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
18 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
大数定律与数理统计 | 2026-11-12 | D 组四件套专练解析 |
|
解析 · 四件套专练
题号与原卷一致,答案与题面见 02b-试题-四件套专练。
答案速查
| 题 | 答 |
|---|---|
| D1 | 见解析;(a)(Ⅱ);(b)(Ⅳ) |
| D2 | (Ⅰ)(11.16,13.64) (Ⅱ)(10.80,14.00) (Ⅲ)(2.37,16.66) (Ⅳ)(2.28,14.35) |
| D3 | (Ⅰ)(3.78,26.67) (Ⅱ)(4.11,33.03) (Ⅲ)偏宽,置信度不变 |
| D4 | (Ⅰ)62 (Ⅱ)64 |
| D5 | (Ⅰ)8.2 (Ⅱ)0.98 (Ⅲ)2.947 |
| D6 | (Ⅱ)\sqrt{\pi/2}\,\bar Z (Ⅲ)\sqrt{\frac1n\sum Z_i^2} (Ⅳ)前者无偏,后者有偏 |
| D7 | (Ⅰ)\frac1n\sum(X_i-\bar X)^2 (Ⅲ)断言错 |
| D8 | (Ⅰ)\frac12F(n-1,m-1) (Ⅱ)F(n-1,m-1) (Ⅲ)不能 |
| D9 | (Ⅰ)3.9375 (Ⅱ)T=2.762 ,拒绝 |
| D10 | (Ⅰ)1-\Phi(1) (Ⅱ)\Phi(2) (Ⅲ)44 |
| D11 | 两问均不拒绝 |
| D12 | (Ⅰ)(92.91,94.29) (Ⅱ)(0.370,2.972) (Ⅲ)(0.511,3.600) (Ⅳ)更长,不矛盾 |
| D13 | 对错依次:对 错 错 错 错 错 对 对 |
题 D1 · 四个量各服从什么分布
怎么想:这题的关键不是算,而是认清(Ⅳ)的双重身份——它作为随机变量永远服从 \chi^2(n) ,但作为枢轴量只在 \mu 已知时能用。这两件事不冲突:分布性质取决于 \mu 是不是真值,能不能用取决于你能不能把它算出数值。
解:
(Ⅰ)\bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right) ,标准化得 N(0,1) 。
(Ⅱ)\sigma 未知时用 S 替,\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1) 。
(Ⅲ)\chi^2(n-1) 。这一条与 \mu 无关,因为 S^2 里根本没有 \mu 。
(Ⅳ)\chi^2(n) 。\sum(X_i-\mu)^2/\sigma^2 是 n 个独立标准正态的平方和。
(a)(Ⅱ)。(Ⅰ)含未知的 \sigma ,(Ⅲ)(Ⅳ)含待估的 \mu 本身,都不能当枢轴量。
(b)(Ⅳ)。(Ⅳ)自由度 n ,(Ⅲ)只有 n-1 ,已知 \mu 却不用,等于白扔一个自由度。
(c)算不出数值。区间公式 \left(\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right) 里的分子含 \mu ,而 \mu 正是要估的那个。数学上它服从 \chi^2(n) ,操作上却是一句空话。
归因:四个式的差别只在分母(\sigma 还是 S )与分子中心(\mu 还是 \bar X )两处。考试里四个选项就是这两处的排列组合,看到题先圈出"哪个参数没给"。
题 D2 · 同一批数据走完四个格子
怎么想:四问共用一组数据,唯一的变量是"已知什么"。做之前先把 s 算出来:s=\sqrt{45/9}=\sqrt5\approx2.236 。然后逐格套表。
解:
(Ⅰ)\sigma=2 已知,用 Z :
12.4\pm1.96\times\frac{2}{\sqrt{10}}=12.4\pm1.240\ \Longrightarrow\ (11.16,\ 13.64).
