Compare commits
2
Commits
| Author | SHA1 | Date | |
|---|---|---|---|
|
|
a750fb2ca6 | ||
|
|
ab10f27f07 |
@@ -127,5 +127,52 @@
|
|||||||
|
|
||||||
### 待办(更新)
|
### 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。
|
- 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。
|
||||||
|
|||||||
@@ -9,6 +9,7 @@
|
|||||||
- 答疑按**题号增量追加**到 `04-答疑笔记.md`
|
- 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
|
- 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/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`)
|
- 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)
|
- 参考仓库:`参考仓库/Math/`(`.tex`,已在 .gitignore 忽略,不入库)
|
||||||
|
|
||||||
|
|||||||
@@ -0,0 +1,224 @@
|
|||||||
|
#!/usr/bin/env python3
|
||||||
|
# -*- coding: utf-8 -*-
|
||||||
|
"""
|
||||||
|
fix_gitea_math.py —— 修复 Gitea 网页端 Markdown 公式/加粗不渲染的问题
|
||||||
|
|
||||||
|
【问题一:行内公式不渲染】
|
||||||
|
Gitea 的解析器 modules/markup/markdown/math/inline_parser.go 规则写死:
|
||||||
|
收尾 $ 的后一个字节必须 ∈ { 空格, 换行, 行尾, '.', '!', '?', ',', ';', ':', ')', '$' }
|
||||||
|
开头 $ 的左邻不能是 ASCII 字母/数字或 . ! ? , ; :
|
||||||
|
中文字与全角标点(,。、;())都是多字节字符,单字节值 ≥ 0x80,全部落空,
|
||||||
|
于是整对 $...$ 被当作普通文本原样显示。
|
||||||
|
→ 修法:在收尾 $ 与紧跟的非空白字符之间补一个半角空格。
|
||||||
|
|
||||||
|
【问题二:加粗失效】
|
||||||
|
CommonMark 要求收尾 ** 必须是 right-flanking:
|
||||||
|
不被空白前导,且(不被标点前导 或 被标点前导但被空白/标点后继)。
|
||||||
|
形如 **…"一致性"**的 的写法(收尾 ** 前是标点、后是汉字的)不满足条件,
|
||||||
|
加粗失效,星号会被原样显示(网页与 PDF 皆然)。
|
||||||
|
→ 修法:在收尾 ** 后补一个半角空格。
|
||||||
|
|
||||||
|
用法:
|
||||||
|
python fix_gitea_math.py --check # 全文统计
|
||||||
|
python fix_gitea_math.py --check --scope=prob # 只看概率论在学练习/小练/知识点
|
||||||
|
python fix_gitea_math.py --apply --scope=prob # 就地修复
|
||||||
|
"""
|
||||||
|
import os
|
||||||
|
import re
|
||||||
|
import subprocess
|
||||||
|
import sys
|
||||||
|
import unicodedata
|
||||||
|
|
||||||
|
ROOT = os.path.abspath(os.path.join(os.path.dirname(os.path.abspath(__file__)), '..', '..', '..'))
|
||||||
|
|
||||||
|
SCOPES = {
|
||||||
|
'prob': [
|
||||||
|
'基于考研的学习/数学一/在学练习/',
|
||||||
|
'基于考研的学习/数学一/每日小练/',
|
||||||
|
'基于考研的学习/数学一/知识点/',
|
||||||
|
],
|
||||||
|
}
|
||||||
|
|
||||||
|
|
||||||
|
def iter_md_files(scope=None):
|
||||||
|
"""只处理 git 已跟踪的 .md(排除 参考仓库),与网页上能看到的内容一致。"""
|
||||||
|
out = subprocess.run(['git', 'ls-files', '-z', '--', '*.md'],
|
||||||
|
cwd=ROOT, capture_output=True, check=True).stdout.decode('utf-8')
|
||||||
|
prefixes = SCOPES.get(scope) if scope else None
|
||||||
|
for rel in out.split('\0'):
|
||||||
|
if not rel or rel.startswith('参考仓库/') or rel.startswith('.workbuddy/'):
|
||||||
|
continue
|
||||||
|
if prefixes and not any(rel.startswith(p) for p in prefixes):
|
||||||
|
continue
|
||||||
|
yield os.path.join(ROOT, rel.replace('/', os.sep))
|
||||||
|
|
||||||
|
|
||||||
|
# ------------------------------------------------------------------ 遮罩
|
||||||
|
|
||||||
|
def mask_code(text):
|
||||||
|
"""遮罩围栏代码块与行内代码,返回等长字符串(被遮位置为 \\x00)。"""
|
||||||
|
n = len(text)
|
||||||
|
mask = [''] * n
|
||||||
|
|
||||||
|
def paint(a, b):
|
||||||
|
for i in range(max(0, a), min(b, n)):
|
||||||
|
mask[i] = '\x00'
|
||||||
|
|
||||||
|
for m in re.finditer(r'(`+)([^\n]*?)\1', text):
|
||||||
|
paint(m.start(), m.end())
|
||||||
|
|
||||||
|
# 围栏代码块:行级状态机(开/闭成对,绝不会误遮到文件末尾)
|
||||||
|
in_fence = False
|
||||||
|
pos = 0
|
||||||
|
for line in text.split('\n'):
|
||||||
|
ln = len(line)
|
||||||
|
if re.match(r'^[ \t]*(```|~~~)', line):
|
||||||
|
in_fence = not in_fence
|
||||||
|
paint(pos, pos + ln)
|
||||||
|
elif in_fence:
|
||||||
|
paint(pos, pos + ln)
|
||||||
|
pos += ln + 1
|
||||||
|
|
||||||
|
return ''.join(c if c else text[i] for i, c in enumerate(mask))
|
||||||
|
|
||||||
|
|
||||||
|
def mask_code_and_math(text):
|
||||||
|
"""在 mask_code 基础上再遮罩公式(用于加粗判定,避免把公式里的 ** 当粗体)。"""
|
||||||
|
base = mask_code(text)
|
||||||
|
mask = list(base)
|
||||||
|
for a, b in find_math_any(text):
|
||||||
|
if base[a] == '\x00':
|
||||||
|
continue
|
||||||
|
for i in range(a, min(b + 1, len(text))):
|
||||||
|
mask[i] = '\x00'
|
||||||
|
return ''.join(mask)
|
||||||
|
|
||||||
|
|
||||||
|
# ------------------------------------------------------------------ 公式
|
||||||
|
|
||||||
|
def find_math_any(text):
|
||||||
|
"""返回 (open_idx, close_idx_inclusive) 列表,绝不跨行。"""
|
||||||
|
spans = []
|
||||||
|
i, n = 0, len(text)
|
||||||
|
while i < n:
|
||||||
|
c = text[i]
|
||||||
|
if c == '\\' and i + 1 < n and text[i + 1] == '$':
|
||||||
|
i += 2
|
||||||
|
continue
|
||||||
|
if c == '$' and i + 1 < n and text[i + 1] == '$':
|
||||||
|
end = text.find('$$', i + 2)
|
||||||
|
if end != -1 and '\n' not in text[i:end]:
|
||||||
|
spans.append((i, end + 1))
|
||||||
|
i = end + 2
|
||||||
|
continue
|
||||||
|
if c == '$':
|
||||||
|
j, close = i + 1, -1
|
||||||
|
while j < n and text[j] != '\n':
|
||||||
|
if text[j] == '\\':
|
||||||
|
j += 2
|
||||||
|
continue
|
||||||
|
if text[j] == '$':
|
||||||
|
close = j
|
||||||
|
break
|
||||||
|
j += 1
|
||||||
|
if close != -1 and close > i + 1:
|
||||||
|
spans.append((i, close))
|
||||||
|
i = close + 1
|
||||||
|
continue
|
||||||
|
i += 1
|
||||||
|
return spans
|
||||||
|
|
||||||
|
|
||||||
|
# Gitea 认可的收尾字符(单字节)
|
||||||
|
END_OK = set('.!?,;:') | {')', ' ', '\n', '$'}
|
||||||
|
# Gitea 不认可的开头左邻(ASCII 字母数字与下列标点)
|
||||||
|
BAD_OPEN_PREV = set('abcdefghijklmnopqrstuvwxyzABCDEFGHIJKLMNOPQRSTUVWXYZ0123456789.!?,;:')
|
||||||
|
|
||||||
|
|
||||||
|
def is_punct(ch):
|
||||||
|
return unicodedata.category(ch)[0] in ('P', 'S')
|
||||||
|
|
||||||
|
|
||||||
|
def fix_math(text, mask):
|
||||||
|
inserts = []
|
||||||
|
for start, end in find_math_any(text):
|
||||||
|
if mask[start] == '\x00':
|
||||||
|
continue
|
||||||
|
if start > 0 and mask[start - 1] != '\x00' and text[start - 1] in BAD_OPEN_PREV:
|
||||||
|
inserts.append((start, '公式前'))
|
||||||
|
pos = end + 1
|
||||||
|
if pos < len(text) and mask[pos] != '\x00' and text[pos] not in END_OK:
|
||||||
|
inserts.append((pos, '公式后'))
|
||||||
|
return inserts
|
||||||
|
|
||||||
|
|
||||||
|
# ------------------------------------------------------------------ 加粗
|
||||||
|
|
||||||
|
def fix_bold(text, mask):
|
||||||
|
"""收尾 ** 被标点前导、被非空白非标点后继 → 右侧补空格,使其成为 right-flanking。"""
|
||||||
|
stars = [m.start() for m in re.finditer(r'\*\*', text) if mask[m.start()] != '\x00']
|
||||||
|
inserts = []
|
||||||
|
is_open = True
|
||||||
|
for idx in stars:
|
||||||
|
if is_open:
|
||||||
|
is_open = False
|
||||||
|
continue
|
||||||
|
is_open = True
|
||||||
|
prev = text[idx - 1] if idx > 0 else ''
|
||||||
|
nxt = text[idx + 2] if idx + 2 < len(text) else ''
|
||||||
|
if not prev or not nxt:
|
||||||
|
continue
|
||||||
|
if mask[idx - 1] == '\x00' or mask[idx + 2] == '\x00':
|
||||||
|
continue
|
||||||
|
if is_punct(prev) and not nxt.isspace() and not is_punct(nxt):
|
||||||
|
inserts.append((idx + 2, '加粗后'))
|
||||||
|
return inserts
|
||||||
|
|
||||||
|
|
||||||
|
# ------------------------------------------------------------------ 主流程
|
||||||
|
|
||||||
|
def fix_text(text):
|
||||||
|
mc = mask_code(text)
|
||||||
|
mcm = mask_code_and_math(text)
|
||||||
|
inserts = fix_bold(text, mcm) + fix_math(text, mc)
|
||||||
|
if not inserts:
|
||||||
|
return text, []
|
||||||
|
seen = set()
|
||||||
|
uniq = []
|
||||||
|
for pos, kind in inserts:
|
||||||
|
if (pos, kind) in seen:
|
||||||
|
continue
|
||||||
|
seen.add((pos, kind))
|
||||||
|
uniq.append((pos, kind))
|
||||||
|
for pos, _ in sorted(uniq, reverse=True):
|
||||||
|
text = text[:pos] + ' ' + text[pos:]
|
||||||
|
return text, sorted(uniq, key=lambda x: x[0])
|
||||||
|
|
||||||
|
|
||||||
|
def main():
|
||||||
|
apply = '--apply' in sys.argv
|
||||||
|
scope = None
|
||||||
|
for a in sys.argv:
|
||||||
|
if a.startswith('--scope='):
|
||||||
|
scope = a.split('=', 1)[1]
|
||||||
|
|
||||||
|
total_files = total_hits = 0
|
||||||
|
report = []
|
||||||
|
for path in sorted(iter_md_files(scope)):
|
||||||
|
raw = open(path, encoding='utf-8').read()
|
||||||
|
new, changes = fix_text(raw)
|
||||||
|
if changes:
|
||||||
|
total_files += 1
|
||||||
|
total_hits += len(changes)
|
||||||
|
rel = os.path.relpath(path, ROOT)
|
||||||
|
report.append((rel, len(changes)))
|
||||||
|
if apply:
|
||||||
|
open(path, 'w', encoding='utf-8', newline='').write(new)
|
||||||
|
print(f'== {"已修复" if apply else "待修复(仅统计)"} ==')
|
||||||
|
for rel, cnt in report:
|
||||||
|
print(f' {cnt:4d} {rel}')
|
||||||
|
print(f'--- 共 {total_files} 个文件,{total_hits} 处需要修 ---')
|
||||||
|
|
||||||
|
|
||||||
|
if __name__ == '__main__':
|
||||||
|
main()
|
||||||
@@ -0,0 +1,38 @@
|
|||||||
|
#!/usr/bin/env bash
|
||||||
|
# 重新生成概率论在学练习(第3/5/6讲)的全部 PDF
|
||||||
|
# 用法:bash .workbuddy/tools/md2pdf/rebuild_prob_pdfs.sh
|
||||||
|
set -u
|
||||||
|
REPO="D:/考研/第二代数学笔记"
|
||||||
|
NODE="C:/Users/Wang Ling/.workbuddy/binaries/node/versions/22.22.2-6/node.exe"
|
||||||
|
TOOL="$REPO/.workbuddy/tools/md2pdf/md2pdf.js"
|
||||||
|
BASE="$REPO/基于考研的学习/数学一/在学练习"
|
||||||
|
|
||||||
|
build () { # $1=目录 $2=源md $3=输出pdf $4=标题 $5=可选 mode
|
||||||
|
cd "$BASE/$1" || return 1
|
||||||
|
if [ "${5:-}" = "answer" ]; then
|
||||||
|
"$NODE" "$TOOL" --in "$2" --out "$3" --title "$4" --mode answer
|
||||||
|
else
|
||||||
|
"$NODE" "$TOOL" --in "$2" --out "$3" --title "$4"
|
||||||
|
fi
|
||||||
|
}
|
||||||
|
|
||||||
|
D3="概率论-第3讲-多维随机变量及其分布"
|
||||||
|
D5="概率论-第5讲-大数定律与中心极限定理"
|
||||||
|
D6="概率论-第6讲-数理统计"
|
||||||
|
|
||||||
|
build "$D3" "01-考点手册.md" "PDF/概率论第3讲-考点手册.pdf" "概率论 第3讲 · 考点手册"
|
||||||
|
build "$D3" "02-试题.md" "PDF/概率论第3讲-试题-答题版.pdf" "概率论 第3讲 · 试题(答题版)" answer
|
||||||
|
build "$D3" "03-解析.md" "PDF/概率论第3讲-解析.pdf" "概率论 第3讲 · 解析"
|
||||||
|
build "$D3" "04-答疑笔记.md" "PDF/概率论第3讲-答疑笔记.pdf" "概率论 第3讲 · 答疑笔记"
|
||||||
|
build "$D3" "05-试题-中高难度.md" "PDF/概率论第3讲-试题-中高难度-答题版.pdf" "概率论 第3讲 · 试题(中高难度卷)" answer
|
||||||
|
build "$D3" "06-解析-中高难度.md" "PDF/概率论第3讲-解析-中高难度.pdf" "概率论 第3讲 · 中高难度卷 · 解析"
|
||||||
|
|
||||||
|
build "$D5" "01-考点手册.md" "PDF/概率论第5讲-考点手册.pdf" "概率论 第5讲 · 大数定律与中心极限定理 · 考点手册"
|
||||||
|
build "$D5" "02-试题.md" "PDF/概率论第5讲-试题-答题版.pdf" "概率论 第5讲 · 大数定律与中心极限定理(答题版)" answer
|
||||||
|
build "$D5" "03-解析.md" "PDF/概率论第5讲-解析.pdf" "概率论 第5讲 · 大数定律与中心极限定理 · 解析"
|
||||||
|
|
||||||
|
build "$D6" "01-考点手册.md" "PDF/概率论第6讲-考点手册.pdf" "概率论 第6讲 · 数理统计 · 考点手册"
|
||||||
|
build "$D6" "02-试题.md" "PDF/概率论第6讲-试题-答题版.pdf" "概率论 第6讲 · 数理统计(答题版)" answer
|
||||||
|
build "$D6" "03-解析.md" "PDF/概率论第6讲-解析.pdf" "概率论 第6讲 · 数理统计 · 解析"
|
||||||
|
|
||||||
|
echo "全部完成"
|
||||||
+2
-2
@@ -73,13 +73,13 @@ tags:
|
|||||||
│ │ └── 概率论第5讲-考点手册.pdf(8 页)
|
│ │ └── 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)
|
│ └── 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
|
│ ├── 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)
|
│ ├── 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
|
│ ├── 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)
|
│ └── 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-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-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)
|
├── 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
|
│ ├── 2027模拟卷一.md ✓ 已完成
|
||||||
│ ├── 无穷级数专项练习.md ✓ 已完成
|
│ ├── 无穷级数专项练习.md ✓ 已完成
|
||||||
|
|||||||
@@ -46,13 +46,13 @@ $$F(x,y)=P\{X\le x,\ Y\le y\}.$$
|
|||||||
**几何意义**:平面上以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。
|
**几何意义**:平面上以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。
|
||||||
|
|
||||||
### 1.3 四条性质(与一维对应,多一条)
|
### 1.3 四条性质(与一维对应,多一条)
|
||||||
1. **单调不减**:对 $x$、对 $y$ 各自单调不减;
|
1. **单调不减**:对 $x$ 、对 $y$ 各自单调不减;
|
||||||
2. **右连续**:$F(x+0,y)=F(x,y)$,$F(x,y+0)=F(x,y)$;
|
2. **右连续**:$F(x+0,y)=F(x,y)$ ,$F(x,y+0)=F(x,y)$ ;
|
||||||
3. **有界性**:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;
|
3. **有界性**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;
|
||||||
4. **非负矩形增量**(二维**特有**):
|
4. **非负矩形增量**(二维**特有**):
|
||||||
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0.$$
|
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0.$$
|
||||||
|
|
||||||
> **用途**:判断"某二元函数能否当联合分布函数"。反例:$F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}$ **不合法**——它虽满足前三条,但在 $x_1=-1,x_2=1,y_1=-1,y_2=1$ 上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$。
|
> **用途**:判断"某二元函数能否当联合分布函数"。反例:$F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}$ **不合法**——它虽满足前三条,但在 $x_1=-1,x_2=1,y_1=-1,y_2=1$ 上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$ 。
|
||||||
|
|
||||||
### 1.4 边缘分布函数 🟩
|
### 1.4 边缘分布函数 🟩
|
||||||
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
||||||
@@ -64,7 +64,7 @@ $$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
|||||||
|
|
||||||
### 2.1 联合分布律
|
### 2.1 联合分布律
|
||||||
$$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
$$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
||||||
**充要条件**:$p_{ij}\ge0$ 且 $\displaystyle\sum_i\sum_j p_{ij}=1$。
|
**充要条件**:$p_{ij}\ge0$ 且 $\displaystyle\sum_i\sum_j p_{ij}=1$ 。
|
||||||
|
|
||||||
### 2.2 三类分布(表格记忆法)
|
### 2.2 三类分布(表格记忆法)
|
||||||
把 $p_{ij}$ 写成矩形表:
|
把 $p_{ij}$ 写成矩形表:
|
||||||
@@ -76,13 +76,13 @@ $$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
|||||||
| $\vdots$ | | | | |
|
| $\vdots$ | | | | |
|
||||||
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
|
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
|
||||||
|
|
||||||
- **边缘**:行和 $p_{i\cdot}=\sum_j p_{ij}$、列和 $p_{\cdot j}=\sum_i p_{ij}$(表格最右列、最下行);
|
- **边缘**:行和 $p_{i\cdot}=\sum_j p_{ij}$ 、列和 $p_{\cdot j}=\sum_i p_{ij}$ (表格最右列、最下行);
|
||||||
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$(要求 $p_{\cdot j}>0$),$P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$;
|
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$ (要求 $p_{\cdot j}>0$ ),$P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$ ;
|
||||||
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。
|
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$ 。
|
||||||
|
|
||||||
### 2.3 常见模型
|
### 2.3 常见模型
|
||||||
- **放球模型**🟩:$n$ 封信投 $m$ 个信箱,$(X_1,X_2)$ 为前两箱信封数,联合分布为多项分布型。
|
- **放球模型**🟩:$n$ 封信投 $m$ 个信箱,$(X_1,X_2)$ 为前两箱信封数,联合分布为多项分布型。
|
||||||
- **多项分布**🟨2016·8:$n$ 次独立试验,$X_i$ 为第 $i$ 类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$。
|
- **多项分布**🟨2016·8:$n$ 次独立试验,$X_i$ 为第 $i$ 类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$ ,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -90,9 +90,9 @@ $$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
|||||||
|
|
||||||
### 3.1 联合概率密度
|
### 3.1 联合概率密度
|
||||||
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv.$$
|
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv.$$
|
||||||
**充要条件**:$f\ge0$,$\displaystyle\iint_{\mathbb R^2}f=1$。改有限个点的值仍是密度。
|
**充要条件**:$f\ge0$ ,$\displaystyle\iint_{\mathbb R^2}f=1$ 。改有限个点的值仍是密度。
|
||||||
- **区域概率**:$P\{(X,Y)\in G\}=\iint_G f\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);
|
- **区域概率**:$P\{(X,Y)\in G\}=\iint_G f\,\mathrm dx\,\mathrm dy$ (**画图定限是全部功夫**);
|
||||||
- 在 $f$ 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$。
|
- 在 $f$ 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$ 。
|
||||||
|
|
||||||
### 3.2 边缘密度
|
### 3.2 边缘密度
|
||||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx.$$
|
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx.$$
|
||||||
@@ -102,9 +102,9 @@ $$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}
|
|||||||
|
|
||||||
### 3.3 条件密度
|
### 3.3 条件密度
|
||||||
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (f_X(x)>0),\qquad f_{X|Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}.$$
|
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (f_X(x)>0),\qquad f_{X|Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}.$$
|
||||||
**乘法公式**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。
|
**乘法公式**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$ 。
|
||||||
|
|
||||||
> **求条件密度的标准动作**:① 先求 $f_X(x)$;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$;③ 写清 $y$ 的**条件范围**。
|
> **求条件密度的标准动作**:① 先求 $f_X(x)$ ;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$ ;③ 写清 $y$ 的**条件范围**。
|
||||||
|
|
||||||
### 3.4 二维均匀分布
|
### 3.4 二维均匀分布
|
||||||
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||||
@@ -114,13 +114,13 @@ $$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
|||||||
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.$$
|
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.$$
|
||||||
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}$$
|
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}$$
|
||||||
**五条必背性质**:
|
**五条必背性质**:
|
||||||
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$;
|
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$ ,$Y\sim N(\mu_2,\sigma_2^2)$ ;
|
||||||
2. $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;
|
2. $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;
|
||||||
3. **任意线性组合** $aX+bY$($a,b$ 不全为 0)仍服从正态;
|
3. **任意线性组合** $aX+bY$ ($a,b$ 不全为 0)仍服从正态;
|
||||||
4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$;
|
4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$ ;
|
||||||
5. **不相关 $\iff$ 独立**(二维正态专属特权)。
|
5. **不相关 $\iff$ 独立**(二维正态专属特权)。
|
||||||
|
|
||||||
> **识别技巧**🟩:看到 $F(x,y)=\Phi(2x+1)\Phi(2y-1)$ 这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$,立刻读出 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$。
|
> **识别技巧**🟩:看到 $F(x,y)=\Phi(2x+1)\Phi(2y-1)$ 这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$ ,立刻读出 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -131,19 +131,19 @@ $$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}
|
|||||||
|
|
||||||
### 4.2 性质
|
### 4.2 性质
|
||||||
- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立;
|
- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立;
|
||||||
- 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$,$D(aX\pm bY)=a^2DX+b^2DY$;
|
- 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$ ,$D(aX\pm bY)=a^2DX+b^2DY$ ;
|
||||||
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
|
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$ ;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ ;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||||
|
|
||||||
### 4.3 判断独立性三步走(考场流程)
|
### 4.3 判断独立性三步走(考场流程)
|
||||||
1. 求 $f_X(x)$、$f_Y(y)$;
|
1. 求 $f_X(x)$ 、$f_Y(y)$ ;
|
||||||
2. **看取值区域**——是不是**矩形**(非矩形基本可判不独立);
|
2. **看取值区域**——是不是**矩形**(非矩形基本可判不独立);
|
||||||
3. 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$。
|
3. 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$ 。
|
||||||
> **特例**:圆形域、三角形域、$0<y<x$ 型区域 ⟹ 一律不独立(除非密度恰可分离且区域矩形)。
|
> **特例**:圆形域、三角形域、$0<y<x$ 型区域 ⟹ 一律不独立(除非密度恰可分离且区域矩形)。
|
||||||
|
|
||||||
### 4.4 独立 vs 不相关(高频概念题)🟨2019·22、2025·8
|
### 4.4 独立 vs 不相关(高频概念题)🟨2019·22、2025·8
|
||||||
$$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qquad \text{不相关}\ \not\Longrightarrow\ \text{独立(一般情形)}.$$
|
$$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qquad \text{不相关}\ \not\Longrightarrow\ \text{独立(一般情形)}.$$
|
||||||
**唯一例外**:**二维正态**时二者等价。
|
**唯一例外**:**二维正态**时二者等价。
|
||||||
**经典反例**:$X\sim U(-1,1)$,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**($Y$ 是 $X$ 的偶函数)。
|
**经典反例**:$X\sim U(-1,1)$ ,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**($Y$ 是 $X$ 的偶函数)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -153,7 +153,7 @@ $$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qqua
|
|||||||
|
|
||||||
| 路线 | 何时用 | 关键 |
|
| 路线 | 何时用 | 关键 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| **① 分布函数法(定义法)** | 给**联合密度**、求**单个函数**的分布 | $F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 |
|
| **① 分布函数法(定义法)** | 给**联合密度**、求**单个函数**的分布 | $F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma$ ,再求导 |
|
||||||
| **② 雅可比变换法** | 视频推荐 · 求**多个新变量**的联合密度 / 函数分布 | 反解 + $f_{UV}=f\cdot\lvert J\rvert$ |
|
| **② 雅可比变换法** | 视频推荐 · 求**多个新变量**的联合密度 / 函数分布 | 反解 + $f_{UV}=f\cdot\lvert J\rvert$ |
|
||||||
| **③ 卷积公式** | X,Y **独立**、求 $Z=X\pm Y$ 等 | 把二维密度降成一重积分 |
|
| **③ 卷积公式** | X,Y **独立**、求 $Z=X\pm Y$ 等 | 把二维密度降成一重积分 |
|
||||||
|
|
||||||
@@ -163,27 +163,27 @@ $$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qqua
|
|||||||
|
|
||||||
### 5.1 分布函数法(通法,必掌握)
|
### 5.1 分布函数法(通法,必掌握)
|
||||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm dx\,\mathrm dy,\qquad f_Z(z)=F_Z'(z).$$
|
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm dx\,\mathrm dy,\qquad f_Z(z)=F_Z'(z).$$
|
||||||
**四步**:① 写 $F_Z(z)$;② 画图定 $g\le z$ 的区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。
|
**四步**:① 写 $F_Z(z)$ ;② 画图定 $g\le z$ 的区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。
|
||||||
> **优点**:万无一失(第 15、18 题用它);**缺点**:分段讨论繁。
|
> **优点**:万无一失(第 15、18 题用它);**缺点**:分段讨论繁。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 5.2 雅可比行列式变换法(视频推荐,重点补)🟦05/06
|
### 5.2 雅可比行列式变换法(视频推荐,重点补)🟦05/06
|
||||||
|
|
||||||
**二维变换定理**:设 $(X,Y)$ 的联合密度为 $f_{XY}(x,y)$,变换
|
**二维变换定理**:设 $(X,Y)$ 的联合密度为 $f_{XY}(x,y)$ ,变换
|
||||||
$$u=u(x,y),\qquad v=v(x,y)$$
|
$$u=u(x,y),\qquad v=v(x,y)$$
|
||||||
满足:① 在 $(X,Y)$ 的取值区域 $D$ 上存在**唯一的逆变换** $x=x(u,v),\ y=y(u,v)$;② 有连续偏导数;③ 雅可比行列式 $J\ne0$。则 $(U,V)$ 的联合密度为
|
满足:① 在 $(X,Y)$ 的取值区域 $D$ 上存在**唯一的逆变换** $x=x(u,v),\ y=y(u,v)$ ;② 有连续偏导数;③ 雅可比行列式 $J\ne0$ 。则 $(U,V)$ 的联合密度为
|
||||||
$$\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}$$
|
$$\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}$$
|
||||||
其中
|
其中
|
||||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix},$$
|
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix},$$
|
||||||
取值区域 $D'$ 是 $D$ 在变换下的**像**(把 $D$ 的边界用 $u,v$ 表示)。
|
取值区域 $D'$ 是 $D$ 在变换下的**像**(把 $D$ 的边界用 $u,v$ 表示)。
|
||||||
|
|
||||||
**求单个函数 $Z=g(X,Y)$ 的密度 —— 增补变量三步法**:
|
**求单个函数 $Z=g(X,Y)$ 的密度 —— 增补变量三步法**:
|
||||||
1. **增补**一个辅助变量(常取 $V=X$ 或 $V=Y$),凑成二维一一变换;
|
1. **增补**一个辅助变量(常取 $V=X$ 或 $V=Y$ ),凑成二维一一变换;
|
||||||
2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$;
|
2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$ ;
|
||||||
3. 对辅助变量积分得**边缘**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$。
|
3. 对辅助变量积分得**边缘**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$ 。
|
||||||
|
|
||||||
**三条常用变换(务必记熟 $J$)**:
|
**三条常用变换(务必记熟 $J$ )**:
|
||||||
|
|
||||||
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|
||||||
|---|---|---|---|---|
|
|---|---|---|---|---|
|
||||||
@@ -191,31 +191,31 @@ $$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\parti
|
|||||||
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\dfrac1{\lvert v\rvert}$ | $f_Z(z)=\displaystyle\int\frac{1}{\lvert v\rvert}f\big(v,\tfrac zv\big)\,\mathrm dv$ |
|
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\dfrac1{\lvert v\rvert}$ | $f_Z(z)=\displaystyle\int\frac{1}{\lvert v\rvert}f\big(v,\tfrac zv\big)\,\mathrm dv$ |
|
||||||
| 商 $Z=\dfrac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $f_Z(z)=\displaystyle\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
|
| 商 $Z=\dfrac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $f_Z(z)=\displaystyle\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
|
||||||
|
|
||||||
> **验算**:以"和"为例,$x=v,\ y=z-v$;$J=\det\begin{vmatrix}0&1\\1&-1\end{vmatrix}=-1$,$\lvert J\rvert=1$,故 $f_Z(z)=\int f(v,z-v)\mathrm dv$ —— 正是**卷积公式**。**雅可比法把卷积"推导"出来了**,理解后不必死记。
|
> **验算**:以"和"为例,$x=v,\ y=z-v$ ;$J=\det\begin{vmatrix}0&1\\1&-1\end{vmatrix}=-1$ ,$\lvert J\rvert=1$ ,故 $f_Z(z)=\int f(v,z-v)\mathrm dv$ —— 正是**卷积公式**。**雅可比法把卷积"推导"出来了**,理解后不必死记。
|
||||||
|
|
||||||
**一一性的坑** 🔴:若变换**非一一**(如 $Z=X^2$、$Z=X^2+Y^2$ 反解多值),雅可比法要**按分支求和**:
|
**一一性的坑** 🔴:若变换**非一一**(如 $Z=X^2$ 、$Z=X^2+Y^2$ 反解多值),雅可比法要**按分支求和**:
|
||||||
$$f_Z(z)=\sum_{\text{各分支}} f\big(x_k(z)\big)\left\lvert \frac{\mathrm dx_k}{\mathrm dz}\right\rvert.$$
|
$$f_Z(z)=\sum_{\text{各分支}} f\big(x_k(z)\big)\left\lvert \frac{\mathrm dx_k}{\mathrm dz}\right\rvert.$$
|
||||||
否则改用**分布函数法**(第 18 题的 $Z=X^2+Y^2$ 就走定义法)。
|
否则改用**分布函数法**(第 18 题的 $Z=X^2+Y^2$ 就走定义法)。
|
||||||
|
|
||||||
**一维版本**(前置知识):若 $Y=g(X)$ 在 $X$ 的取值区间上**单调可导**且 $g'\ne0$,则
|
**一维版本**(前置知识):若 $Y=g(X)$ 在 $X$ 的取值区间上**单调可导**且 $g'\ne0$ ,则
|
||||||
$$f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.$$
|
$$f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.$$
|
||||||
> 例:$X\sim U(0,2)$,$Y=X^2$ 在 $(0,2)$ 单调,$x=\sqrt y$,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$。
|
> 例:$X\sim U(0,2)$ ,$Y=X^2$ 在 $(0,2)$ 单调,$x=\sqrt y$ ,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$ ,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$ 。
|
||||||
|
|
||||||
**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$,
|
**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$ ,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$ ,
|
||||||
$$\iint_D f\,\mathrm dx\,\mathrm dy=\iint_{D'} f(r\cos\theta,r\sin\theta)\,r\,\mathrm dr\,\mathrm d\theta.$$
|
$$\iint_D f\,\mathrm dx\,\mathrm dy=\iint_{D'} f(r\cos\theta,r\sin\theta)\,r\,\mathrm dr\,\mathrm d\theta.$$
|
||||||
> 凡"到原点距离"的函数($X^2+Y^2$、$\sqrt{X^2+Y^2}$、$\sqrt{X^2+Y^2}\le z$ 的区域)一律先转极坐标。
|
> 凡"到原点距离"的函数($X^2+Y^2$ 、$\sqrt{X^2+Y^2}$ 、$\sqrt{X^2+Y^2}\le z$ 的区域)一律先转极坐标。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 5.3 和的分布(卷积)
|
### 5.3 和的分布(卷积)
|
||||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,\mathrm dx\ \xrightarrow{\ X,Y\text{ 独立}\ }\ \int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx.$$
|
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,\mathrm dx\ \xrightarrow{\ X,Y\text{ 独立}\ }\ \int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx.$$
|
||||||
**两个标准结论**(背下来):
|
**两个标准结论**(背下来):
|
||||||
- 两个 $U(0,1)$ 之和 → **辛普森(三角形)分布**:$f_Z(z)=z\ (0<z<1)$,$2-z\ (1\le z<2)$;
|
- 两个 $U(0,1)$ 之和 → **辛普森(三角形)分布**:$f_Z(z)=z\ (0<z<1)$ ,$2-z\ (1\le z<2)$ ;
|
||||||
- $X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)$ 独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
|
- $X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)$ 独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||||
|
|
||||||
### 5.4 差的分布
|
### 5.4 差的分布
|
||||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)\,\mathrm dx\quad(\text{独立时}=\int f_X(x)f_Y(x-z)\,\mathrm dx).$$
|
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)\,\mathrm dx\quad(\text{独立时}=\int f_X(x)f_Y(x-z)\,\mathrm dx).$$
|
||||||
> 正态差:$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$。**同方差正态差** $X-Y\sim N(0,2\sigma^2)$,与 $\mu$ 无关 🟨2019·8。
|
> 正态差:$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$ 。**同方差正态差** $X-Y\sim N(0,2\sigma^2)$ ,与 $\mu$ 无关 🟨2019·8。
|
||||||
|
|
||||||
### 5.5 积的分布
|
### 5.5 积的分布
|
||||||
$$f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).$$
|
$$f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).$$
|
||||||
@@ -225,16 +225,16 @@ $$f_Z(z)=\int_{-\infty}^{+\infty}\lvert x\rvert f(x,zx)\,\mathrm dx\quad(\text{
|
|||||||
|
|
||||||
### 5.7 最值分布
|
### 5.7 最值分布
|
||||||
$$F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-\big[1-F_X(z)\big]\big[1-F_Y(z)\big].$$
|
$$F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-\big[1-F_X(z)\big]\big[1-F_Y(z)\big].$$
|
||||||
> 若 $X,Y$ 独立同分布(分布函数 $F$、密度 $f$):$f_{\max}(z)=2F(z)f(z)$;$f_{\min}(z)=2[1-F(z)]f(z)$。
|
> 若 $X,Y$ 独立同分布(分布函数 $F$ 、密度 $f$ ):$f_{\max}(z)=2F(z)f(z)$ ;$f_{\min}(z)=2[1-F(z)]f(z)$ 。
|
||||||
|
|
||||||
### 5.8 混合型(一个离散、一个连续)——全概率公式 🟨2017·22、2020·22、2025·22
|
### 5.8 混合型(一个离散、一个连续)——全概率公式 🟨2017·22、2020·22、2025·22
|
||||||
设 $X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:
|
设 $X$ 离散($P\{X=x_i\}=p_i$ )、$Y$ 连续:
|
||||||
$$F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.$$
|
$$F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.$$
|
||||||
> **本质**:把离散变量的每个取值当作一个**权重**,分别平移后加权叠加。
|
> **本质**:把离散变量的每个取值当作一个**权重**,分别平移后加权叠加。
|
||||||
> **例**:$P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$。
|
> **例**:$P\{X=0\}=P\{X=1\}=\tfrac12$ ,$Y\sim U(0,1)$ ,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$ 。
|
||||||
|
|
||||||
### 5.9 混合正态(综合题常客)🟨2020·22
|
### 5.9 混合正态(综合题常客)🟨2020·22
|
||||||
形如 $Y=X_3X_1+(1-X_3)X_2$($X_3$ 取 0/1,$X_1,X_2\sim N(0,1)$):
|
形如 $Y=X_3X_1+(1-X_3)X_2$ ($X_3$ 取 0/1,$X_1,X_2\sim N(0,1)$ ):
|
||||||
用**全概率 + $\Phi$ 的乘法**:
|
用**全概率 + $\Phi$ 的乘法**:
|
||||||
$$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
$$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
||||||
结论常是"**证明 $Y$ 仍服从标准正态**"。
|
结论常是"**证明 $Y$ 仍服从标准正态**"。
|
||||||
@@ -243,12 +243,12 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
|||||||
|
|
||||||
## 6. 与数字特征的耦合(本讲的"配件")🟦07 🟨2022·10、2024·9、2025·8
|
## 6. 与数字特征的耦合(本讲的"配件")🟦07 🟨2022·10、2024·9、2025·8
|
||||||
|
|
||||||
- **期望的二维公式**(不必先求分布):$E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g(x,y)f\,\mathrm dx\,\mathrm dy$;
|
- **期望的二维公式**(不必先求分布):$E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g(x,y)f\,\mathrm dx\,\mathrm dy$ ;
|
||||||
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$;
|
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$ ;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$ ;
|
||||||
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
|
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ ;
|
||||||
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
|
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$ ,再算 $EX,EY,E(XY)$ ;
|
||||||
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$;
|
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$ ,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$ ,最大值 $1+\lvert\rho\rvert$ ;
|
||||||
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
|
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$ (完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -280,9 +280,9 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
|||||||
3. **独立 ⟹ 不相关;不相关 ⇏ 独立**(二维正态除外);
|
3. **独立 ⟹ 不相关;不相关 ⇏ 独立**(二维正态除外);
|
||||||
4. **混合型 = 全概率公式**(离散变量当权重);
|
4. **混合型 = 全概率公式**(离散变量当权重);
|
||||||
5. **单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积**;
|
5. **单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积**;
|
||||||
6. **雅可比用反解的行列式** $J=\dfrac{\partial(x,y)}{\partial(u,v)}$,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$(互为倒数,取绝对值不影响结果,但要对);
|
6. **雅可比用反解的行列式** $J=\dfrac{\partial(x,y)}{\partial(u,v)}$ ,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$ (互为倒数,取绝对值不影响结果,但要对);
|
||||||
7. **非一一变换要按分支求和**,否则漏项;
|
7. **非一一变换要按分支求和**,否则漏项;
|
||||||
8. **圆形域先极坐标**,$J=r$;
|
8. **圆形域先极坐标**,$J=r$ ;
|
||||||
9. **条件密度是对另一个变量求导/积分的商**,注意条件范围;
|
9. **条件密度是对另一个变量求导/积分的商**,注意条件范围;
|
||||||
10. **二维正态 $\sigma$ 是标准差**,代公式别把 $\sigma^2$ 用错。
|
10. **二维正态 $\sigma$ 是标准差**,代公式别把 $\sigma^2$ 用错。
|
||||||
|
|
||||||
@@ -290,11 +290,11 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
|||||||
| 陷阱 | 正确做法 |
|
| 陷阱 | 正确做法 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 边缘积分上下限照抄联合定义域 | **画图**取交集,分段讨论 |
|
| 边缘积分上下限照抄联合定义域 | **画图**取交集,分段讨论 |
|
||||||
| 判独立只看一个点就下"独立"结论 | 独立要**全部** $p_{ij}=p_{i\cdot}p_{\cdot j}$;不独立**找一个反例**即可 |
|
| 判独立只看一个点就下"独立"结论 | 独立要**全部** $p_{ij}=p_{i\cdot}p_{\cdot j}$ ;不独立**找一个反例**即可 |
|
||||||
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$,行列式用**反解**的 |
|
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$ ,行列式用**反解**的 |
|
||||||
| $Z=X^2+Y^2$ 硬套雅可比 | 反解多值,**改走分布函数法** |
|
| $Z=X^2+Y^2$ 硬套雅可比 | 反解多值,**改走分布函数法** |
|
||||||
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$,权重和必须为 1 |
|
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$ ,权重和必须为 1 |
|
||||||
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$(都是标准差之积) |
|
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$ (都是标准差之积) |
|
||||||
| 正态线性组合忘了 $\rho$ 交叉项 | $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ |
|
| 正态线性组合忘了 $\rho$ 交叉项 | $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|||||||
@@ -32,60 +32,60 @@ tags:
|
|||||||
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
|
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
|
||||||
|
|
||||||
**2.** 【二维均匀分布 🟦01】设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
**2.** 【二维均匀分布 🟦01】设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
||||||
(Ⅰ)写出 $(X,Y)$ 的概率密度 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
|
(Ⅰ)写出 $(X,Y)$ 的概率密度 $f(x,y)$ ;(Ⅱ)求 $P\{X+Y\le1\}$ 。
|
||||||
|
|
||||||
**3.** 【边缘密度 + 独立性 🟦02】设 $(X,Y)$ 的概率密度为
|
**3.** 【边缘密度 + 独立性 🟦02】设 $(X,Y)$ 的概率密度为
|
||||||
$$f(x,y)=\begin{cases}c\,xy,&0<x<1,\ 0<y<2\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}c\,xy,&0<x<1,\ 0<y<2\\0,&\text{其他}\end{cases}$$
|
||||||
(Ⅰ)求 $c$;(Ⅱ)求 $f_X(x),f_Y(y)$;(Ⅲ)判断 $X,Y$ 是否独立。
|
(Ⅰ)求 $c$ ;(Ⅱ)求 $f_X(x),f_Y(y)$ ;(Ⅲ)判断 $X,Y$ 是否独立。
|
||||||
|
|
||||||
**4.** 【条件概率密度 🟦03】设 $(X,Y)$ 的概率密度为
|
**4.** 【条件概率密度 🟦03】设 $(X,Y)$ 的概率密度为
|
||||||
$$f(x,y)=\begin{cases}3x,&0<y<x<1\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}3x,&0<y<x<1\\0,&\text{其他}\end{cases}$$
|
||||||
(Ⅰ)求 $f_X(x)$;(Ⅱ)求条件密度 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P\{Y<\tfrac12 \mid X=\tfrac34\}$。
|
(Ⅰ)求 $f_X(x)$ ;(Ⅱ)求条件密度 $f_{Y|X}(y\mid x)$ ;(Ⅲ)求 $P\{Y<\tfrac12 \mid X=\tfrac34\}$ 。
|
||||||
|
|
||||||
**5.** 【卷积 · 和的分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$。
|
**5.** 【卷积 · 和的分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,1)$ ,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $f_Z(z)$ 。
|
||||||
|
|
||||||
**6.** 【概念辨析 · 独立与不相关 🟦04】设 $X,Y$ 为随机变量,则下列命题**正确**的是( )
|
**6.** 【概念辨析 · 独立与不相关 🟦04】设 $X,Y$ 为随机变量,则下列命题**正确**的是( )
|
||||||
- (A)若 $X,Y$ 都服从正态分布且 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 相互独立;
|
- (A)若 $X,Y$ 都服从正态分布且 $\operatorname{Cov}(X,Y)=0$ ,则 $X,Y$ 相互独立;
|
||||||
- (B)若 $(X,Y)$ 服从二维正态分布,则 $X,Y$ 不相关与相互独立等价;
|
- (B)若 $(X,Y)$ 服从二维正态分布,则 $X,Y$ 不相关与相互独立等价;
|
||||||
- (C)若 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 一定相互独立;
|
- (C)若 $\operatorname{Cov}(X,Y)=0$ ,则 $X,Y$ 一定相互独立;
|
||||||
- (D)若 $X,Y$ 相互独立,则 $\operatorname{Cov}(X,Y)$ 可以不为 $0$。
|
- (D)若 $X,Y$ 相互独立,则 $\operatorname{Cov}(X,Y)$ 可以不为 $0$ 。
|
||||||
|
|
||||||
## B 组 · 中等(多步计算,★★☆)
|
## B 组 · 中等(多步计算,★★☆)
|
||||||
|
|
||||||
**7.** 【商分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
|
**7.** 【商分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$ 。求 $f_Z(z)$ 及 $P\{Z>1\}$ 。
|
||||||
|
|
||||||
**8.** 【连续型独立性 🟦03】设 $(X,Y)$ 在单位圆 $D=\{(x,y)\mid x^2+y^2\le1\}$ 上服从均匀分布。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断 $X,Y$ 是否独立。
|
**8.** 【连续型独立性 🟦03】设 $(X,Y)$ 在单位圆 $D=\{(x,y)\mid x^2+y^2\le1\}$ 上服从均匀分布。(Ⅰ)求 $f_X(x)$ ;(Ⅱ)判断 $X,Y$ 是否独立。
|
||||||
|
|
||||||
**9.** 【积分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,2)$ 且相互独立,$Z=XY$。求 $f_Z(z)$。
|
**9.** 【积分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,2)$ 且相互独立,$Z=XY$ 。求 $f_Z(z)$ 。
|
||||||
|
|
||||||
**10.** 【混合型 · 和 🟦05】设 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $Z$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
|
**10.** 【混合型 · 和 🟦05】设 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\tfrac12$ ,$Y\sim U(0,1)$ ,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $Z$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$ 。
|
||||||
|
|
||||||
**11.** 【不相关但不独立 🟦04】设 $X\sim U(-1,1)$,$Y=X^2$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$,并判断 $X,Y$ 是否独立。
|
**11.** 【不相关但不独立 🟦04】设 $X\sim U(-1,1)$ ,$Y=X^2$ 。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$ ,并判断 $X,Y$ 是否独立。
|
||||||
|
|
||||||
**12.** 【最值分布 🟩】设 $X,Y$ 相互独立且都服从参数为 $\lambda$ 的指数分布,$Z=\max(X,Y)$。求 $Z$ 的分布函数与概率密度。
|
**12.** 【最值分布 🟩】设 $X,Y$ 相互独立且都服从参数为 $\lambda$ 的指数分布,$Z=\max(X,Y)$ 。求 $Z$ 的分布函数与概率密度。
|
||||||
|
|
||||||
**13.** 【二维正态综合 🟩】设 $(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写出 $X,Y$ 的边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
|
**13.** 【二维正态综合 🟩】设 $(X,Y)\sim N(1,2;1,4;0.5)$ 。(Ⅰ)写出 $X,Y$ 的边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$ ;(Ⅲ)求 $E(Y\mid X=x)$ 。
|
||||||
|
|
||||||
**14.** 【取点分段 · 几何概型 🟦07】在区间 $(0,1)$ 上随机取一点,将区间分成两段,较短的一段长度为 $X$。求 $X$ 的概率密度。
|
**14.** 【取点分段 · 几何概型 🟦07】在区间 $(0,1)$ 上随机取一点,将区间分成两段,较短的一段长度为 $X$ 。求 $X$ 的概率密度。
|
||||||
|
|
||||||
## C 组 · 拔高(综合与辨析,★★★)
|
## C 组 · 拔高(综合与辨析,★★★)
|
||||||
|
|
||||||
**15.** 【二维均匀 + 离散化 + 分布函数法 · **真题骨架 2016·22** 🟨】设 $(X,Y)$ 在三角形区域 $D=\{(x,y)\mid 0<y<x<1\}$ 上服从均匀分布,令
|
**15.** 【二维均匀 + 离散化 + 分布函数法 · **真题骨架 2016·22** 🟨】设 $(X,Y)$ 在三角形区域 $D=\{(x,y)\mid 0<y<x<1\}$ 上服从均匀分布,令
|
||||||
$$U=\begin{cases}1,&Y\le\dfrac X2\\[4pt]0,&Y>\dfrac X2\end{cases}$$
|
$$U=\begin{cases}1,&Y\le\dfrac X2\\[4pt]0,&Y>\dfrac X2\end{cases}$$
|
||||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{U=1,\,X\le x\}$,并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
|
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $P\{U=1,\,X\le x\}$ ,并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$ 。
|
||||||
|
|
||||||
**16.** 【条件均匀分布 → 相关系数 · **真题骨架 2022·10 / 2024·9** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 条件下 $Y\sim U(0,x)$。求相关系数 $\rho_{XY}$。
|
**16.** 【条件均匀分布 → 相关系数 · **真题骨架 2022·10 / 2024·9** 🟨】设 $X\sim U(0,1)$ ,在 $X=x$ 条件下 $Y\sim U(0,x)$ 。求相关系数 $\rho_{XY}$ 。
|
||||||
|
|
||||||
**17.** 【混合正态 · **真题骨架 2020·22** 🟨】设 $X_1,X_2,X_3$ 相互独立,$X_1,X_2\sim N(0,1)$,且 $P\{X_3=1\}=P\{X_3=-1\}=\dfrac12$。令
|
**17.** 【混合正态 · **真题骨架 2020·22** 🟨】设 $X_1,X_2,X_3$ 相互独立,$X_1,X_2\sim N(0,1)$ ,且 $P\{X_3=1\}=P\{X_3=-1\}=\dfrac12$ 。令
|
||||||
$$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2.$$
|
$$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2.$$
|
||||||
(Ⅰ)求 $(X_1,Y)$ 的分布函数 $F(x,y)$(用标准正态分布函数 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
|
(Ⅰ)求 $(X_1,Y)$ 的分布函数 $F(x,y)$ (用标准正态分布函数 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$ 。
|
||||||
|
|
||||||
**18.** 【圆形区域密度 + 函数分布 · **真题骨架 2023·22** 🟨】设 $(X,Y)$ 的概率密度为
|
**18.** 【圆形区域密度 + 函数分布 · **真题骨架 2023·22** 🟨】设 $(X,Y)$ 的概率密度为
|
||||||
$$f(x,y)=\begin{cases}c\sqrt{x^2+y^2},&x^2+y^2\le1\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}c\sqrt{x^2+y^2},&x^2+y^2\le1\\0,&\text{其他}\end{cases}$$
|
||||||
(Ⅰ)求常数 $c$;(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否独立;(Ⅳ)求 $Z=X^2+Y^2$ 的概率密度 $f_Z(z)$。
|
(Ⅰ)求常数 $c$ ;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否独立;(Ⅳ)求 $Z=X^2+Y^2$ 的概率密度 $f_Z(z)$ 。
|
||||||
|
|
||||||
**19.** 【雅可比行列式变换法 · 视频推荐 🟦05/06】设 $(X,Y)$ 的概率密度为
|
**19.** 【雅可比行列式变换法 · 视频推荐 🟦05/06】设 $(X,Y)$ 的概率密度为
|
||||||
$$f(x,y)=\begin{cases}e^{-(x+y)},&x>0,\ y>0\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}e^{-(x+y)},&x>0,\ y>0\\0,&\text{其他}\end{cases}$$
|
||||||
令 $U=X+Y$,$V=\dfrac{X}{X+Y}$。
|
令 $U=X+Y$ ,$V=\dfrac{X}{X+Y}$ 。
|
||||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
|
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ;
|
||||||
(Ⅱ)判断 $U$ 与 $V$ 是否独立,并写出各自的分布($U$ 服从什么分布、$V$ 服从什么分布)。
|
(Ⅱ)判断 $U$ 与 $V$ 是否独立,并写出各自的分布($U$ 服从什么分布、$V$ 服从什么分布)。
|
||||||
|
|||||||
@@ -26,36 +26,36 @@ tags:
|
|||||||
| **2** | 0.2 | 0.3 | 0.1 | **0.6** |
|
| **2** | 0.2 | 0.3 | 0.1 | **0.6** |
|
||||||
| $p_{\cdot j}$ | **0.3** | **0.5** | **0.2** | 1 |
|
| $p_{\cdot j}$ | **0.3** | **0.5** | **0.2** | 1 |
|
||||||
|
|
||||||
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$。
|
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$ 。
|
||||||
|
|
||||||
**(Ⅱ)** 取 $p_{11}=0.1$,而 $p_{1\cdot}p_{\cdot1}=0.4\times0.5=0.2\ne0.1$,故 **$X$ 与 $Y$ 不相互独立**。
|
**(Ⅱ)** 取 $p_{11}=0.1$ ,而 $p_{1\cdot}p_{\cdot1}=0.4\times0.5=0.2\ne0.1$ ,故 **$X$ 与 $Y$ 不相互独立**。
|
||||||
> **思路**:判独立要"全部成立",否定只需**找一对反例**。
|
> **思路**:判独立要"全部成立",否定只需**找一对反例**。
|
||||||
> **易错点**:$p_{ij}$ 与 $p_{i\cdot}p_{\cdot j}$ 下标要对齐($X=1$ 是第 1 行、$Y=0$ 是第 1 列)。
|
> **易错点**:$p_{ij}$ 与 $p_{i\cdot}p_{\cdot j}$ 下标要对齐($X=1$ 是第 1 行、$Y=0$ 是第 1 列)。
|
||||||
|
|
||||||
### 2.(Ⅰ)$S_D=\dfrac12$,
|
### 2.(Ⅰ)$S_D=\dfrac12$ ,
|
||||||
$$f(x,y)=\begin{cases}2,&0\le x\le1,\ 0\le y\le x\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}2,&0\le x\le1,\ 0\le y\le x\\0,&\text{其他}\end{cases}$$
|
||||||
|
|
||||||
**(Ⅱ)** 在 $D$ 内 $x+y\le1\Rightarrow y\le\min(x,1-x)$:$0\le x\le\frac12$ 上限 $x$;$\frac12\le x\le1$ 上限 $1-x$。
|
