--- tags: - 数学一 - 在学练习 - 概率论 - 数理统计 - 考点手册 - MOC 专题: 概率论 第6讲 · 数理统计 · 考点手册(真题库第 20/21/22 章) 日期: 2026-10-16 状态: 已出 对应视频: - 01 一、基础知识结构 - 02 二、总体与样本 - 03 二、统计量及其分布(上) - 04 二、统计量及其分布(下) - 05 三、参数的点估计 - 06 四、参数的区间估计(仅数学一) - 07 五、假设检验(仅数学一) - 08 六、两类错误(仅数学一) 关联: "[[README]] · [[02-试题]] · [[03-解析]]" --- # 概率论 第6讲 · 数理统计 · 考点手册 > **定位**:这是概率论的**收尾大章**,也是数学一**独有的重头戏**(区间估计、假设检验「仅数学一」)。真题库对应 **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**,其中**参数估计标注「热门」**——近十年**年年一道 11–12 分解答题**。 > **用法**:先通读本手册建立框架 → 做 [[02-试题]](18 题,约 80 分钟)→ 对 [[03-解析]]。 > **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。 --- ## 0. 本讲定位与学习地图 ### 0.1 一句话概括全部内容 > **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**),再用工具反推总体的未知参数(**点估计 → 区间估计 → 假设检验**)。 ### 0.2 六节地图 | 节 | 内容 | 视频 | 真题热度 | |---|---|---|---| | §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) | | §2 | **统计量及其分布**(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) | | §3 | **参数的点估计**(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | **★★★★★ 年年必考解答题** | | §4 | 区间估计(枢轴变量法,**单总体四大 + 两总体两类**,仅数一) | 🟦06 | 数一选填(🟨2016·14) | | §5 | 假设检验(**单总体六大 + 两总体三类**与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) | | §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) | ### 0.3 三条主线 1. **独立性**:数理统计的一切都建立在「$X_1,\cdots,X_n$ **相互独立**且与总体**同分布**」上。看到"简单随机样本"六个字,立刻把它翻译成 **i.i.d.**。 2. **标准化**:$\chi^2/t/F$ 三大分布的构造,本质都是「**把正态变量化成标准正态,再按定义拼**」。 3. **$\dfrac{1}{n}\sum X_i^k$ 与 $E(X^k)$ 的替换**:矩估计的全部内容;也是**大数定律**在统计里的投影。 --- ## 1. 总体与样本 🟦02 🟩 ### 1.1 基本名词 | 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) | | **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 $n$ | | **样本值(观测值)** | 一次抽样得到的 $n$ 个具体数 $(x_1,\cdots,x_n)$ | > **记忆**:概率论里叫「**独立同分布(i.i.d.)**」,数理统计里叫「**简单随机样本**」——同一件事的两个名字。 ### 1.2 样本的联合分布(核心公式) 设总体 $X$ 的分布函数为 $F(x)$ (密度 $f(x)$ ,分布律 $p(x_i;\theta)$ ),则样本的联合分布为 $$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$ > ⚠️ **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。 ### 1.3 经验分布函数(了解) 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 $$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$ --- ## 2. 统计量及其分布 🟦03 🟦04 🟨2017·8 🟨2023·9 🟩 ### 2.1 统计量的定义(判断题高频) > 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。 > **例**:$X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ **均未知**时 > - $X_1+X_2$ 、$\sum X_i$ 、$\max X_i$ 、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数); > - $\sum(X_i-\mu)^2$ 、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$ )。 ### 2.2 常用统计量 | 名称 | 记号 | 公式 | |---|---|---| | 样本均值 | $\bar X$ | $\displaystyle\bar X=\frac1n\sum_{i=1}^{n}X_i$ | | 样本方差 | $S^2$ | $\displaystyle S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$ | | 样本标准差 | $S$ | $S=\sqrt{S^2}$ | | 样本 $k$ 阶原点矩 | $A_k$ | $\displaystyle A_k=\frac1n\sum_{i=1}^{n}X_i^k$ | | 样本 $k$ 阶中心矩 | $B_k$ | $\displaystyle B_k=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^k$ | **恒等式(化简必备)**: $$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$ ### 2.3 样本均值与样本方差的数字特征(必背) 设 $EX=\mu$ ,$DX=\sigma^2$ ,$X_1,\cdots,X_n$ 为简单随机样本,则 $$E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}},\qquad \boxed{ES^2=\sigma^2}.$$ > **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 $\sigma^2$ 。 > > **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。) ### 2.4 三大抽样分布 🟨2017·8 #### 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 $$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$ **性质**: | 性质 | 内容 | |---|---| | 可加性 | $\chi_1^2\sim\chi^2(n_1)$ 、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ | | 期望方差 | $E\chi^2(n)=n$ ,$D\chi^2(n)=2n$ | **上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ (**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。 #### 2.4.2 $t$ 分布(学生氏) **构造**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,$X$ 与 $Y$ **独立**,则 $$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$ **性质**: - 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚); - $n$ 很大时近似 $N(0,1)$ ; - $t_{1-\alpha}(n)=-t_\alpha(n)$ (**对称性**); - $t^2\sim F(1,n)$ 。 > **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。 #### 2.4.3 $F$ 分布 **构造**:$U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ ,$U$ 与 $V$ **独立**,则 $$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$ **性质**: | 性质 | 内容 | |---|---| | 倒数 | $F\sim F(n_1,n_2)\Longrightarrow \dfrac1F\sim F(n_2,n_1)$ | | 分位点互化 | $F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)}$ | | 与 $t$ 的关系 | $t\sim t(n)\Longrightarrow t^2\sim F(1,n)$ | > **⚠️ 易错**:$F$ 分布的两个自由度**顺序不能反**!$F(n_1,n_2)$ 里 $n_1$ 是**分子**的自由度,$n_2$ 是**分母**的自由度。 ### 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。 **(一)单个正态总体(四条定理)** $$ \boxed{\begin{aligned} &\text{①}\quad \bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\\[6pt] &\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\\[6pt] &\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\\[6pt] &\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知})\\[6pt] &\text{⑤}\quad \frac{n(\bar X-\mu)^2}{S^2}\ \sim\ F(1,\ n-1)\qquad\big(\text{由 ④ 取平方,}t^2\sim F(1,n-1)\big) \end{aligned}} $$ > **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$ ,自由度减一"**。 > **①→④ 的口诀**:**"$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度 $n-1$ "**。 > **④ 的独立性**是正态总体**独有的性质**(一般总体不成立),它是 $t$ 分布构造的前提,**必须记住**。 **(二)两个正态总体(三条定理)** 设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,记 $$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$ 则 $$ \begin{aligned} &\text{①}\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}}\ \sim\ N(0,1)\\[8pt] &\text{②}\quad \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\ \sim\ F(m-1,\ n-1)\\[8pt] &\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2) \end{aligned} $$ > **② 的推导就是"拼 $F$ "**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$ 、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$ ,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。 > 🟨 **2023·9 就是考这一条**:只要两个总体的方差比 $\sigma_1^2:\sigma_2^2$ 已知,就能把系数调出来。 **(三)拼装三大分布的"三步法"(考场通用)** 1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$ ; 2. **标准化**:除以标准差得到 $N(0,1)$ ,**平方**得 $\chi^2(1)$ ; 3. **按定义拼**:$\chi^2$ **加**、$t$ **除根号**、$F$ **上下除各自自由度**。 **⚠️ 三个恒定陷阱**: | 陷阱 | 正确做法 | |---|---| | 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$ ;系数不对就不是 $\chi^2$ | | 独立性未验证 | 分子含 $X_1$ 、分母也含 $X_1$ 时**不独立**,不能用 $t$ /$F$ 定义 | | 自由度算错 | $\chi^2$ 用 $n$ (或 $n-1$ )、$t$ 用 $n-1$ 、$F$ 用 $(m-1,n-1)$ | ### 2.6 顺序统计量 🟨2016·23 🟨2024·22 把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。 - $X_{(1)}=\min\{X_1,\cdots,X_n\}$ —— **最小**顺序统计量; - $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。 **最大值/最小值的分布(背下来,解答题直接用)** $$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$ $$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$ > **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$ 。 > 最小值用**对立事件**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$ 。 **常用期望($\theta$ 为参数上限型分布时必用)** | 总体 | $EX_{(n)}$ | $EX_{(n)}^2$ | |---|---|---| | $X\sim U(0,\theta)$ | $\dfrac{n}{n+1}\theta$ | $\dfrac{n}{n+2}\theta^2$ | | $f(x)=\dfrac{3x^2}{\theta^3},0 **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0 **点估计 = 造一个统计量 $\hat\theta(X_1,\cdots,X_n)$ 去"顶替"未知参数 $\theta$ 。