第6讲考点手册:补两个正态总体的区间估计与假设检验

- §4.5 两总体区间估计(mu1-mu2 的 U/T 分布、sigma1^2/sigma2^2 的 F 分布)
- §5.6 两总体假设检验拒绝域表
- 补 MLE 不变性、F(1,n-1) 推论、经验分布函数、第 k 个顺序统计量
- 大纲要求但十年未考,标注为高性价比冷门
- 同步重生成第6讲 PDF
This commit is contained in:
2026-10-16 17:53:43 +08:00
parent 31fe3da11f
commit ab10f27f07
8 changed files with 246 additions and 123 deletions
+48 -1
View File
@@ -127,5 +127,52 @@
### 待办(更新)
- **所有 PDF(第 3 讲 6 份 + 第 5 讲 3 份 + 第 6 讲 3 份,共 12 份)均未推送**;`每日小练` 两套并列 02 与 `总览` 不一致仍待处理。
- ~~所有 PDF 未推送~~ → **已于本日推送**(见下节)。
- `每日小练` 两套并列 02 与 `总览` 不一致仍待处理(唯一遗留)。
- 第 4 讲(数字特征)仍未建文件夹;第 6 讲的区间估计/假设检验反复用到它,建议补。
---
## 推送到云(commit `31fe3da`)
**用户**:「更新到云」。
- 推送前检查(固定流程):`git fetch` → 差异计数 **0/0**(本地与云端一致)→ 待推送 **27 新增 + 4 修改、无删除**、体积 **8.8M**(12 份 PDF 占 8.7M)。
- `.gitignore` 规则复查正常:`参考仓库/`、`papers/images/`、`md2pdf/build/` 均正确排除,无误伤。
- 推送结果:`82f15e1..31fe3da main -> main`,退出码 0;云端与本地同为 `31fe3da`,`git status -sb` 无 ahead/behind。
- 内容:第 5 讲整章(4 md + 3 PDF)、第 6 讲整章(4 md + 3 PDF)、第 3 讲中高难度卷(2 md + 2 PDF)+ 四件套 PDF×4、`md2pdf.js`/`shot.js` 工具链、3 个 memory 文件;`总览.md`、`.gitignore`、第 3 讲手册/试题/README 更新。
---
## 第6讲考点手册 · 覆盖度审计与补全
**用户**:「第六讲知识点覆盖全面吗?我看讲课的时候讲的内容挺多的」。
### 审计结论
- **真题维度:15/15 全覆盖**(ch20 2 题、ch21 10 题、ch22 3 题,手册 §7 落点地图逐题对应),无遗漏。
- **大纲维度:发现缺口** —— **数一大纲明确要求"两个正态总体的均值差与方差比的区间估计""两个正态总体的假设检验"**,而手册原先只在 §2.5 写了**两总体抽样分布三定理**,**没有延伸到区间估计与检验**。参考仓库同样缺失(关键词"两总体/均值差/方差比"命中 0),**故属本手册可超越仓库的点**。
- 全库检索确认:真题十年**从未考两总体区间/检验**("两个正态"0 命中,仅 2023·9 用两总体**方差比分布**)。故属"**大纲要求但十年未考的高性价比冷门**"。
- 其他小缺:**MLE 不变性**($\widehat{g(\theta)}=g(\hat\theta)$)、$\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$ 推论、经验分布函数、第 $k$ 个顺序统计量密度。
### 补全内容(`01-考点手册.md`,583 → 657 行)
- **新增 §4.5 两个正态总体的区间估计**:$\mu_1-\mu_2$($\sigma$ 已知用 $U$ / 相等未知用 $T$,合并方差 $S_w^2$)+ $\sigma_1^2/\sigma_2^2$($F(m-1,n-1)$,**两端反着放**)。
- **新增 §5.6 两个正态总体的假设检验**:均值差 $U/T$ 检验 + 方差比 $F$ 检验(拒绝域表)。
- **§3.2 新增「极大似然估计的不变性原理」**:例(正态 $\hat\sigma^2_{MLE}=\frac1n\sum(X_i-\bar X)^2$、$U(0,\theta)$ 的 $X_{(n)}^2$)+ **强调"无偏性没有不变性"**这一辨析点。
- **§2.5(一)新增 ⑤**:$\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$(由 ④ 平方)。
- **新增 §1.3 经验分布函数**(含格利文科定理,标"了解"),原分组数据顺延为 §1.4。
- **§2.6 补第 $k$ 个顺序统计量密度**(标"了解")。
- **修正** §3.2 三类载体表中"幂型"一行密度书写错乱(原为 `\dfrac{\theta x^{\theta-1}}{\ }`)。
- **§0.2 地图、§7.4 命题规律(补 2 条)、§8.1 速记十二条→十四条、§8.2 陷阱表(补 3 条)** 同步更新。
### 产出与同步
- 重生成 `PDF/概率论第6讲-考点手册.pdf`(**16 → 19 页**),截图验收 §4.5(均值差两行表 + 方差比区间)与 §5.6(三行拒绝域表)渲染均正常。
- 同步 `README.md`(文件表描述加"单+两总体"、PDF 页数、训练目标补"大纲要求但十年未考"一条)、`总览.md`(第 6 讲 01 描述与 PDF 页数)。
### 待办
- 两总体考点**已补入手册,但尚未配题**——如需,可在 `02-试题`/`03-解析` 补 2–3 道(区间估计 1 + 检验 1 + MLE 不变性 1)。
- 本轮改动(手册/README/总览/PDF)**未推送**。
- `每日小练` 两套并列 02 与 `总览` 不一致仍待处理;第 4 讲(数字特征)仍缺文件夹。
+1
View File
@@ -9,6 +9,7 @@
- 答疑按**题号增量追加**到 `04-答疑笔记.md`
- 讲次 ↔ 真题库章节映射:**第3讲 多维随机变量 ↔ ch17**;**第5讲 大数定律与中心极限定理 ↔ ch19**;**第6讲 数理统计 ↔ ch20(基本概念)+ ch21(参数估计)+ ch22(假设检验)**。新讲次按「视频讲次 ↔ DB 章节」对应关系挂靠
- 考点/试题**同一知识点只归属其"正统"讲次**(如切比雪夫不等式属第 5 讲,不在第 3 讲展开,仅留一行交叉链接)
- **考点手册的覆盖面 = 大纲要求 ∪ 真题考过 ∪ 参考仓库涉及**,不能只写"真题考过的"(例:第6讲「两个正态总体的均值差/方差比区间估计与假设检验」大纲明确要求、十年未考,仍须写全,标注为"高性价比冷门")
- 真题库:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db`(2016–2025,225 题,表 `question`)
- 参考仓库:`参考仓库/Math/`(`.tex`,已在 .gitignore 忽略,不入库)
+2 -2
View File
@@ -73,13 +73,13 @@ tags:
│ │ └── 概率论第5讲-考点手册.pdf(8 页)
│ └── 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 / 区间估计 / 假设检验 / 两类错误
│ ├── 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(16 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)
├── 模拟卷/ ← 模拟卷(按十年库命题的自测卷)
│ ├── 2027模拟卷一.md ✓ 已完成
│ ├── 无穷级数专项练习.md ✓ 已完成
@@ -42,8 +42,8 @@ tags:
| §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) |
| §2 | **统计量及其分布**(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) |
| §3 | **参数的点估计**(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | **★★★★★ 年年必考解答题** |
| §4 | 区间估计(枢轴变量法,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
| §5 | 假设检验(六大检验与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
| §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
