Files
Yimu e6711c9bb1 概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图
- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
2026-11-08 20:18:17 +08:00

35 KiB
Raw Permalink Blame History

tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
tags 专题 日期 更新 状态 来源 关联笔记
数学一
知识点构建
背诵版
概率论
数理统计
概率论 · 第6讲 数理统计 · 背诵版 2026-10-27 2026-11-08(v2 重构:分块排版 + 置信区间/检验表统一符号 + 真题地图对齐 sqlite + 纯题干题单) 背诵版 v2(考点分块完整呈现 + B 题型考点 + 26 题纯题干清单;题单已对齐在学练习八点分册) 在学练习/概率论-第6讲-数理统计(八点分册 26 题)| 参考仓库 knowledge/5-mathematical-statistics + exercise/5|真题库 kaoyan_math1.db(chapter 20/21/22)
README
18-背诵版-概率论-第4讲-数字特征
19-背诵版-概率论-第5讲-大数定律与中心极限定理

概率论 · 第6讲 数理统计 · 背诵版

范围:参考仓库 knowledge/5-mathematical-statistics(总体与样本、统计量、三大分布、点估计、区间估计、假设检验、两类错误)+ exercise/5。 用法:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。

0 骨架(先背这张图)

0.1 一句话与六节地图

一句话:数理统计 = "用样本推断总体"——先拿样本造工具(统计量),弄清工具服从什么分布(抽样分布),再用工具反推总体参数(点估计 → 区间估计 → 假设检验)。

六节地图:

节 内容 分量
§1 总体、样本、经验分布 冷门(只作起手)
§2 统计量与抽样分布(三大分布 + 正态总体) 选填常客
§3 参数点估计(矩估计、MLE、评价标准) 年年解答题,本讲命脉
§4 区间估计(仅数一) 选填
§5 假设检验(仅数一) 选填
§6 两类错误(仅数一) 选填

三条主线:① 独立性(简单随机样本 = i.i.d.);② 标准化(拼 $\chi^2/t/F$);③ 矩替换(\frac1n\sum X_i^k 换 $EX^k$)。

符号约定(本讲统一):

记号 含义
u_\alpha 标准正态上侧 \alpha 分位点:P\{Z>u_\alpha\}=\alpha
$\chi^2_\alpha(n)$、$t_\alpha(n)$、F_\alpha(n_1,n_2) 同为上侧分位点
$\overline X$、S^2 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$)
B_2 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$(有偏)

0.2 十年真题地图(sqlite,2016–2025)

年份·题号 考点 分值 归属
2025·22 复合分布 + 泊松分解(理赔模型) 12 §2/§3 综合
2025·10 单侧假设检验的拒绝域 5 §5
2024·22 次序统计量无偏 + MSE 最小 12 §3.3
2023·10 无偏估计反定常数 5 §3.3
2023·9 两正态总体方差比的 F 分布 5 §2.5
2022·22 两样本泊松的 MLE 与 D(\hat\theta) 12 §3.2
2021·10 第二类错误概率 5 §6
2021·9 无偏性 + $D(\hat\theta)$(二元正态) 5 §3.3
2020·23 威布尔型 F(t) 的无记忆性 + MLE 11 §3.2
2019·23 半正态密度求常数 + MLE 11 §3.2
2018·23 拉普拉斯分布 MLE + E\hat\sigma,D\hat\sigma 11 §3.2
2018·8 显著性水平与拒绝/接受的关系 4 §5/§6
2017·23 绝对误差的矩估计 + MLE 11 §3.1/§3.2
2017·8 \chi^2 分布的四个结论辨析 4 §2.4
2016·23 次序统计量 T=\max + 无偏定 a 11 §2.6/§3.3
2016·14 置信区间(给上限反求下限) 4 §4

命题规律:"铁打的 22 题"——每年解答题第 22(或 23)题基本固定围绕参数估计:近十年 8 道解答题,5 道直接考 MLE(2017、2018、2019、2020、2022),另 3 道考无偏与 MSE(2016、2024)或复合分布(2025)。选填则轮流考:F 分布(2023·9)、无偏定常数(2023·10)、两类错误(2021·10)、拒绝域(2025·10)。MLE 是必须拿满分的一块。

0.3 考点树(与在学练习八点分册一一对应)

