Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/03-解析.md
T
Yimu a750fb2ca6 修复 Gitea 网页端行内公式与加粗不渲染
根因(读 Gitea 解析器 modules/markup/markdown/math/inline_parser.go 源码确认):
行内公式收尾 $ 的后一个字节必须属于 {空格,换行,行尾,'.','!','?',',',';',':',')','$'},
开头 $ 的左邻不能是 ASCII 字母数字或上述标点。中文与全角标点均为多字节字符
(单字节值 >= 0x80),全部落空,于是整对 $...$ 被当作普通文本原样显示。
本地 PDF 走 KaTeX,无此限制,所以只有网页异常。

处理:
- 新增 .workbuddy/tools/md2pdf/fix_gitea_math.py(检测 + 修复,可 --check/--apply)
- 在收尾 $ 与紧跟的中文字符之间补一个半角空格:23 个文件 1889 处
- 顺带修复加粗失效(收尾 ** 被标点前导、被汉字后继,不满足 CommonMark
  right-flanking 规则):10 处,星号不再外露
- 新增 rebuild_prob_pdfs.sh,重生成概率论第3/5/6讲全部 12 个 PDF

范围:概率论在学练习 + 每日小练 + 知识点。试卷/模拟卷/多元函数积分学
仍有 1484 处待修(同规则,可随时跑 --scope 之外的 --apply)。
2026-10-16 17:53:49 +08:00

562 lines
28 KiB
Markdown
Raw 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
- 解析
专题: 概率论 第6讲 · 数理统计 · 解析(18 题)
日期: 2026-10-16
关联: "[[01-考点手册]] · [[02-试题]]"
---
# 概率论 第6讲 · 数理统计 · 解析
> **用法**:先做完 [[02-试题]] 再对答案。每题给「**答案 / 思路 / 易错点**」,标「真题骨架」的题注明对应真题。
---
## A 组 · 基础
### 第 1 题 · 统计量与常用统计量
**(Ⅰ)答案**:$\bar X=5$ ,$S^2=7.5$ ,$B_2=6$ 。
**思路**:
$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$ 。
$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$ 、$\max$ 是统计量**;其余三个($\bar X+\mu$ 、$X_1+X_2-\mu$ 、$\sum(X_i-\mu)^2$ )**不是**。
**易错点**:
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$ 、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
- $S^2$ 虽然含 $\bar X$ ,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
---
### 第 2 题 · 三大分布辨析与构造
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$ 。
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$ 。六个独立相加:
$$Y_1=\sum_{i=1}^{6}\left(\frac{X_i}{2}\right)^2\sim\chi^2(6).$$
**(Ⅱ)答案**:$Y_2\sim\chi^2(1)$ 。
**思路**:$X_1+X_2+X_3\sim N(0,\ 4+4+4)=N(0,12)$ ,标准化后平方:
$$Y_2=\frac{(X_1+X_2+X_3)^2}{12}=\left(\frac{X_1+X_2+X_3}{\sqrt{12}}\right)^2\sim\chi^2(1).$$
**(Ⅲ)答案**:$Y_3\sim t(3)$ 。
**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$ ;
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$ ;
$$\frac{X_1/2}{\sqrt{\dfrac{1}{3}\cdot\dfrac{X_2^2+X_3^2+X_4^2}{4}}}=\frac{X_1/2}{\sqrt{X_2^2+X_3^2+X_4^2}/\sqrt{12}}=\frac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}\sim t(3).$$
**(Ⅳ)答案**:**不服从三大分布**。
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$ ,但
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$ )。
**易错点**:
- ⚠️ **系数错一点就不是 $\chi^2$ **。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$ ,同样不服从)。
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$ 、分母是 $X_2,X_3,X_4$ ,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$ ,就不独立,不能用。
---
### 第 3 题 · 样本均值与样本方差的数字特征
**(Ⅰ)答案**:$E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$ES^2=\sigma^2$ 。
**思路**:
$$E\bar X=\frac1n\sum EX_i=\frac1n\cdot n\mu=\mu;$$
$$D\bar X=\frac{1}{n^2}\sum DX_i=\frac{1}{n^2}\cdot n\sigma^2=\frac{\sigma^2}{n}\quad(\text{独立才可加});$$
$ES^2$ 的关键是**先化简再取期望**:
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2,$$
$$E\!\left[\sum X_i^2\right]=n(\sigma^2+\mu^2),\qquad E\bar X^2=D\bar X+(E\bar X)^2=\frac{\sigma^2}{n}+\mu^2,$$
$$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2\ \Longrightarrow\ ES^2=\sigma^2 .$$
**(Ⅱ)答案**:因为 $\dfrac1n\sum(X_i-\bar X)^2$ 是**有偏**的。
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ 。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$ )。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
**易错点**:
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$ ,**不是** $\sigma^2$ ——这是第 5 讲切比雪夫不等式反复用到的结论。
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$ (求 $E$ 时用)。
- **"$n-1$ 是为了无偏"** 这句话要能自己推(面试式追问)。
---
### 第 4 题 · 矩估计
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$ 。
**思路**:先求**总体一阶矩**(含 $\theta$ ):
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
用样本一阶矩替换:$1-5\theta=\bar X$ ,解得
$$\hat\theta=\frac{1-\bar X}{5}.$$
**易错点**:
- 先**验证概率和为 1**:$2\theta+\theta+(1-3\theta)=1$ ✓(题目给了 $0<\theta<1/3$ 保证非负)。
- **只用一个参数 → 只用一阶矩**,别多此一举用二阶矩。
