接【例 5-1】:$X\sim N(\mu, 0.2^2)$ ,$n=16$ ,$H_0:\mu=2.10$ ,$H_1:\mu\ne2.10$ ,$\alpha=0.05$ 。若真实均值 $\mu_1=2.20$ (即 $H_0$ 实际为假),求第二类错误概率 $\beta$ 。($\Phi(0.04)\approx0.516$ ,$\Phi(3.96)\approx1$ )
**第①步 写出拒绝域 $W$ **:
由例 5-1,$|U|\ge1.96$ ,即
$$\left|\frac{\bar X-2.10}{0.2/4}\right|\ge1.96\ \Longleftrightarrow\ |\bar X-2.10|\ge0.098.$$
**第②步 写出接受域 $\bar W$ **:
$$2.10-0.098<\bar X<2.10+0.098\quad\Longleftrightarrow\quad 2.002<\bar X<2.198.$$
**第③步 把分布换成 $H_1$ 下的分布(关键!)**:
$H_1$ 真实世界里 $\mu=\mu_1=2.20$ ,所以
$$\bar X\sim N\!\left(2.20,\ \frac{0.2^2}{16}\right)=N(2.20,\ 0.05^2).$$
> ⚠️ **这里必须把均值从 $\mu_0=2.10$ 换成 $\mu_1=2.20$ **——这是 $\beta$ 与 $\alpha$ 的本质区别:$\alpha$ 在 $H_0$ 世界算,$\beta$ 在 $H_1$ 世界算。
**第④步 算 $\beta$ **:
$$\beta=P\{\text{接受 }H_0\mid\mu=2.20\}=P\{2.002<\bar X<2.198\mid\mu=2.20\}.$$
标准化 $Z=\dfrac{\bar X-2.20}{0.05}\sim N(0,1)$ :
$$\beta=P\left\{\frac{2.002-2.20}{0.05}<Z<\frac{2.198-2.20}{0.05}\right\}=P\{-3.96<Z<-0.04\}.$$
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx(1-\Phi(0.04))-0\approx1-0.516=0.484.$$
**结论**:当真实均值为 2.20 mm 时,约有 $48.4\%$ 的概率会"错误地接受 $H_0$ "(即漏判)。
> **一句话流程**:拒绝域 → 接受域 → **换均值为 $\mu_1$ ** → 标准化查 $\Phi$ 。
### 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。
6. **两个正态总体的区间估计与检验(§4.5 / §5.6):大纲明确要求,近十年却从未考**——属"**高性价比冷门**"。一旦出现就是套公式的送分题,两张表(均值差、方差比)务必背熟。
7. **经验分布函数(§1.3)、第 $k$ 个顺序统计量(§2.6)**:数一大纲不直接要求,讲课会提到,考试不出——**了解即可**,别在这上面花计算时间。
---
## 8. 速查卡 · 陷阱清单
### 8.1 速记十四条
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。**
13. **两总体**:均值差区间/检验的中心是 $\bar X-\bar Y$ ,标准差 $\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ (或 $S_w\sqrt{\dfrac1m+\dfrac1n}$ );方差比用 $F(m-1,n-1)$ ,**区间两端反着放**。
14. **MLE 有不变性**($\widehat{g(\theta)}=g(\hat\theta)$ ),**无偏性没有**($E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$ )。
### 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)$ |
| 两总体均值差漏掉某项方差 | $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ **两项都要**,别只写一项 |
| 两总体方差比区间方向写反 | $\sigma_1^2/\sigma_2^2$ 在分母 ⟹ **大分位点配下限**(同 $\chi^2$ 区间) |
| 以为"无偏性"能传递 | 只有 **MLE** 有不变性;$E\hat\theta=\theta\not\Rightarrow Eg(\hat\theta)=g(\theta)$ |
---
> **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**见 [第5讲上 大数定律](../概率论-第5讲上-大数定律/README.md),**中心极限定理与泊松近似**见 [第5讲下](../概率论-第5讲下-中心极限定理/README.md);**数字特征($E,D,\operatorname{Cov}$ )** 见 [第4讲](../概率论-第4讲-随机变量的数字特征/README.md)。
@@ -0,0 +1,175 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 统计量, 顺序统计量]
专题: 概率论 第6讲 · 点1 总体、样本与统计量
日期: 2026-11-07
状态: 知识点带题(1.1 总体与样本、1.2 统计量与三个基本期望、1.3 顺序统计量,共 3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 1 总体、样本与统计量
> 全部解答题的前置、2024·22 直接考 $X_{(n)}$ |重要度 ★★☆
> 依赖:第 3 讲的随机变量函数、第 4 讲的期望与方差。盘点对应:§1 全节。
**组织原则**:这一点是全讲的"名词语法课"——**把"总体、样本、统计量"三个词的含义固定下来,再记住三个基本期望**。三题按"样本的联合分布 → 统计量的性质 → 顺序统计量"递进,第 3 题直接是 2024·22 的第一、二问。难度标准:★☆☆ 一题、★★☆ 两题。
## 知识点 1.1 总体与样本(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**总体**:随机变量 $X$ (或它的分布),通常带未知参数。
**简单随机样本**:$X_1,\dots,X_n$ **独立**且**与总体同分布**。
**样本值**:观测到的数 $x_1,\dots,x_n$ (小写)。
**联合分布**("独立"把所有因子拆开,"同分布"让它们长得一样):
$$f(x_1,\dots,x_n)=\prod_{i=1}^{n}f(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
**两个词各管一件事**:
- **独立** $\Rightarrow$ 联合 $=$ 边缘之积(可连乘);
- **同分布** $\Rightarrow$ 每个因子用同一个 $f$ (可写成一个 $f$ 的 $n$ 次方)。
缺任何一个,$L(\theta)=\prod f(x_i;\theta)$ 这个写法就失效,最大似然估计整条路都走不通。
## 知识点 1.2 统计量与三个基本期望(出处:[知识章 §2.1、§2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**统计量**:**不含任何未知参数**的样本函数。判断只需问一句:"给我样本值,能不能算出这个数?"能算就是统计量。
$$\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .$$
**三条必背(对任意总体成立,不要求正态)**:
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
> **$S^2$ 的分母取 $n-1$ 的道理**:因为 $E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ (第 4 讲点 5 题 4 已证)。分母取 $n$ 时期望变成 $\frac{n-1}{n}\sigma^2$ ,系统性偏小——这就是"有偏、无偏"的第一课。
## 知识点 1.3 顺序统计量(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
把样本从小到大排:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。最常用的是两端:
$$F_{X_{(n)}}(x)=\left[F(x)\right]^{n},\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^{n}.$$
**$U(0,\theta)$ 的两个现成结果(直接背)**:
$$E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^{2}=\frac{n}{n+2}\theta^{2},\qquad D X_{(n)}=\frac{n\,\theta^{2}}{(n+1)^{2}(n+2)} .$$
> **它是"支撑含参数"题的唯一出路**:$U(0,\theta)$ 的 $\theta$ 只出现在支撑上,最大似然估计不能求导,答案就是 $X_{(n)}$ 。所以这三个式子同时也是点 5 的工具。
---
## 题目(按知识点顺序对应)
### 题 1 · 1.1:联合分布与两个词的用处(★☆☆)
> 设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。
>
> (Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;
> (Ⅱ)指出"独立"与"同分布"各自用在哪一步;
> (Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗?
**怎么想**:联合密度就是把每个 $f(x_i)$ 乘起来。本题要看清的是"乘"来自独立、"同一个 $f$ "来自同分布。
**解**:
**(Ⅰ)** 单个的密度是 $f(x)=\lambda e^{-\lambda x}$ ($x>0$ )。由独立同分布,
$$f(x_1,\dots,x_n)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}x_i\right)\quad(x_i>0).$$
**(Ⅱ)** "独立"负责把联合拆成 $n$ 个因子相乘;"同分布"负责让 $n$ 个因子都是同一个 $\lambda e^{-\lambda x}$ 。两者合起来才得到 $\lambda^{n}e^{-\lambda\sum x_i}$ 这个紧凑形式。
**(Ⅲ)** 不是。若 $Y_i=X_i+c$ 是观测值,则 $Y_i$ 的密度是 $f(y_i-c)=\lambda e^{-\lambda(y_i-c)}$ ,联合密度变成
$$\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}(y_i-c)\right)=\lambda^{n}e^{-\lambda\sum y_i}\cdot e^{n\lambda c},$$
多出一个 $e^{n\lambda c}$ ——**参数进入了一个"整体因子"**。这正说明:**样本的联合密度必须按"观测值实际服从的分布"来写,不能照抄总体密度** 。
**带走结论**:**联合密度 = 单个密度的连乘,而"单个"指观测值所服从的那个**。这一点在最大似然里是生死线:写错 $f$ ,后面求导再漂亮也是零分。
> **关联** · 盘点 [§1.1 总体与样本](01-知识点盘点.md#user-content-11-总体与样本) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
---
### 题 2 · 1.2:统计量的三个基本期望(★★☆)
> 设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记
>
> $$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$$
>
> (Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;
> (Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;
> (Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量?
**怎么想**:(Ⅰ)(Ⅱ)都是第 4 讲点 5 的恒等式;(Ⅲ)只看"含不含未知参数",含 $\mu$ 或 $\sigma$ 的就不是。
**解**:
**(Ⅰ)** 线性性给期望,独立给方差:
$$E\bar X=\frac1n\sum EX_i=\frac{n\mu}{n}=\mu,\qquad D\bar X=\frac{1}{n^2}\sum DX_i=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}.$$
**(Ⅱ)** 先算偏差平方和:
$$E\sum_{i=1}^{n}(X_i-\bar X)^2=E\left(\sum X_i^2-n\bar X^2\right)=n\left(\sigma^2+\mu^2\right)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2 .$$
于是
$$ES^2=\frac{(n-1)\sigma^2}{n-1}=\sigma^2,\qquad ES_n^2=\frac{(n-1)\sigma^2}{n}=\frac{n-1}{n}\sigma^2 .$$
**(Ⅲ)** 逐一看:
| 量 | 是统计量? | 理由 |
|---|---|---|
| $\bar X$ | 是 | 只用样本 |
| $S^2$ | 是 | 只用样本 |
| $\bar X-\mu$ | **不是** | 含未知的 $\mu$ |
| $X_1+X_2$ | 是 | 只用样本(虽然浪费信息) |
| $\bar X/\sigma$ | **不是** | 含未知的 $\sigma$ |
**验算**:取 $n=2$ 直接核(Ⅱ):$\sum(X_i-\bar X)^2=\frac{(X_1-X_2)^2}{2}$ ,而 $E(X_1-X_2)^2=2\sigma^2$ ,故期望为 $\sigma^2=(n-1)\sigma^2$ ✓。
**带走结论**:**$S^2$ 无偏、$S_n^2$ 有偏,差别就在那个 $\frac{n-1}{n}$ 上** 。选择题常把 $S_n^2$ 混进来问"哪个是 $\sigma^2$ 的无偏估计",认分母就行。另外**"是不是统计量"只看含不含未知参数**,与实际好坏无关。
> **关联** · 盘点 [§1.2 统计量与三个基本期望](01-知识点盘点.md#user-content-12-统计量与三个基本期望) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
---
### 题 3 · 1.3:最大次序统计量(★★☆)
> 设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。
>
> (Ⅰ)求 $X_{(n)}$ 的分布函数与密度;
> (Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;
> (Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
**怎么想**:$X_{(n)}\le x$ 等价于"每个 $X_i$ 都 $\le x$ ",独立就能连乘——这是顺序统计量唯一需要的技巧。之后的两个矩直接积分。
**解**:
**(Ⅰ)** $U(0,\theta)$ 的分布函数 $F(x)=\dfrac{x}{\theta}$ ($0<x<\theta$ )。于是
$$F_{X_{(n)}}(x)=P\{X_1\le x,\dots,X_n\le x\}=\left(\frac{x}{\theta}\right)^{n}\quad(0<x<\theta).$$
求导得密度
$$f_{X_{(n)}}(x)=\frac{n\,x^{n-1}}{\theta^{n}}\quad(0<x<\theta).$$
**(Ⅱ)**
$$EX_{(n)}=\int_0^{\theta}x\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta .$$
$$EX_{(n)}^2=\int_0^{\theta}x^2\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n}{n+2}\theta^2 .$$
$$DX_{(n)}=\frac{n}{n+2}\theta^2-\left(\frac{n}{n+1}\theta\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\,\theta^2}{(n+1)^2(n+2)} .$$
**(Ⅲ)**
$$E\left(\frac{n+1}{n}X_{(n)}\right)=\frac{n+1}{n}\cdot\frac{n}{n+1}\theta=\theta ,$$
故 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
**验算**:取 $n=1$ ,$X_{(1)}=X_1\sim U(0,\theta)$ ,$EX_1=\frac{\theta}{2}$ ,而 $\frac{n}{n+1}\theta=\frac{\theta}{2}$ ✓;$DX_1=\frac{\theta^2}{12}$ ,公式给 $\frac{1\cdot\theta^2}{4\cdot3}=\frac{\theta^2}{12}$ ✓。
**带走结论**:**$X_{(n)}$ 系统性偏小**($EX_{(n)}=\frac{n}{n+1}\theta<\theta$ ),所以要乘 $\frac{n+1}{n}$ 才无偏;乘完之后方差是 $\frac{\theta^2}{n(n+2)}$ ——这个数在 2024·22 的均方误差一问里会再出现一次。
> **关联** · 盘点 [§1.3 顺序统计量](01-知识点盘点.md#user-content-13-顺序统计量) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
---
@@ -1,189 +0,0 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 参数估计
- 假设检验
- 试题
专题: 概率论 第6讲 · 数理统计 · 试题(18 题)
日期: 2026-10-16
题量: 18 题(A 基础 6 / B 中等 8 / C 拔高 4)
建议用时: 80 分钟(可拆两天)
关联: "[[01-考点手册]] · [[03-解析]]"
---
# 概率论 第6讲 · 数理统计 · 试题
> **用法**:先过 [[01-考点手册]],再限时 80 分钟做本卷,最后对 [[03-解析]]。
> **来源记号**:🟨 真题库第 20/21/22 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题**同结构不同数字**,做完可直接回刷真题原题。
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
---
## A 组 · 基础(直接套用,★☆☆,约 22 分钟)
**1.** 【统计量与常用统计量】设总体 $X$ 的一组样本观测值为
$$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,$$
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$ 。
(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ ;
(C)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
(D)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ 。
(Ⅱ)若 $n=16$ ,$\sigma=2$ ,取 $\alpha=0.05$ ($u_{0.025}=1.96$ ),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
---
> **做完后**:对 [[03-解析]] 逐题复盘;错题回挂 [[做题本]];方法不熟的地方回查 [[01-考点手册]] 对应小节。
@@ -0,0 +1,157 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 卡方分布, t分布, F分布]
专题: 概率论 第6讲 · 点2 三大抽样分布
日期: 2026-11-07
状态: 知识点带题(2.1 卡方、2.2 t、2.3 F,共 3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 2 三大抽样分布
> **2017·8(4 分)$+$ 2023·9(5 分)** 直接考它们的构造|重要度 ★★★