节 考点 在学练习 题数
§1 总体与样本、统计量定义、常用统计量、经验分布 点 1 3
§2.4 三大抽样分布 \chi^2/t/F 点 2 3
§2.5 正态总体的抽样分布(单/两总体) 点 3 3
§3.1 矩估计 点 4 2
§3.2 极大似然估计(含不可微与两样本) 点 5 4
§3.3 评价标准:无偏 / 有效 / 一致 / MSE 点 6 4
§4 区间估计(枢轴变量法、四表) 点 7 3
§5–§6 假设检验与两类错误 点 8 4

1 总体、样本与统计量(点 1)

1.1 基本概念

概念 定义
总体 研究对象的全体;数学上就是一个随机变量 $X$
个体 总体的每个元素
简单随机样本 n 个相互独立且与总体同分布的 X_1,\dots,X_n
样本值 一次具体观测得到的一组数 x_1,\dots,x_n

一句话:"概率论里的 i.i.d." = "数理统计里的简单随机样本"。

1.2 样本的联合分布(MLE 的根基)

f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^np(x_i).

独立性把 n 维联合分布化成一维连乘——所有似然函数都长这样。

1.3 经验分布函数

$\hat F_n(x)=\dfrac{#{i:X_i\le x}}{n}$。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$(几乎必然)。了解即可,考研不单独考。

2 三大抽样分布与正态总体抽样(点 2–3)

2.1 统计量的定义(判断题高频)

g(X_1,\dots,X_n) 是统计量 \iff 表达式中不含任何未知参数。

例子 是否统计量
$\sum X_i$、$\overline X$、$S^2$、\max X_i ✓
$\sum(X_i-\mu)^2$(\mu 未知) ✗
$\frac{X_1-\mu}{\sigma}$(\mu,\sigma 未知) ✗

判断口诀:"能不能用样本算出来"——算不出来就不是。

2.2 常用统计量

名称 公式
样本均值 \overline X=\dfrac1n\sum_{i=1}^nX_i
样本方差 S^2=\dfrac1{n-1}\sum_{i=1}^n(X_i-\overline X)^2
样本 k 阶原点矩 A_k=\dfrac1n\sum X_i^k
样本 k 阶中心矩 B_k=\dfrac1n\sum(X_i-\overline X)^k

恒等式:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$(方差题必用)。

2.3 \overline X 与 S^2 的数字特征(必背)

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

为什么除以 $n-1$:$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$(有偏),故乘 \frac{n}{n-1} 才无偏——n-1 是为了无偏性,这也解释了 \chi^2 的自由度为何是 $n-1$。

2.4 三大抽样分布

分布 构造 期望 / 方差 关键性质
\chi^2(n) X_1,\dots,X_n 独立 $\sim N(0,1)$,\chi^2=\sum X_i^2 n / 2n 可加:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$;不对称,上下分位点分别查
t(n) $X\sim N(0,1)$,Y\sim\chi^2(n) 独立,t=\dfrac{X}{\sqrt{Y/n}} 0 / \frac{n}{n-2} 密度偶函数、比标准正态尾厚;n 大时 $\approx N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;t^2\sim F(1,n)
F(n_1,n_2) $U\sim\chi^2(n_1)$,V\sim\chi^2(n_2) 独立,F=\dfrac{U/n_1}{V/n_2} — $\frac1F\sim F(n_2,n_1)$,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$;两个自由度顺序不能反(分子在前)

2.5 正态总体下的抽样分布(本节最重要)

(一)单个正态总体 $X_1,\dots,X_n\sim N(\mu,\sigma^2)$:

# 统计量 分布 前提
① \dfrac{\overline X-\mu}{\sigma/\sqrt n} N(0,1) \sigma 已知
② \dfrac1{\sigma^2}\sum(X_i-\mu)^2 \chi^2(n) \mu 已知
③ \dfrac{(n-1)S^2}{\sigma^2} \chi^2(n-1) \mu 未知
④ \dfrac{\sqrt n(\overline X-\mu)}{S} t(n-1) \sigma 未知
⑤ \dfrac{n(\overline X-\mu)^2}{S^2} F(1,n-1) \sigma 未知

两句口诀:②→③「\mu 换成 $\overline X$,自由度减一」;①→④「\sigma 换成 $S$,正态换 $t$,自由度 $n-1$」。

④ 里藏着一条独立结论:正态总体下 \overline X 与 S^2 相互独立。这是正态总体独有的(一般总体不成立),也是拼 t 分布的前提。

(二)两个正态总体(X\sim N(\mu_1,\sigma_1^2) 取 m 个,Y\sim N(\mu_2,\sigma_2^2) 取 n 个,相互独立):

# 统计量 分布
① \dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}} N(0,1)
② \dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} F(m-1,n-1)
③ $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$($\sigma_1^2=\sigma_2^2$) t(m+n-2)

合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。

(三)拼装三大分布的三步法:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$,平方得 $\chi^2(1)$;③ 按定义拼(\chi^2 相加、t 除根号、F 上下除各自自由度)。

三个恒定陷阱:忘标准化就平方(系数不对,不是 $\chi^2$)|分子分母共用同一个 $X_i$(不独立,拼不出 t 或 $F$)|自由度算错。

2.6 顺序统计量

$X_{(1)}=\min{X_i}$,$X_{(n)}=\max{X_i}$。设总体分布函数 $F$、密度 $f$:

F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x), F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).