**(Ⅱ)** 在 $D$ 内 $x+y\le1\Rightarrow y\le\min(x,1-x)$ :$0\le x\le\frac12$ 上限 $x$ ;$\frac12\le x\le1$ 上限 $1-x$ 。
|
||||||
$$P\{X+Y\le1\}=2\left[\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx\right]=2\left(\frac18+\frac18\right)=\frac12.$$
|
$$P\{X+Y\le1\}=2\left[\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx\right]=2\left(\frac18+\frac18\right)=\frac12.$$
|
||||||
> **易错点**:**先画图再定限**,$y=x$ 与 $y=1-x$ 把区域切成两段。
|
> **易错点**:**先画图再定限**,$y=x$ 与 $y=1-x$ 把区域切成两段。
|
||||||
|
|
||||||
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$。
|
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$ 。
|
||||||
|
|
||||||
**(Ⅱ)** $f_X(x)=\displaystyle\int_0^2xy\,\mathrm dy=2x\ (0<x<1)$;$f_Y(y)=\displaystyle\int_0^1xy\,\mathrm dx=\dfrac y2\ (0<y<2)$。
|
**(Ⅱ)** $f_X(x)=\displaystyle\int_0^2xy\,\mathrm dy=2x\ (0<x<1)$ ;$f_Y(y)=\displaystyle\int_0^1xy\,\mathrm dx=\dfrac y2\ (0<y<2)$ 。
|
||||||
|
|
||||||
**(Ⅲ)** $f_X(x)f_Y(y)=2x\cdot\dfrac y2=xy=f(x,y)$,故 **$X,Y$ 相互独立**。
|
**(Ⅲ)** $f_X(x)f_Y(y)=2x\cdot\dfrac y2=xy=f(x,y)$ ,故 **$X,Y$ 相互独立**。
|
||||||
> **思路**:矩形域 + 密度可分离 ⟹ 一眼独立。
|
> **思路**:矩形域 + 密度可分离 ⟹ 一眼独立。
|
||||||
|
|
||||||
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$。
|
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$ ;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$ 。
|
||||||
|
|
||||||
**(Ⅱ)** $f_{Y|X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$。
|
**(Ⅱ)** $f_{Y|X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ 。
|
||||||
|
|
||||||
**(Ⅲ)** $P\{Y<\tfrac12\mid X=\tfrac34\}=\displaystyle\int_0^{1/2}\frac{1}{3/4}\,\mathrm dy=\frac43\cdot\frac12=\frac23$。
|
**(Ⅲ)** $P\{Y<\tfrac12\mid X=\tfrac34\}=\displaystyle\int_0^{1/2}\frac{1}{3/4}\,\mathrm dy=\frac43\cdot\frac12=\frac23$ 。
|
||||||
> **易错点**:条件密度是 $y$ 的函数(对 $x$ 是常数);$\tfrac12<\tfrac34$ 故上限直接取 $\tfrac12$。
|
> **易错点**:条件密度是 $y$ 的函数(对 $x$ 是常数);$\tfrac12<\tfrac34$ 故上限直接取 $\tfrac12$ 。
|
||||||
|
|
||||||
### 5. $f(x,y)=1$(单位正方形)。$f_Y(z-x)=1\iff z-1<x<z$,与 $(0,1)$ 取交:
|
### 5. $f(x,y)=1$ (单位正方形)。$f_Y(z-x)=1\iff z-1<x<z$ ,与 $(0,1)$ 取交:
|
||||||
- $0<z<1$:$f_Z(z)=\int_0^z\mathrm dx=z$;
|
- $0<z<1$ :$f_Z(z)=\int_0^z\mathrm dx=z$ ;
|
||||||
- $1\le z<2$:$f_Z(z)=\int_{z-1}^1\mathrm dx=2-z$。
|
- $1\le z<2$ :$f_Z(z)=\int_{z-1}^1\mathrm dx=2-z$ 。
|
||||||
|
|
||||||
$$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
$$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
||||||
> **真题骨架**:🟨2017·22 同款和分布(离散+连续),见第 10 题混合版。
|
> **真题骨架**:🟨2017·22 同款和分布(离散+连续),见第 10 题混合版。
|
||||||
@@ -63,60 +63,60 @@ $$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(
|
|||||||
### 6. 选(B)。
|
### 6. 选(B)。
|
||||||
- (A)错:两正态若**不联合正态**,不相关推不出独立(反例见第 11 题);
|
- (A)错:两正态若**不联合正态**,不相关推不出独立(反例见第 11 题);
|
||||||
- (C)错:不相关 $\ne$ 独立;
|
- (C)错:不相关 $\ne$ 独立;
|
||||||
- (D)错:独立**一定**推出 $\operatorname{Cov}=0$(方差存在时);
|
- (D)错:独立**一定**推出 $\operatorname{Cov}=0$ (方差存在时);
|
||||||
- (B)对:二维正态的"特权"。
|
- (B)对:二维正态的"特权"。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## B 组 · 中等
|
## B 组 · 中等
|
||||||
|
|
||||||
### 7. $Z=\dfrac YX$,用商的密度公式($f_{XY}=1$ 在单位正方形)
|
### 7. $Z=\dfrac YX$ ,用商的密度公式($f_{XY}=1$ 在单位正方形)
|
||||||
$$f_Z(z)=\int_0^1 x\,f_Y(zx)\,\mathrm dx,\qquad f_Y(zx)=1\iff 0<x<\frac1z.$$
|
$$f_Z(z)=\int_0^1 x\,f_Y(zx)\,\mathrm dx,\qquad f_Y(zx)=1\iff 0<x<\frac1z.$$
|
||||||
- $0<z<1$:上限 $1$,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$;
|
- $0<z<1$ :上限 $1$ ,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$ ;
|
||||||
- $z\ge1$:上限 $\dfrac1z$,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$。
|
- $z\ge1$ :上限 $\dfrac1z$ ,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$ 。
|
||||||
|
|
||||||
$$f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[4pt]\dfrac{1}{2z^2},&z\ge1\\[2pt]0,&z<0\end{cases},\qquad P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\,\mathrm dz=\frac12.$$
|
$$f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[4pt]\dfrac{1}{2z^2},&z\ge1\\[2pt]0,&z<0\end{cases},\qquad P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\,\mathrm dz=\frac12.$$
|
||||||
> **真题骨架**:🟨2021·22(Ⅱ) 求 $Z=Y/X$ 密度。
|
> **真题骨架**:🟨2021·22(Ⅱ) 求 $Z=Y/X$ 密度。
|
||||||
> **雅可比视角**:增补 $V=X$,$x=v,y=zv$,$\lvert J\rvert=\lvert v\rvert$,$f_{ZV}(z,v)=\lvert v\rvert f(v,zv)$,再对 $v$ 积分,结果一致。
|
> **雅可比视角**:增补 $V=X$ ,$x=v,y=zv$ ,$\lvert J\rvert=\lvert v\rvert$ ,$f_{ZV}(z,v)=\lvert v\rvert f(v,zv)$ ,再对 $v$ 积分,结果一致。
|
||||||
|
|
||||||
### 8.(Ⅰ)圆盘均匀 $f=\dfrac1\pi$,对 $y$ 积分($-\sqrt{1-x^2}\sim\sqrt{1-x^2}$):
|
### 8.(Ⅰ)圆盘均匀 $f=\dfrac1\pi$ ,对 $y$ 积分($-\sqrt{1-x^2}\sim\sqrt{1-x^2}$ ):
|
||||||
$$f_X(x)=\frac1\pi\cdot2\sqrt{1-x^2}=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1).$$
|
$$f_X(x)=\frac1\pi\cdot2\sqrt{1-x^2}=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1).$$
|
||||||
|
|
||||||
**(Ⅱ)** $f_X(x)f_Y(y)=\dfrac4{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac1\pi=f(x,y)$,故 **$X,Y$ 不独立**。
|
**(Ⅱ)** $f_X(x)f_Y(y)=\dfrac4{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac1\pi=f(x,y)$ ,故 **$X,Y$ 不独立**。
|
||||||
> **秒杀**:取值区域是**圆**(非矩形),一步否定。
|
> **秒杀**:取值区域是**圆**(非矩形),一步否定。
|
||||||
|
|
||||||
### 9. $f(x,y)=\dfrac12$($0<x<1,0<y<2$),$Z=XY$:
|
### 9. $f(x,y)=\dfrac12$ ($0<x<1,0<y<2$ ),$Z=XY$ :
|
||||||
$$f_Z(z)=\int\frac1x\cdot\frac12\cdot\mathbb 1\{0<\tfrac zx<2\}\,\mathrm dx,\qquad 0<\frac zx<2\iff x>\frac z2.$$
|
$$f_Z(z)=\int\frac1x\cdot\frac12\cdot\mathbb 1\{0<\tfrac zx<2\}\,\mathrm dx,\qquad 0<\frac zx<2\iff x>\frac z2.$$
|
||||||
对 $0<z<2$,$x\in\big(\tfrac z2,1\big)$:$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$。
|
对 $0<z<2$ ,$x\in\big(\tfrac z2,1\big)$ :$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$ 。
|
||||||
|
|
||||||
$$f_Z(z)=\begin{cases}\dfrac12\ln\dfrac2z,&0<z<2\\0,&\text{其他}\end{cases}$$
|
$$f_Z(z)=\begin{cases}\dfrac12\ln\dfrac2z,&0<z<2\\0,&\text{其他}\end{cases}$$
|
||||||
> **真题骨架**:🟨2018·22、2019·22 的 $Z=XY$。
|
> **真题骨架**:🟨2018·22、2019·22 的 $Z=XY$ 。
|
||||||
> **雅可比视角**:增补 $V=X$,$x=v,y=z/v$,$\lvert J\rvert=1/\lvert v\rvert$,结果一致。
|
> **雅可比视角**:增补 $V=X$ ,$x=v,y=z/v$ ,$\lvert J\rvert=1/\lvert v\rvert$ ,结果一致。
|
||||||
|
|
||||||
### 10. 全概率(离散 $X$ 拆权重):
|
### 10. 全概率(离散 $X$ 拆权重):
|
||||||
$$F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1),\qquad F_Y(t)=0\,(t<0),\ t\,(0\le t<1),\ 1\,(t\ge1).$$
|
$$F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1),\qquad F_Y(t)=0\,(t<0),\ t\,(0\le t<1),\ 1\,(t\ge1).$$
|
||||||
- $z<0$:$0$;$0\le z<1$:$\dfrac z2$;$1\le z<2$:$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$;$z\ge2$:$1$。
|
- $z<0$ :$0$ ;$0\le z<1$ :$\dfrac z2$ ;$1\le z<2$ :$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$ ;$z\ge2$ :$1$ 。
|
||||||
|
|
||||||
$$F_Z(z)=\begin{cases}0,&z<0\\ \dfrac z2,&0\le z<2\\1,&z\ge2\end{cases}\ \Longrightarrow\ f_Z(z)=\begin{cases}\dfrac12,&0<z<2\\0,&\text{其他}\end{cases}\ (\textbf{即 }Z\sim U(0,2))$$
|
$$F_Z(z)=\begin{cases}0,&z<0\\ \dfrac z2,&0\le z<2\\1,&z\ge2\end{cases}\ \Longrightarrow\ f_Z(z)=\begin{cases}\dfrac12,&0<z<2\\0,&\text{其他}\end{cases}\ (\textbf{即 }Z\sim U(0,2))$$
|
||||||
> **易错点**:$F_Y(z-1)$ 也要分段;两段在 $z=1$ 处须连续(此处恰好拼成 $\frac z2$)。
|
> **易错点**:$F_Y(z-1)$ 也要分段;两段在 $z=1$ 处须连续(此处恰好拼成 $\frac z2$ )。
|
||||||
|
|
||||||
### 11. $EX=0$,$EY=E(X^2)=\displaystyle\int_{-1}^1x^2\cdot\frac12\mathrm dx=\frac13$,$E(XY)=E(X^3)=0$。
|
### 11. $EX=0$ ,$EY=E(X^2)=\displaystyle\int_{-1}^1x^2\cdot\frac12\mathrm dx=\frac13$ ,$E(XY)=E(X^3)=0$ 。
|
||||||
$$\operatorname{Cov}(X,Y)=0,\qquad \rho_{XY}=0.$$
|
$$\operatorname{Cov}(X,Y)=0,\qquad \rho_{XY}=0.$$
|
||||||
但 $Y=X^2$ 是 $X$ 的函数,二者**不独立**。
|
但 $Y=X^2$ 是 $X$ 的函数,二者**不独立**。
|
||||||
> **结论**:**不相关 $\ne$ 独立**的教科书反例(偶函数型)。
|
> **结论**:**不相关 $\ne$ 独立**的教科书反例(偶函数型)。
|
||||||
|
|
||||||
### 12. $F_Z(z)=F_X(z)F_Y(z)=(1-e^{-\lambda z})^2\ (z>0)$,$z\le0$ 为 0。求导:
|
### 12. $F_Z(z)=F_X(z)F_Y(z)=(1-e^{-\lambda z})^2\ (z>0)$ ,$z\le0$ 为 0。求导:
|
||||||
$$f_Z(z)=2\lambda e^{-\lambda z}(1-e^{-\lambda z})=2\lambda\big(e^{-\lambda z}-e^{-2\lambda z}\big)\quad(z>0).$$
|
$$f_Z(z)=2\lambda e^{-\lambda z}(1-e^{-\lambda z})=2\lambda\big(e^{-\lambda z}-e^{-2\lambda z}\big)\quad(z>0).$$
|
||||||
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$(仍服从指数分布,参数 $2\lambda$)。
|
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$ (仍服从指数分布,参数 $2\lambda$ )。
|
||||||
|
|
||||||
### 13.(Ⅰ)$X\sim N(1,1)$,$Y\sim N(2,4)$。
|
### 13.(Ⅰ)$X\sim N(1,1)$ ,$Y\sim N(2,4)$ 。
|
||||||
|
|
||||||
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$;$D(X+Y)=1+4+2\times1=7$。
|
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$ ;$D(X+Y)=1+4+2\times1=7$ 。
|
||||||
|
|
||||||
**(Ⅲ)** $E(Y\mid X=x)=2+0.5\times2\times(x-1)=x+1$。
|
**(Ⅲ)** $E(Y\mid X=x)=2+0.5\times2\times(x-1)=x+1$ 。
|
||||||
> **易错点**:$\dfrac{\sigma_2}{\sigma_1}=\dfrac21$(**标准差**),不是 $\dfrac41$。
|
> **易错点**:$\dfrac{\sigma_2}{\sigma_1}=\dfrac21$ (**标准差**),不是 $\dfrac41$ 。
|
||||||
|
|
||||||
### 14. 设切点 $U\sim U(0,1)$,$X=\min(U,1-U)\in(0,\tfrac12)$:
|
### 14. 设切点 $U\sim U(0,1)$ ,$X=\min(U,1-U)\in(0,\tfrac12)$ :
|
||||||
$$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\begin{cases}2,&0<x<\frac12\\0,&\text{其他}\end{cases}$$
|
$$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\begin{cases}2,&0<x<\frac12\\0,&\text{其他}\end{cases}$$
|
||||||
> **真题骨架**:🟨2021·22(Ⅰ)。
|
> **真题骨架**:🟨2021·22(Ⅰ)。
|
||||||
|
|
||||||
@@ -124,60 +124,60 @@ $$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\be
|
|||||||
|
|
||||||
## C 组 · 拔高
|
## C 组 · 拔高
|
||||||
|
|
||||||
### 15.(Ⅰ)$S_D=\dfrac12$,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
|
### 15.(Ⅰ)$S_D=\dfrac12$ ,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
|
||||||
|
|
||||||
**(Ⅱ)** $U=1\iff Y\le\dfrac X2$。对 $0<x\le1$:
|
**(Ⅱ)** $U=1\iff Y\le\dfrac X2$ 。对 $0<x\le1$ :
|
||||||
$$P\{U=1,\ X\le x\}=\int_0^x\mathrm dt\int_0^{t/2}2\,\mathrm dy=\int_0^x t\,\mathrm dt=\frac{x^2}{2}.$$
|
$$P\{U=1,\ X\le x\}=\int_0^x\mathrm dt\int_0^{t/2}2\,\mathrm dy=\int_0^x t\,\mathrm dt=\frac{x^2}{2}.$$
|
||||||
又 $P\{U=1\}=\dfrac12$、$F_X(x)=x^2$,且 $\dfrac{x^2}{2}=P\{U=1\}F_X(x)$,故 **$U$ 与 $X$ 相互独立**。
|
又 $P\{U=1\}=\dfrac12$ 、$F_X(x)=x^2$ ,且 $\dfrac{x^2}{2}=P\{U=1\}F_X(x)$ ,故 **$U$ 与 $X$ 相互独立**。
|
||||||
> **反直觉点**:$U$ 是 $(X,Y)$ 的函数却与 $X$ 独立——因为在三角形内 $P\{U=1\mid X=x\}=\dfrac{x/2}{x}=\dfrac12$ **与 $x$ 无关**。
|
> **反直觉点**:$U$ 是 $(X,Y)$ 的函数却与 $X$ 独立——因为在三角形内 $P\{U=1\mid X=x\}=\dfrac{x/2}{x}=\dfrac12$ **与 $x$ 无关**。
|
||||||
|
|
||||||
**(Ⅲ)** 由独立,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$,$f_X(x)=2x\ (0<x<1)$:
|
**(Ⅲ)** 由独立,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$ ,$f_X(x)=2x\ (0<x<1)$ :
|
||||||
$$f_Z(z)=\begin{cases}z,&0<z<1\\ z-1,&1\le z<2\\0,&\text{其他}\end{cases},\qquad
|
$$f_Z(z)=\begin{cases}z,&0<z<1\\ z-1,&1\le z<2\\0,&\text{其他}\end{cases},\qquad
|
||||||
F_Z(z)=\begin{cases}0,&z<0\\[2pt]\dfrac{z^2}{2},&0\le z<1\\[4pt]\dfrac12+\dfrac{(z-1)^2}{2},&1\le z<2\\[4pt]1,&z\ge2\end{cases}$$
|
F_Z(z)=\begin{cases}0,&z<0\\[2pt]\dfrac{z^2}{2},&0\le z<1\\[4pt]\dfrac12+\dfrac{(z-1)^2}{2},&1\le z<2\\[4pt]1,&z\ge2\end{cases}$$
|
||||||
> **真题骨架**:🟨2016·22(均匀域 → 离散化 $U$ → 判独立 → $Z=U+X$ 分布函数),仅区域/分界改为 $y=x/2$。
|
> **真题骨架**:🟨2016·22(均匀域 → 离散化 $U$ → 判独立 → $Z=U+X$ 分布函数),仅区域/分界改为 $y=x/2$ 。
|
||||||
|
|
||||||
### 16. $f(x,y)=\dfrac1x\ (0<y<x<1)$($f_X=1$,$f_{Y|X}=1/x$)。
|
### 16. $f(x,y)=\dfrac1x\ (0<y<x<1)$ ($f_X=1$ ,$f_{Y|X}=1/x$ )。
|
||||||
- $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;
|
- $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$ ;
|
||||||
- $f_Y(y)=-\ln y$,$EY=\dfrac14,\ EY^2=\dfrac19,\ DY=\dfrac7{144}$;
|
- $f_Y(y)=-\ln y$ ,$EY=\dfrac14,\ EY^2=\dfrac19,\ DY=\dfrac7{144}$ ;
|
||||||
- $E(XY)=\displaystyle\int_0^1\!\!\int_0^x xy\cdot\frac1x\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x^2}{2}\,\mathrm dx=\frac16$。
|
- $E(XY)=\displaystyle\int_0^1\!\!\int_0^x xy\cdot\frac1x\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x^2}{2}\,\mathrm dx=\frac16$ 。
|
||||||
|
|
||||||
$$\operatorname{Cov}=\frac16-\frac12\cdot\frac14=\frac1{24},\qquad \rho_{XY}=\frac{1/24}{\sqrt{1/12}\cdot\sqrt{7/144}}=\sqrt{\frac37}\approx0.655.$$
|
$$\operatorname{Cov}=\frac16-\frac12\cdot\frac14=\frac1{24},\qquad \rho_{XY}=\frac{1/24}{\sqrt{1/12}\cdot\sqrt{7/144}}=\sqrt{\frac37}\approx0.655.$$
|
||||||
> **思路**:条件分布型先写 $f=f_Xf_{Y|X}$,再算三个期望。
|
> **思路**:条件分布型先写 $f=f_Xf_{Y|X}$ ,再算三个期望。
|
||||||
> **常用积分**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$。
|
> **常用积分**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$ 。
|
||||||
|
|
||||||
### 17.(Ⅰ)$X_3$ 取 $\pm1$,用全概率:
|
### 17.(Ⅰ)$X_3$ 取 $\pm1$ ,用全概率:
|
||||||
- $X_3=1$:$Y=X_1$,贡献 $P\{X_1\le x,\ X_1\le y\}=\Phi(\min\{x,y\})$;
|
- $X_3=1$ :$Y=X_1$ ,贡献 $P\{X_1\le x,\ X_1\le y\}=\Phi(\min\{x,y\})$ ;
|
||||||
- $X_3=-1$:$Y=X_2$,由独立贡献 $\Phi(x)\Phi(y)$。
|
- $X_3=-1$ :$Y=X_2$ ,由独立贡献 $\Phi(x)\Phi(y)$ 。
|
||||||
|
|
||||||
$$F(x,y)=\frac12\Phi(\min\{x,y\})+\frac12\Phi(x)\Phi(y).$$
|
$$F(x,y)=\frac12\Phi(\min\{x,y\})+\frac12\Phi(x)\Phi(y).$$
|
||||||
|
|
||||||
**(Ⅱ)** $x\to+\infty$ 得 $F_Y(y)=\dfrac12\Phi(y)+\dfrac12\Phi(y)=\Phi(y)$,故 **$Y\sim N(0,1)$**。
|
**(Ⅱ)** $x\to+\infty$ 得 $F_Y(y)=\dfrac12\Phi(y)+\dfrac12\Phi(y)=\Phi(y)$ ,故 **$Y\sim N(0,1)$ **。
|
||||||
> **真题骨架**:🟨2020·22(原题 $X_3\in\{0,1\}$,此处对称化为 $\pm1$)。
|
> **真题骨架**:🟨2020·22(原题 $X_3\in\{0,1\}$ ,此处对称化为 $\pm1$ )。
|
||||||
|
|
||||||
### 18.(Ⅰ)极坐标 $\mathrm dx\,\mathrm dy=r\,\mathrm dr\,\mathrm d\theta$:
|
### 18.(Ⅰ)极坐标 $\mathrm dx\,\mathrm dy=r\,\mathrm dr\,\mathrm d\theta$ :
|
||||||
$$1=c\int_0^{2\pi}\!\!\int_0^1 r\cdot r\,\mathrm dr\,\mathrm d\theta=c\cdot2\pi\cdot\frac13\ \Rightarrow\ c=\frac{3}{2\pi}.$$
|
$$1=c\int_0^{2\pi}\!\!\int_0^1 r\cdot r\,\mathrm dr\,\mathrm d\theta=c\cdot2\pi\cdot\frac13\ \Rightarrow\ c=\frac{3}{2\pi}.$$
|
||||||
|
|
||||||
**(Ⅱ)** 区域对称 + 密度偶 ⟹ $EX=EY=0$,$E(XY)=0$,故 $\operatorname{Cov}(X,Y)=0$。
|
**(Ⅱ)** 区域对称 + 密度偶 ⟹ $EX=EY=0$ ,$E(XY)=0$ ,故 $\operatorname{Cov}(X,Y)=0$ 。
|
||||||
|
|
||||||
**(Ⅲ)** $f_X(x)$ 不是 $f_X(x)f_Y(y)$ 的分解形式,$f(x,y)=c\sqrt{x^2+y^2}\ne f_Xf_Y$,故 **$X,Y$ 不独立**。
|
**(Ⅲ)** $f_X(x)$ 不是 $f_X(x)f_Y(y)$ 的分解形式,$f(x,y)=c\sqrt{x^2+y^2}\ne f_Xf_Y$ ,故 **$X,Y$ 不独立**。
|
||||||
|
|
||||||
**(Ⅳ)** $0<z<1$:
|
**(Ⅳ)** $0<z<1$ :
|
||||||
$$F_Z(z)=\int_0^{2\pi}\!\!\int_0^{\sqrt z}\frac{3}{2\pi}r\cdot r\,\mathrm dr\,\mathrm d\theta=\frac{3}{2\pi}\cdot2\pi\cdot\frac{z^{3/2}}{3}=z^{3/2}\ \Rightarrow\ f_Z(z)=\begin{cases}\dfrac32\sqrt z,&0<z<1\\0,&\text{其他}\end{cases}$$
|
$$F_Z(z)=\int_0^{2\pi}\!\!\int_0^{\sqrt z}\frac{3}{2\pi}r\cdot r\,\mathrm dr\,\mathrm d\theta=\frac{3}{2\pi}\cdot2\pi\cdot\frac{z^{3/2}}{3}=z^{3/2}\ \Rightarrow\ f_Z(z)=\begin{cases}\dfrac32\sqrt z,&0<z<1\\0,&\text{其他}\end{cases}$$
|
||||||
> **真题骨架**:🟨2023·22(把原题 $f=c(x^2+y^2)$ 改为 $c\sqrt{x^2+y^2}$)。
|
> **真题骨架**:🟨2023·22(把原题 $f=c(x^2+y^2)$ 改为 $c\sqrt{x^2+y^2}$ )。
|
||||||
> **技巧**:$Z$ 是"到原点距离的函数" ⟹ **极坐标 + 面积法**,不必硬求 $f_Z$。
|
> **技巧**:$Z$ 是"到原点距离的函数" ⟹ **极坐标 + 面积法**,不必硬求 $f_Z$ 。
|
||||||
|
|
||||||
### 19.(Ⅰ)反解:由 $u=x+y,\ v=\dfrac{x}{x+y}$ 得
|
### 19.(Ⅰ)反解:由 $u=x+y,\ v=\dfrac{x}{x+y}$ 得
|
||||||
$$x=uv,\qquad y=u(1-v).$$
|
$$x=uv,\qquad y=u(1-v).$$
|
||||||
雅可比行列式(注意是**反解** $(x,y)$ 对 $(u,v)$ 的行列式):
|
雅可比行列式(注意是**反解** $(x,y)$ 对 $(u,v)$ 的行列式):
|
||||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}v&u\\1-v&-u\end{vmatrix}=v(-u)-u(1-v)=-uv-u+uv=-u.$$
|
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}v&u\\1-v&-u\end{vmatrix}=v(-u)-u(1-v)=-uv-u+uv=-u.$$
|
||||||
故 $\lvert J\rvert=u$。取值区域:$x>0,y>0\Rightarrow u>0,\ 0<v<1$。于是
|
故 $\lvert J\rvert=u$ 。取值区域:$x>0,y>0\Rightarrow u>0,\ 0<v<1$ 。于是
|
||||||
$$f_{UV}(u,v)=f\big(uv,\ u(1-v)\big)\cdot\lvert J\rvert=e^{-(uv+u(1-v))}\cdot u=u\,e^{-u},\quad u>0,\ 0<v<1.$$
|
$$f_{UV}(u,v)=f\big(uv,\ u(1-v)\big)\cdot\lvert J\rvert=e^{-(uv+u(1-v))}\cdot u=u\,e^{-u},\quad u>0,\ 0<v<1.$$
|
||||||
|
|
||||||
**(Ⅱ)** 求边缘:
|
**(Ⅱ)** 求边缘:
|
||||||
$$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\infty} u e^{-u}\,\mathrm du=1\ (0<v<1).$$
|
$$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\infty} u e^{-u}\,\mathrm du=1\ (0<v<1).$$
|
||||||
因 $f_{UV}(u,v)=f_U(u)f_V(v)$,故 **$U$ 与 $V$ 相互独立**;且 $U\sim\Gamma(2,1)$(即参数为 1 的 $\chi^2(4)$),$V\sim U(0,1)$。
|
因 $f_{UV}(u,v)=f_U(u)f_V(v)$ ,故 **$U$ 与 $V$ 相互独立**;且 $U\sim\Gamma(2,1)$ (即参数为 1 的 $\chi^2(4)$ ),$V\sim U(0,1)$ 。
|
||||||
> **方法总结(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\lvert J\rvert=\left\lvert\dfrac{\partial(x,y)}{\partial(u,v)}\right\rvert$;③ $f_{UV}=f\cdot\lvert J\rvert$,并把定义域一并变换。
|
> **方法总结(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$ ;② 算 $\lvert J\rvert=\left\lvert\dfrac{\partial(x,y)}{\partial(u,v)}\right\rvert$ ;③ $f_{UV}=f\cdot\lvert J\rvert$ ,并把定义域一并变换。
|
||||||
> **真题骨架**:本题是"指数分布之和 + 比值"的经典结构,$\Gamma(2,1)$ 的分解结论也是**证明"泊松过程的到达时刻与均匀次序"**的核心引理。
|
> **真题骨架**:本题是"指数分布之和 + 比值"的经典结构,$\Gamma(2,1)$ 的分解结论也是**证明"泊松过程的到达时刻与均匀次序"** 的核心引理。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -187,11 +187,11 @@ $$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\i
|
|||||||
|
|
||||||
| 真题 | 考法 | 对应题 | 覆盖 |
|
| 真题 | 考法 | 对应题 | 覆盖 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 2016·22 | 均匀分布+离散化 $U$+函数分布 | **15** | ✅ |
|
| 2016·22 | 均匀分布+离散化 $U$ +函数分布 | **15** | ✅ |
|
||||||
| 2017·22 | 混合型 $Z=X+Y$ | **5 + 10** | ✅ |
|
| 2017·22 | 混合型 $Z=X+Y$ | **5 + 10** | ✅ |
|
||||||
| 2018·22 | $Z=XY$+协方差 | **9** | ✅ |
|
| 2018·22 | $Z=XY$ +协方差 | **9** | ✅ |
|
||||||
| 2019·8 | 正态差 $\lvert X-Y\rvert$ 分布 | **13** | ◐ 部分 |
|
| 2019·8 | 正态差 $\lvert X-Y\rvert$ 分布 | **13** | ◐ 部分 |
|
||||||
| 2019·22 | $Z=XY$+不相关+独立性 | **9 + 11** | ✅ |
|
| 2019·22 | $Z=XY$ +不相关+独立性 | **9 + 11** | ✅ |
|
||||||
| 2020·22 | 混合正态+证明 | **17** | ✅ |
|
| 2020·22 | 混合正态+证明 | **17** | ✅ |
|
||||||
| 2021·22 | 取点分段+商分布 | **14 + 7** | ✅ |
|
| 2021·22 | 取点分段+商分布 | **14 + 7** | ✅ |
|
||||||
| 2022·10 | 条件分布求相关系数 | **16** | ✅ |
|
| 2022·10 | 条件分布求相关系数 | **16** | ✅ |
|
||||||
@@ -206,5 +206,5 @@ $$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\i
|
|||||||
1. 离散型二维函数分布(两离散变量之和的表格题);
|
1. 离散型二维函数分布(两离散变量之和的表格题);
|
||||||
2. $\lvert X-Y\rvert$ 的正态差完整选择题(2019·8);
|
2. $\lvert X-Y\rvert$ 的正态差完整选择题(2019·8);
|
||||||
3. 条件期望/全期望递推(留到数字特征章);
|
3. 条件期望/全期望递推(留到数字特征章);
|
||||||
4. 一般二维函数联合分布(如 $Y_1=2X_1,\ Y_2=\tfrac13X_2$)——本题第 19 题已示范雅可比通法,可自行扩展;
|
4. 一般二维函数联合分布(如 $Y_1=2X_1,\ Y_2=\tfrac13X_2$ )——本题第 19 题已示范雅可比通法,可自行扩展;
|
||||||
5. 2025·22 保险赔付应用建模。
|
5. 2025·22 保险赔付应用建模。
|
||||||
|
|||||||
@@ -25,7 +25,7 @@ tags:
|
|||||||
**题目回顾**
|
**题目回顾**
|
||||||
|
|
||||||
设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
||||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
|
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $P\{X+Y\le1\}$ 。
|
||||||
|
|
||||||
## 一、先认题型:这是"二维均匀分布"
|
## 一、先认题型:这是"二维均匀分布"
|
||||||
|
|
||||||
@@ -36,24 +36,24 @@ $$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{case
|
|||||||
|
|
||||||
## 二、第(Ⅰ)问:画图 → 求面积 → 写密度
|
## 二、第(Ⅰ)问:画图 → 求面积 → 写密度
|
||||||
|
|
||||||
把不等式翻译成图形:$0\le x\le1$(左右夹在 0 和 1 之间)、$0\le y\le x$(在直线 $y=x$ 下方)、$y\ge0$(在 $x$ 轴上方)。
|
把不等式翻译成图形:$0\le x\le1$ (左右夹在 0 和 1 之间)、$0\le y\le x$ (在直线 $y=x$ 下方)、$y\ge0$ (在 $x$ 轴上方)。
|
||||||
三者合起来是一个**三角形**,三个顶点:
|
三者合起来是一个**三角形**,三个顶点:
|
||||||
$$(0,0),\quad (1,0),\quad (1,1).$$
|
$$(0,0),\quad (1,0),\quad (1,1).$$
|
||||||
> 记忆:**"$0\le y\le x\le1$" = 三角形 $(0,0),(1,0),(1,1)$**,这是最高频的二维区域。
|
> 记忆:**"$0\le y\le x\le1$ " = 三角形 $(0,0),(1,0),(1,1)$ **,这是最高频的二维区域。
|
||||||
|
|
||||||
面积 $S_D=\dfrac12\times$ 底 $\times$ 高 $=\dfrac12\times1\times1=\dfrac12$。于是
|
面积 $S_D=\dfrac12\times$ 底 $\times$ 高 $=\dfrac12\times1\times1=\dfrac12$ 。于是
|
||||||
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||||
|
|
||||||
## 三、第(Ⅱ)问:画图定限(真正的坎)
|
## 三、第(Ⅱ)问:画图定限(真正的坎)
|
||||||
|
|
||||||
**通用三步**:
|
**通用三步**:
|
||||||
|
|
||||||
1. **画全域 $D$**(三角形,已画);
|
1. **画全域 $D$ **(三角形,已画);
|
||||||
2. **把条件线画上去**:$x+y=1$ 是一条斜线,过 $(0,1)$ 与 $(1,0)$;
|
2. **把条件线画上去**:$x+y=1$ 是一条斜线,过 $(0,1)$ 与 $(1,0)$ ;
|
||||||
3. **找交集 $G=D\cap\{x+y\le1\}$**:看这条线**在 $D$ 内部**从哪穿进去、又从哪穿出来。
|
3. **找交集 $G=D\cap\{x+y\le1\}$ **:看这条线**在 $D$ 内部**从哪穿进去、又从哪穿出来。
|
||||||
- 与 $y=0$(底边)交于 $(1,0)$;
|
- 与 $y=0$ (底边)交于 $(1,0)$ ;
|
||||||
- 与 $y=x$(斜边)交于 $\big(\tfrac12,\tfrac12\big)$。
|
- 与 $y=x$ (斜边)交于 $\big(\tfrac12,\tfrac12\big)$ 。
|
||||||
于是 $G$ 是三角形 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$。
|
于是 $G$ 是三角形 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$ 。
|
||||||
|
|
||||||
### 算法 A:面积比法(均匀分布专属捷径)
|
### 算法 A:面积比法(均匀分布专属捷径)
|
||||||
|
|
||||||
@@ -64,21 +64,21 @@ $$S_G=\frac12\times1\times\frac12=\frac14,\qquad P\{X+Y\le1\}=\frac{S_G}{S_D}=\f
|
|||||||
|
|
||||||
$$P=\iint_G f\,\mathrm dx\,\mathrm dy=\iint_G 2\,\mathrm dx\,\mathrm dy=2S_G=\frac12$$
|
$$P=\iint_G f\,\mathrm dx\,\mathrm dy=\iint_G 2\,\mathrm dx\,\mathrm dy=2S_G=\frac12$$
|
||||||
|
|
||||||
**竖直切片**(要分段!):固定 $x$,$y$ 从 $0$ 到 $\min(x,\,1-x)$。
|
**竖直切片**(要分段!):固定 $x$ ,$y$ 从 $0$ 到 $\min(x,\,1-x)$ 。
|
||||||
- $0\le x\le\tfrac12$:$y$ 上限是 $x$(此时 $x<1-x$);
|
- $0\le x\le\tfrac12$ :$y$ 上限是 $x$ (此时 $x<1-x$ );
|
||||||
- $\tfrac12\le x\le1$:$y$ 上限是 $1-x$(此时 $1-x<x$)。
|
- $\tfrac12\le x\le1$ :$y$ 上限是 $1-x$ (此时 $1-x<x$ )。
|
||||||
|
|
||||||
$$P=2\left[\int_0^{1/2}\!\!\int_0^{x}\mathrm dy\,\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}\mathrm dy\,\mathrm dx\right]=2\left[\frac18+\frac18\right]=\frac12$$
|
$$P=2\left[\int_0^{1/2}\!\!\int_0^{x}\mathrm dy\,\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}\mathrm dy\,\mathrm dx\right]=2\left[\frac18+\frac18\right]=\frac12$$
|
||||||
|
|
||||||
**水平切片**(**不用分段**,更省事):固定 $y$,需 $x\ge y$ 且 $x\le1-y$,故 $x\in[y,\,1-y]$,且要求 $y\le1-y$ 即 $y\le\tfrac12$。
|
**水平切片**(**不用分段**,更省事):固定 $y$ ,需 $x\ge y$ 且 $x\le1-y$ ,故 $x\in[y,\,1-y]$ ,且要求 $y\le1-y$ 即 $y\le\tfrac12$ 。
|
||||||
$$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\mathrm dy=2\left[\frac12-\frac14\right]=\frac12$$
|
$$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\mathrm dy=2\left[\frac12-\frac14\right]=\frac12$$
|
||||||
|
|
||||||
## 四、你为什么卡在这里(两个坑)
|
## 四、你为什么卡在这里(两个坑)
|
||||||
|
|
||||||
| 坑 | 表现 | 破解 |
|
| 坑 | 表现 | 破解 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| **坑 1:忘记先算面积** | 直接把 $f$ 写错(比如写成 $f=1$) | 均匀分布**第一步必求 $S_D$**,$f=1/S_D$ |
|
| **坑 1:忘记先算面积** | 直接把 $f$ 写错(比如写成 $f=1$ ) | 均匀分布**第一步必求 $S_D$ **,$f=1/S_D$ |
|
||||||
| **坑 2:不画图就套上下限** | 竖直切片时把 $y$ 上限一路写成 $x$,漏了 $x>\tfrac12$ 后要换成 $1-x$ | **先画图**,看条件线从哪里切断区域;切断点就是**分段点** |
|
| **坑 2:不画图就套上下限** | 竖直切片时把 $y$ 上限一路写成 $x$ ,漏了 $x>\tfrac12$ 后要换成 $1-x$ | **先画图**,看条件线从哪里切断区域;切断点就是**分段点** |
|
||||||
|
|
||||||
> **口诀**(来自 [[01-考点手册]]):
|
> **口诀**(来自 [[01-考点手册]]):
|
||||||
> **求谁不积谁,不积先定限,限内画条线,先交写下限,后交写上限。**
|
> **求谁不积谁,不积先定限,限内画条线,先交写下限,后交写上限。**
|
||||||
@@ -87,7 +87,7 @@ $$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\
|
|||||||
## 五、举一反三
|
## 五、举一反三
|
||||||
|
|
||||||
遇到"二维均匀 + 求区域概率",标准动作永远是:
|
遇到"二维均匀 + 求区域概率",标准动作永远是:
|
||||||
1. **画 $D$** → 求 $S_D$ → 写 $f=1/S_D$;
|
1. **画 $D$ ** → 求 $S_D$ → 写 $f=1/S_D$ ;
|
||||||
2. **画条件曲线** → 找与 $D$ 边界的**交点**;
|
2. **画条件曲线** → 找与 $D$ 边界的**交点**;
|
||||||
3. **面积比**(最快)或 **二重积分**(保险);
|
3. **面积比**(最快)或 **二重积分**(保险);
|
||||||
4. 积分时能换到**水平切片不分段**的方向,就别硬用竖直切片。
|
4. 积分时能换到**水平切片不分段**的方向,就别硬用竖直切片。
|
||||||
@@ -106,8 +106,8 @@ $$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
|
|||||||
|
|
||||||
**正确图像("线动成面")**:
|
**正确图像("线动成面")**:
|
||||||
|
|
||||||
- 固定 $x=0.5$:$y\in[0,0.5]$ —— 一条**竖线段**;
|
- 固定 $x=0.5$ :$y\in[0,0.5]$ —— 一条**竖线段**;
|
||||||
- 令 $x$ 从 $0$ 连续变到 $1$:这条竖线段不断变长,**扫出一个三角形** $S_D=\tfrac12$。
|
- 令 $x$ 从 $0$ 连续变到 $1$ :这条竖线段不断变长,**扫出一个三角形** $S_D=\tfrac12$ 。
|
||||||
|
|
||||||
> **铁律:不等式里有几个变量,图就画几维。**
|
> **铁律:不等式里有几个变量,图就画几维。**
|
||||||
> 一个变量 → 数轴上一段区间(长度);两个变量 → 平面上一个区域(**面积**)。
|
> 一个变量 → 数轴上一段区间(长度);两个变量 → 平面上一个区域(**面积**)。
|
||||||
@@ -116,7 +116,7 @@ $$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
|
|||||||
|
|
||||||
**用户原话**:「没想到 $g(x,y)<z$ 要当作全集的子集来处理,以为 $x+y\le1$ 里 $x,y$ 的定义是实数域。」
|
**用户原话**:「没想到 $g(x,y)<z$ 要当作全集的子集来处理,以为 $x+y\le1$ 里 $x,y$ 的定义是实数域。」
|
||||||
|
|
||||||
**错在哪**:只把 $\{X+Y\le1\}$ 当成写在 $\mathbb{R}^2$ 上的**几何条件**,忘了它同时是一个**随机事件**,其积分区域必须裁回 $D$。
|
**错在哪**:只把 $\{X+Y\le1\}$ 当成写在 $\mathbb{R}^2$ 上的**几何条件**,忘了它同时是一个**随机事件**,其积分区域必须裁回 $D$ 。
|
||||||
|
|
||||||
**正确公式**($D$ 必须显式出现):
|
**正确公式**($D$ 必须显式出现):
|
||||||
|
|
||||||
@@ -126,15 +126,15 @@ $$P\{X+Y\le1\}=\iint_{\{x+y\le1\}\;\cap\;D}f(x,y)\,\mathrm dx\,\mathrm dy.$$
|
|||||||
|
|
||||||
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\ 0,&(x,y)\notin D\end{cases}$$
|
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\ 0,&(x,y)\notin D\end{cases}$$
|
||||||
|
|
||||||
**在 $D$ 之外 $f\equiv0$**,所以 $D$ 就是本题的**全集(样本空间)**,$(X,Y)$ 的全部概率只分布在 $D$ 内。任何事件都要"交回 $D$"才是真实积分域。
|
**在 $D$ 之外 $f\equiv0$ **,所以 $D$ 就是本题的**全集(样本空间)**,$(X,Y)$ 的全部概率只分布在 $D$ 内。任何事件都要"交回 $D$ "才是真实积分域。
|
||||||
|
|
||||||
### 与「分布函数法」总思路的对接
|
### 与「分布函数法」总思路的对接
|
||||||
|
|
||||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对 }z\text{ 求导}]{}\ f_Z(z)$$
|
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对 }z\text{ 求导}]{}\ f_Z(z)$$
|
||||||
|
|
||||||
**必须补全**:$\iint_{g\le z}$ 的真实含义是 $\displaystyle\iint_{\{g\le z\}\,\cap\,\text{支撑集}}f\,\mathrm d\sigma$,本题支撑集即 $D$。
|
**必须补全**:$\iint_{g\le z}$ 的真实含义是 $\displaystyle\iint_{\{g\le z\}\,\cap\,\text{支撑集}}f\,\mathrm d\sigma$ ,本题支撑集即 $D$ 。
|
||||||
|
|
||||||
> 每次写 $\{g\le z\}$,**第一反应先跟 $D$ 求交**。这正是"画图定限"背后的数学——找的就是 $\{g\le z\}\cap D$ 这块区域的形状和边界。
|
> 每次写 $\{g\le z\}$ ,**第一反应先跟 $D$ 求交**。这正是"画图定限"背后的数学——找的就是 $\{g\le z\}\cap D$ 这块区域的形状和边界。
|
||||||
|
|
||||||
## 八、两个误解并列对照(速查)
|
## 八、两个误解并列对照(速查)
|
||||||
|
|
||||||
@@ -154,11 +154,11 @@ $$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对
|
|||||||
|
|
||||||
**用户原话**:「第四题是我算错了还是出错了?我算的 $x,y$ 围成的面积的值不为 1。」
|
**用户原话**:「第四题是我算错了还是出错了?我算的 $x,y$ 围成的面积的值不为 1。」
|
||||||
|
|
||||||
**结论**:**题目无误,用户算的"面积 $=\frac12$"也对** —— 错的只是"面积应该等于 1"这个**前提**。
|
**结论**:**题目无误,用户算的"面积 $=\frac12$ "也对** —— 错的只是"面积应该等于 1"这个**前提**。
|
||||||
|
|
||||||
### 症结:把「均匀分布」的规则当成了通用规则
|
### 症结:把「均匀分布」的规则当成了通用规则
|
||||||
|
|
||||||
用户把第 2 题的 $f=1/S_D$(面积进分母)套到了第 4 题。但第 4 题是**非均匀分布**,常数与面积无关。
|
用户把第 2 题的 $f=1/S_D$ (面积进分母)套到了第 4 题。但第 4 题是**非均匀分布**,常数与面积无关。
|
||||||
|
|
||||||
> **归一化的对象是「密度的积分」,不是「区域的面积」**:
|
> **归一化的对象是「密度的积分」,不是「区域的面积」**:
|
||||||
> $$\iint_D f(x,y)\,\mathrm dx\,\mathrm dy=1,\qquad\textbf{而不是}\ S_D=1.$$
|
> $$\iint_D f(x,y)\,\mathrm dx\,\mathrm dy=1,\qquad\textbf{而不是}\ S_D=1.$$
|
||||||
@@ -173,43 +173,43 @@ $$\iint_D 3x\,\mathrm dx\,\mathrm dy=\int_0^1\!\!\int_0^x 3x\,\mathrm dy\,\mathr
|
|||||||
|
|
||||||
| 题 | 分布 | 区域面积 | 常数 | 常数来源 |
|
| 题 | 分布 | 区域面积 | 常数 | 常数来源 |
|
||||||
|---|---|---|---|---|
|
|---|---|---|---|---|
|
||||||
| **2** | 均匀($f\equiv2$) | $\frac12$ | $2=\frac{1}{1/2}$ | 常数 × 面积 = 1 ⟹ $f=1/S_D$ |
|
| **2** | 均匀($f\equiv2$ ) | $\frac12$ | $2=\frac{1}{1/2}$ | 常数 × 面积 = 1 ⟹ $f=1/S_D$ |
|
||||||
| **3** | 非均匀($f=cxy$) | $2$(矩形) | $c=1$ | $\iint cxy=c\cdot1=1$,**面积 2 未进分母** |
|
| **3** | 非均匀($f=cxy$ ) | $2$ (矩形) | $c=1$ | $\iint cxy=c\cdot1=1$ ,**面积 2 未进分母** |
|
||||||
| **4** | 非均匀($f=3x$) | $\frac12$ | $3$ | $\iint 3x=1$,**面积 $\frac12$ 未进分母** |
|
| **4** | 非均匀($f=3x$ ) | $\frac12$ | $3$ | $\iint 3x=1$ ,**面积 $\frac12$ 未进分母** |
|
||||||
|
|
||||||
> **第 3 题是最强的反例**:面积 $=2$,若按"面积进分母"会得 $c=\frac12$,正确答案却是 $c=1$。
|
> **第 3 题是最强的反例**:面积 $=2$ ,若按"面积进分母"会得 $c=\frac12$ ,正确答案却是 $c=1$ 。
|
||||||
|
|
||||||
### 附带纠正:密度可以大于 1
|
### 附带纠正:密度可以大于 1
|
||||||
|
|
||||||
第 2 题 $f=2$、第 4 题 $x\to1^-$ 时 $f=3x\to3$,**均 > 1**,完全正常。密度不是概率,**只有积分才是概率**。须丢弃"密度值必小于 1""常数必等于 $1/$面积"这类直觉。
|
第 2 题 $f=2$ 、第 4 题 $x\to1^-$ 时 $f=3x\to3$ ,**均 > 1**,完全正常。密度不是概率,**只有积分才是概率**。须丢弃"密度值必小于 1""常数必等于 $1/$ 面积"这类直觉。
|
||||||
|
|
||||||
### 判别口诀
|
### 判别口诀
|
||||||
|
|
||||||
> **只有题干出现"在 $D$ 上服从均匀分布"才可用 $f=1/S_D$;其余一律用 $\iint_D f=1$ 反解常数。**
|
> **只有题干出现"在 $D$ 上服从均匀分布"才可用 $f=1/S_D$ ;其余一律用 $\iint_D f=1$ 反解常数。**
|
||||||
|
|
||||||
### 第 4 题三问核对(均正确)
|
### 第 4 题三问核对(均正确)
|
||||||
|
|
||||||
- (Ⅰ)$f_X(x)=\int_0^x 3x\,\mathrm dy=3x^2$($\int_0^1 3x^2\mathrm dx=1\ \checkmark$);$f_Y(y)=\int_y^1 3x\,\mathrm dx=\frac32(1-y^2)$($\int_0^1=\frac32\cdot\frac23=1\ \checkmark$)。
|
- (Ⅰ)$f_X(x)=\int_0^x 3x\,\mathrm dy=3x^2$ ($\int_0^1 3x^2\mathrm dx=1\ \checkmark$ );$f_Y(y)=\int_y^1 3x\,\mathrm dx=\frac32(1-y^2)$ ($\int_0^1=\frac32\cdot\frac23=1\ \checkmark$ )。
|
||||||
- (Ⅱ)$f_{Y|X}(y\mid x)=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ —— **是均匀的**,即 $Y\mid X=x\sim U(0,x)$。
|
- (Ⅱ)$f_{Y|X}(y\mid x)=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ —— **是均匀的**,即 $Y\mid X=x\sim U(0,x)$ 。
|
||||||
- (Ⅲ)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$。
|
- (Ⅲ)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$ 。
|
||||||
|
|
||||||
> **与第 16 题同构**:第 4 题即"条件均匀型",$f_X(x)=3x^2$ 配 $Y\mid X=x\sim U(0,x)$,验证 $3x^2\cdot\frac1x=3x$ ✓。
|
> **与第 16 题同构**:第 4 题即"条件均匀型",$f_X(x)=3x^2$ 配 $Y\mid X=x\sim U(0,x)$ ,验证 $3x^2\cdot\frac1x=3x$ ✓。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 十、第 7 题答疑:商的分布 $Z=Y/X$(雅可比行列式法)
|
## 十、第 7 题答疑:商的分布 $Z=Y/X$ (雅可比行列式法)
|
||||||
|
|
||||||
**题目**:$X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
|
**题目**:$X\sim U(0,1)$ ,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$ 。求 $f_Z(z)$ 及 $P\{Z>1\}$ 。
|
||||||
|
|
||||||
**已知**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$。
|
**已知**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$ 。
|
||||||
|
|
||||||
### 总思路:增补变量三步法
|
### 总思路:增补变量三步法
|
||||||
|
|
||||||
$Z=g(X,Y)$ 只是**一个**变量,要凑成可逆变换,须**再补一个辅助变量 $V$**:$(X,Y)\leftrightarrow(Z,V)$,用雅可比得 $f_{ZV}$,最后**积掉 $V$**。
|
$Z=g(X,Y)$ 只是**一个**变量,要凑成可逆变换,须**再补一个辅助变量 $V$ **:$(X,Y)\leftrightarrow(Z,V)$ ,用雅可比得 $f_{ZV}$ ,最后**积掉 $V$ **。
|
||||||
|
|
||||||
### 第 ①步 · 选辅助变量
|
### 第 ①步 · 选辅助变量
|
||||||
|
|
||||||
取 $V=X$(最省事,因 $Z=Y/X$ 中已含 $X$):
|
取 $V=X$ (最省事,因 $Z=Y/X$ 中已含 $X$ ):
|
||||||
|
|
||||||
$$Z=\frac YX,\qquad V=X .$$
|
$$Z=\frac YX,\qquad V=X .$$
|
||||||
|
|
||||||
@@ -228,15 +228,15 @@ $$J=\frac{\partial(x,y)}{\partial(z,v)}
|
|||||||
|
|
||||||
$$f_{ZV}(z,v)=f_{XY}(v,zv)\cdot|J|=1\cdot v=v .$$
|
$$f_{ZV}(z,v)=f_{XY}(v,zv)\cdot|J|=1\cdot v=v .$$
|
||||||
|
|
||||||
定义域:$0<x<1\Rightarrow 0<v<1$;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$。
|
定义域:$0<x<1\Rightarrow 0<v<1$ ;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$ 。
|
||||||
|
|
||||||
$$f_{ZV}(z,v)=v,\qquad 0<v<1,\quad 0<z<1/v .$$
|
$$f_{ZV}(z,v)=v,\qquad 0<v<1,\quad 0<z<1/v .$$
|
||||||
|
|
||||||
> **$(z,v)$ 平面上的积分区域**:竖条 $0<v<1$ 被曲线 $v=1/z$ 截断;$z<1$ 整条竖条可用,$z>1$ 只剩 $v\in(0,1/z)$。**支撑集在 $z$ 方向延伸到 $+\infty$**。
|
> **$(z,v)$ 平面上的积分区域**:竖条 $0<v<1$ 被曲线 $v=1/z$ 截断;$z<1$ 整条竖条可用,$z>1$ 只剩 $v\in(0,1/z)$ 。**支撑集在 $z$ 方向延伸到 $+\infty$ **。
|
||||||
|
|
||||||
### 第 ④步 · 积掉 $v$
|
### 第 ④步 · 积掉 $v$
|
||||||
|
|
||||||
对固定 $z>0$,$v$ 上限为 $\min(1,\,1/z)$:
|
对固定 $z>0$ ,$v$ 上限为 $\min(1,\,1/z)$ :
|
||||||
|
|
||||||
$$f_Z(z)=\int_0^{\min(1,1/z)}v\,\mathrm dv=\frac12\min\!\left(1,\frac1z\right)^2$$
|
$$f_Z(z)=\int_0^{\min(1,1/z)}v\,\mathrm dv=\frac12\min\!\left(1,\frac1z\right)^2$$
|
||||||
|
|
||||||
@@ -248,27 +248,27 @@ $$\boxed{\ f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[6pt]\dfrac{1}{2z^2},&z\ge1\\[6p
|
|||||||
|
|
||||||
$$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1^{+\infty}=\frac12 .$$
|
$$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1^{+\infty}=\frac12 .$$
|
||||||
|
|
||||||
> **几何秒验**:$Z>1\iff Y>X$,单位正方形中 $y>x$ 的面积 $=\frac12$ ✓。
|
> **几何秒验**:$Z>1\iff Y>X$ ,单位正方形中 $y>x$ 的面积 $=\frac12$ ✓。
|
||||||
|
|
||||||
### 几何对照($F_Z(z)$ 即面积)
|
### 几何对照($F_Z(z)$ 即面积)
|
||||||
|
|
||||||
- $0<z<1$:直线 $y=zx$ 与右边界相交,阴影为**三角形**,面积 $=z/2$;
|
- $0<z<1$ :直线 $y=zx$ 与右边界相交,阴影为**三角形**,面积 $=z/2$ ;
|
||||||
- $z\ge1$:直线与上边界相交,阴影为**正方形挖去一个三角形**,面积 $=1-\dfrac{1}{2z}$。
|
- $z\ge1$ :直线与上边界相交,阴影为**正方形挖去一个三角形**,面积 $=1-\dfrac{1}{2z}$ 。
|
||||||
|
|
||||||
**$z=1$(对角线)就是"直线顶到右边"与"顶到上边"的临界点**,即分段点。
|
**$z=1$ (对角线)就是"直线顶到右边"与"顶到上边"的临界点**,即分段点。
|
||||||
|
|
||||||
### 三个要点
|
### 三个要点
|
||||||
|
|
||||||
1. **商的密度公式是雅可比的特例**:$f_Z(z)=\displaystyle\int|x|f(x,zx)\mathrm dx$ 中的 $|x|$ **就是 $|J|=v$**。取 $V=X$ 即得该公式,**不必死背**。
|
1. **商的密度公式是雅可比的特例**:$f_Z(z)=\displaystyle\int|x|f(x,zx)\mathrm dx$ 中的 $|x|$ **就是 $|J|=v$ **。取 $V=X$ 即得该公式,**不必死背**。
|
||||||
2. **换辅助变量结果不变**:取 $V=Y$ ⟹ $x=v/z,\ y=v$,$|J|=\dfrac{v}{z^2}$,$f_{ZV}=\dfrac{v}{z^2}$,$v\in(0,\min(1,z))$,积分后同样得 $\frac12$ 与 $\frac{1}{2z^2}$,说明方法稳健。
|
2. **换辅助变量结果不变**:取 $V=Y$ ⟹ $x=v/z,\ y=v$ ,$|J|=\dfrac{v}{z^2}$ ,$f_{ZV}=\dfrac{v}{z^2}$ ,$v\in(0,\min(1,z))$ ,积分后同样得 $\frac12$ 与 $\frac{1}{2z^2}$ ,说明方法稳健。
|
||||||
3. **陷阱:$EZ$ 不存在**。$EZ=\frac14+\int_1^\infty\frac{1}{2z}\mathrm dz=+\infty$(重尾 $\sim\frac1{2z^2}$)。**比值型分布一阶矩常发散**,此题只能求密度/概率,勿顺手算 $EZ$。
|
3. **陷阱:$EZ$ 不存在**。$EZ=\frac14+\int_1^\infty\frac{1}{2z}\mathrm dz=+\infty$ (重尾 $\sim\frac1{2z^2}$ )。**比值型分布一阶矩常发散**,此题只能求密度/概率,勿顺手算 $EZ$ 。
|
||||||
|
|
||||||
### 易错点清单
|
### 易错点清单
|
||||||
|
|
||||||
1. 雅可比必须用 **$\dfrac{\partial(x,y)}{\partial(z,v)}$(反解的行列式)**,方向别反;
|
1. 雅可比必须用 **$\dfrac{\partial(x,y)}{\partial(z,v)}$ (反解的行列式)**,方向别反;
|
||||||
2. **定义域必须一起变换**($0<zv<1$)——分段就在这里;
|
2. **定义域必须一起变换**($0<zv<1$ )——分段就在这里;
|
||||||
3. 积分上限是 $\min(1,1/z)$,**分界点 $z=1$**;
|
3. 积分上限是 $\min(1,1/z)$ ,**分界点 $z=1$ **;
|
||||||
4. $f$ 在正方形外为 $0$,支撑集别漏。
|
4. $f$ 在正方形外为 $0$ ,支撑集别漏。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -280,42 +280,42 @@ $$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1
|
|||||||
|
|
||||||
记号 $\dfrac{\partial(x,y)}{\partial(z,v)}$ **本身就把答案写好了**:
|
记号 $\dfrac{\partial(x,y)}{\partial(z,v)}$ **本身就把答案写好了**:
|
||||||
|
|
||||||
- **分子** $(x,y)$ → **决定行**(第 1 行 $x$,第 2 行 $y$);
|
- **分子** $(x,y)$ → **决定行**(第 1 行 $x$ ,第 2 行 $y$ );
|
||||||
- **分母** $(z,v)$ → **决定列**(第 1 列对 $z$,第 2 列对 $v$);
|
- **分母** $(z,v)$ → **决定列**(第 1 列对 $z$ ,第 2 列对 $v$ );
|
||||||
- **第 $i$ 行第 $j$ 列** = 分子第 $i$ 个变量**对**分母第 $j$ 个变量求偏导。
|
- **第 $i$ 行第 $j$ 列** = 分子第 $i$ 个变量**对**分母第 $j$ 个变量求偏导。
|
||||||
|
|
||||||
$$\frac{\partial(x,y)}{\partial(z,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix},\qquad \text{展开}=(\partial_zx)(\partial_vy)-(\partial_vx)(\partial_zy).$$
|
$$\frac{\partial(x,y)}{\partial(z,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix},\qquad \text{展开}=(\partial_zx)(\partial_vy)-(\partial_vx)(\partial_zy).$$
|
||||||
|
|
||||||
**方向问题**:两个雅可比互为倒数 $\dfrac{\partial(x,y)}{\partial(u,v)}\cdot\dfrac{\partial(u,v)}{\partial(x,y)}=1$;密度公式要的是 $\left|\dfrac{\partial(\text{旧})}{\partial(\text{新})}\right|$(即 $dx\,dy=|J|\,du\,dv$ 中的因子)。
|
**方向问题**:两个雅可比互为倒数 $\dfrac{\partial(x,y)}{\partial(u,v)}\cdot\dfrac{\partial(u,v)}{\partial(x,y)}=1$ ;密度公式要的是 $\left|\dfrac{\partial(\text{旧})}{\partial(\text{新})}\right|$ (即 $dx\,dy=|J|\,du\,dv$ 中的因子)。
|
||||||
|
|
||||||
> **⚡ 考场捷径**:**哪边好算先算哪边,最后取倒数。**
|
> **⚡ 考场捷径**:**哪边好算先算哪边,最后取倒数。**
|
||||||
> 本题 $u=y/x,\ v=x$ 由 $x,y$ **直接给出**,故先算正方向:
|
> 本题 $u=y/x,\ v=x$ 由 $x,y$ **直接给出**,故先算正方向:
|
||||||
> $$\frac{\partial(u,v)}{\partial(x,y)}=\begin{vmatrix}-\frac{y}{x^2} & \frac1x\\ 1 & 0\end{vmatrix}=-\frac1x\ \Longrightarrow\ \left|\frac{\partial(x,y)}{\partial(u,v)}\right|=\frac{1}{|-1/x|}=|x|=v\ \checkmark$$
|
> $$\frac{\partial(u,v)}{\partial(x,y)}=\begin{vmatrix}-\frac{y}{x^2} & \frac1x\\ 1 & 0\end{vmatrix}=-\frac1x\ \Longrightarrow\ \left|\frac{\partial(x,y)}{\partial(u,v)}\right|=\frac{1}{|-1/x|}=|x|=v\ \checkmark$$
|
||||||
> 与反解路线(得 $-v$)一致。
|
> 与反解路线(得 $-v$ )一致。
|
||||||
|
|
||||||
> **🛡 定心丸**:公式取 **$|J|$(绝对值)**,所以**分子内部、分母内部谁先谁后都无所谓**(写反只差一个负号);**唯一不能错的是"方向"**——分子分母整体颠倒必须**取倒数**。
|
> **🛡 定心丸**:公式取 **$|J|$ (绝对值)**,所以**分子内部、分母内部谁先谁后都无所谓**(写反只差一个负号);**唯一不能错的是"方向"**——分子分母整体颠倒必须**取倒数**。
|
||||||
|
|
||||||
### 基本功 B:$z$ 的取值范围 —— 四步法
|
### 基本功 B:$z$ 的取值范围 —— 四步法
|
||||||
|
|
||||||
**核心**:$Z$ 的取值范围 = **让不等式组有解的那些 $z$**(即把区域**投影到 $z$ 轴**)。
|
**核心**:$Z$ 的取值范围 = **让不等式组有解的那些 $z$ **(即把区域**投影到 $z$ 轴**)。
|
||||||
|
|
||||||
1. **抄全 $f\ne0$ 的不等式**(唯一信息来源):$0<x<1,\ 0<y<1$;
|
1. **抄全 $f\ne0$ 的不等式**(唯一信息来源):$0<x<1,\ 0<y<1$ ;
|
||||||
2. **逐条翻译**(反解 $x=v,\ y=zv$):$0<x<1\to0<v<1$;$0<y<1\to0<zv<1$;
|
2. **逐条翻译**(反解 $x=v,\ y=zv$ ):$0<x<1\to0<v<1$ ;$0<y<1\to0<zv<1$ ;
|
||||||
3. **解出 $v$ 的范围**:$0<zv<1\Rightarrow 0<z<1/v\Rightarrow v<1/z$,合并得
|
3. **解出 $v$ 的范围**:$0<zv<1\Rightarrow 0<z<1/v\Rightarrow v<1/z$ ,合并得
|
||||||
$$0<v<\min\!\left(1,\ \frac1z\right)$$
|
$$0<v<\min\!\left(1,\ \frac1z\right)$$
|
||||||
4. **"上界 > 下界" ⟹ $z$ 的范围**:$\min(1,1/z)>0$ ⟺ $z>0$,故 $z\in(0,+\infty)$。
|
4. **"上界 > 下界" ⟹ $z$ 的范围**:$\min(1,1/z)>0$ ⟺ $z>0$ ,故 $z\in(0,+\infty)$ 。
|
||||||
|
|
||||||
> ⚠️ **除 $v$ 之前必须确认 $v$ 的符号**:若 $v$ 可负,除过去要**变号**并分类讨论。本题 $v=x\in(0,1)>0$,安全。
|
> ⚠️ **除 $v$ 之前必须确认 $v$ 的符号**:若 $v$ 可负,除过去要**变号**并分类讨论。本题 $v=x\in(0,1)>0$ ,安全。
|
||||||
|
|
||||||
**💡 关键洞察:那个 $\min$ 一次干了两件事**
|
**💡 关键洞察:那个 $\min$ 一次干了两件事**
|
||||||
|
|
||||||
| 看 $\min(1,1/z)$ 的什么 | 得到什么 |
|
| 看 $\min(1,1/z)$ 的什么 | 得到什么 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| **非空性**(上界 $>0$) | $z$ 的取值范围 $z>0$ |
|
| **非空性**(上界 $>0$ ) | $z$ 的取值范围 $z>0$ |
|
||||||
| **切换点**($1$ 与 $1/z$ 交点 $z=1$) | $f_Z$ 的**分段点** $z=1$ |
|
| **切换点**($1$ 与 $1/z$ 交点 $z=1$ ) | $f_Z$ 的**分段点** $z=1$ |
|
||||||
|
|
||||||
⇒ **范围与分段不必分两处算**,写成一个 $\min$ 表达式即可一次到手。
|
⇒ **范围与分段不必分两处算**,写成一个 $\min$ 表达式即可一次到手。
|
||||||
|
|
||||||
**备用视角**:$Z$ 的范围 = $g$ 在支撑集上的**值域**;上下界出现在**边界/退化处**。$z=y/x$:$y\to0^+$ 给下确界 $0$;$x\to0^+$ 给上确界 $+\infty$。
|
**备用视角**:$Z$ 的范围 = $g$ 在支撑集上的**值域**;上下界出现在**边界/退化处**。$z=y/x$ :$y\to0^+$ 给下确界 $0$ ;$x\to0^+$ 给上确界 $+\infty$ 。
|
||||||
|
|
||||||
**举一反三(同一正方形 $(0,1)^2$)**:$X+Y\in(0,2)$、$XY\in(0,1)$、$Y/X\in(0,+\infty)$。**分式型只要分母能趋于 0,范围即无界。**
|
**举一反三(同一正方形 $(0,1)^2$ )**:$X+Y\in(0,2)$ 、$XY\in(0,1)$ 、$Y/X\in(0,+\infty)$ 。**分式型只要分母能趋于 0,范围即无界。**
|
||||||
|
|||||||
@@ -33,52 +33,52 @@ tags:
|
|||||||
|
|
||||||
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅲ)求 $Z=X+Y$ 的分布律。
|
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅲ)求 $Z=X+Y$ 的分布律。
|
||||||
|
|
||||||
**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$,$Y\sim N(2,9)$。
|
**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$ ,$Y\sim N(2,9)$ 。
|
||||||
(Ⅰ)写出 $X-Y$ 服从的分布;
|
(Ⅰ)写出 $X-Y$ 服从的分布;
|
||||||
(Ⅱ)求 $P\{X>Y\}$(用标准正态分布函数 $\Phi$ 表示);
|
(Ⅱ)求 $P\{X>Y\}$ (用标准正态分布函数 $\Phi$ 表示);
|
||||||
(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
|
(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$ ,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
|
||||||
|
|
||||||
**3.** 【条件密度 + 条件期望 · **真题骨架 2024·9** 🟨】设 $(X,Y)$ 的概率密度为
|
**3.** 【条件密度 + 条件期望 · **真题骨架 2024·9** 🟨】设 $(X,Y)$ 的概率密度为
|
||||||
$$f(x,y)=\begin{cases}c\,xy,&x>0,\ y>0,\ x+y<1\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}c\,xy,&x>0,\ y>0,\ x+y<1\\0,&\text{其他}\end{cases}$$
|
||||||
(Ⅰ)求常数 $c$;
|
(Ⅰ)求常数 $c$ ;
|
||||||
(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$;
|
(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$ ;
|
||||||
(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$。
|
(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$ 。
|
||||||
|
|
||||||
**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$。求 $Z$ 的概率密度 $f_Z(z)$。
|
**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$ ,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$ 。求 $Z$ 的概率密度 $f_Z(z)$ 。
|
||||||
|
|
||||||
**5.** 【非矩形域上的均匀分布 🟦02】设 $(X,Y)$ 在区域
|
**5.** 【非矩形域上的均匀分布 🟦02】设 $(X,Y)$ 在区域
|
||||||
$$D=\{(x,y)\mid x^2+y^2\le1,\ y\ge0\}$$
|
$$D=\{(x,y)\mid x^2+y^2\le1,\ y\ge0\}$$
|
||||||
上服从均匀分布。
|
上服从均匀分布。
|
||||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$。
|
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$ 。
|
||||||
|
|
||||||
**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$,$P\{Y=1\}=1-p$($0<p<1$),且 $X$ 与 $Y$ 相互独立,令 $Z=XY$。
|
**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$ ,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$ ,$P\{Y=1\}=1-p$ ($0<p<1$ ),且 $X$ 与 $Y$ 相互独立,令 $Z=XY$ 。
|
||||||
(Ⅰ)求 $Z$ 的概率密度 $f_Z(z)$;
|
(Ⅰ)求 $Z$ 的概率密度 $f_Z(z)$ ;
|
||||||
(Ⅱ)求 $\operatorname{Cov}(X,Z)$;
|
(Ⅱ)求 $\operatorname{Cov}(X,Z)$ ;
|
||||||
(Ⅲ)$p$ 取何值时 $X$ 与 $Z$ 不相关?