(Ⅱ)\sigma 未知,用 t(9) ,t_{0.025}(9)=2.262 :
12.4\pm2.262\times\frac{\sqrt5}{\sqrt{10}}=12.4\pm1.600\ \Longrightarrow\ (10.80,\ 14.00).
(Ⅲ)\mu 未知,\dfrac{45}{\sigma^2}\sim\chi^2(9) :
\left(\frac{45}{19.023},\ \frac{45}{2.700}\right)=(2.37,\ 16.66).
(Ⅳ)\mu=12 已知,先补出以 12 为中心的平方和:
\sum_{i=1}^{10}(x_i-12)^2=\sum(x_i-\bar x)^2+10(\bar x-12)^2=45+10\times0.16=46.6.
\dfrac{46.6}{\sigma^2}\sim\chi^2(10) :
\left(\frac{46.6}{20.483},\ \frac{46.6}{3.247}\right)=(2.28,\ 14.35).
(Ⅴ)短。(Ⅳ)的自由度是 10 ,(Ⅲ)只有 9 ,多一个自由度换来更集中的 \chi^2 分布,区间随之收窄。
归因:第(Ⅳ)问最容易卡住,因为它要给一个没有直接给出的平方和。记死这条分解:
\sum(x_i-\mu)^2=\sum(x_i-\bar x)^2+n(\bar x-\mu)^2.
这是"平方和分解"的最小版本,四个格子里凡是 \mu 由未知变已知,都要用它。
题 D3 · 灌装机的 μ 是已知的
怎么想:题目已经把 \mu 定死成 500 ,分母就该用 \sum(x_i-500)^2/\sigma^2\sim\chi^2(9) ,自由度是瓶数 9 而不是 8 。
解:
(Ⅰ)\dfrac{72}{\sigma^2}\sim\chi^2(9) :
\sigma^2\in\left(\frac{72}{19.023},\ \frac{72}{2.700}\right)=(3.78,\ 26.67),\qquad \sigma\in(1.94,\ 5.16).
(Ⅱ)他把 \sum(x_i-500)^2 当成了 \sum(x_i-\bar x)^2 ,于是 s^2=72/8=9 ,(n-1)s^2=72 ,自由度 8 :
\left(\frac{72}{17.535},\ \frac{72}{2.180}\right)=(4.11,\ 33.03).
(Ⅲ)宽,但置信度不低于 0.95 。原因不是"错",而是"白扔":\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) 本来就是恒成立的结论,用它算区间置信度正好 0.95 ,只是没利用"\mu=500 已知"这条信息,付出了少一个自由度的代价。
归因:这里要破一个误区——用错格子不等于算错。\mu 已知却用 \chi^2(n-1) ,结论仍然合法(保守),只是精度差。反过来 \mu 未知却用 \chi^2(n) 才是真错:\sum(x_i-\mu)^2 根本算不出来。
题 D4 · 区间长度反求样本量
怎么想:区间长度是 2\times 半长,把半长写成 n 的函数,令它 \le1 。
解:
(Ⅰ)\sigma=2 已知,半长 1.96\times\frac{2}{\sqrt n} ,令 2\times 半长 \le1 :
\frac{4\times1.96}{\sqrt n}\le1\ \Longrightarrow\ \sqrt n\ge7.84\ \Longrightarrow\ n\ge61.47,
取 n=62 。
(Ⅱ)\sigma 未知,半长为 t_{0.025}(n-1)\frac{2}{\sqrt n} :
n=62:\dfrac{4\times2.000}{\sqrt{62}}=\dfrac{8}{7.874}=1.016>1,不够;n=64:\dfrac{4\times1.998}{8}=0.999\le1,够了。
取 n=64 。
(Ⅲ)因为 t_{\alpha/2}(n-1) 本身也随 n 变。n 出现在两个地方(分母的 \sqrt n 与分位数的自由度),这是个不动点问题,只能代入试算;而(Ⅰ)里 u_{0.025}=1.96 与 n 无关,可以直接解出。
归因:真题喜欢在填空题里给"长度不超过某值"的话,答案往往要向上取整。61.47 取 61 是最常见的失分。另外 t 情形下答案通常只比 Z 情形大一两个,因为 t 与 u 到 n=60 时几乎重合。
题 D5 · 从置信上限反推
怎么想:双侧区间关于 \bar x 对称,这是唯一需要记住的结构。上限给出了半长,下限、置信度、长度全部连锁。
解:
(Ⅰ)半长 =10.8-9.5=1.3 ,下限 =9.5-1.3=8.2 ,区间 (8.2,\ 10.8) 。
