--- tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计] 专题: 概率论 · 第6讲 数理统计 · 背诵版 日期: 2026-10-27 更新: 2026-11-08(v2 重构:分块排版 + 置信区间/检验表统一符号 + 真题地图对齐 sqlite + 纯题干题单) 状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 26 题纯题干清单;题单已对齐在学练习八点分册) 来源: 在学练习/概率论-第6讲-数理统计(八点分册 26 题)| 参考仓库 knowledge/5-mathematical-statistics + exercise/5|真题库 kaoyan_math1.db(chapter 20/21/22) 关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"] --- # 概率论 · 第6讲 数理统计 · 背诵版 > **范围**:参考仓库 `knowledge/5-mathematical-statistics`(总体与样本、统计量、三大分布、点估计、区间估计、假设检验、两类错误)+ `exercise/5`。 > **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 ## 0 骨架(先背这张图) ### 0.1 一句话与六节地图 **一句话**:**数理统计 = "用样本推断总体"**——先拿样本造工具(**统计量**),弄清工具服从什么分布(**抽样分布**),再用工具反推总体参数(**点估计 → 区间估计 → 假设检验**)。 **六节地图**: | 节 | 内容 | 分量 | |---|---|---| | §1 | 总体、样本、经验分布 | 冷门(只作起手) | | §2 | 统计量与抽样分布(三大分布 + 正态总体) | 选填常客 | | §3 | **参数点估计**(矩估计、MLE、评价标准) | **年年解答题,本讲命脉** | | §4 | 区间估计(仅数一) | 选填 | | §5 | 假设检验(仅数一) | 选填 | | §6 | 两类错误(仅数一) | 选填 | **三条主线**:① **独立性**(简单随机样本 $=$ i.i.d.);② **标准化**(拼 $\chi^2/t/F$ );③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$ )。 **符号约定**(本讲统一): | 记号 | 含义 | |---|---| | $u_\alpha$ | 标准正态**上侧** $\alpha$ 分位点:$P\{Z>u_\alpha\}=\alpha$ | | $\chi^2_\alpha(n)$ 、$t_\alpha(n)$ 、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 | | $\overline X$ 、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$ ) | | $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$ (**有偏**) | ### 0.2 十年真题地图(sqlite,2016–2025) | 年份·题号 | 考点 | 分值 | 归属 | |---|---|---|---| | 2025·22 | 复合分布 + 泊松分解(理赔模型) | 12 | §2/§3 综合 | | 2025·10 | 单侧假设检验的拒绝域 | 5 | §5 | | 2024·22 | 次序统计量无偏 + MSE 最小 | 12 | §3.3 | | 2023·10 | 无偏估计反定常数 | 5 | §3.3 | | 2023·9 | 两正态总体方差比的 $F$ 分布 | 5 | §2.5 | | 2022·22 | 两样本泊松的 MLE 与 $D(\hat\theta)$ | 12 | §3.2 | | 2021·10 | 第二类错误概率 | 5 | §6 | | 2021·9 | 无偏性 + $D(\hat\theta)$ (二元正态) | 5 | §3.3 | | 2020·23 | 威布尔型 $F(t)$ 的无记忆性 + MLE | 11 | §3.2 | | 2019·23 | 半正态密度求常数 + MLE | 11 | §3.2 | | 2018·23 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | 11 | §3.2 | | 2018·8 | 显著性水平与拒绝/接受的关系 | 4 | §5/§6 | | 2017·23 | 绝对误差的矩估计 + MLE | 11 | §3.1/§3.2 | | 2017·8 | $\chi^2$ 分布的四个结论辨析 | 4 | §2.4 | | 2016·23 | 次序统计量 $T=\max$ + 无偏定 $a$ | 11 | §2.6/§3.3 | | 2016·14 | 置信区间(给上限反求下限) | 4 | §4 | > **命题规律**:**"铁打的 22 题"**——每年解答题第 22(或 23)题基本固定围绕参数估计:**近十年 8 道解答题,5 道直接考 MLE**(2017、2018、2019、2020、2022),另 3 道考无偏与 MSE(2016、2024)或复合分布(2025)。选填则轮流考:$F$ 分布(2023·9)、无偏定常数(2023·10)、两类错误(2021·10)、拒绝域(2025·10)。**MLE 是必须拿满分的一块**。 ### 0.3 考点树(与在学练习八点分册一一对应) | 节 | 考点 | 在学练习 | 题数 | |---|---|---|---| | §1 | 总体与样本、统计量定义、常用统计量、经验分布 | 点 1 | 3 | | §2.4 | 三大抽样分布 $\chi^2/t/F$ | 点 2 | 3 | | §2.5 | 正态总体的抽样分布(单/两总体) | 点 3 | 3 | | §3.1 | 矩估计 | 点 4 | 2 | | §3.2 | 极大似然估计(含不可微与两样本) | 点 5 | 4 | | §3.3 | 评价标准:无偏 / 有效 / 一致 / MSE | 点 6 | 4 | | §4 | 区间估计(枢轴变量法、四表) | 点 7 | 3 | | §5–§6 | 假设检验与两类错误 | 点 8 | 4 | ## 1 总体、样本与统计量(点 1) ### 1.1 基本概念 | 概念 | 定义 | |---|---| | 总体 | 研究对象的全体;**数学上就是一个随机变量** $X$ | | 个体 | 总体的每个元素 | | 简单随机样本 | $n$ 个**相互独立且与总体同分布**的 $X_1,\dots,X_n$ | | 样本值 | 一次具体观测得到的一组数 $x_1,\dots,x_n$ | **一句话**:**"概率论里的 i.i.d." $=$ "数理统计里的简单随机样本"**。 ### 1.2 样本的联合分布(MLE 的根基) $$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^np(x_i).$$ 独立性把 $n$ 维联合分布化成一维连乘——**所有似然函数都长这样**。 ### 1.3 经验分布函数 $\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$ 。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$ (几乎必然)。**了解即可**,考研不单独考。 ## 2 三大抽样分布与正态总体抽样(点 2–3) ### 2.1 统计量的定义(判断题高频) $g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**。 | 例子 | 是否统计量 | |---|---| | $\sum X_i$ 、$\overline X$ 、$S^2$ 、$\max X_i$ | ✓ | | $\sum(X_i-\mu)^2$ ($\mu$ 未知) | ✗ | | $\frac{X_1-\mu}{\sigma}$ ($\mu,\sigma$ 未知) | ✗ | **判断口诀**:**"能不能用样本算出来"**——算不出来就不是。 ### 2.2 常用统计量 | 名称 | 公式 | |---|---| | 样本均值 | $\overline X=\dfrac1n\sum_{i=1}^nX_i$ | | 样本方差 | $S^2=\dfrac1{n-1}\sum_{i=1}^n(X_i-\overline X)^2$ | | 样本 $k$ 阶原点矩 | $A_k=\dfrac1n\sum X_i^k$ | | 样本 $k$ 阶中心矩 | $B_k=\dfrac1n\sum(X_i-\overline X)^k$ | **恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$ (方差题必用)。 ### 2.3 $\overline X$ 与 $S^2$ 的数字特征(必背) $$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$ **为什么除以** $n-1$ :$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$ (有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$ 。 ### 2.4 三大抽样分布 | 分布 | 构造 | 期望 / 方差 | 关键性质 | |---|---|---|---| | $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ ;**不对称**,上下分位点分别查 | | $t(n)$ | $X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$ ;$t_{1-\alpha}(n)=-t_\alpha(n)$ ;$t^2\sim F(1,n)$ | | $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$ ,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$ ;**两个自由度顺序不能反**(分子在前) | ### 2.5 正态总体下的抽样分布(本节最重要) **(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$ : | # | 统计量 | 分布 | 前提 | |---|---|---|---| | ① | $\dfrac{\overline X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ | $\sigma$ 已知 | | ② | $\dfrac1{\sigma^2}\sum(X_i-\mu)^2$ | $\chi^2(n)$ | **$\mu$ 已知** | | ③ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ | **$\mu$ 未知** | | ④ | $\dfrac{\sqrt n(\overline X-\mu)}{S}$ | $t(n-1)$ | $\sigma$ 未知 | | ⑤ | $\dfrac{n(\overline X-\mu)^2}{S^2}$ | $F(1,n-1)$ | $\sigma$ 未知 | **两句口诀**:②→③「**$\mu$ 换成 $\overline X$ ,自由度减一**」;①→④「**$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度** $n-1$ 」。 > **④ 里藏着一条独立结论**:正态总体下 $\overline X$ 与 $S^2$ **相互独立**。这是正态总体**独有**的(一般总体不成立),也是拼 $t$ 分布的前提。 **(二)两个正态总体**($X\sim N(\mu_1,\sigma_1^2)$ 取 $m$ 个,$Y\sim N(\mu_2,\sigma_2^2)$ 取 $n$ 个,相互独立): | # | 统计量 | 分布 | |---|---|---| | ① | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ | | ② | $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ | $F(m-1,n-1)$ | | ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$ ($\sigma_1^2=\sigma_2^2$ ) | $t(m+n-2)$ | 合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。 **(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$ ,平方得 $\chi^2(1)$ ;③ 按定义拼($\chi^2$ 相加、$t$ 除根号、$F$ 上下除各自自由度)。 **三个恒定陷阱**:忘标准化就平方(系数不对,不是 $\chi^2$ )|分子分母共用同一个 $X_i$ (不独立,拼不出 $t$ 或 $F$ )|自由度算错。 ### 2.6 顺序统计量 $X_{(1)}=\min\{X_i\}$ ,$X_{(n)}=\max\{X_i\}$ 。