概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图

- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
This commit is contained in:
2026-11-08 20:18:17 +08:00
parent caa1743128
commit e6711c9bb1
6 changed files with 1502 additions and 482 deletions
@@ -1,180 +1,456 @@
---
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
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);**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]]"]
更新: 2026-11-08(v2 重构:分块排版 + 置信区间/检验表统一符号 + 真题地图对齐 sqlite + 纯题干题单)
状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 26 题纯题干清单;题单已对齐在学练习八点分册)
来源: 在学练习/概率论-第6讲-数理统计(八点分册 26 题)| 参考仓库 knowledge/5-mathematical-statistics + exercise/5|真题库 kaoyan_math1.db(chapter 20/21/22)
关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"]
---
# 概率论 第6讲 · 数理统计 · 背诵版
# 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**: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`。
> **范围**:参考仓库 `knowledge/5-mathematical-statistics`(总体与样本、统计量、三大分布、点估计、区间估计、假设检验、两类错误)+ `exercise/5`。
> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。
## 0. 本讲骨架(先背这张图)
## 0 骨架(先背这张图)
**一句话概括**:**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**),再用工具反推总体未知参数(**点估计 → 区间估计 → 假设检验**)。
### 0.1 一句话与六节地图
**三条主线**:① **独立性**(简单随机样本 = i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。
**一句话**:**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**),再用工具反推总体参数(**点估计 → 区间估计 → 假设检验**)。
**真题地位**:真题库第 20/21/22 章合计 **15 题、116 分**;其中**参数估计(第 21 章)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**(10 题里 8 题涉及 MLE)。区间估计、假设检验、两类错误**仅数学一**考,且只出选填。**「铁打的 22 题」**:每年解答题第 22(23)题基本固定考参数估计。
**六节地图**:
**六节地图**:§1 总体与样本(冷门)→ §2 统计量及其分布(三大分布 + 正态抽样分布,隔年选填)→ §3 **参数的点估计(年年必考解答题)**→ §4 区间估计(仅数一)→ §5 假设检验(仅数一)→ §6 两类错误(仅数一)。
| 节 | 内容 | 分量 |
|---|---|---|
| §1 | 总体、样本、经验分布 | 冷门(只作起手) |
| §2 | 统计量与抽样分布(三大分布 + 正态总体) | 选填常客 |
| §3 | **参数点估计**(矩估计、MLE、评价标准) | **年年解答题,本讲命脉** |
| §4 | 区间估计(仅数一) | 选填 |
| §5 | 假设检验(仅数一) | 选填 |
| §6 | 两类错误(仅数一) | 选填 |
**考点树**
**三条主线**:① **独立性**(简单随机样本 $=$ i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。
| 节 | 考点(对应题目) |
**符号约定**(本讲统一):
| 记号 | 含义 |
|---|---|
| §1 总体与样本 | 简单随机样本、联合分布连乘、经验分布函数(题1 起手) |
| §2 统计量及其分布 ★ | 统计量定义、常用统计量、$\bar X/S^2$ 数字特征、$\chi^2/t/F$ 三大分布、单/两正态抽样分布、顺序统计量(题1–3、8、14) |
| §3 参数的点估计 ★★★ | 矩估计、MLE(可微/不可微/不变性)、无偏/有效/一致/MSE(题4–8、12、13、15–17) |
| §4 区间估计 | 枢轴变量法、单总体四大表、两总体两类(题9) |
| §5 假设检验 | 四步、三类拒绝域、单总体六大表、两总体三类(题10、18) |
| §6 两类错误 | $\alpha$/$\beta$ 定义与计算、$\alpha\beta$ 关系(题11、18) |
| $u_\alpha$ | 标准正态**上侧** $\alpha$ 分位点:$P\{Z>u_\alpha\}=\alpha$ |
| $\chi^2_\alpha(n)$、$t_\alpha(n)$、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 |
| $\overline X$、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$) |
| $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$(**有偏**) |
## 1. §1 总体与样本
### 0.2 十年真题地图(sqlite,2016–2025)
总体 = 研究对象全体(数学上是一个随机变量 $X$);个体 = 每个元素;**简单随机样本 = $n$ 个相互独立且与总体同分布**的 $(X_1,\dots,X_n)$——「概率论里的 i.i.d.」即「数理统计里的简单随机样本」。**样本联合分布(核心)**:$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)$(离散同理)——独立性使 $n$ 维联合分布 = 一维分布连乘,这是 MLE 的根。经验分布函数 $\hat F_n(x)=\frac{\text{样本中}\le x\text{的个数}}n$(了解);格利文科定理:$\sup_x|\hat F_n(x)-F(x)|\xrightarrow{\text{a.s.}}0$。
| 年份·题号 | 考点 | 分值 | 归属 |
|---|---|---|---|
| 2025·22 | 复合分布 + 泊松分解(理赔模型) | 12 | §2/§3 综合 |
| 2025·10 | 单侧假设检验的拒绝域 | 5 | §5 |
| 2024·22 | 次序统计量无偏 + MSE 最小 | 12 | §3.3 |
| 2023·10 | 无偏估计反定常数 | 5 | §3.3 |
| 2023·9 | 两正态总体方差比的 $F$ 分布 | 5 | §2.5 |
| 2022·22 | 两样本泊松的 MLE 与 $D(\hat\theta)$ | 12 | §3.2 |
| 2021·10 | 第二类错误概率 | 5 | §6 |
| 2021·9 | 无偏性 + $D(\hat\theta)$(二元正态) | 5 | §3.3 |
| 2020·23 | 威布尔型 $F(t)$ 的无记忆性 + MLE | 11 | §3.2 |
| 2019·23 | 半正态密度求常数 + MLE | 11 | §3.2 |
| 2018·23 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | 11 | §3.2 |
| 2018·8 | 显著性水平与拒绝/接受的关系 | 4 | §5/§6 |
| 2017·23 | 绝对误差的矩估计 + MLE | 11 | §3.1/§3.2 |
| 2017·8 | $\chi^2$ 分布的四个结论辨析 | 4 | §2.4 |
| 2016·23 | 次序统计量 $T=\max$ + 无偏定 $a$ | 11 | §2.6/§3.3 |