> 依赖:第 3 讲的二维正态与函数分布、标准正态。盘点对应:§2 全节。
**组织原则**:三大分布不是"三个新分布",而是**三条构造规则**——平方和给 $\chi^2$ 、标准正态除以卡方的根号给 $t$ 、两个卡方之比给 $F$ 。三题各练一条,第 3 题额外落在"倒数互换"这个查表必备的技巧上。难度标准:★☆☆ 一题、★★☆ 两题。
## 知识点 2.1 卡方分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$X_1,\dots,X_n\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^{2}\sim\chi^{2}(n).$$
**三条性质**:
1. $E\chi^2(n)=n$ 、$D\chi^2(n)=2n$ ;
2. **可加性**:独立的 $\chi^2(n_1)$ 与 $\chi^2(n_2)$ 之和为 $\chi^2(n_1+n_2)$ ;
3. 上 $\alpha$ 分位点 $\chi^2_\alpha(n)$ 满足 $P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ ,**表里给的是上侧面积**。
## 知识点 2.2 t 分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$X\sim N(0,1),\ Y\sim\chi^{2}(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).$$
**四条性质**:
1. 密度**关于 $0$ 偶对称**,故 $t_{1-\alpha}(n)=-t_\alpha(n)$ ;
2. $n>2$ 时 $DT=\dfrac{n}{n-2}$ (比标准正态"厚尾",所以方差更大);
3. $n\to\infty$ 时 $t(n)\to N(0,1)$ ;
4. **"除以根号"里不能漏掉 $n$ 这个数**:分母是 $\sqrt{Y/n}$ ,不是 $\sqrt Y$ 。
## 知识点 2.3 F 分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$U\sim\chi^{2}(n_1),\ V\sim\chi^{2}(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).$$
**两条互换公式(查表必备)**:
$$\frac{1}{F}\sim F(n_2,n_1)\quad\Longrightarrow\quad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_{\alpha}(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^{2}\sim F(1,n).$$
> **两个自由度不能交换**:$F(n_1,n_2)$ 与 $F(n_2,n_1)$ 是两个不同的分布,交换的代价是取倒数。2023·9 就是在这里设错。
---
## 题目(按知识点顺序对应)
### 题 1 · 2.1:平方和就是卡方(★☆☆)
> 设 $X_1,\dots,X_5$ 独立同分布于 $N(0,1)$ 。记 $Q_1=\sum\limits_{i=1}^{5}X_i^{2}$ 。已知 $\chi^2_{0.05}(5)=11.07$ 、$\chi^2_{0.05}(10)=18.31$ 。
>
> (Ⅰ)指出 $Q_1$ 的分布,并求 $EQ_1$ 与 $DQ_1$ ;
> (Ⅱ)求 $P\{Q_1>11.07\}$ ;
> (Ⅲ)若 $X_6,\dots,X_{10}$ 也独立同分布于 $N(0,1)$ 且与前 5 个独立,指出 $Q_2=\sum\limits_{i=1}^{10}X_i^{2}$ 的分布,并说明 $Q_1$ 与 $Q_2-Q_1$ 是否独立。
**怎么想**:平方和 + 标准正态 = 卡方,自由度就是项数。第(Ⅲ)问用可加性;独立性来自"两组变量互不相交"。
**解**:
**(Ⅰ)** 由定义
$$Q_1=\sum_{i=1}^{5}X_i^{2}\sim\chi^{2}(5),\qquad EQ_1=5,\qquad DQ_1=2\times5=10 .$$
**(Ⅱ)** 由上侧分位点的定义,
$$P\{Q_1>11.07\}=P\{Q_1>\chi^2_{0.05}(5)\}=0.05 .$$
**(Ⅲ)** 由可加性,$Q_2\sim\chi^{2}(10)$ 。而 $Q_2-Q_1=\sum\limits_{i=6}^{10}X_i^{2}$ 只用到后 5 个变量,$Q_1$ 只用到前 5 个,两组互不相交且整体独立,故
$$Q_1\ \text{与}\ Q_2-Q_1\ \text{独立},\qquad Q_2-Q_1\sim\chi^{2}(5).$$
**验算**:$EQ_2=10=EQ_1+E(Q_2-Q_1)=5+5$ ✓;$DQ_2=20=10+10$ ✓(独立才可加)。
**带走结论**:**卡方的自由度 = 平方项的个数**。"可加"与"可拆"是同一件事:$\chi^2(n_1+n_2)$ 能拆成两个独立卡方之和,反之也成立。**拆之前必须确认两组变量互不相交**,若共用某个 $X_i$ 就不独立了。
> **关联** · 盘点 [§2.1 卡方分布](01-知识点盘点.md#user-content-21-卡方分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
---
### 题 2 · 2.2:t 的构造与对称性(★★☆)
> 设 $X\sim N(0,1)$ 、$Y\sim\chi^{2}(9)$ ,且 $X$ 与 $Y$ 相互独立。记 $T=\dfrac{X}{\sqrt{Y/9}}$ ,已知 $t_{0.025}(9)=2.262$ 。
>
> (Ⅰ)指出 $T$ 的分布;
> (Ⅱ)求 $P\{\lvert T\rvert>2.262\}$ 与 $P\{T>2.262\}$ ;
> (Ⅲ)指出 $T^{2}$ 的分布。
**怎么想**:(Ⅰ)照定义;(Ⅱ)用偶对称把双侧拆成两个单侧;(Ⅲ)用 $t^2=F(1,n)$ 。
**解**:
**(Ⅰ)** 分子标准正态、分母是"卡方除自由度再开根号",且两者独立,由定义
$$T\sim t(9).$$
**(Ⅱ)** 由偶对称,
$$P\{\lvert T\rvert>2.262\}=P\{T>2.262\}+P\{T<-2.262\}=2P\{T>2.262\}.$$
而 $t_{0.025}(9)=2.262$ 意味着上侧面积 $\alpha=0.025$ ,即 $P\{T>2.262\}=0.025$ ,故
$$P\{\lvert T\rvert>2.262\}=2\times0.025=0.05 .$$
**(Ⅲ)** 由 $T^{2}\sim F(1,n)$ ,
$$T^{2}=\frac{X^{2}}{Y/9}\sim F(1,9).$$
**验算**:$X^{2}\sim\chi^{2}(1)$ ,故 $T^2=\dfrac{X^2/1}{Y/9}$ 正是 $F(1,9)$ 的定义式 ✓。
**带走结论**:**$t_{\alpha/2}(n)$ 用于双侧、$t_\alpha(n)$ 用于单侧**,这是区间估计与假设检验里最容易差一倍的地方。另外 **$t$ 分布"厚尾"**:$n=9$ 时 $DT=\frac{9}{7}\approx1.29>1$ ,所以同样的置信度下 $t$ 分位点比 $z$ 分位点大($2.262>1.96$ )。
> **关联** · 盘点 [§2.2 t 分布](01-知识点盘点.md#user-content-22-t-分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
---
### 题 3 · 2.3:F 的两个自由度与倒数互换(★★☆)
> 设 $U\sim\chi^{2}(8)$ 、$V\sim\chi^{2}(12)$ ,且 $U$ 与 $V$ 相互独立。记 $F=\dfrac{U/8}{V/12}$ 。已知 $F_{0.05}(8,12)=2.85$ 、$F_{0.05}(12,8)=3.28$ 。
>
> (Ⅰ)指出 $F$ 的分布;
> (Ⅱ)求 $P\{F>2.85\}$ ,并写出用 $F_{0.95}(12,8)$ 表示 $F_{0.05}(8,12)$ 的关系式、算出 $F_{0.95}(12,8)$ 的值;
> (Ⅲ)若 $T\sim t(12)$ ,指出 $T^{2}$ 的分布,并与(Ⅰ)对照。
**怎么想**:(Ⅰ)照定义,注意两个自由度按"分子在前"的顺序写。(Ⅱ)的互换公式是查表唯一的路——表里只给上侧小 $\alpha$ 的分位点,要算下侧分位点必须倒数换。
**解**:
**(Ⅰ)**
$$F=\frac{U/8}{V/12}\sim F(8,\ 12).$$
**(Ⅱ)** 由上侧分位点定义,
$$P\{F>2.85\}=0.05 .$$
由倒数性质 $\dfrac{1}{F}\sim F(12,8)$ ,
$$F_{0.95}(8,12)=\frac{1}{F_{0.05}(12,8)}=\frac{1}{3.28}\approx0.305 .$$
(写全:$P\{F_{0.95}(8,12)<F<F_{0.05}(8,12)\}=1-2\times0.05=0.90$ ,这两个端点就是一维 $90\%$ 区间的两端。)
**(Ⅲ)**
$$T^{2}\sim F(1,\ 12).$$
与(Ⅰ)对照:$F(1,12)$ 的分子是 $\chi^2(1)/1$ ,而 $T^2$ 的分子正是 $X^2/1$ ,分母是 $Y/12$ ——完全同构 ✓。**所以 $F$ 分布不是新东西,它是 $t$ 的平方推广到"两个卡方之比"。**
**验算**:$F_{0.95}(12,8)=\frac{1}{F_{0.05}(8,12)}$ 里的两组自由度**交换了顺序**:左边是 $(12,8)$ ,右边分母是 $(8,12)$ 。若写成 $\frac{1}{F_{0.05}(12,8)}=\frac{1}{3.28}$ 就错了——那是另一个分布的分位点。
**带走结论**:**两个自由度必须"分子在前、分母在后",互换时同时取倒数**。这条在方差比的区间估计里是唯一的桥:区间上端用 $F_{\alpha/2}(n_1-1,n_2-1)$ ,下端要用 $F_{1-\alpha/2}$ ,而它只能由倒数算出来。
> **关联** · 盘点 [§2.3 F 分布](01-知识点盘点.md#user-content-23-f-分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
---
@@ -1,561 +0,0 @@
---
tags:
- 数学一
- 在学练习
- 概率论
- 数理统计
- 解析
专题: 概率论 第6讲 · 数理统计 · 解析(18 题)
日期: 2026-10-16
关联: "[[01-考点手册]] · [[02-试题]]"
---
# 概率论 第6讲 · 数理统计 · 解析
> **用法**:先做完 [[02-试题]] 再对答案。每题给「**答案 / 思路 / 易错点**」,标「真题骨架」的题注明对应真题。
---
## A 组 · 基础
### 第 1 题 · 统计量与常用统计量
**(Ⅰ)答案**:$\bar X=5$ ,$S^2=7.5$ ,$B_2=6$ 。
**思路**:
$$\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 +1,168 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 抽样分布, 正态总体]
专题: 概率论 第6讲 · 点3 正态总体的抽样分布
日期: 2026-11-07
状态: 知识点带题(3.1 四个结论、3.2 两总体,共 3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 3 正态总体的抽样分布
> **2017·8(4 分)$+$ 2023·9(5 分)**,而且它是后面区间估计与假设检验的**唯一工具箱**|重要度 ★★★
> 依赖:点 2 的三大分布。盘点对应:§3 全节。
**组织原则**:这一点只有四个结论,但必须**背到"看到统计量就知道分布"**。三题按"四个结论的辨析 → 用卡方算概率 → 两总体的方差比"递进。第 1 题是 2017·8 的真题形态(四选一找错的),**错项永远设在"分母是 $\sqrt n$ 还是 $\sqrt{n-1}$ "上**。难度标准:三题都是 ★★☆。
## 知识点 3.1 单总体的四个结论(出处:[知识章 §2.5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
$$\text{①}\ \bar X\sim N\left(\mu,\ \frac{\sigma^2}{n}\right)\ \Longrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1);$$
$$\text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1);$$
$$\text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
**四条要点**:
1. ①里的分母是 $\sigma/\sqrt n$ ——$n$ 在根号里,**样本越大均值越集中**;
2. ②的自由度是 $n-1$ ,因为 $\sum(X_i-\bar X)^2$ 里用掉了一个自由度给 $\bar X$ ;
3. ③ **只在正态总体下成立**,是 ④ 的前提(否则分子分母不独立,构不成 $t$ );
4. **④ 的分子分母不能"约掉 $n$ "** :$\dfrac{\bar X-\mu}{S/\sqrt n}$ 里 $n$ 的位置与 ① 一致。
## 知识点 3.2 两总体的情形(出处:[知识章 §2.5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
两样本独立,$X_i\sim N(\mu_1,\sigma_1^2)$ ($i=1..n_1$ )、$Y_j\sim N(\mu_2,\sigma_2^2)$ ($j=1..n_2$ ):
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).$$
**方差相等时的合并**(pooled):
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).$$
> **合并方差的自由度**:$(n_1-1)+(n_2-1)=n_1+n_2-2$ ——两个方差各贡献自己的自由度,这正是"相加"的原因。
---
## 题目(按知识点顺序对应)
### 题 1 · 3.1:四选一找错(★★☆)
> 设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。
>
> (A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$
> (B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$
> (C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$
> (D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
**怎么想**:逐个对照四个结论。(A)看"是不是标准正态的平方和";(B)看自由度;(C)(D)看分母里 $n$ 的位置。
**解**:**选(C)**。
**(A)正确**:$\sigma=1$ ,故 $X_i-\mu\sim N(0,1)$ 且相互独立,$n$ 个标准正态的平方和服从 $\chi^2(n)$ 。
**(B)正确**:这是结论 ② 在 $\sigma=1$ 时的样子,自由度 $n-1$ 。
**(C)错误**:由结论 ①,$\bar X\sim N\left(\mu,\frac1n\right)$ ,标准化得 $\dfrac{\bar X-\mu}{1/\sqrt n}\sim N(0,1)$ 。由结论 ②,$\dfrac{(n-1)S^2}{1}\sim\chi^2(n-1)$ ,即 $\dfrac{\chi^2(n-1)}{n-1}=S^2$ 。两者独立,按 $t$ 的定义(标准正态除以"卡方除自由度"的平方根)得
$$\frac{\bar X-\mu}{S/\sqrt{n}}\sim t(n-1).$$
分母是 $S/\sqrt n$ ,不是 $S/\sqrt{n-1}$ 。(C)把 $n$ 写成了 $n-1$ ,错。
**(D)正确**:由 $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ 及 $T^2\sim F(1,n-1)$ ,
$$T^{2}=\frac{(\bar X-\mu)^2}{S^2/n}=\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1).$$
**验算**:取 $n=2$ 数值代入(C)看荒谬性:若(C)成立,则 $\dfrac{\bar X-\mu}{S}$ 会服从 $t(1)$ ,而正确的统计量是 $\dfrac{\bar X-\mu}{S/\sqrt2}=\sqrt2\cdot\dfrac{\bar X-\mu}{S}$ 。两者差一个 $\sqrt2$ 的缩放,$t$ 分布不是尺度不变的,所以不可能都对 ✓。
**带走结论**:**看到 $\dfrac{\bar X-\mu}{\cdot}$ 这种形状,分母一律取** $S/\sqrt n$ 。$\sqrt{n-1}$ 只在 $\chi^2$ 那一路出现(通过 $S^2$ 的自由度),从不直接出现在 $t$ 的分母里。这一条能秒杀绝大多数"找错"型选择题。
> **关联** · 盘点 [§3.1 单总体的四个结论(本讲的核心)](01-知识点盘点.md#user-content-31-单总体的四个结论本讲的核心) | 上游 — | 下游 [点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率) | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
---
### 题 2 · 3.1:用卡方算样本方差的概率(★★☆)
> 设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求
>
> (Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;
> (Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;
> (Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。
**怎么想**:核心是把 $S^2$ 的不等式化成 $\chi^2(9)$ 的不等式。**除以 $\sigma^2$ 再乘 $n-1$ 就标准化了**——这一步定了,后面只是查表。
**解**:
先记:$\dfrac{(n-1)S^2}{\sigma^2}=\dfrac{9S^2}{\sigma^2}\sim\chi^{2}(9)$ 。
**(Ⅰ)** 直接是上侧分位点的定义:
$$P\left\{\frac{9S^2}{\sigma^2}>16.92\right\}=P\left\{\chi^{2}(9)>\chi^{2}_{0.05}(9)\right\}=0.05 .$$
**(Ⅱ)** 两边同乘 $\dfrac{9}{\sigma^2}$ :
$$S^2>1.88\sigma^2\iff\frac{9S^2}{\sigma^2}>9\times1.88=16.92,$$
$$P\{S^2>1.88\sigma^2\}=0.05 .$$
**(Ⅲ)** 同样是同乘:
$$S^2<0.369\sigma^2\iff\frac{9S^2}{\sigma^2}<9\times0.369=3.321\approx3.325=\chi^{2}_{0.95}(9),$$
故
$$P\{S^2<0.369\sigma^2\}\approx P\{\chi^2(9)<\chi^2_{0.95}(9)\}=0.05 .$$
(因为 $\chi^2_{0.95}(9)$ 的**左侧**面积是 $1-0.95=0.05$ 。)
**验算**:$9\times0.369=3.321$ ,与 $3.325$ 差 $0.004$ ,在查表精度内 ✓。
**带走结论**:**系数换算要"同乘 $n-1$ 再除 $\sigma^2$ "** ,且 $\chi^2_\alpha$ 是**上**侧分位点,所以"小于"方向对应的是 $1-\alpha$ 。**这条方向搞反,区间估计的上下限就会颠倒**,是点 7 最易失分处。
> **关联** · 盘点 [§3.1 单总体的四个结论(本讲的核心)](01-知识点盘点.md#user-content-31-单总体的四个结论本讲的核心) | 上游 [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错) | 下游 — | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
---
### 题 3 · 3.2:两总体的方差比(★★☆)
> 设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。
>
> (Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?