|
(Ⅲ)$p$ 取何值时 $X$ 与 $Z$ 不相关?
|
||||||
(Ⅳ)$X$ 与 $Z$ 是否相互独立?
|
(Ⅳ)$X$ 与 $Z$ 是否相互独立?
|
||||||
|
|
||||||
**7.** 【二维正态的线性组合 🟩】设 $(X,Y)$ 服从二维正态分布 $N(0,0;1,4;-0.5)$。
|
**7.** 【二维正态的线性组合 🟩】设 $(X,Y)$ 服从二维正态分布 $N(0,0;1,4;-0.5)$ 。
|
||||||
(Ⅰ)写出 $X+Y$ 服从的分布;
|
(Ⅰ)写出 $X+Y$ 服从的分布;
|
||||||
(Ⅱ)求 $D(X-Y)$;
|
(Ⅱ)求 $D(X-Y)$ ;
|
||||||
(Ⅲ)求 $\operatorname{Cov}(X+Y,\ X-Y)$,并判断 $X+Y$ 与 $X-Y$ 是否相互独立。
|
(Ⅲ)求 $\operatorname{Cov}(X+Y,\ X-Y)$ ,并判断 $X+Y$ 与 $X-Y$ 是否相互独立。
|
||||||
|
|
||||||
## C 组 · 拔高(综合与辨析,★★★)
|
## C 组 · 拔高(综合与辨析,★★★)
|
||||||
|
|
||||||
**8.** 【一般二维函数联合分布 · 雅可比行列式 🟦05/06】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=X+Y$,$V=X-Y$。
|
**8.** 【一般二维函数联合分布 · 雅可比行列式 🟦05/06】设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,令 $U=X+Y$ ,$V=X-Y$ 。
|
||||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$,写出支撑集并说明它在 $uOv$ 平面上的形状;
|
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ,写出支撑集并说明它在 $uOv$ 平面上的形状;
|
||||||
(Ⅱ)求 $f_{X+Y}(u)$,并说明 $X+Y$ 服从什么分布;
|
(Ⅱ)求 $f_{X+Y}(u)$ ,并说明 $X+Y$ 服从什么分布;
|
||||||
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立。
|
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立。
|
||||||
|
|
||||||
**9.** 【顺序统计量(最值)🟩】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=\min(X,Y)$,$V=\max(X,Y)$。
|
**9.** 【顺序统计量(最值)🟩】设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,令 $U=\min(X,Y)$ ,$V=\max(X,Y)$ 。
|
||||||
(Ⅰ)求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
|
(Ⅰ)求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ;
|
||||||
(Ⅱ)求 $f_U(u)$ 与 $f_V(v)$;
|
(Ⅱ)求 $f_U(u)$ 与 $f_V(v)$ ;
|
||||||
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立,并求 $E(U)$、$E(V)$。
|
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立,并求 $E(U)$ 、$E(V)$ 。
|
||||||
|
|
||||||
**10.** 【卷积 · 分段和分布 🟦05】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$,并验证它在 $z=1$ 处连续。
|
**10.** 【卷积 · 分段和分布 🟦05】设 $X\sim U(0,1)$ ,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $f_Z(z)$ ,并验证它在 $z=1$ 处连续。
|
||||||
|
|
||||||
**11.** 【条件分布 → 相关系数 · **真题骨架 2022·10** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 的条件下 $Y\sim U(x,\,2x)$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$。
|
**11.** 【条件分布 → 相关系数 · **真题骨架 2022·10** 🟨】设 $X\sim U(0,1)$ ,在 $X=x$ 的条件下 $Y\sim U(x,\,2x)$ 。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$ 。
|
||||||
|
|
||||||
**12.** 【应用建模 · **真题骨架 2025·22** 🟨】某设备由 A、B 两个元件组成,两元件寿命 $X,Y$(单位:千小时)相互独立且都服从参数为 $\lambda$ 的指数分布。分别考虑两种连接方式:
|
**12.** 【应用建模 · **真题骨架 2025·22** 🟨】某设备由 A、B 两个元件组成,两元件寿命 $X,Y$ (单位:千小时)相互独立且都服从参数为 $\lambda$ 的指数分布。分别考虑两种连接方式:
|
||||||
(Ⅰ)**串联**(任一元件损坏则整机失效),系统寿命 $T_1=\min(X,Y)$。求 $f_{T_1}(t)$ 与 $E(T_1)$;
|
(Ⅰ)**串联**(任一元件损坏则整机失效),系统寿命 $T_1=\min(X,Y)$ 。求 $f_{T_1}(t)$ 与 $E(T_1)$ ;
|
||||||
(Ⅱ)**并联**(两个都损坏才失效),系统寿命 $T_2=\max(X,Y)$。求 $f_{T_2}(t)$ 与 $E(T_2)$;
|
(Ⅱ)**并联**(两个都损坏才失效),系统寿命 $T_2=\max(X,Y)$ 。求 $f_{T_2}(t)$ 与 $E(T_2)$ ;
|
||||||
(Ⅲ)若要求系统**平均寿命不低于** $\dfrac{1.5}{\lambda}$(千小时),哪一种方案达标?说明理由。
|
(Ⅲ)若要求系统**平均寿命不低于** $\dfrac{1.5}{\lambda}$ (千小时),哪一种方案达标?说明理由。
|
||||||
|
|||||||
@@ -27,11 +27,11 @@ tags:
|
|||||||
| **1** | 0.4 | 0.1 | **0.5** |
|
| **1** | 0.4 | 0.1 | **0.5** |
|
||||||
| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
|
| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
|
||||||
|
|
||||||
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$。
|
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$ 。
|
||||||
|
|
||||||
**(Ⅱ)** 取 $p_{00}=0.2$,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$,故 **$X$ 与 $Y$ 不相互独立**。
|
**(Ⅱ)** 取 $p_{00}=0.2$ ,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$ ,故 **$X$ 与 $Y$ 不相互独立**。
|
||||||
|
|
||||||
**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$,按对角求和:
|
**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$ ,按对角求和:
|
||||||
$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
|
$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
|
||||||
$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
|
$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
|
||||||
> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
|
> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
|
||||||
@@ -43,16 +43,16 @@ $$X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).$$
|
|||||||
**(Ⅱ)**
|
**(Ⅱ)**
|
||||||
$$P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.$$
|
$$P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.$$
|
||||||
|
|
||||||
**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$,故
|
**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$ ,故
|
||||||
$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
|
$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
|
||||||
结果里**不含 $\mu$、含 $\sigma$** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
|
结果里**不含 $\mu$ 、含 $\sigma$ ** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
|
||||||
> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$)与**差的方差**($2\sigma^2$)决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$。
|
> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$ )与**差的方差**($2\sigma^2$ )决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$ 。
|
||||||
> **易错点**:$D(X-Y)=DX+DY$(**独立才可加**),不是 $DX-DY$;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
|
> **易错点**:$D(X-Y)=DX+DY$ (**独立才可加**),不是 $DX-DY$ ;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
|
||||||
|
|
||||||
### 3.(Ⅰ)
|
### 3.(Ⅰ)
|
||||||
$$\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}$$
|
$$\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}$$
|
||||||
|
|
||||||
**(Ⅱ)** $D$ 是三角形 $x+y<1$,故
|
**(Ⅱ)** $D$ 是三角形 $x+y<1$ ,故
|
||||||
$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1),$$
|
$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1),$$
|
||||||
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).$$
|
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).$$
|
||||||
|
|
||||||
@@ -60,61 +60,61 @@ $$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)
|
|||||||
$$E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.$$
|
$$E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.$$
|
||||||
再用**全期望**(对 $x$ 求平均):
|
再用**全期望**(对 $x$ 求平均):
|
||||||
$$E(Y)=E\big[E(Y\mid X)\big]=\int_0^1\frac{2(1-x)}{3}\cdot12x(1-x)^2\,\mathrm dx=8\int_0^1x(1-x)^3\,\mathrm dx=8B(2,4)=8\times\frac{1}{20}=\frac25.$$
|
$$E(Y)=E\big[E(Y\mid X)\big]=\int_0^1\frac{2(1-x)}{3}\cdot12x(1-x)^2\,\mathrm dx=8\int_0^1x(1-x)^3\,\mathrm dx=8B(2,4)=8\times\frac{1}{20}=\frac25.$$
|
||||||
> **思路**:条件密度型问题三步走——**先定域($0<y<1-x$)→ 再写条件密度 → 最后算 $E(Y\mid X=x)$**;求无条件期望用**全期望公式**,比直接二重积分省一半功夫。
|
> **思路**:条件密度型问题三步走——**先定域($0<y<1-x$ )→ 再写条件密度 → 最后算 $E(Y\mid X=x)$ **;求无条件期望用**全期望公式**,比直接二重积分省一半功夫。
|
||||||
> **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$。
|
> **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$ ;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$ 。
|
||||||
|
|
||||||
### 4. $f_{XY}(x,y)=1\cdot e^{-y}$($0<x<1,\ y>0$)。用**商的密度公式**(其 $|x|$ 即雅可比):
|
### 4. $f_{XY}(x,y)=1\cdot e^{-y}$ ($0<x<1,\ y>0$ )。用**商的密度公式**(其 $|x|$ 即雅可比):
|
||||||
$$f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).$$
|
$$f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).$$
|
||||||
两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$):
|
两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$ ):
|
||||||
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
|
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
|
||||||
**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
|
**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$ ,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
|
||||||
> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$,$|J|=|x|$,故公式里出现 $|x|$;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$,求导结果相同。
|
> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$ ,$|J|=|x|$ ,故公式里出现 $|x|$ ;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$ ,求导结果相同。
|
||||||
> **易错点**:支撑集 $z>0$(公式里 $e^{-zx}$ 的收敛要求 $z>0$,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$。
|
> **易错点**:支撑集 $z>0$ (公式里 $e^{-zx}$ 的收敛要求 $z>0$ ,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$ 。
|
||||||
|
|
||||||
### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$(上半圆),故
|
### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$ (上半圆),故
|
||||||
$$f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}$$
|
$$f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}$$
|
||||||
|
|
||||||
**(Ⅱ)**
|
**(Ⅱ)**
|
||||||
$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1),$$
|
$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1),$$
|
||||||
$$f_Y(y)=\int_{-\sqrt{1-y^2}}^{\sqrt{1-y^2}}\frac{2}{\pi}\,\mathrm dx=\frac{4}{\pi}\sqrt{1-y^2}\quad(0<y<1).$$
|
$$f_Y(y)=\int_{-\sqrt{1-y^2}}^{\sqrt{1-y^2}}\frac{2}{\pi}\,\mathrm dx=\frac{4}{\pi}\sqrt{1-y^2}\quad(0<y<1).$$
|
||||||
|
|
||||||
**(Ⅲ)** $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$,且取值区域是**半圆**(非矩形),故 **$X,Y$ 不相互独立**。
|
**(Ⅲ)** $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$ ,且取值区域是**半圆**(非矩形),故 **$X,Y$ 不相互独立**。
|
||||||
|
|
||||||
**(Ⅳ)** 极坐标下 $D$ 对应 $\theta\in[0,\pi]$。而
|
**(Ⅳ)** 极坐标下 $D$ 对应 $\theta\in[0,\pi]$ 。而
|
||||||
$$x>y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),$$
|
$$x>y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),$$
|
||||||
故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$。
|
故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$ ,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$ 。
|
||||||
$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
|
$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
|
||||||
> **思路**:均匀分布求概率 = **面积比**;区域带圆就用**极坐标数角度**,比硬积分快得多。
|
> **思路**:均匀分布求概率 = **面积比**;区域带圆就用**极坐标数角度**,比硬积分快得多。
|
||||||
> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$,也算进 $\{x<y\}$ 的补集。
|
> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$ ;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$ ,也算进 $\{x<y\}$ 的补集。
|
||||||
|
|
||||||
### 6.(Ⅰ)$Z=XY$ 分两种情形:
|
### 6.(Ⅰ)$Z=XY$ 分两种情形:
|
||||||
|
|
||||||
- $Y=1$(概率 $1-p$):$Z=X\sim U(0,1)$,密度 $1$ 落在 $(0,1)$;
|
- $Y=1$ (概率 $1-p$ ):$Z=X\sim U(0,1)$ ,密度 $1$ 落在 $(0,1)$ ;
|
||||||
- $Y=-1$(概率 $p$):$Z=-X$,密度 $1$ 落在 $(-1,0)$。
|
- $Y=-1$ (概率 $p$ ):$Z=-X$ ,密度 $1$ 落在 $(-1,0)$ 。
|
||||||
|
|
||||||
$$f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}$$
|
$$f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}$$
|
||||||
**自检**:$\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1$ ✓
|
**自检**:$\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1$ ✓
|
||||||
|
|
||||||
**(Ⅱ)** $EX=\dfrac12$,$EX^2=\dfrac13$,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$。
|
**(Ⅱ)** $EX=\dfrac12$ ,$EX^2=\dfrac13$ ,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$ 。
|
||||||
$$E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3},$$
|
$$E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3},$$
|
||||||
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.$$
|
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.$$
|
||||||
|
|
||||||
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$。
|
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$ 。
|
||||||
|
|
||||||
**(Ⅳ)$X$ 与 $Z$ 不相互独立**。理由:给定 $X=x$,$Z=xY$ 只取 $\pm x$ 两个值,条件分布**依赖 $x$**(如 $P\{Z=x\mid X=x\}=1-p$,$P\{Z=-x\mid X=x\}=p$),故不独立。
|
**(Ⅳ)$X$ 与 $Z$ 不相互独立**。理由:给定 $X=x$ ,$Z=xY$ 只取 $\pm x$ 两个值,条件分布**依赖 $x$ **(如 $P\{Z=x\mid X=x\}=1-p$ ,$P\{Z=-x\mid X=x\}=p$ ),故不独立。
|
||||||
> **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$、负半轴权重 $p$),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$。
|
> **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$ 、负半轴权重 $p$ ),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$ 。
|
||||||
> **结论**:本题与真题同构——**"不相关"可以靠调参数凑出来,但"独立"凑不出来**。
|
> **结论**:本题与真题同构——**"不相关"可以靠调参数凑出来,但"独立"凑不出来**。
|
||||||
|
|
||||||
### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$。
|
### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$ ,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$ 。
|
||||||
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
|
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
|
||||||
|
|
||||||
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$。
|
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$ 。
|
||||||
|
|
||||||
**(Ⅲ)** 线性组合的协方差(交叉项抵消):
|
**(Ⅲ)** 线性组合的协方差(交叉项抵消):
|
||||||
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
|
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
|
||||||
因 $(X+Y,\ X-Y)$ 仍是 $(X,Y)$ 的线性变换,**仍服从二维正态**,对二维正态"不相关 $\iff$ 独立",故 **$X+Y$ 与 $X-Y$ 不相互独立**。
|
因 $(X+Y,\ X-Y)$ 仍是 $(X,Y)$ 的线性变换,**仍服从二维正态**,对二维正态"不相关 $\iff$ 独立",故 **$X+Y$ 与 $X-Y$ 不相互独立**。
|
||||||
> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$(**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$。
|
> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$ (**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$ 。
|
||||||
> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$。
|
> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -124,80 +124,80 @@ $$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
|
|||||||
$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
|
$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
|
||||||
雅可比行列式(**反解的行列式**):
|
雅可比行列式(**反解的行列式**):
|
||||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.$$
|
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.$$
|
||||||
**定义域一起变换**:$0<x<1,\ 0<y<1$ 变成 $0<u+v<2$ 且 $0<u-v<2$,即
|
**定义域一起变换**:$0<x<1,\ 0<y<1$ 变成 $0<u+v<2$ 且 $0<u-v<2$ ,即
|
||||||
$$|v|<u<2-|v|\iff |v|<1.$$
|
$$|v|<u<2-|v|\iff |v|<1.$$
|
||||||
于是
|
于是
|
||||||
$$f_{UV}(u,v)=\begin{cases}\dfrac12,&|v|<u<2-|v|\\[4pt]0,&\text{其他}\end{cases}$$
|
$$f_{UV}(u,v)=\begin{cases}\dfrac12,&|v|<u<2-|v|\\[4pt]0,&\text{其他}\end{cases}$$
|
||||||
**支撑集形状**:由四条边 $u+v=0,\ u+v=2,\ u-v=0,\ u-v=2$ 围成的**菱形**(正方形旋转 $45^\circ$),顶点为
|
**支撑集形状**:由四条边 $u+v=0,\ u+v=2,\ u-v=0,\ u-v=2$ 围成的**菱形**(正方形旋转 $45^\circ$ ),顶点为
|
||||||
$$(0,0),\ (1,1),\ (2,0),\ (1,-1).$$
|
$$(0,0),\ (1,1),\ (2,0),\ (1,-1).$$
|
||||||
|
|
||||||
**(Ⅱ)** 对 $v$ 积分:
|
**(Ⅱ)** 对 $v$ 积分:
|
||||||
- $0<u<1$:$v\in(-u,u)$,长度 $2u$ ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$;
|
- $0<u<1$ :$v\in(-u,u)$ ,长度 $2u$ ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$ ;
|
||||||
- $1\le u<2$:$v\in\big(-(2-u),\,2-u\big)$,长度 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$。
|
- $1\le u<2$ :$v\in\big(-(2-u),\,2-u\big)$ ,长度 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$ 。
|
||||||
|
|
||||||
$$f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
$$f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
||||||
**自检**:$\displaystyle\int_0^1u\,\mathrm du+\int_1^2(2-u)\,\mathrm du=\frac12+\frac12=1$ ✓
|
**自检**:$\displaystyle\int_0^1u\,\mathrm du+\int_1^2(2-u)\,\mathrm du=\frac12+\frac12=1$ ✓
|
||||||
|
|
||||||
**(Ⅲ)$U$ 与 $V$ 不相互独立**。$f_{UV}$ 在菱形上恒为 $\dfrac12$(常数),而 $f_U(u)=u$ 在 $(0,1)$ 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$,故不独立。
|
**(Ⅲ)$U$ 与 $V$ 不相互独立**。$f_{UV}$ 在菱形上恒为 $\dfrac12$ (常数),而 $f_U(u)=u$ 在 $(0,1)$ 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$ ,故不独立。
|
||||||
> **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$;③ $f_{UV}=f\cdot|J|$,**定义域一并变换**(这一步决定了菱形的四条边)。
|
> **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$ ;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$ ;③ $f_{UV}=f\cdot|J|$ ,**定义域一并变换**(这一步决定了菱形的四条边)。
|
||||||
> **易错点**:$|J|=\tfrac12$ 是**常数**,很容易被误当成"$f_{UV}$ 也是常数所以独立"——**判断独立必须比较边缘之积**,支撑集是斜菱形这一点就足以否定独立。
|
> **易错点**:$|J|=\tfrac12$ 是**常数**,很容易被误当成"$f_{UV}$ 也是常数所以独立"——**判断独立必须比较边缘之积**,支撑集是斜菱形这一点就足以否定独立。
|
||||||
> **与 02-试题 第 19 题的分工**:第 19 题练"和非一一→按分支"的比值变换,本题练**一一变换 + 支撑集形状**。
|
> **与 02-试题 第 19 题的分工**:第 19 题练"和非一一→按分支"的比值变换,本题练**一一变换 + 支撑集形状**。
|
||||||
|
|
||||||
### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0<u<v<1$,且区域**非矩形**。用对称性($f(u)f(v)=1$,两种排列):
|
### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0<u<v<1$ ,且区域**非矩形**。用对称性($f(u)f(v)=1$ ,两种排列):
|
||||||
$$f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).$$
|
$$f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).$$
|
||||||
**自检**:$\displaystyle\int_0^1\!\!\int_u^1 2\,\mathrm dv\,\mathrm du=2\int_0^1(1-u)\,\mathrm du=1$ ✓
|
**自检**:$\displaystyle\int_0^1\!\!\int_u^1 2\,\mathrm dv\,\mathrm du=2\int_0^1(1-u)\,\mathrm du=1$ ✓
|
||||||
|
|
||||||
**(Ⅱ)**
|
**(Ⅱ)**
|
||||||
$$f_U(u)=\int_u^1 2\,\mathrm dv=2(1-u)\ (0<u<1),\qquad f_V(v)=\int_0^v 2\,\mathrm du=2v\ (0<v<1).$$
|
$$f_U(u)=\int_u^1 2\,\mathrm dv=2(1-u)\ (0<u<1),\qquad f_V(v)=\int_0^v 2\,\mathrm du=2v\ (0<v<1).$$
|
||||||
|
|
||||||
**(Ⅲ)** $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$,故 **$U$ 与 $V$ 不相互独立**(支撑集是三角形 $u<v$,几何上已排除独立)。
|
**(Ⅲ)** $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$ ,故 **$U$ 与 $V$ 不相互独立**(支撑集是三角形 $u<v$ ,几何上已排除独立)。
|
||||||
$$E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.$$
|
$$E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.$$
|
||||||
> **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$(限在 $x_{(1)}<\cdots<x_{(n)}$ 上);$n=2$ 时系数就是 $2$。
|
> **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$ (限在 $x_{(1)}<\cdots<x_{(n)}$ 上);$n=2$ 时系数就是 $2$ 。
|
||||||
> **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$——正好是 $[0,1]$ 上两个等分点的位置。
|
> **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$ ——正好是 $[0,1]$ 上两个等分点的位置。
|
||||||
|
|
||||||
### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
|
### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
|
||||||
$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.$$
|
$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.$$
|
||||||
- $0<z<1$:$x\in(0,z)$,
|
- $0<z<1$ :$x\in(0,z)$ ,
|
||||||
$$f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};$$
|
$$f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};$$
|
||||||
- $z\ge1$:$x\in(0,1)$,
|
- $z\ge1$ :$x\in(0,1)$ ,
|
||||||
$$f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1).$$
|
$$f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1).$$
|
||||||
|
|
||||||
$$\boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }$$
|
$$\boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }$$
|
||||||
**验证 $z=1$ 处连续**:左极限 $1-e^{-1}=e^{-1}(e-1)=$ 右极限 ✓
|
**验证 $z=1$ 处连续**:左极限 $1-e^{-1}=e^{-1}(e-1)=$ 右极限 ✓
|
||||||
**自检**:$\displaystyle\int_0^1(1-e^{-z})\mathrm dz+\int_1^{+\infty}(e-1)e^{-z}\mathrm dz=\big[1-e^{-1}\big]+(e-1)e^{-1}=e^{-1}+1-e^{-1}=1$ ✓
|
**自检**:$\displaystyle\int_0^1(1-e^{-z})\mathrm dz+\int_1^{+\infty}(e-1)e^{-z}\mathrm dz=\big[1-e^{-1}\big]+(e-1)e^{-1}=e^{-1}+1-e^{-1}=1$ ✓
|
||||||
> **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$),本题分界点就是 $z=1$。
|
> **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$ ),本题分界点就是 $z=1$ 。
|
||||||
> **易错点**:$0<z<1$ 段的积分上限是 $z$(不是 $1$)——因为 $f_Y(z-x)$ 要求 $z-x>0$。
|
> **易错点**:$0<z<1$ 段的积分上限是 $z$ (不是 $1$ )——因为 $f_Y(z-x)$ 要求 $z-x>0$ 。
|
||||||
|
|
||||||
### 11. 先写联合密度:$f_X(x)=1\ (0<x<1)$,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$,故
|
### 11. 先写联合密度:$f_X(x)=1\ (0<x<1)$ ,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$ ,故
|
||||||
$$f(x,y)=\frac1x\quad(0<x<1,\ x<y<2x).$$
|
$$f(x,y)=\frac1x\quad(0<x<1,\ x<y<2x).$$
|
||||||
|
|
||||||
**三个期望 + 一个混合矩**:
|
**三个期望 + 一个混合矩**:
|
||||||
$$E(Y\mid X=x)=\frac{x+2x}{2}=\frac{3x}{2}\ \Rightarrow\ E(Y)=E\!\left(\frac{3X}{2}\right)=\frac34;$$
|
$$E(Y\mid X=x)=\frac{x+2x}{2}=\frac{3x}{2}\ \Rightarrow\ E(Y)=E\!\left(\frac{3X}{2}\right)=\frac34;$$
|
||||||
$$E(Y^2\mid X=x)=\frac{x^2+2x^2+4x^2}{3}=\frac{7x^2}{3}\ \Rightarrow\ E(Y^2)=\frac79;$$
|
$$E(Y^2\mid X=x)=\frac{x^2+2x^2+4x^2}{3}=\frac{7x^2}{3}\ \Rightarrow\ E(Y^2)=\frac79;$$
|
||||||
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\!\left[\frac{3X^2}{2}\right]=\frac{3}{2}\cdot\frac13=\frac12.$$
|
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\!\left[\frac{3X^2}{2}\right]=\frac{3}{2}\cdot\frac13=\frac12.$$
|
||||||
又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$。于是
|
又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$ ;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$ 。于是
|
||||||
$$\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad
|
$$\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad
|
||||||
\rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.$$
|
\rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.$$
|
||||||
> **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$**;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$。
|
> **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$ **;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$ 。
|
||||||
> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$(均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x<y<2x$ 是最小支撑集,$y$ 的上限含 $x$。
|
> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$ (均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x<y<2x$ 是最小支撑集,$y$ 的上限含 $x$ 。
|
||||||
> **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$。
|
> **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$ 。
|
||||||
|
|
||||||
### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$:
|
### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$ :
|
||||||
$$F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0),$$
|
$$F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0),$$
|
||||||
$$\boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.$$
|
$$\boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.$$
|
||||||
> **结论**:独立同分布指数取 **min 仍是指数**,参数**相加**——"最短寿命"是串联系统的招牌性质。
|
> **结论**:独立同分布指数取 **min 仍是指数**,参数**相加**——"最短寿命"是串联系统的招牌性质。
|
||||||
|
|
||||||
**(Ⅱ)** **并联** $T_2=\max(X,Y)$:
|
**(Ⅱ)** **并联** $T_2=\max(X,Y)$ :
|
||||||
$$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
|
$$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
|
||||||
f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$
|
f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$
|
||||||
用**期望的可加性**($\max+\min=X+Y$):
|
用**期望的可加性**($\max+\min=X+Y$ ):
|
||||||
$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
|
$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
|
||||||
|
|
||||||
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$:
|
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$ :
|
||||||
$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
|
$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
|
||||||
**并联方案达标**(且恰好取等)。
|
**并联方案达标**(且恰好取等)。
|
||||||
> **思路(最省力的期望算法)**:恒等式 $\max(X,Y)+\min(X,Y)=X+Y$ 两边取期望即可,**不必再做一次积分**。
|
> **思路(最省力的期望算法)**:恒等式 $\max(X,Y)+\min(X,Y)=X+Y$ 两边取期望即可,**不必再做一次积分**。
|
||||||
> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
|
> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$ ;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
|
||||||
> **真题骨架**:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为**可靠性工程**情境。
|
> **真题骨架**:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为**可靠性工程**情境。
|
||||||
|
|
||||||
---
|
---
|
||||||
@@ -208,7 +208,7 @@ $$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\
|
|||||||
|
|
||||||
| 本章已被 02-试题 覆盖 | 本卷的定位 |
|
| 本章已被 02-试题 覆盖 | 本卷的定位 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$(18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
|
| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$ (18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
|
||||||
|
|
||||||
### 二、真题覆盖(对照 ch17 的 11 题)
|
### 二、真题覆盖(对照 ch17 的 11 题)
|
||||||
|
|
||||||
@@ -217,10 +217,10 @@ $$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\
|
|||||||
| 2016·22 | 均匀域 + 离散化 + 函数分布 | 5 | 同域精神,改为**半圆** |
|
| 2016·22 | 均匀域 + 离散化 + 函数分布 | 5 | 同域精神,改为**半圆** |
|
||||||
| 2017·22 | 混合型 $Z=X+Y$ | 1、10 | 离散型(1)+ **卷积**(10) |
|
| 2017·22 | 混合型 $Z=X+Y$ | 1、10 | 离散型(1)+ **卷积**(10) |
|
||||||
| 2018·22 | $Z=XY$ + 协方差 | — | 已由 02-试题 第 9 题覆盖 |
|
| 2018·22 | $Z=XY$ + 协方差 | — | 已由 02-试题 第 9 题覆盖 |
|
||||||
| **2019·8** | **正态差 $\lvert X-Y\rvert$** | **2** | ✅ **本卷重点补** |
|
| **2019·8** | **正态差 $\lvert X-Y\rvert$ ** | **2** | ✅ **本卷重点补** |
|
||||||
| 2019·22 | 离散×连续乘积 + 不相关 + 独立 | 6 | ✅ 完整复刻考法 |
|
| 2019·22 | 离散×连续乘积 + 不相关 + 独立 | 6 | ✅ 完整复刻考法 |
|
||||||
| 2020·22 | 混合正态证明 | — | 已由 02-试题 第 17 题覆盖 |
|
| 2020·22 | 混合正态证明 | — | 已由 02-试题 第 17 题覆盖 |
|
||||||
| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$) |
|
| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$ ) |
|
||||||
| 2022·10 / 2024·9 | 条件分布 → 相关系数 | **3、11** | 条件期望(3)+ 相关系数(11) |
|
| 2022·10 / 2024·9 | 条件分布 → 相关系数 | **3、11** | 条件期望(3)+ 相关系数(11) |
|
||||||
| 2023·22 | 圆域 + Cov + 独立 + 函数分布 | 5、7 | 拆到"边缘 + 独立"与"二维正态线性组合" |
|
| 2023·22 | 圆域 + Cov + 独立 + 函数分布 | 5、7 | 拆到"边缘 + 独立"与"二维正态线性组合" |
|
||||||
| **2025·22** | **复合分布应用建模** | **12** | ✅ **本卷重点补** |
|
| **2025·22** | **复合分布应用建模** | **12** | ✅ **本卷重点补** |
|
||||||
|
|||||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -53,11 +53,11 @@ tags:
|
|||||||
|
|
||||||
### 1.1 定义
|
### 1.1 定义
|
||||||
|
|
||||||
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$。若对**任意** $\varepsilon>0$,
|
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$ 。若对**任意** $\varepsilon>0$ ,
|
||||||
|
|
||||||
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
|
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
|
||||||
|
|
||||||
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作
|
则称 $\{X_n\}$ **依概率收敛**于 $X$ ,记作
|
||||||
|
|
||||||
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
||||||
|
|
||||||
@@ -67,16 +67,16 @@ $$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
|||||||
|
|
||||||
> **经典反例**(必看):设
|
> **经典反例**(必看):设
|
||||||
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
|
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
|
||||||
> 则对任意 $\varepsilon>0$,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
|
> 则对任意 $\varepsilon>0$ ,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
|
||||||
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
|
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
|
||||||
> 即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。
|
> 即 $X_n\overset{P}{\longrightarrow}0$ 。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$ 。
|
||||||
> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
|
> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
|
||||||
|
|
||||||
### 1.3 常用推论
|
### 1.3 常用推论
|
||||||
|
|
||||||
- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
|
- 若 $X_n\overset{P}{\longrightarrow}X$ ,则 $X_n-X\overset{P}{\longrightarrow}0$ ;
|
||||||
- 若 $X_n\overset{P}{\longrightarrow}c$(**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$($g$ 连续);
|
- 若 $X_n\overset{P}{\longrightarrow}c$ (**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$ 、$g(X_n)\overset{P}{\longrightarrow}g(c)$ ($g$ 连续);
|
||||||
- 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
|
- 依概率收敛是**大数定律、数理统计中"一致性"** 的统一语言。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -84,7 +84,7 @@ $$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
|||||||
|
|
||||||
### 2.1 不等式
|
### 2.1 不等式
|
||||||
|
|
||||||
设随机变量 $X$ 的 $E X=\mu$、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$,
|
设随机变量 $X$ 的 $E X=\mu$ 、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$ ,
|
||||||
|
|
||||||
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
||||||
|
|
||||||
@@ -92,7 +92,7 @@ $$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2
|
|||||||
|
|
||||||
### 2.2 由来(理解即可,不必背证明)
|
### 2.2 由来(理解即可,不必背证明)
|
||||||
|
|
||||||
设 $X$ 连续、密度 $f$,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
|
设 $X$ 连续、密度 $f$ ,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$ 。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$ ":
|
||||||
|
|
||||||
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
|
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
|
||||||
|
|
||||||
@@ -103,25 +103,25 @@ $$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\m
|
|||||||
| 场景 | 结论 |
|
| 场景 | 结论 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
|
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
|
||||||
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
| 取 $\varepsilon=k\sigma$ ($k>0$ ) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
||||||
| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
|
| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
|
||||||
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
|
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
|
||||||
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
|
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$ ,再代公式(要用 $\operatorname{Cov}$ ) |
|
||||||
|
|
||||||
### 2.4 使用三步
|
### 2.4 使用三步
|
||||||
|
|
||||||
1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
|
1. **锁定**被估计的随机变量 $Y$ ,算出 $EY,\ DY$ (**不给就自己求**);
|
||||||
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(**落在附近 → 下界**),定出 $\varepsilon$;
|
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$ (**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$ (**落在附近 → 下界**),定出 $\varepsilon$ ;
|
||||||
3. 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
|
3. 代入。要"至少"写下界($1-\cdots$ ),要"至多"写上界。
|
||||||
|
|
||||||
### 2.5 陷阱清单
|
### 2.5 陷阱清单
|
||||||
|
|
||||||
| 陷阱 | 正确做法 |
|
| 陷阱 | 正确做法 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(**对立事件**) |
|
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$ ;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$ (**对立事件**) |
|
||||||
| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
|
| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
|
||||||
| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
|
| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
|
||||||
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
|
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$ (独立/不相关时才可加) |
|
||||||
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
|
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
|
||||||
| 二项方差写成 $np$ | 是 $np(1-p)$ |
|
| 二项方差写成 $np$ | 是 $np(1-p)$ |
|
||||||
|
|
||||||
@@ -139,28 +139,28 @@ $$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i
|
|||||||
|
|
||||||
### 3.2 切比雪夫大数定律
|
### 3.2 切比雪夫大数定律
|
||||||
|
|
||||||
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$,使 $D X_i\le C$ 对一切 $i$ 成立)。
|
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$ ,使 $D X_i\le C$ 对一切 $i$ 成立)。
|
||||||
|
|
||||||
**结论**:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$。
|
**结论**:$\forall\varepsilon>0$ ,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$ 。
|
||||||
|
|
||||||
**证明**(用切比雪夫不等式 + 夹逼):
|
**证明**(用切比雪夫不等式 + 夹逼):
|
||||||
$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
||||||
$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
|
$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
|
||||||
由**夹逼定理**得结论。$\blacksquare$
|
由**夹逼定理**得结论。$\blacksquare$
|
||||||
|
|
||||||
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$;再除以 $n^2$ 得 $\dfrac Cn\to0$。
|
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$ ;再除以 $n^2$ 得 $\dfrac Cn\to0$ 。
|
||||||
|
|
||||||
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$(参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
|
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$ (参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
|
||||||
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
|
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
|
||||||
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
|
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$ ,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$ ,只有 D 无界。)
|
||||||
|
|
||||||
### 3.3 伯努利大数定律
|
### 3.3 伯努利大数定律
|
||||||
|
|
||||||
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$(每次概率 $p$,$0<p<1$)发生的次数。
|
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$ (每次概率 $p$ ,$0<p<1$ )发生的次数。
|
||||||
|
|
||||||
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$。
|
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$ 。
|
||||||
|
|
||||||
**证明**:$\mu_n\sim B(n,p)$,$E\!\left(\dfrac{\mu_n}{n}\right)=p$,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$,切比雪夫 + 夹逼即得。
|
**证明**:$\mu_n\sim B(n,p)$ ,$E\!\left(\dfrac{\mu_n}{n}\right)=p$ ,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$ ,切比雪夫 + 夹逼即得。
|
||||||
|
|
||||||
> **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
|
> **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
|
||||||
|
|
||||||
@@ -168,23 +168,23 @@ $$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varep
|
|||||||
|
|
||||||
**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
|
**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
|
||||||
|
|
||||||
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
|
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$ 。
|
||||||
|
|
||||||
> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
|
> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
|
||||||
|
|
||||||
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
|
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$ ( )。
|
||||||
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布 → **C**。
|
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布 → **C**。
|
||||||
(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
|
(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
|
||||||
|
|
||||||
**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
|
**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
|
||||||
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
|
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$ 。)
|
||||||
|
|
||||||
### 3.5 三条定律对照(高频辨析)
|
### 3.5 三条定律对照(高频辨析)
|
||||||
|
|
||||||
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
|
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
|
||||||
|---|---|---|---|---|
|
|---|---|---|---|---|
|
||||||
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** |
|
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** |
|
||||||
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
|
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$ ) |
|
||||||
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
|
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
|
||||||
|
|
||||||
> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
|
> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
|
||||||
@@ -204,9 +204,9 @@ $$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \
|
|||||||
|
|
||||||
### 4.2 列维–林德伯格定理(独立同分布版)
|
### 4.2 列维–林德伯格定理(独立同分布版)
|
||||||
|
|
||||||
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$、$D X_i=\sigma^2>0$(**存在**)。
|
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$ 、$D X_i=\sigma^2>0$ (**存在**)。
|
||||||
|
|
||||||
**结论**:对任意实数 $x$,
|
**结论**:对任意实数 $x$ ,
|
||||||
|
|
||||||
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
|
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
|
||||||
|
|
||||||
@@ -216,7 +216,7 @@ $$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N
|
|||||||
|
|
||||||
### 4.3 棣莫弗–拉普拉斯定理(二项版)
|
### 4.3 棣莫弗–拉普拉斯定理(二项版)
|
||||||
|
|
||||||
**条件**:$Y_n\sim B(n,p)$($0<p<1$)。
|
**条件**:$Y_n\sim B(n,p)$ ($0<p<1$ )。
|
||||||
|
|
||||||
**结论**:
|
**结论**:
|
||||||
|
|
||||||
@@ -226,18 +226,18 @@ $$\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_
|
|||||||
|
|
||||||
### 4.4 标准化四步模板(考场流程)
|
### 4.4 标准化四步模板(考场流程)
|
||||||
|
|
||||||
1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
|
1. **定 $T$ **:把要求的概率写成"**和**"的形式 $T=\sum X_i$ (或 $Y_n$ );
|
||||||
2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
|
2. **算 $ET,\ DT$ **:$ET=n\mu$ ,$DT=n\sigma^2$ (二项:$np$ 、$np(1-p)$ );
|
||||||
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
|
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$ ,把不等式两边同减同除;
|
||||||
4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
|
4. **查 $\Phi$ **:$P\{Z\le z\}=\Phi(z)$ 、$P\{Z>z\}=1-\Phi(z)$ 、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ 。
|
||||||
|
|
||||||
> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
|
> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
|
||||||
|
|
||||||
### 4.5 例题(🟩 仓库)
|
### 4.5 例题(🟩 仓库)
|
||||||
|
|
||||||
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
|
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$ ?($\Phi(2)=0.977$ )
|
||||||
|
|
||||||
设第 $i$ 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
|
设第 $i$ 箱重量 $X_i$ ,$E X_i=50$ 、$D X_i=25$ 。记 $T_n=\sum_{i=1}^nX_i$ ,则 $ET_n=50n$ 、$DT_n=25n$ 、$\sqrt{DT_n}=5\sqrt n$ 。
|
||||||
|
|
||||||
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
|
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
|
||||||
|
|
||||||
@@ -249,16 +249,16 @@ $$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(
|
|||||||
|
|
||||||
| 近似 | 适用条件 | 结果 | 典型题 |
|
| 近似 | 适用条件 | 结果 | 典型题 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
|
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$ ) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
|
||||||
| **泊松近似** | $n$ 大,$p$ **很小**($np=\lambda$ 适中) | $Y_n\approx P(\lambda),\ \lambda=np$ | 🟨2025·9 |
|
| **泊松近似** | $n$ 大,$p$ **很小**($np=\lambda$ 适中) | $Y_n\approx P(\lambda),\ \lambda=np$ | 🟨2025·9 |
|
||||||
|
|
||||||
**判别口诀**:**"$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。"**
|
**判别口诀**:**"$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。"**
|
||||||
|
|
||||||
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 $P\{T\le1\}$ 的近似值。
|
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$ ($i=1,\cdots,300$ ),$T=\sum X_i$ ,求 $P\{T\le1\}$ 的近似值。
|
||||||
$T\sim B(300,0.01)$,$p$ 很小,取 $\lambda=np=3$,$T\approx P(3)$:
|
$T\sim B(300,0.01)$ ,$p$ 很小,取 $\lambda=np=3$ ,$T\approx P(3)$ :
|
||||||
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||||
|
|
||||||
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$。
|
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$ ,$n=20$ ,$\lambda=2$ ,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -267,8 +267,8 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
|||||||
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|
||||||
|---|---|---|---|---|
|
|---|---|---|---|---|
|
||||||
| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
|
| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
|
||||||
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
|
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$ ,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
|
||||||
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
|
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$ ,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
|
||||||
|
|
||||||
**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
|
**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
|
||||||
|
|
||||||
@@ -280,13 +280,13 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
|||||||
|
|
||||||
### 7.1 速记八条
|
### 7.1 速记八条
|
||||||
|
|
||||||
1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
|
1. **依概率收敛**:$\forall\varepsilon>0$ ,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$ ;**允许个别项跑飞**;
|
||||||
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
|
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$ 、$=n$ 概率 $\frac1n$ );
|
||||||
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,**只给界不给精确值**;
|
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$ ,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$ ,**只给界不给精确值**;
|
||||||
4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
|
4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
|
||||||
5. **伯努利大数定律** = "频率稳定于概率";
|
5. **伯努利大数定律** = "频率稳定于概率";
|
||||||
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
|
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$ ,$n\ge30$ 可用;
|
||||||
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
|
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$ );
|
||||||
8. **大数定律考条件、中心极限定理考计算**。
|
8. **大数定律考条件、中心极限定理考计算**。
|
||||||
|
|
||||||
### 7.2 高频陷阱
|
### 7.2 高频陷阱
|
||||||
@@ -295,12 +295,12 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
|||||||
|---|---|
|
|---|---|
|
||||||
| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
|
| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
|
||||||
| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
|
| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
|
||||||
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 $1-$ |
|
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$ "写上界;要"$<\varepsilon$ "写 $1-$ |
|
||||||
| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
|
| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
|
||||||
| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
|
| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
|
||||||
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$(不是 $n$ 也不是 $p$) |
|
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$ (不是 $n$ 也不是 $p$ ) |
|
||||||
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$,标准差是 $\sqrt n\,\sigma$ |
|
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$ ,标准差是 $\sqrt n\,\sigma$ |
|
||||||
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
|
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$ :$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@@ -28,67 +28,67 @@ tags:
|
|||||||
|
|
||||||
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
|
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
|
||||||
|
|
||||||
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;
|
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
|
||||||
|
|
||||||
(Ⅱ)求 $E X_n$,并说明它是否收敛于 $0$。由此可得什么结论?
|
(Ⅱ)求 $E X_n$ ,并说明它是否收敛于 $0$ 。由此可得什么结论?