上限型分布的 \max 期望(无偏题必背):

总体密度 E X_{(n)}
$U(0,\theta)$:f=\frac1\theta \dfrac{n}{n+1}\theta
$f=\dfrac{2x}{\theta^2}$($0<x<\theta$) \dfrac{2n}{2n+1}\theta
f=\dfrac{kx^{k-1}}{\theta^k} \dfrac{kn}{kn+1}\theta

3 矩估计、MLE 与评价标准(点 4–6,分值最重)

点估计 = 造一个统计量 \hat\theta(X_1,\dots,X_n) 去"顶替"未知参数 $\theta$。两种造法:矩估计、极大似然。

3.1 矩估计法

思想:用样本矩替换总体矩(大数定律保证)。

三步:① 写含 \theta 的总体矩 $EX^k$(一个参数用一阶,两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。

两参数模板:$\hat\mu=\overline X$,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$。

⚠️ 矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$——只有 S^2 无偏。

3.2 最大似然估计(MLE)

思想:选让这组样本出现概率最大的 $\theta$。

常规可微四步:

① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p(x_i;\theta)$); ② 取对数 $\ln L$(连乘变连加,\ln 单调不减,不改变极值点); ③ 求导令零(多参数解方程组); ④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$。

不可微/单调情形(每年必有一道):当 \theta 出现在支撑集里时,L 关于 \theta 单调,\hat\theta 取边界:

总体 MLE
U(0,\theta) \hat\theta=X_{(n)}=\max X_i
U(\theta_1,\theta_2) $\hat\theta_1=X_{(1)}$,\hat\theta_2=X_{(n)}
$f(x;\theta)=\dfrac{\theta}{x^2}$($x>\theta$) 支撑要求 $\theta<\min X_i$,L=\theta^n/\prod x_i^2 随 \theta 递增 ⟹ \hat\theta=X_{(1)}

口诀:"能求导就求导;不能求导看单调,往边界上找。"

三类高频载体(记结果):

分布 矩估计 MLE
拉普拉斯 \frac1{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda} \frac1n\sum\lvert X_i\rvert 同左
均匀 U(0,\theta) 2\overline X X_{(n)}
幂型 $\theta x^{\theta-1}$($0<x<1$) \dfrac{\overline X}{1-\overline X} -\dfrac{n}{\sum\ln X_i}

两样本同参数($X\sim P(\lambda)$、$Y\sim P(2\lambda)$):两组似然先相乘再求导,得

\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.

为什么分母是 $n+2m$:Y 组每个样本携带 2\theta 的信息量,分子对 Y 组只记 $\sum Y_j$(那个 2 进了常数项)。

MLE 的不变性原理:$\widehat{g(\theta)}=g(\hat\theta)$。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$。

⚠️ 无偏性没有不变性:E\hat\theta=\theta 推不出 $E[g(\hat\theta)]=g(\theta)$(例:S=\sqrt{S^2} 不是 \sigma 的无偏估计)。"MLE 有不变性、无偏性没有"是常考辨析。

3.3 评价估计量的四个标准

标准 定义 速记
无偏性 E\hat\theta=\theta 管"准不准"(没有系统偏差)
有效性 都无偏时,D\hat\theta 越小越有效 管"稳不稳"(波动小)
一致性(相合) \hat\theta\xrightarrow{P}\theta 管"样本多了会不会靠近"
均方误差 MSE h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2 方差 + 偏差²

无偏的四个常用结论:$E\overline X=\mu$、$ES^2=\sigma^2$、$E B_2=\frac{n-1}{n}\sigma^2$(有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$(对 $U(0,\theta)$)。

"定常数使无偏"的标准做法:写出 $E(\text{统计量})=c\cdot\theta$,令 c=1 反解常数。

有效性必须先过无偏关:两个都无偏才比方差;一个无偏一个有偏,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。

MSE 最小的求法:把 h(c) 展开成 c 的二次函数,求顶点

c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},

它一般不等于使无偏的 $\frac{n+1}{n}$——这正是 2024·22 的考点。

4 区间估计(点 7,仅数学一)

4.1 概念与正确理解

P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .

1-\alpha 为置信度,\alpha 为显著性水平。

正确理解:不是"\theta 落在区间内的概率"(\theta 是常数,不是随机变量),而是"反复抽样时,平均有 100(1-\alpha)\% 的区间能盖住 $\theta$"。

4.2 枢轴变量法(万能套路)

① 找点估计($\overline X$、S^2 或 MLE);② 造枢轴量(含未知参数,但分布已知且与参数无关:$N(0,1)$、$\chi^2$、$t$、$F$);③ 定分位点(双侧取 \alpha/2 与 $1-\alpha/2$);④ 解不等式得区间。

4.3 单总体四大区间(必背表)

待估参数 条件 枢轴量 置信区间
\mu \sigma 已知 U=\dfrac{\overline X-\mu}{\sigma/\sqrt n}\sim N(0,1) \overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}
\mu \sigma 未知 T=\dfrac{\overline X-\mu}{S/\sqrt n}\sim t(n-1) \overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}
\sigma^2 \mu 已知 \dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n) \left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]
\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}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]

读法:\sigma 已知用 $U$,\sigma 未知用 $t(n-1)$;\mu 已知用 $\chi^2(n)$,\mu 未知用 $\chi^2(n-1)$。

⚠️ \chi^2 区间两端"反着放":因为 \chi^2 不对称且 \sigma^2 在分母——大分位点配下限、小分位点配上限。这是最易抄错的一处。

单侧区间:用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。 2016·14 的速算:给 \overline X 与置信上限反求下限——"上限 + 下限 $=2\overline X$"(仅均值对称区间成立)。

4.4 两总体(数一要求,十年未考,性价比高)

对象 条件 枢轴量 区间
\mu_1-\mu_2 方差已知 U $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$(两项都要)
\mu_1-\mu_2 等方差未知 t(m+n-2) (\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}
\frac{\sigma_1^2}{\sigma_2^2} — F(m-1,n-1) 两端反着放(大分位点配下限)

5 假设检验(点 8,仅数学一)

5.1 基本思想

小概率事件在一次试验中不应发生:若 H_0 成立时观测到的小概率事件发生了,就拒绝 $H_0$。

5.2 四步

① 提假设:把"想否定的、需要保护的结论"放在 $H_0$(等号在 H_0 里); ② 选统计量:按 \sigma 已知/未知、\mu 已知/未知选 $U/T/\chi^2/F$; ③ 定拒绝域:使 $P{\text{拒绝}H_0\mid H_0\text{真}}=\alpha$; ④ 算观测值、下结论。

5.3 拒绝域的方向(跟着 H_1 跑)

H_1 拒绝域形式
$\theta\ne\theta_0$(双侧) \lvert\text{统计量}\rvert\ge 上侧 \alpha/2 分位点
$\theta>\theta_0$(右侧) \text{统计量}\ge 上侧 \alpha 分位点(如 $u\ge u_\alpha$)
$\theta<\theta_0$(左侧) \text{统计量}\le 上侧 \alpha 分位点的相反数(如 $u\le-u_\alpha$;$\chi^2\le\chi^2_{1-\alpha}$)

5.4 单总体四种检验

检验对象 条件 统计量 分布
\mu \sigma 已知 U=\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n} N(0,1)
\mu \sigma 未知 T=\dfrac{\overline X-\mu_0}{S/\sqrt n} t(n-1)
\sigma^2 \mu 已知 \chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2} \chi^2(n)
\sigma^2 \mu 未知 \chi^2=\dfrac{(n-1)S^2}{\sigma_0^2} \chi^2(n-1)

口诀:\sigma 知用 $U$、\sigma 不知用 $T$;\mu 知用 $\chi^2(n)$、\mu 不知用 $\chi^2(n-1)$。

🟨 2025·10 的坑:题给的是方差 $\sigma^2=2$,而 U 的公式分母是标准差 $\sqrt2$。把 2 直接当代入是本题唯一失分点。

⚠️ \chi^2 双侧检验的拒绝域不对称:左右两尾分别查 \chi^2_{1-\alpha/2} 与 $\chi^2_{\alpha/2}$,不能写成 $\lvert\cdot\rvert\ge$。

5.5 区间估计与假设检验的对偶

置信度 1-\alpha 的双侧置信区间 \iff 显著性水平 \alpha 的双侧检验的接受域。

一句话:\mu_0 落在置信区间内 \iff 不拒绝 $H_0$。

5.6 两总体检验(数一要求)