> (Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?
> (Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。
**怎么想**:(Ⅰ)的关键是**先把各自的 $\sigma_i^2$ 除掉**,让分子分母都变成"标准卡方"。本题 $\sigma_1^2=\sigma^2$ 、$\sigma_2^2=2\sigma^2$ ,差一个 $2$ ,这个 $2$ 必须补上。
**解**:
**(Ⅰ)** 由结论 ②,
$$\frac{(n-1)S_1^2}{\sigma^2}\sim\chi^{2}(n-1),\qquad \frac{(m-1)S_2^2}{2\sigma^2}\sim\chi^{2}(m-1).$$
两者独立,按 $F$ 的定义(各除自由度再相除):
$$\frac{\dfrac{(n-1)S_1^2}{\sigma^2}\Big/(n-1)}{\dfrac{(m-1)S_2^2}{2\sigma^2}\Big/(m-1)}=\frac{S_1^2/\sigma^2}{S_2^2/(2\sigma^2)}=\frac{2S_1^2}{S_2^2}\sim F(n-1,\ m-1).$$
所以乘以常数 $2$ 即可。
**(Ⅱ)** 不能。$\dfrac{2S_1^2}{S_2^2}$ 的分布虽然已知,但它**不含任何未知参数**——也就无从反解出 $\sigma^2$ 。能构造区间的是**方差之比** $\dfrac{\sigma_1^2}{\sigma_2^2}$ :
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n-1,m-1)\ \Longrightarrow\ \frac{\sigma_1^2}{\sigma_2^2}\ \text{的置信区间由}\ F\ \text{分位点反解}.$$
本题已知 $\sigma_2^2=2\sigma^2$ ,$\dfrac{\sigma_1^2}{\sigma_2^2}$ 恒为 $\dfrac12$ ,是常数,也不需要区间。
**(Ⅲ)** 合并方差
$$S_w^2=\frac{(n-1)S_1^2+(m-1)S_2^2}{n+m-2},$$
检验 $\mu_1=\mu_2$ 的统计量($H_0$ 下)
$$t=\frac{\bar X-\bar Y}{S_w\sqrt{\dfrac1n+\dfrac1m}}\sim t(n+m-2).$$
**验算**:$n=5$ 、$m=6$ 时自由度 $=5-1+6-1=9=n+m-2$ ✓;若误写成 $n+m-1$ 就多算了一个。
**带走结论**:**两总体的题先把 $\sigma_i^2$ 除掉**,这一步做出了,$F$ 就自动出现。**判断"能不能构造某个参数的区间"只看统计量里含不含该参数**——不含就只能构造"比值"或"差"的区间。
> **关联** · 盘点 [§3.2 两总体的情形](01-知识点盘点.md#user-content-32-两总体的情形) | 上游 — | 下游 — | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
---
@@ -0,0 +1,111 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 矩估计]
专题: 概率论 第6讲 · 点4 矩估计
日期: 2026-11-07
状态: 知识点带题(4.1 原理与步骤、4.2 两个陷阱,共 2 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 4 矩估计
> 2017·23 的第一问;作为"送分的第一问"出现频率极高|重要度 ★★★
> 依赖:点 1 的样本矩、第 4 讲的期望与方差。盘点对应:§4 全节。
**组织原则**:矩估计是点估计里**唯一有固定套路**的方法——写出总体矩,令它等于样本矩,解方程。两题分工:第 1 题练"一阶矩就够"的标准流程,第 2 题专治"一阶矩里没有参数"这个最常见的卡壳点。难度标准:★☆☆ 一题、★★☆ 一题。
## 知识点 4.1 原理与步骤(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**一句话原理**:**用样本矩替换总体矩**。
$$A_k=\frac1n\sum_{i=1}^{n}X_i^{k}\ \xrightarrow{\ \text{替代}\ }\ EX^{k}\quad(k=1,2,\dots).$$
**两步**:
1. 写出**总体矩** $EX^k$ ,让它带参数;
2. 令 $EX^k=A_k$ ,**方程个数 $=$ 未知参数个数**,解出参数。
> **先数参数、再定阶数**:两个未知参数就要用到二阶矩,这是唯一需要预先判断的事。
## 知识点 4.2 两个陷阱(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**陷阱一:一阶矩里没有参数**。如 $X\sim N(0,\sigma^2)$ 时 $EX=0$ ,与 $\sigma$ 无关,方程恒成立、解不出东西。此时必须升到二阶矩。
**陷阱二**:二阶矩用 $A_2$ 还是 $S^2$ ?矩估计法**规定用二阶原点矩** $A_2=\frac1n\sum X_i^2$ ,不是 $S^2$ 。两者只差一个系数:
$$S^2=\frac{n}{n-1}A_2-\frac{n}{n-1}\bar X^2\quad\Longrightarrow\quad A_2=\frac{n-1}{n}S^2+\bar X^2 .$$
> **后果**:用 $A_2$ 得到的估计量是**有偏**的($EA_2=\sigma^2+\mu^2$ 之类),但这不影响矩估计的合法性——矩估计从来不以无偏为目标,只保证**相合**。要无偏得再修正,那是点 6 的事。
---
## 题目(按知识点顺序对应)
### 题 1 · 4.1:一阶矩就够的情形(★☆☆)
> 设总体 $X$ 的概率密度为
>
> $$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$
>
> $X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
**怎么想**:只有一个未知参数,用一阶矩。先算 $EX$ (带 $\theta$ ),再令它等于 $\bar X$ ,最后把 $\theta$ 解出来——**解方程这一步最容易算错符号**。
**解**:
先算总体一阶矩:
$$EX=\int_0^{1}x\cdot(\theta+1)x^{\theta}\,\mathrm dx=(\theta+1)\int_0^{1}x^{\theta+1}\,\mathrm dx=\frac{\theta+1}{\theta+2}.$$
令 $EX=\bar X$ :
$$\frac{\theta+1}{\theta+2}=\bar X\quad\Longrightarrow\quad \theta+1=\bar X(\theta+2)\quad\Longrightarrow\quad \theta(1-\bar X)=2\bar X-1 .$$
故矩估计量
$$\hat\theta=\frac{2\bar X-1}{1-\bar X}\qquad\left(\bar X\ne1\right).$$
**验算**:取 $\theta=0$ ,此时 $f(x)=1$ 即 $U(0,1)$ ,$EX=\frac12$ 。代入公式:$\hat\theta=\dfrac{2\cdot\frac12-1}{1-\frac12}=\dfrac{0}{0.5}=0$ ✓。再取 $\theta=1$ ($f=2x$ ,$EX=\frac23$ ):$\hat\theta=\dfrac{\frac43-1}{1-\frac23}=\dfrac{1/3}{1/3}=1$ ✓。
**带走结论**:**矩估计的答案一定写成"只含样本"的形式**($\bar X$ 、$A_2$ 等),不能留着 $\theta$ 。另外要标出**定义域**:本题 $\bar X\ne1$ ,且当 $\bar X<\frac12$ 时 $\hat\theta<0$ 会越界——这时按"参数范围"截断到 $-1$ 。
> **关联** · 盘点 [§4.1 原理与步骤](01-知识点盘点.md#user-content-41-原理与步骤) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
---
### 题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)
> (Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。
>
> (Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
**怎么想**:(Ⅰ)一阶矩 $EX=0$ 与 $\sigma$ 无关,方程退化成"$0=0$ ",所以必须升到二阶矩。(Ⅱ)两个参数用两个矩,第二式解出的是 $\frac1n\sum(X_i-\bar X)^2$ ——注意它与 $S^2$ **不相等**。
**解**:
**(Ⅰ)** 一阶矩 $EX=0$ ,不含 $\sigma$ ,令 $EX=\bar X$ 得 $0=\bar X$ ,与 $\sigma$ 无关,**方程无效**。
改用二阶矩:$EX^2=DX+(EX)^2=\sigma^2$ 。令 $EX^2=A_2=\frac1n\sum X_i^2$ ,得
$$\hat\sigma^2=A_2=\frac1n\sum_{i=1}^{n}X_i^2,\qquad \hat\sigma=\sqrt{\frac1n\sum_{i=1}^{n}X_i^2}.$$
**(Ⅱ)** 两个方程:
$$EX=\mu\ \Rightarrow\ \hat\mu=\bar X;\qquad EX^2=\mu^2+\sigma^2\ \Rightarrow\ \hat\sigma^2=A_2-\bar X^2 .$$
而
$$A_2-\bar X^2=\frac1n\sum X_i^2-\bar X^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2=S_n^2 .$$
所以
$$\hat\mu=\bar X,\qquad \hat\sigma^2=S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$$
**无偏性**:由点 1 题 2,$ES_n^2=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ ,故 $\hat\sigma^2$ **有偏**(系统性偏小)。若改用 $S^2$ 才无偏。
**验算**:(Ⅰ)里 $\hat\sigma^2$ 的期望:$E A_2=EX^2=\sigma^2$ ✓,所以**(Ⅰ)的 $\hat\sigma^2$ 反而无偏**——这与(Ⅱ)恰好相反,原因是一阶矩是否为 $0$ 决定了"减不减 $\bar X^2$ "。
**带走结论**:**同一个参数,在不同的总体设定下矩估计可能不同,无偏性也可能不同**。规律是:**只要 $\mu$ 未知、需要先估 $\mu$ ,$\sigma^2$ 的矩估计就必然是 $S_n^2$ (有偏)**;而 $\mu$ 已知为 $0$ 时用 $A_2$ (无偏)。这一条把 2019·23 与 2017·23 的分叉点讲清了。
> **关联** · 盘点 [§4.2 两个陷阱](01-知识点盘点.md#user-content-42-两个陷阱) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
---
@@ -0,0 +1,215 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 最大似然估计]
专题: 概率论 第6讲 · 点5 最大似然估计
日期: 2026-11-07
状态: 知识点带题(5.1 似然函数与三步、5.2 支撑含参数,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 5 最大似然估计
> **2018·23、2019·23、2020·23、2022·22 —— 十年四道大题,约 45 分**,是全讲最重的一点|重要度 ★★★
> 依赖:点 1 的联合密度。盘点对应:§5 全节。
**组织原则**:MLE 的动作极其固定,**唯一的变量是"支撑含不含参数"**。四题分两组:前两题(5.1)支撑固定,老老实实取对数求导;后两题(5.2)支撑含参数,只能看单调性。**这个分叉决定了 45 分里的 11 分能不能拿**。难度标准:★★☆ 两题、★★★ 两题。
## 知识点 5.1 似然函数与三步(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$L(\theta)=\prod_{i=1}^{n}f(x_i;\theta)\ \ (\text{离散型用}\ \prod p(x_i;\theta)),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).$$
**三步**:
1. 写 $L(\theta)$ (**连同支撑条件一起写**);
2. 取对数 $\ln L$ (乘积变加法,指数变系数);
3. 对参数求导令零,解出 $\hat\theta$ ;**最后检查是否为最大值**(二阶导或单调性)。
**多参数**:对每个参数分别求偏导,联立解方程组。
**不变性(省一半功夫)**:若 $\hat\theta$ 是 $\theta$ 的 MLE,则对任意函数 $g$ ,$g(\hat\theta)$ 是 $g(\theta)$ 的 MLE。**所以求 $\lambda$ 的 MLE 之后,$1/\lambda$ 的 MLE 直接取倒数,不必重算。**
## 知识点 5.2 支撑含参数(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
当密度的非零区间端点含参数(如 $0<x<\theta$ 、$x\ge\mu$ )时,$L$ 里出现**示性函数**:
$$L(\theta)=\theta^{-n}\cdot\mathbf 1\{0<x_{(n)}<\theta\}\quad(\text{以 }U(0,\theta)\text{ 为例}).$$
**求导这条路彻底断了**——$\mathbf 1$ 不是可导函数。此时只能看 $L$ 关于 $\theta$ 的**单调性**:
| $L$ 的单调性 | $\hat\theta$ 取什么 |
|---|---|
| 随 $\theta$ 增大而**减小** | 取 $\theta$ 的**最小可行值**(常为 $X_{(n)}$ ) |
| 随 $\theta$ 增大而**增大** | 取 $\theta$ 的**最大可行值**(常为 $X_{(1)}$ ) |
**判断"可行"的界**:约束来自"所有 $x_i$ 都必须落在支撑内",即 $\theta\ge x_{(n)}$ (或 $\mu\le x_{(1)}$ )。所以最小可行值就是 $X_{(n)}$ 。
> **写答案时必须带一句**:"因为 $L$ 关于 $\theta$ 单调递减,且 $\theta\ge X_{(n)}$ ,故 $\hat\theta=X_{(n)}$ 。"没有这句话,阅卷按"未说明取边界"扣分。
---
## 题目(按知识点顺序对应)
### 题 1 · 5.1:指数分布与不变性(★★☆)
> 设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。
>
> (Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;
> (Ⅱ)求 $P\{X>t\}$ 的最大似然估计;
> (Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同?
**怎么想**:(Ⅰ)标准三步;(Ⅱ)用不变性,把 $\hat\lambda$ 代进 $P\{X>t\}=e^{-\lambda t}$ 即可;(Ⅲ)一阶矩 $EX=\frac1\lambda$ ,与(Ⅰ)的答案应当是同一个。
**解**:
**(Ⅰ)** 似然函数
$$L(\lambda)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}e^{-\lambda\sum x_i}\quad(x_i>0).$$
取对数:
$$\ln L=n\ln\lambda-\lambda\sum_{i=1}^{n}x_i .$$
求导令零:
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{n}{\lambda}-\sum_{i=1}^{n}x_i=0\quad\Longrightarrow\quad\hat\lambda=\frac{n}{\sum\limits_{i=1}^{n}X_i}=\frac{1}{\bar X}.$$
二阶导 $-\dfrac{n}{\lambda^2}<0$ ,确为最大值。
**(Ⅱ)** $P\{X>t\}=e^{-\lambda t}$ ,由不变性,
$$\widehat{P\{X>t\}}=e^{-\hat\lambda t}=e^{-t/\bar X}.$$
**(Ⅲ)** 矩估计:$EX=\dfrac1\lambda$ ,令 $\dfrac1\lambda=\bar X$ ,得 $\hat\lambda=\dfrac{1}{\bar X}$ 。**与(Ⅰ)完全相同。**
**验算**:两法同解并不偶然——指数分布是**单参数指数族**,其矩估计与 MLE 在多数情形下重合(拉普拉斯分布、正态的 $\mu$ 也如此)。但**不是普遍规律**:本题第 2、4 题里两法就不同。
**带走结论**:**先取对数再求导**是指数型密度的捷径,因为 $\ln$ 把 $\prod$ 变成 $\sum$ 、把 $e^{-\lambda\sum x_i}$ 变成 $-\lambda\sum x_i$ 。另外**不变性可以层层传递**:算出 $\hat\lambda$ 后,任何 $\lambda$ 的函数($e^{-\lambda t}$ 、$\frac1\lambda$ 、$\lambda^2$ )的 MLE 都是把 $\hat\lambda$ 代进去。
> **关联** · 盘点 [§5.1 似然函数与三步](01-知识点盘点.md#user-content-51-似然函数与三步) | 上游 — | 下游 [点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松) | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
---
### 题 2 · 5.1:两组不同参数的泊松(★★☆)
> 设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。
>
> (Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;
> (Ⅱ)判断 $\hat\theta$ 是否无偏;
> (Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么?