(Ⅱ)s=2 ,n=16 ,半长 t\times\frac{2}{4}=\frac t2=1.3 ,故 t=2.6 。查表 t_{0.01}(15)=2.602 最接近,即 \alpha/2=0.01 ,置信度 1-2\times0.01=0.98 。
(Ⅲ)置信度 0.99 对应 t_{0.005}(15)=2.947 ,半长 2.947\times0.5=1.4735 ,长度 2.947 。
归因:2016 年那道填空只问下限,是送分的;加了(Ⅱ)(Ⅲ)就变成"由区间反推 \alpha ",这是同一枚硬币的另一面。区间、半长、分位数、置信度四个量知道任意两个就能求另两个,都要能互推。
题 D6 · 用绝对误差估 σ
怎么想:\mu 已知是把 X_i 平移到原点,Z_i=|X_i-\mu| 是标准正态取绝对值再乘 \sigma ,即半正态分布。三步都在这一个密度上做。
解:
(Ⅰ)Z_1=\sigma|U| ,U\sim N(0,1) 。z>0 时
F_Z(z)=P\{|U|\le z/\sigma\}=2\Phi(z/\sigma)-1\ \Longrightarrow\ f_Z(z)=\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z^2}{2\sigma^2}},\quad z>0.
(Ⅱ)
E(Z_1)=\int_0^\infty z\cdot\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z^2}{2\sigma^2}}\mathrm{d}z=\sigma\sqrt{\frac2\pi}.
令 \sigma\sqrt{2/\pi}=\bar Z ,得矩估计 \hat\sigma=\sqrt{\dfrac\pi2}\,\bar Z 。
(Ⅲ)似然
L(\sigma)=\prod_{i=1}^n\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z_i^2}{2\sigma^2}},\qquad \ln L=n\ln\frac{2}{\sqrt{2\pi}}-n\ln\sigma-\frac{1}{2\sigma^2}\sum z_i^2.
\frac{\mathrm{d}\ln L}{\mathrm{d}\sigma}=-\frac n\sigma+\frac{\sum z_i^2}{\sigma^3}=0\ \Longrightarrow\ \hat\sigma^2=\frac1n\sum_{i=1}^nZ_i^2,\quad \hat\sigma=\sqrt{\frac1n\sum Z_i^2}.
(Ⅳ)E(Z_i^2)=D(Z_i)+[E(Z_i)]^2=\sigma^2\left(1-\frac2\pi\right)+\frac2\pi\sigma^2=\sigma^2 ,故 E(\hat\sigma^2)=\sigma^2 ,无偏。
但 E(\hat\sigma)<\sigma :根号是凹函数,由 Jensen 不等式 E\sqrt{W}\le\sqrt{E(W)}=\sigma ,等号只在 W 退化时成立。有偏,且偏小。
(Ⅴ)\mu 未知时 Z_i=|X_i-\mu| 里的 \mu 算不出来,不是统计量。改记 Z_i=|X_i-\bar X| 后这 n 个量不同分布:\bar X 与每个 X_i 都相关(\operatorname{Cov}(X_i,\bar X)=\sigma^2/n ),且 \sum(X_i-\bar X)=0 使它们线性相关,似然不能写成 \prod f(z_i) 。
归因:这题的考点是**"\mu 已知"这个条件被用在哪**——用在把 X_i 平移掉。一旦 \mu 未知,整条路断掉,这正是"知道 \mu 就能多榨一个自由度"的具体样子。另外注意矩估计 \sqrt{\pi/2}\,\bar Z 与 MLE \sqrt{\frac1n\sum Z_i^2} 不是同一个,真题第三问专门考这一点。
题 D7 · 有偏的估计量能不能当枢轴
怎么想:断言把"无偏"和"能当枢轴"绑在一起,这两件事其实毫无关系。检验办法只有一个:把 \hat\sigma^2 与 S^2 的关系写出来。
解:
(Ⅰ)\hat\sigma^2=\dfrac1n\sum(X_i-\bar X)^2 。
(Ⅱ)E(\hat\sigma^2)=\dfrac{n-1}{n}\sigma^2 (偏小),E(S^2)=\sigma^2 。
(Ⅲ)错。由定义
n\hat\sigma^2=\sum(X_i-\bar X)^2=(n-1)S^2,
于是
\frac{n\hat\sigma^2}{\sigma^2}=\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1).