|
||||||
|
|
||||||
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$,$D X=2$。用切比雪夫不等式估计:
|
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$ ,$D X=2$ 。用切比雪夫不等式估计:
|
||||||
|
|
||||||
(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
|
(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
|
||||||
|
|
||||||
(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
|
(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
|
||||||
|
|
||||||
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
|
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$ 。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
|
||||||
|
|
||||||
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
|
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
|
||||||
|
|
||||||
**5.** 【辛钦大数定律的条件】设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
|
**5.** 【辛钦大数定律的条件】设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,只要 $\{X_n\}$ ( )。
|
||||||
|
|
||||||
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布
|
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布
|
||||||
|
|
||||||
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$,$D X_i=4$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
|
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$ ,$D X_i=4$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||||
|
|
||||||
## B 组 · 中等(多步计算,★★☆)
|
## B 组 · 中等(多步计算,★★☆)
|
||||||
|
|
||||||
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$,$E X_1^2=1$,$E X_1^4=5$。令 $Y_i=X_i^2$。
|
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$ ,$E X_1^2=1$ ,$E X_1^4=5$ 。令 $Y_i=X_i^2$ 。
|
||||||
|
|
||||||
(Ⅰ)求 $E Y_i$ 与 $D Y_i$;
|
(Ⅰ)求 $E Y_i$ 与 $D Y_i$ ;
|
||||||
|
|
||||||
(Ⅱ)用切比雪夫不等式估计 $P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}$ 的上界。
|
(Ⅱ)用切比雪夫不等式估计 $P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}$ 的上界。
|
||||||
|
|
||||||
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$,$D X=9$。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
|
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$ ,$D X=9$ 。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
|
||||||
|
|
||||||
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
|
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
|
||||||
|
|
||||||
用切比雪夫不等式估计 $n$ **至少**应取多少。
|
用切比雪夫不等式估计 $n$ **至少**应取多少。
|
||||||
|
|
||||||
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
|
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$ ?($\Phi(2)=0.977$ )
|
||||||
|
|
||||||
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
|
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||||
|
|
||||||
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$,令 $T=\sum\limits_{i=1}^{300}X_i$。利用泊松近似求 $P\{T\le1\}$ 的近似值。
|
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$ ,令 $T=\sum\limits_{i=1}^{300}X_i$ 。利用泊松近似求 $P\{T\le1\}$ 的近似值。
|
||||||
|
|
||||||
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$,$D X=D Y=1$,相关系数 $\rho_{XY}=\dfrac12$。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
|
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$ ,$D X=D Y=1$ ,相关系数 $\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
|
||||||
|
|
||||||
## C 组 · 拔高(综合与证明,★★★)
|
## C 组 · 拔高(综合与证明,★★★)
|
||||||
|
|
||||||
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$)。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
|
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$ )。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
|
||||||
|
|
||||||
(A)$X_1,\dfrac12X_2,\cdots,\dfrac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$
|
(A)$X_1,\dfrac12X_2,\cdots,\dfrac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$
|
||||||
|
|
||||||
(C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
|
(C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
|
||||||
|
|
||||||
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$。证明:对任意 $\varepsilon>0$,
|
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$ 。证明:对任意 $\varepsilon>0$ ,
|
||||||
|
|
||||||
$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
|
$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
|
||||||
|
|
||||||
**15.** 【中心极限定理 · 反解 $n$】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$。($\Phi(1.645)=0.95$)
|
**15.** 【中心极限定理 · 反解 $n$ 】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$ 。($\Phi(1.645)=0.95$ )
|
||||||
|
|
||||||
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2\in(0,+\infty)$,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。
|
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$ 、$D X_i=\sigma^2\in(0,+\infty)$ ,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。
|
||||||
|
|
||||||
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$;
|
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$ ;
|
||||||
|
|
||||||
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$;
|
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$ ;
|
||||||
|
|
||||||
(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
|
(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
|
||||||
|
|
||||||
|
|||||||
@@ -25,13 +25,13 @@ $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad
|
|||||||
|
|
||||||
### 第 1 题
|
### 第 1 题
|
||||||
|
|
||||||
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$,**依概率收敛 ⇏ 期望收敛**。
|
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$ ,**依概率收敛 ⇏ 期望收敛**。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
(Ⅰ)对任意 $\varepsilon>0$,取 $n>\dfrac1\varepsilon$,则 $\dfrac1n<\varepsilon$。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$),故
|
(Ⅰ)对任意 $\varepsilon>0$ ,取 $n>\dfrac1\varepsilon$ ,则 $\dfrac1n<\varepsilon$ 。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$ ),故
|
||||||
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
||||||
所以 $X_n\overset{P}{\longrightarrow}0$。
|
所以 $X_n\overset{P}{\longrightarrow}0$ 。
|
||||||
|
|
||||||
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
|
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
|
||||||
|
|
||||||
@@ -43,36 +43,36 @@ $$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
|||||||
|
|
||||||
### 第 2 题
|
### 第 2 题
|
||||||
|
|
||||||
**答案**:(Ⅰ)$\le\dfrac18$;(Ⅱ)$\ge\dfrac78$。
|
**答案**:(Ⅰ)$\le\dfrac18$ ;(Ⅱ)$\ge\dfrac78$ 。
|
||||||
|
|
||||||
**思路**:$\varepsilon=4$,
|
**思路**:$\varepsilon=4$ ,
|
||||||
$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
|
$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
|
||||||
|
|
||||||
**易错点**:**方向**——"$\ge$"用上界 $\frac{DX}{\varepsilon^2}$;"$<$"用 $1-\frac{DX}{\varepsilon^2}$(对立事件)。
|
**易错点**:**方向**——"$\ge$ "用上界 $\frac{DX}{\varepsilon^2}$ ;"$<$ "用 $1-\frac{DX}{\varepsilon^2}$ (对立事件)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 3 题
|
### 第 3 题
|
||||||
|
|
||||||
**答案**:$\ge0.9$。
|
**答案**:$\ge0.9$ 。
|
||||||
|
|
||||||
**思路**:$E X=np=500$,$D X=np(1-p)=1000\times0.25=250$。
|
**思路**:$E X=np=500$ ,$D X=np(1-p)=1000\times0.25=250$ 。
|
||||||
$450<X<550\iff\lvert X-500\rvert<50$,取 $\varepsilon=50$:
|
$450<X<550\iff\lvert X-500\rvert<50$ ,取 $\varepsilon=50$ :
|
||||||
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
|
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
|
||||||
|
|
||||||
**易错点**:二项方差是 $np(1-p)=250$,**不是** $np=500$。
|
**易错点**:二项方差是 $np(1-p)=250$ ,**不是** $np=500$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 4 题
|
### 第 4 题
|
||||||
|
|
||||||
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$。
|
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$ 。
|
||||||
|
|
||||||
**思路**:各次投掷**相互独立**;$X_i$ **同分布**(都在 $\{1,2,\cdots,6\}$ 上等可能);期望
|
**思路**:各次投掷**相互独立**;$X_i$ **同分布**(都在 $\{1,2,\cdots,6\}$ 上等可能);期望
|
||||||
$$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
$$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
||||||
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$。
|
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$ 。
|
||||||
|
|
||||||
**易错点**:骰子的期望是 $3.5$(**不是** $3$ 或 $4$);本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
|
**易错点**:骰子的期望是 $3.5$ (**不是** $3$ 或 $4$ );本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -81,7 +81,7 @@ $$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
|||||||
**答案**:**C**。
|
**答案**:**C**。
|
||||||
|
|
||||||
**思路**:辛钦大数定律的三个条件——**相互独立**、**同分布**、**期望存在**。题干已给"相互独立",只需再满足"同分布 + 期望存在"。
|
**思路**:辛钦大数定律的三个条件——**相互独立**、**同分布**、**期望存在**。题干已给"相互独立",只需再满足"同分布 + 期望存在"。
|
||||||
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$、一个取 $\pm2$),✗;
|
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$ 、一个取 $\pm2$ ),✗;
|
||||||
- (B)(D)只说"同一**类型**分布"(离散型/连续型 ≠ 同一个分布),且**不保证期望存在**(如柯西分布连续但期望不存在),✗;
|
- (B)(D)只说"同一**类型**分布"(离散型/连续型 ≠ 同一个分布),且**不保证期望存在**(如柯西分布连续但期望不存在),✗;
|
||||||
- (C)**同一泊松分布**:既同分布,期望 $=\lambda$ 又存在,✓。
|
- (C)**同一泊松分布**:既同分布,期望 $=\lambda$ 又存在,✓。
|
||||||
|
|
||||||
@@ -91,12 +91,12 @@ $$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
|||||||
|
|
||||||
### 第 6 题
|
### 第 6 题
|
||||||
|
|
||||||
**答案**:$\approx\Phi(1)$。
|
**答案**:$\approx\Phi(1)$ 。
|
||||||
|
|
||||||
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$,$D\!\left(\sum X_i\right)=100\times4=400$,标准差 $=\sqrt{400}=20$。由中心极限定理
|
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$ ,$D\!\left(\sum X_i\right)=100\times4=400$ ,标准差 $=\sqrt{400}=20$ 。由中心极限定理
|
||||||
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
|
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
|
||||||
|
|
||||||
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$(不是 $n\sigma^2=400$,也不是 $\sigma^2=4$)——标准化时除的是**标准差**。
|
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$ (不是 $n\sigma^2=400$ ,也不是 $\sigma^2=4$ )——标准化时除的是**标准差**。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -104,34 +104,34 @@ $$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}
|
|||||||
|
|
||||||
### 第 7 题 【真题骨架 2022·9】
|
### 第 7 题 【真题骨架 2022·9】
|
||||||
|
|
||||||
**答案**:(Ⅰ)$E Y_i=1$,$D Y_i=4$;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$。
|
**答案**:(Ⅰ)$E Y_i=1$ ,$D Y_i=4$ ;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$ 。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
(Ⅰ)$E Y_i=E X_i^2=1$;
|
(Ⅰ)$E Y_i=E X_i^2=1$ ;
|
||||||
$$D Y_i=E Y_i^2-(E Y_i)^2=E X_i^4-1^2=5-1=4 .$$
|
$$D Y_i=E Y_i^2-(E Y_i)^2=E X_i^4-1^2=5-1=4 .$$
|
||||||
|
|
||||||
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
|
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$ ,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
|
||||||
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
|
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
|
||||||
由切比雪夫不等式
|
由切比雪夫不等式
|
||||||
$$P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}\le\frac{D\bar Y}{\varepsilon^2}=\frac{4}{n\varepsilon^2}.$$
|
$$P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}\le\frac{D\bar Y}{\varepsilon^2}=\frac{4}{n\varepsilon^2}.$$
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$;
|
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$ ;
|
||||||
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$,用到**四阶矩** $\mu_4=5$。
|
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$ ,用到**四阶矩** $\mu_4=5$ 。
|
||||||
|
|
||||||
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$)。
|
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$ ,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$ )。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 8 题
|
### 第 8 题
|
||||||
|
|
||||||
**答案**:$n\ge90$。
|
**答案**:$n\ge90$ 。
|
||||||
|
|
||||||
**思路**:$E\bar X=20$,$D\bar X=\dfrac{D X}{n}=\dfrac9n$。要求"落在附近",取下界:
|
**思路**:$E\bar X=20$ ,$D\bar X=\dfrac{D X}{n}=\dfrac9n$ 。要求"落在附近",取下界:
|
||||||
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightarrow\ \frac9n\le0.1\ \Longrightarrow\ n\ge90 .$$
|
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightarrow\ \frac9n\le0.1\ \Longrightarrow\ n\ge90 .$$
|
||||||
|
|
||||||
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$(**不是** $9$);"至少"故**向上取整**(本题恰为整数 $90$)。
|
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$ (**不是** $9$ );"至少"故**向上取整**(本题恰为整数 $90$ )。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -139,60 +139,60 @@ $$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightar
|
|||||||
|
|
||||||
**答案**:最多装 **99** 件。
|
**答案**:最多装 **99** 件。
|
||||||
|
|
||||||
**思路**:设第 $i$ 件重量 $X_i$,$E X_i=10$,$D X_i=0.25$。记 $T_n=\sum_{i=1}^nX_i$。由中心极限定理
|
**思路**:设第 $i$ 件重量 $X_i$ ,$E X_i=10$ ,$D X_i=0.25$ 。记 $T_n=\sum_{i=1}^nX_i$ 。由中心极限定理
|
||||||
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
|
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
|
||||||
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
|
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
|
||||||
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
|
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
|
||||||
解不等式:令 $t=\sqrt n$,得 $10t^2+t-1000\le0$,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$,故 $n\le99.0$,即**最多 99 件**。
|
解不等式:令 $t=\sqrt n$ ,得 $10t^2+t-1000\le0$ ,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$ ,故 $n\le99.0$ ,即**最多 99 件**。
|
||||||
|
|
||||||
**验证**:$n=99$:$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$:$\dfrac{0}{5}=0$ ✗。
|
**验证**:$n=99$ :$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$ :$\dfrac{0}{5}=0$ ✗。
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- 标准差是 $\sqrt{n}\cdot0.5$,**不是** $n\cdot0.5$;方差是 $n\cdot0.25$;
|
- 标准差是 $\sqrt{n}\cdot0.5$ ,**不是** $n\cdot0.5$ ;方差是 $n\cdot0.25$ ;
|
||||||
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$,方向别反;
|
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$ ,方向别反;
|
||||||
- 答案是"最多"故**向下取整**($99$,不是 $100$)。
|
- 答案是"最多"故**向下取整**($99$ ,不是 $100$ )。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 10 题 【真题骨架 2020·8】
|
### 第 10 题 【真题骨架 2020·8】
|
||||||
|
|
||||||
**答案**:$\approx\Phi(1)$。
|
**答案**:$\approx\Phi(1)$ 。
|
||||||
|
|
||||||
**思路**:$\sum X_i\sim B(400,0.5)$,$E=400\times0.5=200$,$D=400\times0.5\times0.5=100$,标准差 $=10$。由棣莫弗–拉普拉斯定理
|
**思路**:$\sum X_i\sim B(400,0.5)$ ,$E=400\times0.5=200$ ,$D=400\times0.5\times0.5=100$ ,标准差 $=10$ 。由棣莫弗–拉普拉斯定理
|
||||||
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
|
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
|
||||||
|
|
||||||
**易错点**:二项的正态近似用**二项自己的期望方差**($np$、$np(1-p)$),不要另算。
|
**易错点**:二项的正态近似用**二项自己的期望方差**($np$ 、$np(1-p)$ ),不要另算。
|
||||||
|
|
||||||
**真题**:2020·8(单选 4 分)结构完全一致($n=100$、阈值 $55$,答案 $\Phi(1)$)。
|
**真题**:2020·8(单选 4 分)结构完全一致($n=100$ 、阈值 $55$ ,答案 $\Phi(1)$ )。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 11 题 【真题骨架 2025·9】
|
### 第 11 题 【真题骨架 2025·9】
|
||||||
|
|
||||||
**答案**:$\approx4e^{-3}\approx0.199$。
|
**答案**:$\approx4e^{-3}\approx0.199$ 。
|
||||||
|
|
||||||
**思路**:$T\sim B(300,0.01)$。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$,$T\approx P(3)$:
|
**思路**:$T\sim B(300,0.01)$ 。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$ ,$T\approx P(3)$ :
|
||||||
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
|
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
|
||||||
|
|
||||||
**易错点**:$\lambda=np=300\times0.01=3$(**不是** $n=300$,也**不是** $p=0.01$);$P\{T\le1\}$ 是"$0$ 或 $1$",别只算一项。
|
**易错点**:$\lambda=np=300\times0.01=3$ (**不是** $n=300$ ,也**不是** $p=0.01$ );$P\{T\le1\}$ 是"$0$ 或 $1$ ",别只算一项。
|
||||||
|
|
||||||
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$,答案 $3e^{-2}$,即选项 C)。
|
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$ ,答案 $3e^{-2}$ ,即选项 C)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 12 题
|
### 第 12 题
|
||||||
|
|
||||||
**答案**:$\le\dfrac{1}{16}$。
|
**答案**:$\le\dfrac{1}{16}$ 。
|
||||||
|
|
||||||
**思路**:令 $Z=X-Y$。由 $E X=E Y$ 得 $E Z=0$。
|
**思路**:令 $Z=X-Y$ 。由 $E X=E Y$ 得 $E Z=0$ 。
|
||||||
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
|
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
|
||||||
$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
|
$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
|
||||||
取 $\varepsilon=4$:
|
取 $\varepsilon=4$ :
|
||||||
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
|
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- 方差**不能**直接相加($DX+DY=2$),必须**减去** $2\operatorname{Cov}$;
|
- 方差**不能**直接相加($DX+DY=2$ ),必须**减去** $2\operatorname{Cov}$ ;
|
||||||
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$,分母是**标准差之积**。
|
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$ ,分母是**标准差之积**。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -202,7 +202,7 @@ $$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{
|
|||||||
|
|
||||||
**答案**:**D**。
|
**答案**:**D**。
|
||||||
|
|
||||||
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$(存在),$D X_n=\dfrac1{n^2}$。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
|
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$ (存在),$D X_n=\dfrac1{n^2}$ 。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
|
||||||
|
|
||||||
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
@@ -213,46 +213,46 @@ $$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{
|
|||||||
|
|
||||||
**故 D 不服从切比雪夫大数定律。**
|
**故 D 不服从切比雪夫大数定律。**
|
||||||
|
|
||||||
**易错点**:$D(aX_n)=a^2D X_n$——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$(发散)。这是本类题的标准设计手法。
|
**易错点**:$D(aX_n)=a^2D X_n$ ——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$ ,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$ (发散)。这是本类题的标准设计手法。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 14 题 【切比雪夫大数定律】
|
### 第 14 题 【切比雪夫大数定律】
|
||||||
|
|
||||||
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$):
|
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$ 。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$ ):
|
||||||
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
||||||
对 $\bar X$ 用切比雪夫不等式:
|
对 $\bar X$ 用切比雪夫不等式:
|
||||||
$$P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum E X_i\right\rvert\ge\varepsilon\right\}=P\{\lvert\bar X-E\bar X\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0 .\qquad\blacksquare$$
|
$$P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum E X_i\right\rvert\ge\varepsilon\right\}=P\{\lvert\bar X-E\bar X\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0 .\qquad\blacksquare$$
|
||||||
|
|
||||||
**要点**:
|
**要点**:
|
||||||
1. **「两两不相关」是用来消协方差项的**——没有它,$\sum DX_i$ 这一步不成立;
|
1. **「两两不相关」是用来消协方差项的**——没有它,$\sum DX_i$ 这一步不成立;
|
||||||
2. 「方差有界」保证 $\dfrac Cn\to0$,这就是"**平均值稳定**"的来源;
|
2. 「方差有界」保证 $\dfrac Cn\to0$ ,这就是"**平均值稳定**"的来源;
|
||||||
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
|
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$ ,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
|
||||||
|
|
||||||
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$(比独立弱),但**已足够**。
|
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$ (比独立弱),但**已足够**。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 15 题
|
### 第 15 题
|
||||||
|
|
||||||
**答案**:$n_{\min}=102$。
|
**答案**:$n_{\min}=102$ 。
|
||||||
|
|
||||||
**思路**:由中心极限定理
|
**思路**:由中心极限定理
|
||||||
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(100n,\ 100n),\qquad \sqrt{D}=10\sqrt n .$$
|
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(100n,\ 100n),\qquad \sqrt{D}=10\sqrt n .$$
|
||||||
要求
|
要求
|
||||||
$$P\left\{\sum_{i=1}^nX_i\ge10000\right\}\approx1-\Phi\!\left(\frac{10000-100n}{10\sqrt n}\right)\ge0.95 .$$
|
$$P\left\{\sum_{i=1}^nX_i\ge10000\right\}\approx1-\Phi\!\left(\frac{10000-100n}{10\sqrt n}\right)\ge0.95 .$$
|
||||||
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$,故
|
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$ ,故
|
||||||
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
|
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
|
||||||
令 $t=\sqrt n$:$100t^2-16.45t-10000\ge0$,解得
|
令 $t=\sqrt n$ :$100t^2-16.45t-10000\ge0$ ,解得
|
||||||
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
|
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
|
||||||
故 $n_{\min}=102$。
|
故 $n_{\min}=102$ 。
|
||||||
|
|
||||||
**验证**:$n=101$:$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$:$z\approx-1.98\le-1.645$ ✓。
|
**验证**:$n=101$ :$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$ :$z\approx-1.98\le-1.645$ ✓。
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$,**不要**错写成 $\Phi$;
|
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$ ,**不要**错写成 $\Phi$ ;
|
||||||
- $\Phi(z)\le0.05\iff z\le-1.645$(**负号**易漏);
|
- $\Phi(z)\le0.05\iff z\le-1.645$ (**负号**易漏);
|
||||||
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$,**不是** $\sigma n$。
|
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$ ,**不是** $\sigma n$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -260,21 +260,21 @@ $$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow
|
|||||||
|
|
||||||
**答案**:
|
**答案**:
|
||||||
|
|
||||||
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$,由切比雪夫不等式
|
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$ ,由切比雪夫不等式
|
||||||
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
|
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
|
||||||
即 $\bar X\overset{P}{\longrightarrow}\mu$。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
|
即 $\bar X\overset{P}{\longrightarrow}\mu$ 。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
|
||||||
|
|
||||||
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$,故
|
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$ ,故
|
||||||
$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
|
$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
|
||||||
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$,$\Phi\to1$,故该概率 $\to1$。
|
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$ ,$\Phi\to1$ ,故该概率 $\to1$ 。
|
||||||
|
|
||||||
(Ⅲ)**中心极限定理更精确**:
|
(Ⅲ)**中心极限定理更精确**:
|
||||||
- **(Ⅱ)**利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
|
- **(Ⅱ)** 利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
|
||||||
- **(Ⅰ)**只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
|
- **(Ⅰ)** 只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
|
||||||
|
|
||||||
> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
|
> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
|
||||||
|
|
||||||
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$(**除以标准差 $\sigma$**,不是 $\sigma^2$)。
|
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$ (**除以标准差 $\sigma$ **,不是 $\sigma^2$ )。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -291,11 +291,11 @@ $$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\
|
|||||||
| 辛钦大数定律:**条件辨析** | 5 | ✅ |
|
| 辛钦大数定律:**条件辨析** | 5 | ✅ |
|
||||||
| 中心极限定理:iid 求和标准化 | 6 | ✅ |
|
| 中心极限定理:iid 求和标准化 | 6 | ✅ |
|
||||||
| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
|
| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
|
||||||
| 反解样本量 $n$(切比雪夫) | 8 | ✅ |
|
| 反解样本量 $n$ (切比雪夫) | 8 | ✅ |
|
||||||
| 中心极限定理:应用建模(装箱) | 9 | ✅ |
|
| 中心极限定理:应用建模(装箱) | 9 | ✅ |
|
||||||
| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
|
| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
|
||||||
| **2025·9 骨架**(泊松近似) | 11 | ✅ |
|
| **2025·9 骨架**(泊松近似) | 11 | ✅ |
|
||||||
| 切比雪夫 + 协方差($Z=X-Y$) | 12 | ✅ |
|
| 切比雪夫 + 协方差($Z=X-Y$ ) | 12 | ✅ |
|
||||||
| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
|
| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
|
||||||
| 切比雪夫大数定律:**证明** | 14 | ✅ |
|
| 切比雪夫大数定律:**证明** | 14 | ✅ |
|
||||||
| 中心极限定理:反解 $n$ | 15 | ✅ |
|
| 中心极限定理:反解 $n$ | 15 | ✅ |
|
||||||
@@ -321,7 +321,7 @@ $$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\
|
|||||||
|
|
||||||
### 四、仍未覆盖方向(诚实列出)
|
### 四、仍未覆盖方向(诚实列出)
|
||||||
|
|
||||||
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$)——考研几乎不单独考;
|
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$ )——考研几乎不单独考;
|
||||||
2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
|
2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
|
||||||
3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
|
3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
|
||||||
4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
|
4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
|
||||||
|
|||||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -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) |
|
| §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) |
|
| §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** |
|
| §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) |
|
| §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(六大检验与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
|
| §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) |
|
| §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) |
|
||||||
|
|
||||||
### 0.3 三条主线
|
### 0.3 三条主线
|
||||||
@@ -60,24 +60,35 @@ tags:
|
|||||||
|
|
||||||
| 名词 | 含义 |
|
| 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 |
|
| **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 $(x_1,\cdots,x_n)$ |
|
| **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。
|
> **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)
|
### 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
|
||||||
|
|
||||||
$$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
|
$$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
|
||||||
|
|
||||||
> ⚠️ **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
|
||||||
|
|
||||||
$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
|
$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
|
||||||
|
|
||||||
@@ -89,11 +100,11 @@ $$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)
|
|||||||
|
|
||||||
> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
|
> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
|
||||||
|
|
||||||
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$、$\sigma$),它就不是统计量。
|
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$ 、$\sigma$ ),它就不是统计量。
|
||||||
|
|
||||||
> **例**:$X\sim N(\mu,\sigma^2)$,$\mu,\sigma^2$ **均未知**时
|
> **例**:$X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ **均未知**时
|
||||||
> - $X_1+X_2$、$\sum X_i$、$\max X_i$、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
|
> - $X_1+X_2$ 、$\sum X_i$ 、$\max X_i$ 、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
|
||||||
> - $\sum(X_i-\mu)^2$、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$)。
|
> - $\sum(X_i-\mu)^2$ 、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$ )。
|
||||||
|
|
||||||
### 2.2 常用统计量
|
### 2.2 常用统计量
|
||||||
|
|
||||||
@@ -111,11 +122,11 @@ $$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$
|
|||||||
|
|
||||||
### 2.3 样本均值与样本方差的数字特征(必背)
|
### 2.3 样本均值与样本方差的数字特征(必背)
|
||||||
|
|
||||||
设 $EX=\mu$,$DX=\sigma^2$,$X_1,\cdots,X_n$ 为简单随机样本,则
|
设 $EX=\mu$ ,$DX=\sigma^2$ ,$X_1,\cdots,X_n$ 为简单随机样本,则
|
||||||
|
|
||||||
$$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}.$$
|
$$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}.$$
|
||||||
|
|
||||||
> **为什么样本方差除以 $n-1$?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$(**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$。
|
> **为什么样本方差除以 $n-1$ ?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$ ,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$ (**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$ 。
|
||||||
>
|
>
|
||||||
> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
|
> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
|
||||||
|
|
||||||
@@ -123,7 +134,7 @@ $$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)
|
#### 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
|
||||||
|
|
||||||
$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
|
$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
|
||||||
|
|
||||||
@@ -131,29 +142,29 @@ $$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$
|
|||||||
|
|
||||||
| 性质 | 内容 |
|
| 性质 | 内容 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
|
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$ 、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
|
||||||
| 期望方差 | $E\chi^2(n)=n$,$D\chi^2(n)=2n$ |
|
| 期望方差 | $E\chi^2(n)=n$ ,$D\chi^2(n)=2n$ |
|
||||||
|
|
||||||
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$(**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
|
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ (**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
|
||||||
|
|
||||||
#### 2.4.2 $t$ 分布(学生氏)
|
#### 2.4.2 $t$ 分布(学生氏)
|
||||||
|
|
||||||
**构造**:$X\sim N(0,1)$,$Y\sim\chi^2(n)$,$X$ 与 $Y$ **独立**,则
|
**构造**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,$X$ 与 $Y$ **独立**,则
|
||||||
|
|
||||||
$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
|
$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
|
||||||
|
|
||||||
**性质**:
|
**性质**:
|
||||||
|
|
||||||
- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
|
- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
|
||||||
- $n$ 很大时近似 $N(0,1)$;
|
- $n$ 很大时近似 $N(0,1)$ ;
|
||||||
- $t_{1-\alpha}(n)=-t_\alpha(n)$(**对称性**);
|
- $t_{1-\alpha}(n)=-t_\alpha(n)$ (**对称性**);
|
||||||
- $t^2\sim F(1,n)$。
|
- $t^2\sim F(1,n)$ 。
|
||||||
|
|
||||||
> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
|
> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
|
||||||
|
|
||||||
#### 2.4.3 $F$ 分布
|
#### 2.4.3 $F$ 分布
|
||||||
|
|
||||||
**构造**:$U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$,$U$ 与 $V$ **独立**,则
|
**构造**:$U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ ,$U$ 与 $V$ **独立**,则
|
||||||
|
|
||||||
$$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
|
$$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).$$
|
|||||||
|
|
||||||
### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
|
### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
|
||||||
|
|
||||||
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$,$\bar X$、$S^2$ 为样本均值与样本方差。
|
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\bar X$ 、$S^2$ 为样本均值与样本方差。
|
||||||
|
|
||||||
**(一)单个正态总体(四条定理)**
|
**(一)单个正态总体(四条定理)**
|
||||||
|
|
||||||
@@ -177,16 +188,17 @@ $$\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{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{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{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}}$$
|
\end{aligned}}$$
|
||||||
|
|
||||||
> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$,自由度减一"**。
|
> **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 $n-1$"**。
|
> **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**。
|
> **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)**
|
**(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
|
||||||
|
|
||||||
$$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$
|
$$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$
|
||||||
|
|
||||||
@@ -198,26 +210,26 @@ $$\begin{aligned}
|
|||||||
&\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2)
|
&\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2)
|
||||||
\end{aligned}$$
|
\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。
|
> 🟨 **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)**
|
**(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})$;
|
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)$;
|
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**。
|
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**:
|
**⚠️ 三个恒定陷阱**:
|
||||||
|
|
||||||
| 陷阱 | 正确做法 |
|
| 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$ |
|
| 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 |
|
| 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)$ |
|
| 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
|
### 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_{(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。
|
- $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。
|
||||||
@@ -227,8 +239,8 @@ $$\begin{aligned}
|
|||||||
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
|
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
|
||||||
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
|
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
|
||||||
|
|
||||||
> **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$。
|
> **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**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$。
|
> 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)**
|
**常用期望($\theta$ 为参数上限型分布时必用)**
|
||||||
|
|
||||||
@@ -238,51 +250,57 @@ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
|
|||||||
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
|
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
|
||||||
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
|
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
|
||||||
|
|
||||||
> **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)
|
## 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
|
### 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")。
|
**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**:
|
**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**);
|
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 $E X^k=A_k=\dfrac1n\sum X_i^k$;
|
2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$ ;
|
||||||
3. 解方程得 $\hat\theta$。
|
3. 解方程得 $\hat\theta$ 。
|
||||||
|
|
||||||
**两个参数的模板**:
|
**两个参数的模板**:
|
||||||
|
|
||||||
$$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$
|
$$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$
|
||||||
|
|
||||||
> ⚠️ **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)
|
### 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)**:
|
**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 $\prod p(x_i;\theta)$);
|
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);
|
2. **取对数** $\ln L(\theta)$ (连乘变连加);
|
||||||
3. **求导令零** $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$;
|
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"。
|
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。
|
> **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)**
|
**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 |
|
| 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 $x_i<\theta$) |
|
| $X\sim U(0,\theta)$ ,$f=\dfrac1\theta$ ,$0<x<\theta$ | $\hat\theta=X_{(n)}=\max X_i$ (**取最大**,保证所有 $x_i<\theta$ ) |
|
||||||
| $X\sim U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$,$\hat\theta_2=X_{(n)}$ |
|
| $X\sim U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$ ,$\hat\theta_2=X_{(n)}$ |
|
||||||
| $f(x;\theta)=\dfrac{1}{\theta}$,$\theta\le x\le 2\theta$ 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**) |
|
| $f(x;\theta)=\dfrac{1}{\theta}$ ,$\theta\le x\le 2\theta$ 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。"**
|
> **口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
|
||||||
|
|
||||||
@@ -292,11 +310,24 @@ $$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longright
|
|||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
|
| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
|
||||||
| 均匀 $U(0,\theta)$ | $\dfrac1\theta,0<x<\theta$ | $\hat\theta=2\bar X$ | $\hat\theta=X_{(n)}$ |
|
| 均匀 $U(0,\theta)$ | $\dfrac1\theta,0<x<\theta$ | $\hat\theta=2\bar X$ | $\hat\theta=X_{(n)}$ |
|
||||||
| 幂型 $f=\dfrac{\theta x^{\theta-1}}{\ }$($0<x<1,\theta>0$) | $\theta x^{\theta-1}$ | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
|
| 幂型 | $f(x)=\theta x^{\theta-1}$ ($0<x<1,\ \theta>0$ ) | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
|
||||||
|
|
||||||
> **两个特殊的"坑"分布**:
|
> **两个特殊的"坑"分布**:
|
||||||
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$;常数 $A=\sqrt{2/\pi}$;
|
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$ ;常数 $A=\sqrt{2/\pi}$ ;
|
||||||
> - **两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$。
|
> - **两样本同参数**(如 $X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$ 。
|
||||||
|
|
||||||
|
**极大似然估计的不变性原理(重要)**
|
||||||
|
|
||||||
|
> 若 $\hat\theta$ 是 $\theta$ 的极大似然估计,$g(\cdot)$ 是任意函数(通常单调),则 **$g(\hat\theta)$ 是 $g(\theta)$ 的极大似然估计**。
|
||||||
|
|
||||||
|
$$\widehat{g(\theta)}=g(\hat\theta).$$
|
||||||
|
|
||||||
|
**用途**:不必为新参数重新建似然函数。典型例子:
|
||||||
|
|
||||||
|
- 正态总体 $N(\mu,\sigma^2)$ :$\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2$ (注意**除以 $n$ 、有偏**)⟹ 直接得 $\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$ ;
|
||||||
|
- $X\sim U(0,\theta)$ :$\hat\theta=X_{(n)}$ ⟹ $\theta^2$ 的 MLE 就是 $X_{(n)}^2$ 、$1/\theta$ 的 MLE 就是 $1/X_{(n)}$ 。
|
||||||
|
|
||||||
|
> ⚠️ **注意区分**:**无偏性没有不变性**!$E\hat\theta=\theta$ **推不出** $Eg(\hat\theta)=g(\theta)$ (如 $S=\sqrt{S^2}$ 就不是 $\sigma$ 的无偏估计)。**"MLE 有不变性,无偏性没有"**——这是常考的概念辨析点。
|
||||||
|
|
||||||
### 3.3 估计量的评价标准
|
### 3.3 估计量的评价标准
|
||||||
|
|
||||||
@@ -308,7 +339,7 @@ $$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \h
|
|||||||
|
|
||||||
$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
|
$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
|
||||||
|
|
||||||
> **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
|
#### 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 .$$
|
$$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 .$$
|
||||||
|
|
||||||
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$**(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
|
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$ **(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
|
||||||
|
|
||||||
> **2024·22 的考点**:让 MSE 最小的 $c$,通常**不等于**让估计无偏的 $c$——**要展开成 $c$ 的二次函数求顶点**。
|
> **2024·22 的考点**:让 MSE 最小的 $c$ ,通常**不等于**让估计无偏的 $c$ ——**要展开成 $c$ 的二次函数求顶点**。
|
||||||
> 展开模板(以 $T_c=cX_{(n)}$ 为例):
|
> 展开模板(以 $T_c=cX_{(n)}$ 为例):
|
||||||
> $$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}.$$
|
> $$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 .$$
|
|||||||
| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
|
| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
|
||||||
| 区间长度 | 反映**估计精度**;长度越短越精确 |
|
| 区间长度 | 反映**估计精度**;长度越短越精确 |
|
||||||
|
|
||||||
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$"($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$**"。
|