**怎么想**:两组样本共用同一个 $\theta$ ,所以**联合似然要乘在一起**——这是本题唯一的难点。取对数后 $\theta$ 只以 $\ln\theta$ 与 $\theta$ 两种形式出现,求导很干净。
**解**:
**(Ⅰ)** 似然函数(两个总体的联合):
$$L(\theta)=\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}\cdot\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}=\frac{\theta^{\sum x_i+\sum y_j}\,2^{\sum y_j}\,e^{-(n+2m)\theta}}{\prod x_i!\prod y_j!}.$$
取对数(丢掉与 $\theta$ 无关的常数):
$$\ln L=\left(\sum x_i+\sum y_j\right)\ln\theta-(n+2m)\theta+C.$$
求导令零:
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0\quad\Longrightarrow\quad \hat\theta=\frac{\sum\limits_{i=1}^{n}X_i+\sum\limits_{j=1}^{m}Y_j}{n+2m}.$$
**(Ⅱ)** 由 $EX_i=\theta$ 、$EY_j=2\theta$ ,
$$E\hat\theta=\frac{n\theta+m\cdot2\theta}{n+2m}=\frac{(n+2m)\theta}{n+2m}=\theta .$$
故 $\hat\theta$ **无偏**。
**(Ⅲ)** 把 $2$ 换成 $k$ 重走一遍:$e^{-(n+km)\theta}$ ,求导得
$$\hat\theta=\frac{\sum x_i+\sum y_j}{n+km}.$$
**验算**:$k=1$ 时退化为"\(n+m\) 个同分布泊松"的 $\hat\theta=\dfrac{\sum x+\sum y}{n+m}$ ✓;$k=1$ 且 $m=0$ 时退化为 $\hat\theta=\bar X$ ✓。
**带走结论**:**"两组样本、一个参数"的题,答案永远是"分子加总、分母加权"** :分母是 $\sum n_i k_i$ ,其中 $k_i$ 是该组参数与 $\theta$ 的比例。这个结构在无偏性上也自动成立,所以**这类 MLE 常常恰好无偏**(因为似然是两部分信息的加权平均)。
> **关联** · 盘点 [§5.1 似然函数与三步](01-知识点盘点.md#user-content-51-似然函数与三步) | 上游 [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性) | 下游 — | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
---
### 题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)
> 设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。
>
> (Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;
> (Ⅱ)求 $\theta$ 的最大似然估计;
> (Ⅲ)该估计量是否无偏?若无偏请修正。
**怎么想**:$L$ 的支撑是 $0<x_i<\theta$ ,等价于 $\theta>x_{(n)}$ 。在这个约束下 $L=\theta^{-n}$ 随 $\theta$ 增大而减小,所以取最小可行值。
**解**:
**(Ⅰ)** 单个密度 $f(x;\theta)=\dfrac1\theta\ (0<x<\theta)$ ,故
$$L(\theta)=\prod_{i=1}^{n}\frac1\theta\cdot\mathbf 1\{0<x_i<\theta\}=\frac{1}{\theta^{n}}\cdot\mathbf 1\{\theta>x_{(n)}\}.$$
**不能求导的原因**:$\mathbf 1\{\theta>x_{(n)}\}$ 是跳跃函数,在 $\theta=x_{(n)}$ 处不可导;而且 $L$ 在可行域**内部**没有驻点($\frac{\mathrm d}{\mathrm d\theta}\theta^{-n}=-\frac{n}{\theta^{n+1}}\ne0$ ),求导令零会得到"无解"。
**(Ⅱ)** 在可行域 $\theta>x_{(n)}$ 上,$L=\theta^{-n}$ **关于 $\theta$ 严格递减**,所以取最小的可行 $\theta$ :
$$\hat\theta=X_{(n)} .$$
(严格说似然在 $\theta=x_{(n)}$ 处取到上确界,故 MLE 为 $X_{(n)}$ 。)
**(Ⅲ)** 由点 1 题 3,$EX_{(n)}=\dfrac{n}{n+1}\theta<\theta$ ,**有偏**。修正:
$$\tilde\theta=\frac{n+1}{n}X_{(n)},\qquad E\tilde\theta=\theta .$$
**验算**:$n=1$ 时 $\hat\theta=X_1$ ,$EX_1=\frac{\theta}{2}\ne\theta$ ,偏得最厉害;$n\to\infty$ 时 $\frac{n}{n+1}\to1$ ,偏差消失——这与"$X_{(n)}$ 相合"一致。
**带走结论**:**看到支撑带参数,立刻放弃求导**。判断规则只有一条:**$L$ 的单调方向决定取哪个端点**。$U(0,\theta)$ 型(上端含参数)取 $X_{(n)}$ ,$U(\theta,1)$ 型(下端含参数)取 $X_{(1)}$ 。**而 $X_{(n)}$ 永远偏小**,所以修正系数总是"大于 $1$ "。
> **关联** · 盘点 [§5.2 支撑含参数(唯一不能求导的情形)](01-知识点盘点.md#user-content-52-支撑含参数唯一不能求导的情形) | 上游 — | 下游 [点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
---
### 题 4 · 5.2:平方型密度与无偏修正(★★★)
> 设总体 $X$ 的概率密度为
>
> $$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.$$
>
> $X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。
>
> (Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;
> (Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;
> (Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同?
**怎么想**:(Ⅰ)密度里 $\theta$ 出现在分母的幂上,但**支撑里同样有 $\theta$ 这个参数** ,所以仍属"求导无效"那一类——先写 $L$ 再判断单调。(Ⅱ)$X_{(n)}$ 的分布要先求 $F(x)=\frac{x^3}{\theta^3}$ 。(Ⅲ)一阶矩 $EX=\frac34\theta$ 。
**解**:
**(Ⅰ)** 似然函数
$$L(\theta)=\prod_{i=1}^{n}\frac{3x_i^{2}}{\theta^{3}}\cdot\mathbf 1\{\theta>x_{(n)}\}=\frac{3^{n}\prod x_i^{2}}{\theta^{3n}}\cdot\mathbf 1\{\theta>x_{(n)}\}.$$
在可行域 $\theta>x_{(n)}$ 上,$L$ 关于 $\theta$ **严格递减**($\theta^{-3n}$ 是减函数),故取最小可行值:
$$\hat\theta=X_{(n)} .$$
**(Ⅱ)** 先求分布函数:$F(x)=\displaystyle\int_0^{x}\frac{3t^2}{\theta^3}\,\mathrm dt=\frac{x^{3}}{\theta^{3}}\ (0<x<\theta)$ 。于是
$$F_{X_{(n)}}(x)=\left(\frac{x^{3}}{\theta^{3}}\right)^{n}=\frac{x^{3n}}{\theta^{3n}},\qquad f_{X_{(n)}}(x)=\frac{3n\,x^{3n-1}}{\theta^{3n}} .$$
$$EX_{(n)}=\int_0^{\theta}x\cdot\frac{3n x^{3n-1}}{\theta^{3n}}\,\mathrm dx=\frac{3n}{\theta^{3n}}\cdot\frac{\theta^{3n+1}}{3n+1}=\frac{3n}{3n+1}\theta .$$
故无偏估计为
$$\tilde\theta=\frac{3n+1}{3n}X_{(n)},\qquad E\tilde\theta=\theta .$$
**(Ⅲ)** 矩估计:$EX=\displaystyle\int_0^{\theta}x\cdot\frac{3x^2}{\theta^3}\,\mathrm dx=\frac{3}{\theta^3}\cdot\frac{\theta^{4}}{4}=\frac{3}{4}\theta$ 。令 $\frac34\theta=\bar X$ 得
$$\hat\theta_{\text{矩}}=\frac43\bar X .$$
**与(Ⅰ)不同**:MLE 用 $X_{(n)}$ (只看最大值),矩估计用 $\bar X$ (用全部信息)。两者都相合,但**方差相差一个量级**——$D X_{(n)}=O\left(\frac{\theta^2}{n^2}\right)$ ,远小于 $D\bar X=O\left(\frac{\theta^2}{n}\right)$ ,所以在这里 MLE 好得多。
**验算**:取 $n=1$ ,(Ⅱ)给 $E X_{(1)}=\frac{3}{4}\theta$ ,与(Ⅲ)的 $EX=\frac34\theta$ 一致 ✓;(Ⅲ)的 $\frac43\bar X$ 在 $n=1$ 时就是 $\frac43X_1$ ,无偏 ✓。
**带走结论**:**"支撑含参数"的题有三问是标配**:MLE(取边界)→ $EX_{(n)}$ (求 $F$ 再积分)→ 无偏修正(乘 $\frac{1}{E X_{(n)}/\theta}$ )。这三问连起来就是 2016·23 的完整结构。另外记住 $X_{(n)}$ 的方差是 $O(n^{-2})$ 级——**上界型参数的最优估计永远来自极值,不是均值**。
> **关联** · 盘点 [§5.2 支撑含参数(唯一不能求导的情形)](01-知识点盘点.md#user-content-52-支撑含参数唯一不能求导的情形) | 上游 [点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导) | 下游 — | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
---
@@ -0,0 +1,225 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 无偏性, 有效性, 相合性, 均方误差]
专题: 概率论 第6讲 · 点6 估计量的评价标准
日期: 2026-11-07
状态: 知识点带题(6.1 无偏、6.2 有效、6.3 相合、6.4 均方误差,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 6 估计量的评价标准
> **2021·9(5 分)、2023·10(5 分)、2024·22(12 分)、2016·23(11 分)—— 约 33 分**|重要度 ★★★
> 依赖:点 1 的三个基本期望、点 5 的 MLE、第 5 讲上的依概率收敛。盘点对应:§6 全节。
**组织原则**:四个标准是四条独立的判据,**必须分开记**:无偏看期望、有效看方差、相合看极限、均方误差看"期望 + 方差"的合成。四题各打一个标准,第 4 题(2024·22 骨架)把无偏与均方误差放在一起对照,**结论是"有偏的估计有时更好"**,这是本点最有价值的一条。难度标准:★★☆ 三题、★★★ 一题。
## 知识点 6.1 无偏性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$E\hat\theta=\theta\quad(\text{对一切}\ \theta).$$
**三条常用**:$E\bar X=\mu$ ;$ES^2=\sigma^2$ ;$E S_n^2=\dfrac{n-1}{n}\sigma^2$ (有偏)。
> **"无偏"是估计量的性质,不是估计值的性质**。一次抽样的 $\hat\theta$ 与 $\theta$ 差多少,与无偏无关;无偏说的是"**反复抽样时平均等于真值**"。
## 知识点 6.2 有效性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
在两个**都无偏**的估计量之间比较方差,**方差小的更有效**:
$$\frac{D\hat\theta_1}{D\hat\theta_2}<1\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.$$
**一条重要限制**:有效性只在"同属无偏"的集合里比。一个无偏但方差大、一个有偏但方差极小,谁更好要用点 6.4 的均方误差来判。
## 知识点 6.3 相合性(一致性)(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$\hat\theta_n\overset{P}{\longrightarrow}\theta\quad(n\to\infty).$$
**判据(切比雪夫路线,考场上唯一要写的)**:若
$$E\hat\theta_n\to\theta\quad\text{且}\quad D\hat\theta_n\to0,$$
则 $\hat\theta_n$ 相合。因为 $P\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\}\le\dfrac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\dfrac{D\hat\theta_n+\text{偏差}^2}{\varepsilon^2}\to0$ 。
> **相合与无偏互不蕴含**:$\bar X+\frac1n$ 有偏但相合;$X_1$ 无偏($EX_1=\mu$ )但不相合(方差恒为 $\sigma^2$ 不趋于 $0$ )。**大样本性质看相合,小样本性质看无偏。**
## 知识点 6.4 均方误差(出处:参考仓库未单列,2024·22 引入)
$$MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .$$
读法:**总误差 = 波动 $+$ 偏差的平方**。无偏时第二项为 $0$ ,$MSE$ 退化为方差。
**它允许"有偏换低方差"**:只要偏差的平方小于省下的方差,有偏估计的 $MSE$ 反而更小——这就是第 4 题的结论。
---
## 题目(按知识点顺序对应)
### 题 1 · 6.1:无偏性反解系数(★★☆)
> 设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。
>
> (Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;
> (Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?