| 2016·14 | 置信区间(给上限反求下限) | 4 | §4 |
## 2. §2 统计量及其分布
> **命题规律**:**"铁打的 22 题"**——每年解答题第 22(或 23)题基本固定围绕参数估计:**近十年 8 道解答题,5 道直接考 MLE**(2017、2018、2019、2020、2022),另 3 道考无偏与 MSE(2016、2024)或复合分布(2025)。选填则轮流考:$F$ 分布(2023·9)、无偏定常数(2023·10)、两类错误(2021·10)、拒绝域(2025·10)。**MLE 是必须拿满分的一块**。
### 2.1 统计量定义(判断题高频)
### 0.3 考点树(与在学练习八点分册一一对应)
$g(X_1,\dots,X_n)$ 中**不含任何未知参数**($\mu$、$\sigma$)才是统计量。判断口诀:**「能不能算出来」**。例:$\sum X_i$、$\max X_i$ 是;$\sum(X_i-\mu)^2$、$\frac{X_1-\mu}{\sigma}$ 不是。
| 节 | 考点 | 在学练习 | 题数 |
|---|---|---|---|
| §1 | 总体与样本、统计量定义、常用统计量、经验分布 | 点 1 | 3 |
| §2.4 | 三大抽样分布 $\chi^2/t/F$ | 点 2 | 3 |
| §2.5 | 正态总体的抽样分布(单/两总体) | 点 3 | 3 |
| §3.1 | 矩估计 | 点 4 | 2 |
| §3.2 | 极大似然估计(含不可微与两样本) | 点 5 | 4 |
| §3.3 | 评价标准:无偏 / 有效 / 一致 / MSE | 点 6 | 4 |
| §4 | 区间估计(枢轴变量法、四表) | 点 7 | 3 |
| §5–§6 | 假设检验与两类错误 | 点 8 | 4 |
### 2.2 常用统计量与恒等式
## 1 总体、样本与统计量(点 1)
样本均值 $\bar X=\frac1n\sum X_i$;样本方差 $S^2=\frac1{n-1}\sum(X_i-\bar X)^2$;样本 $k$ 阶原点矩 $A_k=\frac1n\sum X_i^k$、中心矩 $B_k=\frac1n\sum(X_i-\bar X)^k$。**恒等式**:$\sum(X_i-\bar X)^2=\sum X_i^2-n\bar X^2$。
### 1.1 基本概念
### 2.3 $\bar X$ 与 $S^2$ 的数字特征(必背)
| 概念 | 定义 |
|---|---|
| 总体 | 研究对象的全体;**数学上就是一个随机变量 $X$** |
| 个体 | 总体的每个元素 |
| 简单随机样本 | $n$ 个**相互独立且与总体同分布**的 $X_1,\dots,X_n$ |
| 样本值 | 一次具体观测得到的一组数 $x_1,\dots,x_n$ |
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2.$$
**一句话**:**"概率论里的 i.i.d." $=$ "数理统计里的简单随机样本"**。
**为什么除以 $n-1$**:用 $\bar X$ 代替 $\mu$ 损失 1 个自由度,$E[\frac1n\sum(X_i-\bar X)^2]=\frac{n-1}{n}\sigma^2$(有偏)——**$n-1$ 是为了无偏性**(也解释了 $\chi^2$ 里 $n-1$)。
### 1.2 样本的联合分布(MLE 的根基)
$$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^np(x_i).$$
独立性把 $n$ 维联合分布化成一维连乘——**所有似然函数都长这样**。
### 1.3 经验分布函数
$\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$(几乎必然)。**了解即可**,考研不单独考。
## 2 三大抽样分布与正态总体抽样(点 2–3)
### 2.1 统计量的定义(判断题高频)
$g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**。
| 例子 | 是否统计量 |
|---|---|
| $\sum X_i$、$\overline X$、$S^2$、$\max X_i$ | ✓ |
| $\sum(X_i-\mu)^2$($\mu$ 未知) | ✗ |
| $\frac{X_1-\mu}{\sigma}$($\mu,\sigma$ 未知) | ✗ |
**判断口诀**:**"能不能用样本算出来"**——算不出来就不是。
### 2.2 常用统计量
| 名称 | 公式 |
|---|---|
| 样本均值 | $\overline X=\dfrac1n\sum_{i=1}^nX_i$ |
| 样本方差 | $S^2=\dfrac1{n-1}\sum_{i=1}^n(X_i-\overline X)^2$ |
| 样本 $k$ 阶原点矩 | $A_k=\dfrac1n\sum X_i^k$ |
| 样本 $k$ 阶中心矩 | $B_k=\dfrac1n\sum(X_i-\overline X)^k$ |
**恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$(方差题必用)。
### 2.3 $\overline X$ 与 $S^2$ 的数字特征(必背)
$$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
**为什么除以 $n-1$**:$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$(有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$。
### 2.4 三大抽样分布
- **$\chi^2$**:$X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ⟹ $\chi^2=\sum X_i^2\sim\chi^2(n)$。性质:可加性(独立 $\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$);$E\chi^2(n)=n$、$D\chi^2(n)=2n$;**分布不对称**,上下分位点分别查。
- **$t$**:$X\sim N(0,1)$、$Y\sim\chi^2(n)$ 独立 ⟹ $t=\frac{X}{\sqrt{Y/n}}\sim t(n)$。性质:密度**偶函数、关于 $y$ 轴对称、比标准正态矮胖(尾厚)**;$n$ 大近似 $N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$。用途:$\sigma$ 未知时用 $S$ 代替。
- **$F$**:$U\sim\chi^2(n_1)$、$V\sim\chi^2(n_2)$ 独立 ⟹ $F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$。性质:$\frac1F\sim F(n_2,n_1)$;$F_{1-\alpha}(n_1,n_2)=\frac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**($n_1$ 分子、$n_2$ 分母)。
| 分布 | 构造 | 期望 / 方差 | 关键性质 |
|---|---|---|---|
| $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$;**不对称**,上下分位点分别查 |
| $t(n)$ | $X\sim N(0,1)$,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$ |
| $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**(分子在前) |
### 2.5 正态总体下的抽样分布(本节最重要)
**(一)单个正态总体(四条定理,$\bar X$、$S^2$ 来自 $N(\mu,\sigma^2)$)**
**(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$:
① $\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$;② $\frac1{\sigma^2}\sum(X_i-\mu)^2\sim\chi^2(n)$($\mu$ 已知);③ $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$($\mu$ 未知);④ $\bar X$ 与 $S^2$ **相互独立**,且 $\frac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$($\sigma$ 未知);⑤ $\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$。