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$ ),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
---
### 第 5 题 · 极大似然估计
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$ 。
**思路**:
$$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\theta-1},\qquad \ln L(\theta)=n\ln\theta+(\theta-1)\sum_{i=1}^{n}\ln x_i .$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
**易错点**:
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$ ** ✓,解是合法的。可以顺手做这个**正性检验**。
- 支撑集 $0<x<1$ **不含 $\theta$ **,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$ ——**结构相同,常数差 1**,注意区分。
---
### 第 6 题 · 无偏性定常数 🟩
**答案**:$k=\dfrac{1}{2(n-1)}$ 。
**思路**:关键是算 $E(X_{i+1}-X_i)^2$ 。用"**方差 + 均值差平方**":
$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
($X_{i+1}$ 与 $X_i$ 独立,方差可加;同分布 ⟹ 均值之差为 0。)
于是
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
**易错点**:
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$ ——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$ **。
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
---
## B 组 · 中等
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
**思路**:
$$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert}{\lambda}}=\Big(\frac{1}{2\lambda}\Big)^n\exp\!\Big(-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert\Big),$$
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
**(Ⅱ)答案**:$E\hat\lambda=\lambda$ ,$D\hat\lambda=\dfrac{\lambda^2}{n}$ 。
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$ ,由对称性可得
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$ 、$D\lvert X_i\rvert=\lambda^2$ 。于是
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
**易错点**:
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$ ,与本题无关。要求的是**绝对值的期望**。
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$ ,**记得乘 $\frac{1}{n^2}$ **。
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$ ),可直接回刷真题。
---
### 第 8 题 · 次序统计量 · 最大值分布 + 无偏 🟨真题骨架 2016·23
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$ (其他为 0)。
**思路**:先求**分布函数**。
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$ ,求导:
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
**(Ⅱ)答案**:$a=\dfrac76$ 。
**思路**:
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
令 $E(aT)=a\cdot\dfrac67\theta=\theta$ ,得 $a=\dfrac76$ 。
**易错点**:
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$ ,本题 $n=3$ ,$f=2x/\theta^2$ ,$[F]^2=x^4/\theta^4$ ,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
- 若总体的 $F(x)=(x/\theta)^k$ ,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$ 。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
---
### 第 9 题 · 区间估计 🟨真题骨架 2016·14
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$ ;单侧置信上限 $13.1225$ 。
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ 。
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$ 。
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
**单侧上限**:**改用 $u_\alpha$ (不是 $u_{\alpha/2}$ )**,半宽 $=1.645\times0.5=0.8225$ ,
$$\bar\mu=12.3+0.8225=13.1225 .$$
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$ 。
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$ ,枢轴量变 $t(n-1)$ :
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
**易错点**:
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$ (本例 1.96),单侧用 $u_\alpha$ (1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
- ⚠️ **$\sigma$ 已知用 $U$ 、未知用 $t$ **——审题第一件事就是看 $\sigma$ 给没给。
- 💡 **对称性技巧(真题 2016·14 的考点)**:均值的双侧区间关于 $\bar X$ 对称,所以
$$\text{下限}+\text{上限}=2\bar X .$$
真题只给了 $\bar X=9.5$ 和上限 $10.8$ ,让你反求下限:$2\times9.5-10.8=8.2$ ,答案 $[8.2,10.8]$ 。**区间估计里唯一"送分"的公式,务必记住。**
---
### 第 10 题 · 假设检验拒绝域 🟨真题骨架 2025·10
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$ 。
**思路**:$\sigma^2=3$ 已知 ⟹ 取检验统计量
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}=\frac{\bar X-2}{\sqrt{3}/\sqrt n}\sim N(0,1)\quad(H_0\ \text{边界处}).$$
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$ ,即
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
**(Ⅱ)答案**:$c=2.8225$ 。
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$ ,