> (Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
**怎么想**:(Ⅰ)关键是 $X_1-X_2\sim N(0,2\sigma^2)$ ,再用半正态的期望 $E\lvert Z\rvert=\sigma_Z\sqrt{2/\pi}$ 。(Ⅱ)用凹凸性:开根号是凹函数,$E\sqrt{\cdot}<\sqrt{E\cdot}$ 。
**解**:
**(Ⅰ)** $X_1-X_2\sim N(0,\ 2\sigma^2)$ ,记 $Z=\dfrac{X_1-X_2}{\sqrt2\sigma}\sim N(0,1)$ ,则
$$\lvert X_1-X_2\rvert=\sqrt2\,\sigma\lvert Z\rvert,\qquad E\lvert Z\rvert=\sqrt{\frac{2}{\pi}} .$$
故
$$E\lvert X_1-X_2\rvert=\sqrt2\,\sigma\cdot\sqrt{\frac{2}{\pi}}=\frac{2\sigma}{\sqrt\pi} .$$
要使 $E(a\lvert X_1-X_2\rvert)=\sigma$ ,需
$$a\cdot\frac{2\sigma}{\sqrt\pi}=\sigma\quad\Longrightarrow\quad a=\frac{\sqrt\pi}{2}\approx0.886 .$$
**(Ⅱ)** **不是无偏的**。由柯西–施瓦茨(或 $g(x)=\sqrt x$ 为凹函数、琴生不等式),
$$E S=E\sqrt{S^2}<\sqrt{ES^2}=\sqrt{\sigma^2}=\sigma .$$
所以 $S$ 系统性**偏小**($n$ 大时偏差趋于 $0$ ,但永远小于 $\sigma$ )。
**(Ⅲ)** 因为 $E\left[g(\hat\theta)\right]\ne g\left(E\hat\theta\right)$ 除非 $g$ 是线性的。所以:
> **$\hat\theta$ 无偏 $\nRightarrow g(\hat\theta)$ 无偏**。但反过来,**若 $\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE**(不变性)——**"无偏"不传递,"最大似然"传递**,这两个性质必须分清。
**验算**:取 $n=2$ 校验(Ⅰ)的常数合理性:$\lvert X_1-X_2\rvert$ 的平均大约 $0.886\sigma$ ,与 $\sqrt\pi/2$ 的系数吻合($\frac{1}{0.886}=1.128=\frac{2}{\sqrt\pi}$ ✓)。
**带走结论**:**看到 $\lvert X_1-X_2\rvert$ 就要想到半正态的一阶矩** $E\lvert Z\rvert=\sqrt{2/\pi}$ ——这是 2023·10 的整套解题链。另外牢记两条:**"无偏"不穿过非线性函数,"MLE + 不变性"可以穿过**。
> **关联** · 盘点 [§6.1 无偏性](01-知识点盘点.md#user-content-61-无偏性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 2 · 6.2:三个均值型估计谁更有效(★★☆)
> 设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:
>
> $$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$$
>
> (Ⅰ)验证三者都无偏;
> (Ⅱ)比较有效性,指出最有效的一个;
> (Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
**怎么想**:$\hat\mu=\sum a_iX_i$ 无偏 $\iff$ 系数和为 $1$ ;方差是 $\left(\sum a_i^2\right)\sigma^2$ 。所以问题变成"**平方和最小**"。
**解**:
**(Ⅰ)** 三组系数和都是 $1$ :
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac12=1,\qquad \frac14+\frac14+\frac12=1 .$$
故 $E\hat\mu_k=\mu$ ,三者都无偏。
**(Ⅱ)** 用 $D\left(\sum a_iX_i\right)=\left(\sum a_i^2\right)\sigma^2$ :
$$D\hat\mu_1=3\times\frac{1}{9}\sigma^2=\frac{\sigma^2}{3};\qquad D\hat\mu_2=2\times\frac14\sigma^2=\frac{\sigma^2}{2};\qquad D\hat\mu_3=\left(\frac1{16}+\frac1{16}+\frac14\right)\sigma^2=\frac{3}{8}\sigma^2 .$$
比较:$\dfrac13<\dfrac38<\dfrac12$ ,故
$$D\hat\mu_1<D\hat\mu_3<D\hat\mu_2,\qquad \hat\mu_1\ \text{最有效}.$$
**(Ⅲ)** 在 $\sum a_i=1$ 、$a_i\ge0$ 下最小化 $\sum a_i^2$ ,由柯西–施瓦茨
$$\left(\sum a_i\right)^2\le3\sum a_i^2\ \Longrightarrow\ \sum a_i^2\ge\frac13,$$
等号在 $a_1=a_2=a_3=\dfrac13$ 处成立。所以**最有效的是等权的样本均值** $\bar X$ 。
**验算**:$\hat\mu_3$ 的系数 $(0.25,0.25,0.5)$ 明显"厚此薄彼"(给 $X_3$ 双倍权重),方差自然更大:$\sum a_i^2=0.375>0.333$ ✓。直观上"权重越平均,方差越小"。
**带走结论**:**均值型估计量的比较只看"系数的平方和"** ,系数和为 $1$ 保证无偏,平方和越小越有效。**等权最优**这一结论可以推广到 $n$ 个样本:$\sum a_i^2\ge\frac1n$ ,等号在 $a_i=\frac1n$ 时成立。
> **关联** · 盘点 [§6.2 有效性](01-知识点盘点.md#user-content-62-有效性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 3 · 6.3:相合性的证明与反例(★★☆)
> (Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。
>
> (Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。
>
> (Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。
**怎么想**:(Ⅰ)唯一工具是切比雪夫不等式(或马尔可夫不等式),作用在 $\lvert\hat\theta_n-\theta\rvert$ 上。(Ⅲ)要举两个反例,一个"有偏但相合",一个"无偏但不合"。
**解**:
**(Ⅰ)** 任给 $\varepsilon>0$ ,对随机变量 $\hat\theta_n$ 用马尔可夫不等式($EY\ge\varepsilon P\{Y\ge\varepsilon\}$ ,取 $Y=(\hat\theta_n-\theta)^2$ ):
$$P\left\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\right\}=P\left\{(\hat\theta_n-\theta)^2\ge\varepsilon^2\right\}\le\frac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\frac{D\hat\theta_n+\left(E\hat\theta_n-\theta\right)^2}{\varepsilon^2}.$$
由条件,分子两项都趋于 $0$ ,故右端趋于 $0$ ,即 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。$\blacksquare$
**(Ⅱ)** $\bar X$ 满足 $E\bar X=\mu$ (偏差为 $0$ )与 $D\bar X=\dfrac{\sigma^2}{n}\to0$ ,由(Ⅰ)立即得 $\bar X\overset{P}{\longrightarrow}\mu$ 。(这与第 5 讲上"辛钦大数定律"的结论一致,但用的是更强的条件——要求方差存在。)
**(Ⅲ)** **不互相蕴含**。
- **有偏但相合**:$\hat\theta_n=\bar X+\dfrac1n$ 。$E\hat\theta_n=\mu+\dfrac1n\ne\mu$ (有偏),但偏差 $\frac1n\to0$ 、方差 $\frac{\sigma^2}{n}\to0$ ,故相合。
- **无偏但不合**:$\hat\theta_n=X_1$ (永远只用第一个样本)。$EX_1=\mu$ (无偏),但 $D X_1=\sigma^2$ 不趋于 $0$ ,故不相合。
**验算**:第二个例子里 $P\{\lvert X_1-\mu\rvert\ge\varepsilon\}$ 是**固定的正数**(与 $n$ 无关),永远不趋于 $0$ ✓。
**带走结论**:**相合性的判据就是"偏差 $\to0$ 且方差 $\to0$ "两句话**,缺一不可。写解答题时把这两句摆出来,比背定律名字得分稳。**无偏管小样本、相合管大样本**——两者是不同维度,不能互相替代。
> **关联** · 盘点 [§6.3 相合性(一致性)](01-知识点盘点.md#user-content-63-相合性一致性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
### 题 4 · 6.4:无偏不一定最好(★★★)
> 设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知
>
> $$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$$
>
> (Ⅰ)求使 $T_c$ 无偏的 $c$ ;
> (Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;
> (Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
**怎么想**:(Ⅱ)把 $E(T_c-\theta)^2$ 展开成三项,它对 $c$ 是**二次函数**,配方即得最优 $c$ 。(Ⅲ)直接比两个值的大小。
**解**:
**(Ⅰ)**
$$E T_c=c\cdot\frac{n}{n+1}\theta=\theta\quad\Longrightarrow\quad c_1=\frac{n+1}{n}.$$
**(Ⅱ)** 展开:
$$MSE(T_c)=E\left(cX_{(n)}-\theta\right)^2=c^2EX_{(n)}^2-2c\theta EX_{(n)}+\theta^2$$
$$=\theta^2\left[c^2\frac{n}{n+2}-2c\frac{n}{n+1}+1\right].$$
这是关于 $c$ 的二次函数,开口向上,顶点在
$$c^{*}=\frac{\dfrac{n}{n+1}}{\dfrac{n}{n+2}}=\frac{n+2}{n+1}.$$
代入得最小值:
$$MSE_{\min}=\theta^2\left[\frac{(n+2)^2}{(n+1)^2}\cdot\frac{n}{n+2}-\frac{2(n+2)}{n+1}\cdot\frac{n}{n+1}+1\right]=\theta^2\left[1-\frac{n(n+2)}{(n+1)^2}\right]=\frac{\theta^{2}}{(n+1)^{2}} .$$
**(Ⅲ)** 无偏时的 $MSE$ 就是方差:
$$MSE(T_{c_1})=DT_{c_1}=\left(\frac{n+1}{n}\right)^{2}\cdot\frac{n\theta^{2}}{(n+1)^{2}(n+2)}=\frac{\theta^{2}}{n(n+2)} .$$
比较:
$$\frac{\theta^2}{(n+1)^2}\ \ \text{vs}\ \ \frac{\theta^2}{n(n+2)},\qquad (n+1)^2=n^2+2n+1>n^2+2n=n(n+2),$$
故
$$\frac{\theta^2}{(n+1)^2}<\frac{\theta^2}{n(n+2)}\quad\Longrightarrow\quad MSE_{\min}<MSE(T_{c_1}).$$
**有偏的 $c^{*}=\frac{n+2}{n+1}$ 反而更好**。(数值感:$n=5$ 时 $MSE_{\min}=\frac{\theta^2}{36}$ ,无偏的 $MSE=\frac{\theta^2}{35}$ 。)
**验算**:$n=1$ 时 $c_1=2$ 、$c^{*}=\frac32$ 。$T_2=2X_1$ ,$DT_2=4\cdot\frac{\theta^2}{12}=\frac{\theta^2}{3}$ ;$T_{1.5}$ 的 $MSE=\theta^2\left[1.5^2\cdot\frac13-2\cdot1.5\cdot\frac12+1\right]=\theta^2\left[0.75-1.5+1\right]=0.25\theta^2=\frac{\theta^2}{4}$ 。而 $\frac{\theta^2}{(1+1)^2}=\frac{\theta^2}{4}$ ✓,且 $\frac{\theta^2}{4}<\frac{\theta^2}{3}$ ✓。
**带走结论**:**$MSE$ 是"偏差 + 方差"的总账,允许用一点偏差换大幅降方差**。这条在 2024·22 的最后一问直接考。写答案时要明确:**"无偏"是约束,"$MSE$ 最小"是目标**——约束可以放松,目标不能换。
> **关联** · 盘点 [§6.4 均方误差](01-知识点盘点.md#user-content-64-均方误差) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
---
@@ -0,0 +1,174 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 区间估计, 置信区间]
专题: 概率论 第6讲 · 点7 区间估计
日期: 2026-11-07
状态: 知识点带题(7.1 置信区间与枢轴量、7.2 单总体、7.3 两总体,共 3 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 7 区间估计
> **2016·14 填空 4 分**;两总体部分大纲要求、十年未考(高性价比冷门)|重要度 ★★☆
> 依赖:点 3 的四个结论、点 2 的三大分布。盘点对应:§7 全节。
**组织原则**:区间估计的全部技术就一句话——**找一个"含参数但分布已知"的量(枢轴量),把它夹在中间再反解参数**。三题按"置信区间的含义与反解 → 单总体三个区间 → 两总体两个区间"递进。第 1 题是 2016·14 的真题形态,考的不是套公式而是**"已知一个置信度反推另一个"**。难度标准:三题都是 ★★☆。
## 知识点 7.1 置信区间与枢轴量(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**枢轴量 $Q$ 的两条要求**:
1. **含**待估参数 $\theta$ ;
2. **分布已知,且不含任何未知参数**。
由 $P\{a<Q<b\}=1-\alpha$ 反解出 $\theta_L<\theta<\theta_U$ ,即得置信度 $1-\alpha$ 的置信区间。
**置信度的正确读法**:$1-\alpha$ 说的是"**反复抽样时,约 $100(1-\alpha)\%$ 的区间会盖住真值**",而**不是**"$\theta$ 落在本次区间内的概率"。$\theta$ 是常数(只是未知),区间才是随机的。
**三个常用枢轴量**:
| 待估 | 枢轴量 | 分布 |
|---|---|---|
| $\mu$ ($\sigma$ 已知) | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ |
| $\mu$ ($\sigma$ 未知) | $\dfrac{\bar X-\mu}{S/\sqrt n}$ | $t(n-1)$ |
| $\sigma^2$ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ |
## 知识点 7.2 单总体的三个区间(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$\mu\ (\sigma\ \text{已知}):\quad \bar X\pm z_{\alpha/2}\frac{\sigma}{\sqrt n};\qquad \mu\ (\sigma\ \text{未知}):\quad \bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n};$$
$$\sigma^{2}:\quad \left[\frac{(n-1)S^{2}}{\chi^{2}_{\alpha/2}(n-1)},\ \frac{(n-1)S^{2}}{\chi^{2}_{1-\alpha/2}(n-1)}\right].$$
> **$\sigma^2$ 区间的两个分位点是"反着放"的**:小的那个($\chi^2_{\alpha/2}$ ,上侧面积小)配在**分母**的位置,于是成为区间的**下**限。记法:**分母大则分数小,所以上侧小分位点放上限的分母**——写反了整道题颠倒。
## 知识点 7.3 两总体的两个区间(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
$$\mu_1-\mu_2:\quad (\bar X-\bar Y)\pm t_{\alpha/2}(n_1+n_2-2)\,S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}\quad(\text{方差未知但相等});$$
$$\frac{\sigma_1^{2}}{\sigma_2^{2}}:\quad \left[\frac{S_1^{2}}{S_2^{2}}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^{2}}{S_2^{2}}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].$$
> **方差比区间可以直接用来"看方差是否相等"**:区间含 $1$ 就说明不能否定 $\sigma_1^2=\sigma_2^2$ (这是点 8 的 $F$ 检验的区间版本)。
---
## 题目(按知识点顺序对应)
### 题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)
> 设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )
>
> (Ⅰ)求 $0.95$ 双侧置信区间的下限;
> (Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;
> (Ⅲ)说明为什么置信度降低时区间变窄。
**怎么想**:三个区间共用同一个 $\bar X$ 与同一个 $\frac{\sigma}{\sqrt n}$ ,**只有分位点在变**。所以先由"上限 $=10.8$ "把 $\frac{\sigma}{\sqrt n}$ 解出来,后面全部迎刃而解。
**解**:
**(Ⅰ)** 0.95 双侧区间为 $\bar X\pm z_{0.025}\dfrac{\sigma}{\sqrt n}$ 。由上限
$$9.5+1.96\frac{\sigma}{\sqrt n}=10.8\quad\Longrightarrow\quad\frac{\sigma}{\sqrt n}=\frac{1.3}{1.96}=0.6633 .$$
由对称性,下限为
$$9.5-1.96\times0.6633=9.5-1.3=8.2 .$$
**(Ⅱ)** 0.9 双侧对应 $\alpha=0.1$ ,用 $z_{0.05}=1.645$ :半宽
$$1.645\times0.6633=1.091 .$$
故区间为
$$\left[9.5-1.091,\ 9.5+1.091\right]=[8.409,\ 10.591] .$$
**(Ⅲ)** 置信度 $1-\alpha$ 降低 $\Rightarrow$ $\alpha$ 增大 $\Rightarrow$ 分位点($z_{\alpha/2}$ )变小 $\Rightarrow$ 半宽变小。**区间越窄越"敢下结论",但盖住真值的把握也越小**——这就是"精度与可靠性的权衡"。
**验算**:0.95 的半宽 $1.3$ 、0.9 的半宽 $1.091$ ,比值 $\frac{1.3}{1.091}=1.192\approx\frac{1.96}{1.645}=1.191$ ✓,与分位点之比一致。
**带走结论**:**同一批数据下,不同置信度的区间只差一个"分位点缩放"** 。所以这类反解题的固定套路是:先用一个已知端点解出 $\frac{\sigma}{\sqrt n}$ (或 $\frac{S}{\sqrt n}$ ),再换分位点重算。**不必重算 $\bar X$ 或 $S$ 这两个量** 。
> **关联** · 盘点 [§7.1 置信区间与枢轴量](01-知识点盘点.md#user-content-71-置信区间与枢轴量) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
---
### 题 2 · 7.2:单总体的三种区间(★★☆)
> 设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。
>
> (Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);
> (Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?