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$ "($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$ **"。
|
||||||
|
|
||||||
### 4.2 枢轴变量法(万能套路)
|
### 4.2 枢轴变量法(万能套路)
|
||||||
|
|
||||||
1. **找点估计** $\hat\theta$(一般取 MLE 或 $\bar X$、$S^2$);
|
1. **找点估计** $\hat\theta$ (一般取 MLE 或 $\bar X$ 、$S^2$ );
|
||||||
2. **造枢轴量** $I=I(\hat\theta,\theta)$:**含未知参数 $\theta$,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$、$t$、$F$);
|
2. **造枢轴量** $I=I(\hat\theta,\theta)$ :**含未知参数 $\theta$ ,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$ 、$t$ 、$F$ );
|
||||||
3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
|
3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
|
||||||
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$。
|
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$ 。
|
||||||
|
|
||||||
### 4.3 正态总体四大区间估计(**必背表**)
|
### 4.3 正态总体四大区间估计(**必背表**)
|
||||||
|
|
||||||
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$,置信度 $1-\alpha$。
|
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ ,置信度 $1-\alpha$ 。
|
||||||
|
|
||||||
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
@@ -380,23 +411,46 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
|
|||||||
|
|
||||||
**三个"看条件"的读法**:
|
**三个"看条件"的读法**:
|
||||||
|
|
||||||
- $\sigma$ 已知 → $U$(正态);$\sigma$ 未知 → $t$(且自由度 $n-1$);
|
- $\sigma$ 已知 → $U$ (正态);$\sigma$ 未知 → $t$ (且自由度 $n-1$ );
|
||||||
- $\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$;
|
- $\mu$ 已知 → $\chi^2(n)$ ;$\mu$ 未知 → $\chi^2(n-1)$ ;
|
||||||
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$"**。
|
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$ "**。
|
||||||
|
|
||||||
### 4.4 单侧置信区间
|
### 4.4 单侧置信区间
|
||||||
|
|
||||||
| 类型 | 枢轴量形式 | 区间 |
|
| 类型 | 枢轴量形式 | 区间 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$) | $u_\alpha$(单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
|
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$ ) | $u_\alpha$ (单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
|
||||||
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
|
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$ ) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
|
||||||
|
|
||||||
> **单双侧的分位数互换**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同理 $t_\alpha(n-1)$。
|
> **单双侧的分位数互换**:单侧用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同理 $t_\alpha(n-1)$ 。
|
||||||
> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
|
> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
|
||||||
|
|
||||||
> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
|
> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
|
||||||
> $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$
|
> $$\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
|
### 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
|
### 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$);
|
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;
|
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;
|
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。
|
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
|
### 5.3 三类假设与拒绝域方向
|
||||||
|
|
||||||
| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
|
| 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$) |
|
| **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$) |
|
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) |
|
||||||
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$) |
|
| **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)
|
### 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 |
|
| 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 .$$
|
|||||||
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
|
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
|
||||||
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
|
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
|
||||||
|
|
||||||
**记忆口诀**:**"$\sigma$ 知用 $U$、$\sigma$ 不知用 $T$;$\mu$ 知用 $\chi^2(n)$、$\mu$ 不知用 $\chi^2(n-1)$。"**
|
**记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"**
|
||||||
|
|
||||||
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
|
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
|
||||||
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
|
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
|
||||||
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$**,别把方差当标准差代入。
|
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。
|
||||||
|
|
||||||
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
|
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
|
||||||
|
|
||||||
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
|
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
|
||||||
|
|
||||||
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$**。所以两类问题常常互相转化。
|
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。
|
||||||
|
|
||||||
|
### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**)
|
||||||
|
|
||||||
|
两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。
|
||||||
|
|
||||||
|
| 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) |
|
||||||
|
|---|---|---|---|
|
||||||
|
| $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ |
|
||||||
|
| $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ |
|
||||||
|
| $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ |
|
||||||
|
|
||||||
|
> **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。
|
||||||
|
> **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -462,24 +529,24 @@ $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
|
|||||||
|
|
||||||
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| **拒绝 $H_0$** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
|
| **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
|
||||||
| **接受 $H_0$** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
|
| **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
|
||||||
|
|
||||||
**公式**:
|
**公式**:
|
||||||
|
|
||||||
$$\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}\}.$$
|
$$\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}\}.$$
|
||||||
|
|
||||||
> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
|
> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
|
||||||
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
|
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$ ),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
|
||||||
|
|
||||||
### 6.2 计算 $\beta$ 的四步
|
### 6.2 计算 $\beta$ 的四步
|
||||||
|
|
||||||
1. 写出**拒绝域** $W$;
|
1. 写出**拒绝域** $W$ ;
|
||||||
2. 写出**接受域** $\bar W$(拒绝域的补集);
|
2. 写出**接受域** $\bar W$ (拒绝域的补集);
|
||||||
3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
|
3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
|
||||||
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$。
|
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$ 。
|
||||||
|
|
||||||
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$,则在 $\mu=\mu_1$($H_1$ 中某个值)下
|
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$ ,则在 $\mu=\mu_1$ ($H_1$ 中某个值)下
|
||||||
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
|
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
|
||||||
|
|
||||||
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)🟨2018·8
|
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)🟨2018·8
|
||||||
@@ -487,18 +554,18 @@ $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受
|
|||||||
| 结论 | 说明 |
|
| 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**) |
|
| **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** |
|
| $\alpha$ 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**:
|
> 🟨 **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);
|
> - $\alpha=0.05$ **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)。
|
> - $\alpha=0.05$ **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。"**
|
> 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
|
### 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 |
|
| 2016·14 | 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 |
|
| 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 |
|
| 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 |
|
| 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 |
|
| 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 |
|
| 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 |
|
| 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 |
|
| 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)
|
### 7.3 第 22 章 · 假设检验(3 题,14 分)
|
||||||
|
|
||||||
| 年份·题号 | 题型 | 考点 | 本手册 |
|
| 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 |
|
| 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 |
|
| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
|
||||||
|
|
||||||
### 7.4 命题规律(读三遍)
|
### 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」**。
|
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。
|
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。
|
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. 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)。
|
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。
|
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**)。
|
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:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$、**$\bar X\perp S^2$**、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$。
|
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:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。
|
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. $X_{(n)}=\max$:$F_{(n)}=F^n$;$X_{(1)}=\min$:$F_{(1)}=1-(1-F)^n$。
|
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**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$)。
|
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)。
|
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 $c$**。
|
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 = $2\bar X$**。
|
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 $\sqrt2$。
|
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。**
|
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
|
### 8.2 高频陷阱
|
||||||
|
|
||||||
| 陷阱 | 正确做法 |
|
| 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 $\mu,\sigma$ |
|
| 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 $\sigma_0/\sqrt n$ |
|
| $\sigma^2$ 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 |
|
| 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" |
|
| $\chi^2$ 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** |
|
| 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 |
|
| $t$ /$F$ 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** |
|
| 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** |
|
| 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 $\mu_0$ |
|
| $\beta$ 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 |
|
| 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 $u_\alpha$、$t_\alpha(n-1)$ |
|
| 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]]。
|
> **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)。
|
||||||
|
|||||||
@@ -28,39 +28,39 @@ tags:
|
|||||||
|
|
||||||
$$2,\quad3,\quad5,\quad6,\quad9 .$$
|
$$2,\quad3,\quad5,\quad6,\quad9 .$$
|
||||||
|
|
||||||
(Ⅰ)求样本均值 $\bar X$、样本方差 $S^2$、样本二阶中心矩 $B_2$;
|
(Ⅰ)求样本均值 $\bar X$ 、样本方差 $S^2$ 、样本二阶中心矩 $B_2$ ;
|
||||||
|
|
||||||
(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$;$\ S^2$;$\ X_1+X_2-\mu$;$\ \max\{X_1,\cdots,X_5\}$;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$。
|
(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$ ;$\ S^2$ ;$\ X_1+X_2-\mu$ ;$\ \max\{X_1,\cdots,X_5\}$ ;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$ 。
|
||||||
|
|
||||||
**2.** 【三大分布辨析与构造】设 $X_1,X_2,\cdots,X_6$ 为来自总体 $N(0,4)$ 的简单随机样本。判断下列统计量各服从什么分布(写出名称与自由度);**不服从三大分布的,请说明理由**:
|
**2.** 【三大分布辨析与构造】设 $X_1,X_2,\cdots,X_6$ 为来自总体 $N(0,4)$ 的简单随机样本。判断下列统计量各服从什么分布(写出名称与自由度);**不服从三大分布的,请说明理由**:
|
||||||
|
|
||||||
(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$;
|
(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$ ;
|
||||||
|
|
||||||
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$;
|
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$ ;
|
||||||
|
|
||||||
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$;
|
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$ ;
|
||||||
|
|
||||||
(Ⅳ)$Y_4=2(X_1-X_2)^2$。
|
(Ⅳ)$Y_4=2(X_1-X_2)^2$ 。
|
||||||
|
|
||||||
**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$、$S^2$ 为样本均值与样本方差。
|
**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$ ,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$ 、$S^2$ 为样本均值与样本方差。
|
||||||
|
|
||||||
(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;
|
(Ⅰ)求 $E\bar X$ 、$D\bar X$ 、$ES^2$ ;
|
||||||
|
|
||||||
(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$。
|
(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$ 。
|
||||||
|
|
||||||
**4.** 【矩估计】设总体 $X$ 的分布律为
|
**4.** 【矩估计】设总体 $X$ 的分布律为
|
||||||
|
|
||||||
$$P\{X=-1\}=2\theta,\qquad P\{X=0\}=\theta,\qquad P\{X=1\}=1-3\theta,\qquad 0<\theta<\frac13 .$$
|
$$P\{X=-1\}=2\theta,\qquad P\{X=0\}=\theta,\qquad P\{X=1\}=1-3\theta,\qquad 0<\theta<\frac13 .$$
|
||||||
|
|
||||||
$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$。
|
$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$ 。
|
||||||
|
|
||||||
**5.** 【极大似然估计】设总体 $X$ 的概率密度为
|
**5.** 【极大似然估计】设总体 $X$ 的概率密度为
|
||||||
|
|
||||||
$$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&0<x<1\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知})$$
|
$$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&0<x<1\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知})$$
|
||||||
|
|
||||||
$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$。
|
$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$ 。
|
||||||
|
|
||||||
**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$,$DX=\sigma^2$。求常数 $k$,使
|
**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$ ,$DX=\sigma^2$ 。求常数 $k$ ,使
|
||||||
|
|
||||||
$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
||||||
|
|
||||||
@@ -74,49 +74,49 @@ $$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
|||||||
|
|
||||||
$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
|
$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
|
||||||
|
|
||||||
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$。
|
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$ 。
|
||||||
|
|
||||||
(Ⅰ)求 $\hat\lambda$;
|
(Ⅰ)求 $\hat\lambda$ ;
|
||||||
|
|
||||||
(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
|
(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$ 。
|
||||||
|
|
||||||
**8.** 【次序统计量 · 最大值分布 + 无偏】🟨**真题骨架 2016·23** 设总体 $X$ 的概率密度为
|
**8.** 【次序统计量 · 最大值分布 + 无偏】🟨**真题骨架 2016·23** 设总体 $X$ 的概率密度为
|
||||||
|
|
||||||
$$f(x;\theta)=\begin{cases}\dfrac{2x}{\theta^2},&0<x<\theta\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知}),$$
|
$$f(x;\theta)=\begin{cases}\dfrac{2x}{\theta^2},&0<x<\theta\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知}),$$
|
||||||
|
|
||||||
$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$。
|
$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$ 。
|
||||||
|
|
||||||
(Ⅰ)求 $T$ 的概率密度 $f_T(x)$;
|
(Ⅰ)求 $T$ 的概率密度 $f_T(x)$ ;
|
||||||
|
|
||||||
(Ⅱ)确定常数 $a$,使 $aT$ 为 $\theta$ 的无偏估计。
|
(Ⅱ)确定常数 $a$ ,使 $aT$ 为 $\theta$ 的无偏估计。
|
||||||
|
|
||||||
**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$。
|
**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$ 。
|
||||||
|
|
||||||
(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$,$u_{0.05}=1.645$);
|
(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$ ,$u_{0.05}=1.645$ );
|
||||||
|
|
||||||
(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$)。
|
(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$ ,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$ )。
|
||||||
|
|
||||||
**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$。检验
|
**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。检验
|
||||||
|
|
||||||
$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
|
$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
|
||||||
|
|
||||||
显著性水平为 $\alpha$,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
|
显著性水平为 $\alpha$ ,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
|
||||||
|
|
||||||
(Ⅰ)写出该检验的拒绝域;
|
(Ⅰ)写出该检验的拒绝域;
|
||||||
|
|
||||||
(Ⅱ)若 $n=12$,$\alpha=0.05$,$Z_{0.05}=1.645$,求拒绝域的临界值 $c$。
|
(Ⅱ)若 $n=12$ ,$\alpha=0.05$ ,$Z_{0.05}=1.645$ ,求拒绝域的临界值 $c$ 。
|
||||||
|
|
||||||
**11.** 【两类错误】🟨**真题骨架 2021·10** 设 $X_1,\cdots,X_{25}$ 为来自总体 $N(\mu,9)$ 的简单随机样本,考虑检验问题
|
**11.** 【两类错误】🟨**真题骨架 2021·10** 设 $X_1,\cdots,X_{25}$ 为来自总体 $N(\mu,9)$ 的简单随机样本,考虑检验问题
|
||||||
|
|
||||||
$$H_0:\mu\le5,\qquad H_1:\mu>5,$$
|
$$H_0:\mu\le5,\qquad H_1:\mu>5,$$
|
||||||
|
|
||||||
取拒绝域 $W=\{\bar X\ge6\}$,$\Phi(x)$ 为标准正态分布函数。
|
取拒绝域 $W=\{\bar X\ge6\}$ ,$\Phi(x)$ 为标准正态分布函数。
|
||||||
|
|
||||||
(Ⅰ)求犯**第一类错误**的概率(用 $\Phi$ 表示);
|
(Ⅰ)求犯**第一类错误**的概率(用 $\Phi$ 表示);
|
||||||
|
|
||||||
(Ⅱ)求当 $\mu=6.6$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
(Ⅱ)求当 $\mu=6.6$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
||||||
|
|
||||||
**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$($EX=\mu$,$DX=\sigma^2$)的简单随机样本,考虑 $\mu$ 的三个估计量
|
**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$ ($EX=\mu$ ,$DX=\sigma^2$ )的简单随机样本,考虑 $\mu$ 的三个估计量
|
||||||
|
|
||||||
$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
|
$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
|
||||||
|
|
||||||
@@ -128,11 +128,11 @@ $$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\f
|
|||||||
|
|
||||||
$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
|
$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
|
||||||
|
|
||||||
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$;
|
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$ ;
|
||||||
|
|
||||||
(Ⅱ)写出 $D(\hat\lambda)$ 的表达式。
|
(Ⅱ)写出 $D(\hat\lambda)$ 的表达式。
|
||||||
|
|
||||||
**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$,两样本**相互独立**,$S_1^2$、$S_2^2$ 分别为两样本的样本方差。求常数 $c$,使
|
**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$ ,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$ ,两样本**相互独立**,$S_1^2$ 、$S_2^2$ 分别为两样本的样本方差。求常数 $c$ ,使
|
||||||
|
|
||||||
$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
|
$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
|
||||||
|
|
||||||
@@ -148,7 +148,7 @@ $$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma
|
|||||||
|
|
||||||
其中 $\mu$ **已知**,$\sigma>0$ 未知,$A$ 为常数,$X_1,\cdots,X_n$ 为简单随机样本。
|
其中 $\mu$ **已知**,$\sigma>0$ 未知,$A$ 为常数,$X_1,\cdots,X_n$ 为简单随机样本。
|
||||||
|
|
||||||
(Ⅰ)求 $A$;
|
(Ⅰ)求 $A$ ;
|
||||||
|
|
||||||
(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
|
(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
|
||||||
|
|
||||||
@@ -156,33 +156,33 @@ $$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma
|
|||||||
|
|
||||||
$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
|
$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
|
||||||
|
|
||||||
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$;
|
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$ ;
|
||||||
|
|
||||||
(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$。
|
(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$ ,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$ 。
|
||||||
|
|
||||||
**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$,构造 $T_c=cX_{(n)}$($c>0$)。
|
**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$ ,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$ ,构造 $T_c=cX_{(n)}$ ($c>0$ )。
|
||||||
|
|
||||||
(Ⅰ)求 $c$,使 $T_c$ 为 $\theta$ 的**无偏估计**;
|
(Ⅰ)求 $c$ ,使 $T_c$ 为 $\theta$ 的**无偏估计**;
|
||||||
|
|
||||||
(Ⅱ)记 $h(c)=E(T_c-\theta)^2$,求 $c$,使 $h(c)$ **最小**。
|
(Ⅱ)记 $h(c)=E(T_c-\theta)^2$ ,求 $c$ ,使 $h(c)$ **最小**。
|
||||||
|
|
||||||
**18.** 【假设检验概念综合】🟨**真题骨架 2018·8** 设 $X_1,\cdots,X_n$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma$ 已知,检验
|
**18.** 【假设检验概念综合】🟨**真题骨架 2018·8** 设 $X_1,\cdots,X_n$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma$ 已知,检验
|
||||||
|
|
||||||
$$H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,$$
|
$$H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,$$
|
||||||
|
|
||||||
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$。
|
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$ 。
|
||||||
|
|
||||||
(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
|
(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
|
||||||
|
|
||||||
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
|
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
|
||||||
|
|
||||||
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$;
|
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ ;
|
||||||
|
|
||||||
(C)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
|
(C)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
|
||||||
|
|
||||||
(D)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$。
|
(D)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ 。
|
||||||
|
|
||||||
(Ⅱ)若 $n=16$,$\sigma=2$,取 $\alpha=0.05$($u_{0.025}=1.96$),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
(Ⅱ)若 $n=16$ ,$\sigma=2$ ,取 $\alpha=0.05$ ($u_{0.025}=1.96$ ),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@@ -20,66 +20,66 @@ tags:
|
|||||||
|
|
||||||
### 第 1 题 · 统计量与常用统计量
|
### 第 1 题 · 统计量与常用统计量
|
||||||
|
|
||||||
**(Ⅰ)答案**:$\bar X=5$,$S^2=7.5$,$B_2=6$。
|
**(Ⅰ)答案**:$\bar X=5$ ,$S^2=7.5$ ,$B_2=6$ 。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
|
$$\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 .$$
|
$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
|
||||||
|
|
||||||
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$、$\max$ 是统计量**;其余三个($\bar X+\mu$、$X_1+X_2-\mu$、$\sum(X_i-\mu)^2$)**不是**。
|
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$ 、$\max$ 是统计量**;其余三个($\bar X+\mu$ 、$X_1+X_2-\mu$ 、$\sum(X_i-\mu)^2$ )**不是**。
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
|
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$ 、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
|
||||||
- $S^2$ 虽然含 $\bar X$,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
|
- $S^2$ 虽然含 $\bar X$ ,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
|
||||||
- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
|
- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 2 题 · 三大分布辨析与构造
|
### 第 2 题 · 三大分布辨析与构造
|
||||||
|
|
||||||
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$。
|
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$ 。
|
||||||
|
|
||||||
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$。六个独立相加:
|
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$ 。六个独立相加:
|
||||||
|
|
||||||
$$Y_1=\sum_{i=1}^{6}\left(\frac{X_i}{2}\right)^2\sim\chi^2(6).$$
|
$$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).$$
|
$$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).$$
|
||||||
|
|
||||||
**(Ⅲ)答案**:$Y_3\sim t(3)$。
|
**(Ⅲ)答案**:$Y_3\sim t(3)$ 。
|
||||||
|
|
||||||
**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
|
**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
|
||||||
|
|
||||||
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$;
|
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$ ;
|
||||||
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$;
|
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$ ;
|
||||||
|
|
||||||
$$\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).$$
|
$$\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).$$
|
||||||
|
|
||||||
**(Ⅳ)答案**:**不服从三大分布**。
|
**(Ⅳ)答案**:**不服从三大分布**。
|
||||||
|
|
||||||
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$,但
|
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$ ,但
|
||||||
|
|
||||||
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
|
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
|
||||||
|
|
||||||
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$)。
|
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$ )。
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **系数错一点就不是 $\chi^2$**。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
|
- ⚠️ **系数错一点就不是 $\chi^2$ **。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
|
||||||
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$,同样不服从)。
|
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$ ,同样不服从)。
|
||||||
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$、分母是 $X_2,X_3,X_4$,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$,就不独立,不能用。
|
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$ 、分母是 $X_2,X_3,X_4$ ,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$ ,就不独立,不能用。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 3 题 · 样本均值与样本方差的数字特征
|
### 第 3 题 · 样本均值与样本方差的数字特征
|
||||||
|
|
||||||
**(Ⅰ)答案**:$E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$ES^2=\sigma^2$。
|
**(Ⅰ)答案**:$E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$ES^2=\sigma^2$ 。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
@@ -95,37 +95,37 @@ $$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。
|
**(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**:
|
**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。
|
- $D\bar X$ 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)。
|
- $\sum(X_i-\bar X)^2$ 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)。
|
- **"$n-1$ 是为了无偏"** 这句话要能自己推(面试式追问)。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 4 题 · 矩估计
|
### 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 $\theta$ ):
|
||||||
|
|
||||||
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
|
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
|
||||||
|
|
||||||
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
|
||||||
|
|
||||||
$$\hat\theta=\frac{1-\bar X}{5}.$$
|
$$\hat\theta=\frac{1-\bar X}{5}.$$
|
||||||
|
|
||||||
**易错点**:
|
**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)。
|
- 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。
|
- **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
|
### 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**:
|
**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}.$$
|
$$\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}.$$
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$** ✓,解是合法的。可以顺手做这个**正性检验**。
|
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$ ** ✓,解是合法的。可以顺手做这个**正性检验**。
|
||||||
- 支撑集 $0<x<1$ **不含 $\theta$**,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
|
- 支撑集 $0<x<1$ **不含 $\theta$ **,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
|
||||||
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$——**结构相同,常数差 1**,注意区分。
|
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$ ——**结构相同,常数差 1**,注意区分。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 6 题 · 无偏性定常数 🟩
|
### 第 6 题 · 无偏性定常数 🟩
|
||||||
|
|
||||||
**答案**:$k=\dfrac{1}{2(n-1)}$。
|
**答案**:$k=\dfrac{1}{2(n-1)}$ 。
|
||||||
|
|
||||||
**思路**:关键是算 $E(X_{i+1}-X_i)^2$。用"**方差 + 均值差平方**":
|
**思路**:关键是算 $E(X_{i+1}-X_i)^2$ 。用"**方差 + 均值差平方**":
|
||||||
|
|
||||||
$$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 .$$
|
$$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
|
|||||||
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
|
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
|
||||||
|
|
||||||
**易错点**:
|
**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。
|
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
|
||||||
|
|
||||||
---
|
---
|
||||||
@@ -164,7 +164,7 @@ $$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\
|
|||||||
|
|
||||||
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
|
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
|
||||||
|
|
||||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
|
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
@@ -172,125 +172,125 @@ $$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert
|
|||||||
|
|
||||||
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
|
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
|
||||||
|
|
||||||
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
|
||||||
|
|
||||||
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
|
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
|
||||||
|
|
||||||
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
|
||||||
|
|
||||||
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
|
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
|
||||||
|
|
||||||
**易错点**:
|
**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**。
|
- ⚠️ **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 $\frac{1}{n^2}$**。
|
- 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。
|
- 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
|
### 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**。
|
**思路**:先求**分布函数**。
|
||||||
|
|
||||||
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
|
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
|
||||||
|
|
||||||
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:
|
||||||
|
|
||||||
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
|
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
|
||||||
|
|
||||||
**(Ⅱ)答案**:$a=\dfrac76$。
|
**(Ⅱ)答案**:$a=\dfrac76$ 。
|
||||||
|
|
||||||
**思路**:
|
**思路**:
|
||||||
|
|
||||||
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
|
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
|
||||||
|
|
||||||
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**:
|
**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 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
|
- ⚠️ **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**)。
|
- 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
|
### 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 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$ 。
|
||||||
|
|
||||||
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
|
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
|
||||||
|
|
||||||
**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 $=1.645\times0.5=0.8225$ ,
|
||||||
|
|
||||||
$$\bar\mu=12.3+0.8225=13.1225 .$$
|
$$\bar\mu=12.3+0.8225=13.1225 .$$
|
||||||
|
|
||||||
**(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 $t(n-1)$ :
|
||||||
|
|
||||||
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
|
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
|
||||||
|
|
||||||
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
|
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
|
||||||
|
|
||||||
**易错点**:
|
**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)。
|
- ⚠️ **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。
|
- ⚠️ **$\sigma$ 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
|
- 💡 **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
|
||||||
$$\text{下限}+\text{上限}=2\bar X .$$
|
$$\text{下限}+\text{上限}=2\bar X .$$
|
||||||
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
|
### 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
|
**思路**:$\sigma^2=3$ 已知 ⟹ 取检验统计量
|
||||||
|
|
||||||
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}=\frac{\bar X-2}{\sqrt{3}/\sqrt n}\sim N(0,1)\quad(H_0\ \text{边界处}).$$
|
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}=\frac{\bar X-2}{\sqrt{3}/\sqrt n}\sim N(0,1)\quad(H_0\ \text{边界处}).$$
|
||||||
|
|
||||||
$H_1:\mu>2$ ⟹ **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
|
||||||
|
|
||||||
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
|
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
|
||||||
|
|
||||||
**(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 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$ ,
|
||||||
|
|
||||||
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
|
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
|
||||||
|
|
||||||
**易错点**:
|
**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。
|
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$ **。**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 $\mu_0$"。
|
- **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 $\lvert U\rvert\ge Z_{\alpha/2}$。
|
- **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
|
### 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):
|
||||||
|
|
||||||
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
|
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
|
||||||
|
|
||||||
**(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):
|
**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):
|
||||||
|
|
||||||
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
|
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
|
||||||
|
|
||||||
**易错点**:
|
**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**。
|
- ⚠️ **$\alpha$ 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)。
|
- ⚠️ **$\beta$ 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。
|
- 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 @@ $$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=
|
|||||||
|
|
||||||
**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
|
**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
|
||||||
|
|
||||||
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$,**只要系数和 $\sum a_i=1$ 就无偏**:
|
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$ ,**只要系数和 $\sum a_i=1$ 就无偏**:
|
||||||
|
|
||||||
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
|
$$\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}\ }$$
|
|||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
|
- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
|
||||||
- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
|
- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
|
||||||
- 直觉:**系数越"平均"(越接近 $\frac1n$),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
|
- 直觉:**系数越"平均"(越接近 $\frac1n$ ),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
|
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
|
||||||
|
|
||||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$。
|
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$ 。
|
||||||
|
|
||||||
**思路**:**两个样本要放在同一个似然函数里**。
|
**思路**:**两个样本要放在同一个似然函数里**。
|
||||||
|
|
||||||
@@ -333,30 +333,30 @@ $$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\l
|
|||||||
|
|
||||||
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
|
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
|
||||||
|
|
||||||
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:$n=5$ ,$m=4$ ,$\sum x_i=3+2+4+1+5=15$ ,$\sum y_j=5+3+7+9=24$ ,
|
||||||
|
|
||||||
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
|
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
|
||||||
|
|
||||||
**(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:
|
||||||
|
|
||||||
$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
|
$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
|
||||||
|
|
||||||
$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
|
$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
|
||||||
|
|
||||||
**易错点**:
|
**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。
|
- ⚠️ **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"**。
|
- ⚠️ **$Y$ 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**。
|
- 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
|
### 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**。
|
||||||
|
|
||||||
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
|
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
|
||||||
|
|
||||||
@@ -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).$$
|
$$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).$$
|
||||||
|
|
||||||
所以 $c=3$。
|
所以 $c=3$ 。
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$)时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$。
|
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$ )时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$ 。
|
||||||
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$,分母是 $Y$ 组的 $n-1$。
|
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$ ,分母是 $Y$ 组的 $n-1$ 。
|
||||||
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$,则由倒数性质 $c'=\dfrac13$。
|
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$ ,则由倒数性质 $c'=\dfrac13$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -377,42 +377,42 @@ $$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
|
### 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 $t=\dfrac{x-\mu}{\sigma}$ ($\mathrm dx=\sigma\,\mathrm dt$ ):
|
||||||
|
|
||||||
$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
|
$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
|
||||||
|
|
||||||
**(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 $x_i\ge\mu$ )
|
||||||
|
|
||||||
$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
|
$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
|
||||||
|
|
||||||
$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
|
$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
|
||||||
|
|
||||||
**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**):
|
||||||
|
|
||||||
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
|
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
|
||||||
|
|
||||||
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**:
|
**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,$\hat\mu=X_{(1)}$)。
|
- ⚠️ **$\mu$ 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**。
|
- ⚠️ **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。
|
- 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
|
### 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:
|
||||||
|
|
||||||
$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
|
$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
|
||||||
|
|
||||||
**(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):
|
**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}.$$
|
$$\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}.$$
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **别忘了"先由 $F$ 求 $f$"这一步**——题目给的是分布函数,似然函数要用密度。