对象 条件 统计量 分布
\mu_1=\mu_2 方差已知 U=\dfrac{\overline X-\overline Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}} N(0,1)
\mu_1=\mu_2 等方差未知 T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}} t(m+n-2)
\sigma_1^2=\sigma_2^2 — F=\dfrac{S_1^2}{S_2^2} F(m-1,n-1)

顺序不能反:分子方差配 $m-1$、分母配 $n-1$;F 双侧两端分别查。

6 两类错误(点 8,仅数学一)

6.1 定义

\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}\quad(\text{第一类错误·弃真}), \beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·存伪}).

一句话:"拒真 = 第一类,纳伪 = 第二类";\alpha 在 H_0 为真的世界里算,\beta 在 H_1 为真的世界里算。

H_1 通常是一个范围(如 $\mu>10$),所以 \beta 是 \mu 的函数——必须给定具体的 \mu 值才能算出 $\beta$(2021·10 给了 $\mu=11.5$)。

6.2 计算 \beta 的四步

① 写出拒绝域 $W$;② 写出接受域 $\overline W$;③ 把分布换成 H_1 下的分布(均值、方差都要换)——这是 \beta 与 \alpha 的本质区别;④ $\beta=P{\text{统计量}\in\overline W\mid H_1}$。

模板:$W={\overline X\ge c}$,H_1 下真值取 \mu_1 时

\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).

6.3 \alpha 与 \beta 的关系(必考辨析)

结论 说明
样本量固定时,\alpha\downarrow\Rightarrow\beta\uparrow 此消彼长
要同时减小 \alpha 与 \beta 只能增大 $n$
\alpha 越小 临界值越远离 $\mu_0$,拒绝域越小
拒绝域的包含关系 $\alpha_1<\alpha_2\Rightarrow W(\alpha_1)\subset W(\alpha_2)$,接受域反之

记忆句:「小 \alpha 拒绝 ⟹ 大 \alpha 必拒绝;大 \alpha 接受 ⟹ 小 \alpha 必接受。」(2018·8)

显著性检验 = 只控制第一类错误(给定 $\alpha$,不控制 $\beta$)。

B 题型考点(怎么想到、为什么、坑在哪)

  • B1 MLE 的四类载体先归类:① 可微常规(求导解方程);② 支撑含参数(单调 ⟹ 取边界,U(0,\theta) 的 $X_{(n)}$);③ 两样本同参数(似然先乘,分母 $n+2m$);④ 由密度形状先定常数(半正态的 $A=\sqrt{2/\pi}$)。认错类会白算十分钟。
  • B2 似然函数里的常数:\frac1{\sigma^n} 型一定要提出去再求导,漏掉会导致 \hat\sigma 差一个 $\sqrt{n/(n-1)}$。
  • B3 无偏"定常数"的通法:算出 $E(\text{统计量})=k\theta$,令 k=1 反解。坑:E(X_{(n)}) 用错公式(上限型才有 $\frac{n}{n+1}\theta$)。
  • B4 MSE 与无偏的分离:$h(c)=E(T_c-\theta)^2=D+(\text{偏差})^2$,展开成 c 的二次式求顶点;顶点一般不是无偏的那个 $c$,两问答案不同(2024·22)。
  • B5 拼装 \chi^2/t/F 的三步:先算均值方差 → 标准化 → 平方/相除;坑:分子的 X 与分母的 \chi^2 必须独立(正态总体下 \overline X\perp S^2 才能拼 $t$)。
  • B6 自由度速查:\chi^2 单总体看 \mu 知不知(n 或 $n-1$);t 永远 $n-1$;F 是两个 \chi^2 的自由度按分子/分母顺序写。
  • B7 置信区间四选一:\sigma 知/未知、\mu 知/未知,两两组合决定 $U/t/\chi^2(n)/\chi^2(n-1)$。\chi^2 区间两端反着放是最大失分点。
  • B8 给上限反求下限:对称区间下"上下限之和 $=2\overline X$"(2016·14 唯一解法的入口)。
  • B9 拒绝域跟着 $H_1$:先看 H_1 是不等号哪一侧,再定单侧/双侧;坑:把方差当标准差代入(2025·10)。
  • B10 \beta 的四步换世界:写出接受域 → 换成 H_1 的分布 → 算概率。坑:用 H_0 的均值算 $\beta$(那就变成 \alpha 了)。
  • B11 $\alpha$-\beta 关系只用两句:小 \alpha 拒绝 ⟹ 大 \alpha 拒绝;大 \alpha 接受 ⟹ 小 \alpha 接受。坑:把方向记反。
  • B12 区间与检验的对偶:\mu_0 在区间内 ⟺ 不拒绝;这一个等价能把区间题改写成检验题(反之亦然)。