两者是同一个量。用它构造区间:
\sigma^2\in\left(\frac{n\hat\sigma^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{n\hat\sigma^2}{\chi^2_{1-\alpha/2}(n-1)}\right),
与用 S^2 的公式逐字相同。无偏性只影响"点估计准不准",与"能不能构造枢轴量"无关。枢轴量的唯一要求是分布已知且不含未知参数。
(Ⅳ)\mu 已知时 \hat\sigma^2=\dfrac1n\sum(X_i-\mu)^2 ,且 E(\hat\sigma^2)=\sigma^2 ,无偏。这里顺带看清一件事:\hat\sigma^2 有偏无偏,取决于 \mu 知不知道。
归因:n 与 n-1 的纠缠,根子在这条恒等式上。做题时不必背哪个有偏,只需要记住 \sum(X_i-\bar X)^2=(n-1)S^2 这一句,剩下都能推。
题 D8 · 方差差一个倍数怎么凑
怎么想:F 分布的定义是"两个独立 \chi^2 各除自由度再相除"。凑的时候不是看 S_1^2 与 S_2^2 ,而是看它们各自除上真实方差之后能不能变成标准 \chi^2 。
解:
(Ⅰ)\dfrac{S_1^2}{\sigma^2}\sim\dfrac{\chi^2(n-1)}{n-1} ,\dfrac{S_2^2}{2\sigma^2}\sim\dfrac{\chi^2(m-1)}{m-1} ,两者相除
\frac{S_1^2/\sigma^2}{S_2^2/(2\sigma^2)}=\frac{2S_1^2}{S_2^2}\sim F(n-1,m-1).
所以
\frac{S_1^2}{2S_2^2}=\frac12\cdot\frac{2S_1^2}{S_2^2}\sim\frac12F(n-1,m-1),
不是标准 F 分布,只是它的二分之一倍。
(Ⅱ)\dfrac{2S_1^2}{S_2^2}\sim F(n-1,m-1) 。
(Ⅲ)不能。任何 F 型统计量都得把 \sigma_1^2/\sigma_2^2 消掉,而两者之比未知时无法消。这正是"两样本方差比检验"必须先假设 \sigma_1^2=\sigma_2^2 (或已知比例)的原因。
归因:2023 年那道单选就是(Ⅰ)(Ⅱ)的辨析,四个选项在 F(n-1,m-1) 与 F(m-1,n-1) 之间倒。凑系数的正确顺序:先写 \frac{S_1^2}{\sigma_1^2} 与 \frac{S_2^2}{\sigma_2^2} ,再把 \sigma_1^2,\sigma_2^2 按题目给的关系代进去,最后相除。别跳步去猜。
题 D9 · 合并方差与合并自由度
怎么想:方差相等时,两个样本方差都是 \sigma^2 的估计,按自由度加权平均能得到更准的估计——这就是 S_w^2 。它把自由度也合并了,于是 t 分布的自由度是 n_1+n_2-2 。
解:
(Ⅰ)
S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}=\frac{9\times4.2+7\times3.6}{16}=\frac{63}{16}=3.9375.