|
- ⚠️ **别忘了"先由 $F$ 求 $f$ "这一步**——题目给的是分布函数,似然函数要用密度。
|
||||||
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
|
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$ ,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
|
||||||
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$,**符号与幂次都容易错**。
|
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$ ,**符号与幂次都容易错**。
|
||||||
- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
|
- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
|
### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
|
||||||
|
|
||||||
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$。
|
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$ 。
|
||||||
|
|
||||||
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$。
|
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$ 。
|
||||||
|
|
||||||
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$,
|
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$ ,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$ ,
|
||||||
|
|
||||||
$$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 .$$
|
$$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
|
|||||||
|
|
||||||
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
|
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
|
||||||
|
|
||||||
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)。
|
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 $(EX_{(n)})^2$。
|
- ⚠️ **$EX_{(n)}^2$ 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 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
|
- 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 @@ $$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightar
|
|||||||
|
|
||||||
**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
|
**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
|
||||||
|
|
||||||
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$;
|
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$ ,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ ;
|
||||||
- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
|
- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
|
||||||
|
|
||||||
于是:
|
于是:
|
||||||
|
|
||||||
| 条件 | 在 $\alpha=0.01$ 下 |
|
| 条件 | 在 $\alpha=0.01$ 下 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$) | 因 $c_{0.01}>c_{0.05}$,**未必**达到 ⟹ A、B 都错 |
|
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$ ) | 因 $c_{0.01}>c_{0.05}$ ,**未必**达到 ⟹ A、B 都错 |
|
||||||
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$) | 因 $c_{0.05}<c_{0.01}$,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
|
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$ ) | 因 $c_{0.05}<c_{0.01}$ ,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
|
||||||
|
|
||||||
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
|
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
|
||||||
|
|
||||||
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$。
|
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$ ;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$ 。
|
||||||
|
|
||||||
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$,
|
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ ,
|
||||||
|
|
||||||
$$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\}.$$
|
$$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\}.$$
|
$$\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,$$
|
$$-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 .$$
|
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
||||||
|
|
||||||
**易错点**:
|
**易错点**:
|
||||||
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$。
|
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$ ),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$ 。
|
||||||
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$**(含真值的偏移 $1$),这是最容易漏的一步。
|
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$ **(含真值的偏移 $1$ ),这是最容易漏的一步。
|
||||||
- 结果 $\beta\approx0.484$ 很大,说明**这个检验对 $\mu=\mu_0+1$ 的偏离"很不敏感"**——这正是 $\alpha=0.05$ 时 $\beta$ 随之增大的体现($\alpha$ 小时 $\beta$ 大)。
|
- 结果 $\beta\approx0.484$ 很大,说明**这个检验对 $\mu=\mu_0+1$ 的偏离"很不敏感"**——这正是 $\alpha=0.05$ 时 $\beta$ 随之增大的体现($\alpha$ 小时 $\beta$ 大)。
|
||||||
|
|
||||||
---
|
---
|
||||||
@@ -515,14 +515,14 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
|||||||
| 2023·9 | $F$ 分布(方差比) | B14 | ✅ |
|
| 2023·9 | $F$ 分布(方差比) | B14 | ✅ |
|
||||||
| 2016·14 | 区间估计(对称性) | B9(含对称性技巧) | ✅ |
|
| 2016·14 | 区间估计(对称性) | B9(含对称性技巧) | ✅ |
|
||||||
| 2016·23 | 次序统计量 $X_{(n)}$ + 无偏 | B8 | ✅ |
|
| 2016·23 | 次序统计量 $X_{(n)}$ + 无偏 | B8 | ✅ |
|
||||||
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$(变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
|
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$ (变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
|
||||||
| 2018·23 | 拉普拉斯 MLE + $E/D$ | B7 | ✅ |
|
| 2018·23 | 拉普拉斯 MLE + $E/D$ | B7 | ✅ |
|
||||||
| 2019·23 | 半正态:求 $A$ + MLE | C15 | ✅ |
|
| 2019·23 | 半正态:求 $A$ + MLE | C15 | ✅ |
|
||||||
| 2020·23 | 威布尔:无记忆性 + MLE | C16 | ✅ |
|
| 2020·23 | 威布尔:无记忆性 + MLE | C16 | ✅ |
|
||||||
| 2021·9 | 无偏 + $D(\bar X-\bar Y)$ | B12(无偏/有效分支) | ◐ 部分(两样本方差未单设) |
|
| 2021·9 | 无偏 + $D(\bar X-\bar Y)$ | B12(无偏/有效分支) | ◐ 部分(两样本方差未单设) |
|
||||||
| 2022·22 | 泊松两样本 MLE + $D$ | B13 | ✅ |
|
| 2022·22 | 泊松两样本 MLE + $D$ | B13 | ✅ |
|
||||||
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$) | A6(同类"定常数") | ✅ |
|
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$ ) | A6(同类"定常数") | ✅ |
|
||||||
| 2024·22 | $U(0,\theta)$:无偏 + MSE | C17 | ✅ |
|
| 2024·22 | $U(0,\theta)$ :无偏 + MSE | C17 | ✅ |
|
||||||
| 2018·8 | 显著性水平与拒绝/接受 | C18(Ⅰ) | ✅ |
|
| 2018·8 | 显著性水平与拒绝/接受 | C18(Ⅰ) | ✅ |
|
||||||
| 2021·10 | 第二类错误 | B11 | ✅ |
|
| 2021·10 | 第二类错误 | B11 | ✅ |
|
||||||
| 2025·10 | 单侧检验拒绝域 | B10 | ✅ |
|
| 2025·10 | 单侧检验拒绝域 | B10 | ✅ |
|
||||||
@@ -542,20 +542,20 @@ $$\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;
|
- **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";
|
- 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)
|
### 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);
|
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);
|
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;
|
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。
|
> 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
|
### 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。
|
- 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)。
|
- 建议顺序:**第 5 讲 → 第 6 讲**(因为区间估计与假设检验反复用到第 5 讲的标准化与分位数)。
|
||||||
|
|||||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -29,7 +29,7 @@ tags:
|
|||||||
|
|
||||||
| 文件 | 用途 | 打开时机 |
|
| 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 |
|
| **[[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 |
|
| **[[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**。
|
- 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。
|
- **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。
|
- **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
|
## 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-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-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
|
> **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`
|
> `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]]
|
- 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)
|
- 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]]
|
- 错题:[[做题本]]
|
||||||
|
|||||||
@@ -18,18 +18,18 @@ tags:
|
|||||||
|
|
||||||
# 01-极限 · 加练(黎曼和专项)
|
# 01-极限 · 加练(黎曼和专项)
|
||||||
|
|
||||||
> **起因**:01 小练第 5 题做错(误以为积分上限是 $\pi/2$),对黎曼和不熟。本份为针对性巩固:2 道十年同类真题 + 4 道原创变体。
|
> **起因**:01 小练第 5 题做错(误以为积分上限是 $\pi/2$ ),对黎曼和不熟。本份为针对性巩固:2 道十年同类真题 + 4 道原创变体。
|
||||||
> **建议**:先做真题感受原题难度,再做加练;每道题先按"标准骨架 $\dfrac1n\sum f(\frac kn)\to\int_0^1 f$"写一遍再算。
|
> **建议**:先做真题感受原题难度,再做加练;每道题先按"标准骨架 $\dfrac1n\sum f(\frac kn)\to\int_0^1 f$ "写一遍再算。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
## 一、真题同类题(十年内仅此 2 道)
|
## 一、真题同类题(十年内仅此 2 道)
|
||||||
|
|
||||||
**真题 1|2017·16(解答 10 分)**:求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}\ln\left(1+\frac{k}{n}\right)$。
|
**真题 1|2017·16(解答 10 分)**:求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}\ln\left(1+\frac{k}{n}\right)$ 。
|
||||||
|
|
||||||
**真题 2|2021·4(单选 5 分)**:设 $f(x)$ 在 $[0,1]$ 上连续,则 $\int_0^1 f(x)dx=$( ),四个选项为不同分点/步长的黎曼和(左端点、右端点、中点、双倍细分等)。
|
**真题 2|2021·4(单选 5 分)**:设 $f(x)$ 在 $[0,1]$ 上连续,则 $\int_0^1 f(x)dx=$ ( ),四个选项为不同分点/步长的黎曼和(左端点、右端点、中点、双倍细分等)。
|
||||||
|
|
||||||
> 要点(2021·4 型):只要分点覆盖 $[0,1]$ 且步长 $\to0$,左/右/中点取法的极限都等于同一个积分——概念辨析的核心。
|
> 要点(2021·4 型):只要分点覆盖 $[0,1]$ 且步长 $\to0$ ,左/右/中点取法的极限都等于同一个积分——概念辨析的核心。
|
||||||
|
|
||||||
## 二、加练(4 题,原创)
|
## 二、加练(4 题,原创)
|
||||||
|
|
||||||
@@ -37,10 +37,10 @@ tags:
|
|||||||
|
|
||||||
**B.** 【系数归属 · 错题 1 同型换皮】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cos^2\frac{k\pi}{2n}=$ ____
|
**B.** 【系数归属 · 错题 1 同型换皮】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cos^2\frac{k\pi}{2n}=$ ____
|
||||||
|
|
||||||
**C.** 【积分区间变体 $[0,2]$】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{2}{n}\cdot\frac{1}{1+\left(\frac{2k}{n}\right)^2}=$ ____
|
**C.** 【积分区间变体 $[0,2]$ 】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{2}{n}\cdot\frac{1}{1+\left(\frac{2k}{n}\right)^2}=$ ____
|
||||||
|
|
||||||
**D.** 【分点陷阱 · 仿 2021·4 单选】设 $f(x)$ 在 $[0,1]$ 上连续,则下列极限值中**不等于** $\int_0^1 f(x)dx$ 的是( )
|
**D.** 【分点陷阱 · 仿 2021·4 单选】设 $f(x)$ 在 $[0,1]$ 上连续,则下列极限值中**不等于** $\int_0^1 f(x)dx$ 的是( )
|
||||||
(A)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)$ (B)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k-1}{n}\right)$ (C)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{2n}\right)$ (D)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{2k-1}{2n}\right)$
|
(A)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)$ (B)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k-1}{n}\right)$ (C)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{2n}\right)$ (D)$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{2k-1}{2n}\right)$
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -48,12 +48,12 @@ tags:
|
|||||||
|
|
||||||
| 题 | 答案 | 关键步骤 |
|
| 题 | 答案 | 关键步骤 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 真题1 | **$\dfrac14$** | $\frac{k}{n^2}\ln(1+\frac{k}{n})=\frac1n\cdot\frac{k}{n}\ln(1+\frac{k}{n})\to\int_0^1 x\ln(1+x)dx$;分部积分 $=\frac12\ln2-\int_0^1\frac{x^2}{2(1+x)}dx=\frac14$ |
|
| 真题1 | **$\dfrac14$ ** | $\frac{k}{n^2}\ln(1+\frac{k}{n})=\frac1n\cdot\frac{k}{n}\ln(1+\frac{k}{n})\to\int_0^1 x\ln(1+x)dx$ ;分部积分 $=\frac12\ln2-\int_0^1\frac{x^2}{2(1+x)}dx=\frac14$ |
|
||||||
| 真题2 | 视选项 | 左/右/中点均收敛到 $\int_0^1 f$;"双倍细分"要看是否仍覆盖 [0,1] |
|
| 真题2 | 视选项 | 左/右/中点均收敛到 $\int_0^1 f$ ;"双倍细分"要看是否仍覆盖 [0,1] |
|
||||||
| A | **$\dfrac38\ln3$** | $=\int_0^1 x\ln(1+2x)dx=\frac12\ln3-\int_0^1\frac{x^2}{1+2x}dx=\frac12\ln3-\frac18\ln3$ |
|
| A | **$\dfrac38\ln3$ ** | $=\int_0^1 x\ln(1+2x)dx=\frac12\ln3-\int_0^1\frac{x^2}{1+2x}dx=\frac12\ln3-\frac18\ln3$ |
|
||||||
| B | **$\dfrac12$** | $x_k=\frac{k}{n}\in(0,1]$,$\cos^2\frac{\pi x}{2}=\frac{1+\cos\pi x}{2}$,$\int_0^1\frac{1+\cos\pi x}{2}dx=\frac12$($\pi/2$ 在函数里,上限仍是 1——错题 1 同款陷阱) |
|
| B | **$\dfrac12$ ** | $x_k=\frac{k}{n}\in(0,1]$ ,$\cos^2\frac{\pi x}{2}=\frac{1+\cos\pi x}{2}$ ,$\int_0^1\frac{1+\cos\pi x}{2}dx=\frac12$ ($\pi/2$ 在函数里,上限仍是 1——错题 1 同款陷阱) |
|
||||||
| C | **$\arctan2$** | $x_k=\frac{2k}{n}\in(0,2]$,步长 $\frac2n$,$f(x)=\frac1{1+x^2}$,$\to\int_0^2\frac{dx}{1+x^2}=\arctan2$ |
|
| C | **$\arctan2$ ** | $x_k=\frac{2k}{n}\in(0,2]$ ,步长 $\frac2n$ ,$f(x)=\frac1{1+x^2}$ ,$\to\int_0^2\frac{dx}{1+x^2}=\arctan2$ |
|
||||||
| D | **C** | C:$x_k=\frac{k}{2n}\in(0,\frac12]$,极限 $=2\int_0^{1/2}f(x)dx$,一般 $\ne\int_0^1 f$;A 右端点、B 左端点、D 中点均收敛到 $\int_0^1 f$ |
|
| D | **C** | C:$x_k=\frac{k}{2n}\in(0,\frac12]$ ,极限 $=2\int_0^{1/2}f(x)dx$ ,一般 $\ne\int_0^1 f$ ;A 右端点、B 左端点、D 中点均收敛到 $\int_0^1 f$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
+14
-14
@@ -46,15 +46,15 @@ tags:
|
|||||||
**6.** 【1^∞ 型 · 锚 2018·9】$\displaystyle\lim_{x\to0}(\cos x)^{1/\sin^2x}=$ ____
|
**6.** 【1^∞ 型 · 锚 2018·9】$\displaystyle\lim_{x\to0}(\cos x)^{1/\sin^2x}=$ ____
|
||||||
|
|
||||||
**7.** 【无穷小阶 · 锚 2019·1/2020·1】当 $x\to0^+$ 时,下列无穷小量中**最高阶**的是( )
|
**7.** 【无穷小阶 · 锚 2019·1/2020·1】当 $x\to0^+$ 时,下列无穷小量中**最高阶**的是( )
|
||||||
(A)$\displaystyle\int_0^x\sin t^2\,\mathrm dt$ (B)$1-\cos x^2$ (C)$\tan x-\sin x$ (D)$\ln(1+x^3)$
|
(A)$\displaystyle\int_0^x\sin t^2\,\mathrm dt$ (B)$1-\cos x^2$ (C)$\tan x-\sin x$ (D)$\ln(1+x^3)$
|
||||||
|
|
||||||
**8.** 【连续性 · 锚 2017·1】设 $f(x)=\begin{cases}\dfrac{1-\cos kx}{x^2},&x\ne0\\[6pt]\dfrac12,&x=0\end{cases}$ 在 $x=0$ 处连续,则 $k=$ ____
|
**8.** 【连续性 · 锚 2017·1】设 $f(x)=\begin{cases}\dfrac{1-\cos kx}{x^2},&x\ne0\\[6pt]\dfrac12,&x=0\end{cases}$ 在 $x=0$ 处连续,则 $k=$ ____
|
||||||
|
|
||||||
**9.** 【数列极限 · 锚 2022·3】设数列 $\{x_n\}$ 满足 $0\le x_n\le\dfrac\pi2$,则关于 $\lim\limits_{n\to\infty}\sin x_n$,下列说法中**正确**的是( )
|
**9.** 【数列极限 · 锚 2022·3】设数列 $\{x_n\}$ 满足 $0\le x_n\le\dfrac\pi2$ ,则关于 $\lim\limits_{n\to\infty}\sin x_n$ ,下列说法中**正确**的是( )
|
||||||
(A)必存在 (B)必不存在 (C)当 $\{x_n\}$ 收敛时必存在,且 $\lim\sin x_n=\sin(\lim x_n)$ (D)与 $\{x_n\}$ 的收敛性无关
|
(A)必存在 (B)必不存在 (C)当 $\{x_n\}$ 收敛时必存在,且 $\lim\sin x_n=\sin(\lim x_n)$ (D)与 $\{x_n\}$ 的收敛性无关
|
||||||
|
|
||||||
**10.** 【极限与导数 · 锚 2024·4】设 $f(x)$ 在 $x=0$ 处可导且 $f(0)=0$,则 $\displaystyle\lim_{x\to0}\frac{f(\sin^2x)}{x^2}=$( )
|
**10.** 【极限与导数 · 锚 2024·4】设 $f(x)$ 在 $x=0$ 处可导且 $f(0)=0$ ,则 $\displaystyle\lim_{x\to0}\frac{f(\sin^2x)}{x^2}=$ ( )
|
||||||
(A)$f'(0)$ (B)$2f'(0)$ (C)$f(0)$ (D)不存在
|
(A)$f'(0)$ (B)$2f'(0)$ (C)$f(0)$ (D)不存在
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -62,15 +62,15 @@ tags:
|
|||||||
|
|
||||||
| 题 | 答案 | 关键步骤 |
|
| 题 | 答案 | 关键步骤 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 1 | **$\dfrac13$** | 通分:$\frac{\sin^2x-x^2}{x^2\sin^2x}=\frac{(x-\sin x)(x+\sin x)}{x^2\sin^2x}\sim\frac{\frac{x^3}{6}\cdot2x}{x^4}=\frac13$ |
|
| 1 | **$\dfrac13$ ** | 通分:$\frac{\sin^2x-x^2}{x^2\sin^2x}=\frac{(x-\sin x)(x+\sin x)}{x^2\sin^2x}\sim\frac{\frac{x^3}{6}\cdot2x}{x^4}=\frac13$ |
|
||||||
| 2 | **$-\dfrac e2$** | $(1+x)^{1/x}=e^{\frac1x\ln(1+x)}=e^{1-\frac x2+o(x)}=e(1-\frac x2+o(x))$,原式 $=\frac{e(-\frac x2+o(x))}{x}\to-\frac e2$ |
|
| 2 | **$-\dfrac e2$ ** | $(1+x)^{1/x}=e^{\frac1x\ln(1+x)}=e^{1-\frac x2+o(x)}=e(1-\frac x2+o(x))$ ,原式 $=\frac{e(-\frac x2+o(x))}{x}\to-\frac e2$ |
|
||||||
| 3 | **3** | $\ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}-\cdots$,$f(x)=\frac{x^3}{3}+o(x^3)$,与 $x^3$ 同阶,$k=3$ |
|
| 3 | **3** | $\ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}-\cdots$ ,$f(x)=\frac{x^3}{3}+o(x^3)$ ,与 $x^3$ 同阶,$k=3$ |
|
||||||
| 4 | **$\dfrac12$** | 洛必达两次(或一次):$\frac{2x\sin x^2}{4x^3}=\frac{2x\cdot x^2}{4x^3}=\frac12$ |
|
| 4 | **$\dfrac12$ ** | 洛必达两次(或一次):$\frac{2x\sin x^2}{4x^3}=\frac{2x\cdot x^2}{4x^3}=\frac12$ |
|
||||||
| 5 | **$\dfrac2\pi$** | $\frac1n\sum\sin\frac{k\pi}{2n}\to\int_0^1\sin\frac{\pi x}{2}dx=\frac2\pi$ |
|
| 5 | **$\dfrac2\pi$ ** | $\frac1n\sum\sin\frac{k\pi}{2n}\to\int_0^1\sin\frac{\pi x}{2}dx=\frac2\pi$ |
|
||||||
| 6 | **$e^{-1/2}$** | $\ln(\cos x)^{1/\sin^2x}=\frac{\ln\cos x}{\sin^2x}\sim\frac{-x^2/2}{x^2}=-\frac12$ |
|
| 6 | **$e^{-1/2}$ ** | $\ln(\cos x)^{1/\sin^2x}=\frac{\ln\cos x}{\sin^2x}\sim\frac{-x^2/2}{x^2}=-\frac12$ |
|
||||||
| 7 | **B** | A:$\sim\frac{x^3}{3}$(3 阶);B:$1-\cos x^2\sim\frac{x^4}{2}$(4 阶);C:$\tan x-\sin x\sim\frac{x^3}{2}$;D:$\sim x^3$。最高阶为 B |
|
| 7 | **B** | A:$\sim\frac{x^3}{3}$ (3 阶);B:$1-\cos x^2\sim\frac{x^4}{2}$ (4 阶);C:$\tan x-\sin x\sim\frac{x^3}{2}$ ;D:$\sim x^3$ 。最高阶为 B |
|
||||||
| 8 | **$\pm1$** | 连续 $\Rightarrow\lim\limits_{x\to0}\frac{1-\cos kx}{x^2}=\frac{k^2}{2}=\frac12\Rightarrow k^2=1$,$k=\pm1$ |
|
| 8 | **$\pm1$ ** | 连续 $\Rightarrow\lim\limits_{x\to0}\frac{1-\cos kx}{x^2}=\frac{k^2}{2}=\frac12\Rightarrow k^2=1$ ,$k=\pm1$ |
|
||||||
| 9 | **C** | 复合函数极限:$x_n\to a$ 且 $\sin$ 连续 $\Rightarrow\sin x_n\to\sin a$;$x_n$ 发散时(如交替 $0,\frac\pi2$)$\sin x_n$ 可取 $0,\sin1,\cdots$ 不收敛,故 A、B、D 均错 |
|
| 9 | **C** | 复合函数极限:$x_n\to a$ 且 $\sin$ 连续 $\Rightarrow\sin x_n\to\sin a$ ;$x_n$ 发散时(如交替 $0,\frac\pi2$ )$\sin x_n$ 可取 $0,\sin1,\cdots$ 不收敛,故 A、B、D 均错 |
|
||||||
| 10 | **A** | $\frac{f(\sin^2x)}{x^2}=\frac{f(\sin^2x)}{\sin^2x}\cdot\frac{\sin^2x}{x^2}\to f'(0)\cdot1=f'(0)$ |
|
| 10 | **A** | $\frac{f(\sin^2x)}{x^2}=\frac{f(\sin^2x)}{\sin^2x}\cdot\frac{\sin^2x}{x^2}\to f'(0)\cdot1=f'(0)$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|||||||
@@ -51,7 +51,7 @@ $$\lim_{n\to\infty}\left(1+\frac{1}{2n}\right)^{4n-1}=\underline{\quad\quad}$$
|
|||||||
$$\lim_{n\to\infty}\left(\frac{1}{\sqrt{n^2+1}}+\frac{1}{\sqrt{n^2+2}}+\cdots+\frac{1}{\sqrt{n^2+n}}\right)=\underline{\quad\quad}$$
|
$$\lim_{n\to\infty}\left(\frac{1}{\sqrt{n^2+1}}+\frac{1}{\sqrt{n^2+2}}+\cdots+\frac{1}{\sqrt{n^2+n}}\right)=\underline{\quad\quad}$$
|
||||||
|
|
||||||
**3.** 【复合函数极限存在性 · **锚 2022·3 考法**】
|
**3.** 【复合函数极限存在性 · **锚 2022·3 考法**】
|
||||||
设数列 $\{x_n\}$ 满足 $-\dfrac{\pi}{2}\le x_n\le\dfrac{\pi}{2}\ (n=1,2,\cdots)$。记
|
设数列 $\{x_n\}$ 满足 $-\dfrac{\pi}{2}\le x_n\le\dfrac{\pi}{2}\ (n=1,2,\cdots)$ 。记
|
||||||
- 命题 **A**:$\lim\limits_{n\to\infty}\cos(\sin x_n)$ 存在;
|
- 命题 **A**:$\lim\limits_{n\to\infty}\cos(\sin x_n)$ 存在;
|
||||||
- 命题 **B**:$\lim\limits_{n\to\infty}\sin(\cos x_n)$ 存在;
|
- 命题 **B**:$\lim\limits_{n\to\infty}\sin(\cos x_n)$ 存在;
|
||||||
- 命题 **C**:$\lim\limits_{n\to\infty}x_n$ 存在。
|
- 命题 **C**:$\lim\limits_{n\to\infty}x_n$ 存在。
|
||||||
@@ -63,7 +63,7 @@ $$\lim_{n\to\infty}\left(\frac{1}{\sqrt{n^2+1}}+\frac{1}{\sqrt{n^2+2}}+\cdots+\f
|
|||||||
- (D)A ⟺ B,且二者都弱于 C
|
- (D)A ⟺ B,且二者都弱于 C
|
||||||
|
|
||||||
**4.** 【一阶线性递推求通项】
|
**4.** 【一阶线性递推求通项】
|
||||||
设 $a_1=2$,$a_{n+1}=3a_n-2\ (n=1,2,\cdots)$,则 $\displaystyle\lim_{n\to\infty}\frac{a_n}{3^n}=\underline{\quad\quad}$。
|
设 $a_1=2$ ,$a_{n+1}=3a_n-2\ (n=1,2,\cdots)$ ,则 $\displaystyle\lim_{n\to\infty}\frac{a_n}{3^n}=\underline{\quad\quad}$ 。
|
||||||
|
|
||||||
### 【中等题】
|
### 【中等题】
|
||||||
|
|
||||||
@@ -74,15 +74,15 @@ $$\lim_{n\to\infty}\left[\prod_{k=1}^{n}\left(2+\frac{k}{n}\right)\right]^{1/n}=
|
|||||||
$$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\dfrac{k}{n}}{1+\left(\dfrac{k}{n}\right)^2}=\underline{\quad\quad}$$
|
$$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\dfrac{k}{n}}{1+\left(\dfrac{k}{n}\right)^2}=\underline{\quad\quad}$$
|
||||||
|
|
||||||
**7.** 【二阶线性递推 · 裂项相消】
|
**7.** 【二阶线性递推 · 裂项相消】
|
||||||
设 $a_1=1$,$a_2=3$,$a_{n+1}=\dfrac{2a_n+a_{n-1}}{3}\ (n\ge2)$,则 $\displaystyle\lim_{n\to\infty}a_n=\underline{\quad\quad}$。
|
设 $a_1=1$ ,$a_2=3$ ,$a_{n+1}=\dfrac{2a_n+a_{n-1}}{3}\ (n\ge2)$ ,则 $\displaystyle\lim_{n\to\infty}a_n=\underline{\quad\quad}$ 。
|
||||||
|
|
||||||
**8.** 【含参积分数列 · **锚 2019·18 手法**】
|
**8.** 【含参积分数列 · **锚 2019·18 手法**】
|
||||||
设 $\displaystyle a_n=\int_0^1\frac{x^n}{1+x}\,\mathrm dx\ (n=0,1,2,\cdots)$。
|
设 $\displaystyle a_n=\int_0^1\frac{x^n}{1+x}\,\mathrm dx\ (n=0,1,2,\cdots)$ 。
|
||||||
- (Ⅰ)证明 $\{a_n\}$ 单调递减,并求递推关系 $a_n+a_{n-1}\ (n\ge1)$;
|
- (Ⅰ)证明 $\{a_n\}$ 单调递减,并求递推关系 $a_n+a_{n-1}\ (n\ge1)$ ;
|
||||||
- (Ⅱ)求 $\displaystyle\lim_{n\to\infty}n a_n$。
|
- (Ⅱ)求 $\displaystyle\lim_{n\to\infty}n a_n$ 。
|
||||||
|
|
||||||
**9.** 【黎曼和"分点 / 步长"辨析 · **锚 2021·4 原题型**】
|
**9.** 【黎曼和"分点 / 步长"辨析 · **锚 2021·4 原题型**】
|
||||||
设函数 $f(x)$ 在 $[0,1]$ 上连续,则 $\displaystyle\int_0^1 f(x)\,\mathrm dx=$( )
|
设函数 $f(x)$ 在 $[0,1]$ 上连续,则 $\displaystyle\int_0^1 f(x)\,\mathrm dx=$ ( )
|
||||||
- (A)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{2k-1}{2n}\right)$
|
- (A)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{2k-1}{2n}\right)$
|
||||||
- (B)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)$
|
- (B)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)$
|
||||||
- (C)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{2k}{n}\right)$
|
- (C)$\displaystyle\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{2k}{n}\right)$
|
||||||
@@ -91,16 +91,16 @@ $$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\dfrac{k}{n}}{1+\left(\df
|
|||||||
### 【较难题】(单调有界四式,每题一种手法)
|
### 【较难题】(单调有界四式,每题一种手法)
|
||||||
|
|
||||||
**10.** 【单调有界 · **归纳法定界 + 作差有理化** · 锚 2018·19 方向】
|
**10.** 【单调有界 · **归纳法定界 + 作差有理化** · 锚 2018·19 方向】
|
||||||
设 $x_1=1$,$x_{n+1}=\sqrt{6+x_n}\ (n=1,2,\cdots)$。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$。
|
设 $x_1=1$ ,$x_{n+1}=\sqrt{6+x_n}\ (n=1,2,\cdots)$ 。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**11.** 【单调有界 · **辅助函数求导定单调** · 参考仓库例题型】
|
**11.** 【单调有界 · **辅助函数求导定单调** · 参考仓库例题型】
|
||||||
设 $x_1=1$,$x_{n+1}=\dfrac{1+2x_n}{1+x_n}\ (n=1,2,\cdots)$。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$。
|
设 $x_1=1$ ,$x_{n+1}=\dfrac{1+2x_n}{1+x_n}\ (n=1,2,\cdots)$ 。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**12.** 【单调有界 · **均值不等式定界** · 参考仓库例题型】
|
**12.** 【单调有界 · **均值不等式定界** · 参考仓库例题型】
|
||||||
设 $a_1=a>0$,$a_{n+1}=\dfrac12\left(a_n+\dfrac{2}{a_n}\right)\ (n=1,2,\cdots)$。证明数列 $\{a_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}a_n$。
|
设 $a_1=a>0$ ,$a_{n+1}=\dfrac12\left(a_n+\dfrac{2}{a_n}\right)\ (n=1,2,\cdots)$ 。证明数列 $\{a_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}a_n$ 。
|
||||||
|
|
||||||
**13.** 【单调有界 · **二次映射型**】
|
**13.** 【单调有界 · **二次映射型**】
|
||||||
设 $0<x_1<1$,$x_{n+1}=x_n(2-x_n)\ (n=1,2,\cdots)$。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$。
|
设 $0<x_1<1$ ,$x_{n+1}=x_n(2-x_n)\ (n=1,2,\cdots)$ 。证明数列 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**14.** 【数列 × 级数 跨章 · **锚 2019·3 原题型**】
|
**14.** 【数列 × 级数 跨章 · **锚 2019·3 原题型**】
|
||||||
设数列 $\{u_n\}$ 单调增加且有上界,则下列级数中**一定收敛**的是( )
|
设数列 $\{u_n\}$ 单调增加且有上界,则下列级数中**一定收敛**的是( )
|
||||||
@@ -119,78 +119,78 @@ $$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\dfrac{k}{n}}{1+\left(\df
|
|||||||
|
|
||||||
### 第 1 题
|
### 第 1 题
|
||||||
|
|
||||||
**答案:$\mathbf{e^2}$**
|
**答案:$\mathbf{e^2}$ **
|
||||||
|
|
||||||
**解:** 凑重要极限 $\lim\limits_{n\to\infty}\left(1+\frac1n\right)^n=e$:
|
**解:** 凑重要极限 $\lim\limits_{n\to\infty}\left(1+\frac1n\right)^n=e$ :
|
||||||
|
|
||||||
$$\left(1+\frac{1}{2n}\right)^{4n-1}=\left[\left(1+\frac{1}{2n}\right)^{2n}\right]^{\frac{4n-1}{2n}}$$
|
$$\left(1+\frac{1}{2n}\right)^{4n-1}=\left[\left(1+\frac{1}{2n}\right)^{2n}\right]^{\frac{4n-1}{2n}}$$
|
||||||
|
|
||||||
括号内 $\to e$,指数 $\dfrac{4n-1}{2n}=2-\dfrac{1}{2n}\to2$,故原式 $=e^2$。
|
括号内 $\to e$ ,指数 $\dfrac{4n-1}{2n}=2-\dfrac{1}{2n}\to2$ ,故原式 $=e^2$ 。
|
||||||
|
|
||||||
**思路**:$(1+\text{无穷小})^{\text{无穷大}}$ 型,第一步永远是配成 $(1+\frac1u)^u$。
|
**思路**:$(1+\text{无穷小})^{\text{无穷大}}$ 型,第一步永远是配成 $(1+\frac1u)^u$ 。
|
||||||
**易错点**:指数别算成 $4$——分母是 $2n$ 不是 $n$。
|
**易错点**:指数别算成 $4$ ——分母是 $2n$ 不是 $n$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 2 题
|
### 第 2 题
|
||||||
|
|
||||||
**答案:$\mathbf{1}$**
|
**答案:$\mathbf{1}$ **
|
||||||
|
|
||||||
**解:** 设 $S_n=\sum_{k=1}^{n}\dfrac{1}{\sqrt{n^2+k}}$。对每项放缩:
|
**解:** 设 $S_n=\sum_{k=1}^{n}\dfrac{1}{\sqrt{n^2+k}}$ 。对每项放缩:
|
||||||
|
|
||||||
$$\frac{1}{\sqrt{n^2+n}}\le\frac{1}{\sqrt{n^2+k}}\le\frac{1}{\sqrt{n^2+1}},\qquad k=1,2,\cdots,n$$
|
$$\frac{1}{\sqrt{n^2+n}}\le\frac{1}{\sqrt{n^2+k}}\le\frac{1}{\sqrt{n^2+1}},\qquad k=1,2,\cdots,n$$
|
||||||
|
|
||||||
求和得 $\dfrac{n}{\sqrt{n^2+n}}\le S_n\le\dfrac{n}{\sqrt{n^2+1}}$,而两端极限均为 $1$,由夹逼准则 $S_n\to1$。
|
求和得 $\dfrac{n}{\sqrt{n^2+n}}\le S_n\le\dfrac{n}{\sqrt{n^2+1}}$ ,而两端极限均为 $1$ ,由夹逼准则 $S_n\to1$ 。
|
||||||
|
|
||||||
**思路**:每项虽 $\sim\frac1n$,但分母是 $n^2+k$(不是 $n\cdot f(\frac kn)$),**提不出统一的 $\frac1n$**,故只能用夹逼。与第 6 题对照记。
|
**思路**:每项虽 $\sim\frac1n$ ,但分母是 $n^2+k$ (不是 $n\cdot f(\frac kn)$ ),**提不出统一的 $\frac1n$ **,故只能用夹逼。与第 6 题对照记。
|
||||||
**易错点**:别硬套定积分定义,会卡在"凑不出 $f(k/n)$"。
|
**易错点**:别硬套定积分定义,会卡在"凑不出 $f(k/n)$ "。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 3 题
|
### 第 3 题
|
||||||
|
|
||||||
**答案:$\mathbf{B}$**
|
**答案:$\mathbf{B}$ **
|
||||||
|
|
||||||
**解:** 关键在于判断三个极限之间的**等价链**。
|
**解:** 关键在于判断三个极限之间的**等价链**。
|
||||||
|
|
||||||
**(1)A ⟺ C。**
|
**(1)A ⟺ C。**
|
||||||
- $C\Rightarrow A$:$\sin$ 连续,$x_n\to a\Rightarrow\sin x_n\to\sin a\Rightarrow\cos(\sin x_n)\to\cos(\sin a)$。✔
|
- $C\Rightarrow A$ :$\sin$ 连续,$x_n\to a\Rightarrow\sin x_n\to\sin a\Rightarrow\cos(\sin x_n)\to\cos(\sin a)$ 。✔
|
||||||
- $A\Rightarrow C$:在 $\left[-\frac\pi2,\frac\pi2\right]$ 上 $\sin$ 严格单调且连续,其反函数 $\arcsin$ 连续。又 $\sin x_n\in[-1,1]\subset[0,\pi]$,而 $\cos$ 在 $[0,\pi]$ 上严格单调。故 $\cos(\sin x_n)$ 收敛 $\Rightarrow\sin x_n$ 收敛 $\Rightarrow x_n$ 收敛。✔
|
- $A\Rightarrow C$ :在 $\left[-\frac\pi2,\frac\pi2\right]$ 上 $\sin$ 严格单调且连续,其反函数 $\arcsin$ 连续。又 $\sin x_n\in[-1,1]\subset[0,\pi]$ ,而 $\cos$ 在 $[0,\pi]$ 上严格单调。故 $\cos(\sin x_n)$ 收敛 $\Rightarrow\sin x_n$ 收敛 $\Rightarrow x_n$ 收敛。✔
|
||||||
所以 **A ⟺ C**。
|
所以 **A ⟺ C**。
|
||||||
|
|
||||||
**(2)C ⟹ B**:$x_n\to a\Rightarrow\cos x_n\to\cos a\Rightarrow\sin(\cos x_n)\to\sin(\cos a)$。✔
|
**(2)C ⟹ B**:$x_n\to a\Rightarrow\cos x_n\to\cos a\Rightarrow\sin(\cos x_n)\to\sin(\cos a)$ 。✔
|
||||||
|
|
||||||
**(3)B ⟹ C 不成立**:取 $x_n$ 交替为 $\dfrac\pi2,-\dfrac\pi2$。则 $\cos x_n\equiv0$,$\sin(\cos x_n)\equiv0$ 收敛(B 真),但 $x_n$ 不收敛(C 假)。
|
**(3)B ⟹ C 不成立**:取 $x_n$ 交替为 $\dfrac\pi2,-\dfrac\pi2$ 。则 $\cos x_n\equiv0$ ,$\sin(\cos x_n)\equiv0$ 收敛(B 真),但 $x_n$ 不收敛(C 假)。
|
||||||
根源:$\cos$ 在 $\left[-\frac\pi2,\frac\pi2\right]$ 上是**偶函数,不单调**,$\cos x_n$ 收敛无法反推 $x_n$ 收敛。
|
根源:$\cos$ 在 $\left[-\frac\pi2,\frac\pi2\right]$ 上是**偶函数,不单调**,$\cos x_n$ 收敛无法反推 $x_n$ 收敛。
|
||||||
|
|
||||||
故 **A ⟺ C,C ⟹ B,B ⟹ C 不成立**,选 **B**。
|
故 **A ⟺ C,C ⟹ B,B ⟹ C 不成立**,选 **B**。
|
||||||
|
|
||||||
**思路**:这类题唯一解法是"**看内层函数在给定区间上是否单调**"——单调则"复合后收敛 ⟺ 内层收敛",不单调则只能单向推。
|
**思路**:这类题唯一解法是"**看内层函数在给定区间上是否单调**"——单调则"复合后收敛 ⟺ 内层收敛",不单调则只能单向推。
|
||||||
**易错点**:$\sin$(在 $[-\frac\pi2,\frac\pi2]$ 上)单调,$\cos$(在其上)不单调,两个方向必须分开讨论,不能想当然认为"对称"。
|
**易错点**:$\sin$ (在 $[-\frac\pi2,\frac\pi2]$ 上)单调,$\cos$ (在其上)不单调,两个方向必须分开讨论,不能想当然认为"对称"。
|
||||||
**真题骨架**:2022·3 原题用 $\lim\cos(\sin x_n)$、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的存在性关系设四个选项,本题为同考法重制。
|
**真题骨架**:2022·3 原题用 $\lim\cos(\sin x_n)$ 、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的存在性关系设四个选项,本题为同考法重制。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 4 题
|
### 第 4 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac13}$**
|
**答案:$\mathbf{\dfrac13}$ **
|
||||||
|
|
||||||
**解:** $a_{n+1}=3a_n-2$ 是标准非齐次线性递推,构造等比数列:设不动点 $c$ 满足 $c=3c-2\Rightarrow c=1$,则
|
**解:** $a_{n+1}=3a_n-2$ 是标准非齐次线性递推,构造等比数列:设不动点 $c$ 满足 $c=3c-2\Rightarrow c=1$ ,则
|
||||||
|
|
||||||
$$a_{n+1}-1=3(a_n-1)$$
|
$$a_{n+1}-1=3(a_n-1)$$
|
||||||
|
|
||||||
故 $\{a_n-1\}$ 是公比 $3$ 的等比数列,$a_1-1=1$,得 $a_n-1=3^{n-1}$,即 $a_n=3^{n-1}+1$。
|
故 $\{a_n-1\}$ 是公比 $3$ 的等比数列,$a_1-1=1$ ,得 $a_n-1=3^{n-1}$ ,即 $a_n=3^{n-1}+1$ 。
|
||||||
|
|
||||||
$$\frac{a_n}{3^n}=\frac{3^{n-1}+1}{3^n}=\frac13+\frac{1}{3^n}\to\frac13$$
|
$$\frac{a_n}{3^n}=\frac{3^{n-1}+1}{3^n}=\frac13+\frac{1}{3^n}\to\frac13$$
|
||||||
|
|
||||||
**思路**:见 $a_{n+1}=pa_n+q$,立即解不动点 $c=\dfrac{q}{1-p}$,作 $b_n=a_n-c$ 化为等比。
|
**思路**:见 $a_{n+1}=pa_n+q$ ,立即解不动点 $c=\dfrac{q}{1-p}$ ,作 $b_n=a_n-c$ 化为等比。
|
||||||
**易错点**:本题**不要**用单调有界准则——线性递推直接求通项最快。
|
**易错点**:本题**不要**用单调有界准则——线性递推直接求通项最快。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 5 题
|
### 第 5 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac{27}{4e}}$**
|
**答案:$\mathbf{\dfrac{27}{4e}}$ **
|
||||||
|
|
||||||
**解:** n 项积取对数化为 n 项和:
|
**解:** n 项积取对数化为 n 项和:
|
||||||
|
|
||||||
@@ -204,39 +204,39 @@ $$\lim_{n\to\infty}\ln L_n=\int_0^1\ln(2+x)\,\mathrm dx$$
|
|||||||
|
|
||||||
$$\int_0^1\ln(2+x)\,\mathrm dx=\Big[(2+x)\ln(2+x)-(2+x)\Big]_0^1=(3\ln3-3)-(2\ln2-2)=3\ln3-2\ln2-1$$
|
$$\int_0^1\ln(2+x)\,\mathrm dx=\Big[(2+x)\ln(2+x)-(2+x)\Big]_0^1=(3\ln3-3)-(2\ln2-2)=3\ln3-2\ln2-1$$
|
||||||
|
|
||||||
故 $\ln L=3\ln3-2\ln2-1=\ln\dfrac{27}{4}-1$,即 $L=\dfrac{27}{4e}$。
|
故 $\ln L=3\ln3-2\ln2-1=\ln\dfrac{27}{4}-1$ ,即 $L=\dfrac{27}{4e}$ 。
|
||||||
|
|
||||||
**思路**:n 项积 → 取对数 → n 项和 → 定积分定义,固定三步。
|
**思路**:n 项积 → 取对数 → n 项和 → 定积分定义,固定三步。
|
||||||
**易错点**:算完积分别停——$e^{3\ln3}=27$、$e^{2\ln2}=4$,最后要回到 $e^{\ln\frac{27}{4}-1}=\frac{27}{4e}$。
|
**易错点**:算完积分别停——$e^{3\ln3}=27$ 、$e^{2\ln2}=4$ ,最后要回到 $e^{\ln\frac{27}{4}-1}=\frac{27}{4e}$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 6 题
|
### 第 6 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac12\ln2}$**
|
**答案:$\mathbf{\dfrac12\ln2}$ **
|
||||||
|
|
||||||
**解:** 提出 $\dfrac1n$,凑出 $\dfrac{k}{n}$:
|
**解:** 提出 $\dfrac1n$ ,凑出 $\dfrac{k}{n}$ :
|
||||||
|
|
||||||
$$\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\frac{k}{n}}{1+\left(\frac{k}{n}\right)^2}=\frac1n\sum_{k=1}^{n}\underbrace{\frac{\frac{k}{n}}{1+\left(\frac{k}{n}\right)^2}}_{f(k/n)}$$
|
$$\sum_{k=1}^{n}\frac{1}{n}\cdot\frac{\frac{k}{n}}{1+\left(\frac{k}{n}\right)^2}=\frac1n\sum_{k=1}^{n}\underbrace{\frac{\frac{k}{n}}{1+\left(\frac{k}{n}\right)^2}}_{f(k/n)}$$
|
||||||
|
|
||||||
其中 $f(x)=\dfrac{x}{1+x^2}$,由定积分定义:
|
其中 $f(x)=\dfrac{x}{1+x^2}$ ,由定积分定义:
|
||||||
|
|
||||||
$$\int_0^1\frac{x}{1+x^2}\,\mathrm dx=\frac12\ln(1+x^2)\Big|_0^1=\frac12\ln2$$
|
$$\int_0^1\frac{x}{1+x^2}\,\mathrm dx=\frac12\ln(1+x^2)\Big|_0^1=\frac12\ln2$$
|
||||||
|
|
||||||
**思路**:定积分定义三步——① 提 $\frac1n$;② 凑 $\frac{k}{n}$;③ 认出 $f$。
|
**思路**:定积分定义三步——① 提 $\frac1n$ ;② 凑 $\frac{k}{n}$ ;③ 认出 $f$ 。
|
||||||
**易错点**:$\dfrac{1}{1+(k/n)^2}$ 里带着 $\frac kn$,要**整体当成 $f(k/n)$**,不要拆错。
|
**易错点**:$\dfrac{1}{1+(k/n)^2}$ 里带着 $\frac kn$ ,要**整体当成 $f(k/n)$ **,不要拆错。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 7 题
|
### 第 7 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac52}$**
|
**答案:$\mathbf{\dfrac52}$ **
|
||||||
|
|
||||||
**解:** 二阶递推的关键是**作差降阶**:
|
**解:** 二阶递推的关键是**作差降阶**:
|
||||||
|
|
||||||
$$a_{n+1}-a_n=\frac{2a_n+a_{n-1}}{3}-a_n=\frac{a_{n-1}-a_n}{3}=-\frac13(a_n-a_{n-1})$$
|
$$a_{n+1}-a_n=\frac{2a_n+a_{n-1}}{3}-a_n=\frac{a_{n-1}-a_n}{3}=-\frac13(a_n-a_{n-1})$$
|
||||||
|
|
||||||
所以 $\{a_{n+1}-a_n\}$ 是公比 $-\dfrac13$ 的等比数列,首项 $a_2-a_1=2$:
|
所以 $\{a_{n+1}-a_n\}$ 是公比 $-\dfrac13$ 的等比数列,首项 $a_2-a_1=2$ :
|
||||||
|
|
||||||
$$a_{n+1}-a_n=2\left(-\frac13\right)^{n-1}$$
|
$$a_{n+1}-a_n=2\left(-\frac13\right)^{n-1}$$
|
||||||
|
|
||||||
@@ -247,74 +247,74 @@ $$a_n=a_1+\sum_{i=1}^{n-1}(a_{i+1}-a_i)=1+2\sum_{i=1}^{n-1}\left(-\frac13\right)
|
|||||||
$$=1+\frac32\left[1-\left(-\frac13\right)^{n-1}\right]\xrightarrow{\ n\to\infty\ }1+\frac32=\frac52$$
|
$$=1+\frac32\left[1-\left(-\frac13\right)^{n-1}\right]\xrightarrow{\ n\to\infty\ }1+\frac32=\frac52$$
|
||||||
|
|
||||||
**思路**:二阶线性递推 $\to$ 作差 $\to$ 等比 $\to$ 裂项求和,是参考仓库"简单递推表达式"的标准路线。
|
**思路**:二阶线性递推 $\to$ 作差 $\to$ 等比 $\to$ 裂项求和,是参考仓库"简单递推表达式"的标准路线。
|
||||||
**易错点**:公比是 $-\frac13$(带负号),求和时分母是 $1+\frac13$,别写成 $1-\frac13$。
|
**易错点**:公比是 $-\frac13$ (带负号),求和时分母是 $1+\frac13$ ,别写成 $1-\frac13$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 8 题
|
### 第 8 题
|
||||||
|
|
||||||
**答案:(Ⅰ)见证明,$a_n+a_{n-1}=\dfrac1n$;(Ⅱ)$\mathbf{\dfrac12}$**
|
**答案:(Ⅰ)见证明,$a_n+a_{n-1}=\dfrac1n$ ;(Ⅱ)$\mathbf{\dfrac12}$ **
|
||||||
|
|
||||||
**(Ⅰ)证明:** 当 $x\in[0,1]$ 时 $x^n\le x^{n-1}$,且 $\dfrac1{1+x}>0$,故
|
**(Ⅰ)证明:** 当 $x\in[0,1]$ 时 $x^n\le x^{n-1}$ ,且 $\dfrac1{1+x}>0$ ,故
|
||||||
|
|
||||||
$$a_n=\int_0^1\frac{x^n}{1+x}\,\mathrm dx\le\int_0^1\frac{x^{n-1}}{1+x}\,\mathrm dx=a_{n-1}$$
|
$$a_n=\int_0^1\frac{x^n}{1+x}\,\mathrm dx\le\int_0^1\frac{x^{n-1}}{1+x}\,\mathrm dx=a_{n-1}$$
|
||||||
|
|
||||||
(更严格:$a_{n-1}-a_n=\displaystyle\int_0^1\frac{x^{n-1}(1-x)}{1+x}\,\mathrm dx>0$,故**严格**递减。)
|
(更严格:$a_{n-1}-a_n=\displaystyle\int_0^1\frac{x^{n-1}(1-x)}{1+x}\,\mathrm dx>0$ ,故**严格**递减。)
|
||||||
|
|
||||||
**递推关系**:
|
**递推关系**:
|
||||||
|
|
||||||
$$a_n+a_{n-1}=\int_0^1\frac{x^{n-1}(x+1)}{1+x}\,\mathrm dx=\int_0^1 x^{n-1}\,\mathrm dx=\frac1n$$
|
$$a_n+a_{n-1}=\int_0^1\frac{x^{n-1}(x+1)}{1+x}\,\mathrm dx=\int_0^1 x^{n-1}\,\mathrm dx=\frac1n$$
|
||||||
|
|
||||||
**(Ⅱ)解:** 换元 $x=t^{1/n}$,则 $\mathrm dx=\dfrac1n t^{\frac1n-1}\,\mathrm dt$,$x^n=t$:
|
**(Ⅱ)解:** 换元 $x=t^{1/n}$ ,则 $\mathrm dx=\dfrac1n t^{\frac1n-1}\,\mathrm dt$ ,$x^n=t$ :
|
||||||
|
|
||||||
$$n a_n=n\int_0^1\frac{x^n}{1+x}\,\mathrm dx=\int_0^1\frac{t^{1/n}}{1+t^{1/n}}\,\mathrm dt$$
|
$$n a_n=n\int_0^1\frac{x^n}{1+x}\,\mathrm dx=\int_0^1\frac{t^{1/n}}{1+t^{1/n}}\,\mathrm dt$$
|
||||||
|
|
||||||
当 $n\to\infty$ 时,对 $t\in(0,1]$ 有 $t^{1/n}\to1$,故被积函数 $\dfrac{t^{1/n}}{1+t^{1/n}}\to\dfrac12$,且被积函数有界($\le1$),由控制收敛**或**夹逼:
|
当 $n\to\infty$ 时,对 $t\in(0,1]$ 有 $t^{1/n}\to1$ ,故被积函数 $\dfrac{t^{1/n}}{1+t^{1/n}}\to\dfrac12$ ,且被积函数有界($\le1$ ),由控制收敛**或**夹逼:
|
||||||
|
|
||||||
$$\lim_{n\to\infty}n a_n=\int_0^1\frac12\,\mathrm dt=\frac12$$
|
$$\lim_{n\to\infty}n a_n=\int_0^1\frac12\,\mathrm dt=\frac12$$
|
||||||
|
|
||||||
**思路**:① 单调性靠"被积函数逐点比较";② 递推靠"两项相加消去 $1+x$";③ $na_n$ 的极限靠**换元 $x=t^{1/n}$** 把 $n$ 从幂次挪到积分号内,比硬套"$\lim(n+1)\int_0^1x^nf= f(1)$"结论更直观。
|
**思路**:① 单调性靠"被积函数逐点比较";② 递推靠"两项相加消去 $1+x$ ";③ $na_n$ 的极限靠**换元 $x=t^{1/n}$ ** 把 $n$ 从幂次挪到积分号内,比硬套"$\lim(n+1)\int_0^1x^nf= f(1)$ "结论更直观。
|
||||||
**易错点**:不要试图由递推 $a_{n-1}=\frac1n-a_n$ 硬解极限——换成 $na_n$ 的积分形式才顺畅。
|
**易错点**:不要试图由递推 $a_{n-1}=\frac1n-a_n$ 硬解极限——换成 $na_n$ 的积分形式才顺畅。
|
||||||
**真题骨架**:2019·18 用 $a_n=\int_0^1x^n\sqrt{1-x^2}\,dx$,考"分部积分找递推 + 求 $\lim\frac{a_n}{a_{n-1}}$",本题把递推方式换为"相加消元"、结论换为 $\lim na_n$,手法同源。
|
**真题骨架**:2019·18 用 $a_n=\int_0^1x^n\sqrt{1-x^2}\,dx$ ,考"分部积分找递推 + 求 $\lim\frac{a_n}{a_{n-1}}$ ",本题把递推方式换为"相加消元"、结论换为 $\lim na_n$ ,手法同源。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 9 题
|
### 第 9 题
|
||||||
|
|
||||||
**答案:$\mathbf{A}$**
|
**答案:$\mathbf{A}$ **
|
||||||
|
|
||||||
**解:** 黎曼和 = **步长 × 函数值之和**,两个要素都要对。
|
**解:** 黎曼和 = **步长 × 函数值之和**,两个要素都要对。
|
||||||
|
|
||||||
- **(A)** 步长 $\dfrac1n$,分点 $\dfrac{2k-1}{2n}$($k=1,\cdots,n$)为 $[0,1]$ 的**中点**,符合 $\int_0^1f$。✔
|
- **(A)** 步长 $\dfrac1n$ ,分点 $\dfrac{2k-1}{2n}$ ($k=1,\cdots,n$ )为 $[0,1]$ 的**中点**,符合 $\int_0^1f$ 。✔
|
||||||
- **(B)** 系数为 $\dfrac1n$,而 $\dfrac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)=2\cdot\underbrace{\frac{1}{2n}\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)}_{\to\int_0^1f}\to2\displaystyle\int_0^1f$。✘
|
- **(B)** 系数为 $\dfrac1n$ ,而 $\dfrac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)=2\cdot\underbrace{\frac{1}{2n}\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)}_{\to\int_0^1f}\to2\displaystyle\int_0^1f$ 。✘
|
||||||
- **(C)** 分点 $\dfrac{2k}{n}$($k=1,\cdots,n$)跑遍 $(0,2]$,实为 $\displaystyle\int_0^2f$。✘
|
- **(C)** 分点 $\dfrac{2k}{n}$ ($k=1,\cdots,n$ )跑遍 $(0,2]$ ,实为 $\displaystyle\int_0^2f$ 。✘
|
||||||
- **(D)** 系数 $\dfrac{1}{2n}$,只有正确系数 $\dfrac1n$ 的一半,故 $=\dfrac12\displaystyle\int_0^1f$。✘
|
- **(D)** 系数 $\dfrac{1}{2n}$ ,只有正确系数 $\dfrac1n$ 的一半,故 $=\dfrac12\displaystyle\int_0^1f$ 。✘
|
||||||
|
|
||||||
故只有 **A** 正确。
|
故只有 **A** 正确。
|
||||||
|
|
||||||
**思路**:判断"**前面的系数是不是 $\frac1n$**"+"**分点是否覆盖 $[0,1]$ 且步长匹配**",两条同时满足才是 $\int_0^1f$。
|
**思路**:判断"**前面的系数是不是 $\frac1n$ **"+"**分点是否覆盖 $[0,1]$ 且步长匹配**",两条同时满足才是 $\int_0^1f$ 。
|
||||||
**易错点**:只盯"分点密不密"会全错;B 是"分点多一倍但系数没变",C 是"分点跑过界",D 是"系数少一半"。
|
**易错点**:只盯"分点密不密"会全错;B 是"分点多一倍但系数没变",C 是"分点跑过界",D 是"系数少一半"。
|
||||||
**真题骨架**:2021·4 原题即为"$\int_0^1f=$( )"型四选项黎曼和辨析,本题重制。
|
**真题骨架**:2021·4 原题即为"$\int_0^1f=$ ( )"型四选项黎曼和辨析,本题重制。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 10 题
|
### 第 10 题
|
||||||
|
|
||||||
**答案:$\mathbf{3}$**
|
**答案:$\mathbf{3}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性(归纳法)**:$x_1=1<3$。假设 $x_k<3$,则 $x_{k+1}=\sqrt{6+x_k}<\sqrt{6+3}=3$。由归纳法 $0<x_n<3$ 对一切 $n$ 成立。
|
- **有界性(归纳法)**:$x_1=1<3$ 。假设 $x_k<3$ ,则 $x_{k+1}=\sqrt{6+x_k}<\sqrt{6+3}=3$ 。由归纳法 $0<x_n<3$ 对一切 $n$ 成立。
|
||||||
- **单调性(作差 + 有理化)**:
|
- **单调性(作差 + 有理化)**:
|
||||||
|
|
||||||
$$x_{n+1}-x_n=\sqrt{6+x_n}-x_n=\frac{6+x_n-x_n^2}{\sqrt{6+x_n}+x_n}=\frac{-(x_n-3)(x_n+2)}{\sqrt{6+x_n}+x_n}$$
|
$$x_{n+1}-x_n=\sqrt{6+x_n}-x_n=\frac{6+x_n-x_n^2}{\sqrt{6+x_n}+x_n}=\frac{-(x_n-3)(x_n+2)}{\sqrt{6+x_n}+x_n}$$
|
||||||
|
|
||||||
因 $0<x_n<3$,故 $-(x_n-3)>0$、$(x_n+2)>0$,分子为正,分母为正,所以 $x_{n+1}>x_n$,数列单调递增。
|
因 $0<x_n<3$ ,故 $-(x_n-3)>0$ 、$(x_n+2)>0$ ,分子为正,分母为正,所以 $x_{n+1}>x_n$ ,数列单调递增。
|
||||||
|
|
||||||
- **设极限**:由单调有界准则,设 $\lim x_n=a$。对 $x_{n+1}=\sqrt{6+x_n}$ 两边取极限:
|
- **设极限**:由单调有界准则,设 $\lim x_n=a$ 。对 $x_{n+1}=\sqrt{6+x_n}$ 两边取极限:
|
||||||
|
|
||||||
$$a=\sqrt{6+a}\Rightarrow a^2-a-6=0\Rightarrow a=3\ \text{或}\ a=-2$$
|
$$a=\sqrt{6+a}\Rightarrow a^2-a-6=0\Rightarrow a=3\ \text{或}\ a=-2$$
|
||||||
|
|
||||||
由保号性 $a\ge x_1=1>0$,舍去 $-2$,故 $a=3$。
|
由保号性 $a\ge x_1=1>0$ ,舍去 $-2$ ,故 $a=3$ 。
|
||||||
|
|
||||||
**思路**:根式递推四步——归纳证有界、作差有理化证单调、设极限、解方程取舍。
|
**思路**:根式递推四步——归纳证有界、作差有理化证单调、设极限、解方程取舍。
|
||||||
**易错点**:作差后**必须有理化**才能看清符号,直接比 $\sqrt{6+x_n}$ 与 $x_n$ 大小的方向容易搞反。
|
**易错点**:作差后**必须有理化**才能看清符号,直接比 $\sqrt{6+x_n}$ 与 $x_n$ 大小的方向容易搞反。
|
||||||
@@ -323,21 +323,21 @@ $$a=\sqrt{6+a}\Rightarrow a^2-a-6=0\Rightarrow a=3\ \text{或}\ a=-2$$
|
|||||||
|
|
||||||
### 第 11 题
|
### 第 11 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac{1+\sqrt5}{2}}$**
|
**答案:$\mathbf{\dfrac{1+\sqrt5}{2}}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性**:$f(x)=\dfrac{1+2x}{1+x}=2-\dfrac{1}{1+x}$。$x_1=1>0\Rightarrow$ 归纳得 $x_n>0$;又 $0<x_n<2$,故有界。
|
- **有界性**:$f(x)=\dfrac{1+2x}{1+x}=2-\dfrac{1}{1+x}$ 。$x_1=1>0\Rightarrow$ 归纳得 $x_n>0$ ;又 $0<x_n<2$ ,故有界。
|
||||||
- **单调性(辅助函数求导)**:
|
- **单调性(辅助函数求导)**:
|
||||||
|
|
||||||
$$f'(x)=\frac{1}{(1+x)^2}>0\quad(x>0)$$
|
$$f'(x)=\frac{1}{(1+x)^2}>0\quad(x>0)$$
|
||||||
|
|
||||||
故 $f$ 在 $(0,+\infty)$ 上单调递增。由 $x_2=\dfrac32>x_1=1$ 及 $f$ 递增,用归纳法:若 $x_{n}>x_{n-1}$,则 $x_{n+1}=f(x_n)>f(x_{n-1})=x_n$。所以 $\{x_n\}$ 单调递增。
|
故 $f$ 在 $(0,+\infty)$ 上单调递增。由 $x_2=\dfrac32>x_1=1$ 及 $f$ 递增,用归纳法:若 $x_{n}>x_{n-1}$ ,则 $x_{n+1}=f(x_n)>f(x_{n-1})=x_n$ 。所以 $\{x_n\}$ 单调递增。
|
||||||
|
|
||||||
- **设极限**:单调递增有上界,设 $\lim x_n=a$。对递推式取极限:
|
- **设极限**:单调递增有上界,设 $\lim x_n=a$ 。对递推式取极限:
|
||||||
|
|
||||||
$$a=\frac{1+2a}{1+a}\Rightarrow a^2+a=1+2a\Rightarrow a^2-a-1=0\Rightarrow a=\frac{1\pm\sqrt5}{2}$$
|
$$a=\frac{1+2a}{1+a}\Rightarrow a^2+a=1+2a\Rightarrow a^2-a-1=0\Rightarrow a=\frac{1\pm\sqrt5}{2}$$
|
||||||
|
|
||||||
由保号性 $a>0$,舍负根,故 $a=\dfrac{1+\sqrt5}{2}$。
|
由保号性 $a>0$ ,舍负根,故 $a=\dfrac{1+\sqrt5}{2}$ 。
|
||||||
|
|
||||||