7 题目清单(26 题,纯题干,按在学练习八点分册)

编号沿用「在学练习」第6讲八点分册:02–09 对应点 1–8。只列题干,不给答案。

点 1 总体、样本与统计量(题 1–3)

  • 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?
  • 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?
  • 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。

点 2 三大抽样分布(题 1–3)

  • 题 1 · 2.1:平方和就是卡方(★☆☆):设 X_1,\dots,X_5 独立同分布于 N(0,1) 。记 Q_1=\sum\limits_{i=1}^{5}X_i^{2} 。已知 \chi^2_{0.05}(5)=11.07 、\chi^2_{0.05}(10)=18.31 。(Ⅰ)指出 Q_1 的分布,并求 EQ_1 与 DQ_1 ;(Ⅱ)求 P\{Q_1>11.07\} ;(Ⅲ)若 X_6,\dots,X_{10} 也独立同分布于 N(0,1) 且与前 5 个独立,指出 Q_2=\sum\limits_{i=1}^{10}X_i^{2} 的分布,并说明 Q_1 与 Q_2-Q_1 是否独立。
  • 题 2 · 2.2:t 的构造与对称性(★★☆):设 X\sim N(0,1) 、Y\sim\chi^{2}(9) ,且 X 与 Y 相互独立。记 T=\dfrac{X}{\sqrt{Y/9}} ,已知 t_{0.025}(9)=2.262 。(Ⅰ)指出 T 的分布;(Ⅱ)求 P\{\lvert T\rvert>2.262\} 与 P\{T>2.262\} ;(Ⅲ)指出 T^{2} 的分布。
  • 题 3 · 2.3:F 的两个自由度与倒数互换(★★☆):设 U\sim\chi^{2}(8) 、V\sim\chi^{2}(12) ,且 U 与 V 相互独立。记 F=\dfrac{U/8}{V/12} 。已知 F_{0.05}(8,12)=2.85 、F_{0.05}(12,8)=3.28 。(Ⅰ)指出 F 的分布;(Ⅱ)求 P\{F>2.85\} ,并写出用 F_{0.95}(12,8) 表示 F_{0.05}(8,12) 的关系式、算出 F_{0.95}(12,8) 的值;(Ⅲ)若 T\sim t(12) ,指出 T^{2} 的分布,并与(Ⅰ)对照。

点 3 正态总体的抽样分布(题 1–3)

  • 题 1 · 3.1:四选一找错(★★☆):设 X_1,\dots,X_n (n\ge2 )为来自总体 N(\mu,1) 的简单随机样本,\bar X=\frac1n\sum X_i ,S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2 。下列结论中不正确的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$(B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$(C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$(D)\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)
  • 题 2 · 3.1:用卡方算样本方差的概率(★★☆):设 X_1,\dots,X_{10} 来自 N(\mu,\sigma^2) ,S^2 为样本方差。已知 \chi^2_{0.05}(9)=16.92 、\chi^2_{0.95}(9)=3.325 。求(Ⅰ)P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\} ;(Ⅱ)P\{S^2>1.88\sigma^2\} ;(Ⅲ)P\{S^2<0.369\sigma^2\} 。
  • 题 3 · 3.2:两总体的方差比(★★☆):设 X_1,\dots,X_n 来自 N(\mu_1,\sigma^2) ,Y_1,\dots,Y_m 来自 N(\mu_2,2\sigma^2) ,两样本相互独立,S_1^2 、S_2^2 为各自样本方差。(Ⅰ)问 \dfrac{S_1^2}{S_2^2} 乘以什么常数后服从 F(n-1,m-1) ?(Ⅱ)这个统计量能不能用来构造 \sigma^2 的置信区间?(Ⅲ)若已知 \sigma_1^2=\sigma_2^2=\sigma^2 (两总体方差相同),写出检验 \mu_1=\mu_2 用的 t 统计量。

点 4 矩估计(题 1–2)

  • 题 1 · 4.1:一阶矩就够的情形(★☆☆):设总体 X 的概率密度为f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .X_1,\dots,X_n 为简单随机样本。求 \theta 的矩估计量。
  • 题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆):(Ⅰ)设 X\sim N(0,\sigma^2) ,\sigma>0 未知,X_1,\dots,X_n 为样本。用矩估计法求 \sigma^2 与 \sigma 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 X\sim N(\mu,\sigma^2) ,\mu,\sigma^2 均未知。求 \mu 与 \sigma^2 的矩估计量,并指出 \hat\sigma^2 是否无偏。