| # | 统计量 | 分布 | 前提 |
|---|---|---|---|
| ① | $\dfrac{\overline X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ | $\sigma$ 已知 |
| ② | $\dfrac1{\sigma^2}\sum(X_i-\mu)^2$ | $\chi^2(n)$ | **$\mu$ 已知** |
| ③ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ | **$\mu$ 未知** |
| ④ | $\dfrac{\sqrt n(\overline X-\mu)}{S}$ | $t(n-1)$ | $\sigma$ 未知 |
| ⑤ | $\dfrac{n(\overline X-\mu)^2}{S^2}$ | $F(1,n-1)$ | $\sigma$ 未知 |
口诀:**②→③「$\mu$ 换成 $\bar X$,自由度减一」**;**①→④「$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$」**。④ 的独立性是**正态总体独有**(一般总体不成立),必须记住。
**两句口诀**:②→③「**$\mu$ 换成 $\overline X$,自由度减一**」;①→④「**$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$**」。
**(二)两个正态总体($X_1,\dots,X_m\sim N(\mu_1,\sigma_1^2)$、$Y_1,\dots,Y_n\sim N(\mu_2,\sigma_2^2)$ 独立)**
> **④ 里藏着一条独立结论**:正态总体下 $\overline X$ 与 $S^2$ **相互独立**。这是正态总体**独有**的(一般总体不成立),也是拼 $t$ 分布的前提。
① $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$;② $\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$(🟨2023·9 考点);③ $\sigma_1^2=\sigma_2^2$ 时 $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$,合并方差 $S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
**(二)两个正态总体**($X\sim N(\mu_1,\sigma_1^2)$ 取 $m$ 个,$Y\sim N(\mu_2,\sigma_2^2)$ 取 $n$ 个,相互独立):
**(三)拼装三大分布三步法**:① 算线性组合的均值方差;② 标准化得 $N(0,1)$、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**:忘标准化就平方(系数不对不是 $\chi^2$);分子分母共用同一 $X_i$ 不独立;自由度算错。
| # | 统计量 | 分布 |
|---|---|---|
| ① | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ |
| ② | $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ | $F(m-1,n-1)$ |
| ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$($\sigma_1^2=\sigma_2^2$) | $t(m+n-2)$ |
合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
**(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$,平方得 $\chi^2(1)$;③ 按定义拼($\chi^2$ 相加、$t$ 除根号、$F$ 上下除各自自由度)。
**三个恒定陷阱**:忘标准化就平方(系数不对,不是 $\chi^2$)|分子分母共用同一个 $X_i$(不独立,拼不出 $t$ 或 $F$)|自由度算错。
### 2.6 顺序统计量
$X_{(1)}=\min$、$X_{(n)}=\max$。**最值分布(背下来)**:$F_{(n)}(x)=[F(x)]^n$、$f_{(n)}(x)=n[F(x)]^{n-1}f(x)$;$F_{(1)}(x)=1-[1-F(x)]^n$、$f_{(1)}(x)=n[1-F(x)]^{n-1}f(x)$。**常用期望**(上限型分布):$X\sim U(0,\theta)$ 时 $EX_{(n)}=\frac{n}{n+1}\theta$、$EX_{(n)}^2=\frac{n}{n+2}\theta^2$;$f(x)=\frac{2x}{\theta^2}$ 时 $EX_{(n)}=\frac{2n}{2n+1}\theta$、$EX_{(n)}^2=\frac{2n}{2n+2}\theta^2$;一般式:$f(x)=\frac{kx^{k-1}}{\theta^k}$ 时 $EX_{(n)}=\frac{kn}{kn+1}\theta$。
$X_{(1)}=\min\{X_i\}$,$X_{(n)}=\max\{X_i\}$。设总体分布函数 $F$、密度 $f$:
## 3. §3 参数的点估计(分值最重)
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x),$$
> **点估计 = 造统计量 $\hat\theta(X_1,\dots,X_n)$ 去「顶替」未知参数 $\theta$**。两种造法:矩估计与极大似然。
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
**上限型分布的 $\max$ 期望**(无偏题必背):
| 总体密度 | $E X_{(n)}$ |
|---|---|
| $U(0,\theta)$:$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ |
| $f=\dfrac{2x}{\theta^2}$($0<x<\theta$) | $\dfrac{2n}{2n+1}\theta$ |
| $f=\dfrac{kx^{k-1}}{\theta^k}$ | $\dfrac{kn}{kn+1}\theta$ |
## 3 矩估计、MLE 与评价标准(点 4–6,分值最重)
> **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数 $\theta$**。两种造法:矩估计、极大似然。
### 3.1 矩估计法
**思想**:用样本矩替换总体矩(大数定律保证)。步骤:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶、两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。两参数模板:$\hat\mu=\bar X$、$\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2$。⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$——只有 $S^2$ 无偏**。
**思想**:用样本矩替换总体矩(大数定律保证)。
**三步**:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶,两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。
**两参数模板**:$\hat\mu=\overline X$,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$。
> ⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$**——只有 $S^2$ 无偏。
