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

176 lines
9.8 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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 $F(x)=\dfrac{x}{\theta}$ ($0<x<\theta$ )。于是
$$F_{X_{(n)}}(x)=P\{X_1\le x,\dots,X_n\le x\}=\left(\frac{x}{\theta}\right)^{n}\quad(0<x<\theta).$$
求导得密度
$$f_{X_{(n)}}(x)=\frac{n\,x^{n-1}}{\theta^{n}}\quad(0<x<\theta).$$
**(Ⅱ)**
$$EX_{(n)}=\int_0^{\theta}x\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta .$$
$$EX_{(n)}^2=\int_0^{\theta}x^2\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n}{n+2}\theta^2 .$$
$$DX_{(n)}=\frac{n}{n+2}\theta^2-\left(\frac{n}{n+1}\theta\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\,\theta^2}{(n+1)^2(n+2)} .$$
**(Ⅲ)**
$$E\left(\frac{n+1}{n}X_{(n)}\right)=\frac{n+1}{n}\cdot\frac{n}{n+1}\theta=\theta ,$$
故 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
**验算**:取 $n=1$ ,$X_{(1)}=X_1\sim U(0,\theta)$ ,$EX_1=\frac{\theta}{2}$ ,而 $\frac{n}{n+1}\theta=\frac{\theta}{2}$ ✓;$DX_1=\frac{\theta^2}{12}$ ,公式给 $\frac{1\cdot\theta^2}{4\cdot3}=\frac{\theta^2}{12}$ ✓。
**带走结论**:**$X_{(n)}$ 系统性偏小**($EX_{(n)}=\frac{n}{n+1}\theta<\theta$ ),所以要乘 $\frac{n+1}{n}$ 才无偏;乘完之后方差是 $\frac{\theta^2}{n(n+2)}$ ——这个数在 2024·22 的均方误差一问里会再出现一次。
> **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)
---