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
**易错点**:
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$ **。**不要把方差当标准差代进分母**——这是本题最大的坑。
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$ "就放右尾($\ge$ );$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$ "。
- **单侧用 $Z_\alpha$ **(不是 $Z_{\alpha/2}$ )。若改成 $H_1:\mu\ne2$ ,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$ 。
---
### 第 11 题 · 两类错误 🟨真题骨架 2021·10
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$ 。
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$ ,即标准差 $\dfrac35=0.6$ 。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
**(Ⅱ)答案**:$\beta=1-\Phi(1)$ 。
**思路**:第二类错误在 $H_1$ 下的**具体真值** $\mu=6.6$ 处计算,用**接受域**($W$ 的补集):
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
**易错点**:
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$ (边界),$\beta$ 用 $\mu=\mu_1$ (真值)。这是两类错误的**根本区别**。
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$ ,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$ ,得 $\beta=1-\Phi(1)$ ),可直接回刷。
---
### 第 12 题 · 无偏性与有效性
**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$ ,**只要系数和 $\sum a_i=1$ 就无偏**:
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
**(Ⅱ)答案**:$\hat\theta_1$ 最有效。
**思路**:三者都无偏,比较方差(独立性使方差可加):
$$D\hat\theta_1=\Big(\tfrac19+\tfrac19+\tfrac19\Big)\sigma^2=\frac{\sigma^2}{3}\approx0.333\,\sigma^2;$$
$$D\hat\theta_2=\Big(\tfrac14+\tfrac19+\tfrac1{36}\Big)\sigma^2=\frac{9+4+1}{36}\sigma^2=\frac{14}{36}\sigma^2=\frac{7}{18}\sigma^2\approx0.389\,\sigma^2;$$
$$D\hat\theta_3=\Big(\tfrac14+\tfrac14\Big)\sigma^2=\frac{\sigma^2}{2}=0.5\,\sigma^2 .$$
$$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
**易错点**:
- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
- 直觉:**系数越"平均"(越接近 $\frac1n$ ),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
---
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$ 。
**思路**:**两个样本要放在同一个似然函数里**。
$$L(\lambda)=\prod_{i=1}^{n}\frac{\lambda^{x_i}}{x_i!}\mathrm e^{-\lambda}\cdot\prod_{j=1}^{m}\frac{(2\lambda)^{y_j}}{y_j!}\mathrm e^{-2\lambda},$$
$$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\lambda)-2m\lambda+\text{常数}.$$
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
代入:$n=5$ ,$m=4$ ,$\sum x_i=3+2+4+1+5=15$ ,$\sum y_j=5+3+7+9=24$ ,
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$ 。
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$ ;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$ ;两者独立故方差可加:
$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
**易错点**:
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$ ** 的两个来源,必须合并。
- ⚠️ **$Y$ 组的分母是 $n+2m$ **(不是 $n+m$ ):因为 $Y$ 的均值是 $2\lambda$ ,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
- 若把 $Y$ 的分布参数换成 $k\lambda$ ,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$ ,$D\hat\lambda=\dfrac{\lambda}{n+km}$ ——**这是本题的一般式**。
---
### 第 14 题 · 两正态总体方差比 · $F$ 分布 🟨真题骨架 2023·9
**答案**:$c=3$ ,自由度为 $(m-1,\ n-1)$ 。
**思路**:**"拼 $F$ "的两步——先各去方差,再除自由度**。
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
且两者独立。按 $F$ 的定义(各自除以自由度后相除):
$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
所以 $c=3$ 。
**易错点**:
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$ )时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$ 。
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$ ,分母是 $Y$ 组的 $n-1$ 。
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$ ,则由倒数性质 $c'=\dfrac13$ 。
---
## C 组 · 拔高
### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$ 。
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$ 。令 $t=\dfrac{x-\mu}{\sigma}$ ($\mathrm dx=\sigma\,\mathrm dt$ ):
$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
**思路**:似然函数(注意支撑集 $x_i\ge\mu$ )
$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
**令 $v=\sigma^2$ **(对 $\sigma$ 求导会出现平方根,**换元更省事**):
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
解得 $v=\dfrac1n\sum(X_i-\mu)^2$ ,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