### 3.2 最大似然估计(MLE)
**思想**:选让这组样本出现概率最大的 $\theta$。**常规可微四步**:① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p$);② 取对数(连乘变连加,$\ln$ 单调不减保极值点);③ 求导令零;④ 解出并写大写 $\hat\theta(X_1,\dots,X_n)$。
**思想**:选让这组样本**出现概率最大**的 $\theta$。
**不可微/单调情形(每年必有一道)**:$L$ 关于 $\theta$ 单调(支撑集含 $\theta$)时 $\hat\theta$ 是**取值边界**:$X\sim U(0,\theta)$ ⟹ $\hat\theta=X_{(n)}=\max X_i$;$U(\theta_1,\theta_2)$ ⟹ $\hat\theta_1=X_{(1)}$、$\hat\theta_2=X_{(n)}$。口诀:**「能求导就求导;不能求导看单调,往边界上找。」**
**常规可微四步**:
**三类高频载体(记住结果)**:拉普拉斯 $\frac1{2\lambda}e^{-|x|/\lambda}$:矩估计 = MLE = $\frac1n\sum|X_i|$;均匀 $U(0,\theta)$:矩估计 $=2\bar X$、MLE $=X_{(n)}$;幂型 $f=\theta x^{\theta-1}$($0<x<1$):矩估计 $=\frac{\bar X}{1-\bar X}$、MLE $=-\frac n{\sum\ln X_i}$。
① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p(x_i;\theta)$);
② 取对数 $\ln L$(连乘变连加,$\ln$ 单调不减,不改变极值点);
③ 求导令零(多参数解方程组);
④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$。
**两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得 $\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}$。⚠️ 分母是 $n+2m$(Y 组每个样本携带 $2\theta$ 的信息量);分子 Y 组就是 $\sum Y_j$($2$ 进了常数项)。$D(\hat\lambda)=\frac{\theta}{n+2m}$;$E\hat\lambda=\theta$(无偏)。
**不可微/单调情形(每年必有一道)**:当 $\theta$ 出现在**支撑集**里时,$L$ 关于 $\theta$ 单调,$\hat\theta$ 取**边界**:
**MLE 的不变性原理**:$g(\hat\theta)$ 是 $g(\theta)$ 的 MLE($\widehat{g(\theta)}=g(\hat\theta)$)。**用途**:$\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$、$U(0,\theta)$ 的 $\theta^2$ 的 MLE $=X_{(n)}^2$。⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$($S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)——**「MLE 有不变性,无偏性没有」常考辨析**。
| 总体 | MLE |
|---|---|
| $U(0,\theta)$ | $\hat\theta=X_{(n)}=\max X_i$ |
| $U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$,$\hat\theta_2=X_{(n)}$ |
| $f(x;\theta)=\dfrac{\theta}{x^2}$($x>\theta$) | 支撑要求 $\theta<\min X_i$,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ |
### 3.3 评价标准
**口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
- **无偏性**(考得最多):$E\hat\theta=\theta$。传播法则 $E(a\hat\theta+b)=a\theta+b$。常见:$E\bar X=\mu$、$ES^2=\sigma^2$ 无偏;$B_2$ 有偏。
- **有效性**:都无偏时方差越小越有效($D\hat\theta_1<D\hat\theta_2$ ⟹ $\hat\theta_1$ 有效)。⚠️ **先验证都无偏,再比有效性**——两级筛选。
- **均方误差 MSE**(2024 新考点):$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+(E\hat\theta-\theta)^2$(方差+偏差²)。无偏时 $h=D\hat\theta$;**有偏估计量 MSE 反而可能更小**。让 MSE 最小的 $c$ ≠ 让无偏的 $c$——展开成 $c$ 的二次函数求顶点($T_c=cX_{(n)}$ 时 $h'(c)=0\Rightarrow c=\frac{\theta EX_{(n)}}{EX_{(n)}^2}$)。
- **一致性(相合性)**:$\hat\theta\overset{P}{\longrightarrow}\theta$——大数定律的语言;**无偏 + 方差趋于 0 ⟹ 一致**。三标准速记:无偏管「准不准」、有效管「稳不稳」、一致管「样本多了会不会靠近」。
**三类高频载体(记结果)**:
## 4. §4 参数的区间估计(仅数学一)
| 分布 | 矩估计 | MLE |
|---|---|---|
| 拉普拉斯 $\frac1{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\frac1n\sum\lvert X_i\rvert$ | 同左 |
| 均匀 $U(0,\theta)$ | $2\overline X$ | $X_{(n)}$ |
| 幂型 $\theta x^{\theta-1}$($0<x<1$) | $\dfrac{\overline X}{1-\overline X}$ | $-\dfrac{n}{\sum\ln X_i}$ |
**概念**:$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha$;$1-\alpha$ 置信度、$\alpha$ 显著性水平。**正确理解**:不是「$\theta$ 落在区间内的概率」,而是「反复抽样中平均 $100(1-\alpha)$% 的区间盖住 $\theta$」——$\theta$ 是常数不是随机变量。
**两样本同参数**($X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得
**枢轴变量法(万能套路)**:① 找点估计(MLE 或 $\bar X$、$S^2$);② 造枢轴量(**含未知参数但分布已知且与 $\theta$ 无关**:正态、$\chi^2$、$t$、$F$);③ 定分位点($P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$,取上 $\alpha/2$ 分位点);④ 解不等式。
$$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.$$
**单总体四大区间(必背表,$X_1,\dots,X_n\sim N(\mu,\sigma^2)$)**
**为什么分母是 $n+2m$**:$Y$ 组每个样本携带 $2\theta$ 的信息量,分子对 $Y$ 组只记 $\sum Y_j$(那个 2 进了常数项)。
**MLE 的不变性原理**:$\widehat{g(\theta)}=g(\hat\theta)$。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$。
> ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$(例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。**
### 3.3 评价估计量的四个标准
| 标准 | 定义 | 速记 |
|---|---|---|
| **无偏性** | $E\hat\theta=\theta$ | 管"准不准"(没有系统偏差) |
| **有效性** | 都无偏时,$D\hat\theta$ 越小越有效 | 管"稳不稳"(波动小) |
| **一致性(相合)** | $\hat\theta\xrightarrow{P}\theta$ | 管"样本多了会不会靠近" |
| **均方误差 MSE** | $h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2$ | 方差 + 偏差² |