@@ -60,24 +60,35 @@ tags:
| 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) |
| **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 $n$ |
| **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
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。
> ⚠️ **这就是**"简单随机样本"**的全部价值**:有了独立性,$n$ 维联合分布才**等于一维分布的连乘**。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$ ,用的就是这一条。
### 1.3 分组数据(了解)
### 1.3 经验分布函数(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
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
$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
@@ -89,11 +100,11 @@ $$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)
> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$、$\sigma$),它就不是统计量。
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$ 、$\sigma$ ),它就不是统计量。
> **例**:$X\sim N(\mu,\sigma^2)$,$\mu,\sigma^2$ **均未知**时
> - $X_1+X_2$、$\sum X_i$、$\max X_i$、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
> - $\sum(X_i-\mu)^2$、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$)。
> **例**:$X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ **均未知**时
> - $X_1+X_2$ 、$\sum X_i$ 、$\max X_i$ 、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
> - $\sum(X_i-\mu)^2$ 、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$ )。
### 2.2 常用统计量
@@ -111,11 +122,11 @@ $$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$
### 2.3 样本均值与样本方差的数字特征(必背)
设 $EX=\mu$,$DX=\sigma^2$,$X_1,\cdots,X_n$ 为简单随机样本,则
设 $EX=\mu$ ,$DX=\sigma^2$ ,$X_1,\cdots,X_n$ 为简单随机样本,则
$$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}.$$
> **为什么样本方差除以 $n-1$?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$(**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$。
> **为什么样本方差除以 $n-1$ ?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$ ,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$ (**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$ 。
>
> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
@@ -123,7 +134,7 @@ $$E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\
#### 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
**构造**:$X_1,\cdots,X_n$ 相互独立且均 $\sim N(0,1)$ ,则
$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
@@ -131,29 +142,29 @@ $$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$
| 性质 | 内容 |
|---|---|
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
| 期望方差 | $E\chi^2(n)=n$,$D\chi^2(n)=2n$ |
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$ 、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
| 期望方差 | $E\chi^2(n)=n$ ,$D\chi^2(n)=2n$ |
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$(**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ (**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
#### 2.4.2 $t$ 分布(学生氏)
**构造**:$X\sim N(0,1)$,$Y\sim\chi^2(n)$,$X$ 与 $Y$ **独立**,则
**构造**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,$X$ 与 $Y$ **独立**,则
$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
**性质**:
- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
- $n$ 很大时近似 $N(0,1)$;
- $t_{1-\alpha}(n)=-t_\alpha(n)$(**对称性**);
- $t^2\sim F(1,n)$。
- $n$ 很大时近似 $N(0,1)$ ;
- $t_{1-\alpha}(n)=-t_\alpha(n)$ (**对称性**);
- $t^2\sim F(1,n)$ 。
> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
#### 2.4.3 $F$ 分布
**构造**:$U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$,$U$ 与 $V$ **独立**,则
**构造**:$U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ ,$U$ 与 $V$ **独立**,则
$$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
@@ -169,7 +180,7 @@ $$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$,$\bar X$、$S^2$ 为样本均值与样本方差。
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\bar X$ 、$S^2$ 为样本均值与样本方差。
**(一)单个正态总体(四条定理)**
@@ -177,16 +188,17 @@ $$\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})
&\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}}$$
> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$,自由度减一"**。
> **①→④ 的口诀**:**"$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$"**。
> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$ ,自由度减一"**。
> **①→④ 的口诀**:**"$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度 $n-1$ "**。
> **④ 的独立性**是正态总体**独有的性质**(一般总体不成立),它是 $t$ 分布构造的前提,**必须记住**。
**(二)两个正态总体(三条定理)**
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$,**两组样本相互独立**,记
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,记
$$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})$$
@@ -198,26 +210,26 @@ $$\begin{aligned}
&\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}$$
> **② 的推导就是"拼 $F$"**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。
> **② 的推导就是"拼 $F$ "**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$ 、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$ ,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
> 🟨 **2023·9 就是考这一条**:只要两个总体的方差比 $\sigma_1^2:\sigma_2^2$ 已知,就能把系数调出来。
**(三)拼装三大分布的"三步法"(考场通用)**
1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$;
2. **标准化**:除以标准差得到 $N(0,1)$,**平方**得 $\chi^2(1)$;
1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$ ;
2. **标准化**:除以标准差得到 $N(0,1)$ ,**平方**得 $\chi^2(1)$ ;
3. **按定义拼**:$\chi^2$ **加**、$t$ **除根号**、$F$ **上下除各自自由度**。
**⚠️ 三个恒定陷阱**:
| 陷阱 | 正确做法 |
|---|---|
| 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$;系数不对就不是 $\chi^2$ |
| 独立性未验证 | 分子含 $X_1$、分母也含 $X_1$ 时**不独立**,不能用 $t$/$F$ 定义 |
| 自由度算错 | $\chi^2$ 用 $n$(或 $n-1$)、$t$ 用 $n-1$、$F$ 用 $(m-1,n-1)$ |
| 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$ ;系数不对就不是 $\chi^2$ |
| 独立性未验证 | 分子含 $X_1$ 、分母也含 $X_1$ 时**不独立**,不能用 $t$ /$F$ 定义 |
| 自由度算错 | $\chi^2$ 用 $n$ (或 $n-1$ )、$t$ 用 $n-1$ 、$F$ 用 $(m-1,n-1)$ |
### 2.6 顺序统计量 🟨2016·23 🟨2024·22
把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$。
把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。
- $X_{(1)}=\min\{X_1,\cdots,X_n\}$ —— **最小**顺序统计量;
- $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。
@@ -227,8 +239,8 @@ $$\begin{aligned}
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
> **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**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$。
> **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)**
@@ -238,51 +250,57 @@ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
> **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0<x<\theta$,则 $X_{(n)}$ 服从「幂型」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$。
> **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)。
> **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 $\hat\theta$。
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**。
> ⚠️ **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 $\theta$。
**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"。
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**:
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**) |
| $X\sim U(0,\theta)$ ,$f=\dfrac1\theta$ ,$0<x<\theta$ | $\hat\theta=X_{(n)}=\max X_i$ (**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。"**
@@ -292,11 +310,24 @@ $$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longright
|---|---|---|---|
| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
| 均匀 $U(0,\theta)$ | $\dfrac1\theta,0<x<\theta$ | $\hat\theta=2\bar X$ | $\hat\theta=X_{(n)}$ |
| 幂型 $f=\dfrac{\theta x^{\theta-1}}{\ }$($0<x<1,\theta>0$) | $\theta x^{\theta-1}$ | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
| 幂型 | $f(x)=\theta x^{\theta-1}$ ($0<x<1,\ \theta>0$ ) | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
> **两个特殊的"坑"分布**:
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$;常数 $A=\sqrt{2/\pi}$;
> - **两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$。
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$ ;常数 $A=\sqrt{2/\pi}$ ;
> - **两样本同参数**(如 $X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$ 。
**极大似然估计的不变性原理(重要)**
> 若 $\hat\theta$ 是 $\theta$ 的极大似然估计,$g(\cdot)$ 是任意函数(通常单调),则 **$g(\hat\theta)$ 是 $g(\theta)$ 的极大似然估计**。
$$\widehat{g(\theta)}=g(\hat\theta).$$
