--- tags: [数学一, 专项突破, 解析, 大数定律与数理统计] 专题: 大数定律与数理统计 日期: 2026-10-31 状态: B 组与 C 组题解析,A 组见 03a 关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03a-解析-核心]]"] --- # 解析(扩散)· 大数定律与数理统计 A 组核心题的解析见 [03a-解析-核心](03a-解析-核心.md)。下面从 B 组接续。 ## B 组 ### 题 B1 · 有偏,修正为 $\dfrac{n+1}{n}X_{(n)}$ **怎么想**:判断无偏要算 $E(X_{(n)})$ ,而算它要先有 $X_{(n)}$ 的密度。 **解**:$U(0,\theta)$ 的分布函数 $F(x)=\dfrac x\theta$ ($0x\}=\left[P\{X_1>x\}\right]^n=\mathrm{e}^{-nx/\theta}$ ,故 $X_{(1)}$ 服从参数为 $\dfrac\theta n$ 的指数分布, $$E(X_{(1)})=\frac\theta n\ \Longrightarrow\ E(nX_{(1)})=\theta,$$ 无偏。 (Ⅱ)$D(\bar X)=\dfrac{\theta^2}{n}$ 。又 $D(X_{(1)})=\dfrac{\theta^2}{n^2}$ ,故 $$D(nX_{(1)})=n^2\cdot\frac{\theta^2}{n^2}=\theta^2.$$ 比较:当 $n\geqslant2$ 时 $\dfrac{\theta^2}{n}<\theta^2$ ,故 $\bar X$ 的方差更小,**$\bar X$ 更有效**。 **归因**:$X_{(1)}$ 的期望是 $\theta/n$ 而不是 $\theta$ —— 最小值天然偏小,所以乘 $n$ 才无偏。第(Ⅱ)问的关键是 $D(nX_{(1)})=\theta^2$ **与 $n$ 无关**,这说明"只用一个样本点"的估计量不会因为样本量增加而变准,这正是它不如 $\bar X$ 的原因。 --- ### 题 B3 · 证明 **解**:记 $\hat\theta_n=\dfrac{n+1}{n}X_{(n)}$ 。 **无偏**:由 B1 ,$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $E(\hat\theta_n)=\theta$ 。 **方差趋于 0**:由 B4 的结论 $D(X_{(n)})=\dfrac{n\theta^2}{(n+1)^2(n+2)}$ , $$D(\hat\theta_n)=\left(\frac{n+1}{n}\right)^2\cdot\frac{n\theta^2}{(n+1)^2(n+2)}=\frac{\theta^2}{n(n+2)}\to0\quad(n\to\infty).$$ 由切比雪夫不等式,对任意 $\varepsilon>0$ : $$P\left\{\left|\hat\theta_n-\theta\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\hat\theta_n)}{\varepsilon^2}=\frac{\theta^2}{n(n+2)\varepsilon^2}\to0.$$ 故 $\hat\theta_n\xrightarrow{P}\theta$ ,即 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的相合估计。 **归因**:相合性的判据是"**无偏 + 方差趋于 0**"(充分条件),本题正好两条都满足,用切比雪夫一收即可。**别漏掉"对任意 $\varepsilon>0$ "这句**,它是依概率收敛的定义语言。 --- ### 题 B4 · 见解析 **解**: (Ⅰ)由 B1 已得 $$f_{X_{(n)}}(x)=\frac{nx^{n-1}}{\theta^n},\quad 010.658$ **怎么想**:$H_1$ 写"$\mu>10$ " ,所以拒绝域在**右尾**,用 $u_\alpha$ (单尾)而不是 $u_{\alpha/2}$ 。 **解**:$\sigma=2$ 已知,用 $u$ 统计量 $U=\dfrac{\bar X-10}{2/\sqrt{25}}=\dfrac{\bar X-10}{0.4}$ 。 $$P\{U>u_{0.05}\}=\alpha=0.05\ \Longrightarrow\ \bar X>10+1.645\times0.4=10.658.$$ 故拒绝域为 $\bar x>10.658$ 。 **归因**:两个坑。①单侧检验用 $u_{0.05}=1.645$ ,**不是** $1.96$ ;②方向跟着 $H_1$ 走,$H_1$ 是"大于"就往右拒绝。若把 $H_1$ 改成 $\mu<10$ ,拒绝域就是 $\bar x<9.342$ 。 --- ### 题 C3 · 见解析 **解**:两样本独立,$\bar X\sim N\!\left(\mu_1,\dfrac{\sigma_1^2}{n_1}\right)$ ,$\bar Y\sim N\!\left(\mu_2,\dfrac{\sigma_2^2}{n_2}\right)$ ,故 $$\bar X-\bar Y\sim N\left(\mu_1-\mu_2,\ \frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}\right).$$ 在 $H_0:\mu_1=\mu_2$ 下, $$U=\frac{\bar X-\bar Y}{\sqrt{\dfrac{\sigma_1^2}{n_1}+\dfrac{\sigma_2^2}{n_2}}}\sim N(0,1).$$ 双尾检验,拒绝域为 $$|U|>u_{\alpha/2}.