**无偏的四个常用结论**:$E\overline X=\mu$、$ES^2=\sigma^2$、$E B_2=\frac{n-1}{n}\sigma^2$(有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$(对 $U(0,\theta)$)。
**"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$,令 $c=1$ 反解常数。
**有效性必须先过无偏关**:两个都无偏才比方差;一个无偏一个有偏,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。
**MSE 最小的求法**:把 $h(c)$ 展开成 $c$ 的二次函数,求顶点
$$c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},$$
**它一般不等于使无偏的 $\frac{n+1}{n}$**——这正是 2024·22 的考点。
## 4 区间估计(点 7,仅数学一)
### 4.1 概念与正确理解
$$P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .$$
$1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
> **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住 $\theta$**"。
### 4.2 枢轴变量法(万能套路)
① 找点估计($\overline X$、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$、$\chi^2$、$t$、$F$);③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$);④ 解不等式得区间。
### 4.3 单总体四大区间(必背表)
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\frac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 已知 | $\frac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
| $\sigma^2$ | $\mu$ 未知 | $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 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 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
⚠️ **$\chi^2$ 区间两端分位点「反着放」**($\sigma^2$ 在分母且 $\chi^2$ 不对称:上分位点配下限、下分位点配上限)——最易抄错。读法:$\sigma$ 已知 → $U$;$\sigma$ 未知 → $t(n-1)$;$\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$。
**读法**:$\sigma$ 已知用 $U$,$\sigma$ 未知用 $t(n-1)$;$\mu$ 已知用 $\chi^2(n)$,$\mu$ 未知用 $\chi^2(n-1)$。
**单侧置信区间**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。🟨2016·14 考法:给 $\bar X$ 与置信上限反求下限——**「上限 + 下限 = $2\bar X$」(仅均值对称区间成立)**。
> ⚠️ **$\chi^2$ 区间两端"反着放"**:因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母——**大分位点配下限、小分位点配上限**。这是最易抄错的一处。
**两总体区间估计(数一大纲要求、十年未考的高性价比冷门)**:均值差 $\mu_1-\mu_2$:方差已知用 $U$(半宽 $u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$,**两项都要**)、等方差未知用 $t(m+n-2)$($S_w\sqrt{\frac1m+\frac1n}$);方差比 $\frac{\sigma_1^2}{\sigma_2^2}$ 用 $F(m-1,n-1)$,**两端反着放**(大分位点配下限)。
**单侧区间**:用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。
**2016·14 的速算**:给 $\overline X$ 与置信上限反求下限——**"上限 $+$ 下限 $=2\overline X$"**(仅均值对称区间成立)。
## 5. §5 假设检验(仅数学一)
### 4.4 两总体(数一要求,十年未考,性价比高)
**基本思想**:**小概率事件在一次试验中不应发生**——$H_0$ 成立时观测到小概率事件则拒绝 $H_0$。**四步**:① 提假设(「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 $U/T/\chi^2/F$);③ 定拒绝域($P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$);④ 算观测值下结论。
| 对象 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
| $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$(**两项都要**) |
| $\mu_1-\mu_2$ | 等方差未知 | $t(m+n-2)$ | $(\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}$ |
| $\frac{\sigma_1^2}{\sigma_2^2}$ | — | $F(m-1,n-1)$ | 两端反着放(大分位点配下限) |
**三类拒绝域方向**:双侧 $|\cdot|\ge$;右侧 $\ge$($H_1:\theta>\theta_0$);左侧 $\le$。口诀:**拒绝域跟着 $H_1$ 跑**。
## 5 假设检验(点 8,仅数学一)
**单总体六大检验(速查表核心)**:$\mu$ 且 $\sigma$ 已知 → $U=\frac{\bar X-\mu_0}{\sigma_0/\sqrt n}$(拒绝域 $|u|\ge u_{\alpha/2}$ / $u\ge u_\alpha$ / $u\le-u_\alpha$);$\mu$ 且 $\sigma$ 未知 → $T=\frac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$;$\sigma^2$ 且 $\mu$ 已知 → $\chi^2=\frac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$;$\sigma^2$ 且 $\mu$ 未知 → $\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$($\chi^2$ 双侧拒绝域左尾右尾分别查,**不是对称写法**)。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:$\sigma^2=2$ 时标准差是 $\sqrt2$,别把方差当代入分母。
### 5.1 基本思想
**区间估计与假设检验的对偶**:置信度 $1-\alpha$ 的双侧置信区间 ⟺ 显著性水平 $\alpha$ 的双侧检验的接受域;**$\mu_0$ 落在区间内 ⟺ 不拒绝 $H_0$**。
**小概率事件在一次试验中不应发生**:若 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$。
**两总体检验(数一大纲要求)**:均值差 $\mu_1=\mu_2$:方差已知 $U=\frac{\bar X-\bar Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$、等方差未知 $T=\frac{\bar X-\bar Y}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$;方差比 $\frac{\sigma_1^2}{\sigma_2^2}$:$F=\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$(**分子方差配 $m-1$、分母配 $n-1$,顺序别反**;$F$ 双侧两端分别查)。
### 5.2 四步
## 6. §6 两类错误(仅数学一)
① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$(等号在 $H_0$ 里);
② **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U/T/\chi^2/F$;
③ **定拒绝域**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$;
④ **算观测值、下结论**。
**定义**:$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}$(**第一类错误·弃真**);$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}$(**第二类错误·存伪**)。一句话:**「拒真 = 第一类,纳伪 = 第二类」;$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算**。$H_1$ 通常是范围,$\beta$ 是关于 $\mu$ 的函数,**必须给定具体 $\mu$ 值才能算**(🟨2021·10)。
### 5.3 拒绝域的方向(跟着 $H_1$ 跑)
**计算 $\beta$ 四步**:① 写拒绝域 $W$;② 写接受域 $\bar W$;③ **把分布换成 $H_1$ 下的分布**(均值/方差要换——$\beta$ 与 $\alpha$ 的本质区别);④ $\beta=P\{\text{统计量}\in\bar W\mid H_1\}$。模板:$W=\{\bar X\ge c\}$、$\mu=\mu_1$ 时 $\beta=\Phi(\frac{c-\mu_1}{\sigma/\sqrt n})$。
| $H_1$ | 拒绝域形式 |
|---|---|
| $\theta\ne\theta_0$(双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 |
| $\theta>\theta_0$(右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$) |
| $\theta<\theta_0$(左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$;$\chi^2\le\chi^2_{1-\alpha}$) |
**$\alpha$ 与 $\beta$ 的关系(必考辨析,🟨2018·8)**:样本量固定时 $\alpha\downarrow\Rightarrow\beta\uparrow$(此消彼长);**同时减小只能增大 $n$**;$\alpha$ 越小 ⟹ 临界值越远离 $\mu_0$ ⟹ 拒绝域越小。不等式记忆:$\alpha_1<\alpha_2$ 时拒绝域 $W(\alpha_1)\subset W(\alpha_2)$、接受域反之。**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」** 显著性检验 = 只控制第一类错误(给定 $\alpha$,不控制 $\beta$)。
### 5.4 单总体四种检验
## 7. 十年真题地图(速览)
| 检验对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n}$ | $N(0,1)$ |
| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
| $\sigma^2$ | $\mu$ 已知 | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ |
| $\sigma^2$ | $\mu$ 未知 | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
第 20 章:2017·8($\chi^2$ 辨析)、2023·9($F$ 分布方差比)各 4–5 分选填。第 21 章(93 分,全章最重):2016·14 置信区间、2016·23 次序统计量+无偏、2017·23 绝对误差矩估计+MLE、2018·23 拉普拉斯 MLE、2019·23 半正态、2020·23 威布尔无记忆性+MLE、2021·9 无偏+D 方差、2022·22 两样本泊松 MLE、2023·10 无偏定常数、2024·22 $X_{(n)}$ 无偏 c+MSE 最小 c。第 22 章:2018·8 显著性水平关系、2021·10 第二类错误、2025·10 单侧拒绝域。**命题规律**:参数估计「铁打的 22 题」、MLE 统治(8/10 题)、无偏四年四道、假设检验三年一轮只考方向判断与概念。
**口诀**:**$\sigma$ 知用 $U$、$\sigma$ 不知用 $T$;$\mu$ 知用 $\chi^2(n)$、$\mu$ 不知用 $\chi^2(n-1)$。**
## 8. 题目清单(18 题)
> 🟨 **2025·10 的坑**:题给的是**方差** $\sigma^2=2$,而 $U$ 的公式分母是**标准差** $\sqrt2$。把 2 直接当代入是本题唯一失分点。
### A 组 · 基础(★☆☆)
- **题 1 · 统计量与常用统计量(A)**:样本观测值 $2,3,5,6,9$。(Ⅰ)求 $\bar X$、$S^2$、$B_2$;(Ⅱ)$\mu,\sigma^2$ 均未知时判断哪些是统计量:$\bar X+\mu$;$S^2$;$X_1+X_2-\mu$;$\max\{X_1,\dots,X_5\}$;$\sum(X_i-\mu)^2$(**含未知参数者不是**)。
- **题 2 · 三大分布辨析与构造(A)**:$X_1,\dots,X_6\sim N(0,4)$,判断(Ⅰ)$Y_1=\frac14\sum X_i^2$($\chi^2(6)$);(Ⅱ)$Y_2=\frac{(X_1+X_2+X_3)^2}{12}$($\chi^2(1)$);(Ⅲ)$Y_3=\frac{\sqrt3X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$($t(3)$);(Ⅳ)$Y_4=2(X_1-X_2)^2$($\chi^2(1)$)各服从什么分布;不服从的说明理由。
- **题 3 · 样本均值与样本方差的数字特征(A)**:(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;(Ⅱ)说明 $S^2$ 为何除 $n-1$ 而非 $n$(无偏性)。
- **题 4 · 矩估计(A)**:$P\{X=-1\}=2\theta$、$P\{X=0\}=\theta$、$P\{X=1\}=1-3\theta$,求 $\theta$ 的矩估计量($EX=-2\theta+(1-3\theta)=1-5\theta=\bar X\Rightarrow\hat\theta=\frac{1-\bar X}{5}$)。
- **题 5 · 极大似然估计(A)**:$f(x;\theta)=\theta x^{\theta-1}$($0<x<1$),求 $\hat\theta$(幂型 MLE $=-\frac n{\sum\ln X_i}$)。
- **题 6 · 无偏性定常数(A)**:求 $k$ 使 $\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$ 为 $\sigma^2$ 无偏估计($E(X_{i+1}-X_i)^2=2\sigma^2$,$\Rightarrow k=\frac1{2(n-1)}$)。
> ⚠️ **$\chi^2$ 双侧检验的拒绝域不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$,**不能写成 $\lvert\cdot\rvert\ge$**。
### B 组 · 中等(★★☆)
- **题 7 · 拉普拉斯分布 MLE+数字特征(B)**【真题骨架 2018·23】:$f(x;\lambda)=\frac1{2\lambda}e^{-|x|/\lambda}$。(Ⅰ)求 $\hat\lambda$($=\frac1n\sum|X_i|$);(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
- **题 8 · 次序统计量·最大值分布+无偏(B)**【真题骨架 2016·23】:$f(x;\theta)=\frac{2x}{\theta^2}$($0<x<\theta$),$n=3$,$T=\max\{X_1,X_2,X_3\}$。(Ⅰ)求 $f_T(x)$($n[F]^{n-1}f$);(Ⅱ)定 $a$ 使 $aT$ 无偏($ET=\frac{2n}{2n+1}\theta=\frac67\theta\Rightarrow a=\frac76$)。