> (Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。
**怎么想**:(Ⅰ)(Ⅱ)判断"$\sigma$ 知不知道",直接决定用 $t$ 还是 $z$ ;(Ⅲ)用 $\chi^2$ 枢轴量,注意两个分位点各放在哪个位置。
**解**:
**(Ⅰ)** $\sigma$ 未知,用 $t(15)$ :
$$10\pm2.131\times\frac{S}{\sqrt n}=10\pm2.131\times\frac{2}{4}=10\pm1.0655=[8.93,\ 11.07] .$$
**(Ⅱ)** $\sigma=2$ 已知,用 $z$ :
$$10\pm1.96\times\frac{2}{4}=10\pm0.98=[9.02,\ 10.98] .$$
**为什么更窄**:$2.131>1.96$ ,分位点更小。本质上"知道了 $\sigma$ "是**额外信息**,信息多了区间自然可以更窄。$n$ 越大两者越接近($t(n-1)\to z$ )。
**(Ⅲ)** 枢轴量 $\dfrac{15S^2}{\sigma^2}\sim\chi^2(15)$ ,
$$P\left\{\chi^2_{0.975}(15)<\frac{15S^2}{\sigma^2}<\chi^2_{0.025}(15)\right\}=1-0.05=0.95 .$$
反解得
$$\frac{15S^2}{\chi^2_{0.025}(15)}<\sigma^2<\frac{15S^2}{\chi^2_{0.975}(15)} .$$
代入 $15S^2=15\times4=60$ :
$$\left[\frac{60}{27.49},\ \frac{60}{6.26}\right]=[2.18,\ 9.58] .$$
**验算**:区间关于 $S^2=4$ **不对称**($[2.18,9.58]$ 明显右偏),这是 $\chi^2$ 分布本身右偏所致;而 $\mu$ 的区间是**对称**的($t$ 分布偶对称)。**这个不对称不是算错**。
**带走结论**:**三个区间的枢轴量分别是 $z$ 、$t$ 、$\chi^2$ ,记住这张表比记公式更管用**。两个易错点:① $\sigma$ 未知时不能"用 $S$ 代替 $\sigma$ 再查 $z$ 表"(那是把 $t$ 当 $z$ ,区间偏窄、置信度不足);② $\sigma^2$ 区间的两个分位点放反会导致整段颠倒。
> **关联** · 盘点 [§7.2 单总体的三个区间](01-知识点盘点.md#user-content-72-单总体的三个区间) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
---
### 题 3 · 7.3:两总体的均值差与方差比(★★☆)
> 两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得
>
> $$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$$
>
> 已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。
>
> (Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;
> (Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。
**怎么想**:(Ⅰ)方差未知但相等 $\Rightarrow$ 先算合并方差 $S_w^2$ ,自由度 $n_1+n_2-2=18$ 。(Ⅱ)用 $F$ 区间,下限要用 $F_{0.975}=1/F_{0.025}$ 倒数换。
**解**:
**(Ⅰ)** 合并方差
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}=\frac{9\times0.4+9\times0.6}{18}=\frac{9}{18}=0.5,\qquad S_w=\sqrt{0.5}\approx0.7071 .$$
标准误
$$S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}=0.7071\times\sqrt{0.2}=0.7071\times0.4472=0.3162 .$$
区间
$$(20.5-19.8)\pm2.101\times0.3162=0.7\pm0.664=[0.036,\ 1.364] .$$
**(Ⅱ)** $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(9,9)$ ,由点 2 的倒数性质 $F_{0.975}(9,9)=\dfrac{1}{F_{0.025}(9,9)}=\dfrac{1}{4.03}=0.2481$ 。区间
$$\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{0.025}(9,9)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{0.975}(9,9)}\right]=\left[\frac{0.4}{0.6}\cdot\frac{1}{4.03},\ \frac{0.4}{0.6}\cdot\frac{1}{0.2481}\right]=[0.165,\ 2.687] .$$
**与(Ⅰ)的关系**:这个区间**包含 $1$ 这个点** ,说明不能否定 $\sigma_1^2=\sigma_2^2$ ——所以(Ⅰ)里把两个方差合并成 $S_w^2$ 是**合理的**。反之若区间不含 $1$ ,就应该改用"方差不等"的近似 $t$ 检验(Welch),不能合并。
**验算**:$S_1^2/S_2^2=\frac{0.4}{0.6}=0.6667$ 落在 $[0.165,2.687]$ 的中点附近(几何中点 $\sqrt{0.165\times2.687}=\sqrt{0.4433}=0.666$ ✓)——$F$ 区间在对数尺度上对称。
**带走结论**:**两总体题的第一步永远是"方差是否相等"** ,而判断它正好用方差比区间(或点 8 的 $F$ 检验)。另外注意 $F$ 区间的两端**不是算术对称**而是**几何对称**($\sqrt{\text{下}\times\text{上}}=\frac{S_1^2}{S_2^2}$ ),这可以当算错的自检。
> **关联** · 盘点 [§7.3 两总体的两个区间](01-知识点盘点.md#user-content-73-两总体的两个区间) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
---
@@ -0,0 +1,239 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 假设检验, 两类错误]
专题: 概率论 第6讲 · 点8 假设检验与两类错误
日期: 2026-11-07
状态: 知识点带题(8.1 两类错误、8.2 拒绝域与显著性水平、8.3 六大检验,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]", "[[08-点7-区间估计]]"]
---
# 点 8 假设检验与两类错误
> **2018·8、2021·10、2025·10 三道选填(4+5+5 分)**|重要度 ★★★
> 依赖:点 3 的四个结论(检验统计量的分布全从这里来)、点 7 的枢轴量思想。盘点对应:§8 全节。
**组织原则**:假设检验与区间估计是**同一套分布的两种问法**——区间估计问"参数在哪个范围",检验问"参数等不等于某个值"。所以这一点的四题全部与点 7 对齐:点 7 题 2 的三个区间 → 题 3 的三个检验;点 7 题 3 的两个区间 → 题 4 的两个检验。**题 4 的结论会与点 7 题 3 的区间完全吻合**,那不是巧合,是对偶。前两题按真题站位(第二类错误、拒绝域方向),后两题是完整流程演练。难度:题 1、2、4 为 ★★☆,题 3 为 ★★★。
## 知识点 8.1 原假设、两类错误(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
| 真实情况 | 接受 $H_0$ | 拒绝 $H_0$ |
|---|---|---|
| $H_0$ 为真 | 正确,概率 $1-\alpha$ | **第一类错误**(弃真),概率 $\alpha$ |
| $H_0$ 为假 | **第二类错误**(取伪),概率 $\beta$ | 正确,概率 $1-\beta$ |
**$\alpha$ 是"冤枉好人"的概率,$\beta$ 是"放过坏人"的概率**。样本量 $n$ 固定时,$\alpha$ 小则 $\beta$ 大,二者此消彼长;要同时减小只能增大 $n$ 。
**两条计算式**(这是选填题的全部内容):
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta(\mu_1)=P\{\text{接受}H_0\mid \mu=\mu_1\}.$$
> **$\beta$ 不是"一个数",而是参数的函数**。所以真题问 $\beta$ 时**一定给定一个具体的备择值**(如 $\mu=11.5$ ),否则 $\beta$ 无法计算。这是 2021·10 的设问方式,也是它的隐含提示。
## 知识点 8.2 拒绝域与显著性水平(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
**显著性水平** $\alpha$ = 允许的第一类错误上限。拒绝域由 $\alpha$ 与**备择假设的方向**共同决定(以 $\sigma$ 已知检验 $\mu$ 为例,$z=\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ ):
| 备择假设 | 拒绝域 | 临界值 |
|---|---|---|
| $H_1:\mu>\mu_0$ | $\bar X>\mu_0+z_\alpha\dfrac{\sigma}{\sqrt n}$ | $z_\alpha$ (右侧面积 $\alpha$ ) |
| $H_1:\mu<\mu_0$ | $\bar X<\mu_0-z_\alpha\dfrac{\sigma}{\sqrt n}$ | $-z_\alpha$ |
| $H_1:\mu\ne\mu_0$ | $\left|\bar X-\mu_0\right|>z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ | $z_{\alpha/2}$ ,每侧 $\alpha/2$ |
**复合原假设(如 $H_0:\mu\le\mu_0$ )的临界值只在边界 $\mu=\mu_0$ 处定**:因为 $\mu$ 越靠近边界,落入拒绝域的概率越大,$\alpha$ 在边界处取到最大值。所以"按 $\mu=\mu_0$ 算 $\alpha$ "不是偷懒,而是保证任意 $\mu\le\mu_0$ 时第一类错误都不超过 $\alpha$ 。
**$\alpha$ 的单调性(2018·8 的全部内容)**:$\alpha$ 越大 $\Rightarrow$ 临界值越小 $\Rightarrow$ 拒绝域越大。于是
$$W_{0.01}\subset W_{0.05},\qquad \overline{W}_{0.05}\subset \overline{W}_{0.01}.$$
即:**小 $\alpha$ 拒绝 $\Rightarrow$ 大 $\alpha$ 必拒绝**(反过来不成立);**大 $\alpha$ 接受 $\Rightarrow$ 小 $\alpha$ 必接受**(反过来不成立)。
## 知识点 8.3 正态总体的六大检验(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
| 检验对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| 单总体 $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ | $N(0,1)$ |
| 单总体 $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
| 单总体 $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
| 两总体 $\mu_1-\mu_2$ | 两方差已知 | $\dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}}$ | $N(0,1)$ |
| 两总体 $\mu_1-\mu_2$ | 方差未知但相等 | $\dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}}$ | $t(n_1+n_2-2)$ |
| 两总体 $\sigma_1^2/\sigma_2^2$ | 两均值未知 | $\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}$ | $F(n_1-1,n_2-1)$ |
**六大检验与点 7 的五个区间一一对应**,只是把"夹住枢轴量"换成"看统计量是否落进尾部"。**写拒绝域时只需把区间估计的不等式反着用**:
- 双侧检验的**接受域**就是对应参数的**置信区间**($1-\alpha$ 对 $\alpha$ );
- 单侧检验的临界值对应**单侧置信限**。
> **一句话记住方向**:$H_1$ 里的不等号朝哪边,拒绝域就在哪一侧的**尾部**。$H_1:\mu>\mu_0$ 是大值拒绝,绝不可能是小值拒绝。
---
## 题目(按知识点顺序对应)
### 题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)
> 设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验
>
> $$H_0:\mu\le10,\qquad H_1:\mu>10,$$
>
> 拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。
>
> (Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;
> (Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;
> (Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;
> (Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。
**怎么想**:两步。第一步把 $\bar X$ 的分布写出来——这是**所有检验题的第一动作**:$\bar X\sim N\left(\mu,\frac{4}{16}\right)=N(\mu,0.25)$ ,标准差 $0.5$ 。第二步分清两个概率的**条件**:$\alpha$ 的条件是"$H_0$ 为真",最不利的情形是边界 $\mu=10$ ;$\beta$ 的条件是"$H_0$ 为假且 $\mu$ 取指定值",即 $\mu=11.5$ 。**同一个拒绝域,换一个 $\mu$ 就是另一个概率**。
**解**:
**(Ⅰ)** $\bar X\sim N(\mu,0.25)$ ,$\sigma_{\bar X}=0.5$ 。第一类错误概率随 $\mu$ 增大而增大,最大值在边界 $\mu=10$ :
$$\alpha=P\{\bar X\ge11\mid\mu=10\}=1-\Phi\left(\frac{11-10}{0.5}\right)=1-\Phi(2)\approx0.0228 .$$
**(Ⅱ)** 第二类错误是"$H_0$ 为假却接受了它",即 $\bar X<11$ :
$$\beta=P\{\bar X<11\mid\mu=11.5\}=\Phi\left(\frac{11-11.5}{0.5}\right)=\Phi(-1)=1-\Phi(1)\approx0.1587 .$$
**(Ⅲ)** 功效
$$1-\beta=1-\Phi(-1)=\Phi(1)\approx0.8413 .$$
$\mu$ 增大 $\Rightarrow$ $\frac{11-\mu}{0.5}$ 变小 $\Rightarrow$ $\Phi\left(\frac{11-\mu}{0.5}\right)$ 变小 $\Rightarrow$ $\beta$ 减小。例如 $\mu=12$ 时 $\beta=\Phi(-2)\approx0.0228$ ,功效升到 $0.9772$ 。**"真实值离原假设越远,越容易被查出来"**,这就是功效函数的单调性。
**(Ⅳ)** 由(Ⅱ)$\beta=1-\Phi(1)$ ,选 **(B)** 。
**验算**:$\alpha+\beta=0.0228+0.1587=0.1815<1$ ✓(两者不是互补事件,条件不同)。再检查选项:**(D)的 $1-\Phi(2)$ 恰好就是本题的 $\alpha$ 值** ——出题人把第一类错误塞进了第二类错误的选项里,这是 2021·10 最阴的一处。
**带走结论**:**$\alpha$ 与 $\beta$ 的区别只在"条件"上**:$\alpha$ 用 $\mu=\mu_0$ (边界)算,$\beta$ 用题给的备择值算;两者的算式都是"$\Phi$ 里放 $\frac{\text{临界值}-\mu}{\sigma/\sqrt n}$ ",只是 $\alpha$ 要取补($1-\Phi$ ),$\beta$ 不取。**拒绝域写成 $\bar X\ge c$ 的形式后,$\beta=P\{\bar X<c\}$ 就直接查 $\Phi$ 表** ,比背公式稳。
> **关联** · 盘点 [§8.1 原假设、两类错误](01-知识点盘点.md#user-content-81-原假设两类错误) | 上游 — | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
---
### 题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)
> (Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。
> (Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?