设总体分布函数 $F$ 、密度 $f$ : $$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x),$$ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$ **上限型分布的 $\max$ 期望**(无偏题必背): | 总体密度 | $E X_{(n)}$ | |---|---| | $U(0,\theta)$ :$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ | | $f=\dfrac{2x}{\theta^2}$ ($0 **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数** $\theta$ 。两种造法:矩估计、极大似然。 ### 3.1 矩估计法 **思想**:用样本矩替换总体矩(大数定律保证)。 **三步**:① 写含 $\theta$ 的总体矩 $EX^k$ (一个参数用一阶,两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$ ;③ 解出 $\hat\theta$ 。 **两参数模板**:$\hat\mu=\overline X$ ,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$ 。 > ⚠️ **矩估计的方差是 $B_2$ (除以 $n$ ),不是** $S^2$ ——只有 $S^2$ 无偏。 ### 3.2 最大似然估计(MLE) **思想**:选让这组样本**出现概率最大**的 $\theta$ 。 **常规可微四步**: ① 写似然 $L(\theta)=\prod f(x_i;\theta)$ (离散用 $\prod p(x_i;\theta)$ ); ② 取对数 $\ln L$ (连乘变连加,$\ln$ 单调不减,不改变极值点); ③ 求导令零(多参数解方程组); ④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$ 。 **不可微/单调情形(每年必有一道)**:当 $\theta$ 出现在**支撑集**里时,$L$ 关于 $\theta$ 单调,$\hat\theta$ 取**边界**: | 总体 | MLE | |---|---| | $U(0,\theta)$ | $\hat\theta=X_{(n)}=\max X_i$ | | $U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$ ,$\hat\theta_2=X_{(n)}$ | | $f(x;\theta)=\dfrac{\theta}{x^2}$ ($x>\theta$ ) | 支撑要求 $\theta<\min X_i$ ,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ | **口诀**:**"能求导就求导;不能求导看单调,往边界上找。"** **三类高频载体(记结果)**: | 分布 | 矩估计 | MLE | |---|---|---| | 拉普拉斯 $\frac1{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\frac1n\sum\lvert X_i\rvert$ | 同左 | | 均匀 $U(0,\theta)$ | $2\overline X$ | $X_{(n)}$ | | 幂型 $\theta x^{\theta-1}$ ($0 ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$ (例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。** ### 3.3 评价估计量的四个标准 | 标准 | 定义 | 速记 | |---|---|---| | **无偏性** | $E\hat\theta=\theta$ | 管"准不准"(没有系统偏差) | | **有效性** | 都无偏时,$D\hat\theta$ 越小越有效 | 管"稳不稳"(波动小) | | **一致性(相合)** | $\hat\theta\xrightarrow{P}\theta$ | 管"样本多了会不会靠近" | | **均方误差 MSE** | $h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2$ | 方差 + 偏差² | **无偏的四个常用结论**:$E\overline X=\mu$ 、$ES^2=\sigma^2$ 、$E B_2=\frac{n-1}{n}\sigma^2$ (有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$ (对 $U(0,\theta)$ )。 **"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$ ,令 $c=1$ 反解常数。 **有效性必须先过无偏关**:两个都无偏才比方差;一个无偏一个有偏,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。 **MSE 最小的求法**:把 $h(c)$ 展开成 $c$ 的二次函数,求顶点 $$c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},$$ **它一般不等于使无偏的** $\frac{n+1}{n}$ ——这正是 2024·22 的考点。 ## 4 区间估计(点 7,仅数学一) ### 4.1 概念与正确理解 $$P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .$$ $1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。 > **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住** $\theta$ "。 ### 4.2 枢轴变量法(万能套路) ① 找点估计($\overline X$ 、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$ 、$\chi^2$ 、$t$ 、$F$ );③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$ );④ 解不等式得区间。 ### 4.3 单总体四大区间(必背表) | 待估参数 | 条件 | 枢轴量 | 置信区间 | |---|---|---|---| | $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ | | $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ | | $\sigma^2$ | $\mu$ 已知 | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ | | $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ | **读法**:$\sigma$ 已知用 $U$ ,$\sigma$ 未知用 $t(n-1)$ ;$\mu$ 已知用 $\chi^2(n)$ ,$\mu$ 未知用 $\chi^2(n-1)$ 。 > ⚠️ **$\chi^2$ 区间两端"反着放"**:因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母——**大分位点配下限、小分位点配上限**。这是最易抄错的一处。 **单侧区间**:用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同一置信度下单侧半宽更小。 **2016·14 的速算**:给 $\overline X$ 与置信上限反求下限——**"上限 $+$ 下限 $=2\overline X$ "**(仅均值对称区间成立)。 ### 4.4 两总体(数一要求,十年未考,性价比高) | 对象 | 条件 | 枢轴量 | 区间 | |---|---|---|---| | $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$ (**两项都要**) | | $\mu_1-\mu_2$ | 等方差未知 | $t(m+n-2)$ | $(\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}$ | | $\frac{\sigma_1^2}{\sigma_2^2}$ | — | $F(m-1,n-1)$ | 两端反着放(大分位点配下限) | ## 5 假设检验(点 8,仅数学一) ### 5.1 基本思想 **小概率事件在一次试验中不应发生**:若 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$ 。 ### 5.2 四步 ① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$ (等号在 $H_0$ 里); ② **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U/T/\chi^2/F$ ; ③ **定拒绝域**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ ; ④ **算观测值、下结论**。 ### 5.3 拒绝域的方向(跟着 $H_1$ 跑) | $H_1$ | 拒绝域形式 | |---|---| | $\theta\ne\theta_0$ (双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 | | $\theta>\theta_0$ (右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$ ) | | $\theta<\theta_0$ (左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$ ;$\chi^2\le\chi^2_{1-\alpha}$ ) | ### 5.4 单总体四种检验 | 检验对象 | 条件 | 统计量 | 分布 | |---|---|---|---| | $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n}$ | $N(0,1)$ | | $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ | | $\sigma^2$ | $\mu$ 已知 | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ | | $\sigma^2$ | $\mu$ 未知 | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ | **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 的坑**:题给的是**方差** $\sigma^2=2$ ,而 $U$ 的公式分母是**标准差** $\sqrt2$ 。把 2 直接当代入是本题唯一失分点。 > ⚠️ **$\chi^2$ 双侧检验的拒绝域不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$ ,**不能写成** $\lvert\cdot\rvert\ge$ 。 ### 5.5 区间估计与假设检验的对偶 置信度 $1-\alpha$ 的双侧置信区间 $\iff$ 显著性水平 $\alpha$ 的双侧检验的**接受域**。 **一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$ 。** ### 5.6 两总体检验(数一要求) | 对象 | 条件 | 统计量 | 分布 | |---|---|---|---| | $\mu_1=\mu_2$ | 方差已知 | $U=\dfrac{\overline X-\overline Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ | | $\mu_1=\mu_2$ | 等方差未知 | $T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}}$ | $t(m+n-2)$ | | $\sigma_1^2=\sigma_2^2$ | — | $F=\dfrac{S_1^2}{S_2^2}$ | $F(m-1,n-1)$ | > **顺序不能反**:分子方差配 $m-1$ 、分母配 $n-1$ ;$F$ 双侧两端分别查。 ## 6 两类错误(点 8,仅数学一) ### 6.1 定义 $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}\quad(\text{第一类错误·弃真}),$$ $$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·存伪}).$$ **一句话**:**"拒真 = 第一类,纳伪 = 第二类";$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算。** > $H_1$ 通常是一个**范围**(如 $\mu>10$ ),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出** $\beta$ (2021·10 给了 $\mu=11.5$ )。 ### 6.2 计算 $\beta$ 的四步 ① 写出拒绝域 $W$ ;② 写出接受域 $\overline W$ ;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$ 。 **模板**:$W=\{\overline X\ge c\}$ ,$H_1$ 下真值取 $\mu_1$ 时 $$\beta=P\{\overline X 编号沿用「在学练习」第6讲八点分册:`02`–`09` 对应点 1–8。**只列题干,不给答案**。 ### 点 1 总体、样本与统计量(题 1–3) - **题 1 · 1.1:联合分布与两个词的用处(★☆☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;(Ⅱ)指出"独立"与"同分布"各自用在哪一步;(Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗? - **题 2 · 1.2:统计量的三个基本期望(★★☆)**:设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$ (Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;(Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;(Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量? - **题 3 · 1.3:最大次序统计量(★★☆)**:设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。(Ⅰ)求 $X_{(n)}$ 的分布函数与密度;(Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;(Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。 ### 点 2 三大抽样分布(题 1–3) - **题 1 · 2.1:平方和就是卡方(★☆☆)**:设 $X_1,\dots,X_5$ 独立同分布于 $N(0,1)$ 。记 $Q_1=\sum\limits_{i=1}^{5}X_i^{2}$ 。已知 $\chi^2_{0.05}(5)=11.07$ 、$\chi^2_{0.05}(10)=18.31$ 。(Ⅰ)指出 $Q_1$ 的分布,并求 $EQ_1$ 与 $DQ_1$ ;(Ⅱ)求 $P\{Q_1>11.07\}$ ;(Ⅲ)若 $X_6,\dots,X_{10}$ 也独立同分布于 $N(0,1)$ 且与前 5 个独立,指出 $Q_2=\sum\limits_{i=1}^{10}X_i^{2}$ 的分布,并说明 $Q_1$ 与 $Q_2-Q_1$ 是否独立。 - **题 2 · 2.2:t 的构造与对称性(★★☆)**:设 $X\sim N(0,1)$ 、$Y\sim\chi^{2}(9)$ ,且 $X$ 与 $Y$ 相互独立。记 $T=\dfrac{X}{\sqrt{Y/9}}$ ,已知 $t_{0.025}(9)=2.262$ 。(Ⅰ)指出 $T$ 的分布;(Ⅱ)求 $P\{\lvert T\rvert>2.262\}$ 与 $P\{T>2.262\}$ ;(Ⅲ)指出 $T^{2}$ 的分布。 - **题 3 · 2.3:F 的两个自由度与倒数互换(★★☆)**:设 $U\sim\chi^{2}(8)$ 、$V\sim\chi^{2}(12)$ ,且 $U$ 与 $V$ 相互独立。记 $F=\dfrac{U/8}{V/12}$ 。已知 $F_{0.05}(8,12)=2.85$ 、$F_{0.05}(12,8)=3.28$ 。(Ⅰ)指出 $F$ 的分布;(Ⅱ)求 $P\{F>2.85\}$ ,并写出用 $F_{0.95}(12,8)$ 表示 $F_{0.05}(8,12)$ 的关系式、算出 $F_{0.95}(12,8)$ 的值;(Ⅲ)若 $T\sim t(12)$ ,指出 $T^{2}$ 的分布,并与(Ⅰ)对照。 ### 点 3 正态总体的抽样分布(题 1–3) - **题 1 · 3.1:四选一找错(★★☆)**:设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$ (B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$ (C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$ (D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$ - **题 2 · 3.1:用卡方算样本方差的概率(★★☆)**:设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求(Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;(Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;(Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。 - **题 3 · 3.2:两总体的方差比(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。(Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?(Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?(Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。 ### 点 4 矩估计(题 1–2) - **题 1 · 4.1:一阶矩就够的情形(★☆☆)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0-1 .$$ X_1,\dots,X_n $ 为简单随机样本。求 $ \theta$ 的矩估计量。 - **题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)**:(Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。 ### 点 5 最大似然估计(题 1–4) - **题 1 · 5.1:指数分布与不变性(★★☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;(Ⅱ)求 $P\{X>t\}$ 的最大似然估计;(Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同? - **题 2 · 5.1:两组不同参数的泊松(★★☆)**:设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)判断 $\hat\theta$ 是否无偏;(Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么? - **题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;(Ⅱ)求 $\theta$ 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。 - **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 00\ \text{未知}. $$X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;(Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同? ### 点 6 估计量的评价标准(题 1–4) - **题 1 · 6.1:无偏性反解系数(★★☆)**:设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。(Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;(Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?(Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。 - **题 2 · 6.2:三个均值型估计谁更有效(★★☆)**:设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$ (Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么? - **题 3 · 6.3:相合性的证明与反例(★★☆)**:(Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。(Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。(Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。 - **题 4 · 6.4:无偏不一定最好(★★★)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$ (Ⅰ)求使 $T_c$ 无偏的 $c$ ;(Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;(Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。 ### 点 7 区间估计(题 1–3) - **题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )(Ⅰ)求 $0.95$ 双侧置信区间的下限;(Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;(Ⅲ)说明为什么置信度降低时区间变窄。 - **题 2 · 7.2:单总体的三种区间(★★☆)**:设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。(Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);(Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?(Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。 - **题 3 · 7.3:两总体的均值差与方差比(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$ 已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。(Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;(Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。 ### 点 8 假设检验与两类错误(题 1–4) - **题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)**:设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$ 拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;(Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;(Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;(Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。 - **题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)**:(Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。(Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?(Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:(A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。 - **题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)**:某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。(Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;(Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;(Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。 - **题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$ 取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。(Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;(Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。 --- > **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]],分册 `02`–`09` 对应点 1–8;参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。