点 5 最大似然估计(题 1–4)

  • 题 1 · 5.1:指数分布与不变性(★★☆):设总体 X\sim E(\lambda) (\lambda>0 未知),X_1,\dots,X_n 为简单随机样本。(Ⅰ)求 \lambda 的最大似然估计 \hat\lambda ;(Ⅱ)求 P\{X>t\} 的最大似然估计;(Ⅲ)若改用矩估计法,\lambda 的估计量是否相同?
  • 题 2 · 5.1:两组不同参数的泊松(★★☆):设 X_1,\dots,X_n 来自参数为 \theta 的泊松分布,Y_1,\dots,Y_m 来自参数为 2\theta 的泊松分布,两样本相互独立,\theta>0 未知。(Ⅰ)求 \theta 的最大似然估计 \hat\theta ;(Ⅱ)判断 \hat\theta 是否无偏;(Ⅲ)若把第二个总体的参数改成 k\theta (k>0 已知),\hat\theta 变成什么?
  • 题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆):设 X_1,\dots,X_n 来自 U(0,\theta) ,\theta>0 未知,X_{(n)}=\max\{X_i\} 。(Ⅰ)写出似然函数,并说明为什么不能对 \theta 求导;(Ⅱ)求 \theta 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。
  • 题 4 · 5.2:平方型密度与无偏修正(★★★):设总体 X 的概率密度为f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.X_1,\dots,X_n 为简单随机样本,X_{(n)}=\max\{X_i\} 。(Ⅰ)求 \theta 的最大似然估计 \hat\theta ;(Ⅱ)求 E X_{(n)} ,并据此构造 \theta 的无偏估计;(Ⅲ)若用矩估计法,\theta 的估计量是什么?与(Ⅰ)是否相同?

点 6 估计量的评价标准(题 1–4)

  • 题 1 · 6.1:无偏性反解系数(★★☆):设 X_1,X_2 是来自 N(\mu,\sigma^2) 的简单随机样本,\sigma>0 未知。记 \hat\sigma=a\lvert X_1-X_2\rvert 。(Ⅰ)求使 \hat\sigma 为 \sigma 的无偏估计的常数 a ;(Ⅱ)S^2 是 \sigma^2 的无偏估计,那么 \sqrt{S^2}=S 是否为 \sigma 的无偏估计?(Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
  • 题 2 · 6.2:三个均值型估计谁更有效(★★☆):设 X_1,X_2,X_3 是来自总体 (\mu,\sigma^2) 的简单随机样本。考虑 \mu 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$(Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 1 "的约束下,最有效的估计量是什么?
  • 题 3 · 6.3:相合性的证明与反例(★★☆):(Ⅰ)设 \hat\theta_n 是 \theta 的估计量,满足 E\hat\theta_n\to\theta 且 D\hat\theta_n\to0 。证明 \hat\theta_n\overset{P}{\longrightarrow}\theta 。(Ⅱ)据此说明 \bar X 是 \mu 的相合估计。(Ⅲ)判断:"\hat\theta_n 相合"与"\hat\theta_n 无偏"是否互相蕴含?各举一例。
  • 题 4 · 6.4:无偏不一定最好(★★★):设 X_1,\dots,X_n 来自 U(0,\theta) ,X_{(n)}=\max\{X_i\} ,考虑 T_c=cX_{(n)} (c>0 )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$(Ⅰ)求使 T_c 无偏的 c ;(Ⅱ)求 MSE(T_c) 关于 c 的表达式,并求使 MSE 最小的 c ;(Ⅲ)比较两者的 MSE ,说明"无偏"为什么不是唯一标准。

点 7 区间估计(题 1–3)