** 两种造法:**矩估计**(用矩换矩)与**极大似然**(找最"像"的参数)。 ### 3.1 矩估计法 **思想**:**用样本矩替换总体矩**(大数定律保证"样本矩 → 总体矩")。 **步骤**: 1. 写出含 $\theta$ 的总体矩 $E X^k$ (**一个参数用一阶矩,两个参数用一、二阶矩**); 2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$ ; 3. 解方程得 $\hat\theta$ 。 **两个参数的模板**: $$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$ > ⚠️ **注意**:矩估计给出的方差估计是 **$B_2$ (除以 $n$ )**,**不是 $S^2$ (除以 $n-1$ )**!两者都是 $\sigma^2$ 的估计量,但**只有 $S^2$ 无偏**。 ### 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 $\theta$ 。 **步骤(常规可微情形)**: 1. **写似然函数** $L(\theta)=\prod\limits_{i=1}^{n}f(x_i;\theta)$ (离散型用 $\prod p(x_i;\theta)$ ); 2. **取对数** $\ln L(\theta)$ (连乘变连加); 3. **求导令零** $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$ ; 4. **解出 $\hat\theta$ **,并写成**大写** $\hat\theta(X_1,\cdots,X_n)$ 才是"估计量"。 > **为什么取对数?** 因为 $\ln$ 单调递增,$L$ 与 $\ln L$ 在**同一点**取极值,而连加比连乘好求导。 **不可微 / 单调情形(每年必有一道,必须掌握)** 当 $L(\theta)$ 关于 $\theta$ **单调**(通常因为支撑集含 $\theta$ )时,$\hat\theta$ **不是驻点**,而是**取值边界**: | 情形 | 结论 | |---|---| | $X\sim U(0,\theta)$ ,$f=\dfrac1\theta$ ,$0 **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(记住结果,考场直接写)** | 分布 | 密度 | 矩估计 | 极大似然估计 | |---|---|---|---| | 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 $U(0,\theta)$ | $\dfrac1\theta,00$ ) | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ | > **两个特殊的"坑"分布**: > - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$ ;常数 $A=\sqrt{2/\pi}$ ; > - **两样本同参数**(如 $X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$ 。 **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 #### 3.3.1 无偏性(考得最多) $$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \hat\theta\ \text{是}\ \theta\ \text{的无偏估计}.$$ **无偏性的传播法则**(极其好用): $$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$ > **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**)。 #### 3.3.2 有效性 两个**都无偏**的估计量,**方差越小越有效**: $$D\hat\theta_1 **⚠️ 前提**:**必须先都无偏**,才能比有效性!无偏 ≠ 有效,两者是**两级筛选**。 #### 3.3.3 均方误差(MSE)—— 2024 年新考点 $$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 .$$ **当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$ **(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。 > **2024·22 的考点**:让 MSE 最小的 $c$ ,通常**不等于**让估计无偏的 $c$ ——**要展开成 $c$ 的二次函数求顶点**。 > 展开模板(以 $T_c=cX_{(n)}$ 为例): > $$h(c)=c^2\,E X_{(n)}^2-2c\,\theta\,EX_{(n)}+\theta^2,\qquad h'(c)=0\Longrightarrow c=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.$$ #### 3.3.4 一致性(相合性) $$\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert\hat\theta-\theta\rvert<\varepsilon\}=1\quad\Longleftrightarrow\quad \hat\theta\xrightarrow{\ P\ }\theta .$$ > **联系第 5 讲**:这就是**大数定律**的语言——$\bar X$ 是 $\mu$ 的一致估计量的直接理由。 ### 3.4 三个标准的关系(速记) > **无偏**管"准不准"(偏差为 0);**有效**管"稳不稳"(方差最小);**一致**管"样本多了会不会靠近"。 > 数学上:**无偏 + 方差趋于 0 $\Rightarrow$ 一致**。 --- ## 4. 参数的区间估计 🟦06 🟨2016·14(**仅数学一**) > **点估计给一个数,区间估计给一个"带可信度的范围"。** ### 4.1 基本概念 $$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$ | 名词 | 含义 | |---|---| | $1-\alpha$ | **置信度 / 置信水平**(可信程度) | | $\alpha$ | **显著性水平**(犯错的概率,通常 0.05、0.01、0.1) | | $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** | | 区间长度 | 反映**估计精度**;长度越短越精确 | > **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$ "($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$ **"。 ### 4.2 枢轴变量法(万能套路) 1. **找点估计** $\hat\theta$ (一般取 MLE 或 $\bar X$ 、$S^2$ ); 2. **造枢轴量** $I=I(\hat\theta,\theta)$ :**含未知参数 $\theta$ ,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$ 、$t$ 、$F$ ); 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)$ 。 ### 4.3 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$ 。 | 待估参数 | 条件 | 枢轴量 | 置信区间 | |---|---|---|---| | $\mu$ | $\sigma$ **已知** | $U=\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\left[\bar X-u_{\alpha/2}\dfrac{\sigma}{\sqrt n},\ \bar X+u_{\alpha/2}\dfrac{\sigma}{\sqrt n}\right]$ | | $\mu$ | $\sigma$ **未知** | $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\left[\bar X-t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n},\ \bar X+t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}\right]$ | | $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ | | $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ | **⚠️ $\chi^2$ 区间的两端分位点"反着放"**:因为 $\chi^2$ **分布不对称**,且 $\sigma^2$ 在**分母**——所以**上分位点配下限、下分位点配上限**。这是最容易抄错的地方。 **三个"看条件"的读法**: - $\sigma$ 已知 → $U$ (正态);$\sigma$ 未知 → $t$ (且自由度 $n-1$ ); - $\mu$ 已知 → $\chi^2(n)$ ;$\mu$ 未知 → $\chi^2(n-1)$ ; - **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$ "**。 ### 4.4 单侧置信区间 | 类型 | 枢轴量形式 | 区间 | |---|---|---| | 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$ ) | $u_\alpha$ (单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ | | 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$ ) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ | > **单双侧的分位数互换**:单侧用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同理 $t_\alpha(n-1)$ 。 > **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。 > 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以 > $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$ > **一句话**:**"上限 + 下限 = 2 $\bar X$ "**(仅对均值的对称区间成立;方差区间不成立)。 ### 4.5 两个正态总体的区间估计 🟩(**数一大纲要求**) 设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,置信度 $1-\alpha$ 。 **(1)均值差 $\mu_1-\mu_2$ 的置信区间** | 条件 | 枢轴量 | 置信区间 | |---|---|---| | $\sigma_1^2,\sigma_2^2$ **均已知** | $U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ | $(\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ | | $\sigma_1^2=\sigma_2^2$ **未知**($T$ ) | $T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | $(\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}$ | 其中合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。 > **记法要点**:区间**中心永远是点估计 $\bar X-\bar Y$ **,半宽 = 「分位点 × 该估计量的标准差」。$\mu_1-\mu_2$ 的估计量方差是 $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ (**两样本方差各自除以自身容量再相加**)——别漏掉任何一项。 **(2)方差比 $\sigma_1^2/\sigma_2^2$ 的置信区间** 由 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ ,解出 $$\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**。 --- ## 5. 假设检验 🟦07 🟨2025·10(**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。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$ **。 ### 5.2 假设检验四步 1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$ (通常把"想否定的、被保护的说法"放 $H_0$ ); 2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$ 、$T$ 、$\chi^2$ 、$F$ ,并写出 $H_0$ 成立时的分布; 3. **定拒绝域**:给定 $\alpha$ ,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值; 4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$ **,否则接受。 ### 5.3 三类假设与拒绝域方向 | 类型 | $H_0$ | $H_1$ | 拒绝域在 | |---|---|---|---| | **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$ ) | | **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) | | **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$ ) | > **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$ "就放在右侧,$H_1$ 是"$<$ "就放在左侧,$H_1$ 是"$\ne$ "就放两侧。 ### 5.4 正态总体六大检验(拒绝域速查表) 设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ 。 | 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 | |---|---|---|---|---| | $\mu$ | $\sigma=\sigma_0$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1)$ | $\mu\ne\mu_0$ | $\lvert u\rvert\ge u_{\alpha/2}$ | | | | | $\mu>\mu_0$ | $u\ge u_\alpha$ | | | | | $\mu<\mu_0$ | $u\le-u_\alpha$ | | $\mu$ | $\sigma$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$ | $\mu\ne\mu_0$ | $\lvert t\rvert\ge t_{\alpha/2}(n-1)$ | | | | | $\mu>\mu_0$ | $t\ge t_\alpha(n-1)$ | | | | | $\mu<\mu_0$ | $t\le-t_\alpha(n-1)$ | | $\sigma^2$ | $\mu$ **已知**($\chi^2$ 检验) | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n)$ 或 $\ge\chi^2_{\alpha/2}(n)$ | | | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n)$ | | | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n)$ | | $\sigma^2$ | $\mu$ **未知**($\chi^2$ 检验) | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n-1)$ 或 $\ge\chi^2_{\alpha/2}(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)$ | **记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"** > 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域 > $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$ > **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。 ### 5.5 区间估计与假设检验的对偶关系(高频理解题) > **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。 具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。 ### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**) 两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。 | 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) | |---|---|---|---| | $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ | | $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ | | $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ | > **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。 > **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。 --- ## 6. 两类错误 🟦08 🟨2018·8 🟨2021·10 ### 6.1 定义 | | $H_0$ 实际为**真** | $H_0$ 实际为**假** | |---|---|---| | **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 | | **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ | **公式**: $$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受}H_0\mid H_0\text{为假}\}=P\{\text{接受}H_0\mid H_1\text{为真}\}.$$ > **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。 > **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$ ),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。 ### 6.2 计算 $\beta$ 的四步 1. 写出**拒绝域** $W$ ; 2. 写出**接受域** $\bar W$ (拒绝域的补集); 3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换); 4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$ 。 > **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$ ,则在 $\mu=\mu_1$ ($H_1$ 中某个值)下 > $$\beta=P\{\bar X 🟨 **2018·8 的核心结论**: > - $\alpha=0.05$ **拒绝** $H_0$ $\Rightarrow$ $\alpha=0.01$ **不一定拒绝**(因为拒绝域缩小了); > - $\alpha=0.05$ **接受** $H_0$ $\Rightarrow$ $\alpha=0.01$ **必然接受**(接受域扩大,原来在里面的还在里面)。 > **不等式记忆**:$\ \alpha_1<\alpha_2\ $ (如 $0.01<0.05$ )时,**拒绝域** $W(\alpha_1)\subset W(\alpha_2)$ ,**接受域**反之。 > 所以:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"** ### 6.4 显著性检验 > 只控制**第一类错误**概率(即只给定 $\alpha$ ,不控制 $\beta$ )的检验称为**显著性检验**,$\alpha$ 称**显著性水平**。 --- ## 7. 十年真题落点地图(🟨 第 20/21/22 章,共 15 题) ### 7.1 第 20 章 · 数理统计的基本概念(2 题,9 分) | 年份·题号 | 题型 | 考点 | 本手册 | |---|---|---|---| | 2017·8 | 单选 4 | $\chi^2$ 分布辨析(四个结论判断) | §2.5 | | 2023·9 | 单选 5 | $F$ 分布(两正态总体方差比) | §2.5(二) | ### 7.2 第 21 章 · 参数估计(10 题,93 分)**— 全章最重** | 年份·题号 | 题型/分值 | 考点 | 本手册 | |---|---|---|---| | 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 | | 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 | | 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$ :密度 + 矩估计 + MLE | §2.6 / §3.2 | | 2018·23 | 解答 11 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | §3.2 | | 2019·23 | 解答 11 | 半正态分布:求常数 $A$ + MLE | §3.2 | | 