**易错点**:
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$ )。
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$ )** 能避开根号运算——**这是本类题的一个通用技巧**。
- 结果里是 **$n$ 而不是 $n-1$ **(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
---
### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$ ;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$ 。
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$ 。再用条件概率:
$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$ 。
**思路**:先求密度(对 $F$ 求导):
$$f(t)=F'(t)=\frac{m}{\theta^m}t^{m-1}\mathrm e^{-t^m/\theta^m}\quad(t>0).$$
$$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}^{n}t_i^m,$$
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
**易错点**:
- ⚠️ **别忘了"先由 $F$ 求 $f$ "这一步**——题目给的是分布函数,似然函数要用密度。
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$ ,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$ ,**符号与幂次都容易错**。
- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
---
### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$ 。
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$ 。
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$ ,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$ ,
$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
**(Ⅰ)无偏**:
$$E(T_c)=c\cdot\frac{n}{n+1}\theta\overset{!}{=}\theta\ \Longrightarrow\ c=\frac{n+1}{n}.$$
**(Ⅱ)最小 MSE**:把 $h(c)$ 展开成 $c$ 的**二次函数**:
$$h(c)=E(T_c-\theta)^2=c^2EX_{(n)}^2-2c\theta\,EX_{(n)}+\theta^2=c^2\cdot\frac{n\theta^2}{n+2}-2c\cdot\frac{n\theta^2}{n+1}+\theta^2 .$$
对 $c$ 求导:
$$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightarrow\ c=\frac{n+2}{n+1}.$$
**易错点**:
- ⚠️ **两个 $c$ 不相等,且最小 MSE 的 $c$ 更小**。比较大小(交叉相乘,两边同乘正数 $n(n+1)$ 不变号):
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$ 。
这不矛盾:**有偏估计只要偏差足够小,就能把方差压得更低,使总 MSE 更小**——这就是"**无偏 ≠ 最优**"的经典例证($c=\frac{n+2}{n+1}$ 时估计量是有偏的,但 MSE 反而比无偏的那一个更小)。
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$ ),**不能**用 $(EX_{(n)})^2$ 。
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$ (本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
---
### 第 18 题 · 假设检验概念综合 🟨真题骨架 2018·8
**(Ⅰ)答案**:**(D)**。
**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$ ,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ ;
- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
于是:
| 条件 | 在 $\alpha=0.01$ 下 |
|---|---|
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$ ) | 因 $c_{0.01}>c_{0.05}$ ,**未必**达到 ⟹ A、B 都错 |
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$ ) | 因 $c_{0.05}<c_{0.01}$ ,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$ ;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$ 。
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ ,
$$c=u_{0.025}\cdot\frac{\sigma}{\sqrt n}=1.96\times0.5=0.98\ \Longrightarrow\ W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}.$$
求 $\beta$ :在 $\mu=\mu_0+1$ 下 $\bar X\sim N(\mu_0+1,\ 0.25)$ ,标准差 $0.5$ 。**用接受域**:
$$\beta=P\{\lvert\bar X-\mu_0\rvert<0.98\mid \mu=\mu_0+1\}.$$
令 $\dfrac{\bar X-\mu_0-1}{0.5}=Z\sim N(0,1)$ ,则 $\bar X-\mu_0=1+0.5Z$ ,条件化为
$$-0.98<1+0.5Z<0.98\ \Longleftrightarrow\ -3.96<Z<-0.04,$$
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
**易错点**:
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$ ),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$ 。
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$ **(含真值的偏移 $1$ ),这是最容易漏的一步。
- 结果 $\beta\approx0.484$ 很大,说明**这个检验对 $\mu=\mu_0+1$ 的偏离"很不敏感"**——这正是 $\alpha=0.05$ 时 $\beta$ 随之增大的体现($\alpha$ 小时 $\beta$ 大)。
---
## 命题质量报告
### 一、考点覆盖表(对照第 20/21/22 章 15 道真题)
| 真题 | 考点 | 对应题 | 覆盖 |
|---|---|---|---|
| 2017·8 | $\chi^2$ 分布辨析 | A2(含同款陷阱 Ⅳ) | ✅ |
| 2023·9 | $F$ 分布(方差比) | B14 | ✅ |
| 2016·14 | 区间估计(对称性) | B9(含对称性技巧) | ✅ |
| 2016·23 | 次序统计量 $X_{(n)}$ + 无偏 | B8 | ✅ |
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$ (变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
| 2018·23 | 拉普拉斯 MLE + $E/D$ | B7 | ✅ |
| 2019·23 | 半正态:求 $A$ + MLE | C15 | ