--- tags: [数学一, 专项突破, 考点地图, 数理统计] 专题: 大数定律与数理统计 日期: 2026-10-31 状态: 考点地图, 三层扩散(核心 10 条 + 一圈 5 条 + 二圈 5 条) --- # 考点地图 · 大数定律与数理统计 你说的是"数理统计(小题 8、10)":第 8 题考切比雪夫不等式,属**大数定律**章;第 10 题考 $t$ 分布置信区间,属**参数估计**章。这两章加起来是概率的最后四章,也是**唯一"背了就能拿分"** 的部分——它不像多维随机变量那样要靠技巧,全是固定套路。 这份地图从这两道题向外铺到四章:大数定律与 CLT、抽样分布、参数估计、假设检验。 ## 零、扩散半径总览 | 层 | 内容 | 题号 | |---|---|---| | **核心** | 切比雪夫、辛钦、CLT、$\chi^2/t/F$ 三大分布、抽样分布定理、矩估计、MLE、置信区间 | A1—A10 | | **一圈** | 无偏性、有效性、相合性、次序统计量、枢轴量法 | B1—B5 | | **二圈** | 两类错误、单侧检验、双总体检验、大数定律证明、MLE 综合 | C1—C5 | **一句话总纲**:**统计部分的所有题,第一步都是"认清统计量服从什么分布"**。认清之后,矩估计是解方程、MLE 是求导、置信区间是套枢轴量、假设检验是定拒绝域,四件事都是机械操作。 ## 一、核心层 ### 1.1 切比雪夫不等式(小题 8 的正主) $$P\{|X-E(X)|\geqslant\varepsilon\}\leqslant\frac{D(X)}{\varepsilon^2},\qquad\text{等价地}\quad P\{|X-E(X)|<\varepsilon\}\geqslant1-\frac{D(X)}{\varepsilon^2}.$$ **用法固定三步**:把待求概率化成 $|X-\mu|<\varepsilon$ 的形式 → 认出 $\varepsilon$ → 套公式。 **反向考法**(更容易失分):已知 $P\{|X-\mu|<\varepsilon\}\geqslant p$ ,求 $D(X)$ 的上界。此时令 $1-\dfrac{D}{\varepsilon^2}=p$ ,得 $D\leqslant\varepsilon^2(1-p)$ 。 两个要点:**它不需要知道分布**(这是它唯一的价值);**它给的是下界/上界,不是精确值**,所以题目一定问"至少""至多"。 ### 1.2 大数定律三兄弟 | 定律 | 条件 | 结论 | |---|---|---| | 切比雪夫 | 独立、方差一致有界 | $\dfrac1n\sum X_i\xrightarrow{P}\dfrac1n\sum E(X_i)$ | | 辛钦 | **独立同分布**、$E(X)$ 存在 | $\dfrac1n\sum X_i\xrightarrow{P}\mu$ | | 伯努利 | $n$ 重伯努利,频率 | 频率 $\xrightarrow{P}$ 概率 | **考的是条件的强弱**:辛钦**不要求方差存在**,这是它比切比雪夫强的地方。选择题常在这里设坑。 ### 1.3 中心极限定理 **林德伯格-列维**:$X_i$ 独立同分布,$E(X)=\mu$ ,$D(X)=\sigma^2>0$ ,则 $$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\xrightarrow{d}N(0,1).$$ **做题模板**:要求 $P\{\bar X\in(a,b)\}$ ,先标准化 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ ,再查 $\Phi$ 。近似计算题的标准答案是 $2\Phi(k)-1$ 这类形式。 **与切比雪夫的分工**:切比雪夫给"至少/至多"的粗糙界,CLT 给近似精确值。题目问"约为"就用 CLT,问"不少于"就用切比雪夫。 ### 1.4 三大分布的定义(必须能默写) 设 $X_1,\dots,X_n$ 独立同服从 $N(0,1)$ : - **$\chi^2$ 分布**:$\chi^2=\sum_{i=1}^nX_i^2\sim\chi^2(n)$ ,期望 $n$ ,方差 $2n$ 。 - **$t$ 分布**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,且独立,则 $T=\dfrac{X}{\sqrt{Y/n}}\sim t(n)$ 。**形状像正态但尾巴厚**,$n\to\infty$ 时趋于 $N(0,1)$ 。 - **$F$ 分布**:$X\sim\chi^2(n_1)$ ,$Y\sim\chi^2(n_2)$ 独立,则 $F=\dfrac{X/n_1}{Y/n_2}\sim F(n_1,n_2)$ 。 三个性质顺手记:$\chi^2$ 可加(独立的 $\chi^2$ 相加,自由度相加);$t^2(n)=F(1,n)$ ;$F$ 的倒数 $\dfrac{1}{F(n_1,n_2)}\sim F(n_2,n_1)$ 。 ### 1.5 抽样分布定理(正态总体的四件套) 设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ : 1. $\bar X\sim N\!\left(\mu,\dfrac{\sigma^2}{n}\right)$ 2. $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 3. $\bar X$ 与 $S^2$ **相互独立**(正态总体专有,别的分布不成立) 4. $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ 第 4 条是最常用的:**$\sigma$ 未知时把 $\sigma$ 换成 $S$ ,正态就变 $t$ 分布**。这一条直接决定了置信区间用 $u$ 还是用 $t$ 。 ### 1.6 矩估计 **做法**:用样本矩代替总体矩,解方程。 - 一个参数:$E(X)=\bar X$ ,解出 $\hat\theta$ 。 - 两个参数:$E(X)=\bar X$ 、$E(X^2)=\dfrac1n\sum X_i^2$ ,联立解。 **注意**:$D(X)=E(X^2)-[E(X)]^2$ ,第二个方程常写成 $D(X)=\dfrac1n\sum(X_i-\bar X)^2$ (总体方差用样本二阶中心矩估计,**分母是 $n$ 而非 $n-1$ 这一点**)。 ### 1.7 极大似然估计 **四步**:写 $L(\theta)=\prod f(x_i;\theta)$ → 取对数 → 求导令零 → 解出 $\hat\theta$ 。 **三个特例必须知道**: 1. **不可导型**:均匀分布 $U(0,\theta)$ 的 $L$ 关于 $\theta$ 单调递减,导数恒不为零,只能"看约束"得 $\hat\theta=X_{(n)}$ 。**这是最常考也最容易错的**。 2. **单调型**:参数出现在支撑集端点,同上。 3. **多参数**:分别求偏导,解方程组。 ### 1.8 置信区间(小题 10 的正主) **枢轴量法三步**:找一个含 $\theta$ 但不含其他未知参数的统计量 → 定它服从的分布 → 由分位数反解 $\theta$ 的范围。 **单正态总体 $\mu$ 的区间**(置信度 $1-\alpha$ ): | 条件 | 枢轴量 | 区间 | |---|---|---| | $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ | | $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ | **记法**:**知道 $\sigma$ 就用 $u$ ,不知道就用 $t$ 分布**;自由度是 $n-1$ (因为用了 $S$ )。这是选择题最爱考的一处,四个选项通常就是 $u/t$ 与自由度 $n$ / $n-1$ 的排列组合。 $\sigma^2$ 的区间:$\left(\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right)$ ,分母的上下标方向要小心。 ## 二、一圈层 ### 2.1 无偏性 $E(\hat\theta)=\theta$ 称无偏。常用结论: - $E(\bar X)=\mu$ ,$E(S^2)=\sigma^2$ (**分母 $n-1$ 的原因**) - $E\!\left(\dfrac1n\sum(X_i-\bar X)^2\right)=\dfrac{n-1}{n}\sigma^2$ (有偏) - 均匀 $U(0,\theta)$ :$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $\dfrac{n+1}{n}X_{(n)}$ 无偏 **判断无偏的通法**:把估计量写成样本的函数,取期望,看是否等于参数。次序统计量的期望要靠密度积分。 ### 2.2 有效性 两个都无偏时,方差小的更有效。比较 $D(\hat\theta_1)$ 与 $D(\hat\theta_2)$ 。 **方差计算的两个常用值**:$D(\bar X)=\dfrac{\sigma^2}{n}$ ;对 $U(0,\theta)$ 的 $X_{(n)}$ ,$D(X_{(n)})=\dfrac{n}{(n+1)^2(n+2)}\theta^2$ 。 ### 2.3 相合性(一致性) $\hat\theta\xrightarrow{P}\theta$ 。判据:**若 $\hat\theta$ 无偏且 $D(\hat\theta)\to0$ ,则相合**(切比雪夫直接给)。 所以"无偏 + 方差趋于 0"是相合性的充分条件,不是必要条件。 ### 2.4 次序统计量 $X_{(n)}=\max X_i$ 的密度:$f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)$ 。 $X_{(1)}=\min X_i$ 的密度:$f_{X_{(1)}}(x)=n\left[1-F(x)\right]^{n-1}f(x)$ 。 这两个公式是"$\max$ /$\min$ "类题的钥匙,$U(0,\theta)$ 与指数分布下必考。 ### 2.5 枢轴量法的通用流程 1. 明确要估的参数($\mu$ 还是 $\sigma^2$ ) 2. 找分布($N$ / $t$ / $\chi^2$ / $F$ ) 3. 写 $P\{a<\text{枢轴量}\mu_0$ → 拒绝域在**右尾**:$\bar X>\mu_0+u_\alpha\dfrac{\sigma}{\sqrt n}$ - $H_1:\mu<\mu_0$ → 拒绝域在**左尾** - $H_1:\mu\neq\mu_0$ → **双尾**,用 $\alpha/2$ **判断口诀**:拒绝域跟着 $H_1$ 走。$H_1$ 写"大于"就往右拒绝。 ### 3.3 双正态总体 均值差 $\mu_1-\mu_2$ :$\sigma_1^2,\sigma_2^2$ 已知用 $u$ ;未知但相等用 $t$ (合并方差 $S_w^2=\dfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$ ,自由度 $n_1+n_2-2$ )。 方差比 $\sigma_1^2/\sigma_2^2$ :用 $F$ ,$F=\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}\sim F(n_1-1,n_2-1)$ 。 ### 3.4 大数定律的证明套路 证 $\bar X\xrightarrow{P}\mu$ 的固定三步:**算 $E(\bar X)=\mu$ → 算 $D(\bar X)=\sigma^2/n$ → 套切比雪夫**,得 $P\{|\bar X-\mu|<\varepsilon\}\geqslant1-\dfrac{\sigma^2}{n\varepsilon^2}\to1$ 。 ### 3.5 MLE 综合题的标准形态 真题的参数估计大题常是四问:**(Ⅰ)矩估计(Ⅱ)MLE(Ⅲ)判断无偏、修正(Ⅳ)比较方差**。这四问的每一问都是独立给分点,前一问错了后一问照做仍有分——**所以千万别因为第(Ⅱ)问卡住就整题放弃**。 ## 四、坑清单 1. **切比雪夫把不等号方向弄反**:$P\{|X-\mu|\geqslant\varepsilon\}\leqslant D/\varepsilon^2$ ,是"$\leqslant$ "。 2. **$\sigma$ 未知却用 $u$ 分布**:这是置信区间题的头号错因。 3. **自由度误写成 $n$ 的情况**:用 $S$ 时自由度是 $n-1$ 。 4. **$S^2$ 的分母误写成 $n$ 的情况**:估计量 $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 才是无偏的。 5. **均匀分布的 MLE 去求导**:$L$ 单调,导数无零点,必须看约束。 6. **$\chi^2$ 区间上下标反**:分母是 $\chi^2_{\alpha/2}$ 与 $\chi^2_{1-\alpha/2}$ ,位置与 $t$ 相反。 7. **假设检验把 $\alpha$ 用错侧**:双尾检验用 $\alpha/2$ ,单尾用 $\alpha$ 。 8. **忘记"独立"这个条件**:$t$ 与 $F$ 的定义都要求两个 $\chi^2$ 型变量独立。 9. **相合性当成无偏性**:两者是不同概念,相合是"样本量趋于无穷时收敛"。 ## 五、题目索引 | 题号 | 考点 | 层 | 来源骨架 | |---|---|---|---| | A1 | 切比雪夫不等式(反向求方差界) | 核心 | 真题 2022-9 | | A2 | 辛钦大数定律的条件 | 核心 | 真题 2017-8 变体 | | A3 | 中心极限定理近似计算 | 核心 | 真题 2019-9 变体 | | A4 | $\chi^2$ 分布的构造 | 核心 | 真题 2017-8 | | A5 | $t$ 分布的构造 | 核心 | 真题 2021-9 变体 | | A6 | $F$ 分布的构造 | 核心 | 真题 2023-9 | | A7 | 抽样分布定理(独立性) | 核心 | 自编 | | A8 | 矩估计 | 核心 | 真题 2017-23 | | A9 | 极大似然(可导型) | 核心 | 真题 2018-23 | | A10 | 单正态置信区间 | 核心 | 真题 2016-14 | | B1 | 无偏性判断 | 一圈 | 真题 2023-10 | | B2 | 有效性比较 | 一圈 | 真题 2021-9 | | B3 | 相合性 | 一圈 | 自编 | | B4 | 次序统计量 | 一圈 | 真题 2016-23 | | B5 | 方差区间(枢轴量) | 一圈 | 大纲要求、十年未考 | | C1 | 两类错误 | 二圈 | 真题 2021-10 | | C2 | 单侧检验拒绝域 | 二圈 | 真题 2025-10 | | C3 | 双总体均值差检验 | 二圈 | 大纲要求、十年未考 | | C4 | 大数定律的证明 | 二圈 | 真题 2018-8 变体 | | C5 | 参数估计综合(MLE + 无偏 + 有效) | 二圈 | 真题 2024-22 变体 |