Files
Yimu 4e4009de30 重构概率论第6讲为「知识点带题」格式,并修复跨讲死链
- 第6讲数理统计:删旧三件套(01-考点手册 4.8 万字符 / 02-试题 / 03-解析)与 PDF,
  改为 01-知识点盘点 + 02—09 八点分册 + 10-速查卡,共 10 文件 26 题
- 八点:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 /
  最大似然 / 评价标准 / 区间估计 / 假设检验与两类错误
- 盘点含 §0.1 按分值、§0.2 依赖链、§0.3 符号、§0.4 AUTO 反查、§9 覆盖对照(21 条)、§10 接口
- 修复 2026-10 第3讲重构留下的死链:大题十年考点/15-点14(7 处指向已删 01-考点手册)、
  知识点构建/17-背诵版第3讲(回查入口 4 处)
- 知识点构建/20-背诵版第6讲:回查入口改指新文件,题源注明旧 18 题清单已失效待重出
- 同步:总览.md 第6讲目录树、知识点构建 README 题量 18 → 26
2026-11-07 13:02:26 +08:00

19 KiB
Raw Permalink Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
概率论
数理统计
知识点盘点
概率论 第6讲 · 数理统计 2026-11-07 知识点盘点(八节 + 覆盖对照表),配套 8 个点分册共 26 题
README
10-速查卡

第6讲 · 数理统计:知识点盘点

真题库第 20、21、22 三章。近十年 15 题 116 分:解答题 8 道(91 分)+ 选填 7 题(25 分)。分章看:ch20 基本概念 2 题 9 分、ch21 参数估计 10 题 93 分、ch22 假设检验 3 题 14 分。

这一讲的结构是"一个前提 + 两条主线":前提是统计量的分布(三大分布与正态总体的四个结论),两条主线是点估计/区间估计(正问题:参数是多少)与假设检验(反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。

一句话定性:数理统计 = 用样本反推总体。前 5 讲是"已知分布求概率"(正问题),这一讲是"已知样本猜分布"(反问题),方向反过来,所以每一问都要先问"我手里有哪些统计量、它们服从什么分布"。

0 三张表

0.1 按分值排(时间紧就照这个顺序)

优先 点 真题锚点 分值 文件
1 最大似然估计 2018·23、2019·23、2020·23、2022·22 约 45 06
2 估计量的评价标准(无偏/有效/均方误差) 2021·9、2023·10、2024·22、2016·23 约 33 07
3 假设检验与两类错误 2018·8、2021·10、2025·10 约 14 09
4 正态总体的抽样分布 2017·8 4 04
5 区间估计 2016·14 4 08
6 三大抽样分布 2023·9 5 03
7 矩估计 2017·23 的第一问 嵌在解答题 05
8 总体、样本与统计量 全部题的前置 — 02

最大似然估计独占 45 分,这是全讲乃至全卷概率部分最集中的一块。它的动作固定(写 L → 取对数 → 求导),但支撑含参数时不能求导,那是唯一的坎。

0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)

02 总体、样本与统计量        ← 名词定义 + 三个基本期望
      ↓
03 三大抽样分布              ← χ² / t / F 的构造
      ↓
04 正态总体的抽样分布        ← 前面两者的合成:四个结论
      ↓
05 矩估计  →  06 最大似然估计        ← 两条点估计路线
      ↓
07 估计量的评价标准          ← 判断估计"好不好"
      ↓
08 区间估计  →  09 假设检验          ← 同一套分布的两个用法

为什么评价标准要排在两条估计路线之后:无偏性、有效性都是"对某个估计量"说的,手里没有估计量就无从评价。而 07 又是 08、09 的前提——区间估计的枢轴量就是"无偏估计 + 已知分布"。

0.3 符号约定

记号 含义
X_1,\dots,X_n 简单随机样本(独立同分布于总体 X )
\bar X=\dfrac1n\sum X_i 样本均值
S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2 样本方差(分母取 n-1 才对)
S_n^2=\dfrac1n\sum(X_i-\bar X)^2 二阶中心矩(分母 n ,有偏)
X_{(n)}=\max\{X_i\} 最大次序统计量
\chi^2_\alpha(n) 、t_\alpha(n) 、F_\alpha(n_1,n_2) 上 \alpha 分位点(右侧面积 \alpha )
\hat\theta 参数 \theta 的估计量
\alpha 、\beta 第一类、第二类错误概率