(Ⅱ)
T=\frac{\bar x-\bar y}{S_w\sqrt{\dfrac{1}{n_1}+\dfrac{1}{n_2}}}=\frac{2.6}{\sqrt{3.9375\times0.225}}=\frac{2.6}{0.9412}=2.762.
拒绝域 |T|\ge t_{0.025}(16)=2.120 。2.762>2.120 ,拒绝 H_0 ,两工艺均值有显著差异。
(Ⅲ)因为 S_w^2 里两个样本方差各自损失了一个自由度:\sum(x_i-\bar x)^2 的自由度是 n_1-1 ,\sum(y_j-\bar y)^2 是 n_2-1 ,相加得 n_1+n_2-2 。这也是 \chi^2 可加性的直接结果。
(Ⅳ)不能。方差不等时 T 不再服从 t 分布(Behrens-Fisher 问题),只能用 Welch 近似(自由度由 Satterthwaite 公式给),或者在大样本下用 Z 近似。考试若没说"方差相等",要么题目给了"方差相等",要么就该用配对设计。
归因:S_w^2 的分母是 n_1+n_2-2 ,不是 n_1+n_2 ,也不是两者的算术平均。记法:分母永远等于"平方和的总自由度"。
题 D10 · 第二类错误与倒推样本量
怎么想:\beta 是"H_0 假却没拒绝",即 \mu 取真值时不落入拒绝域的概率。\bar X 的实际分布用真 \mu ,拒绝域的边界用 11 ,两者相减再标准化。
解:
(Ⅰ)\mu=11.5 时 \bar X\sim N(11.5,\ 4/16)=N(11.5,\ 0.25) ,标准差 0.5 :
\beta=P\{\bar X<11\}=\Phi\!\left(\frac{11-11.5}{0.5}\right)=\Phi(-1)=1-\Phi(1)=0.1587.
(Ⅱ)\mu=10 时标准差仍 0.5 :
\beta=\Phi\!\left(\frac{11-10}{0.5}\right)=\Phi(2)=0.9772.
说明 \mu 正好落在 H_0 边界上时,几乎必然接受 H_0 ——这不是缺陷,而是"边界处的检验没有分辨力"这一事实的量化。
(Ⅲ)
\beta=\Phi\!\left(\frac{11-11.5}{2/\sqrt n}\right)=\Phi(-0.25\sqrt n)\le0.05\ \Longrightarrow\ -0.25\sqrt n\le-1.645,
\sqrt n\ge6.58\ \Longrightarrow\ n\ge43.3,
取 n=44 。
归因:\beta 的计算与 \alpha 只差一个不等号方向。判断用哪一侧的通法:写清"在什么条件下、什么事件"——"\mu=11.5 时没拒绝"就是 \{\bar X<11\} ,别去背"左侧右侧"。
题 D11 · 检验 σ² 的两个格子
怎么想:\sigma^2 的双侧检验有两个尾巴,\chi^2 分布不对称,所以左右临界值都要查,而且方向相反(小的在左)。
解:
(Ⅰ)\mu 未知,\chi^2=\dfrac{15\times1.44}{1}=21.6\sim\chi^2(15) 。拒绝域
W=\{21.6<6.262\}\cup\{21.6>27.488\},
21.6 落在中间,不拒绝 H_0 。
(Ⅱ)\mu=52 已知,先算平方和:
\sum(x_i-52)^2=\sum(x_i-\bar x)^2+n(\bar x-52)^2=21.6+16\times0.09=23.04.