$$ **归因**:①$\sigma_1^2,\sigma_2^2$ **已知**才用 $u$ ;未知但相等要用**合并方差**的 $t$ (自由度 $n_1+n_2-2$ );未知且不等要用近似 $t$ ( Welch )。②双尾用 $\alpha/2$ ,这与单尾题的区别就在此。这条大纲要求、十年未考,属于"高性价比冷门"。 --- ### 题 C4 · 证明 **解**:记 $\bar X_n=\dfrac1n\displaystyle\sum_{i=1}^nX_i$ 。由独立性, $$E(\bar X_n)=\frac1n\sum_{i=1}^nE(X_i)=\mu,\qquad D(\bar X_n)=\frac{1}{n^2}\sum_{i=1}^nD(X_i)=\frac{\sigma^2}{n}.$$ 对任意 $\varepsilon>0$ ,由切比雪夫不等式: $$P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\bar X_n)}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}.$$ 当 $n\to\infty$ 时右端趋于 0,故 $$\lim_{n\to\infty}P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}=0,$$ 即 $\dfrac1n\displaystyle\sum_{i=1}^nX_i\xrightarrow{P}\mu$ 。 **归因**:这题是"标准三步":算期望、算方差、套切比雪夫。两个易错点:①$D(\bar X)=\frac{\sigma^2}{n}$ 里的 $\frac{1}{n^2}$ 别丢;②最后要写成**极限形式** $\lim P\{\cdot\}=0$ ,这才是依概率收敛的定义。 --- ### 题 C5 · 见解析 **解**: (Ⅰ)**矩估计**:$E(X)=\theta$ ,令 $\theta=\bar X$ ,得 $\hat\theta_{\text{矩}}=\bar X$ 。 (Ⅱ)**极大似然**:似然函数 $$L(\theta)=\prod_{i=1}^n\frac1\theta\mathrm{e}^{-X_i/\theta}=\theta^{-n}\exp\left(-\frac{1}{\theta}\sum_{i=1}^nX_i\right),$$ $$\ln L=-n\ln\theta-\frac{1}{\theta}\sum_{i=1}^nX_i.$$ 求导令零: $$\frac{\mathrm{d}\ln L}{\mathrm{d}\theta}=-\frac n\theta+\frac{1}{\theta^2}\sum_{i=1}^nX_i=0\ \Longrightarrow\ \hat\theta_{\text{MLE}}=\frac1n\sum_{i=1}^nX_i=\bar X.$$ (二阶导在 $\theta=\bar X$ 处为 $-\frac{n}{\bar X^2}<0$ ,是极大值。) (Ⅲ)$E(\bar X)=\theta$ ,故 $\bar X$ 是 $\theta$ 的**无偏**估计。 (Ⅳ)目标估计量是 $\lambda=\dfrac1\theta$ 。由题给 $$E\left(\frac{1}{\bar X}\right)=\frac{n}{(n-1)\theta}=\frac{n}{n-1}\cdot\frac1\theta=\frac{n}{n-1}\lambda,$$ 故 $\dfrac1{\bar X}$ 的期望是目标的 $\dfrac{n}{n-1}>1$ 倍,**有偏**(系统性偏大)。 而 $$E\left(\frac{n-1}{n}\cdot\frac{1}{\bar X}\right)=\frac{n-1}{n}\cdot\frac{n}{n-1}\cdot\frac1\theta=\frac1\theta,$$ 故 $\dfrac{n-1}{n}\cdot\dfrac1{\bar X}$ 才是 $\dfrac1\theta$ 的无偏估计。 **归因**:这道题的核心是一句话:**期望与倒数不能交换**,即 $E\!\left(\dfrac1{\bar X}\right)\neq\dfrac{1}{E(\bar X)}$ 。因为 $f(t)=1/t$ 是凸函数,由 Jensen 不等式 $E\!\left(\dfrac1{\bar X}\right)>\dfrac{1}{E(\bar X)}$ ,所以 $\dfrac1{\bar X}$ 系统性偏大,修正要**乘一个小于 1 的因子** $\dfrac{n-1}{n}$ 。这与均匀分布"乘 $\dfrac{n+1}{n}$ "方向相反,别记混。 --- ## 错题归因表 | 你错的题 | 如果是 | 说明什么 | 补法 | |---|---|---|---| | A1 | 没认出 $\varepsilon$ | 切比雪夫只会正向用 | 回 [01 §1.1](01-考点地图.md#user-content-11-切比雪夫不等式小题-8-的正主),练反向 | | A4 / A6 | 自由度记错 | $\chi^2$ 与 $F$ 的 $n-1$ 混淆 | $S^2$ 出现就减 1 | | A5 | $t$ 的定义记混 | 分母缺"/自由度" | 默写三遍 $t$ 的定义 | | A7 | 以为是普适结论 | 抽样定理的前提是正态 | 记"独立是正态专属,无偏是普适" | | A10 / B5 | 用错分布或用错分位 | 这块头号错因 | 背两张区间表 | | B1 / B5 | 修正因子方向反 | 期望偏大偏小没判断 | 想"$\max$ 偏小、$1/\bar X$ 偏大" | | A8 / A9 | 方程解错 | 计算 | 解完代回去验 | | C1 / C2 | $\alpha$ 用错侧 | 单双尾没分清 | 拒绝域跟着 $H_1$ 走 |