分位点是上侧还是下侧,是这一讲最大的符号陷阱。本讲统一用上侧分位点:P\{\chi^2>\chi^2_\alpha(n)\}=\alpha 。所以置信区间里出现的是 \chi^2_{1-\alpha/2} 与 \chi^2_{\alpha/2} 两个下、上分位点,顺序不能写反。

0.4 知识点与练习文件对照(按知识点粒度)

盘点章节(知识点) 对应题目
§1.1 总体与样本 点 1 题 1
§1.2 统计量与三个基本期望 点 1 题 2
§1.3 顺序统计量 点 1 题 3
§2.1 卡方分布 点 2 题 1
§2.2 t 分布 点 2 题 2
§2.3 F 分布 点 2 题 3
§3.1 单总体的四个结论(本讲的核心) 点 3 题 1、点 3 题 2
§3.2 两总体的情形 点 3 题 3
§4.1 原理与步骤 点 4 题 1
§4.2 两个陷阱 点 4 题 2
§5.1 似然函数与三步 点 5 题 1、点 5 题 2
§5.2 支撑含参数(唯一不能求导的情形) 点 5 题 3、点 5 题 4
§6.1 无偏性 点 6 题 1
§6.2 有效性 点 6 题 2
§6.3 相合性(一致性) 点 6 题 3
§6.4 均方误差 点 6 题 4
§7.1 置信区间与枢轴量 点 7 题 1
§7.2 单总体的三个区间 点 7 题 2
§7.3 两总体的两个区间 点 7 题 3
§8.1 原假设、两类错误 点 8 题 1
§8.2 拒绝域与显著性水平 点 8 题 2
§8.3 正态总体的六大检验 点 8 题 3、点 8 题 4

1 总体、样本与统计量

1.1 总体与样本

总体是随机变量 X (或它的分布);样本 X_1,\dots,X_n 是 n 个独立同分布、且与 X 同分布的随机变量;样本值 x_1,\dots,x_n 是观测到的数。

"简单随机样本"= 独立 + 同分布,这两个词缺一不可——独立保证联合密度可连乘,同分布保证每个因子长得一样。

1.2 统计量与三个基本期望

统计量:不含任何未知参数的样本函数。\bar X 是统计量,\bar X-\mu 不是(含未知的 \mu )。

\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(对任意总体都成立):

E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .

第三条是 S^2 分母取 n-1 的全部理由;若取 n ,期望是 \frac{n-1}{n}\sigma^2 ,有偏。

1.3 顺序统计量

把样本从小到大排:X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)} 。分布函数法:

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(解答题反复用):

E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^2=\frac{n}{n+2}\theta^2 .

2 三大抽样分布

2.1 卡方分布

X_i\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^2\sim\chi^2(n).

E\chi^2(n)=n 、D\chi^2(n)=2n ;可加性:\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2) (独立时)。

2.2 t 分布

X\sim N(0,1),\ Y\sim\chi^2(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).

密度偶对称,故 t_{1-\alpha}(n)=-t_\alpha(n) ;n>2 时方差为 \frac{n}{n-2} ;n\to\infty 时趋于 N(0,1) 。

2.3 F 分布

U\sim\chi^2(n_1),\ V\sim\chi^2(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).

两条互换公式(查表必备):

\frac{1}{F}\sim F(n_2,n_1),\qquad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).

3 正态总体的抽样分布

3.1 单总体的四个结论(本讲的核心)

设 X_1,\dots,X_n 来自 N(\mu,\sigma^2) :

\text{①}\ \bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1); \text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).

③ 是"正态总体"独有的,非正态时 \bar X 与 S^2 一般不独立。第 ② 式的分子是 n-1 而不是 n ,因为减掉 \bar X 用掉一个自由度。

3.2 两总体的情形

两样本独立,X_i\sim N(\mu_1,\sigma_1^2) 、Y_j\sim N(\mu_2,\sigma_2^2) :

\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).