2020·23 | 解答 11 | 威布尔分布:$P\{T>t\}$ + 无记忆性 + MLE | §3.2 | | 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$ (二元正态) | §2.5 ① / §3.3.1 | | 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$ )MLE + $D\hat\theta$ | §3.2 | | 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 | ### 7.3 第 22 章 · 假设检验(3 题,14 分) | 年份·题号 | 题型 | 考点 | 本手册 | |---|---|---|---| | 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 | | 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$ ) | §6.2 | | 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 | ### 7.4 命题规律(读三遍) 1. **参数估计是"铁打的 22 题"**:近十年 **10 题解答题(11–12 分)**,**几乎年年一题**,从未缺席。**这是本讲唯一的"必拿大题"**。 2. **MLE 占绝对统治地位**:10 题里有 **8 题**涉及极大似然估计,且**每隔几年就换一个"怪分布"**(拉普拉斯、半正态、威布尔、幂型、两样本泊松)——**考的不是计算,而是"能不能把似然函数写对 + 会不会处理不可微"**。 3. **无偏估计紧跟其后**:2016·23、2021·9、2023·10、2024·22,**四年考了四道**,典型套路是**「给一个带参数的统计量,反解系数使无偏」**。 4. **假设检验只考选填**(4–5 分),且只在 **2018、2021、2025** 出现,**三年一轮**——考的是**方向判断**与**概念辨析**,不考查表计算。 5. **区间估计**只考过一次(2016·14),属**低频**,但**只在数一**出现。 6. **两个正态总体的区间估计与检验(§4.5 / §5.6):大纲明确要求,近十年却从未考**——属"**高性价比冷门**"。一旦出现就是套公式的送分题,两张表(均值差、方差比)务必背熟。 7. **经验分布函数(§1.3)、第 $k$ 个顺序统计量(§2.6)**:数一大纲不直接要求,讲课会提到,考试不出——**了解即可**,别在这上面花计算时间。 --- ## 8. 速查卡 · 陷阱清单 ### 8.1 速记十四条 1. **简单随机样本 = i.i.d.**;联合分布 = 一维分布**连乘**(这是 MLE 的根)。 2. **统计量不能含未知参数**——含 $\mu$ 、$\sigma$ 的统统不是。 3. $E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$\boxed{ES^2=\sigma^2}$ (**$n-1$ 是为了无偏**)。 4. 正态四条:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$ 、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 、**$\bar X\perp S^2$ **、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$ 。 5. 两总体方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。 6. $X_{(n)}=\max$ :$F_{(n)}=F^n$ ;$X_{(1)}=\min$ :$F_{(1)}=1-(1-F)^n$ 。 7. 矩估计的方差是 $B_2=\frac1n\sum(X_i-\bar X)^2$ (**有偏**);MLE 不可微时**往边界取**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$ )。 8. **无偏是有效性比较的前提**(两级筛选)。 9. $h(\hat\theta)=D\hat\theta+(\text{偏差})^2$ ;**MSE 最小的 $c$ ≠ 无偏的 $c$ **。 10. 均值的双侧区间**关于 $\bar X$ 对称** ⟹ **上限 + 下限 = $2\bar X$ **。 11. 检验**方向跟着 $H_1$ **;$\sigma^2=2$ 时标准差是 $\sqrt2$ 。 12. **小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。** 13. **两总体**:均值差区间/检验的中心是 $\bar X-\bar Y$ ,标准差 $\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ (或 $S_w\sqrt{\dfrac1m+\dfrac1n}$ );方差比用 $F(m-1,n-1)$ ,**区间两端反着放**。 14. **MLE 有不变性**($\widehat{g(\theta)}=g(\hat\theta)$ ),**无偏性没有**($E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$ )。 ### 8.2 高频陷阱 | 陷阱 | 正确做法 | |---|---| | 统计量判断时漏看未知参数 | 逐个检查表达式里有没有 $\mu,\sigma$ | | $\sigma^2$ 与 $\sigma$ 混用 | $\sigma^2=2$ 时 $\sigma=\sqrt2$ ;$U$ 检验分母是 $\sigma_0/\sqrt n$ | | 样本方差分母写成 $n$ | 定义是 $n-1$ ;但**矩估计给出的是 $n$ **,别混 | | $\chi^2$ 分布当成对称 | $\chi^2$ **不对称**,$t$ 分布**对称**;$\chi^2$ 区间两端分位点"反着放" | | 拼 $F$ 时忘记"除自由度" | $F=\dfrac{U/n_1}{V/n_2}$ ,**两个都要除** | | $t$ /$F$ 定义里忽略独立性 | 分子分母共用同一个 $X_i$ 时**不独立**,不能用 | | MLE 直接求导而不管单调性 | $U(0,\theta)$ 型必须**看支撑集、取边界** | | 无偏性直接比有效性 | **先验证都无偏** | | $\beta$ 忘记换 $H_1$ 下的分布 | $\beta$ 用的是**真值 $\mu_1$ **,不是 $\mu_0$ | | 认为"$\theta$ 落在置信区间内的概率是 $1-\alpha$ " | $\theta$ 是常数;是**区间**随机 | | 单侧检验用了 $\alpha/2$ 分位点 | 单侧用 $u_\alpha$ 、$t_\alpha(n-1)$ | | 两总体均值差漏掉某项方差 | $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ **两项都要**,别只写一项 | | 两总体方差比区间方向写反 | $\sigma_1^2/\sigma_2^2$ 在分母 ⟹ **大分位点配下限**(同 $\chi^2$ 区间) | | 以为"无偏性"能传递 | 只有 **MLE** 有不变性;$E\hat\theta=\theta\not\Rightarrow Eg(\hat\theta)=g(\theta)$ | --- > **下一步**:开做 [[02-试题]](18 题,约 80 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。 > **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$ )** 见第 4 讲(待补)。