  • 题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆):设 X_1,\dots,X_n 来自 N(\mu,\sigma^2) ,\sigma 已知,样本均值 \bar X=9.5 。已知 \mu 的置信度为 0.95 的双侧置信区间的上限为 10.8 。(z_{0.025}=1.96 、z_{0.05}=1.645 )(Ⅰ)求 0.95 双侧置信区间的下限;(Ⅱ)求 \mu 的置信度为 0.9 的双侧置信区间的上、下限;(Ⅲ)说明为什么置信度降低时区间变窄。
  • 题 2 · 7.2:单总体的三种区间(★★☆):设某物理量 X\sim N(\mu,\sigma^2) ,n=16 次测量的样本均值 \bar X=10 、样本方差 S^2=4 。已知 t_{0.025}(15)=2.131 、\chi^2_{0.025}(15)=27.49 、\chi^2_{0.975}(15)=6.26 。(Ⅰ)求 \mu 的置信度 0.95 的区间(\sigma 未知);(Ⅱ)若已知 \sigma^2=4 ,区间变成多少?为什么比(Ⅰ)窄?(Ⅲ)求 \sigma^2 的置信度 0.95 的区间。
  • 题 3 · 7.3:两总体的均值差与方差比(★★☆):两台机床加工同一零件,长度分别服从 N(\mu_1,\sigma^2) 与 N(\mu_2,\sigma^2) (方差相同但未知)。各取 n_1=n_2=10 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$已知 t_{0.025}(18)=2.101 、F_{0.025}(9,9)=4.03 。(Ⅰ)求 \mu_1-\mu_2 的置信度 0.95 的区间;(Ⅱ)求 \dfrac{\sigma_1^2}{\sigma_2^2} 的置信度 0.95 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。

点 8 假设检验与两类错误(题 1–4)

  • 题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆):设 X_1,\dots,X_{16} 来自总体 N(\mu,4) ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$拒绝域取 W=\{\bar X\ge11\} ,\Phi(x) 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 \alpha ;(Ⅱ)求 \mu=11.5 时犯第二类错误的概率 \beta ;(Ⅲ)求 \mu=11.5 时检验的功效;并说明 \mu 继续增大时 \beta 怎么变;(Ⅳ)在下列四项中选择 \beta 的值:(A)1-\Phi(0.5) (B)1-\Phi(1) (C)1-\Phi(1.5) (D)1-\Phi(2) 。
  • 题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆):(Ⅰ)设 X_1,\dots,X_n 来自 N(\mu,2) ,\bar X=\frac1n\sum X_i ,z_\alpha 为标准正态上侧 \alpha 分位数。求检验 H_0:\mu\le1 、H_1:\mu>1 的显著性水平为 \alpha 的拒绝域。(Ⅱ)若把(Ⅰ)换成 H_0:\mu\ge1 、H_1:\mu<1 ,拒绝域变成什么?(Ⅲ)(2018·8)设总体 X\sim N(\mu,\sigma^2) ,检验 H_0:\mu=\mu_0 、H_1:\mu\ne\mu_0 ,则下列正确的是:(A)\alpha=0.05 时拒绝 H_0 ,则 \alpha=0.01 时必拒绝;(B)\alpha=0.05 时拒绝 H_0 ,则 \alpha=0.01 时必接受;(C)\alpha=0.05 时接受 H_0 ,则 \alpha=0.01 时必拒绝;(D)\alpha=0.05 时接受 H_0 ,则 \alpha=0.01 时必接受。
  • 题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★):某零件长度 X\sim N(\mu,\sigma^2) ,抽 n=16 件测得样本均值 \bar x=10.2 、样本标准差 s=0.4 。取 \alpha=0.05 ,已知 t_{0.025}(15)=2.131 、\chi^2_{0.025}(15)=27.49 、\chi^2_{0.975}(15)=6.26 、z_{0.025}=1.96 。(Ⅰ)检验 H_0:\mu=10 、H_1:\mu\ne10 ;(Ⅱ)检验 H_0:\sigma^2=0.16 、H_1:\sigma^2\ne0.16 ;(Ⅲ)若已知 \sigma=0.4 ,重做(Ⅰ),并解释两次结论为何不同。
  • 题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆):两台机床加工同一零件,长度分别服从 N(\mu_1,\sigma_1^2) 与 N(\mu_2,\sigma_2^2) 。各取 n_1=n_2=10 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$取 \alpha=0.05 ,已知 F_{0.025}(9,9)=4.03 、t_{0.025}(18)=2.101 。(Ⅰ)检验 H_0:\sigma_1^2=\sigma_2^2 、H_1:\sigma_1^2\ne\sigma_2^2 ;(Ⅱ)在(Ⅰ)的结论下检验 H_0:\mu_1=\mu_2 、H_1:\mu_1\ne\mu_2 ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。

回查入口:在学练习 ../在学练习/概率论-第6讲-数理统计/README、../在学练习/概率论-第6讲-数理统计/01-知识点盘点、../在学练习/概率论-第6讲-数理统计/10-速查卡,分册 02–09 对应点 1–8;参考仓库 knowledge/5-mathematical-statistics、exercise/5-mathematical-statistics。