--- tags: [数学一, 在学练习, 概率论, 数理统计, 统计量, 顺序统计量] 专题: 概率论 第6讲 · 点1 总体、样本与统计量 日期: 2026-11-07 状态: 知识点带题(1.1 总体与样本、1.2 统计量与三个基本期望、1.3 顺序统计量,共 3 题) 关联笔记: ["[[README]]", "[[01-知识点盘点]]"] --- # 点 1 总体、样本与统计量 > 全部解答题的前置、2024·22 直接考 $X_{(n)}$ |重要度 ★★☆ > 依赖:第 3 讲的随机变量函数、第 4 讲的期望与方差。盘点对应:§1 全节。 **组织原则**:这一点是全讲的"名词语法课"——**把"总体、样本、统计量"三个词的含义固定下来,再记住三个基本期望**。三题按"样本的联合分布 → 统计量的性质 → 顺序统计量"递进,第 3 题直接是 2024·22 的第一、二问。难度标准:★☆☆ 一题、★★☆ 两题。 ## 知识点 1.1 总体与样本(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex)) **总体**:随机变量 $X$ (或它的分布),通常带未知参数。 **简单随机样本**:$X_1,\dots,X_n$ **独立**且**与总体同分布**。 **样本值**:观测到的数 $x_1,\dots,x_n$ (小写)。 **联合分布**("独立"把所有因子拆开,"同分布"让它们长得一样): $$f(x_1,\dots,x_n)=\prod_{i=1}^{n}f(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$ **两个词各管一件事**: - **独立** $\Rightarrow$ 联合 $=$ 边缘之积(可连乘); - **同分布** $\Rightarrow$ 每个因子用同一个 $f$ (可写成一个 $f$ 的 $n$ 次方)。 缺任何一个,$L(\theta)=\prod f(x_i;\theta)$ 这个写法就失效,最大似然估计整条路都走不通。 ## 知识点 1.2 统计量与三个基本期望(出处:[知识章 §2.1、§2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex)) **统计量**:**不含任何未知参数**的样本函数。判断只需问一句:"给我样本值,能不能算出这个数?"能算就是统计量。 $$\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .$$ **三条必背(对任意总体成立,不要求正态)**: $$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$ > **$S^2$ 的分母取 $n-1$ 的道理**:因为 $E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ (第 4 讲点 5 题 4 已证)。分母取 $n$ 时期望变成 $\frac{n-1}{n}\sigma^2$ ,系统性偏小——这就是"有偏、无偏"的第一课。 ## 知识点 1.3 顺序统计量(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex)) 把样本从小到大排:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。最常用的是两端: $$F_{X_{(n)}}(x)=\left[F(x)\right]^{n},\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^{n}.$$ **$U(0,\theta)$ 的两个现成结果(直接背)**: $$E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^{2}=\frac{n}{n+2}\theta^{2},\qquad D X_{(n)}=\frac{n\,\theta^{2}}{(n+1)^{2}(n+2)} .$$ > **它是"支撑含参数"题的唯一出路**:$U(0,\theta)$ 的 $\theta$ 只出现在支撑上,最大似然估计不能求导,答案就是 $X_{(n)}$ 。所以这三个式子同时也是点 5 的工具。 --- ## 题目(按知识点顺序对应) ### 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? **怎么想**:联合密度就是把每个 $f(x_i)$ 乘起来。本题要看清的是"乘"来自独立、"同一个 $f$ "来自同分布。 **解**: **(Ⅰ)** 单个的密度是 $f(x)=\lambda e^{-\lambda x}$ ($x>0$ )。由独立同分布, $$f(x_1,\dots,x_n)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}x_i\right)\quad(x_i>0).$$ **(Ⅱ)** "独立"负责把联合拆成 $n$ 个因子相乘;"同分布"负责让 $n$ 个因子都是同一个 $\lambda e^{-\lambda x}$ 。两者合起来才得到 $\lambda^{n}e^{-\lambda\sum x_i}$ 这个紧凑形式。 **(Ⅲ)** 不是。若 $Y_i=X_i+c$ 是观测值,则 $Y_i$ 的密度是 $f(y_i-c)=\lambda e^{-\lambda(y_i-c)}$ ,联合密度变成 $$\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}(y_i-c)\right)=\lambda^{n}e^{-\lambda\sum y_i}\cdot e^{n\lambda c},$$ 多出一个 $e^{n\lambda c}$ ——**参数进入了一个"整体因子"**。这正说明:**样本的联合密度必须按"观测值实际服从的分布"来写,不能照抄总体密度** 。 **带走结论**:**联合密度 = 单个密度的连乘,而"单个"指观测值所服从的那个**。这一点在最大似然里是生死线:写错 $f$ ,后面求导再漂亮也是零分。 > **关联** · 盘点 [§1.1 总体与样本](01-知识点盘点.md#user-content-11-总体与样本) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量) --- ### 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? **怎么想**:(Ⅰ)(Ⅱ)都是第 4 讲点 5 的恒等式;(Ⅲ)只看"含不含未知参数",含 $\mu$ 或 $\sigma$ 的就不是。 **解**: **(Ⅰ)** 线性性给期望,独立给方差: $$E\bar X=\frac1n\sum EX_i=\frac{n\mu}{n}=\mu,\qquad D\bar X=\frac{1}{n^2}\sum DX_i=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}.$$ **(Ⅱ)** 先算偏差平方和: $$E\sum_{i=1}^{n}(X_i-\bar X)^2=E\left(\sum X_i^2-n\bar X^2\right)=n\left(\sigma^2+\mu^2\right)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2 .$$ 于是 $$ES^2=\frac{(n-1)\sigma^2}{n-1}=\sigma^2,\qquad ES_n^2=\frac{(n-1)\sigma^2}{n}=\frac{n-1}{n}\sigma^2 .$$ **(Ⅲ)** 逐一看: | 量 | 是统计量? | 理由 | |---|---|---| | $\bar X$ | 是 | 只用样本 | | $S^2$ | 是 | 只用样本 | | $\bar X-\mu$ | **不是** | 含未知的 $\mu$ | | $X_1+X_2$ | 是 | 只用样本(虽然浪费信息) | | $\bar X/\sigma$ | **不是** | 含未知的 $\sigma$ | **验算**:取 $n=2$ 直接核(Ⅱ):$\sum(X_i-\bar X)^2=\frac{(X_1-X_2)^2}{2}$ ,而 $E(X_1-X_2)^2=2\sigma^2$ ,故期望为 $\sigma^2=(n-1)\sigma^2$ ✓。 **带走结论**:**$S^2$ 无偏、$S_n^2$ 有偏,差别就在那个 $\frac{n-1}{n}$ 上** 。选择题常把 $S_n^2$ 混进来问"哪个是 $\sigma^2$ 的无偏估计",认分母就行。另外**"是不是统计量"只看含不含未知参数**,与实际好坏无关。 > **关联** · 盘点 [§1.2 统计量与三个基本期望](01-知识点盘点.md#user-content-12-统计量与三个基本期望) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量) --- ### 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。 **怎么想**:$X_{(n)}\le x$ 等价于"每个 $X_i$ 都 $\le x$ ",独立就能连乘——这是顺序统计量唯一需要的技巧。之后的两个矩直接积分。 **解**: **(Ⅰ)** $U(0,\theta)$ 的分布函数 $F(x)=\dfrac{x}{\theta}$ ($0 **关联** · 盘点 [§1.3 顺序统计量](01-知识点盘点.md#user-content-13-顺序统计量) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量) ---