当 \sigma_1^2=\sigma_2^2=\sigma^2 时把两个方差"合并":

S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).

4 矩估计

4.1 原理与步骤

用样本矩替换总体矩:A_k=\frac1n\sum X_i^k 代替 EX^k ,列出与未知参数个数相同的方程,解出参数。

两步:① 写出总体矩(含参数);② 令其等于对应的样本矩,解方程。

4.2 两个陷阱

  • 需要二阶矩时用二阶原点矩 A_2=\frac1n\sum X_i^2 ,不是 S^2 ——两者差一个 \frac{n-1}{n} 的系数,选择题常在这里设错;
  • 解出的估计量要检验参数范围(如 \hat\theta 必须为正),必要时取绝对值或截断。

5 最大似然估计

5.1 似然函数与三步

L(\theta)=\prod_{i=1}^{n}f(x_i;\theta),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).

三步:① 写 L → ② 取对数 → ③ 对参数求导令零。离散型把 f 换成 p 即可 。

多参数:对每个参数分别求偏导,联立求解(如 2019·23 的 \mu 与 \sigma^2 )。

不变性:若 \hat\theta 是 \theta 的 MLE,则 g(\hat\theta) 是 g(\theta) 的 MLE(不必重新求)。

5.2 支撑含参数(唯一不能求导的情形)

当密度的非零区域端点含参数时(如 f(x)=\frac{3x^2}{\theta^3},\ 0<x<\theta ),L 里会出现示性函数,求导无意义。此时看 L 关于参数的单调性:

  • L 随 \theta 增大而减小 \Rightarrow \hat\theta 取 \theta 的最小可能值;
  • L 随 \theta 增大而增大 \Rightarrow \hat\theta 取 \theta 的最大可能值(通常是 X_{(n)} )。

6 估计量的评价标准

6.1 无偏性

E\hat\theta=\theta\quad(\forall\theta).

三条常用:E\bar X=\mu ;ES^2=\sigma^2 ;E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2 (有偏)。

6.2 有效性

两个都无偏的估计量,方差小的更有效。比值 \dfrac{D\hat\theta_1}{D\hat\theta_2} 就叫相对效率。

6.3 相合性(一致性)

\hat\theta\overset{P}{\longrightarrow}\theta .

验证套路:算 E\hat\theta 与 D\hat\theta ,若"偏差趋于 0 且方差趋于 0 ",由切比雪夫不等式即得相合。

6.4 均方误差

MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .

它是"无偏 + 有效"的合体:允许有偏,只要总误差小。2024·22 的最后一问就考这个。

7 区间估计

7.1 置信区间与枢轴量

枢轴量:含待估参数、但分布已知且不含任何未知参数的统计量。由 P\{a<Q<b\}=1-\alpha 反解出 \theta 的范围即得置信区间。

注意"置信度"的读法:1-\alpha 说的是"反复抽样时,约 100(1-\alpha)\% 的区间会盖住真值",不是"\theta 落在该区间的概率"。

7.2 单总体的三个区间

待估 条件 枢轴量 区间
\mu \sigma^2 已知 \dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1) \bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n}
\mu \sigma^2 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}
\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}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right]

7.3 两总体的两个区间

\mu_1-\mu_2 :方差已知用 z ,未知但相等用合并方差的 t(n_1+n_2-2) 。\dfrac{\sigma_1^2}{\sigma_2^2} :用 F(n_1-1,n_2-1) ,区间为

\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].