> (Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:
> (A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。
**怎么想**:(Ⅰ)三步走——写统计量、定方向、解临界值。**注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ ,标准误是 $\frac{\sqrt2}{\sqrt n}$ 而不是 $\frac{2}{\sqrt n}$ 这一处** ,这是 2025·10 四个选项唯一的差别所在。(Ⅲ)不要动数字,只用"$\alpha$ 大则拒绝域大"这一条包含关系。
**解**:
**(Ⅰ)** 检验统计量
$$Z=\frac{\bar X-1}{\sqrt{2}/\sqrt{n}}=\frac{\bar X-1}{\sqrt{2/n}}\sim N(0,1)\quad(\mu=1\ \text{时}).$$
$H_1:\mu>1$ 是大值拒绝,故
$$W=\left\{Z>z_\alpha\right\}=\left\{\bar X>1+z_\alpha\sqrt{\frac2n}\right\}.$$
**(Ⅱ)** $H_1:\mu<1$ 是小值拒绝,把不等号翻向另一侧尾部:
$$W=\left\{Z<-z_\alpha\right\}=\left\{\bar X<1-z_\alpha\sqrt{\frac2n}\right\}.$$
**(Ⅲ)** 记双侧临界值为 $c_\alpha=z_{\alpha/2}\frac{\sigma}{\sqrt n}$ ,则拒绝域 $W_\alpha=\left\{\left|\bar X-\mu_0\right|>c_\alpha\right\}$ 。$\alpha=0.01$ 的分位点 $2.576$ 大于 $\alpha=0.05$ 的 $1.96$ ,故 $c_{0.01}>c_{0.05}$ ,即
$$W_{0.01}\subset W_{0.05}\quad\Longrightarrow\quad\overline{W}_{0.05}\subset\overline{W}_{0.01}.$$
"$\alpha=0.05$ 时接受"意味着落在 $\overline{W}_{0.05}$ 里,而它被 $\overline{W}_{0.01}$ 包含,所以 $\alpha=0.01$ 时也必然接受。选 **(D)** 。
**验算**:取 $\left|\bar X-\mu_0\right|=2.2\frac{\sigma}{\sqrt n}$ 这个具体值检验——它在 $W_{0.05}$ 内($2.2>1.96$ )、在 $W_{0.01}$ 外($2.2<2.576$ ),正好反驳(A)。再取 $1.5$ ——两个都接受,反驳(C)。再取 $2.8$ ——两个都拒绝,反驳(B)。(D)无懈可击。
**带走结论**:**拒绝域的方向只由 $H_1$ 的不等号决定,与原假设怎么写无关**;而 $H_0:\mu\le\mu_0$ 与 $H_0:\mu=\mu_0$ 在"定临界值"这件事上完全等价(都看边界)。2018·8 那种题不需要算任何数,只要记住**"$\alpha$ 越大越容易拒绝"** 这一条包含关系,四个选项立刻筛掉三个。
> **关联** · 盘点 [§8.2 拒绝域与显著性水平](01-知识点盘点.md#user-content-82-拒绝域与显著性水平) | 上游 — | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
---
### 题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)
> 某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。
>
> (Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;
> (Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;
> (Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。
**怎么想**:三个小问对应三种枢轴量,**判断用哪个只看两件事:检验的是 $\mu$ 还是 $\sigma^2$ 、$\sigma$ 知不知道**。(Ⅰ)(Ⅲ)数据完全相同、结论却相反,这正是本题要逼出来的东西。
**解**:
**(Ⅰ)** $\sigma$ 未知,用 $t(15)$ :
$$t=\frac{\bar x-10}{s/\sqrt n}=\frac{0.2}{0.4/4}=\frac{0.2}{0.1}=2.0 .$$
双侧拒绝域 $\left|t\right|>t_{0.025}(15)=2.131$ 。$2.0<2.131$ ,**不拒绝原假设** $H_0$ ,即还不能认为 $\mu\ne10$ 。
**(Ⅱ)** $\mu$ 未知,用 $\chi^2(15)$ :
$$\chi^2=\frac{(n-1)s^2}{\sigma_0^2}=\frac{15\times0.16}{0.16}=15 .$$
双侧拒绝域 $\chi^2>27.49$ 或 $\chi^2<6.26$ 。$15$ 落在这两个界之间,**不拒绝原假设** $H_0$ ,即不能认为方差偏离 $0.16$ 。
**(Ⅲ)** $\sigma=0.4$ 已知,改用 $z$ :
$$z=\frac{\bar x-10}{\sigma/\sqrt n}=\frac{0.2}{0.1}=2.0 .$$
双侧拒绝域 $\left|z\right|>1.96$ 。$2.0>1.96$ ,**拒绝原假设** $H_0$ ,认为 $\mu\ne10$ 。
**为什么结论相反**:统计量的**数值一样(都是 $2.0$ ),临界值不一样($2.131$ 对 $1.96$ )**。$t$ 分布的尾部比正态厚,同样大的统计量在 $t$ 表里"没那么极端"。用 $S$ 代替 $\sigma$ 引入了估计误差,所以判据必须更严——这与点 7 题 2 的"$t$ 区间比 $z$ 区间宽"是同一件事的两面。
**验算**:用 $p$ 值复核。(Ⅰ)$t=2.0$ 、$df=15$ 的双侧 $p\approx0.064>0.05$ ,不拒绝 ✓;(Ⅲ)$z=2.0$ 的双侧 $p=2\left[1-\Phi(2)\right]\approx0.0455<0.05$ ,拒绝 ✓。**两个 $p$ 值都大于 $0.0455$ 而 $0.064>0.05$ ,说明结论的翻转就发生在 $p=0.05$ 这条线两侧**。
**对偶自检**:用区间复核这两个结论。$\sigma$ 未知时
$$10.2\pm t_{0.025}(15)\frac{s}{\sqrt n}=10.2\pm2.131\times0.1=\left[9.987,\ 10.413\right],$$
**含** $10$ $\Rightarrow$ 不拒绝 ✓,与(Ⅰ)一致。$\sigma=0.4$ 已知时
$$10.2\pm z_{0.025}\frac{\sigma}{\sqrt n}=10.2\pm1.96\times0.1=\left[10.004,\ 10.396\right],$$
**不含** $10$ $\Rightarrow$ 拒绝 ✓,与(Ⅲ)一致。注意这两个区间是**本题数据**算的,与点 7 题 2 那组($\bar x=10$ 、$s=2$ )无关,别混用。
**带走结论**:**"$\sigma$ 已知用 $z$ 、未知用 $t$ "在检验里比在区间里更致命**——区间只是宽窄不同,检验却会**翻转结论**。所以做题第一步永远是问"$\sigma$ 给了吗"。另外**区间与检验是同一不等式的两种写法**:区间含 $\mu_0$ 就不拒绝,不含就拒绝。这条对偶可以当免费自检——两者结论不一致,八成是分位点或数据搞混了。
> **关联** · 盘点 [§8.3 正态总体的六大检验](01-知识点盘点.md#user-content-83-正态总体的六大检验) | 上游 — | 下游 [点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
---
### 题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)
> 两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得
>
> $$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$$
>
> 取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。
>
> (Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;
> (Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;
> (Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。
**怎么想**:两总体题有**固定的先后顺序**——先验方差(决定能不能合并),再验均值。**顺序反了会用一个还没验证的前提去算统计量**,这是最常见的过程性失分。
**解**:
**(Ⅰ)** 统计量 $F=\dfrac{S_1^2}{S_2^2}=\dfrac{0.4}{0.6}=0.6667$ ,服从 $F(9,9)$ 。双侧拒绝域为
$$F>F_{0.025}(9,9)=4.03\quad\text{或}\quad F<F_{0.975}(9,9)=\frac{1}{F_{0.025}(9,9)}=\frac{1}{4.03}=0.2481 .$$
$0.2481<0.6667<4.03$ ,**不拒绝原假设** $H_0$ ,即可认为两方差相等。**这一步是(Ⅱ)能用合并方差的前提**。
**(Ⅱ)** 合并方差与标准误(与点 7 题 3 完全相同):
$$S_w^2=\frac{9\times0.4+9\times0.6}{18}=0.5,\qquad S_w\sqrt{\frac{1}{10}+\frac{1}{10}}=0.7071\times0.4472=0.3162 .$$
统计量
$$t=\frac{\bar x-\bar y-0}{0.3162}=\frac{0.7}{0.3162}=2.2136 .$$
双侧拒绝域 $\left|t\right|>t_{0.025}(18)=2.101$ 。$2.2136>2.101$ ,**拒绝原假设** $H_0$ ,认为两台机床加工的零件平均长度有显著差异。
**(Ⅲ)** 点 7 题 3 算出 $\mu_1-\mu_2$ 的 $95\%$ 置信区间为 $[0.036,1.364]$ ,**不含 $0$ 这个值** 。而"$\delta_0=0$ 落在置信区间内 $\Leftrightarrow$ 不拒绝 $H_0:\mu_1-\mu_2=\delta_0$ "是区间估计与假设检验的一般对偶(题 3 已验证过一次)。这里区间不含 $0$ ,所以必拒绝;若换成 $\delta_0=0.5$ 去检验,因为 $0.5\in[0.036,1.364]$ ,就**不会**拒绝。
**验算**:(Ⅱ)的 $p$ 值:$t=2.2136$ 、$df=18$ 的双侧 $p\approx0.040<0.05$ ✓。区间法复核:$0.7-2.101\times0.3162=0.036>0$ ,下限已经越过 $0$ ,所以拒绝 ✓。两条路线互相印证。
**带走结论**:**两总体题的三步口诀是"先 $F$ 后 $t$ ,先方差后均值"** 。(Ⅰ)不拒绝 $F$ 检验才能合并方差用 $t(n_1+n_2-2)$ ;若(Ⅰ)拒绝了,就必须改用不合并的近似 $t$ (Welch,自由度用公式近似),此时点 7 题 3 的区间公式也不再适用。另外**区间与检验永远同进同退**:区间含 $\delta_0$ 就不拒绝,不含就拒绝——这句话可以替代一半的检验计算。
> **关联** · 盘点 [§8.3 正态总体的六大检验](01-知识点盘点.md#user-content-83-正态总体的六大检验) | 上游 [点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2) | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
---
@@ -0,0 +1,171 @@
---
tags: [数学一, 在学练习, 概率论, 数理统计, 速查卡]
专题: 概率论 第6讲 · 数理统计(速查)
日期: 2026-11-07
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 第6讲 · 数理统计:速查卡
考前十分钟只看这一页。**这一讲的公式表比推导重要**——考场上 90% 的时间花在"该用哪个统计量"上,而不是算。
## 一 三个基本期望与次序统计量
<!-- KP: 1.1, 1.2, 1.3 -->
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2,\qquad E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2 .$$
后两条的**差**就是分母取 $n-1$ 的理由。**这四个式子对任意总体都成立**,不需要正态。
次序统计量(分布函数法):
$$F_{X_{(n)}}(x)=\left[F(x)\right]^n,\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^n .$$
$U(0,\theta)$ 的现成结果:$EX_{(n)}=\dfrac{n}{n+1}\theta$ 、$EX_{(n)}^2=\dfrac{n}{n+2}\theta^2$ 、$DX_{(n)}=\dfrac{n\theta^2}{(n+1)^2(n+2)}$ 。
**统计量的判据**:不含未知参数。$\bar X$ 是,$\bar X-\mu$ 不是。
## 二 三大抽样分布的构造
<!-- KP: 2.1, 2.2, 2.3 -->
```
χ²(n) = 标准正态的平方和 E = n, D = 2n, 可加
t(n) = N(0,1) / √(χ²(n)/n) 偶对称, n→∞ 趋于 N(0,1)
F(n₁,n₂) = (χ²(n₁)/n₁) / (χ²(n₂)/n₂) 1/F ~ F(n₂,n₁)
```
**两条互换公式(查表命根子)**:
$$F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)},\qquad t_{1-\alpha}(n)=-t_\alpha(n);\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).$$
**判断"服从什么分布"的动作**:先数有几个**独立的标准正态**,再看它们以什么方式组合。
## 三 正态总体的四个结论
<!-- KP: 3.1, 3.2 -->
设样本来自 $N(\mu,\sigma^2)$ :
$$\bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1);\qquad \bar X\perp S^2;\qquad \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
两总体(独立):
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-1);\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/n_1+1/n_2}}\sim t(n_1+n_2-2).$$
**四个常见错项**:$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}$ 不是 $t$ 分布;$\dfrac{\bar X-\mu}{\sigma/\sqrt{n-1}}$ 不是 $N(0,1)$ ;$\dfrac{nS^2}{\sigma^2}$ 不是 $\chi^2(n-1)$ ;$\bar X$ 与 $S^2$ 独立**只在正态总体下成立**。
## 四 矩估计
<!-- KP: 4.1, 4.2 -->
```
① 写总体矩 EX(必要时 EX²),含参数
② 令 EX = X̄,解出参数
③ 参数有两个就再加一条 EX² = A₂
```
**注意**:二阶矩一律用 $A_2=\frac1n\sum X_i^2$ ,不要用 $S^2$ ——两者差一个 $\frac{n-1}{n}$ ,选择题常在这里设错。**解完要检验参数范围**($\hat\sigma$ 不能为负,必要时取绝对值)。
## 五 最大似然估计
<!-- KP: 5.1, 5.2 -->
$$L(\theta)=\prod f(x_i;\theta)\ \longrightarrow\ \ln L=\sum\ln f(x_i;\theta)\ \longrightarrow\ \frac{\mathrm d\ln L}{\mathrm d\theta}=0 .$$
**支撑含参数时不能求导**,改看单调性:$L$ 随 $\theta$ 增大而增大,取 $\theta$ 的**最大可能值**(通常是 $X_{(n)}$ );随 $\theta$ 增大而减小,取**最小可能值**(通常是 $X_{(1)}$ )。
**四个结论直接背**:
| 分布 | MLE | 是否无偏 |
|---|---|---|
| $E(\lambda)$ | $\hat\lambda=1/\bar X$ | 有偏($E\frac1{\bar X}>1/E\bar X$ ) |
| $U(0,\theta)$ | $\hat\theta=X_{(n)}$ | 有偏,$E=\frac{n}{n+1}\theta$ |
| $N(\mu,\sigma^2)$ | $\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2$ | 有偏,乘 $\frac{n}{n-1}$ 才无偏 |
| $f=\frac{3x^2}{\theta^3}$ | $\hat\theta=X_{(n)}$ | 有偏,修正系数 $\frac{3n+1}{3n}$ |
**不变性**:$\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE,**不用重新求**。
## 六 评价标准四条
<!-- KP: 6.1, 6.2, 6.3, 6.4 -->
```
无偏 Eθ̂ = θ 对一切 θ 成立
有效 都无偏的前提下,Dθ̂ 小的更有效
相合 θ̂ →P θ (偏差→0 且方差→0 即可)
均方误差 MSE = Dθ̂ + (Eθ̂ − θ)² ← 允许有偏
```
**三条常用无偏性**:$E\bar X=\mu$ 、$ES^2=\sigma^2$ 、$E\frac1n\sum(X_i-\bar X)^2=\frac{n-1}{n}\sigma^2$ 。
**相合的标准证法**:算 $E\hat\theta$ 与 $D\hat\theta$ ,说明偏差趋于 $0$ 、方差趋于 $0$ ,再由切比雪夫不等式得依概率收敛。**反例只需记两个**:$\bar X+\frac1n$ 有偏但相合;$X_1$ 无偏但不合(方差恒为 $\sigma^2$ ,不趋于 $0$ )。
**MSE 的用法**:若用 $c\hat\theta$ 估计 $\theta$ ,则 $MSE=c^2D\hat\theta+(cE\hat\theta-\theta)^2$ ,求导得最优系数
$$c^*=\frac{\theta\,E\hat\theta}{E(\hat\theta^2)} .$$
$\hat\theta$ 系统性低估时($E\hat\theta<\theta$ )最优系数大于 $1$ ——**用一点偏差换一大块方差**。2024·22 的答案就是 $\frac{n+2}{n+1}$ 。
## 七 区间估计
<!-- KP: 7.1, 7.2, 7.3 -->
| 待估 | 条件 | 区间 |
|---|---|---|
| $\mu$ | $\sigma$ 已知 | $\bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 未知 | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right]$ |
| $\mu_1-\mu_2$ | 方差未知但等 | $(\bar X-\bar Y)\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}$ |
| $\dfrac{\sigma_1^2}{\sigma_2^2}$ | 均值未知 | $\left[\dfrac{S_1^2}{S_2^2}\dfrac{1}{F_{\alpha/2}},\ \dfrac{S_1^2}{S_2^2}\dfrac{1}{F_{1-\alpha/2}}\right]$ |
**$\sigma^2$ 区间的分位点放法**:小的分位点($\chi^2_{\alpha/2}$ )在下限的分母上——**分母大则分数小**。
**两种对称性可当自检**:$z$ 、$t$ 区间**算术对称**(中点 $=\bar X$ );$\chi^2$ 、$F$ 区间**几何对称**($\sqrt{\text{下}\times\text{上}}=\dfrac{(n-1)S^2}{1}$ 或 $\dfrac{S_1^2}{S_2^2}$ )。
## 八 假设检验
<!-- KP: 8.1, 8.2, 8.3 -->
| | 接受 $H_0$ | 拒绝 $H_0$ |
|---|---|---|
| $H_0$ 真 | 正确 | 第一类错误,$\alpha$ |
| $H_0$ 假 | 第二类错误,$\beta$ | 正确,功效 $1-\beta$ |
**两条计算式**:$\alpha$ 用**边界** $\mu_0$ 算(复合假设时取最不利点),$\beta$ 用**题给的备择值**算。两者都写成 $\Phi$ 的形式:$\alpha$ 一般要取补($1-\Phi$ ),$\beta$ 不取。
**拒绝域方向只由 $H_1$ 的不等号决定**:$H_1:\mu>\mu_0$ 大值拒绝、$H_1:\mu<\mu_0$ 小值拒绝、$H_1:\mu\ne\mu_0$ 双侧各 $\alpha/2$ 。
**$\alpha$ 的包含关系(选择题专属)**:$\alpha$ 越大拒绝域越大,故 $W_{0.01}\subset W_{0.05}$ 。于是**小 $\alpha$ 拒绝 $\Rightarrow$ 大 $\alpha$ 必拒绝**;**大 $\alpha$ 接受 $\Rightarrow$ 小 $\alpha$ 必接受**。
**区间与检验的对偶**:$1-\alpha$ 的置信区间 $=$ $\alpha$ 水平双侧检验的**接受域**。区间含 $\mu_0$ 就不拒绝,不含就拒绝——**这条能替代一半计算**。
**两总体题的顺序**:先 $F$ 检验方差(能不能合并),再 $t$ 检验均值。顺序反了就是用未验证的前提算统计量。
## 九 最容易丢分的六处
1. **分母取 $n-1$ 才对** :$S^2$ 的分母是 $n-1$ (无偏),二阶中心矩才用 $n$ 。
2. **分位点的上下侧**:本讲统一用**上侧**分位点,$P\{\chi^2>\chi^2_\alpha\}=\alpha$ ;区间里会出现 $1-\alpha/2$ 的下侧值,别漏。
3. **$\sigma$ 未知却查 $z$ 表**:会把 $t$ 当 $z$ ,检验**结论会翻转**(题 3 就是活例)。
4. **MLE 遇支撑含参数还求导**:$f=\frac{3x^2}{\theta^3}$ 这类只能看单调性,导数解出来是错的。
5. **$\beta$ 忘了指定备择值**:$\beta$ 是 $\mu$ 的函数,没有"$\beta=$ 多少"这种说法。
6. **两总体先算均值不先验方差**:方差不等时合并方差 $S_w^2$ 与 $t(n_1+n_2-2)$ 全都不能用。
---
## 回查
<!-- AUTO:回查 -->
| 想查什么 | 对应题目 |
|---|---|
| 一 三个基本期望与次序统计量 | [点 1 题 1](02-点1-总体样本与统计量.md#user-content-题-1--11联合分布与两个词的用处)、[点 1 题 2](02-点1-总体样本与统计量.md#user-content-题-2--12统计量的三个基本期望)、[点 1 题 3](02-点1-总体样本与统计量.md#user-content-题-3--13最大次序统计量) |