**思路**:递推式能写成 $x_{n+1}=f(x_n)$ 且 $f$ 可导时,**先求 $f'$ 定单调方向**,再归纳——这是比"盲目作差"更快的通用手法。
|
**思路**:递推式能写成 $x_{n+1}=f(x_n)$ 且 $f$ 可导时,**先求 $f'$ 定单调方向**,再归纳——这是比"盲目作差"更快的通用手法。
|
||||||
**易错点**:$f'(x)>0$ 只说明 $f$ 递增,还需 $x_2>x_1$ 作为归纳起点。
|
**易错点**:$f'(x)>0$ 只说明 $f$ 递增,还需 $x_2>x_1$ 作为归纳起点。
|
||||||
@@ -346,22 +346,22 @@ $$a=\frac{1+2a}{1+a}\Rightarrow a^2+a=1+2a\Rightarrow a^2-a-1=0\Rightarrow a=\fr
|
|||||||
|
|
||||||
### 第 12 题
|
### 第 12 题
|
||||||
|
|
||||||
**答案:$\mathbf{\sqrt2}$**
|
**答案:$\mathbf{\sqrt2}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性(均值不等式)**:$a_1=a>0\Rightarrow a_n>0$。对 $n\ge1$:
|
- **有界性(均值不等式)**:$a_1=a>0\Rightarrow a_n>0$ 。对 $n\ge1$ :
|
||||||
|
|
||||||
$$a_{n+1}=\frac12\left(a_n+\frac{2}{a_n}\right)\ge\sqrt{a_n\cdot\frac{2}{a_n}}=\sqrt2$$
|
$$a_{n+1}=\frac12\left(a_n+\frac{2}{a_n}\right)\ge\sqrt{a_n\cdot\frac{2}{a_n}}=\sqrt2$$
|
||||||
|
|
||||||
即 $\{a_n\}$ 有下界 $\sqrt2$($n\ge2$ 起)。
|
即 $\{a_n\}$ 有下界 $\sqrt2$ ($n\ge2$ 起)。
|
||||||
|
|
||||||
- **单调性(作差)**:当 $n\ge2$ 时 $a_n\ge\sqrt2\Rightarrow a_n^2\ge2$:
|
- **单调性(作差)**:当 $n\ge2$ 时 $a_n\ge\sqrt2\Rightarrow a_n^2\ge2$ :
|
||||||
|
|
||||||
$$a_{n+1}-a_n=\frac12\left(a_n+\frac{2}{a_n}\right)-a_n=\frac{2-a_n^2}{2a_n}\le0$$
|
$$a_{n+1}-a_n=\frac12\left(a_n+\frac{2}{a_n}\right)-a_n=\frac{2-a_n^2}{2a_n}\le0$$
|
||||||
|
|
||||||
故 $\{a_n\}$ 从第 2 项起单调递减。
|
故 $\{a_n\}$ 从第 2 项起单调递减。
|
||||||
|
|
||||||
- **设极限**:单调递减且有下界,收敛,设 $\lim a_n=A$($A\ge\sqrt2$)。取极限:
|
- **设极限**:单调递减且有下界,收敛,设 $\lim a_n=A$ ($A\ge\sqrt2$ )。取极限:
|
||||||
|
|
||||||
$$A=\frac12\left(A+\frac2A\right)\Rightarrow 2A=A+\frac2A\Rightarrow A^2=2\Rightarrow A=\sqrt2$$
|
$$A=\frac12\left(A+\frac2A\right)\Rightarrow 2A=A+\frac2A\Rightarrow A^2=2\Rightarrow A=\sqrt2$$
|
||||||
|
|
||||||
@@ -372,45 +372,45 @@ $$A=\frac12\left(A+\frac2A\right)\Rightarrow 2A=A+\frac2A\Rightarrow A^2=2\Right
|
|||||||
|
|
||||||
### 第 13 题
|
### 第 13 题
|
||||||
|
|
||||||
**答案:$\mathbf{1}$**
|
**答案:$\mathbf{1}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性**:$0<x_1<1$。若 $0<x_n<1$,则 $x_{n+1}=x_n(2-x_n)$ 满足 $0<x_{n+1}<1$(因 $0<x_n<1\Rightarrow 1<2-x_n<2$)。由归纳法 $0<x_n<1$。
|
- **有界性**:$0<x_1<1$ 。若 $0<x_n<1$ ,则 $x_{n+1}=x_n(2-x_n)$ 满足 $0<x_{n+1}<1$ (因 $0<x_n<1\Rightarrow 1<2-x_n<2$ )。由归纳法 $0<x_n<1$ 。
|
||||||
- **单调性**:
|
- **单调性**:
|
||||||
|
|
||||||
$$x_{n+1}-x_n=x_n(2-x_n)-x_n=x_n(1-x_n)>0\quad(\text{因 }0<x_n<1)$$
|
$$x_{n+1}-x_n=x_n(2-x_n)-x_n=x_n(1-x_n)>0\quad(\text{因 }0<x_n<1)$$
|
||||||
|
|
||||||
故 $\{x_n\}$ 单调递增。
|
故 $\{x_n\}$ 单调递增。
|
||||||
- **设极限**:单调递增有上界 $1$,收敛,设 $\lim x_n=a$。取极限:
|
- **设极限**:单调递增有上界 $1$ ,收敛,设 $\lim x_n=a$ 。取极限:
|
||||||
|
|
||||||
$$a=a(2-a)\Rightarrow a^2-a=0\Rightarrow a=0\ \text{或}\ a=1$$
|
$$a=a(2-a)\Rightarrow a^2-a=0\Rightarrow a=0\ \text{或}\ a=1$$
|
||||||
|
|
||||||
由 $x_n\ge x_1>0$ 及保号性 $a\ge x_1>0$,舍去 $0$,故 $a=1$。
|
由 $x_n\ge x_1>0$ 及保号性 $a\ge x_1>0$ ,舍去 $0$ ,故 $a=1$ 。
|
||||||
|
|
||||||
**思路**:把递推式与 $x_n$ 作差,是判断单调最快的路径——$x_{n+1}-x_n=x_n(1-x_n)$ 直接暴露"递增"。
|
**思路**:把递推式与 $x_n$ 作差,是判断单调最快的路径——$x_{n+1}-x_n=x_n(1-x_n)$ 直接暴露"递增"。
|
||||||
**易错点**:与初版第 2 题的 $x_{n+1}=x_n(1-x_n)$(递减趋 $0$)是**镜像题**,一个是 $x_n(1-x_n)$、一个是 $x_n(2-x_n)$,结论一个趋 $0$ 一个趋 $1$,别记混。
|
**易错点**:与初版第 2 题的 $x_{n+1}=x_n(1-x_n)$ (递减趋 $0$ )是**镜像题**,一个是 $x_n(1-x_n)$ 、一个是 $x_n(2-x_n)$ ,结论一个趋 $0$ 一个趋 $1$ ,别记混。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 14 题
|
### 第 14 题
|
||||||
|
|
||||||
**答案:$\mathbf{D}$**
|
**答案:$\mathbf{D}$ **
|
||||||
|
|
||||||
**解:** $\{u_n\}$ 单调增加且有上界 $\Rightarrow$ 由单调有界准则,$u_n\to L$($L$ 为有限数)。
|
**解:** $\{u_n\}$ 单调增加且有上界 $\Rightarrow$ 由单调有界准则,$u_n\to L$ ($L$ 为有限数)。
|
||||||
|
|
||||||
- **(A)** 若 $L\ne0$,则 $\dfrac{u_n}{n}\sim\dfrac{L}{n}$,$\sum\dfrac Ln$ 发散,故 $\sum\dfrac{u_n}{n}$ **不一定**收敛。✘
|
- **(A)** 若 $L\ne0$ ,则 $\dfrac{u_n}{n}\sim\dfrac{L}{n}$ ,$\sum\dfrac Ln$ 发散,故 $\sum\dfrac{u_n}{n}$ **不一定**收敛。✘
|
||||||
- **(B)** 若 $L\ne0$,则 $\dfrac{1}{u_n}\to\dfrac1L\ne0$,通项不趋于 $0$,级数发散。✘
|
- **(B)** 若 $L\ne0$ ,则 $\dfrac{1}{u_n}\to\dfrac1L\ne0$ ,通项不趋于 $0$ ,级数发散。✘
|
||||||
- **(C)** 反例:取 $u_n=-\dfrac1n$(单调增加、有上界、$L=0$)。此时
|
- **(C)** 反例:取 $u_n=-\dfrac1n$ (单调增加、有上界、$L=0$ )。此时
|
||||||
|
|
||||||
$$1-\frac{u_n}{u_{n+1}}=1-\frac{-1/n}{-1/(n+1)}=1-\frac{n+1}{n}=-\frac1n,\qquad \sum-\frac1n\ \text{发散}$$
|
$$1-\frac{u_n}{u_{n+1}}=1-\frac{-1/n}{-1/(n+1)}=1-\frac{n+1}{n}=-\frac1n,\qquad \sum-\frac1n\ \text{发散}$$
|
||||||
|
|
||||||
故(C)**不一定**收敛。✘
|
故(C)**不一定**收敛。✘
|
||||||
- **(D)** 部分和 **裂项相消**:$\displaystyle\sum_{k=1}^{n}\left(u_{k+1}^3-u_k^3\right)=u_{n+1}^3-u_1^3\to L^3-u_1^3$,收敛。✔
|
- **(D)** 部分和 **裂项相消**:$\displaystyle\sum_{k=1}^{n}\left(u_{k+1}^3-u_k^3\right)=u_{n+1}^3-u_1^3\to L^3-u_1^3$ ,收敛。✔
|
||||||
|
|
||||||
故选 **D**。
|
故选 **D**。
|
||||||
|
|
||||||
**思路**:"单调有界数列→级数判敛"这类跨章题,核心是**先由单调有界准则得出 $u_n$ 收敛**,再把级数通项与 $\Delta u_n$ 比较。凡是**能裂项相消**的(如 $u_{n+1}^3-u_n^3$、$u_{n+1}^2-u_n^2$),部分和直接收敛,是最可靠的选项。
|
**思路**:"单调有界数列→级数判敛"这类跨章题,核心是**先由单调有界准则得出 $u_n$ 收敛**,再把级数通项与 $\Delta u_n$ 比较。凡是**能裂项相消**的(如 $u_{n+1}^3-u_n^3$ 、$u_{n+1}^2-u_n^2$ ),部分和直接收敛,是最可靠的选项。
|
||||||
**易错点**:(A)(B)都栽在"$L\ne0$"上;(C)的陷阱是"看着像 $\sum\Delta u_n$",但分母 $u_{n+1}$ 可能 $\to0$,把它放大后不一定收敛——**必须用反例证伪,不能凭感觉**。
|
**易错点**:(A)(B)都栽在"$L\ne0$ "上;(C)的陷阱是"看着像 $\sum\Delta u_n$ ",但分母 $u_{n+1}$ 可能 $\to0$ ,把它放大后不一定收敛——**必须用反例证伪,不能凭感觉**。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -452,7 +452,7 @@ $$1-\frac{u_n}{u_{n+1}}=1-\frac{-1/n}{-1/(n+1)}=1-\frac{n+1}{n}=-\frac1n,\qquad
|
|||||||
| 题 | 递推形式 | **定单调 / 定界手段** |
|
| 题 | 递推形式 | **定单调 / 定界手段** |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 10 | $x_{n+1}=\sqrt{6+x_n}$ | 归纳法定**上界** + 作差**有理化** |
|
| 10 | $x_{n+1}=\sqrt{6+x_n}$ | 归纳法定**上界** + 作差**有理化** |
|
||||||
| 11 | $x_{n+1}=\dfrac{1+2x_n}{1+x_n}$ | 写成 $f(x_n)$,**求 $f'$ 定单调** |
|
| 11 | $x_{n+1}=\dfrac{1+2x_n}{1+x_n}$ | 写成 $f(x_n)$ ,**求 $f'$ 定单调** |
|
||||||
| 12 | $a_{n+1}=\dfrac12\left(a_n+\dfrac2{a_n}\right)$ | **均值不等式定下界** + 作差定单调 |
|
| 12 | $a_{n+1}=\dfrac12\left(a_n+\dfrac2{a_n}\right)$ | **均值不等式定下界** + 作差定单调 |
|
||||||
| 13 | $x_{n+1}=x_n(2-x_n)$ | 作差**直接暴露符号** |
|
| 13 | $x_{n+1}=x_n(2-x_n)$ | 作差**直接暴露符号** |
|
||||||
|
|
||||||
@@ -482,9 +482,9 @@ $$1-\frac{u_n}{u_{n+1}}=1-\frac{-1/n}{-1/(n+1)}=1-\frac{n+1}{n}=-\frac1n,\qquad
|
|||||||
|
|
||||||
2024 年出现了一道**分量线性递推 → 矩阵幂**的解答题(第 13 章,10 分):
|
2024 年出现了一道**分量线性递推 → 矩阵幂**的解答题(第 13 章,10 分):
|
||||||
|
|
||||||
> 数列 $\{x_n\},\{y_n\},\{z_n\}$ 满足线性递推,$\alpha_n=(x_n,y_n,z_n)^T$,求矩阵 $A$、$A^n$ 及通项。
|
> 数列 $\{x_n\},\{y_n\},\{z_n\}$ 满足线性递推,$\alpha_n=(x_n,y_n,z_n)^T$ ,求矩阵 $A$ 、$A^n$ 及通项。
|
||||||
|
|
||||||
**与本题组的关系**:第 4、7 题练的是"低阶递推 → 通项",其**高阶版本**就是"递推组 → 矩阵对角化 → $A^n$"。建议在练完**线代·特征值与特征向量(第 19 份小练)**后,回看 2024·21 原题,把两条线接上。
|
**与本题组的关系**:第 4、7 题练的是"低阶递推 → 通项",其**高阶版本**就是"递推组 → 矩阵对角化 → $A^n$ "。建议在练完**线代·特征值与特征向量(第 19 份小练)** 后,回看 2024·21 原题,把两条线接上。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@@ -32,14 +32,14 @@ tags:
|
|||||||
| # | 一句话 |
|
| # | 一句话 |
|
||||||
|---|---|
|
|---|---|
|
||||||
| 1 | **数列极限不能洛必达**,只能用夹逼 / 定积分定义 / 单调有界 / 递推求通项。 |
|
| 1 | **数列极限不能洛必达**,只能用夹逼 / 定积分定义 / 单调有界 / 递推求通项。 |
|
||||||
| 2 | **幂指函数** $u^v=e^{v\ln u}$;当 $u\to1,v\to\infty$ 时 $\lim u^v=e^{\lim v(u-1)}$。 |
|
| 2 | **幂指函数** $u^v=e^{v\ln u}$ ;当 $u\to1,v\to\infty$ 时 $\lim u^v=e^{\lim v(u-1)}$ 。 |
|
||||||
| 3 | **单调有界准则**:单调 + 有界 ⇒ 收敛。是**充分条件**,有界未必收敛($1+(-1)^n$)。 |
|
| 3 | **单调有界准则**:单调 + 有界 ⇒ 收敛。是**充分条件**,有界未必收敛($1+(-1)^n$ )。 |
|
||||||
| 4 | **极限存在 ⇒ 有界**;反之不然。 |
|
| 4 | **极限存在 ⇒ 有界**;反之不然。 |
|
||||||
| 5 | 判断**发散**的利器:找到**两个极限不同的收敛子列**。 |
|
| 5 | 判断**发散**的利器:找到**两个极限不同的收敛子列**。 |
|
||||||
| 6 | **保号性(脱帽法)**:极限 $>0$ ⇒ 从某项起同号。**戴帽法**:从某项起 $a_n\ge b\Rightarrow a\ge b$,**等号必须保留**。 |
|
| 6 | **保号性(脱帽法)**:极限 $>0$ ⇒ 从某项起同号。**戴帽法**:从某项起 $a_n\ge b\Rightarrow a\ge b$ ,**等号必须保留**。 |
|
||||||
| 7 | **∞−∞** 不能拆成两极限相减,要**通分 / 提公因式**。 |
|
| 7 | **∞−∞** 不能拆成两极限相减,要**通分 / 提公因式**。 |
|
||||||
| 8 | **等价无穷小**在乘除中随便换;在**加减**中要满足 $\lim\frac{\alpha_1}{\beta_1}\ne\pm1$ 才能整体替换。 |
|
| 8 | **等价无穷小**在乘除中随便换;在**加减**中要满足 $\lim\frac{\alpha_1}{\beta_1}\ne\pm1$ 才能整体替换。 |
|
||||||
| 9 | **未定式七种**:$\frac00,\frac\infty\infty,0\cdot\infty,\infty-\infty,\infty^0,0^0,1^\infty$,最后都要化成**商**。 |
|
| 9 | **未定式七种**:$\frac00,\frac\infty\infty,0\cdot\infty,\infty-\infty,\infty^0,0^0,1^\infty$ ,最后都要化成**商**。 |
|
||||||
| 10 | **n 项和**:能提出 $\frac1n$ 且余部是 $f(\frac kn)$ ⇒ 定积分定义;提不出 ⇒ 夹逼。 |
|
| 10 | **n 项和**:能提出 $\frac1n$ 且余部是 $f(\frac kn)$ ⇒ 定积分定义;提不出 ⇒ 夹逼。 |
|
||||||
| 11 | **黎曼和** = 步长 × 函数值之和,**系数与分点必须匹配**。 |
|
| 11 | **黎曼和** = 步长 × 函数值之和,**系数与分点必须匹配**。 |
|
||||||
| 12 | 递推数列**先试解通项**(线性/可裂项);解不出再上**单调有界准则**(有界 + 单调两步都要写)。 |
|
| 12 | 递推数列**先试解通项**(线性/可裂项);解不出再上**单调有界准则**(有界 + 单调两步都要写)。 |
|
||||||
@@ -48,24 +48,24 @@ tags:
|
|||||||
|
|
||||||
## 1. 定义与语言(地基)
|
## 1. 定义与语言(地基)
|
||||||
|
|
||||||
### 1.1 数列极限($\xi$–$N$ 语言)🟩
|
### 1.1 数列极限($\xi$ –$N$ 语言)🟩
|
||||||
|
|
||||||
$$\lim_{n\to\infty}x_n=a\iff \forall\xi>0,\ \exists N\in\mathbb N_+,\ \text{当 }n>N\text{ 时}\ \lvert x_n-a\rvert<\xi$$
|
$$\lim_{n\to\infty}x_n=a\iff \forall\xi>0,\ \exists N\in\mathbb N_+,\ \text{当 }n>N\text{ 时}\ \lvert x_n-a\rvert<\xi$$
|
||||||
|
|
||||||
**用定义证明极限三步**:① 写 $\lvert x_n-a\rvert<\xi$;② 反解出 $n>g(\xi)$;③ 取 $N=[g(\xi)]+1$。
|
**用定义证明极限三步**:① 写 $\lvert x_n-a\rvert<\xi$ ;② 反解出 $n>g(\xi)$ ;③ 取 $N=[g(\xi)]+1$ 。
|
||||||
|
|
||||||
> 经典例:证 $\lim\limits_{n\to\infty}q^n=0\ (|q|<1)$——反解时**要取对数**,$\ln|q|<0$ 故除过去要变号。🟩
|
> 经典例:证 $\lim\limits_{n\to\infty}q^n=0\ (|q|<1)$ ——反解时**要取对数**,$\ln|q|<0$ 故除过去要变号。🟩
|
||||||
|
|
||||||
### 1.2 函数极限
|
### 1.2 函数极限
|
||||||
|
|
||||||
- 存在条件:$\lim\limits_{x\to x_0}f(x)=A\iff$ 左、右极限都存在且都等于 $A$(即在 $x_0$ 处**左极限 = 右极限**)。
|
- 存在条件:$\lim\limits_{x\to x_0}f(x)=A\iff$ 左、右极限都存在且都等于 $A$ (即在 $x_0$ 处**左极限 = 右极限**)。
|
||||||
- $\lim\limits_{x\to\infty}f(x)=A\iff$ 分别对 $x\to+\infty$、$x\to-\infty$ 都等于 $A$。
|
- $\lim\limits_{x\to\infty}f(x)=A\iff$ 分别对 $x\to+\infty$ 、$x\to-\infty$ 都等于 $A$ 。
|
||||||
|
|
||||||
### 1.3 无穷小 / 无穷大
|
### 1.3 无穷小 / 无穷大
|
||||||
|
|
||||||
- **无穷小**:极限为 $0$ 的变量($0$ 是唯一的"数是无穷小"的情形)。
|
- **无穷小**:极限为 $0$ 的变量($0$ 是唯一的"数是无穷小"的情形)。
|
||||||
- **无穷大**:$\lvert f(x)\rvert$ 无限增大;与无穷小互为倒数。
|
- **无穷大**:$\lvert f(x)\rvert$ 无限增大;与无穷小互为倒数。
|
||||||
- 关键等价:$\lim f(x)=A\iff f(x)=A+o(x),\ \lim o(x)=0$。
|
- 关键等价:$\lim f(x)=A\iff f(x)=A+o(x),\ \lim o(x)=0$ 。
|
||||||
- **渐近线**(顺带记):$\lim\limits_{x\to x_0}f(x)=\infty\Rightarrow x=x_0$ 是**垂直**渐近线;$\lim\limits_{x\to\infty}f(x)=a\Rightarrow y=a$ 是**水平**渐近线。
|
- **渐近线**(顺带记):$\lim\limits_{x\to x_0}f(x)=\infty\Rightarrow x=x_0$ 是**垂直**渐近线;$\lim\limits_{x\to\infty}f(x)=a\Rightarrow y=a$ 是**水平**渐近线。
|
||||||
|
|
||||||
### 1.4 $o(\cdot)$ 运算规则 🟩
|
### 1.4 $o(\cdot)$ 运算规则 🟩
|
||||||
@@ -82,9 +82,9 @@ $$o(x^m)\cdot o(x^n)=o(x^{m+n}),\quad x^m\cdot o(x^n)=o(x^{m+n})\quad\text{(
|
|||||||
| **唯一性** | 收敛数列的极限唯一 | — |
|
| **唯一性** | 收敛数列的极限唯一 | — |
|
||||||
| **有界性** | **极限存在 ⇒ 有界** | 反之不成立!反例:$1+(-1)^n$ |
|
| **有界性** | **极限存在 ⇒ 有界** | 反之不成立!反例:$1+(-1)^n$ |
|
||||||
| **保号性(脱帽)** | $\lim a_n=a\ne0$ ⇒ 从某项起 $a_n$ 与 $a$ 同号 | 可拿来**舍去增根** |
|
| **保号性(脱帽)** | $\lim a_n=a\ne0$ ⇒ 从某项起 $a_n$ 与 $a$ 同号 | 可拿来**舍去增根** |
|
||||||
| **戴帽法(保序)** | 从某项起 $a_n\ge b$,且 $a_n\to a$ ⇒ $a\ge b$ | **必须带等号**,是"≥"不是">" |
|
| **戴帽法(保序)** | 从某项起 $a_n\ge b$ ,且 $a_n\to a$ ⇒ $a\ge b$ | **必须带等号**,是"≥"不是">" |
|
||||||
|
|
||||||
> **考试用法**:单调有界证出收敛后,解方程常得**两个根**,用**保号性**($a\ge x_1$ 或 $a>0$)舍去错根。🟦 小练 10/11/12/13 每题都要用。
|
> **考试用法**:单调有界证出收敛后,解方程常得**两个根**,用**保号性**($a\ge x_1$ 或 $a>0$ )舍去错根。🟦 小练 10/11/12/13 每题都要用。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -95,7 +95,7 @@ $$o(x^m)\cdot o(x^n)=o(x^{m+n}),\quad x^m\cdot o(x^n)=o(x^{m+n})\quad\text{(
|
|||||||
- 收敛数列的**任何子列**都收敛,且极限相同。
|
- 收敛数列的**任何子列**都收敛,且极限相同。
|
||||||
- **三把反证利器**:
|
- **三把反证利器**:
|
||||||
1. 找到**一个发散的子列** ⇒ 原数列发散;
|
1. 找到**一个发散的子列** ⇒ 原数列发散;
|
||||||
2. 找到**两个极限不同的收敛子列** ⇒ 原数列发散(经典:$(-1)^n$,奇子列 $\to-1$、偶子列 $\to1$);
|
2. 找到**两个极限不同的收敛子列** ⇒ 原数列发散(经典:$(-1)^n$ ,奇子列 $\to-1$ 、偶子列 $\to1$ );
|
||||||
3. **奇、偶子列都收敛于同一个值** ⇒ 原数列收敛。
|
3. **奇、偶子列都收敛于同一个值** ⇒ 原数列收敛。
|
||||||
|
|
||||||
### 3.2 海涅定理(归结原则)——数列 ↔ 函数极限的桥 🟩
|
### 3.2 海涅定理(归结原则)——数列 ↔ 函数极限的桥 🟩
|
||||||
@@ -104,7 +104,7 @@ $$\lim_{x\to x_0}f(x)=A\iff \text{对任意 }x_n\to x_0\ (x_n\ne x_0),\ \lim_{n\
|
|||||||
|
|
||||||
**用途**:$n\to\infty$ 的数列极限**先转成函数极限**再用洛必达 / 泰勒 / 等价无穷小。
|
**用途**:$n\to\infty$ 的数列极限**先转成函数极限**再用洛必达 / 泰勒 / 等价无穷小。
|
||||||
|
|
||||||
> 🟩 例:$\lim\limits_{n\to\infty}\left(n\tan\frac1n\right)^{n^2}$ ⇒ 令 $x=\frac1n$,化为 $\lim\limits_{x\to0}\left(\frac{\tan x}{x}\right)^{1/x^2}=e^{1/3}$。
|
> 🟩 例:$\lim\limits_{n\to\infty}\left(n\tan\frac1n\right)^{n^2}$ ⇒ 令 $x=\frac1n$ ,化为 $\lim\limits_{x\to0}\left(\frac{\tan x}{x}\right)^{1/x^2}=e^{1/3}$ 。
|
||||||
|
|
||||||
### 3.3 夹逼准则 🟩
|
### 3.3 夹逼准则 🟩
|
||||||
|
|
||||||
@@ -112,8 +112,8 @@ $$y_n\le x_n\le z_n,\quad \lim y_n=\lim z_n=a\ \Longrightarrow\ \lim x_n=a$$
|
|||||||
|
|
||||||
**放缩口诀**:**分子不变,分母放大则整式变小,分母缩小则整式变大**;放缩后同时除以最高次项,两端都逼到同一个数。
|
**放缩口诀**:**分子不变,分母放大则整式变小,分母缩小则整式变大**;放缩后同时除以最高次项,两端都逼到同一个数。
|
||||||
|
|
||||||
> 🟩 例:求 $\lim\limits_{n\to\infty}\left(\frac{n}{n^2+1}+\cdots+\frac{n}{n^2+n}\right)$——先放缩成 $\frac{n^2}{n^2+n}<\sum<\frac{n^2}{n^2+1}$,两端极限均为 $1$。
|
> 🟩 例:求 $\lim\limits_{n\to\infty}\left(\frac{n}{n^2+1}+\cdots+\frac{n}{n^2+n}\right)$ ——先放缩成 $\frac{n^2}{n^2+n}<\sum<\frac{n^2}{n^2+1}$ ,两端极限均为 $1$ 。
|
||||||
> 🟦 小练 2 题同型:分母 $n^2+k$ 提不出统一的 $\frac1n$,只能夹逼。
|
> 🟦 小练 2 题同型:分母 $n^2+k$ 提不出统一的 $\frac1n$ ,只能夹逼。
|
||||||
|
|
||||||
### 3.4 单调有界准则(魏尔施特拉斯)🟩🟦
|
### 3.4 单调有界准则(魏尔施特拉斯)🟩🟦
|
||||||
|
|
||||||
@@ -123,13 +123,13 @@ $$y_n\le x_n\le z_n,\quad \lim y_n=\lim z_n=a\ \Longrightarrow\ \lim x_n=a$$
|
|||||||
|
|
||||||
1. **证有界**:归纳法 / 均值不等式 / 裂项放缩 / 三角不等式;
|
1. **证有界**:归纳法 / 均值不等式 / 裂项放缩 / 三角不等式;
|
||||||
2. **证单调**:作差 $x_{n+1}-x_n$ 看符号,或作商 $\dfrac{x_{n+1}}{x_n}$ 与 $1$ 比较;
|
2. **证单调**:作差 $x_{n+1}-x_n$ 看符号,或作商 $\dfrac{x_{n+1}}{x_n}$ 与 $1$ 比较;
|
||||||
3. **设极限解方程**:对递推式两边取极限得 $a=f(a)$,解出后**用保号性取舍**。
|
3. **设极限解方程**:对递推式两边取极限得 $a=f(a)$ ,解出后**用保号性取舍**。
|
||||||
|
|
||||||
**见到递推式 $a_{n+1}=f(a_n)$ 就先想单调有界**;但若能直接解出通项(线性、可裂项、可构造等比),就**别**绕远路。🟩
|
**见到递推式 $a_{n+1}=f(a_n)$ 就先想单调有界**;但若能直接解出通项(线性、可裂项、可构造等比),就**别**绕远路。🟩
|
||||||
|
|
||||||
### 3.5 柯西(Cauchy)准则 🟩
|
### 3.5 柯西(Cauchy)准则 🟩
|
||||||
|
|
||||||
数列收敛的**充要**条件:$\forall\xi>0,\exists N$,当 $m,n>N$ 时 $\lvert x_n-x_m\rvert<\xi$。
|
数列收敛的**充要**条件:$\forall\xi>0,\exists N$ ,当 $m,n>N$ 时 $\lvert x_n-x_m\rvert<\xi$ 。
|
||||||
(作用:单调有界只是**充分**条件;柯西是充要,可判断非单调的"波动逼近"型收敛。)
|
(作用:单调有界只是**充分**条件;柯西是充要,可判断非单调的"波动逼近"型收敛。)
|
||||||
|
|
||||||
### 3.6 存在与不存在的运算关系(**2022·3 型概念题的根**)🟩🟨
|
### 3.6 存在与不存在的运算关系(**2022·3 型概念题的根**)🟩🟨
|
||||||
@@ -137,13 +137,13 @@ $$y_n\le x_n\le z_n,\quad \lim y_n=\lim z_n=a\ \Longrightarrow\ \lim x_n=a$$
|
|||||||
| 运算 | 结论 | 反例 / 说明 |
|
| 运算 | 结论 | 反例 / 说明 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 存在 ± 不存在 | **一定不存在** | — |
|
| 存在 ± 不存在 | **一定不存在** | — |
|
||||||
| 不存在 ± 不存在 | **不一定** | $\sin\frac1x+\sin\frac1x$(不存在)vs $\sin\frac1x-\sin\frac1x$(存在) |
|
| 不存在 ± 不存在 | **不一定** | $\sin\frac1x+\sin\frac1x$ (不存在)vs $\sin\frac1x-\sin\frac1x$ (存在) |
|
||||||
| 存在 · 不存在 | **不一定** | $x\sin\frac1x$(存在)vs $1\cdot\sin\frac1x$(不存在) |
|
| 存在 · 不存在 | **不一定** | $x\sin\frac1x$ (存在)vs $1\cdot\sin\frac1x$ (不存在) |
|
||||||
| 不存在 · 不存在 | **不一定** | $\frac1x\cdot\frac1x$(不存在)vs $(-1)^n\cdot(-1)^n$(存在) |
|
| 不存在 · 不存在 | **不一定** | $\frac1x\cdot\frac1x$ (不存在)vs $(-1)^n\cdot(-1)^n$ (存在) |
|
||||||
|
|
||||||
> 🟨 **2022·3 真题考法**:$-\frac\pi2\le x_n\le\frac\pi2$,问 $\lim\cos(\sin x_n)$、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的存在性关系。
|
> 🟨 **2022·3 真题考法**:$-\frac\pi2\le x_n\le\frac\pi2$ ,问 $\lim\cos(\sin x_n)$ 、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的存在性关系。
|
||||||
> **解题钥匙**:看**内层函数在给定区间上是否单调**——
|
> **解题钥匙**:看**内层函数在给定区间上是否单调**——
|
||||||
> - $\sin$ 在 $[-\frac\pi2,\frac\pi2]$ 上**严格单调**(且 $\sin x_n\in[-1,1]\subset[0,\pi]$,$\cos$ 在其上单调)⇒ **$\cos(\sin x_n)$ 收敛 ⟺ $x_n$ 收敛**;
|
> - $\sin$ 在 $[-\frac\pi2,\frac\pi2]$ 上**严格单调**(且 $\sin x_n\in[-1,1]\subset[0,\pi]$ ,$\cos$ 在其上单调)⇒ **$\cos(\sin x_n)$ 收敛 ⟺ $x_n$ 收敛**;
|
||||||
> - $\cos$ 在 $[-\frac\pi2,\frac\pi2]$ 上**不单调**(偶函数)⇒ 只能**单向推**:$x_n$ 收敛 ⇒ $\sin(\cos x_n)$ 收敛,反之不成立(取 $x_n$ 交替 $\pm\frac\pi2$ 即反例)。
|
> - $\cos$ 在 $[-\frac\pi2,\frac\pi2]$ 上**不单调**(偶函数)⇒ 只能**单向推**:$x_n$ 收敛 ⇒ $\sin(\cos x_n)$ 收敛,反之不成立(取 $x_n$ 交替 $\pm\frac\pi2$ 即反例)。
|
||||||
> 🟦 小练加强版第 3 题即此考法。
|
> 🟦 小练加强版第 3 题即此考法。
|
||||||
|
|
||||||
@@ -156,9 +156,9 @@ $$y_n\le x_n\le z_n,\quad \lim y_n=\lim z_n=a\ \Longrightarrow\ \lim x_n=a$$
|
|||||||
$$\lim_{x\to0}\frac{\sin x}{x}=1,\qquad \lim_{x\to\infty}\left(1+\frac1x\right)^x=e\ \left(\text{等价 }\lim_{u\to0}(1+u)^{1/u}=e\right)$$
|
$$\lim_{x\to0}\frac{\sin x}{x}=1,\qquad \lim_{x\to\infty}\left(1+\frac1x\right)^x=e\ \left(\text{等价 }\lim_{u\to0}(1+u)^{1/u}=e\right)$$
|
||||||
|
|
||||||
**幂指函数优先用第二个重要极限**(不要急着取对数):见到 $(1-\frac{3}{6+x})^{\frac{x-1}{2}}$ 这种**分数幂**,先凑 $(1+\frac1u)^u$ 再算指数。🟩
|
**幂指函数优先用第二个重要极限**(不要急着取对数):见到 $(1-\frac{3}{6+x})^{\frac{x-1}{2}}$ 这种**分数幂**,先凑 $(1+\frac1u)^u$ 再算指数。🟩
|
||||||
> 🟦 小练 1 题:$(1+\frac1{2n})^{4n-1}=[(1+\frac1{2n})^{2n}]^{\frac{4n-1}{2n}}\to e^2$。
|
> 🟦 小练 1 题:$(1+\frac1{2n})^{4n-1}=[(1+\frac1{2n})^{2n}]^{\frac{4n-1}{2n}}\to e^2$ 。
|
||||||
|
|
||||||
### 4.2 等价无穷小($x\to0$,11 条速查)🟩
|
### 4.2 等价无穷小($x\to0$ ,11 条速查)🟩
|
||||||
|
|
||||||
| 组 | 等价关系 |
|
| 组 | 等价关系 |
|
||||||
|---|---|
|
|---|---|
|
||||||
@@ -166,22 +166,22 @@ $$\lim_{x\to0}\frac{\sin x}{x}=1,\qquad \lim_{x\to\infty}\left(1+\frac1x\right)^
|
|||||||
| 指数组 | $a^x-1\sim x\ln a$ |
|
| 指数组 | $a^x-1\sim x\ln a$ |
|
||||||
| 幂组 | $(1+x)^a-1\sim ax$ |
|
| 幂组 | $(1+x)^a-1\sim ax$ |
|
||||||
| 对数组 | $\log_a(1+x)\sim\dfrac{x}{\ln a}$ |
|
| 对数组 | $\log_a(1+x)\sim\dfrac{x}{\ln a}$ |
|
||||||
| 二阶组 | $1-\cos x\sim\dfrac{x^2}{2}$;$x-\ln(1+x)\sim\dfrac{x^2}{2}$ |
|
| 二阶组 | $1-\cos x\sim\dfrac{x^2}{2}$ ;$x-\ln(1+x)\sim\dfrac{x^2}{2}$ |
|
||||||
| 三阶组 | $x-\sin x\sim\dfrac{x^3}{6}$;$\arcsin x-x\sim\dfrac{x^3}{6}$;$\tan x-x\sim\dfrac{x^3}{3}$;$x-\arctan x\sim\dfrac{x^3}{3}$;$\tan x-\sin x\sim\dfrac{x^3}{2}$ |
|
| 三阶组 | $x-\sin x\sim\dfrac{x^3}{6}$ ;$\arcsin x-x\sim\dfrac{x^3}{6}$ ;$\tan x-x\sim\dfrac{x^3}{3}$ ;$x-\arctan x\sim\dfrac{x^3}{3}$ ;$\tan x-\sin x\sim\dfrac{x^3}{2}$ |
|
||||||
|
|
||||||
> **本质**:等价无穷小是泰勒展开在**一阶(或某固定阶)**上的特例。🟩
|
> **本质**:等价无穷小是泰勒展开在**一阶(或某固定阶)** 上的特例。🟩
|
||||||
|
|
||||||
**加减替换的适用条件**(**最容易忘**):
|
**加减替换的适用条件**(**最容易忘**):
|
||||||
|
|
||||||
- $\alpha\sim\alpha_1,\beta\sim\beta_1$ 且 $\lim\frac{\alpha_1}{\beta_1}\ne1$ ⇒ $\alpha-\beta\sim\alpha_1-\beta_1$;
|
- $\alpha\sim\alpha_1,\beta\sim\beta_1$ 且 $\lim\frac{\alpha_1}{\beta_1}\ne1$ ⇒ $\alpha-\beta\sim\alpha_1-\beta_1$ ;
|
||||||
- $\alpha\sim\alpha_1,\beta\sim\beta_1$ 且 $\lim\frac{\alpha_1}{\beta_1}\ne-1$ ⇒ $\alpha+\beta\sim\alpha_1+\beta_1$。
|
- $\alpha\sim\alpha_1,\beta\sim\beta_1$ 且 $\lim\frac{\alpha_1}{\beta_1}\ne-1$ ⇒ $\alpha+\beta\sim\alpha_1+\beta_1$ 。
|
||||||
|
|
||||||
即:**加减法中,替换后两者不能"抵消成 0"**。判断**阶数**时不受此限。
|
即:**加减法中,替换后两者不能"抵消成 0"**。判断**阶数**时不受此限。
|
||||||
|
|
||||||
> 🟨 **2023·11**:$f=ax+bx^2+\ln(1+x)$ 与 $g=e^{x^2}-\cos x$ 是等价无穷小,求 $ab$ —— 展开到**二阶**对齐系数。
|
> 🟨 **2023·11**:$f=ax+bx^2+\ln(1+x)$ 与 $g=e^{x^2}-\cos x$ 是等价无穷小,求 $ab$ —— 展开到**二阶**对齐系数。
|
||||||
> 🟨 **2019·1 / 2020·1**:比较无穷小**阶数**(低阶吸收高阶),$x-\tan x\sim-\frac{x^3}{3}$ 即 3 阶。
|
> 🟨 **2019·1 / 2020·1**:比较无穷小**阶数**(低阶吸收高阶),$x-\tan x\sim-\frac{x^3}{3}$ 即 3 阶。
|
||||||
|
|
||||||
### 4.3 泰勒 / 麦克劳林展开($x\to0$,必背表)🟩
|
### 4.3 泰勒 / 麦克劳林展开($x\to0$ ,必背表)🟩
|
||||||
|
|
||||||
$$e^x=1+x+\frac{x^2}{2}+\frac{x^3}{6}+o(x^3)$$
|
$$e^x=1+x+\frac{x^2}{2}+\frac{x^3}{6}+o(x^3)$$
|
||||||
$$\ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}+o(x^3)$$
|
$$\ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}+o(x^3)$$
|
||||||
@@ -190,9 +190,9 @@ $$(1+x)^a=1+ax+\frac{a(a-1)}{2}x^2+\frac{a(a-1)(a-2)}{6}x^3+o(x^3)$$
|
|||||||
$$\frac{1}{1-x}=1+x+x^2+x^3+o(x^3)$$
|
$$\frac{1}{1-x}=1+x+x^2+x^3+o(x^3)$$
|
||||||
$$\tan x=x+\frac{x^3}{3}+\frac{2x^5}{15}+o(x^5),\qquad \arctan x=x-\frac{x^3}{3}+\frac{x^5}{5}+o(x^5)$$
|
$$\tan x=x+\frac{x^3}{3}+\frac{2x^5}{15}+o(x^5),\qquad \arctan x=x-\frac{x^3}{3}+\frac{x^5}{5}+o(x^5)$$
|
||||||
|
|
||||||
**何时用泰勒**:$\frac AB$ **上下同阶**型、$A-B$ **幂次最低**型(如 $\frac{x-\sin x}{x^3}$、$\cos x-e^{-x^2/2}$)、**求参数**题(导数含未知参数,不能用洛必达)。
|
**何时用泰勒**:$\frac AB$ **上下同阶**型、$A-B$ **幂次最低**型(如 $\frac{x-\sin x}{x^3}$ 、$\cos x-e^{-x^2/2}$ )、**求参数**题(导数含未知参数,不能用洛必达)。
|
||||||
> 🟨 **2024·11**:$(1+ax^2)^{\sin x}-1$ 极限为 $6$ 求 $a$——展开 $(1+u)^a-1\sim au$ 加 $\sin x\sim x$。
|
> 🟨 **2024·11**:$(1+ax^2)^{\sin x}-1$ 极限为 $6$ 求 $a$ ——展开 $(1+u)^a-1\sim au$ 加 $\sin x\sim x$ 。
|
||||||
> 🟨 **2016·9**:变上限积分 $\frac{\int_0^x t\ln(1+t\sin t)dt}{1-\cos x^2}$——分母 $\sim\frac{x^4}{2}$,分子用等价无穷小两次。
|
> 🟨 **2016·9**:变上限积分 $\frac{\int_0^x t\ln(1+t\sin t)dt}{1-\cos x^2}$ ——分母 $\sim\frac{x^4}{2}$ ,分子用等价无穷小两次。
|
||||||
|
|
||||||
### 4.4 洛必达法则(含 6 条禁忌)🟩
|
### 4.4 洛必达法则(含 6 条禁忌)🟩
|
||||||
|
|
||||||
@@ -201,8 +201,8 @@ $$\lim\frac{f}{F}=\lim\frac{f'}{F'}\quad\left(\frac00\ \text{或}\ \frac\infty\i
|
|||||||
**禁忌清单**(🟨 十年真题反复踩):
|
**禁忌清单**(🟨 十年真题反复踩):
|
||||||
1. **只有函数极限能用洛必达,数列极限不能**;
|
1. **只有函数极限能用洛必达,数列极限不能**;
|
||||||
2. **只有未定式**能用(已能算出常数则禁用);
|
2. **只有未定式**能用(已能算出常数则禁用);
|
||||||
3. 若 $\lim\frac{f'}{F'}$ **不存在且非无穷**,法则**失效**(原极限可能仍存在,如 $\frac{x^2\sin(1/x)}{x}$);
|
3. 若 $\lim\frac{f'}{F'}$ **不存在且非无穷**,法则**失效**(原极限可能仍存在,如 $\frac{x^2\sin(1/x)}{x}$ );
|
||||||
4. 变量必须**都趋于 0 或 ∞**(如 $x\to1$ 时分母 $\to0$ 但分子 $\to1$,用洛必达得 1 是错的);
|
4. 变量必须**都趋于 0 或 ∞**(如 $x\to1$ 时分母 $\to0$ 但分子 $\to1$ ,用洛必达得 1 是错的);
|
||||||
5. 式子复杂、求导无规律时慎用;
|
5. 式子复杂、求导无规律时慎用;
|
||||||
6. 本质是**降幂**:幂次高的式子才值得洛必达。
|
6. 本质是**降幂**:幂次高的式子才值得洛必达。
|
||||||
|
|
||||||
@@ -210,14 +210,14 @@ $$\lim\frac{f}{F}=\lim\frac{f'}{F'}\quad\left(\frac00\ \text{或}\ \frac\infty\i
|
|||||||
|
|
||||||
$$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\ 1^\infty$$
|
$$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\ 1^\infty$$
|
||||||
|
|
||||||
- $\frac00,\frac\infty\infty$:洛必达 / 泰勒 / 等价无穷小。
|
- $\frac00,\frac\infty\infty$ :洛必达 / 泰勒 / 等价无穷小。
|
||||||
- $0\cdot\infty$:**下放**成商——$\dfrac{0}{1/\infty}$ 或 $\dfrac{\infty}{1/0}$,**只把"简单因式"下放**(幂函数、以 $e$ 为底的指数函数)。
|
- $0\cdot\infty$ :**下放**成商——$\dfrac{0}{1/\infty}$ 或 $\dfrac{\infty}{1/0}$ ,**只把"简单因式"下放**(幂函数、以 $e$ 为底的指数函数)。
|
||||||
- $\infty-\infty$:**通分**或**提公因式**(和差化积)。🟨 **2020·9、2021·17** 均为 ∞−∞ 型。
|
- $\infty-\infty$ :**通分**或**提公因式**(和差化积)。🟨 **2020·9、2021·17** 均为 ∞−∞ 型。
|
||||||
- $\infty^0,0^0,1^\infty$:**幂指函数** $u^v=e^{v\ln u}$;当 $u\to1,v\to\infty$ 时用 $\lim u^v=e^{\lim v(u-1)}$。
|
- $\infty^0,0^0,1^\infty$ :**幂指函数** $u^v=e^{v\ln u}$ ;当 $u\to1,v\to\infty$ 时用 $\lim u^v=e^{\lim v(u-1)}$ 。
|
||||||
- **总原则**:无论什么四则形式,**最后都要化成商**。
|
- **总原则**:无论什么四则形式,**最后都要化成商**。
|
||||||
|
|
||||||
> 🟨 **2025·11**:$0\cdot\infty$ 型 $\lim\limits_{x\to0^+}\frac{x^x-1}{\ln x\ln(1-x)}=-1$。
|
> 🟨 **2025·11**:$0\cdot\infty$ 型 $\lim\limits_{x\to0^+}\frac{x^x-1}{\ln x\ln(1-x)}=-1$ 。
|
||||||
> 🟨 **2018·9**:$1^\infty$ 型 $\left(\frac{1-\tan x}{1+\tan x}\right)^{\frac1{\sin kx}}=e$ 反求 $k$。
|
> 🟨 **2018·9**:$1^\infty$ 型 $\left(\frac{1-\tan x}{1+\tan x}\right)^{\frac1{\sin kx}}=e$ 反求 $k$ 。
|
||||||
|
|
||||||
### 4.6 常用化简技巧一览 🟩
|
### 4.6 常用化简技巧一览 🟩
|
||||||
|
|
||||||
@@ -234,8 +234,8 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
| **导数定义** | 形如 $\frac{f(x)-f(x_0)}{x-x_0}$ |
|
| **导数定义** | 形如 $\frac{f(x)-f(x_0)}{x-x_0}$ |
|
||||||
| **定积分定义** | n 项和(见 5.B) |
|
| **定积分定义** | n 项和(见 5.B) |
|
||||||
|
|
||||||
> 🟩 拉格朗日例题:$\lim\limits_{n\to\infty}n^2\left(\arctan\frac2n-\arctan\frac2{n+1}\right)=2$——把 $\arctan$ 看成 $f$,差化为 $f'(\xi)\left(\frac2n-\frac2{n+1}\right)$。
|
> 🟩 拉格朗日例题:$\lim\limits_{n\to\infty}n^2\left(\arctan\frac2n-\arctan\frac2{n+1}\right)=2$ ——把 $\arctan$ 看成 $f$ ,差化为 $f'(\xi)\left(\frac2n-\frac2{n+1}\right)$ 。
|
||||||
> 🟩 脱帽法例题:已知 $\lim\frac{x-\sin x+f(x)}{x^4}$ 存在 ⇒ 脱帽 $f(x)=Ax^4+\alpha x^4-(x-\sin x)$ ⇒ $\lim\frac{x^3}{f(x)}=-6$。
|
> 🟩 脱帽法例题:已知 $\lim\frac{x-\sin x+f(x)}{x^4}$ 存在 ⇒ 脱帽 $f(x)=Ax^4+\alpha x^4-(x-\sin x)$ ⇒ $\lim\frac{x^3}{f(x)}=-6$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -257,11 +257,11 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
```
|
```
|
||||||
|
|
||||||
**补充分支**:
|
**补充分支**:
|
||||||
- **n 项积** $\left[\prod g(k)\right]^{1/n}$:先**取对数**化为 n 项和,再走上面的流程。🟦 小练 5 题。
|
- **n 项积** $\left[\prod g(k)\right]^{1/n}$ :先**取对数**化为 n 项和,再走上面的流程。🟦 小练 5 题。
|
||||||
- **一般区间** $[a,b]$:$\displaystyle\frac{b-a}{n}\sum_{k=1}^n f\left(a+\frac{k}{n}(b-a)\right)\to\int_a^b f$。
|
- **一般区间** $[a,b]$ :$\displaystyle\frac{b-a}{n}\sum_{k=1}^n f\left(a+\frac{k}{n}(b-a)\right)\to\int_a^b f$ 。
|
||||||
|
|
||||||
> 🟨 **2017·16**:$\lim\sum\frac{k}{n^2}\ln(1+\frac kn)=\int_0^1x\ln(1+x)dx=\frac14$。
|
> 🟨 **2017·16**:$\lim\sum\frac{k}{n^2}\ln(1+\frac kn)=\int_0^1x\ln(1+x)dx=\frac14$ 。
|
||||||
> 🟨 **2021·4**:$\int_0^1 f=\ ?$ —— **黎曼和辨析**:$\underbrace{\frac1n}_{\text{步长}}\sum f(\cdot)$,**系数与分点必须匹配**;$\sum_{k=1}^{2n}$ 要配 $\frac{1}{2n}$,配 $\frac1n$ 就等于算了 $\int_0^2$。🟦 小练 9 题。
|
> 🟨 **2021·4**:$\int_0^1 f=\ ?$ —— **黎曼和辨析**:$\underbrace{\frac1n}_{\text{步长}}\sum f(\cdot)$ ,**系数与分点必须匹配**;$\sum_{k=1}^{2n}$ 要配 $\frac{1}{2n}$ ,配 $\frac1n$ 就等于算了 $\int_0^2$ 。🟦 小练 9 题。
|
||||||
|
|
||||||
### C. 递推数列:**先通项,后单调有界**
|
### C. 递推数列:**先通项,后单调有界**
|
||||||
|
|
||||||
@@ -275,17 +275,17 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
└─ 非线性(根式 / 分式 / 对数 / 隐式)──► 单调有界准则(见第 6 节四式)
|
└─ 非线性(根式 / 分式 / 对数 / 隐式)──► 单调有界准则(见第 6 节四式)
|
||||||
```
|
```
|
||||||
|
|
||||||
> 🟦 小练 4 题(一阶线性):$a_{n+1}=3a_n-2\Rightarrow a_n=3^{n-1}+1$。
|
> 🟦 小练 4 题(一阶线性):$a_{n+1}=3a_n-2\Rightarrow a_n=3^{n-1}+1$ 。
|
||||||
> 🟦 小练 7 题(二阶):$a_{n+1}=\frac{2a_n+a_{n-1}}{3}\Rightarrow a_{n+1}-a_n$ 公比 $-\frac13$ ⇒ 裂项 ⇒ $\frac52$。
|
> 🟦 小练 7 题(二阶):$a_{n+1}=\frac{2a_n+a_{n-1}}{3}\Rightarrow a_{n+1}-a_n$ 公比 $-\frac13$ ⇒ 裂项 ⇒ $\frac52$ 。
|
||||||
> 🟩 参考仓库同类:$2a_{n+1}=a_n+a_{n-1}\Rightarrow\lim a_n=\frac23$。
|
> 🟩 参考仓库同类:$2a_{n+1}=a_n+a_{n-1}\Rightarrow\lim a_n=\frac23$ 。
|
||||||
|
|
||||||
### D. 含参积分数列(**递推 + 端点集中**)
|
### D. 含参积分数列(**递推 + 端点集中**)
|
||||||
|
|
||||||
**套路**:① 单调性靠"被积函数逐点比较";② 用**分部积分**或**相加消元**得递推;③ 求极限靠 **$x^n$ 集中于端点 $x=1$**。
|
**套路**:① 单调性靠"被积函数逐点比较";② 用**分部积分**或**相加消元**得递推;③ 求极限靠 **$x^n$ 集中于端点 $x=1$ **。
|
||||||
|
|
||||||
- 🟨 **2019·18**:$a_n=\int_0^1x^n\sqrt{1-x^2}dx$,证 $a_n=\frac{n-1}{n+2}a_{n-2}$,求 $\lim\frac{a_n}{a_{n-1}}$。
|
- 🟨 **2019·18**:$a_n=\int_0^1x^n\sqrt{1-x^2}dx$ ,证 $a_n=\frac{n-1}{n+2}a_{n-2}$ ,求 $\lim\frac{a_n}{a_{n-1}}$ 。
|
||||||
- 🟦 小练 8 题:$a_n=\int_0^1\frac{x^n}{1+x}dx$,递推 $a_n+a_{n-1}=\frac1n$,$\lim na_n=\frac12$(换元 $x=t^{1/n}$)。
|
- 🟦 小练 8 题:$a_n=\int_0^1\frac{x^n}{1+x}dx$ ,递推 $a_n+a_{n-1}=\frac1n$ ,$\lim na_n=\frac12$ (换元 $x=t^{1/n}$ )。
|
||||||
- **两个标准结论**:$\displaystyle\lim_{n\to\infty}(n+1)\int_0^1x^nf(x)dx=f(1)$;$x^n$ 在 $[0,1)$ 上积分 $\to0$。
|
- **两个标准结论**:$\displaystyle\lim_{n\to\infty}(n+1)\int_0^1x^nf(x)dx=f(1)$ ;$x^n$ 在 $[0,1)$ 上积分 $\to0$ 。
|
||||||
|
|
||||||
### E. 数列 → 级数(跨章,见第 7 节)
|
### E. 数列 → 级数(跨章,见第 7 节)
|
||||||
|
|
||||||
@@ -295,14 +295,14 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
|
|
||||||
| 式 | 递推形式 | **定界手段** | **定单调手段** |
|
| 式 | 递推形式 | **定界手段** | **定单调手段** |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 一 | $x_{n+1}=\sqrt{6+x_n}$ | **归纳法**证上界($x_k<3\Rightarrow x_{k+1}<3$) | 作差后**有理化**,看分子符号 |
|
| 一 | $x_{n+1}=\sqrt{6+x_n}$ | **归纳法**证上界($x_k<3\Rightarrow x_{k+1}<3$ ) | 作差后**有理化**,看分子符号 |
|
||||||
| 二 | $x_{n+1}=\dfrac{1+2x_n}{1+x_n}$ | 写成 $f(x_n)$,$f(x)=\frac{1+2x}{1+x}\in(0,2)$ | **求 $f'(x)$** 定 $f$ 单调,再用 $x_2>x_1$ 归纳 |
|
| 二 | $x_{n+1}=\dfrac{1+2x_n}{1+x_n}$ | 写成 $f(x_n)$ ,$f(x)=\frac{1+2x}{1+x}\in(0,2)$ | **求 $f'(x)$ ** 定 $f$ 单调,再用 $x_2>x_1$ 归纳 |
|
||||||
| 三 | $a_{n+1}=\dfrac12\left(a_n+\dfrac2{a_n}\right)$ | **均值不等式** $u+v\ge2\sqrt{uv}$ 定下界 $\sqrt2$ | 作差 $\frac{2-a_n^2}{2a_n}\le0$($n\ge2$ 起单调) |
|
| 三 | $a_{n+1}=\dfrac12\left(a_n+\dfrac2{a_n}\right)$ | **均值不等式** $u+v\ge2\sqrt{uv}$ 定下界 $\sqrt2$ | 作差 $\frac{2-a_n^2}{2a_n}\le0$ ($n\ge2$ 起单调) |
|
||||||
| 四 | $x_{n+1}=x_n(2-x_n)$ | 归纳:$0<x_n<1\Rightarrow0<x_{n+1}<1$ | 作差得 $x_n(1-x_n)$,**符号直接暴露** |
|
| 四 | $x_{n+1}=x_n(2-x_n)$ | 归纳:$0<x_n<1\Rightarrow0<x_{n+1}<1$ | 作差得 $x_n(1-x_n)$ ,**符号直接暴露** |
|
||||||
|
|
||||||
**通用选择口诀**:
|
**通用选择口诀**:
|
||||||
- 递推式**能写成 $f(x_n)$ 且 $f$ 可导** ⇒ 优先**求导**定单调(式二);
|
- 递推式**能写成 $f(x_n)$ 且 $f$ 可导** ⇒ 优先**求导**定单调(式二);
|
||||||
- 递推式含**乘积为定值**($a_n\cdot\frac{c}{a_n}=c$)⇒ 用**均值不等式**定界(式三);
|
- 递推式含**乘积为定值**($a_n\cdot\frac{c}{a_n}=c$ )⇒ 用**均值不等式**定界(式三);
|
||||||
- 递推式含**根号** ⇒ **归纳 + 有理化**(式一);
|
- 递推式含**根号** ⇒ **归纳 + 有理化**(式一);
|
||||||
- 递推式是**多项式映射** ⇒ **作差直接看符号**(式四)。
|
- 递推式是**多项式映射** ⇒ **作差直接看符号**(式四)。
|
||||||
|
|
||||||
@@ -319,17 +319,17 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
|
|
||||||
| 真题 | 章节 | 手法 |
|
| 真题 | 章节 | 手法 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 🟨 2019·3 | 第7章 | 单调有界数列 $\{u_n\}$($u_n\to L$)⇒ 判 $\sum$ 收敛。**能裂项相消的**(如 $\sum(u_{n+1}^3-u_n^3)=u_{n+1}^3-u_1^3\to L^3-u_1^3$)**一定收敛**;$\sum\frac{u_n}{n}$、$\sum(-1)^n\frac1{u_n}$ 在 $L\ne0$ 时发散;$\sum(1-\frac{u_n}{u_{n+1}})$ 有反例 $u_n=-\frac1n$ 发散 ⇒ 答案选裂项项。🟦 小练 14 题 |
|
| 🟨 2019·3 | 第7章 | 单调有界数列 $\{u_n\}$ ($u_n\to L$ )⇒ 判 $\sum$ 收敛。**能裂项相消的**(如 $\sum(u_{n+1}^3-u_n^3)=u_{n+1}^3-u_1^3\to L^3-u_1^3$ )**一定收敛**;$\sum\frac{u_n}{n}$ 、$\sum(-1)^n\frac1{u_n}$ 在 $L\ne0$ 时发散;$\sum(1-\frac{u_n}{u_{n+1}})$ 有反例 $u_n=-\frac1n$ 发散 ⇒ 答案选裂项项。🟦 小练 14 题 |
|
||||||
| 🟨 2016·19 | 第7章 | $f(0)=1,\,0<f'<\frac12,\,x_{n+1}=f(x_n)$ ⇒ 证 $\sum(x_{n+1}-x_n)$ **绝对收敛** + $\lim x_n$ 存在且 $\in(0,2)$。核心:$|x_{n+1}-x_n|=f'(\xi)|x_n-x_{n-1}|<\frac12|\cdot|$ 几何级数控制。 |
|
| 🟨 2016·19 | 第7章 | $f(0)=1,\,0<f'<\frac12,\,x_{n+1}=f(x_n)$ ⇒ 证 $\sum(x_{n+1}-x_n)$ **绝对收敛** + $\lim x_n$ 存在且 $\in(0,2)$ 。核心:$|x_{n+1}-x_n|=f'(\xi)|x_n-x_{n-1}|<\frac12|\cdot|$ 几何级数控制。 |
|
||||||
| 🟨 2020·17 | 第7章 | 递推系数 $(n+1)a_{n+1}=(n+\frac12)a_n$ ⇒ 证幂级数 $\sum a_nx^n$ 收敛并求和函数。**递推式先求 $a_n$ 通项,再定收敛半径。** |
|
| 🟨 2020·17 | 第7章 | 递推系数 $(n+1)a_{n+1}=(n+\frac12)a_n$ ⇒ 证幂级数 $\sum a_nx^n$ 收敛并求和函数。**递推式先求 $a_n$ 通项,再定收敛半径。** |
|
||||||
|
|
||||||
### 7.2 数列 → 矩阵幂
|
### 7.2 数列 → 矩阵幂
|
||||||
|
|
||||||
| 真题 | 章节 | 手法 |
|
| 真题 | 章节 | 手法 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 🟨 2024·21 | 第13章 | 线性递推组 $\alpha_n=A\alpha_{n-1}$ ⇒ 求 $A$、$A^n$、通项. **低阶递推 → 通项** 的高阶版就是"递推组 → 矩阵对角化 → $A^n$"。 |
|
| 🟨 2024·21 | 第13章 | 线性递推组 $\alpha_n=A\alpha_{n-1}$ ⇒ 求 $A$ 、$A^n$ 、通项. **低阶递推 → 通项** 的高阶版就是"递推组 → 矩阵对角化 → $A^n$ "。 |
|
||||||
|
|
||||||
> **建议**:练完**线代·特征值(第 19 份)**后回看 2024·21,两条线接上。
|
> **建议**:练完**线代·特征值(第 19 份)** 后回看 2024·21,两条线接上。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -376,15 +376,15 @@ $$\frac00,\ \frac\infty\infty,\ 0\cdot\infty,\ \infty-\infty,\ \infty^0,\ 0^0,\
|
|||||||
| 1 | 对**数列极限用洛必达**(无效) | 🟩 §4.4 |
|
| 1 | 对**数列极限用洛必达**(无效) | 🟩 §4.4 |
|
||||||
| 2 | ∞−∞ **直接拆成两个极限相减**(可能都不存在) | 🟨 2020·9 / 2021·17 |
|
| 2 | ∞−∞ **直接拆成两个极限相减**(可能都不存在) | 🟨 2020·9 / 2021·17 |
|
||||||
| 3 | 加减法中**乱用等价无穷小**(抵消成 0 就错) | 🟩 §4.2 |
|
| 3 | 加减法中**乱用等价无穷小**(抵消成 0 就错) | 🟩 §4.2 |
|
||||||
| 4 | 黎曼和**系数与分点不匹配**($\sum^{2n}$ 配 $\frac1n$) | 🟨 2021·4 / 🟦 小练 9 |
|
| 4 | 黎曼和**系数与分点不匹配**($\sum^{2n}$ 配 $\frac1n$ ) | 🟨 2021·4 / 🟦 小练 9 |
|
||||||
| 5 | 递推数列**能解通项却硬套单调有界**(浪费时间) | 🟩 §5.C |
|
| 5 | 递推数列**能解通项却硬套单调有界**(浪费时间) | 🟩 §5.C |
|
||||||
| 6 | 单调有界**只证一步**(有界或单调缺一就无效) | 🟩 §3.4 |
|
| 6 | 单调有界**只证一步**(有界或单调缺一就无效) | 🟩 §3.4 |
|
||||||
| 7 | 解出 $a=f(a)$ 后**不取舍增根**(忘用保号性) | 🟦 小练 10–13 |
|
| 7 | 解出 $a=f(a)$ 后**不取舍增根**(忘用保号性) | 🟦 小练 10–13 |
|
||||||
| 8 | 认为"**有界 ⇒ 收敛**"(反例 $1+(-1)^n$) | 🟩 §2 |
|
| 8 | 认为"**有界 ⇒ 收敛**"(反例 $1+(-1)^n$ ) | 🟩 §2 |
|
||||||
| 9 | 戴帽法**丢掉等号**(写成 ">") | 🟩 §2 |
|
| 9 | 戴帽法**丢掉等号**(写成 ">") | 🟩 §2 |
|
||||||
| 10 | 幂指函数化简**丢了外面的 $e$** | 🟦 小练 1 |
|
| 10 | 幂指函数化简**丢了外面的 $e$ ** | 🟦 小练 1 |
|
||||||
| 11 | 变上限积分求极限**忘记上限也是变量** | 🟨 2016·9 |
|
| 11 | 变上限积分求极限**忘记上限也是变量** | 🟨 2016·9 |
|
||||||
| 12 | 含参积分**分部积分符号错**,或比值极限**硬除 $a_{n-1}$** | 🟨 2019·18 / 🟦 小练 8 |
|
| 12 | 含参积分**分部积分符号错**,或比值极限**硬除 $a_{n-1}$ ** | 🟨 2019·18 / 🟦 小练 8 |
|
||||||
| 13 | n 项和**提不出 $\frac1n$ 还硬套定积分定义** | 🟦 小练 2 |
|
| 13 | n 项和**提不出 $\frac1n$ 还硬套定积分定义** | 🟦 小练 2 |
|
||||||
| 14 | 复合极限**以为收敛可双向反推**(内层不单调时不行) | 🟨 2022·3 / 🟦 小练 3 |
|
| 14 | 复合极限**以为收敛可双向反推**(内层不单调时不行) | 🟨 2022·3 / 🟦 小练 3 |
|
||||||
| 15 | **求参数题用洛必达**(导数含参数,应改用泰勒) | 🟩 §4.3 |
|
| 15 | **求参数题用洛必达**(导数含参数,应改用泰勒) | 🟩 §4.3 |
|
||||||
|
|||||||
@@ -45,7 +45,7 @@ tags:
|
|||||||
|
|
||||||
| 文档标注 | 文档说法 | 数据库实际 | 判定 |
|
| 文档标注 | 文档说法 | 数据库实际 | 判定 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 2016·19 | "递推数列 + 单调有界(解答 10 分)" | **第 7 章 无穷级数**,考点"数项级数收敛证明";题意为 $f(0)=1,\ 0<f'<\frac12,\ x_{n+1}=f(x_n)$,证 $\sum(x_{n+1}-x_n)$ 绝对收敛 | ❌ 错标章节 + 错标考法(是级数题,不是单调有界题) |
|
| 2016·19 | "递推数列 + 单调有界(解答 10 分)" | **第 7 章 无穷级数**,考点"数项级数收敛证明";题意为 $f(0)=1,\ 0<f'<\frac12,\ x_{n+1}=f(x_n)$ ,证 $\sum(x_{n+1}-x_n)$ 绝对收敛 | ❌ 错标章节 + 错标考法(是级数题,不是单调有界题) |
|
||||||
| 2017·16 | "定积分定义求数列和" | **第 3 章 一元函数积分学**,考点"定积分定义求极限" | ⚠️ 考法对,但**不在第 1 章**,不当计入"数列" |
|
| 2017·16 | "定积分定义求数列和" | **第 3 章 一元函数积分学**,考点"定积分定义求极限" | ⚠️ 考法对,但**不在第 1 章**,不当计入"数列" |
|
||||||
| 2019·18 | "含参积分数列" | **第 3 章 一元函数积分学**,考点"含参积分递推" | ⚠️ 考法对,但**不在第 1 章** |
|
| 2019·18 | "含参积分数列" | **第 3 章 一元函数积分学**,考点"含参积分递推" | ⚠️ 考法对,但**不在第 1 章** |
|
||||||
| 2021·4 | "黎曼和分点辨析" | **第 3 章 一元函数积分学**,考点"定积分定义(黎曼和)" | ⚠️ 同上 |
|
| 2021·4 | "黎曼和分点辨析" | **第 3 章 一元函数积分学**,考点"定积分定义(黎曼和)" | ⚠️ 同上 |
|
||||||
@@ -64,14 +64,14 @@ tags:
|
|||||||
### D3 · 第 2 题与所锚真题考法不符
|
### D3 · 第 2 题与所锚真题考法不符
|
||||||
|
|
||||||
- 文档第 2 题:递推数列 $x_{n+1}=x_n(1-x_n)$ 的**收敛性判断**,却标注"锚 **2022·3** 概念方向"。
|
- 文档第 2 题:递推数列 $x_{n+1}=x_n(1-x_n)$ 的**收敛性判断**,却标注"锚 **2022·3** 概念方向"。
|
||||||
- 数据库 2022·3 实际:设 $-\frac\pi2\le x_n\le\frac\pi2$,讨论 $\lim\cos(\sin x_n)$、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的**存在性关系**——考的是**复合函数极限存在性**,与递推数列无关。
|
- 数据库 2022·3 实际:设 $-\frac\pi2\le x_n\le\frac\pi2$ ,讨论 $\lim\cos(\sin x_n)$ 、$\lim\sin(\cos x_n)$ 与 $\lim x_n$ 的**存在性关系**——考的是**复合函数极限存在性**,与递推数列无关。
|
||||||
- 即"概念题"名对,**考法完全不是一回事**,学生按此锚点回刷真题会发现对不上。
|
- 即"概念题"名对,**考法完全不是一回事**,学生按此锚点回刷真题会发现对不上。
|
||||||
|
|
||||||
### D4 · 漏掉 2024 年的新题型(最关键)
|
### D4 · 漏掉 2024 年的新题型(最关键)
|
||||||
|
|
||||||
数据库第 13 章(特征值)有 **2024·21(解答 10 分)**:
|
数据库第 13 章(特征值)有 **2024·21(解答 10 分)**:
|
||||||
|
|
||||||
> 数列 $\{x_n\},\{y_n\},\{z_n\}$ 满足线性递推,记 $\alpha_n=(x_n,y_n,z_n)^T$,求矩阵 $A$、$A^n$ 及 $x_n,y_n,z_n$。
|
> 数列 $\{x_n\},\{y_n\},\{z_n\}$ 满足线性递推,记 $\alpha_n=(x_n,y_n,z_n)^T$ ,求矩阵 $A$ 、$A^n$ 及 $x_n,y_n,z_n$ 。
|
||||||
|
|
||||||
这是"**数列递推 → 矩阵幂**"的跨章新趋势,也是近十年数列相关题中分值最重的一道。文档只字未提。
|
这是"**数列递推 → 矩阵幂**"的跨章新趋势,也是近十年数列相关题中分值最重的一道。文档只字未提。
|
||||||
|
|
||||||
@@ -79,10 +79,10 @@ tags:
|
|||||||
|
|
||||||
### D5 · 难度偏浅、手法偏窄
|
### D5 · 难度偏浅、手法偏窄
|
||||||
|
|
||||||
- 10 题里 6 题为标准套路($1^\infty$、$n$ 项和、夹逼、线性递推、单调有界根式型),真正需要"想一步"的不多。
|
- 10 题里 6 题为标准套路($1^\infty$ 、$n$ 项和、夹逼、线性递推、单调有界根式型),真正需要"想一步"的不多。
|
||||||
- **单调有界**作为本专题最核心的证明考点(参考仓库 `limit.tex` 用整整一节展开),文档只用了"作差 + 有理化"**一种**定单调手法,未纳入参考仓库已给的另外三类:
|
- **单调有界**作为本专题最核心的证明考点(参考仓库 `limit.tex` 用整整一节展开),文档只用了"作差 + 有理化"**一种**定单调手法,未纳入参考仓库已给的另外三类:
|
||||||
1. **辅助函数求导定单调**(如 $x_{n+1}=\frac{1+2x_n}{1+x_n}$,$f'(x)>0$)
|
1. **辅助函数求导定单调**(如 $x_{n+1}=\frac{1+2x_n}{1+x_n}$ ,$f'(x)>0$ )
|
||||||
2. **均值不等式定界**(如 $a_{n+1}=\frac12\left(a_n+\frac2{a_n}\right)\ge\sqrt2$)
|
2. **均值不等式定界**(如 $a_{n+1}=\frac12\left(a_n+\frac2{a_n}\right)\ge\sqrt2$ )
|
||||||
3. **隐式方程 / 二次映射**型递推
|
3. **隐式方程 / 二次映射**型递推
|
||||||
- 2018·19 的**真正难点在"隐式方程"**($x_n e^{x_{n+1}}=e^{x_n}-1$ 不能直接解得通项),文档第 7 题用显式根式 $x_{n+1}=\sqrt{2+x_n}$ 代替,**把最难的一层削掉了**。
|
- 2018·19 的**真正难点在"隐式方程"**($x_n e^{x_{n+1}}=e^{x_n}-1$ 不能直接解得通项),文档第 7 题用显式根式 $x_{n+1}=\sqrt{2+x_n}$ 代替,**把最难的一层削掉了**。
|
||||||
|
|
||||||
|
|||||||
+55
-55
@@ -39,7 +39,7 @@ tags:
|
|||||||
$$\lim_{n\to\infty}\left(1+\frac{2}{n}\right)^{3n+2}=\underline{\quad\quad}$$
|
$$\lim_{n\to\infty}\left(1+\frac{2}{n}\right)^{3n+2}=\underline{\quad\quad}$$
|
||||||
|
|
||||||
**2.** 【递推数列收敛判断 · 锚 2022·3 概念方向】
|
**2.** 【递推数列收敛判断 · 锚 2022·3 概念方向】
|
||||||
设 $0<x_1<1$,$x_{n+1}=x_n(1-x_n)\ (n=1,2,\cdots)$,则下列结论正确的是( )
|
设 $0<x_1<1$ ,$x_{n+1}=x_n(1-x_n)\ (n=1,2,\cdots)$ ,则下列结论正确的是( )
|
||||||
- (A)数列 $\{x_n\}$ 单调递增
|
- (A)数列 $\{x_n\}$ 单调递增
|
||||||
- (B)$\lim_{n\to\infty}x_n$ 存在且等于 $\dfrac12$
|
- (B)$\lim_{n\to\infty}x_n$ 存在且等于 $\dfrac12$
|
||||||
- (C)$\lim_{n\to\infty}x_n$ 存在且等于 $0$
|
- (C)$\lim_{n\to\infty}x_n$ 存在且等于 $0$
|
||||||
@@ -57,20 +57,20 @@ $$\lim_{n\to\infty}\left(\frac{1}{\sqrt{n^2+1}}+\frac{1}{\sqrt{n^2+2}}+\cdots+\f
|
|||||||
$$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}e^{(k/n)^2}=\underline{\quad\quad}$$
|
$$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}e^{(k/n)^2}=\underline{\quad\quad}$$
|
||||||
|
|
||||||
**6.** 【线性递推求通项 · 原创】
|
**6.** 【线性递推求通项 · 原创】
|
||||||
设 $a_1=1$,$a_{n+1}=2a_n+1\ (n=1,2,\cdots)$,则 $\displaystyle\lim_{n\to\infty}\frac{a_n}{2^n}=\underline{\quad\quad}$。
|
设 $a_1=1$ ,$a_{n+1}=2a_n+1\ (n=1,2,\cdots)$ ,则 $\displaystyle\lim_{n\to\infty}\frac{a_n}{2^n}=\underline{\quad\quad}$ 。
|
||||||
|
|
||||||
### 【较难题】
|
### 【较难题】
|
||||||
|
|
||||||
**7.** 【单调有界准则 · 根式型 · 锚 2018·19 方向】
|
**7.** 【单调有界准则 · 根式型 · 锚 2018·19 方向】
|
||||||
设 $x_1=1$,$x_{n+1}=\sqrt{2+x_n}\ (n=1,2,\cdots)$。证明数列 $\{x_n\}$ 收敛,并求 $\lim\limits_{n\to\infty}x_n$。
|
设 $x_1=1$ ,$x_{n+1}=\sqrt{2+x_n}\ (n=1,2,\cdots)$ 。证明数列 $\{x_n\}$ 收敛,并求 $\lim\limits_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**8.** 【单调有界准则 · 对数型 · 原创】
|
**8.** 【单调有界准则 · 对数型 · 原创】
|
||||||
设 $x_1=1$,$x_{n+1}=\ln(1+x_n)\ (n=1,2,\cdots)$。证明数列 $\{x_n\}$ 收敛,并求 $\lim\limits_{n\to\infty}x_n$。
|
设 $x_1=1$ ,$x_{n+1}=\ln(1+x_n)\ (n=1,2,\cdots)$ 。证明数列 $\{x_n\}$ 收敛,并求 $\lim\limits_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**9.** 【含参积分数列 · 锚 2019·18 方向】
|
**9.** 【含参积分数列 · 锚 2019·18 方向】
|
||||||
设 $\displaystyle a_n=\int_0^1 x^n e^x\,\mathrm dx\ (n=0,1,2,\cdots)$。
|
设 $\displaystyle a_n=\int_0^1 x^n e^x\,\mathrm dx\ (n=0,1,2,\cdots)$ 。
|
||||||
- (Ⅰ)证明 $\{a_n\}$ 单调递减;
|
- (Ⅰ)证明 $\{a_n\}$ 单调递减;
|
||||||
- (Ⅱ)求 $\displaystyle\lim_{n\to\infty}\frac{a_n}{a_{n-1}}$。
|
- (Ⅱ)求 $\displaystyle\lim_{n\to\infty}\frac{a_n}{a_{n-1}}$ 。
|
||||||
|
|
||||||
**10.** 【黎曼和分点辨析 · 锚 2021·4 原题型】
|
**10.** 【黎曼和分点辨析 · 锚 2021·4 原题型】
|