大纲要求、十年未单考:两总体的均值差与方差比区间属于"高性价比冷门"——公式要会写,但不必刷难题。

8 假设检验

8.1 原假设、两类错误

真实情况 接受 H_0 拒绝 H_0
H_0 为真 正确 第一类错误(弃真),概率 \alpha
H_0 为假 第二类错误(取伪),概率 \beta 正确(功效 1-\beta )

\alpha 是"冤枉好人"的概率,\beta 是"放过坏人"的概率。样本量固定时二者此消彼长;要同时减小只能增大 n 。

8.2 拒绝域与显著性水平

显著性水平 \alpha = 允许的第一类错误上限。拒绝域由 \alpha 与备择假设的方向共同决定:

  • H_1:\theta>\theta_0 → 右侧拒绝域(大值拒绝);
  • H_1:\theta<\theta_0 → 左侧拒绝域;
  • H_1:\theta\ne\theta_0 → 双侧拒绝域,每侧 \alpha/2 。

8.3 正态总体的六大检验

检验对象 条件 统计量 分布
单总体 \mu \sigma^2 已知 \dfrac{\bar X-\mu_0}{\sigma/\sqrt n} N(0,1)
单总体 \mu \sigma^2 未知 \dfrac{\bar X-\mu_0}{S/\sqrt n} t(n-1)
单总体 \sigma^2 \mu 未知 \dfrac{(n-1)S^2}{\sigma_0^2} \chi^2(n-1)
两总体 \mu_1-\mu_2 方差已知 \dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}} N(0,1)
两总体 \mu_1-\mu_2 方差未知但相等 \dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}} t(n_1+n_2-2)
两总体 \sigma_1^2/\sigma_2^2 均值未知 \dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2} F(n_1-1,n_2-1)

9 覆盖对照(大纲 vs 真题 vs 参考仓库)

知识点 大纲要求 十年真题 参考仓库 处置
总体与样本 理解 全部题前置 有 点 1,1 题
统计量与三个基本期望 掌握 2024·22 有 点 1,1 题
顺序统计量 掌握 2016·23、2024·22 有 点 1,1 题
卡方分布 掌握 2017·8 有 点 2,1 题
t 分布 掌握 嵌在各题 有 点 2,1 题
F 分布 掌握 2023·9 有 点 2,1 题
正态总体的四个结论 掌握 2017·8、2023·9 有 点 3,2 题
两总体的抽样分布 掌握 2023·9 有 点 3,1 题
矩估计 掌握 2017·23 有 点 4,2 题
最大似然估计 掌握 2018·23、2019·23、2020·23、2022·22 有 点 5,2 题
支撑含参数的 MLE 掌握 2016·23 有 点 5,2 题
无偏性 掌握 2021·9、2023·10 有 点 6,1 题
有效性 掌握 2021·9 有 点 6,1 题
相合性 掌握 未单考 有 点 6,1 题
均方误差 了解 2024·22 无(自编) 点 6,1 题
置信区间与枢轴量 掌握 2016·14 有 点 7,1 题
单总体区间 掌握 2016·14 有 点 7,1 题
两总体区间 掌握 未考 有 点 7,1 题
两类错误 掌握 2018·8、2021·10、2025·10 有 点 8,1 题
拒绝域与显著性水平 掌握 2025·10 有 点 8,1 题
六大检验 掌握 2018·8、2021·10 有 点 8,2 题

判断:21 个知识点里,大纲"掌握"的 19 个全部配题,"均方误差"属"了解"层次也配了 1 题。"两总体区间"与"相合性"是十年未考的两处空白,按大纲要求补齐,标注为"高性价比冷门"。

10 与相邻讲的接口

本讲内容 来源 / 去向 用法
EX 、DX 、\operatorname{Cov} 、D\bar X 第4讲 点 1 的三条基本期望、点 6 的方差比较全靠它
E\sum(X_i-\bar X)^2=(n-1)\sigma^2 第4讲点5 题4 S^2 无偏性的唯一根据
依概率收敛、辛钦大数定律 第5讲上 点 6 相合性的证明工具
\Phi 、z_\alpha 分位数 第5讲下 点 8、点 9 的临界值
正态分布的可加性与标准化 第3讲点3 §3.5 点 3 两样本结论的来源
\max/\min 的分布 第3讲点6 点 1 顺序统计量直接引用

跨讲一句话:前 5 讲给的是"分布 → 概率",本讲要的是"样本 → 参数",唯一的桥就是统计量的分布。所以本讲真正的重点不是公式,而是见到一个统计量就能说出它服从什么分布。