Files
Yimu 1e07892a19 专项03 补四件套专练 13 题:μ 与 σ 谁已知的四个统计量
用户的卡点不是记性,是把四个公式当四件事背;实际是同一张表的两行两列。
- 01 考点地图 §1.5 补四象限表(σ 已知/未知 × μ 已知/未知)+ 一条生成规则
  「每消掉一个未知参数就吃掉一个自由度」,n-1 的来历写清
- 新建 02b-试题-四件套专练(D1—D13):同数据走四格、长度反求 n、
  2016-14 上限反推置信度、2017-23 半正态估 σ、χ²(n) 独有的 μ 已知格、
  2023-9 F 凑系数、合并 t 与 n1+n2-2、2021-10 第二类错误、八条断言
- 新建 03c-解析-四件套(11927 字符),每题 怎么想/解/归因
- 坑清单加两条(四格选错分保守与致命两型、有偏不等于不能当枢轴)
- README 与专项总索引、总览同步:03 由 20 题增至 33 题,总 195 题
- 全部数值经 mpmath 反解验证分位数、sympy 复核区间端点
2026-11-12 22:00:23 +08:00

14 KiB
Raw Permalink Blame History

tags, 专题, 日期, 状态
tags 专题 日期 状态
数学一
专项突破
考点地图
数理统计
大数定律与数理统计 2026-10-31 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 。

四个格子(本章最该背死的一张表,四种组合就是四个枢轴量):

要估的参数 另一个参数 枢轴量 分布
\mu \sigma 已知 \dfrac{\bar X-\mu}{\sigma/\sqrt n} N(0,1)
\mu \sigma 未知 \dfrac{\bar X-\mu}{S/\sqrt n} t(n-1)
\sigma^2 \mu 未知 \dfrac{(n-1)S^2}{\sigma^2} \chi^2(n-1)
\sigma^2 \mu 已知 \dfrac{\sum(X_i-\mu)^2}{\sigma^2} \chi^2(n)

生成规则只有一条:枢轴量里不许出现"待估参数以外的未知量"。估 \mu 时 \sigma 未知就用 S 顶上,代价是变 t ;估 \sigma^2 时 \mu 未知就用 \bar X 顶上,代价是自由度掉一个。每消掉一个未知参数就吃掉一个自由度——这才是 n-1 的来历。

用表的顺序是先看被估对象,再看另一个参数。多数人错在直接问"我该用 t 吧",没先问"我要估谁"。十三道专项练在 02b-试题-四件套专练。

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}<b\}=1-\alpha
  4. 解不等式得区间

双总体的三类区间:均值差(\sigma 已知用 u 、未知但相等用 t )、方差比(F )。大纲要求,十年没考——属于"高性价比冷门"。

三、二圈层

3.1 假设检验的两类错误

H_0 为真 H_0 为假
接受 H_0 正确 第二类错误 \beta
拒绝 H_0 第一类错误 \alpha 正确(功效 1-\beta )

\alpha 是显著性水平,检验时先定 \alpha 再定拒绝域。样本量固定时 \alpha 减小则 \beta 增大;两者同时减小的唯一办法是增大样本量。

3.2 拒绝域的方向

  • H_1:\mu>\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"。
  10. 四格表选错那一格:\mu 已知却用 \chi^2(n-1) 估 \sigma^2 ,是保守(区间偏宽、置信度不降);\mu 未知却用 \chi^2(n) ,是致命(\sum(X_i-\mu)^2 根本算不出来)。两者错法不同,别混为一谈。
  11. 把"有偏"当成"不能当枢轴":\frac{n\hat\sigma^2}{\sigma^2} 与 \frac{(n-1)S^2}{\sigma^2} 是同一个量,构造出的区间逐字相同。

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
D1—D13 四件套专练:四格表识别、同数据走四格、长度反求 n 、上限反推置信度、\chi^2(n) 的应用、合并 t 、八条断言 专项 真题 2016-14 / 2017-8 / 2017-23 / 2021-10 / 2022-22 / 2023-9 骨架 + 张宇 30 讲

D 组单独成册(02b 题 / 03c 解析),13 题只练一件事:给定场景选对统计量。这份是本专题里最该反复做的一册,因为统计部分的失分八成倒在这一张表上。