- **题 9 · 区间估计(B)**【真题骨架 2016·14】:$n=16$,$\bar X=12.3$。(Ⅰ)$\sigma=2$ 已知求 $\mu$ 的 0.95 双侧置信区间与单侧置信上限($u_{0.025}=1.96$、$u_{0.05}=1.645$);(Ⅱ)$\sigma$ 未知、$S=2$ 求双侧区间($t_{0.025}(15)=2.131$)。
- **题 10 · 假设检验拒绝域(B)**【真题骨架 2025·10】:$X_i\sim N(\mu,3)$,$H_0:\mu\le2$、$H_1:\mu>2$。(Ⅰ)写拒绝域($\bar X\ge2+Z_\alpha\sqrt3/\sqrt n$);(Ⅱ)$n=12$、$\alpha=0.05$、$Z_{0.05}=1.645$ 求临界值 $c$。
- **题 11 · 两类错误(B)**【真题骨架 2021·10】:$n=25$、$N(\mu,9)$,$H_0:\mu\le5$、$H_1:\mu>5$,$W=\{\bar X\ge6\}$。(Ⅰ)求第一类错误概率($\alpha=P\{\bar X\ge6\mid\mu=5\}=1-\Phi(\frac{6-5}{3/5})=1-\Phi(\frac53)$);(Ⅱ)$\mu=6.6$ 时求第二类错误概率($\beta=\Phi(\frac{6-6.6}{0.6})=\Phi(-1)$)。
- **题 12 · 无偏性与有效性(B)**:$\hat\theta_1=\frac13(X_1+X_2+X_3)$、$\hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3$、$\hat\theta_3=\frac12X_1+\frac12X_2$。(Ⅰ)验证都无偏;(Ⅱ)比较有效性($D\hat\theta_1=\frac{\sigma^2}{3}$、$D\hat\theta_2=(\frac14+\frac19+\frac1{36})\sigma^2=\frac{7}{18}\sigma^2$、$D\hat\theta_3=\frac{\sigma^2}{2}$,$\hat\theta_1$ 最有效)。
- **题 13 · 两样本泊松 MLE(B)**【真题骨架 2022·22】:$X_1,\dots,X_5\sim P(\lambda)$、$Y_1,\dots,Y_4\sim P(2\lambda)$ 独立,观测值 $(3,2,4,1,5)$、$(5,3,7,9)$。(Ⅰ)求 $\hat\lambda$($\frac{15+24}{5+8}=\frac{39}{13}=3$);(Ⅱ)写 $D(\hat\lambda)$ 表达式($\frac{\lambda}{n+2m}=\frac{\lambda}{13}$)。
- **题 14 · 两正态总体方差比 F 分布(B)**【真题骨架 2023·9】:$X_i\sim N(\mu_1,\sigma^2)$、$Y_j\sim N(\mu_2,3\sigma^2)$,求 $c$ 使 $c\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ 并写自由度($\frac{S_1^2/\sigma^2}{S_2^2/3\sigma^2}\sim F$,故 $c=3$,$F(m-1,n-1)$)。
### 5.5 区间估计与假设检验的对偶
### C 组 · 拔高(★★★)
- **题 15 · 半正态分布·求常数+MLE(C)**【真题骨架 2019·23】:$f(x;\sigma)=\frac{A}{\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$($x\ge\mu$),$\mu$ 已知。(Ⅰ)求 $A$($\int_\mu^\infty$ 积分 = 标准正态半区 $\Rightarrow A=\sqrt{2/\pi}$);(Ⅱ)求 $\sigma^2$ 的 MLE。
- **题 16 · 威布尔分布·无记忆性+MLE(C)**【真题骨架 2020·23】:$F(t)=1-e^{-(t/\theta)^m}$($t\ge0$)。(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$(**无记忆性**);(Ⅱ)$m$ 已知,求 $\theta$ 的 MLE。
- **题 17 · 无偏+均方误差最小(C)**【真题骨架 2024·22】:$X\sim U(0,\theta)$,$T_c=cX_{(n)}$。(Ⅰ)求 $c$ 使 $T_c$ 无偏($\frac{n+1}{n}$);(Ⅱ)$h(c)=E(T_c-\theta)^2$,求 $c$ 使 $h(c)$ 最小(展开二次函数求顶点,**≠ 无偏的 $c$**)。
- **题 18 · 假设检验概念综合(C)**【真题骨架 2018·8】:$H_0:\mu=\mu_0$、$H_1:\mu\ne\mu_0$,$W=\{|\bar X-\mu_0|\ge c\}$。(Ⅰ)判断(A)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必拒绝(**错**);(B)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必接受(**错**);(C)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必拒绝(**错**);(D)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必接受(**对**——大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受);(Ⅱ)$n=16$、$\sigma=2$、$\alpha=0.05$ 写拒绝域具体形式,并求 $\mu=\mu_0+1$ 时的第二类错误概率($\Phi$ 表示)。
置信度 $1-\alpha$ 的双侧置信区间 $\iff$ 显著性水平 $\alpha$ 的双侧检验的**接受域**。
**一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$。**
### 5.6 两总体检验(数一要求)
| 对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| $\mu_1=\mu_2$ | 方差已知 | $U=\dfrac{\overline X-\overline Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ |
| $\mu_1=\mu_2$ | 等方差未知 | $T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}}$ | $t(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | — | $F=\dfrac{S_1^2}{S_2^2}$ | $F(m-1,n-1)$ |
> **顺序不能反**:分子方差配 $m-1$、分母配 $n-1$;$F$ 双侧两端分别查。
## 6 两类错误(点 8,仅数学一)
### 6.1 定义
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}\quad(\text{第一类错误·弃真}),$$
$$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·存伪}).$$
**一句话**:**"拒真 = 第一类,纳伪 = 第二类";$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算。**
> $H_1$ 通常是一个**范围**(如 $\mu>10$),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出 $\beta$**(2021·10 给了 $\mu=11.5$)。
### 6.2 计算 $\beta$ 的四步
① 写出拒绝域 $W$;② 写出接受域 $\overline W$;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$。
**模板**:$W=\{\overline X\ge c\}$,$H_1$ 下真值取 $\mu_1$ 时
$$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)
| 结论 | 说明 |
|---|---|
| 样本量固定时,$\alpha\downarrow\Rightarrow\beta\uparrow$ | **此消彼长** |
| 要同时减小 $\alpha$ 与 $\beta$ | **只能增大 $n$** |
| $\alpha$ 越小 | 临界值越远离 $\mu_0$,拒绝域越小 |
| 拒绝域的包含关系 | $\alpha_1<\alpha_2\Rightarrow W(\alpha_1)\subset W(\alpha_2)$,接受域反之 |
