修复 Gitea 网页端行内公式与加粗不渲染

根因(读 Gitea 解析器 modules/markup/markdown/math/inline_parser.go 源码确认):
行内公式收尾 $ 的后一个字节必须属于 {空格,换行,行尾,'.','!','?',',',';',':',')','$'},
开头 $ 的左邻不能是 ASCII 字母数字或上述标点。中文与全角标点均为多字节字符
(单字节值 >= 0x80),全部落空,于是整对 $...$ 被当作普通文本原样显示。
本地 PDF 走 KaTeX,无此限制,所以只有网页异常。

处理:
- 新增 .workbuddy/tools/md2pdf/fix_gitea_math.py(检测 + 修复,可 --check/--apply)
- 在收尾 $ 与紧跟的中文字符之间补一个半角空格:23 个文件 1889 处
- 顺带修复加粗失效(收尾 ** 被标点前导、被汉字后继,不满足 CommonMark
  right-flanking 规则):10 处,星号不再外露
- 新增 rebuild_prob_pdfs.sh,重生成概率论第3/5/6讲全部 12 个 PDF

范围:概率论在学练习 + 每日小练 + 知识点。试卷/模拟卷/多元函数积分学
仍有 1484 处待修(同规则,可随时跑 --scope 之外的 --apply)。
This commit is contained in:
2026-10-16 17:53:49 +08:00
parent ab10f27f07
commit a750fb2ca6
32 changed files with 1171 additions and 909 deletions
@@ -20,66 +20,66 @@ tags:
### 第 1 题 · 统计量与常用统计量
**(Ⅰ)答案**:$\bar X=5$,$S^2=7.5$,$B_2=6$。
**(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:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$。
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**。
**(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。
- **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**:$Y_1\sim\chi^2(6)$。
**(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:
**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**:$Y_2\sim\chi^2(1)$。
**(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:
**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**:$Y_3\sim t(3)$。
**(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:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$;
- 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
**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 $\dfrac18$)。
**$\chi^2$ 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。
- ⚠️ **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**:$E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$ES^2=\sigma^2$。
**(Ⅰ)答案**:$E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$ES^2=\sigma^2$ 。
**思路**:
@@ -95,37 +95,37 @@ $$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}
**(Ⅱ)答案**:因为 $\dfrac1n\sum(X_i-\bar X)^2$ 是**有偏**的。
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$)。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ 。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$ )。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
**易错点**:
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$,**不是** $\sigma^2$——这是第 5 讲切比雪夫不等式反复用到的结论。
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$(求 $E$ 时用)。
- **"$n-1$ 是为了无偏"**这句话要能自己推(面试式追问)。
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$ ,**不是** $\sigma^2$ ——这是第 5 讲切比雪夫不等式反复用到的结论。
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$ (求 $E$ 时用)。
- **"$n-1$ 是为了无偏"** 这句话要能自己推(面试式追问)。
---
### 第 4 题 · 矩估计
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$。
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$ 。
**思路**:先求**总体一阶矩**(含 $\theta$):
**思路**:先求**总体一阶矩**(含 $\theta$ ):
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
用样本一阶矩替换:$1-5\theta=\bar X$,解得
用样本一阶矩替换:$1-5\theta=\bar X$ ,解得
$$\hat\theta=\frac{1-\bar X}{5}.$$
**易错点**:
- 先**验证概率和为 1**:$2\theta+\theta+(1-3\theta)=1$ ✓(题目给了 $0<\theta<1/3$ 保证非负)。
- **只用一个参数 → 只用一阶矩**,别多此一举用二阶矩。
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$ ),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
---
### 第 5 题 · 极大似然估计
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$。
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$ 。
**思路**:
@@ -134,17 +134,17 @@ $$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\t
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
**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。
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$ ** ✓,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**:$k=\dfrac{1}{2(n-1)}$。
**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**":
**思路**:关键是算 $E(X_{i+1}-X_i)^2$ 。用"**方差 + 均值差平方**":
$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
@@ -155,7 +155,7 @@ $$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigm
$$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)}.$$
**易错点**:
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$**。
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$ ——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$ **。
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
---
@@ -164,7 +164,7 @@ $$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)\
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
**思路**:
@@ -172,125 +172,125 @@ $$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert
$$\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 .$$
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
**(Ⅱ)答案**:$E\hat\lambda=\lambda$,$D\hat\lambda=\dfrac{\lambda^2}{n}$。
**(Ⅱ)答案**:$E\hat\lambda=\lambda$ ,$D\hat\lambda=\dfrac{\lambda^2}{n}$ 。
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$,由对称性可得
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$ ,由对称性可得
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$、$D\lvert X_i\rvert=\lambda^2$。于是
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$ 、$D\lvert X_i\rvert=\lambda^2$ 。于是
$$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}.$$
**易错点**:
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$,与本题无关。要求的是**绝对值的期望**。
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$,**记得乘 $\frac{1}{n^2}$**。
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$),可直接回刷真题。
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$ ,与本题无关。要求的是**绝对值的期望**。
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$ ,**记得乘 $\frac{1}{n^2}$ **。
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$ ),可直接回刷真题。
---
### 第 8 题 · 次序统计量 · 最大值分布 + 无偏 🟨真题骨架 2016·23
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$(其他为 0)。
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$ (其他为 0)。
**思路**:先求**分布函数**。
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$,求导:
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$ ,求导:
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
**(Ⅱ)答案**:$a=\dfrac76$。
**(Ⅱ)答案**:$a=\dfrac76$ 。
**思路**:
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
令 $E(aT)=a\cdot\dfrac67\theta=\theta$,得 $a=\dfrac76$。
令 $E(aT)=a\cdot\dfrac67\theta=\theta$ ,得 $a=\dfrac76$ 。
**易错点**:
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$,本题 $n=3$,$f=2x/\theta^2$,$[F]^2=x^4/\theta^4$,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
- 若总体的 $F(x)=(x/\theta)^k$,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$ ,本题 $n=3$ ,$f=2x/\theta^2$ ,$[F]^2=x^4/\theta^4$ ,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
- 若总体的 $F(x)=(x/\theta)^k$ ,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$ 。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
---
### 第 9 题 · 区间估计 🟨真题骨架 2016·14
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$;单侧置信上限 $13.1225$。
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$ ;单侧置信上限 $13.1225$ 。
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$。
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ 。
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$。
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$ 。
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
**单侧上限**:**改用 $u_\alpha$(不是 $u_{\alpha/2}$)**,半宽 $=1.645\times0.5=0.8225$,
**单侧上限**:**改用 $u_\alpha$ (不是 $u_{\alpha/2}$ )**,半宽 $=1.645\times0.5=0.8225$ ,
$$\bar\mu=12.3+0.8225=13.1225 .$$
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$。
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$ 。
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$,枢轴量变 $t(n-1)$:
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$ ,枢轴量变 $t(n-1)$ :
$$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].$$
**易错点**:
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$(本例 1.96),单侧用 $u_\alpha$(1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
- ⚠️ **$\sigma$ 已知用 $U$、未知用 $t$**——审题第一件事就是看 $\sigma$ 给没给。
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$ (本例 1.96),单侧用 $u_\alpha$ (1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
- ⚠️ **$\sigma$ 已知用 $U$ 、未知用 $t$ **——审题第一件事就是看 $\sigma$ 给没给。
- 💡 **对称性技巧(真题 2016·14 的考点)**:均值的双侧区间关于 $\bar X$ 对称,所以
$$\text{下限}+\text{上限}=2\bar X .$$
真题只给了 $\bar X=9.5$ 和上限 $10.8$,让你反求下限:$2\times9.5-10.8=8.2$,答案 $[8.2,10.8]$。**区间估计里唯一"送分"的公式,务必记住。**
真题只给了 $\bar X=9.5$ 和上限 $10.8$ ,让你反求下限:$2\times9.5-10.8=8.2$ ,答案 $[8.2,10.8]$ 。**区间估计里唯一"送分"的公式,务必记住。**
---
### 第 10 题 · 假设检验拒绝域 🟨真题骨架 2025·10
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$。
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$ 。
**思路**:$\sigma^2=3$ 已知 ⟹ 取检验统计量
$$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}).$$
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$,即
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$ ,即
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
**(Ⅱ)答案**:$c=2.8225$。
**(Ⅱ)答案**:$c=2.8225$ 。
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$,
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$ ,
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
**易错点**:
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$**。**不要把方差当标准差代进分母**——这是本题最大的坑。
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$"就放右尾($\ge$);$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$"。
- **单侧用 $Z_\alpha$**(不是 $Z_{\alpha/2}$)。若改成 $H_1:\mu\ne2$,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$。
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$ **。**不要把方差当标准差代进分母**——这是本题最大的坑。
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$ "就放右尾($\ge$ );$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$ "。
- **单侧用 $Z_\alpha$ **(不是 $Z_{\alpha/2}$ )。若改成 $H_1:\mu\ne2$ ,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$ 。
---
### 第 11 题 · 两类错误 🟨真题骨架 2021·10
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$。
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$ 。
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$,即标准差 $\dfrac35=0.6$。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$ ,即标准差 $\dfrac35=0.6$ 。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
$$\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).$$
**(Ⅱ)答案**:$\beta=1-\Phi(1)$。
**(Ⅱ)答案**:$\beta=1-\Phi(1)$ 。
**思路**:第二类错误在 $H_1$ 下的**具体真值** $\mu=6.6$ 处计算,用**接受域**($W$ 的补集):
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
**易错点**:
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$(边界),$\beta$ 用 $\mu=\mu_1$(真值)。这是两类错误的**根本区别**。
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$,得 $\beta=1-\Phi(1)$),可直接回刷。
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$ (边界),$\beta$ 用 $\mu=\mu_1$ (真值)。这是两类错误的**根本区别**。
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$ ,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$ ,得 $\beta=1-\Phi(1)$ ),可直接回刷。
---
@@ -298,7 +298,7 @@ $$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=
**(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**:
**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**:
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
@@ -317,13 +317,13 @@ $$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
**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。
- 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**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$。
**(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**。
@@ -333,30 +333,30 @@ $$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\l
$$\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}.$$
代入:$n=5$,$m=4$,$\sum x_i=3+2+4+1+5=15$,$\sum y_j=5+3+7+9=24$,
代入:$n=5$ ,$m=4$ ,$\sum x_i=3+2+4+1+5=15$ ,$\sum y_j=5+3+7+9=24$ ,
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$。
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$ 。
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$;两者独立故方差可加:
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$ ;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$ ;两者独立故方差可加:
$$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}.$$
**易错点**:
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$** 的两个来源,必须合并。
- ⚠️ **$Y$ 组的分母是 $n+2m$**(不是 $n+m$):因为 $Y$ 的均值是 $2\lambda$,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
- 若把 $Y$ 的分布参数换成 $k\lambda$,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$,$D\hat\lambda=\dfrac{\lambda}{n+km}$——**这是本题的一般式**。
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$ ** 的两个来源,必须合并。
- ⚠️ **$Y$ 组的分母是 $n+2m$ **(不是 $n+m$ ):因为 $Y$ 的均值是 $2\lambda$ ,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
- 若把 $Y$ 的分布参数换成 $k\lambda$ ,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$ ,$D\hat\lambda=\dfrac{\lambda}{n+km}$ ——**这是本题的一般式**。
---
### 第 14 题 · 两正态总体方差比 · $F$ 分布 🟨真题骨架 2023·9
**答案**:$c=3$,自由度为 $(m-1,\ n-1)$。
**答案**:$c=3$ ,自由度为 $(m-1,\ n-1)$ 。
**思路**:**"拼 $F$"的两步——先各去方差,再除自由度**。
**思路**:**"拼 $F$ "的两步——先各去方差,再除自由度**。
$$\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),$$
@@ -364,12 +364,12 @@ $$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}
$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
所以 $c=3$。
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 $c'=\dfrac13$。
- ⚠️ **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 $c'=\dfrac13$ 。
---
@@ -377,42 +377,42 @@ $$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2
### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$。
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$ 。
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$。令 $t=\dfrac{x-\mu}{\sigma}$($\mathrm dx=\sigma\,\mathrm dt$):
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$ 。令 $t=\dfrac{x-\mu}{\sigma}$ ($\mathrm dx=\sigma\,\mathrm dt$ ):
$$\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}}.$$
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
**思路**:似然函数(注意支撑集 $x_i\ge\mu$)
**思路**:似然函数(注意支撑集 $x_i\ge\mu$ )
$$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}.$$
**令 $v=\sigma^2$**(对 $\sigma$ 求导会出现平方根,**换元更省事**):
**令 $v=\sigma^2$ **(对 $\sigma$ 求导会出现平方根,**换元更省事**):
$$\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 .$$
解得 $v=\dfrac1n\sum(X_i-\mu)^2$,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
解得 $v=\dfrac1n\sum(X_i-\mu)^2$ ,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
**易错点**:
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$)。
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$)**能避开根号运算——**这是本类题的一个通用技巧**。
- 结果里是 **$n$ 而不是 $n-1$**(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$ )。
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$ )** 能避开根号运算——**这是本类题的一个通用技巧**。
- 结果里是 **$n$ 而不是 $n-1$ **(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
---
### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$。
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$ ;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$ 。
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$。再用条件概率:
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$ 。再用条件概率:
$$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\}.$$
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$。
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$ 。
**思路**:先求密度(对 $F$ 求导):
@@ -423,20 +423,20 @@ $$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
**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**。
- ⚠️ **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**:$c=\dfrac{n+1}{n}$。
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$ 。
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$。
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$ 。
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$,
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$ ,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$ ,
$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
@@ -457,10 +457,10 @@ $$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightar
$$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}.$$
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$。
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$ 。
这不矛盾:**有偏估计只要偏差足够小,就能把方差压得更低,使总 MSE 更小**——这就是"**无偏 ≠ 最优**"的经典例证($c=\frac{n+2}{n+1}$ 时估计量是有偏的,但 MSE 反而比无偏的那一个更小)。
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$),**不能**用 $(EX_{(n)})^2$。
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$(本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$ ),**不能**用 $(EX_{(n)})^2$ 。
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$ (本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
---
@@ -470,37 +470,37 @@ $$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightar
**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 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$;
- 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 |
| $\alpha=0.05$ 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**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$。
**(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**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$,
**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**:
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
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。
- ⚠️ **$\beta$ 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)。
---
@@ -515,14 +515,14 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
| 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) |
| 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 | ✅ |
| 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 | ✅ |
@@ -542,20 +542,20 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
- **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。
- **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;
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。
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**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)。