**用途**:不必为新参数重新建似然函数。典型例子:
- 正态总体 $N(\mu,\sigma^2)$ :$\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2$ (注意**除以 $n$ 、有偏**)⟹ 直接得 $\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$ ;
- $X\sim U(0,\theta)$ :$\hat\theta=X_{(n)}$ ⟹ $\theta^2$ 的 MLE 就是 $X_{(n)}^2$ 、$1/\theta$ 的 MLE 就是 $1/X_{(n)}$ 。
> ⚠️ **注意区分**:**无偏性没有不变性**!$E\hat\theta=\theta$ **推不出** $Eg(\hat\theta)=g(\theta)$ (如 $S=\sqrt{S^2}$ 就不是 $\sigma$ 的无偏估计)。**"MLE 有不变性,无偏性没有"**——这是常考的概念辨析点。
### 3.3 估计量的评价标准
@@ -308,7 +339,7 @@ $$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \h
$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
> **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**)。
> **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
@@ -322,9 +353,9 @@ $$D\hat\theta_1<D\hat\theta_2\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\t
$$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 .$$
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$**(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$ **(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
> **2024·22 的考点**:让 MSE 最小的 $c$,通常**不等于**让估计无偏的 $c$——**要展开成 $c$ 的二次函数求顶点**。
> **2024·22 的考点**:让 MSE 最小的 $c$ ,通常**不等于**让估计无偏的 $c$ ——**要展开成 $c$ 的二次函数求顶点**。
> 展开模板(以 $T_c=cX_{(n)}$ 为例):
> $$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}.$$
@@ -356,18 +387,18 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
| 区间长度 | 反映**估计精度**;长度越短越精确 |
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$"($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$**"。
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$ "($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$ **"。
### 4.2 枢轴变量法(万能套路)
1. **找点估计** $\hat\theta$(一般取 MLE 或 $\bar X$、$S^2$);
2. **造枢轴量** $I=I(\hat\theta,\theta)$:**含未知参数 $\theta$,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$、$t$、$F$);
1. **找点估计** $\hat\theta$ (一般取 MLE 或 $\bar X$ 、$S^2$ );
2. **造枢轴量** $I=I(\hat\theta,\theta)$ :**含未知参数 $\theta$ ,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$ 、$t$ 、$F$ );
3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$。
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$ 。
### 4.3 正态总体四大区间估计(**必背表**)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$,置信度 $1-\alpha$。
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ ,置信度 $1-\alpha$ 。
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
@@ -380,23 +411,46 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
**三个"看条件"的读法**:
- $\sigma$ 已知 → $U$(正态);$\sigma$ 未知 → $t$(且自由度 $n-1$);
- $\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$;
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$"**。
- $\sigma$ 已知 → $U$ (正态);$\sigma$ 未知 → $t$ (且自由度 $n-1$ );
- $\mu$ 已知 → $\chi^2(n)$ ;$\mu$ 未知 → $\chi^2(n-1)$ ;
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$ "**。
### 4.4 单侧置信区间
| 类型 | 枢轴量形式 | 区间 |
|---|---|---|
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$) | $u_\alpha$(单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$ ) | $u_\alpha$ (单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$ ) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
> **单双侧的分位数互换**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同理 $t_\alpha(n-1)$。
> **单双侧的分位数互换**:单侧用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同理 $t_\alpha(n-1)$ 。
> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
> $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$
> **一句话**:**"上限 + 下限 = 2$\bar X$"**(仅对均值的对称区间成立;方差区间不成立)。
> **一句话**:**"上限 + 下限 = 2 $\bar X$ "**(仅对均值的对称区间成立;方差区间不成立)。
### 4.5 两个正态总体的区间估计 🟩(**数一大纲要求**)
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,置信度 $1-\alpha$ 。
**(1)均值差 $\mu_1-\mu_2$ 的置信区间**
| 条件 | 枢轴量 | 置信区间 |
|---|---|---|
| $\sigma_1^2,\sigma_2^2$ **均已知** | $U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ | $(\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ |
| $\sigma_1^2=\sigma_2^2$ **未知**($T$ ) | $T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | $(\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}$ |