**记忆句**:**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」**(2018·8)
**显著性检验 = 只控制第一类错误**(给定 $\alpha$,不控制 $\beta$)。
## B 题型考点(怎么想到、为什么、坑在哪)
- **B1 MLE 的四类载体先归类**:① 可微常规(求导解方程);② 支撑含参数(单调 ⟹ 取边界,$U(0,\theta)$ 的 $X_{(n)}$);③ 两样本同参数(似然先乘,分母 $n+2m$);④ 由密度形状先定常数(半正态的 $A=\sqrt{2/\pi}$)。**认错类会白算十分钟**。
- **B2 似然函数里的常数**:$\frac1{\sigma^n}$ 型一定要提出去再求导,漏掉会导致 $\hat\sigma$ 差一个 $\sqrt{n/(n-1)}$。
- **B3 无偏"定常数"的通法**:算出 $E(\text{统计量})=k\theta$,令 $k=1$ 反解。**坑**:$E(X_{(n)})$ 用错公式(上限型才有 $\frac{n}{n+1}\theta$)。
- **B4 MSE 与无偏的分离**:$h(c)=E(T_c-\theta)^2=D+(\text{偏差})^2$,展开成 $c$ 的二次式求顶点;**顶点一般不是无偏的那个 $c$**,两问答案不同(2024·22)。
- **B5 拼装 $\chi^2/t/F$ 的三步**:先算均值方差 → 标准化 → 平方/相除;**坑**:分子的 $X$ 与分母的 $\chi^2$ 必须独立(正态总体下 $\overline X\perp S^2$ 才能拼 $t$)。
- **B6 自由度速查**:$\chi^2$ 单总体看 $\mu$ 知不知($n$ 或 $n-1$);$t$ 永远 $n-1$;$F$ 是两个 $\chi^2$ 的自由度按分子/分母顺序写。
- **B7 置信区间四选一**:$\sigma$ 知/未知、$\mu$ 知/未知,两两组合决定 $U/t/\chi^2(n)/\chi^2(n-1)$。**$\chi^2$ 区间两端反着放**是最大失分点。
- **B8 给上限反求下限**:对称区间下"上下限之和 $=2\overline X$"(2016·14 唯一解法的入口)。
- **B9 拒绝域跟着 $H_1$**:先看 $H_1$ 是不等号哪一侧,再定单侧/双侧;**坑**:把方差当标准差代入(2025·10)。
- **B10 $\beta$ 的四步换世界**:写出接受域 → 换成 $H_1$ 的分布 → 算概率。**坑**:用 $H_0$ 的均值算 $\beta$(那就变成 $\alpha$ 了)。
- **B11 $\alpha$-$\beta$ 关系只用两句**:小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 接受。**坑**:把方向记反。
- **B12 区间与检验的对偶**:$\mu_0$ 在区间内 ⟺ 不拒绝;这一个等价能把区间题改写成检验题(反之亦然)。
## 7 题目清单(26 题,纯题干,按在学练习八点分册)
> 编号沿用「在学练习」第6讲八点分册:`02`–`09` 对应点 1–8。**只列题干,不给答案**。
### 点 1 总体、样本与统计量(题 1–3)
- **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?
- **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?
- **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。
### 点 2 三大抽样分布(题 1–3)
- **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。
- **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。
- **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。
### 点 3 正态总体的抽样分布(题 1–3)
- **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)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
- **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)$P\{S^2<0.369\sigma^2\}$ 。
- **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。
### 点 4 矩估计(题 1–2)
- **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 .$$X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
- **题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)**:(Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
### 点 5 最大似然估计(题 1–4)
- **题 1 · 5.1:指数分布与不变性(★★☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;(Ⅱ)求 $P\{X>t\}$ 的最大似然估计;(Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同?
- **题 2 · 5.1:两组不同参数的泊松(★★☆)**:设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)判断 $\hat\theta$ 是否无偏;(Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么?
- **题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;(Ⅱ)求 $\theta$ 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。
- **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.$$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?
### 点 6 估计量的评价标准(题 1–4)
- **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"。
- **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?
- **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。
- **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。
### 点 7 区间估计(题 1–3)
- **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。
- **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。
- **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。
### 点 8 假设检验与两类错误(题 1–4)
- **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)$1-\Phi(2)$ 。
- **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。
- **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。
- **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。
---
> **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`。
> **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]],分册 `02`–`09` 对应点 1–8;参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。