\chi^2=\dfrac{23.04}{1}\sim\chi^2(16) ,拒绝域 W=\{23.04<6.908\}\cup\{23.04>28.845\} ,不拒绝。
(Ⅲ)两处差别:分子多了 n(\bar x-\mu)^2=1.44 这一项,自由度从 15 变 16 。统计量变大是必然的——平方和分解里那一项非负,\mu 已知时不用 \bar x 去中心化,反而把"样本均值偏离设定值"的那部分也计入了波动。
归因:\chi^2 检验最容易错在两侧临界值写反:左临界是 \chi^2_{1-\alpha/2} (小值),右临界是 \chi^2_{\alpha/2} (大值),与 t 检验的对称写法完全不同。
题 D12 · 综合:一次抽样四问
怎么想:(Ⅰ)到(Ⅲ)仍是四格表的直接应用,真正的考点在(Ⅳ)——它逼你想清楚区间长度是随机的。
解:
(Ⅰ)\sigma 未知,t_{0.025}(8)=2.306 ,s/\sqrt9=0.3 :
93.6\pm2.306\times0.3=93.6\pm0.692\ \Longrightarrow\ (92.91,\ 94.29).
(Ⅱ)\mu 未知,\sum(x_i-\bar x)^2=(n-1)s^2=8\times0.81=6.48 :
\left(\frac{6.48}{17.535},\ \frac{6.48}{2.180}\right)=(0.370,\ 2.972),
开方得 \sigma\in(0.608,\ 1.724) 。
(Ⅲ)\mu=93 已知:
\sum(x_i-93)^2=6.48+9\times(93.6-93)^2=6.48+3.24=9.72,
\left(\frac{9.72}{19.023},\ \frac{9.72}{2.700}\right)=(0.511,\ 3.600).
(Ⅳ)(Ⅲ)更长,但不矛盾。
原因是 \bar x=93.6 偏离假定值 93 有 0.6 ,这一项经 n=9 放大后贡献了 3.24 ,占(Ⅲ)分子的一半。区间宽窄依赖样本,这一次恰巧落在"分子偏大"的一个实现上。
衡量"信息多就更精确"的正确口径是期望长度,不是单次长度。(Ⅱ)与(Ⅲ)的期望长度分别正比于
(n-1)\left(\frac{1}{\chi^2_{0.975}(n-1)}-\frac{1}{\chi^2_{0.025}(n-1)}\right)=8\times0.4017=3.214,
n\left(\frac{1}{\chi^2_{0.975}(n)}-\frac{1}{\chi^2_{0.025}(n)}\right)=9\times0.3178=2.860.
\mu 已知时确实更短。所以结论是:知道 \mu 在平均意义上有好处,但具体到某一次样本,仍可能更宽。
归因:这题的正解不是算出四个区间,而是第(Ⅳ)问那句"区间是随机变量"。绝大多数人把置信区间当成一个确定的东西,一旦遇到"这次为什么反而宽",就以为公式错了。
题 D13 · 八条断言
怎么想:八条全部围绕"哪个参数未知 → 用哪个格子"与"置信区间是随机的"这两个根。逐条对照前几题即可。
解:
(1)对。\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1) 与 \sigma 知不知道无关,只要分母用 S 就是 t 。因 t_{0.025}(n-1)>u_{0.025} ,区间更宽,但结论合法。
(2)错。S^2 里没有 \mu ,这条对任何 \mu 都成立。
(3)错。置信度仍正好是 0.95 ,因为 \dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) 恒成立。代价只是区间偏宽,不是置信度下降。
(4)错。作为随机变量它永远服从 \chi^2(n) (\mu 取真值);只是你算不出它的数值,因而不能当枢轴量。
(5)错。与 \sqrt n 成反比,n 变四倍长度减半。
(6)错。\mu 是常数,不含随机性。正确说法:重复抽样中约 95\% 的区间覆盖 \mu 。
(7)对。n 个 (X_i-\bar X) 满足一条线性约束 \sum(X_i-\bar X)=0 ,独立方向只剩 n-1 个。
(8)对。两个样本各自减去了自己的样本均值,各损失一个自由度。
归因:八条里(3)(4)最难,因为它们的错误不在计算,而在把"分布性质"与"能否当统计量"混为一谈。判断题的通法:先问这句话是关于随机变量本身,还是关于你手上能算出的数。