其中合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
> **记法要点**:区间**中心永远是点估计 $\bar X-\bar Y$ **,半宽 = 「分位点 × 该估计量的标准差」。$\mu_1-\mu_2$ 的估计量方差是 $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ (**两样本方差各自除以自身容量再相加**)——别漏掉任何一项。
**(2)方差比 $\sigma_1^2/\sigma_2^2$ 的置信区间**
由 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ ,解出
$$\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].$$
> **⚠️ 两端同样"反着放"**:因为 $\sigma_1^2/\sigma_2^2$ 在**分母**,且 $F$ 分布不对称——**大分位点配下限、小分位点配上限**。附:$F_{1-\alpha/2}(m-1,n-1)=\dfrac{1}{F_{\alpha/2}(n-1,m-1)}$ ,查表时要**两个自由度都互换**。
---
@@ -404,28 +458,28 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
### 5.1 基本思想
> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$**。
> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$ **。
### 5.2 假设检验四步
1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$(通常把"想否定的、被保护的说法"放 $H_0$);
2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$、$T$、$\chi^2$、$F$,并写出 $H_0$ 成立时的分布;
3. **定拒绝域**:给定 $\alpha$,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$**,否则接受。
1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$ (通常把"想否定的、被保护的说法"放 $H_0$ );
2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$ 、$T$ 、$\chi^2$ 、$F$ ,并写出 $H_0$ 成立时的分布;
3. **定拒绝域**:给定 $\alpha$ ,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$ **,否则接受。
### 5.3 三类假设与拒绝域方向
| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
|---|---|---|---|
| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$) |
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$) |
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$) |
| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$ ) |
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) |
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$ ) |
> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$"就放在右侧,$H_1$ 是"$<$"就放在左侧,$H_1$ 是"$\ne$"就放两侧。
> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$ "就放在右侧,$H_1$ 是"$<$ "就放在左侧,$H_1$ 是"$\ne$ "就放两侧。
### 5.4 正态总体六大检验(拒绝域速查表)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$。
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ 。
| 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 |
|---|---|---|---|---|
@@ -442,17 +496,30 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
**记忆口诀**:**"$\sigma$ 知用 $U$、$\sigma$ 不知用 $T$;$\mu$ 知用 $\chi^2(n)$、$\mu$ 不知用 $\chi^2(n-1)$。"**
**记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"**
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$**,别把方差当标准差代入。
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$**。所以两类问题常常互相转化。
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。
### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**)
两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。
| 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) |
|---|---|---|---|
| $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ |
| $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ |
> **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。
> **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。
---
@@ -462,24 +529,24 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|---|---|---|
| **拒绝 $H_0$** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
| **接受 $H_0$** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
| **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
| **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
**公式**:
$$\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}\}.$$
> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$ ),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
### 6.2 计算 $\beta$ 的四步
1. 写出**拒绝域** $W$;
2. 写出**接受域** $\bar W$(拒绝域的补集);
1. 写出**拒绝域** $W$ ;
2. 写出**接受域** $\bar W$ (拒绝域的补集);
3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$。
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$ 。
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$,则在 $\mu=\mu_1$($H_1$ 中某个值)下
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$ ,则在 $\mu=\mu_1$ ($H_1$ 中某个值)下
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)🟨2018·8
@@ -487,18 +554,18 @@ $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受
| 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 $n$** |
| **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。
> **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**。
> 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**。
---
@@ -517,21 +584,21 @@ $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受
|---|---|---|---|
| 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 |
| 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 |
| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$:密度 + 矩估计 + MLE | §2.6 / §3.2 |
| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$ :密度 + 矩估计 + MLE | §2.6 / §3.2 |
| 2018·23 | 解答 11 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | §3.2 |
| 2019·23 | 解答 11 | 半正态分布:求常数 $A$ + MLE | §3.2 |
| 2020·23 | 解答 11 | 威布尔分布:$P\{T>t\}$ + 无记忆性 + MLE | §3.2 |
| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$(二元正态) | §2.5 ① / §3.3.1 |
| 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$)MLE + $D\hat\theta$ | §3.2 |
| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$ (二元正态) | §2.5 ① / §3.3.1 |
| 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$ )MLE + $D\hat\theta$ | §3.2 |
| 2023·10 | 单选 5 | 无偏估计($a\lvert X_1-X_2\rvert$ 定常数) | §3.3.1 |
| 2024·22 | 解答 12 | $U(0,\theta)$ 的 $X_{(n)}$:无偏 $c$ + MSE 最小 $c$ | §2.6 / §3.3.3 |
| 2024·22 | 解答 12 | $U(0,\theta)$ 的 $X_{(n)}$ :无偏 $c$ + MSE 最小 $c$ | §2.6 / §3.3.3 |
### 7.3 第 22 章 · 假设检验(3 题,14 分)
| 年份·题号 | 题型 | 考点 | 本手册 |
|---|---|---|---|
| 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 |
| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$) | §6.2 |
| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$ ) | §6.2 |
| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
### 7.4 命题规律(读三遍)
@@ -541,43 +608,50 @@ $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受
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 速记十二条
### 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**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$)。
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 $\sqrt2$。
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 |
| $\sigma^2$ 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 |
| 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 $u_\alpha$、$t_\alpha(n-1)$ |
| $\beta$ 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**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$)**见第 4 讲(待补)。
> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$ )** 见第 4 讲(待补)。
@@ -29,7 +29,7 @@ tags:
| 文件 | 用途 | 打开时机 |
|---|---|---|
| **[[01-考点手册]]** | 全考点:总体与样本 / **统计量及其分布**(三大分布 + 正态总体抽样分布)/ **参数的点估计** / 区间估计 / 假设检验 / 两类错误 | 学之前/复习时 |
| **[[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 |
@@ -38,7 +38,8 @@ tags:
- 真题库 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**。
- **参数估计标注「热门」**:近十年**几乎年年一道 11–12 分解答题**,是本讲**唯一必拿的大题**;本卷 18 题中 15 题与之相关。
- **数学一独有**:区间估计(视频 06)、假设检验(视频 07)、两类错误(视频 08)——**只在数一考**,且都只出选填。
- 三条主线:**独立性**(简单随机样本 = i.i.d.)、**标准化**(拼 $\chi^2/t/F$)、**矩替换**($\frac1n\sum X_i^k$ 换 $E X^k$)。
- **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 $E X^k$ )。
## 三、难度与用时
@@ -64,7 +65,7 @@ Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,
|---|---|---|
| `概率论第6讲-试题-答题版.pdf` | 17 | **主用**:18 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
| `概率论第6讲-解析.pdf` | 13 | 答案与详解 |
| `概率论第6讲-考点手册.pdf` | 16 | 复习查阅 |
| `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) |
> **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`
@@ -74,5 +75,5 @@ Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,
- 上层:[[总览]]
- 相邻讲次:[[概率论-第5讲-大数定律与中心极限定理/README]](大数定律与中心极限定理)
- 上游待补:数字特征(第 4 讲,**尚未建文件夹**)——本讲的切比雪夫、$\chi^2$、方差性质都依赖它
- 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]]