| 二 三大抽样分布的构造 | [点 2 题 1](03-点2-三大抽样分布.md#user-content-题-1--21平方和就是卡方)、[点 2 题 2](03-点2-三大抽样分布.md#user-content-题-2--22t-的构造与对称性)、[点 2 题 3](03-点2-三大抽样分布.md#user-content-题-3--23f-的两个自由度与倒数互换) |
| 三 正态总体的四个结论 | [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错)、[点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率)、[点 3 题 3](04-点3-正态总体的抽样分布.md#user-content-题-3--32两总体的方差比) |
| 四 矩估计 | [点 4 题 1](05-点4-矩估计.md#user-content-题-1--41一阶矩就够的情形)、[点 4 题 2](05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑) |
| 五 最大似然估计 | [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性)、[点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松)、[点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导)、[点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) |
| 六 评价标准四条 | [点 6 题 1](07-点6-估计量的评价标准.md#user-content-题-1--61无偏性反解系数)、[点 6 题 2](07-点6-估计量的评价标准.md#user-content-题-2--62三个均值型估计谁更有效)、[点 6 题 3](07-点6-估计量的评价标准.md#user-content-题-3--63相合性的证明与反例)、[点 6 题 4](07-点6-估计量的评价标准.md#user-content-题-4--64无偏不一定最好) |
| 七 区间估计 | [点 7 题 1](08-点7-区间估计.md#user-content-题-1--71由-095-的区间反推-09-的区间)、[点 7 题 2](08-点7-区间估计.md#user-content-题-2--72单总体的三种区间)、[点 7 题 3](08-点7-区间估计.md#user-content-题-3--73两总体的均值差与方差比) |
| 八 假设检验 | [点 8 题 1](09-点8-假设检验与两类错误.md#user-content-题-1--81第二类错误的计算202110-骨架)、[点 8 题 2](09-点8-假设检验与两类错误.md#user-content-题-2--82拒绝域的方向与显著性水平的单调性20251020188-骨架)、[点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2)、[点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) |
<!-- /AUTO:回查 -->
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-总体样本与统计量.md)、[点 2](03-点2-三大抽样分布.md)、[点 3](04-点3-正态总体的抽样分布.md)、[点 4](05-点4-矩估计.md)、[点 5](06-点5-最大似然估计.md)、[点 6](07-点6-估计量的评价标准.md)、[点 7](08-点7-区间估计.md)、[点 8](09-点8-假设检验与两类错误.md)、[第5讲下](../概率论-第5讲下-中心极限定理/README.md)。
@@ -1,79 +1,116 @@
---
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)
tags: [数学一, 在学练习, 概率论, 数理统计, README]
专题: 概率论 第6讲 · 数理统计
日期: 2026-11-07
状态: 知识点盘点 + 八点分册(知识点带题,26 题)
关联笔记: ["[[01-知识点盘点]]", "[[10-速查卡]]"]
---
# 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。
真题库第 20、21、22 三章。近十年 **15 题 116 分**,是概率部分分值最重的一讲:**解答题 8 道(91 分)$+$ 选填 7 题(25 分)**。分章看:ch20 基本概念 2 题 9 分、**ch21 参数估计 10 题 93 分**、ch22 假设检验 3 题 14 分。
## 一、本文件夹文件
**这一讲是概率的"反向工程"** 。前五讲都是"已知分布求概率",这一讲是"已知样本猜分布"——方向反过来,所以每一问的第一动作都是**问自己手里有哪些统计量、它们服从什么分布**。公式不难,难在"该用哪个"。
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 全考点:总体与样本(含经验分布函数)/ **统计量及其分布**(三大分布 + 正态总体抽样分布,**单 + 两总体**)/ **参数的点估计**(矩估计、MLE 含**不变性**与不可微、无偏/有效/一致/MSE)/ 区间估计(**单总体四大 + 两总体两类**)/ 假设检验(**单总体六大 + 两总体三类**)/ 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 |
**结构是"一个前提 + 两条主线"**:前提是**统计量的分布**(点 1—3),两条主线是**估计**(点 4—7,正问题:参数是多少)与**检验**(点 8,反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。
## 二、训练目标
## 这一版的结构
- 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。
- **大纲要求但十年未考**:两个正态总体的均值差 / 方差比区间估计与假设检验(手册 **§4.5 / §5.6**)——属"高性价比冷门",一旦出现即套公式送分。
- 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 $E X^k$ )。
| 层 | 文件 | 作用 | 读法 |
|---|---|---|---|
| **地图** | `01-知识点盘点.md` | 八节知识点 $+$ 按分值排序 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
| **练** | `02`—`09` 八个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 26 题 | 一天一个点,动手做 |
| **查** | `10-速查卡.md` | 八组结论 $+$ 五张表 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
## 三、难度与用时
## 文件清单
| 组 | 题量 | 对应 | 建议用时 | 难度 |
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|---|---|---|---|---|
| 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 |
| `01-知识点盘点.md` | 八节盘点 $+$ 覆盖对照表 $+$ 接口 | — | — | 0 |
| `02-点1-总体样本与统计量.md` | 总体与样本、三个基本期望、次序统计量 | 全部题的前置 | — | 3 |
| `03-点2-三大抽样分布.md` | $\chi^2$ / $t$ / $F$ 的构造与互换 | 2023·9 | **5** | 3 |
| `04-点3-正态总体的抽样分布.md` | 四个结论、两总体合并方差 | 2017·8 | **4** | 3 |
| `05-点4-矩估计.md` | 用样本矩替换总体矩、$A_2$ 的坑 | 2017·23 第一问 | 嵌在解答题 | 2 |
| `06-点5-最大似然估计.md` | 三步法、多参数、支撑含参数、无偏修正 | 2018·23、2019·23、2020·23、2022·22 | **约 45** | 4 |
| `07-点6-估计量的评价标准.md` | 无偏、有效、相合、均方误差 | 2021·9、2023·10、2024·22、2016·23 | **约 33** | 4 |
| `08-点7-区间估计.md` | 枢轴量、单总体三个区间、两总体两个区间 | 2016·14 | **4** | 3 |
| `09-点8-假设检验与两类错误.md` | 两类错误、拒绝域方向、六大检验 | 2018·8、2021·10、2025·10 | **约 14** | 4 |
| `10-速查卡.md` | 八组结论 $+$ 六处丢分点 | — | — | 0 |
## 四、命题依据与来源记号
合计 **26 题**。难度:★☆☆ 2 题,★★☆ 18 题,★★★ 6 题。
- 🟨 **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。
**分值分布极不均衡**:最大似然估计独占 45 分,评价标准 33 分,两者合计 78 分——**占了这一讲的 67%** 。而区间估计十年只考过 1 道填空。所以时间分配绝不能平均。
## 五、平板书写版(PDF)
## 建议的三轮读法
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:
**第一轮(1 小时)**:`01` 通读 $+$ `02` 全做。目标只有一个——**把"统计量"和"分布"两个词焊死**。点 1 的三条基本期望($E\bar X=\mu$ 、$D\bar X=\frac{\sigma^2}{n}$ 、$ES^2=\sigma^2$ )必须能不看书写出来,点 6 的无偏性全靠它们。
| 文件 | 页数 | 用途 |
**第二轮(2 小时)**:`03`、`04`。这两点是全讲的电源。**判断"服从什么分布"只看两件事:有几个独立的标准正态、它们怎么组合**。`04` 的四个结论要练到"看到 $\frac{\bar X-\mu}{S/\sqrt n}$ 立刻反应出 $t(n-1)$ "。
**第三轮(3 小时)**:`05`—`07`,按 `06` $\to$ `07` $\to$ `05` 的顺序。`06` 的四题覆盖了 MLE 的全部四种形态(可求导 / 多参数 / 支撑含参数 / 带无偏修正),这是 45 分的地基。`07` 是另一块 33 分,重点在题 4 的均方误差——**它允许有偏**,是"最优估计"题的唯一通路。
**补漏(1 小时)**:`08`、`09`。这两点十年只考了 18 分,但**它们的公式与前面完全同源**——区间是"夹住枢轴量",检验是"看统计量落不落进尾部"。做完会发现点 7 题 3 与点 8 题 4 用的是同一组数据、同一个结论。
时间不够时按这个顺序砍:`05` 题 2 $\to$ `08` 题 3 $\to$ `09` 题 3 。**`06` 与 `07` 一定不能砍**。
## 双向链接怎么用
| 粒度 | 在哪儿 | 什么时候用 |
|---|---|---|
| `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` | 19 | 复习查阅(含**两总体区间估计与假设检验**、MLE 不变性) |
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
> **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。)
每道题末尾固定一行:
## 六、关联
```
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
```
- 上层:[[总览]]
- 相邻讲次:[第5讲上 大数定律](../概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../概率论-第5讲下-中心极限定理/README.md)(CLT / 三种近似)
- 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]]
四个方向全部指向**具体题目的锚点**。
## 锚点怎么写(Gitea 两条方向相反的规则)
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
| 链接类型 | 写法 |
|---|---|
| 同文件 | `#题-1--11联合分布与两个词的用处` |
| 跨文件 | `05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑` |
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来。本讲标题一律纯文字(原 `题 2 · 4.2:一阶矩失效与 $A_2$ 的坑` 已改为「二阶矩的坑」)。
写完校验(**三个校验器都要跑,少跑一个等于没跑**):
```bash
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第6讲-数理统计
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第6讲-数理统计
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第6讲-数理统计
python .workbuddy/tools/md2pdf/verify_gitea_math.py 概率论-第6讲-数理统计
```
## 与其他讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $EX$ 、$DX$ 、$D\bar X$ 、$E\sum(X_i-\bar X)^2$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 点 1 三条基本期望、点 6 无偏性的全部根据 |
| 依概率收敛、辛钦大数定律 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | 点 6 相合性的证明工具 |
| $\Phi$ 、$z_\alpha$ 分位数 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 点 8 的临界值、点 7 的 $z$ 区间 |
| 正态分布的可加性与标准化 | [第3讲点3](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 3 两样本结论的来源 |
| $\max/\min$ 的分布 | [第3讲点6](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md) | 点 1 次序统计量直接引用 |
> **跨讲一句话**:前 5 讲给的是"分布 $\to$ 概率",本讲要的是"样本 $\to$ 参数",**唯一的桥就是统计量的分布**。所以本讲真正的重点不是公式,而是**见到一个统计量就能说出它服从什么分布**。
## 版本记录
| 日期 | 变更 |
|---|---|
| 2026-10-16 | 建文件夹,按"考点手册 $+$ 试题 $+$ 解析"三件套组织(`01-考点手册` 曾达 4.8 万字符) |
| 2026-11-07 | **重构**为「知识点带题」格式,与概率论第 3、4、5 讲统一:知识点盘点 $+$ 八点分册 $+$ 速查卡,共 10 个文件、26 题;删去三件套旧文件与 PDF。题目按"每点内知识点顺序"重编,题首标注真题骨架 |
## 两条写作约定
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
2. **单个文件不超过 1.3 万字符**,超了就拆。
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/` 与 `exercise/5-mathematical-statistics/` 。
@@ -10,7 +10,7 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 多维随机变量]
# 概率论 第3讲 · 多维随机变量及其分布 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:在学练习 `02-试题`(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;考点出处标注参考仓库 `knowledge/2`(多维章)、`knowledge/3`(二维数字特征)与 `exercise/2`、`exercise/3`。难度与真题锚点一并保留。
> **题源**:旧版在学练习 `02-试题`(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;**该文件已于 2026-10 重构删除**,本页 19 题作为回忆自测清单保留(重构后的 27 题见第3讲七点分册,编号与题目均不同)。考点出处标注参考仓库 `knowledge/2`(多维章)、`knowledge/3`(二维数字特征)与 `exercise/2`、`exercise/3`。难度与真题锚点一并保留。
## 0. 本讲骨架(先背这张图)
@@ -134,4 +134,4 @@ $X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:$F_Z(z)=\sum_ip_iP\{g(x_i,Y)\le
---
> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/01-考点手册|01-考点手册]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/02-试题|02-试题]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/03-解析|03-解析]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/05-试题-中高难度|05-试题-中高难度]](12 题强化卷);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3}` 与 `exercise/{2,3}`。
> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]](2026-10 重构后共七点 27 题,即 `02` 至 `08` 七个点文件);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3}` 与 `exercise/{2,3}`。
@@ -2,7 +2,7 @@
tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
专题: 概率论 第6讲 · 数理统计 · 背诵版
日期: 2026-10-27
状态: 背诵版 v1(考点完整呈现 + 18 题清单,无解答)
状态: 背诵版 v1(考点完整呈现 + 18 题清单,无解答);**待重出**:在学练习第 6 讲已于 2026-11-07 重构为 26 题,本页题目清单仍是旧 18 题
来源: 在学练习/概率论-第6讲-数理统计 | 参考仓库 Math/probability-theory-and-mathematical-statistics
关联笔记: ["[[README]]", "[[../在学练习/概率论-第6讲-数理统计/README]]"]
---
@@ -10,7 +10,7 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计]
# 概率论 第6讲 · 数理统计 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:在学练习 `02-试题`(18 题:A 组 1–6 / B 组 7–14 / C 组 15–18),编号沿用原题号;考点出处标注参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。难度与真题锚点一并保留。
> **题源**:旧版在学练习 `02-试题`(18 题:A 组 1–6 / B 组 7–14 / C 组 15–18),编号沿用原题号。**该文件已于 2026-11-07 重构删除**,下表的 18 题作为回忆自测清单保留;重构后的 26 题(八点分册)见在学练习第 6 讲各点文件,编号体系不同、题目也不重合。考点出处标注参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。
## 0. 本讲骨架(先背这张图)
@@ -177,4 +177,4 @@ $X_{(1)}=\min$、$X_{(n)}=\max$。**最值分布(背下来)**:$F_{(n)}(x)=
---
> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/01-考点手册|01-考点手册]]、[[../在学练习/概率论-第6讲-数理统计/02-试题|02-试题]]、[[../在学练习/概率论-第6讲-数理统计/03-解析|03-解析]];参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics` 与 `exercise/5-mathematical-statistics`。
> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]];八点分册见同目录 `02`—`09`(总体与统计量 / 三大分布 / 正态总体抽样分布 / 矩估计 / 最大似然 / 评价标准 / 区间估计 / 假设检验)。参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics` 与 `exercise/5-mathematical-statistics`。
@@ -59,7 +59,7 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC]
| 17 | [[17-背诵版-概率论-第3讲-多维随机变量及其分布]] | [[../在学练习/概率论-第3讲-多维随机变量及其分布/README\|概率论-第3讲-多维随机变量及其分布]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/2、3` | 19 | ✅ 已出 |
| 18 | [[18-背诵版-概率论-第4讲-数字特征]] | [[../在学练习/概率论-第4讲-随机变量的数字特征/README\|概率论-第4讲-随机变量的数字特征]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/3-digital-features` | 13 | ✅ 已出 |
| 19 | [[19-背诵版-概率论-第5讲-大数定律与中心极限定理]] | [[../在学练习/概率论-第5讲上-大数定律/README\|第5讲上 大数定律]]、[[../在学练习/概率论-第5讲下-中心极限定理/README\|第5讲下 中心极限定理]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/4、knowledge/3§切比雪夫` | 16 | ✅ 已出 |
| 20 | [[20-背诵版-概率论-第6讲-数理统计]] | [[../在学练习/概率论-第6讲-数理统计/README\|概率论-第6讲-数理统计]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/5-mathematical-statistics` | 18 | ✅ 已出 |
| 20 | [[20-背诵版-概率论-第6讲-数理统计]] | [[../在学练习/概率论-第6讲-数理统计/README\|概率论-第6讲-数理统计]] | `probability-theory-and-mathematical-statistics/knowledge+exercise/5-mathematical-statistics` | 26 | ✅ 已出 |
> 题量合计:**20 份 · 739 题**(高数 300、线代 238、概率 97;其余按各文件标注)。