||||||
设 $f(x)$ 在 $[0,1]$ 上连续,则下列极限值中,**不等于** $\int_0^1 f(x)\,\mathrm dx$ 的是( )
|
设 $f(x)$ 在 $[0,1]$ 上连续,则下列极限值中,**不等于** $\int_0^1 f(x)\,\mathrm dx$ 的是( )
|
||||||
@@ -89,13 +89,13 @@ $$\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}e^{(k/n)^2}=\underline{\quad\quad}
|
|||||||
|
|
||||||
### 第 1 题
|
### 第 1 题
|
||||||
|
|
||||||
**答案:$\mathbf{e^6}$**
|
**答案:$\mathbf{e^6}$ **
|
||||||
|
|
||||||
**解:** 这是 $1^\infty$ 型幂指极限,凑重要极限 $\lim\limits_{n\to\infty}(1+\frac1n)^n=e$:
|
**解:** 这是 $1^\infty$ 型幂指极限,凑重要极限 $\lim\limits_{n\to\infty}(1+\frac1n)^n=e$ :
|
||||||
|
|
||||||
$$\left(1+\frac{2}{n}\right)^{3n+2}=\left[\left(1+\frac{2}{n}\right)^{n/2}\right]^{\frac{2(3n+2)}{n}}$$
|
$$\left(1+\frac{2}{n}\right)^{3n+2}=\left[\left(1+\frac{2}{n}\right)^{n/2}\right]^{\frac{2(3n+2)}{n}}$$
|
||||||
|
|
||||||
当 $n\to\infty$ 时,括号内 $\to e$,指数 $\dfrac{2(3n+2)}{n}=6+\dfrac4n\to6$,故原式 $=e^6$。
|
当 $n\to\infty$ 时,括号内 $\to e$ ,指数 $\dfrac{2(3n+2)}{n}=6+\dfrac4n\to6$ ,故原式 $=e^6$ 。
|
||||||
|
|
||||||
**思路**:见到 $(1+\text{无穷小})^{\text{无穷大}}$ 立即凑 $(1+\frac1u)^u$ 形式,不要先取对数(取对数也能做,但慢)。
|
**思路**:见到 $(1+\text{无穷小})^{\text{无穷大}}$ 立即凑 $(1+\frac1u)^u$ 形式,不要先取对数(取对数也能做,但慢)。
|
||||||
**易错点**:指数 $\frac{2(3n+2)}{n}$ 要算准,容易写成 $3$ 或 $6$ 以外的数。
|
**易错点**:指数 $\frac{2(3n+2)}{n}$ 要算准,容易写成 $3$ 或 $6$ 以外的数。
|
||||||
@@ -104,22 +104,22 @@ $$\left(1+\frac{2}{n}\right)^{3n+2}=\left[\left(1+\frac{2}{n}\right)^{n/2}\right
|
|||||||
|
|
||||||
### 第 2 题
|
### 第 2 题
|
||||||
|
|
||||||
**答案:$\mathbf{C}$**
|
**答案:$\mathbf{C}$ **
|
||||||
|
|
||||||
**解:**
|
**解:**
|
||||||
- **有界性**:由 $0<x_1<1$ 归纳,$x_{n+1}=x_n(1-x_n)$。若 $0<x_n<1$,则 $0<1-x_n<1$,故 $0<x_{n+1}<x_n<1$。所以 $x_n>0$ 且 $x_n<x_1<1$。
|
- **有界性**:由 $0<x_1<1$ 归纳,$x_{n+1}=x_n(1-x_n)$ 。若 $0<x_n<1$ ,则 $0<1-x_n<1$ ,故 $0<x_{n+1}<x_n<1$ 。所以 $x_n>0$ 且 $x_n<x_1<1$ 。
|
||||||
- **单调性**:$x_{n+1}-x_n=-x_n^2<0$,故 $\{x_n\}$ 单调递减。
|
- **单调性**:$x_{n+1}-x_n=-x_n^2<0$ ,故 $\{x_n\}$ 单调递减。
|
||||||
- **设极限**:由单调有界准则,$\lim x_n=a$ 存在。对递推式两边取极限:$a=a(1-a)$,解得 $a=0$ 或 $a=1$。
|
- **设极限**:由单调有界准则,$\lim x_n=a$ 存在。对递推式两边取极限:$a=a(1-a)$ ,解得 $a=0$ 或 $a=1$ 。
|
||||||
- **取舍**:因 $x_n\le x_1<1$,由极限保号性 $a\le x_1<1$,舍去 $a=1$,故 $a=0$。
|
- **取舍**:因 $x_n\le x_1<1$ ,由极限保号性 $a\le x_1<1$ ,舍去 $a=1$ ,故 $a=0$ 。
|
||||||
|
|
||||||
**思路**:递推数列第一步永远是"猜方向"——本题递推式 $x_{n+1}=x_n-x_n^2$ 比 $x_n$ 小,立刻锁定单调递减。
|
**思路**:递推数列第一步永远是"猜方向"——本题递推式 $x_{n+1}=x_n-x_n^2$ 比 $x_n$ 小,立刻锁定单调递减。
|
||||||
**易错点**:(B)选项 $1/2$ 是"不动点方程 $x=x(1-x)$"算出 $x=0$ 后的干扰项;(D)错在忽视单调有界准则。
|
**易错点**:(B)选项 $1/2$ 是"不动点方程 $x=x(1-x)$ "算出 $x=0$ 后的干扰项;(D)错在忽视单调有界准则。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 3 题
|
### 第 3 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac{4}{e}}$**
|
**答案:$\mathbf{\dfrac{4}{e}}$ **
|
||||||
|
|
||||||
**解:** n 项积取对数化为 n 项和:
|
**解:** n 项积取对数化为 n 项和:
|
||||||
|
|
||||||
@@ -133,18 +133,18 @@ $$\lim_{n\to\infty}\ln L_n=\int_0^1\ln(1+x)\,\mathrm dx$$
|
|||||||
|
|
||||||
$$\int_0^1\ln(1+x)\,\mathrm dx=\Big[(1+x)\ln(1+x)-(1+x)\Big]_0^1=(2\ln2-2)-(0-1)=2\ln2-1$$
|
$$\int_0^1\ln(1+x)\,\mathrm dx=\Big[(1+x)\ln(1+x)-(1+x)\Big]_0^1=(2\ln2-2)-(0-1)=2\ln2-1$$
|
||||||
|
|
||||||
故 $\ln L=2\ln2-1$,$L=e^{2\ln2-1}=e^{\ln4-1}=\dfrac4e$。
|
故 $\ln L=2\ln2-1$ ,$L=e^{2\ln2-1}=e^{\ln4-1}=\dfrac4e$ 。
|
||||||
|
|
||||||
**思路**:n 项积 → 取对数 → n 项和 → 定积分定义,是固定套路。
|
**思路**:n 项积 → 取对数 → n 项和 → 定积分定义,是固定套路。
|
||||||
**易错点**:积分算完后别忘了 $e^{2\ln2}=4$,不要停在 $\ln L=2\ln2-1$ 就当答案。
|
**易错点**:积分算完后别忘了 $e^{2\ln2}=4$ ,不要停在 $\ln L=2\ln2-1$ 就当答案。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 4 题
|
### 第 4 题
|
||||||
|
|
||||||
**答案:$\mathbf{1}$**
|
**答案:$\mathbf{1}$ **
|
||||||
|
|
||||||
**解:** 设 $S_n=\sum_{k=1}^{n}\dfrac{1}{\sqrt{n^2+k}}$。对每一项放缩:
|
**解:** 设 $S_n=\sum_{k=1}^{n}\dfrac{1}{\sqrt{n^2+k}}$ 。对每一项放缩:
|
||||||
|
|
||||||
$$\frac{1}{\sqrt{n^2+n}}\le\frac{1}{\sqrt{n^2+k}}\le\frac{1}{\sqrt{n^2+1}},\quad k=1,2,\cdots,n$$
|
$$\frac{1}{\sqrt{n^2+n}}\le\frac{1}{\sqrt{n^2+k}}\le\frac{1}{\sqrt{n^2+1}},\quad k=1,2,\cdots,n$$
|
||||||
|
|
||||||
@@ -156,66 +156,66 @@ $$\frac{n}{\sqrt{n^2+n}}\le S_n\le\frac{n}{\sqrt{n^2+1}}$$
|
|||||||
|
|
||||||
$$\lim_{n\to\infty}\frac{n}{\sqrt{n^2+n}}=\lim_{n\to\infty}\frac{1}{\sqrt{1+1/n}}=1,\qquad \lim_{n\to\infty}\frac{n}{\sqrt{n^2+1}}=1$$
|
$$\lim_{n\to\infty}\frac{n}{\sqrt{n^2+n}}=\lim_{n\to\infty}\frac{1}{\sqrt{1+1/n}}=1,\qquad \lim_{n\to\infty}\frac{n}{\sqrt{n^2+1}}=1$$
|
||||||
|
|
||||||
由夹逼准则 $S_n\to1$。
|
由夹逼准则 $S_n\to1$ 。
|
||||||
|
|
||||||
**思路**:n 项和若每项 $\sim 1/n$ 但提不出统一的 $f(k/n)$(因为分母是 $n^2+k$ 而不是 $n\cdot f(k/n)$),就用夹逼。
|
**思路**:n 项和若每项 $\sim 1/n$ 但提不出统一的 $f(k/n)$ (因为分母是 $n^2+k$ 而不是 $n\cdot f(k/n)$ ),就用夹逼。
|
||||||
**与第 5 题的对比**:第 5 题能提出 $\frac1n$ 且剩余部分是 $f(k/n)$,用定积分定义;本题提不出,用夹逼。这是考研最常考的"方法选择"。
|
**与第 5 题的对比**:第 5 题能提出 $\frac1n$ 且剩余部分是 $f(k/n)$ ,用定积分定义;本题提不出,用夹逼。这是考研最常考的"方法选择"。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 5 题
|
### 第 5 题
|
||||||
|
|
||||||
**答案:$\mathbf{\dfrac{e-1}{2}}$**
|
**答案:$\mathbf{\dfrac{e-1}{2}}$ **
|
||||||
|
|
||||||
**解:** 提出 $\frac1n$:
|
**解:** 提出 $\frac1n$ :
|
||||||
|
|
||||||
$$\sum_{k=1}^{n}\frac{k}{n^2}e^{(k/n)^2}=\frac1n\sum_{k=1}^{n}\underbrace{\frac{k}{n}e^{(k/n)^2}}_{f(k/n)}$$
|
$$\sum_{k=1}^{n}\frac{k}{n^2}e^{(k/n)^2}=\frac1n\sum_{k=1}^{n}\underbrace{\frac{k}{n}e^{(k/n)^2}}_{f(k/n)}$$
|
||||||
|
|
||||||
其中 $f(x)=xe^{x^2}$。由定积分定义:
|
其中 $f(x)=xe^{x^2}$ 。由定积分定义:
|
||||||
|
|
||||||
$$\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)=\int_0^1 xe^{x^2}\,\mathrm dx=\frac12 e^{x^2}\Big|_0^1=\frac{e-1}{2}$$
|
$$\lim_{n\to\infty}\frac1n\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)=\int_0^1 xe^{x^2}\,\mathrm dx=\frac12 e^{x^2}\Big|_0^1=\frac{e-1}{2}$$
|
||||||
|
|
||||||
**思路**:定积分定义三步走——① 提 $\frac1n$;② 凑 $\frac{k}{n}$;③ 认出 $f$。
|
**思路**:定积分定义三步走——① 提 $\frac1n$ ;② 凑 $\frac{k}{n}$ ;③ 认出 $f$ 。
|
||||||
**易错点**:不要把 $\frac{k}{n^2}$ 误拆成 $\frac1n\cdot\frac{k}{n}$ 后又丢掉 $\frac{k}{n}$ 这一项。
|
**易错点**:不要把 $\frac{k}{n^2}$ 误拆成 $\frac1n\cdot\frac{k}{n}$ 后又丢掉 $\frac{k}{n}$ 这一项。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 6 题
|
### 第 6 题
|
||||||
|
|
||||||
**答案:$\mathbf{1}$**
|
**答案:$\mathbf{1}$ **
|
||||||
|
|
||||||
**解:** 线性非齐次递推 $a_{n+1}=pa_n+q$ 的标准做法是构造等比数列:
|
**解:** 线性非齐次递推 $a_{n+1}=pa_n+q$ 的标准做法是构造等比数列:
|
||||||
|
|
||||||
$$a_{n+1}+1=2(a_n+1)$$
|
$$a_{n+1}+1=2(a_n+1)$$
|
||||||
|
|
||||||
令 $b_n=a_n+1$,则 $b_{n+1}=2b_n$,$b_1=a_1+1=2$,故 $b_n=2^n$,即 $a_n=2^n-1$。
|
令 $b_n=a_n+1$ ,则 $b_{n+1}=2b_n$ ,$b_1=a_1+1=2$ ,故 $b_n=2^n$ ,即 $a_n=2^n-1$ 。
|
||||||
|
|
||||||
因此:
|
因此:
|
||||||
|
|
||||||
$$\frac{a_n}{2^n}=\frac{2^n-1}{2^n}=1-\frac{1}{2^n}\to1$$
|
$$\frac{a_n}{2^n}=\frac{2^n-1}{2^n}=1-\frac{1}{2^n}\to1$$
|
||||||
|
|
||||||
**思路**:见到 $a_{n+1}=pa_n+q$,立即构造 $a_n+c=p(a_{n-1}+c)$,其中 $c=\frac{q}{p-1}$。
|
**思路**:见到 $a_{n+1}=pa_n+q$ ,立即构造 $a_n+c=p(a_{n-1}+c)$ ,其中 $c=\frac{q}{p-1}$ 。
|
||||||
**易错点**:本题不要用单调有界准则——它是线性递推,直接求通项最快。
|
**易错点**:本题不要用单调有界准则——它是线性递推,直接求通项最快。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 7 题
|
### 第 7 题
|
||||||
|
|
||||||
**答案:$\mathbf{2}$**
|
**答案:$\mathbf{2}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性(归纳法证上界)**:$x_1=1<2$。假设 $x_k<2$,则 $x_{k+1}=\sqrt{2+x_k}<\sqrt{2+2}=2$。由数学归纳法,$0<x_n<2$ 对一切 $n$ 成立。
|
- **有界性(归纳法证上界)**:$x_1=1<2$ 。假设 $x_k<2$ ,则 $x_{k+1}=\sqrt{2+x_k}<\sqrt{2+2}=2$ 。由数学归纳法,$0<x_n<2$ 对一切 $n$ 成立。
|
||||||
- **单调性(作差)**:
|
- **单调性(作差)**:
|
||||||
|
|
||||||
$$x_{n+1}-x_n=\sqrt{2+x_n}-x_n=\frac{2+x_n-x_n^2}{\sqrt{2+x_n}+x_n}=\frac{-(x_n-2)(x_n+1)}{\sqrt{2+x_n}+x_n}$$
|
$$x_{n+1}-x_n=\sqrt{2+x_n}-x_n=\frac{2+x_n-x_n^2}{\sqrt{2+x_n}+x_n}=\frac{-(x_n-2)(x_n+1)}{\sqrt{2+x_n}+x_n}$$
|
||||||
|
|
||||||
因 $0<x_n<2$,分子 $-(x_n-2)(x_n+1)>0$,故 $x_{n+1}>x_n$,数列单调递增。
|
因 $0<x_n<2$ ,分子 $-(x_n-2)(x_n+1)>0$ ,故 $x_{n+1}>x_n$ ,数列单调递增。
|
||||||
|
|
||||||
- **设极限**:由单调有界准则,设 $\lim x_n=a$。对 $x_{n+1}=\sqrt{2+x_n}$ 两边取极限:
|
- **设极限**:由单调有界准则,设 $\lim x_n=a$ 。对 $x_{n+1}=\sqrt{2+x_n}$ 两边取极限:
|
||||||
|
|
||||||
$$a=\sqrt{2+a}\Rightarrow a^2-a-2=0\Rightarrow a=2\text{ 或 }a=-1$$
|
$$a=\sqrt{2+a}\Rightarrow a^2-a-2=0\Rightarrow a=2\text{ 或 }a=-1$$
|
||||||
|
|
||||||
由保号性 $a\ge x_1=1>0$,舍去 $a=-1$,故 $a=2$。
|
由保号性 $a\ge x_1=1>0$ ,舍去 $a=-1$ ,故 $a=2$ 。
|
||||||
|
|
||||||
**思路**:根式递推的标准四步——归纳证有界、作差证单调、设极限、解方程取舍。
|
**思路**:根式递推的标准四步——归纳证有界、作差证单调、设极限、解方程取舍。
|
||||||
**易错点**:单调性证明中作差后必须有理化,不要直接看 $\sqrt{2+x_n}$ 与 $x_n$ 的大小就下结论。
|
**易错点**:单调性证明中作差后必须有理化,不要直接看 $\sqrt{2+x_n}$ 与 $x_n$ 的大小就下结论。
|
||||||
@@ -224,16 +224,16 @@ $$a=\sqrt{2+a}\Rightarrow a^2-a-2=0\Rightarrow a=2\text{ 或 }a=-1$$
|
|||||||
|
|
||||||
### 第 8 题
|
### 第 8 题
|
||||||
|
|
||||||
**答案:$\mathbf{0}$**
|
**答案:$\mathbf{0}$ **
|
||||||
|
|
||||||
**证明:**
|
**证明:**
|
||||||
- **有界性**:$x_1=1>0$。假设 $x_n>0$,则 $x_{n+1}=\ln(1+x_n)>\ln1=0$。故 $x_n>0$。
|
- **有界性**:$x_1=1>0$ 。假设 $x_n>0$ ,则 $x_{n+1}=\ln(1+x_n)>\ln1=0$ 。故 $x_n>0$ 。
|
||||||
- **单调性**:利用经典不等式 $\ln(1+x)<x\ (x>0)$:
|
- **单调性**:利用经典不等式 $\ln(1+x)<x\ (x>0)$ :
|
||||||
|
|
||||||
$$x_{n+1}=\ln(1+x_n)<x_n$$
|
$$x_{n+1}=\ln(1+x_n)<x_n$$
|
||||||
|
|
||||||
故 $\{x_n\}$ 单调递减且有下界 $0$。
|
故 $\{x_n\}$ 单调递减且有下界 $0$ 。
|
||||||
- **设极限**:设 $\lim x_n=a$,则 $a=\ln(1+a)$。令 $g(a)=a-\ln(1+a)$,则 $g'(a)=1-\frac{1}{1+a}=\frac{a}{1+a}$。当 $a>0$ 时 $g'(a)>0$,$g(0)=0$,故 $g(a)=0$ 在 $a\ge0$ 上只有唯一解 $a=0$。
|
- **设极限**:设 $\lim x_n=a$ ,则 $a=\ln(1+a)$ 。令 $g(a)=a-\ln(1+a)$ ,则 $g'(a)=1-\frac{1}{1+a}=\frac{a}{1+a}$ 。当 $a>0$ 时 $g'(a)>0$ ,$g(0)=0$ ,故 $g(a)=0$ 在 $a\ge0$ 上只有唯一解 $a=0$ 。
|
||||||
|
|
||||||
**思路**:本题与第 7 题形成对照——第 7 题极限是正数(方程非平凡解),本题极限是 0(平凡解)。关键在于认出 $\ln(1+x)<x$ 这个不等式。
|
**思路**:本题与第 7 题形成对照——第 7 题极限是正数(方程非平凡解),本题极限是 0(平凡解)。关键在于认出 $\ln(1+x)<x$ 这个不等式。
|
||||||
**易错点**:解 $a=\ln(1+a)$ 时,不能只看出 $a=0$ 就完事,必须说明唯一性(用导数或 $a-\ln(1+a)\ge\frac{a^2}{2(1+a)}$ 之类)。
|
**易错点**:解 $a=\ln(1+a)$ 时,不能只看出 $a=0$ 就完事,必须说明唯一性(用导数或 $a-\ln(1+a)\ge\frac{a^2}{2(1+a)}$ 之类)。
|
||||||
@@ -242,9 +242,9 @@ $$x_{n+1}=\ln(1+x_n)<x_n$$
|
|||||||
|
|
||||||
### 第 9 题
|
### 第 9 题
|
||||||
|
|
||||||
**答案:(Ⅰ)见证明;(Ⅱ)$\mathbf{1}$**
|
**答案:(Ⅰ)见证明;(Ⅱ)$\mathbf{1}$ **
|
||||||
|
|
||||||
**(Ⅰ)证明:** 当 $x\in[0,1]$ 时,$x^{n}\le x^{n-1}$(因为 $0\le x\le1$,指数越大值越小),且 $e^x>0$,故:
|
**(Ⅰ)证明:** 当 $x\in[0,1]$ 时,$x^{n}\le x^{n-1}$ (因为 $0\le x\le1$ ,指数越大值越小),且 $e^x>0$ ,故:
|
||||||
|
|
||||||
$$a_n=\int_0^1 x^n e^x\,\mathrm dx\le\int_0^1 x^{n-1}e^x\,\mathrm dx=a_{n-1}$$
|
$$a_n=\int_0^1 x^n e^x\,\mathrm dx\le\int_0^1 x^{n-1}e^x\,\mathrm dx=a_{n-1}$$
|
||||||
|
|
||||||
@@ -254,42 +254,42 @@ $$a_n=\int_0^1 x^n e^x\,\mathrm dx\le\int_0^1 x^{n-1}e^x\,\mathrm dx=a_{n-1}$$
|
|||||||
|
|
||||||
$$a_n=\int_0^1 x^n\,\mathrm d(e^x)=\big[x^n e^x\big]_0^1-n\int_0^1 x^{n-1}e^x\,\mathrm dx=e-na_{n-1}$$
|
$$a_n=\int_0^1 x^n\,\mathrm d(e^x)=\big[x^n e^x\big]_0^1-n\int_0^1 x^{n-1}e^x\,\mathrm dx=e-na_{n-1}$$
|
||||||
|
|
||||||
即 $a_{n-1}=\dfrac{e-a_n}{n}$。于是:
|
即 $a_{n-1}=\dfrac{e-a_n}{n}$ 。于是:
|
||||||
|
|
||||||
$$\frac{a_n}{a_{n-1}}=\frac{na_n}{e-a_n}$$
|
$$\frac{a_n}{a_{n-1}}=\frac{na_n}{e-a_n}$$
|
||||||
|
|
||||||
现在求 $na_n$ 的极限。对连续函数 $f(x)=e^x$,有标准结论:
|
现在求 $na_n$ 的极限。对连续函数 $f(x)=e^x$ ,有标准结论:
|
||||||
|
|
||||||
$$\lim_{n\to\infty}(n+1)\int_0^1 x^n f(x)\,\mathrm dx=f(1)$$
|
$$\lim_{n\to\infty}(n+1)\int_0^1 x^n f(x)\,\mathrm dx=f(1)$$
|
||||||
|
|
||||||
(证明:$x^n$ 在 $[0,1]$ 上集中于 $x=1$ 附近,$\int_0^1(n+1)x^n\mathrm dx=1$,由积分中值定理或夹逼可得。)
|
(证明:$x^n$ 在 $[0,1]$ 上集中于 $x=1$ 附近,$\int_0^1(n+1)x^n\mathrm dx=1$ ,由积分中值定理或夹逼可得。)
|
||||||
|
|
||||||
故 $\lim_{n\to\infty}(n+1)a_n=e$,即 $\lim_{n\to\infty}na_n=e$。
|
故 $\lim_{n\to\infty}(n+1)a_n=e$ ,即 $\lim_{n\to\infty}na_n=e$ 。
|
||||||
|
|
||||||
又由夹逼 $0\le a_n\le e\int_0^1 x^n\mathrm dx=\frac{e}{n+1}\to0$,故 $a_n\to0$。
|
又由夹逼 $0\le a_n\le e\int_0^1 x^n\mathrm dx=\frac{e}{n+1}\to0$ ,故 $a_n\to0$ 。
|
||||||
|
|
||||||
代入:
|
代入:
|
||||||
|
|
||||||
$$\lim_{n\to\infty}\frac{a_n}{a_{n-1}}=\frac{e}{e-0}=1$$
|
$$\lim_{n\to\infty}\frac{a_n}{a_{n-1}}=\frac{e}{e-0}=1$$
|
||||||
|
|
||||||
**思路**:本题是 2019·18 真题的同型改编。核心两步——① 分部积分找递推;② 用"$x^n$ 集中在端点"求 $na_n$ 的渐近行为。
|
**思路**:本题是 2019·18 真题的同型改编。核心两步——① 分部积分找递推;② 用"$x^n$ 集中在端点"求 $na_n$ 的渐近行为。
|
||||||
**易错点**:直接由 $a_n=e-na_{n-1}$ 两边除以 $a_{n-1}$ 得 $\frac{a_n}{a_{n-1}}=\frac{e}{a_{n-1}}-n$,这个形式无法直接求极限,必须改写为 $\frac{na_n}{e-a_n}$。
|
**易错点**:直接由 $a_n=e-na_{n-1}$ 两边除以 $a_{n-1}$ 得 $\frac{a_n}{a_{n-1}}=\frac{e}{a_{n-1}}-n$ ,这个形式无法直接求极限,必须改写为 $\frac{na_n}{e-a_n}$ 。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
### 第 10 题
|
### 第 10 题
|
||||||
|
|
||||||
**答案:$\mathbf{D}$**
|
**答案:$\mathbf{D}$ **
|
||||||
|
|
||||||
**解:**
|
**解:**
|
||||||
- (A)右端点黎曼和,步长 $\frac1n$,$x_k=\frac{k}{n}$,$\to\int_0^1 f(x)\mathrm dx$。
|
- (A)右端点黎曼和,步长 $\frac1n$ ,$x_k=\frac{k}{n}$ ,$\to\int_0^1 f(x)\mathrm dx$ 。
|
||||||
- (B)左端点黎曼和,$x_k=\frac{k}{n}$,$\to\int_0^1 f(x)\mathrm dx$。
|
- (B)左端点黎曼和,$x_k=\frac{k}{n}$ ,$\to\int_0^1 f(x)\mathrm dx$ 。
|
||||||
- (C)中点黎曼和,$x_k=\frac{2k-1}{2n}$,步长 $\frac1n$,$\to\int_0^1 f(x)\mathrm dx$。
|
- (C)中点黎曼和,$x_k=\frac{2k-1}{2n}$ ,步长 $\frac1n$ ,$\to\int_0^1 f(x)\mathrm dx$ 。
|
||||||
- (D)注意系数是 $\frac1n$ 而不是 $\frac{1}{2n}$:
|
- (D)注意系数是 $\frac1n$ 而不是 $\frac{1}{2n}$ :
|
||||||
|
|
||||||
$$\frac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)=2\cdot\underbrace{\frac{1}{2n}\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)}_{\to\int_0^1 f(x)\mathrm dx}\to2\int_0^1 f(x)\mathrm dx$$
|
$$\frac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)=2\cdot\underbrace{\frac{1}{2n}\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)}_{\to\int_0^1 f(x)\mathrm dx}\to2\int_0^1 f(x)\mathrm dx$$
|
||||||
|
|
||||||
**思路**:黎曼和 = 步长 × 函数值之和。D 选项把"细分点"和"步长"配错了——分了 $2n$ 段但步长还是 $\frac1n$,等于把积分算了两遍。
|
**思路**:黎曼和 = 步长 × 函数值之和。D 选项把"细分点"和"步长"配错了——分了 $2n$ 段但步长还是 $\frac1n$ ,等于把积分算了两遍。
|
||||||
**易错点**:不要只看"分点密不密",要同时看"前面乘的系数是多少"。
|
**易错点**:不要只看"分点密不密",要同时看"前面乘的系数是多少"。
|
||||||
|
|
||||||
---
|
---
|
||||||
@@ -331,7 +331,7 @@ $$\frac1n\sum_{k=1}^{2n}f\!\left(\frac{k}{2n}\right)=2\cdot\underbrace{\frac{1}{
|
|||||||
|
|
||||||
### 5. 仍未覆盖的方向与资料不足
|
### 5. 仍未覆盖的方向与资料不足
|
||||||
|
|
||||||
- **Stolz 定理**:考研大纲不要求,但数列差分极限(如 $x_n(1-x_n)$ 型的 $nx_n\to1$)偶尔会在真题选项中作为干扰项出现,本小练未深入。
|
- **Stolz 定理**:考研大纲不要求,但数列差分极限(如 $x_n(1-x_n)$ 型的 $nx_n\to1$ )偶尔会在真题选项中作为干扰项出现,本小练未深入。
|
||||||
- **跨章综合**:2016·19 那种"递推数列 + 级数绝对收敛"的跨章题,本小练未出(留到级数专题再练)。
|
- **跨章综合**:2016·19 那种"递推数列 + 级数绝对收敛"的跨章题,本小练未出(留到级数专题再练)。
|
||||||
- **数列与中值定理结合**:参考仓库提到的 $n^2(\arctan\frac2n-\arctan\frac{2}{n+1})$ 型拉格朗日中值定理用法,属于"函数极限伪装成数列极限",归到 01-极限 更合适,本小练未重复。
|
- **数列与中值定理结合**:参考仓库提到的 $n^2(\arctan\frac2n-\arctan\frac{2}{n+1})$ 型拉格朗日中值定理用法,属于"函数极限伪装成数列极限",归到 01-极限 更合适,本小练未重复。
|
||||||
- **迭代数列的"非线性不动点"复杂形式**(如 $x_{n+1}=\frac{1+2x_n}{1+x_n}$ 那种分式线性递推):本小练第 6 题已覆盖线性构造法,分式线性递推留到后续加练。
|
- **迭代数列的"非线性不动点"复杂形式**(如 $x_{n+1}=\frac{1+2x_n}{1+x_n}$ 那种分式线性递推):本小练第 6 题已覆盖线性构造法,分式线性递推留到后续加练。
|
||||||
|
|||||||
@@ -24,7 +24,7 @@ tags:
|
|||||||
|
|
||||||
| 原题 | 考点 | 一句话错因 | 对应修复变体 |
|
| 原题 | 考点 | 一句话错因 | 对应修复变体 |
|
||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 第 1 题(选 B) | 复合极限存在性 | $f(x_n)$ 收敛 **推不出** $x_n$ 收敛($f$ 非单调即反例);"$\lim f(x_n)=f(\lim x_n)$" 要求内层先收敛 | 变体 A、B |
|
| 第 1 题(选 B) | 复合极限存在性 | $f(x_n)$ 收敛 **推不出** $x_n$ 收敛($f$ 非单调即反例);"$\lim f(x_n)=f(\lim x_n)$ " 要求内层先收敛 | 变体 A、B |
|
||||||
| 第 3 题(√[n]{3ⁿ+(-2)ⁿ}) | 夹逼根式 | 主项是 3ⁿ(指数最大);$(-2)^n$ 是**有界振荡**扰动,用夹逼夹掉 | 变体 C、D |
|
| 第 3 题(√[n]{3ⁿ+(-2)ⁿ}) | 夹逼根式 | 主项是 3ⁿ(指数最大);$(-2)^n$ 是**有界振荡**扰动,用夹逼夹掉 | 变体 C、D |
|
||||||
| 第 6 题(a_{n+1}=√(2aₙ+3)) | 递推单调有界 | 设限前必须证收敛;不动点方程解出多个根要**按范围舍根** | 变体 E、F |
|
| 第 6 题(a_{n+1}=√(2aₙ+3)) | 递推单调有界 | 设限前必须证收敛;不动点方程解出多个根要**按范围舍根** | 变体 E、F |
|
||||||
|
|
||||||
@@ -32,19 +32,19 @@ tags:
|
|||||||
|
|
||||||
## 题目
|
## 题目
|
||||||
|
|
||||||
**A.** 【复合极限可逆性 · 单选】设 $f(x)$ 在 $[0,1]$ 上连续,$x_n\in[0,1]$。下列论断中**错误**的是( )
|
**A.** 【复合极限可逆性 · 单选】设 $f(x)$ 在 $[0,1]$ 上连续,$x_n\in[0,1]$ 。下列论断中**错误**的是( )
|
||||||
(A)若 $x_n\to a$,则 $f(x_n)\to f(a)$ (B)若 $\{x_n\}$ 收敛,则 $\{f(x_n)\}$ 收敛 (C)若 $\{f(x_n)\}$ 收敛,则 $\{x_n\}$ 收敛 (D)若 $\{x_n\}$ 有界,则 $\{f(x_n)\}$ 有界
|
(A)若 $x_n\to a$ ,则 $f(x_n)\to f(a)$ (B)若 $\{x_n\}$ 收敛,则 $\{f(x_n)\}$ 收敛 (C)若 $\{f(x_n)\}$ 收敛,则 $\{x_n\}$ 收敛 (D)若 $\{x_n\}$ 有界,则 $\{f(x_n)\}$ 有界
|
||||||
|
|
||||||
**B.** 【子列判敛 · 单选】设 $x_n=(-1)^n\dfrac{n}{n+1}$,则( )
|
**B.** 【子列判敛 · 单选】设 $x_n=(-1)^n\dfrac{n}{n+1}$ ,则( )
|
||||||
(A)$\lim x_n=1$ (B)$\lim x_n=-1$ (C)$\lim x_n$ 存在但等于 $0$ (D)$\lim x_n$ 不存在
|
(A)$\lim x_n=1$ (B)$\lim x_n=-1$ (C)$\lim x_n$ 存在但等于 $0$ (D)$\lim x_n$ 不存在
|
||||||
|
|
||||||
**C.** 【夹逼根式 · 指数 vs 多项式】$\displaystyle\lim_{n\to\infty}\sqrt[n]{2^n+n^{2026}}=$ ____
|
**C.** 【夹逼根式 · 指数 vs 多项式】$\displaystyle\lim_{n\to\infty}\sqrt[n]{2^n+n^{2026}}=$ ____
|
||||||
|
|
||||||
**D.** 【夹逼根式 · 振荡项】$\displaystyle\lim_{n\to\infty}\sqrt[n]{5^n+3^n\cos(n\pi)}=$ ____
|
**D.** 【夹逼根式 · 振荡项】$\displaystyle\lim_{n\to\infty}\sqrt[n]{5^n+3^n\cos(n\pi)}=$ ____
|
||||||
|
|
||||||
**E.** 【递推单调有界】设 $a_1=\sqrt2$,$a_{n+1}=\sqrt{2a_n}$($n\ge1$),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
**E.** 【递推单调有界】设 $a_1=\sqrt2$ ,$a_{n+1}=\sqrt{2a_n}$ ($n\ge1$ ),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
||||||
|
|
||||||
**F.** 【递推 + 舍根】设 $a_1=0$,$a_{n+1}=\sqrt{2a_n+6}$($n\ge1$),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
**F.** 【递推 + 舍根】设 $a_1=0$ ,$a_{n+1}=\sqrt{2a_n+6}$ ($n\ge1$ ),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -52,12 +52,12 @@ tags:
|
|||||||
|
|
||||||
| 题 | 答案 | 关键步骤 |
|
| 题 | 答案 | 关键步骤 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| A | **C** | 连续函数保持内层极限(A 对);内层收敛 ⇒ 复合收敛(B 对);有界 ⇒ 连续像有界(D 对)。**C 反例**:取 $f(x)\equiv0$(常值),$x_n=0,1$ 交替发散,但 $f(x_n)\equiv0$ 收敛 ⇒ 收敛推不回内层 |
|
| A | **C** | 连续函数保持内层极限(A 对);内层收敛 ⇒ 复合收敛(B 对);有界 ⇒ 连续像有界(D 对)。**C 反例**:取 $f(x)\equiv0$ (常值),$x_n=0,1$ 交替发散,但 $f(x_n)\equiv0$ 收敛 ⇒ 收敛推不回内层 |
|
||||||
| B | **D** | 偶子列 $x_{2k}=\frac{2k}{2k+1}\to1$,奇子列 $x_{2k-1}=-\frac{2k-1}{2k}\to-1$;**两子列极限不同 ⇒ 原数列发散** |
|
| B | **D** | 偶子列 $x_{2k}=\frac{2k}{2k+1}\to1$ ,奇子列 $x_{2k-1}=-\frac{2k-1}{2k}\to-1$ ;**两子列极限不同 ⇒ 原数列发散** |
|
||||||
| C | **2** | 指数主项:$\sqrt[n]{2^n+n^{2026}}=2\sqrt[n]{1+n^{2026}/2^n}\to2\cdot1=2$($n^{2026}/2^n\to0$,指数压多项式) |
|
| C | **2** | 指数主项:$\sqrt[n]{2^n+n^{2026}}=2\sqrt[n]{1+n^{2026}/2^n}\to2\cdot1=2$ ($n^{2026}/2^n\to0$ ,指数压多项式) |
|
||||||
| D | **5** | $\cos(n\pi)=(-1)^n\in[-1,1]$:$5^n-3^n\le5^n+3^n\cos(n\pi)\le5^n+3^n$,两边开 $n$ 次均 $\to5$($5\sqrt[n]{1\pm(3/5)^n}$),夹逼 |
|
| D | **5** | $\cos(n\pi)=(-1)^n\in[-1,1]$ :$5^n-3^n\le5^n+3^n\cos(n\pi)\le5^n+3^n$ ,两边开 $n$ 次均 $\to5$ ($5\sqrt[n]{1\pm(3/5)^n}$ ),夹逼 |
|
||||||
| E | **2** | 有界:$a_n<2$($a_1=\sqrt2<2$,$a_{n+1}=\sqrt{2a_n}<\sqrt4=2$);单调:$a_{n+1}^2-a_n^2=2a_n-a_n^2=a_n(2-a_n)>0$ ⇒ 递增 ⇒ 收敛;$A=\sqrt{2A}\Rightarrow A^2=2A\Rightarrow A=2$($A>0$ 舍 0?$A=0$ 或 2,$a_n\ge\sqrt2>0$ 故 $A=2$) |
|
| E | **2** | 有界:$a_n<2$ ($a_1=\sqrt2<2$ ,$a_{n+1}=\sqrt{2a_n}<\sqrt4=2$ );单调:$a_{n+1}^2-a_n^2=2a_n-a_n^2=a_n(2-a_n)>0$ ⇒ 递增 ⇒ 收敛;$A=\sqrt{2A}\Rightarrow A^2=2A\Rightarrow A=2$ ($A>0$ 舍 0?$A=0$ 或 2,$a_n\ge\sqrt2>0$ 故 $A=2$ ) |
|
||||||
| F | **$1+\sqrt7$** | 有界:$a_n<1+\sqrt7$(归纳,$a_1=0<$;若 $a_n<1+\sqrt7$,$a_{n+1}^2=2a_n+6<2(1+\sqrt7)+6=8+2\sqrt7=(1+\sqrt7)^2$);单调:$a_{n+1}^2-a_n^2=2a_n+6-a_n^2=(1+\sqrt7-a_n)(a_n+1-\sqrt7)$,因 $0\le a_n<1+\sqrt7$ 且 $a_{n+1}>a_n$ 可证递增;$A=\sqrt{2A+6}\Rightarrow A^2-2A-6=0\Rightarrow A=1\pm\sqrt7$,**$A>0$ 舍 $1-\sqrt7<0$**,取 $1+\sqrt7$ |
|
| F | **$1+\sqrt7$ ** | 有界:$a_n<1+\sqrt7$ (归纳,$a_1=0<$ ;若 $a_n<1+\sqrt7$ ,$a_{n+1}^2=2a_n+6<2(1+\sqrt7)+6=8+2\sqrt7=(1+\sqrt7)^2$ );单调:$a_{n+1}^2-a_n^2=2a_n+6-a_n^2=(1+\sqrt7-a_n)(a_n+1-\sqrt7)$ ,因 $0\le a_n<1+\sqrt7$ 且 $a_{n+1}>a_n$ 可证递增;$A=\sqrt{2A+6}\Rightarrow A^2-2A-6=0\Rightarrow A=1\pm\sqrt7$ ,**$A>0$ 舍 $1-\sqrt7<0$ **,取 $1+\sqrt7$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
+19
-19
@@ -27,28 +27,28 @@ tags:
|
|||||||
|
|
||||||
## 题目
|
## 题目
|
||||||
|
|
||||||
**1.** 【复合极限存在性 · 锚 2022·3】设 $f(x)$ 在 $[0,1]$ 上连续,数列 $\{x_n\}\subset[0,1]$。若 $\lim\limits_{n\to\infty}f(x_n)$ 存在,则( )
|
**1.** 【复合极限存在性 · 锚 2022·3】设 $f(x)$ 在 $[0,1]$ 上连续,数列 $\{x_n\}\subset[0,1]$ 。若 $\lim\limits_{n\to\infty}f(x_n)$ 存在,则( )
|
||||||
(A)$\lim x_n$ 必存在 (B)$\{x_n\}$ 必有收敛子列 (C)$\lim f(x_n)=f(\lim x_n)$ 必成立 (D)$f$ 在 $[0,1]$ 上必不单调
|
(A)$\lim x_n$ 必存在 (B)$\{x_n\}$ 必有收敛子列 (C)$\lim f(x_n)=f(\lim x_n)$ 必成立 (D)$f$ 在 $[0,1]$ 上必不单调
|
||||||
|
|
||||||
**2.** 【比值与根值 · 锚 2018·19 手法】设 $a_n>0$ 且 $\displaystyle\lim_{n\to\infty}\frac{a_{n+1}}{a_n}=2$,则( )
|
**2.** 【比值与根值 · 锚 2018·19 手法】设 $a_n>0$ 且 $\displaystyle\lim_{n\to\infty}\frac{a_{n+1}}{a_n}=2$ ,则( )
|
||||||
(A)$\displaystyle\lim_{n\to\infty}\sqrt[n]{a_n}=2$ (B)$\displaystyle\lim_{n\to\infty}a_n=2$ (C)$\{a_n\}$ 收敛 (D)$\{a_n\}$ 有界
|
(A)$\displaystyle\lim_{n\to\infty}\sqrt[n]{a_n}=2$ (B)$\displaystyle\lim_{n\to\infty}a_n=2$ (C)$\{a_n\}$ 收敛 (D)$\{a_n\}$ 有界
|
||||||
|
|
||||||
**3.** 【夹逼准则 · 根式型】$\displaystyle\lim_{n\to\infty}\sqrt[n]{3^n+(-2)^n}=$( )
|
**3.** 【夹逼准则 · 根式型】$\displaystyle\lim_{n\to\infty}\sqrt[n]{3^n+(-2)^n}=$ ( )
|
||||||
(A)1 (B)2 (C)$\infty$ (D)3
|
(A)1 (B)2 (C)$\infty$ (D)3
|
||||||
|
|
||||||
**4.** 【重要极限数列版】$\displaystyle\lim_{n\to\infty}n\left(\sqrt[n]{2026}-1\right)=$ ____
|
**4.** 【重要极限数列版】$\displaystyle\lim_{n\to\infty}n\left(\sqrt[n]{2026}-1\right)=$ ____
|
||||||
|
|
||||||
**5.** 【定积分定义 · 锚 2017·16 手法】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}\sin\frac{k}{n}=$ ____
|
**5.** 【定积分定义 · 锚 2017·16 手法】$\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{k}{n^2}\sin\frac{k}{n}=$ ____
|
||||||
|
|
||||||
**6.** 【单调有界递推】设 $a_1=1$,$a_{n+1}=\sqrt{2a_n+3}$($n\ge1$),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
**6.** 【单调有界递推】设 $a_1=1$ ,$a_{n+1}=\sqrt{2a_n+3}$ ($n\ge1$ ),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
||||||
|
|
||||||
**7.** 【递推收敛证明 · 锚 2018·19】设数列 $\{x_n\}$:$x_1=1$,$x_{n+1}=\ln(1+x_n)$($n\ge1$)。证明 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$。
|
**7.** 【递推收敛证明 · 锚 2018·19】设数列 $\{x_n\}$ :$x_1=1$ ,$x_{n+1}=\ln(1+x_n)$ ($n\ge1$ )。证明 $\{x_n\}$ 收敛,并求 $\displaystyle\lim_{n\to\infty}x_n$ 。
|
||||||
|
|
||||||
**8.** 【定积分定义大题 · 锚 2017·16 手法】求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\sqrt{1+\frac{k}{n}}$。
|
**8.** 【定积分定义大题 · 锚 2017·16 手法】求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\sqrt{1+\frac{k}{n}}$ 。
|
||||||
|
|
||||||
**9.** 【夹逼准则 · 和式型】求 $\displaystyle\lim_{n\to\infty}\left(\frac{1}{n^2+n+1}+\frac{2}{n^2+n+2}+\cdots+\frac{n}{n^2+n+n}\right)$。
|
**9.** 【夹逼准则 · 和式型】求 $\displaystyle\lim_{n\to\infty}\left(\frac{1}{n^2+n+1}+\frac{2}{n^2+n+2}+\cdots+\frac{n}{n^2+n+n}\right)$ 。
|
||||||
|
|
||||||
**10.** 【裂项求和 + 单调有界】设 $x_n=\dfrac{1}{1\cdot2}+\dfrac{1}{2\cdot3}+\cdots+\dfrac{1}{n(n+1)}$。证明 $\{x_n\}$ 收敛,并求其极限。
|
**10.** 【裂项求和 + 单调有界】设 $x_n=\dfrac{1}{1\cdot2}+\dfrac{1}{2\cdot3}+\cdots+\dfrac{1}{n(n+1)}$ 。证明 $\{x_n\}$ 收敛,并求其极限。
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -56,16 +56,16 @@ tags:
|
|||||||
|
|
||||||
| 题 | 答案 | 关键步骤 |
|
| 题 | 答案 | 关键步骤 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 1 | **B** | $\{x_n\}\subset[0,1]$ 有界 ⇒ 必有收敛子列(Weierstrass)。A 反例:$x_n=0,1$ 交替取、$f\equiv c$;C 需 $x_n$ 收敛;D 与条件无关 |
|
| 1 | **B** | $\{x_n\}\subset[0,1]$ 有界 ⇒ 必有收敛子列(Weierstrass)。A 反例:$x_n=0,1$ 交替取、$f\equiv c$ ;C 需 $x_n$ 收敛;D 与条件无关 |
|
||||||
| 2 | **A** | $a_n>0$ 时 $\lim\sqrt[n]{a_n}=\lim\frac{a_{n+1}}{a_n}=2$(根值=比值);$a_n\sim C\cdot2^n$ 发散无界,B、C、D 均错 |
|
| 2 | **A** | $a_n>0$ 时 $\lim\sqrt[n]{a_n}=\lim\frac{a_{n+1}}{a_n}=2$ (根值=比值);$a_n\sim C\cdot2^n$ 发散无界,B、C、D 均错 |
|
||||||
| 3 | **D** | $3^n-2^n\le3^n+(-2)^n\le3^n+2^n$,$\sqrt[n]{3^n\pm2^n}=3\sqrt[n]{1\pm(\frac23)^n}\to3$,夹逼得 3 |
|
| 3 | **D** | $3^n-2^n\le3^n+(-2)^n\le3^n+2^n$ ,$\sqrt[n]{3^n\pm2^n}=3\sqrt[n]{1\pm(\frac23)^n}\to3$ ,夹逼得 3 |
|
||||||
| 4 | **$\ln2026$** | $n(\sqrt[n]{a}-1)=n(e^{\frac{\ln a}{n}}-1)\to\ln a$(令 $a=2026$) |
|
| 4 | **$\ln2026$ ** | $n(\sqrt[n]{a}-1)=n(e^{\frac{\ln a}{n}}-1)\to\ln a$ (令 $a=2026$ ) |
|
||||||
| 5 | **$\sin1-\cos1$** | $=\frac1n\sum\frac{k}{n}\sin\frac{k}{n}\to\int_0^1 x\sin x\,dx=[-x\cos x]_0^1+\int_0^1\cos x\,dx=\sin1-\cos1$ |
|
| 5 | **$\sin1-\cos1$ ** | $=\frac1n\sum\frac{k}{n}\sin\frac{k}{n}\to\int_0^1 x\sin x\,dx=[-x\cos x]_0^1+\int_0^1\cos x\,dx=\sin1-\cos1$ |
|
||||||
| 6 | **3** | 归纳 $a_n<3$ 且有下界;$a_{n+1}-a_n=\frac{2a_n+3-a_n^2}{\sqrt{2a_n+3}+a_n}=\frac{(3-a_n)(a_n+1)}{\sqrt{2a_n+3}+a_n}>0$ 递增 ⇒ 收敛;$a=\sqrt{2a+3}\Rightarrow a=3$ |
|
| 6 | **3** | 归纳 $a_n<3$ 且有下界;$a_{n+1}-a_n=\frac{2a_n+3-a_n^2}{\sqrt{2a_n+3}+a_n}=\frac{(3-a_n)(a_n+1)}{\sqrt{2a_n+3}+a_n}>0$ 递增 ⇒ 收敛;$a=\sqrt{2a+3}\Rightarrow a=3$ |
|
||||||
| 7 | **$0$** | $x_n>0$ 归纳成立;$\ln(1+x)<x\Rightarrow x_{n+1}<x_n$ 单调递减有下界 0 ⇒ 收敛。设 $a=\lim x_n$,则 $a=\ln(1+a)$。令 $g(a)=a-\ln(1+a)$,$g'(a)=\frac{a}{1+a}>0\ (a>0)$,$g(0)=0$,故 $a=0$ |
|
| 7 | **$0$ ** | $x_n>0$ 归纳成立;$\ln(1+x)<x\Rightarrow x_{n+1}<x_n$ 单调递减有下界 0 ⇒ 收敛。设 $a=\lim x_n$ ,则 $a=\ln(1+a)$ 。令 $g(a)=a-\ln(1+a)$ ,$g'(a)=\frac{a}{1+a}>0\ (a>0)$ ,$g(0)=0$ ,故 $a=0$ |
|
||||||
| 8 | **$\dfrac23(2\sqrt2-1)$** | $=\int_0^1\sqrt{1+x}\,dx=\frac23(1+x)^{3/2}\Big|_0^1=\frac23(2\sqrt2-1)$ |
|
| 8 | **$\dfrac23(2\sqrt2-1)$ ** | $=\int_0^1\sqrt{1+x}\,dx=\frac23(1+x)^{3/2}\Big|_0^1=\frac23(2\sqrt2-1)$ |
|
||||||
| 9 | **$\dfrac12$** | 对 $k$ 项:$\frac{k}{n^2+2n}\le\frac{k}{n^2+n+k}\le\frac{k}{n^2+n}$;$\sum k=\frac{n(n+1)}2$,下界 $\frac{n+1}{2(n+2)}\to\frac12$,上界 $=\frac12$,夹逼 |
|
| 9 | **$\dfrac12$ ** | 对 $k$ 项:$\frac{k}{n^2+2n}\le\frac{k}{n^2+n+k}\le\frac{k}{n^2+n}$ ;$\sum k=\frac{n(n+1)}2$ ,下界 $\frac{n+1}{2(n+2)}\to\frac12$ ,上界 $=\frac12$ ,夹逼 |
|
||||||
| 10 | **$1$** | $\frac1{k(k+1)}=\frac1k-\frac1{k+1}$,$x_n=1-\frac1{n+1}$;$x_{n+1}-x_n=\frac1{(n+1)(n+2)}>0$ 递增、有上界 1 ⇒ 收敛,$\lim x_n=1$ |
|
| 10 | **$1$ ** | $\frac1{k(k+1)}=\frac1k-\frac1{k+1}$ ,$x_n=1-\frac1{n+1}$ ;$x_{n+1}-x_n=\frac1{(n+1)(n+2)}>0$ 递增、有上界 1 ⇒ 收敛,$\lim x_n=1$ |
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
+20
-20
@@ -36,22 +36,22 @@ tags:
|
|||||||
|
|
||||||
**日期**:2026-10-03
|
**日期**:2026-10-03
|
||||||
|
|
||||||
**题目**:求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\sin\frac{k\pi}{2n}$。
|
**题目**:求 $\displaystyle\lim_{n\to\infty}\sum_{k=1}^{n}\frac{1}{n}\sin\frac{k\pi}{2n}$ 。
|
||||||
|
|
||||||
**我的错误**:误以为积分上限是 $\dfrac\pi2$(把 $\sin$ 内部的 $\dfrac{k\pi}{2n}$ 当成了积分变量 $x_k$ 的取值)。
|
**我的错误**:误以为积分上限是 $\dfrac\pi2$ (把 $\sin$ 内部的 $\dfrac{k\pi}{2n}$ 当成了积分变量 $x_k$ 的取值)。
|
||||||
|
|
||||||
**错因**:对黎曼和的"标准形式"不熟——没先把和式整理成 $\dfrac1n\sum f\left(\dfrac kn\right)$ 的骨架,被 $\sin$ 内部的样子带偏,导致区间端点取错。
|
**错因**:对黎曼和的"标准形式"不熟——没先把和式整理成 $\dfrac1n\sum f\left(\dfrac kn\right)$ 的骨架,被 $\sin$ 内部的样子带偏,导致区间端点取错。
|
||||||
|
|
||||||
**正确思路**:
|
**正确思路**:
|
||||||
$$\sum_{k=1}^{n}\frac1n\sin\frac{k\pi}{2n}=\frac1n\sum_{k=1}^n\sin\left(\frac\pi2\cdot\frac{k}{n}\right)$$
|
$$\sum_{k=1}^{n}\frac1n\sin\frac{k\pi}{2n}=\frac1n\sum_{k=1}^n\sin\left(\frac\pi2\cdot\frac{k}{n}\right)$$
|
||||||
令 $x_k=\dfrac{k}{n}$($k=1,\cdots,n\Rightarrow x\in(0,1]$),被积函数 $f(x)=\sin\dfrac{\pi x}{2}$,步长 $\Delta x=\dfrac1n$:
|
令 $x_k=\dfrac{k}{n}$ ($k=1,\cdots,n\Rightarrow x\in(0,1]$ ),被积函数 $f(x)=\sin\dfrac{\pi x}{2}$ ,步长 $\Delta x=\dfrac1n$ :
|
||||||
$$\lim_{n\to\infty}\frac1n\sum_{k=1}^n\sin\frac{\pi k}{2n}=\int_0^1\sin\frac{\pi x}{2}\,dx=\left[-\frac2\pi\cos\frac{\pi x}{2}\right]_0^1=\frac2\pi$$
|
$$\lim_{n\to\infty}\frac1n\sum_{k=1}^n\sin\frac{\pi k}{2n}=\int_0^1\sin\frac{\pi x}{2}\,dx=\left[-\frac2\pi\cos\frac{\pi x}{2}\right]_0^1=\frac2\pi$$
|
||||||
|
|
||||||
**预防要点**:
|
**预防要点**:
|
||||||
1. **黎曼和标准骨架**:$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)=\int_0^1 f(x)\,dx$——先找出"步长 $\frac1n$ × 函数值",$\frac{k}{n}$ 整体就是 $x$,**积分区间固定为 $[0,1]$**
|
1. **黎曼和标准骨架**:$\displaystyle\lim_{n\to\infty}\frac{1}{n}\sum_{k=1}^{n}f\!\left(\frac{k}{n}\right)=\int_0^1 f(x)\,dx$ ——先找出"步长 $\frac1n$ × 函数值",$\frac{k}{n}$ 整体就是 $x$ ,**积分区间固定为 $[0,1]$ **
|
||||||
2. 本题中 $\dfrac{k\pi}{2n}=\dfrac\pi2\cdot\dfrac{k}{n}$:系数 $\dfrac\pi2$ 属于 $f$(被积函数),不属于 $x$;**只有 $\dfrac{k}{n}$ 决定积分上限**
|
2. 本题中 $\dfrac{k\pi}{2n}=\dfrac\pi2\cdot\dfrac{k}{n}$ :系数 $\dfrac\pi2$ 属于 $f$ (被积函数),不属于 $x$ ;**只有 $\dfrac{k}{n}$ 决定积分上限**
|
||||||
3. 更一般区间 $[a,b]$:$\displaystyle\frac{b-a}{n}\sum_{k=1}^n f\!\left(a+\frac{k}{n}(b-a)\right)\to\int_a^b f(x)\,dx$
|
3. 更一般区间 $[a,b]$ :$\displaystyle\frac{b-a}{n}\sum_{k=1}^n f\!\left(a+\frac{k}{n}(b-a)\right)\to\int_a^b f(x)\,dx$
|
||||||
4. 自检法:取 $n\to\infty$ 时和式的"第一项 ≈ 最后一项"是否分别接近 $f(0),f(1)$(本题 $\sin0\to\sin\frac\pi2$ ✓,上限为 1 无误)
|
4. 自检法:取 $n\to\infty$ 时和式的"第一项 ≈ 最后一项"是否分别接近 $f(0),f(1)$ (本题 $\sin0\to\sin\frac\pi2$ ✓,上限为 1 无误)
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
@@ -65,17 +65,17 @@ $$\lim_{n\to\infty}\frac1n\sum_{k=1}^n\sin\frac{\pi k}{2n}=\int_0^1\sin\frac{\pi
|
|||||||
|
|
||||||
**日期**:2026-10-05
|
**日期**:2026-10-05
|
||||||
|
|
||||||
**题目**:设 $f(x)$ 在 $[0,1]$ 上连续,$\{x_n\}\subset[0,1]$,$\lim\limits_{n\to\infty}f(x_n)$ 存在。则( )必成立。
|
**题目**:设 $f(x)$ 在 $[0,1]$ 上连续,$\{x_n\}\subset[0,1]$ ,$\lim\limits_{n\to\infty}f(x_n)$ 存在。则( )必成立。
|
||||||
(A)$\lim x_n$ 存在 (B)$\{x_n\}$ 必有收敛子列 (C)$\lim f(x_n)=f(\lim x_n)$ (D)$f$ 必不单调
|
(A)$\lim x_n$ 存在 (B)$\{x_n\}$ 必有收敛子列 (C)$\lim f(x_n)=f(\lim x_n)$ (D)$f$ 必不单调
|
||||||
|
|
||||||
**我的错误**:选错(常见错法:选 A 或 C)。
|
**我的错误**:选错(常见错法:选 A 或 C)。
|
||||||
|
|
||||||
**错因**:把"外层 $f(x_n)$ 收敛"误当成"内层 $x_n$ 收敛"——**复合极限可逆性陷阱**。$f$ 不单调(如常值 $f\equiv0$)时,$x_n$ 任意振荡(如 $0,1,0,1,\cdots$ 发散),$f(x_n)$ 却恒收敛;$f(\lim x_n)$ 里的 $\lim x_n$ 根本不存在,C 无从谈起。
|
**错因**:把"外层 $f(x_n)$ 收敛"误当成"内层 $x_n$ 收敛"——**复合极限可逆性陷阱**。$f$ 不单调(如常值 $f\equiv0$ )时,$x_n$ 任意振荡(如 $0,1,0,1,\cdots$ 发散),$f(x_n)$ 却恒收敛;$f(\lim x_n)$ 里的 $\lim x_n$ 根本不存在,C 无从谈起。
|
||||||
|
|
||||||
**正确思路**:$\{x_n\}\subset[0,1]$ **有界 ⇒ 由 Weierstrass 定理必有收敛子列**(B 对)。A 错(有界不代表收敛,常值 $f$ 下可振荡发散);C 错(复合极限定理 $\lim f(x_n)=f(\lim x_n)$ 的前提是**内层 $x_n$ 收敛**,此处不满足);D 错($f$ 单调与否无关)。
|
**正确思路**:$\{x_n\}\subset[0,1]$ **有界 ⇒ 由 Weierstrass 定理必有收敛子列**(B 对)。A 错(有界不代表收敛,常值 $f$ 下可振荡发散);C 错(复合极限定理 $\lim f(x_n)=f(\lim x_n)$ 的前提是**内层 $x_n$ 收敛**,此处不满足);D 错($f$ 单调与否无关)。
|
||||||
|
|
||||||
**预防要点**:
|
**预防要点**:
|
||||||
1. **复合极限成立的顺序不能反**:先有 $\lim x_n$,才有 $\lim f(x_n)=f(\lim x_n)$;外层收敛推不出内层
|
1. **复合极限成立的顺序不能反**:先有 $\lim x_n$ ,才有 $\lim f(x_n)=f(\lim x_n)$ ;外层收敛推不出内层
|
||||||
2. **"有界"的结论武器**:数列有界 ⇒ 存在收敛子列(Weierstrass);这是存在性题的通用抓手
|
2. **"有界"的结论武器**:数列有界 ⇒ 存在收敛子列(Weierstrass);这是存在性题的通用抓手
|
||||||
3. 反例构造优先:$f$ 常值/周期函数,让外层"吸掉"内层的所有信息
|
3. 反例构造优先:$f$ 常值/周期函数,让外层"吸掉"内层的所有信息
|
||||||
|
|
||||||
@@ -86,7 +86,7 @@ $$\lim_{n\to\infty}\frac1n\sum_{k=1}^n\sin\frac{\pi k}{2n}=\int_0^1\sin\frac{\pi
|
|||||||
**日期**:2026-10-05
|
**日期**:2026-10-05
|
||||||
|
|
||||||
**题目**:$\displaystyle\lim_{n\to\infty}\sqrt[n]{3^n+(-2)^n}=$ ( )
|
**题目**:$\displaystyle\lim_{n\to\infty}\sqrt[n]{3^n+(-2)^n}=$ ( )
|
||||||
(A)$1$ (B)$2$ (C)$2.5$ (D)$3$
|
(A)$1$ (B)$2$ (C)$2.5$ (D)$3$
|
||||||
|
|
||||||
**我的错误**:选错(常见错法:选 A 或 B)。
|
**我的错误**:选错(常见错法:选 A 或 B)。
|
||||||
|
|
||||||
@@ -95,11 +95,11 @@ $$\lim_{n\to\infty}\frac1n\sum_{k=1}^n\sin\frac{\pi k}{2n}=\int_0^1\sin\frac{\pi
|
|||||||
**正确思路**:
|
**正确思路**:
|
||||||
$$3^n-2^n\le 3^n+(-2)^n\le 3^n+2^n$$
|
$$3^n-2^n\le 3^n+(-2)^n\le 3^n+2^n$$
|
||||||
$$\sqrt[n]{3^n-2^n}=3\sqrt[n]{1-(2/3)^n}\to3,\qquad \sqrt[n]{3^n+2^n}=3\sqrt[n]{1+(2/3)^n}\to3$$
|
$$\sqrt[n]{3^n-2^n}=3\sqrt[n]{1-(2/3)^n}\to3,\qquad \sqrt[n]{3^n+2^n}=3\sqrt[n]{1+(2/3)^n}\to3$$
|
||||||
夹逼得极限 $=3$。一般结论:$a>b\ge0$ 时 $\sqrt[n]{a^n+b^n}\to a$(**指数主项法则**)。
|
夹逼得极限 $=3$ 。一般结论:$a>b\ge0$ 时 $\sqrt[n]{a^n+b^n}\to a$ (**指数主项法则**)。
|
||||||
|
|
||||||
**预防要点**:
|
**预防要点**:
|
||||||
1. $n$ 次根号下"谁指数大取谁":$\sqrt[n]{a^n+b^n}\to\max(a,b)$;$(-2)^n$ 的符号交给夹逼,不参与主项
|
1. $n$ 次根号下"谁指数大取谁":$\sqrt[n]{a^n+b^n}\to\max(a,b)$ ;$(-2)^n$ 的符号交给夹逼,不参与主项
|
||||||
2. 通法:$\sqrt[n]{a^n+(\text{低阶})}=a\sqrt[n]{1+(\text{小量})}\to a$,小量用 $\frac ba<1$ 控制
|
2. 通法:$\sqrt[n]{a^n+(\text{低阶})}=a\sqrt[n]{1+(\text{小量})}\to a$ ,小量用 $\frac ba<1$ 控制
|
||||||
3. 数感自检:$3^n$ 相对 $2^n$ 是指数级优势,极限必为 3,不可能落到 1/2/2.5
|
3. 数感自检:$3^n$ 相对 $2^n$ 是指数级优势,极限必为 3,不可能落到 1/2/2.5
|
||||||
|
|
||||||
---
|
---
|
||||||
@@ -108,23 +108,23 @@ $$\sqrt[n]{3^n-2^n}=3\sqrt[n]{1-(2/3)^n}\to3,\qquad \sqrt[n]{3^n+2^n}=3\sqrt[n]{
|
|||||||
|
|
||||||
**日期**:2026-10-05
|
**日期**:2026-10-05
|
||||||
|
|
||||||
**题目**:设 $a_1=1$,$a_{n+1}=\sqrt{2a_n+3}$($n\ge1$),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
**题目**:设 $a_1=1$ ,$a_{n+1}=\sqrt{2a_n+3}$ ($n\ge1$ ),则 $\displaystyle\lim_{n\to\infty}a_n=$ ____
|
||||||
|
|
||||||
**我的错误**:做错(常见错法:直接设 $A=\sqrt{2A+3}$ 解出 $3,-1$ 后取值混乱;或不证收敛;或单调性判断错)。
|
**我的错误**:做错(常见错法:直接设 $A=\sqrt{2A+3}$ 解出 $3,-1$ 后取值混乱;或不证收敛;或单调性判断错)。
|
||||||
|
|
||||||
**错因**:一代笔记**陷阱 1+2**:① 未证单调有界就设极限;② 不动点方程 $A^2-2A-3=0$ 有两个根 $A=3,-1$,**必须按初值/有界范围舍根**($a_n>0$ 舍 $-1$)。
|
**错因**:一代笔记**陷阱 1+2**:① 未证单调有界就设极限;② 不动点方程 $A^2-2A-3=0$ 有两个根 $A=3,-1$ ,**必须按初值/有界范围舍根**($a_n>0$ 舍 $-1$ )。
|
||||||
|
|
||||||
**正确思路**:
|
**正确思路**:
|
||||||
1. **有界**:归纳证 $a_n<3$。$a_1=1<3$;若 $a_n<3$,则 $a_{n+1}=\sqrt{2a_n+3}<\sqrt9=3$ ✓
|
1. **有界**:归纳证 $a_n<3$ 。$a_1=1<3$ ;若 $a_n<3$ ,则 $a_{n+1}=\sqrt{2a_n+3}<\sqrt9=3$ ✓
|
||||||
2. **单调**:$a_{n+1}-a_n=\sqrt{2a_n+3}-a_n=\dfrac{2a_n+3-a_n^2}{\sqrt{2a_n+3}+a_n}=\dfrac{(3-a_n)(a_n+1)}{\sqrt{2a_n+3}+a_n}>0$ ⇒ 递增
|
2. **单调**:$a_{n+1}-a_n=\sqrt{2a_n+3}-a_n=\dfrac{2a_n+3-a_n^2}{\sqrt{2a_n+3}+a_n}=\dfrac{(3-a_n)(a_n+1)}{\sqrt{2a_n+3}+a_n}>0$ ⇒ 递增
|
||||||
3. **收敛**:单调递增有上界 ⇒ 极限存在,设 $\lim a_n=A$
|
3. **收敛**:单调递增有上界 ⇒ 极限存在,设 $\lim a_n=A$
|
||||||
4. **求值**:$A=\sqrt{2A+3}\Rightarrow A^2-2A-3=0\Rightarrow A=3$ 或 $-1$;由 $a_n>0$ **舍 $-1$**,取 $A=3$
|
4. **求值**:$A=\sqrt{2A+3}\Rightarrow A^2-2A-3=0\Rightarrow A=3$ 或 $-1$ ;由 $a_n>0$ **舍 $-1$ **,取 $A=3$
|
||||||
|
|
||||||
**预防要点**:
|
**预防要点**:
|
||||||
1. **"先判敛,再设限,代入求解取正负"**(一代口诀)——三步缺一不可
|
1. **"先判敛,再设限,代入求解取正负"**(一代口诀)——三步缺一不可
|
||||||
2. 设限后解方程若出现多根:用**初值所在区间/正性/有界范围**舍根
|
2. 设限后解方程若出现多根:用**初值所在区间/正性/有界范围**舍根
|
||||||
3. 单调性用"作差看符号":$a_{n+1}-a_n$ 分子因式分解后与界 $M$ 比较符号
|
3. 单调性用"作差看符号":$a_{n+1}-a_n$ 分子因式分解后与界 $M$ 比较符号
|
||||||
4. 界怎么猜:先算 $a_2=\sqrt5\approx2.236$、$a_3\approx2.734$,趋势指向 3,猜 $a_n<3$
|
4. 界怎么猜:先算 $a_2=\sqrt5\approx2.236$ 、$a_3\approx2.734$ ,趋势指向 3,猜 $a_n<3$
|
||||||
|
|
||||||
---
|
---
|
||||||
|
|
||||||
|
|||||||
@@ -27,8 +27,8 @@ tags:
|
|||||||
|---|---|---|---|
|
|---|---|---|---|
|
||||||
| 1 | 给定递推 $x_{n+1}=f(x_n)$ 与初值 $x_1$ | 递推型 | **单调有界准则** |
|
| 1 | 给定递推 $x_{n+1}=f(x_n)$ 与初值 $x_1$ | 递推型 | **单调有界准则** |
|
||||||
| 2 | 通项含 $n$ 项和 $\sum a_k$ 或 $n$ 项积 $\prod a_k$ | 通项型 | **夹逼** 或 **定积分定义** |
|
| 2 | 通项含 $n$ 项和 $\sum a_k$ 或 $n$ 项积 $\prod a_k$ | 通项型 | **夹逼** 或 **定积分定义** |
|
||||||
| 3 | 通项 $x_n=f(n)$,含 $\sin(n\pi)$、$(-1)^n$ 等振荡项 | 通项型 | **放大/缩小 + 夹逼** |
|
| 3 | 通项 $x_n=f(n)$ ,含 $\sin(n\pi)$ 、$(-1)^n$ 等振荡项 | 通项型 | **放大/缩小 + 夹逼** |
|
||||||
| 4 | 形如 $(1+\frac{a_n}{n})^n$ 且 $a_n\to A$ | $1^\infty$ | **口诀 $e^{A}$** |
|
| 4 | 形如 $(1+\frac{a_n}{n})^n$ 且 $a_n\to A$ | $1^\infty$ | **口诀 $e^{A}$ ** |
|
||||||
| 5 | 极限式含子列 $\{x_{2k}\},\{x_{2k+1}\}$ 等 | 子列判敛 | **两子列极限相同 ⇒ 收敛;不同 ⇒ 发散** |
|
| 5 | 极限式含子列 $\{x_{2k}\},\{x_{2k+1}\}$ 等 | 子列判敛 | **两子列极限相同 ⇒ 收敛;不同 ⇒ 发散** |
|
||||||
|
|
||||||
## 二、两大主战场 · 标准流程
|
## 二、两大主战场 · 标准流程
|
||||||
@@ -62,20 +62,20 @@ flowchart TD
|
|||||||
| 优先级 | 工具 | 适用场景 |
|
| 优先级 | 工具 | 适用场景 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| ⭐⭐⭐ | 定积分定义 | $\frac1n\sum f(\frac kn)$ 结构 → $\int_0^1 f(x)dx$ |
|
| ⭐⭐⭐ | 定积分定义 | $\frac1n\sum f(\frac kn)$ 结构 → $\int_0^1 f(x)dx$ |
|
||||||
| ⭐⭐⭐ | 单调有界准则 | 递推 $x_{n+1}=f(x_n)$:有界 + 单调 ⇒ 收敛 |
|
| ⭐⭐⭐ | 单调有界准则 | 递推 $x_{n+1}=f(x_n)$ :有界 + 单调 ⇒ 收敛 |
|
||||||
| ⭐⭐⭐ | 辅助函数 + Taylor 渐近 | 隐式递推($\cos x_{n+1}$ 等)+ 求 $\lim\frac{x_{n+1}}{x_n^k}$ |
|
| ⭐⭐⭐ | 辅助函数 + Taylor 渐近 | 隐式递推($\cos x_{n+1}$ 等)+ 求 $\lim\frac{x_{n+1}}{x_n^k}$ |
|
||||||
| ⭐⭐ | 夹逼准则 | $n$ 项和/积、符号振荡;**放缩后两界极限必须相同** |
|
| ⭐⭐ | 夹逼准则 | $n$ 项和/积、符号振荡;**放缩后两界极限必须相同** |
|
||||||
| ⭐⭐ | $1^\infty$ 口诀 | $(1+\frac{a_n}{n})^n\to e^{\lim a_n}$ |
|
| ⭐⭐ | $1^\infty$ 口诀 | $(1+\frac{a_n}{n})^n\to e^{\lim a_n}$ |
|
||||||
| ⭐ | Stolz–Cesàro | "数列版洛必达",$n$ 项和渐近 |
|
| ⭐ | Stolz–Cesàro | "数列版洛必达",$n$ 项和渐近 |
|
||||||
|
|
||||||
**补充结论(本次错题 3 直接命中)**:$a>b\ge0$ 时 $\sqrt[n]{a^n+b^n}\to a$(**指数主项法则**:$n$ 次根号下比"谁大"取谁)。含振荡项时用 $b^n\cdot(\text{有界量})$ 夹逼处理。
|
**补充结论(本次错题 3 直接命中)**:$a>b\ge0$ 时 $\sqrt[n]{a^n+b^n}\to a$ (**指数主项法则**:$n$ 次根号下比"谁大"取谁)。含振荡项时用 $b^n\cdot(\text{有界量})$ 夹逼处理。
|
||||||
|
|
||||||
## 四、四大死亡陷阱(一代笔记原文精神)
|
## 四、四大死亡陷阱(一代笔记原文精神)
|
||||||
|
|
||||||
| # | 陷阱 | 正确做法 |
|
| # | 陷阱 | 正确做法 |
|
||||||
|---|---|---|
|
|---|---|---|
|
||||||
| 1 | **未证收敛就设极限** | 先证单调 + 有界,再设 $\lim x_n=A$;反例 $x_{n+1}=-x_n$:$A=-A$ 恒成立但极限不存在 |
|
| 1 | **未证收敛就设极限** | 先证单调 + 有界,再设 $\lim x_n=A$ ;反例 $x_{n+1}=-x_n$ :$A=-A$ 恒成立但极限不存在 |
|
||||||
| 2 | **不动点 ≠ 极限**(多个根) | 解 $A=f(A)$ 后**按初值范围/正性舍根**:如 $x_{n+1}=\frac1{x_n}$ 解出 $\pm1$,但 $x_n>0$ 只取 $1$ |
|
| 2 | **不动点 ≠ 极限**(多个根) | 解 $A=f(A)$ 后**按初值范围/正性舍根**:如 $x_{n+1}=\frac1{x_n}$ 解出 $\pm1$ ,但 $x_n>0$ 只取 $1$ |
|
||||||
| 3 | **单调性方向搞反** | 作差看符号:$x_{n+1}-x_n>0$ 递增、$<0$ 递减;别硬证收敛(周期数列如 $x_{n+1}=1-\frac1{x_n}$ 会振荡) |
|
| 3 | **单调性方向搞反** | 作差看符号:$x_{n+1}-x_n>0$ 递增、$<0$ 递减;别硬证收敛(周期数列如 $x_{n+1}=1-\frac1{x_n}$ 会振荡) |
|
||||||
| 4 | **$n$ 项和乱套定积分定义** | 必须能写成 $\frac1n\sum f(\frac kn)$ 且 $f$ 可积;无界如 $\sum\frac1k$ 不可套 |
|
| 4 | **$n$ 项和乱套定积分定义** | 必须能写成 $\frac1n\sum f(\frac kn)$ 且 $f$ 可积;无界如 $\sum\frac1k$ 不可套 |
|
||||||
|
|
||||||
@@ -89,14 +89,14 @@ flowchart TD
|
|||||||
|
|
||||||
## 六、跨章联动(数列极限的真正威力)
|
## 六、跨章联动(数列极限的真正威力)
|
||||||
|
|
||||||
- **→ 定积分**:$\lim\frac1n\sum f(\frac kn)=\int_0^1 f$(2017·16 同款)
|
- **→ 定积分**:$\lim\frac1n\sum f(\frac kn)=\int_0^1 f$ (2017·16 同款)
|
||||||
- **→ 无穷级数**:$\sum a_n$ 收敛 ⟺ 部分和 $S_n$ 收敛(判敛法全部迁移)
|
- **→ 无穷级数**:$\sum a_n$ 收敛 ⟺ 部分和 $S_n$ 收敛(判敛法全部迁移)
|
||||||
- **→ 导数定义**:$n(\sqrt[n]{a}-1)\to\ln a$($f'(1)$ 的数列版)
|
- **→ 导数定义**:$n(\sqrt[n]{a}-1)\to\ln a$ ($f'(1)$ 的数列版)
|
||||||
- **→ 微分方程**:递推不动点收敛 ⟷ 平衡点稳定($|f'(A)|<1$)
|
- **→ 微分方程**:递推不动点收敛 ⟷ 平衡点稳定($|f'(A)|<1$ )
|
||||||
|
|
||||||
## 七、考法自检(做题前默念)
|
## 七、考法自检(做题前默念)
|
||||||
|
|
||||||
1. 递推?→ 三步:有界(归纳) → 单调(作差) → 设限舍根
|
1. 递推?→ 三步:有界(归纳) → 单调(作差) → 设限舍根
|
||||||
2. 和式?→ 先看能否变 $\frac1n\sum f(\frac kn)$;不能才夹逼,**放缩两界必须收敛到同一个数**
|
2. 和式?→ 先看能否变 $\frac1n\sum f(\frac kn)$ ;不能才夹逼,**放缩两界必须收敛到同一个数**
|
||||||
3. 根式 $\sqrt[n]{a^n+b^n}$?→ 取主项 max(a,b),振荡项用夹逼
|
3. 根式 $\sqrt[n]{a^n+b^n}$ ?→ 取主项 max(a,b),振荡项用夹逼
|
||||||
4. 存在性/复合?→ 内层必须收敛才有 $\lim f(x_n)=f(\lim x_n)$;有界 ⇒ 有收敛子列
|
4. 存在性/复合?→ 内层必须收敛才有 $\lim f(x_n)=f(\lim x_n)$ ;有界 ⇒ 有收敛子列
|
||||||
|
|||||||
Reference in New Issue
Block a user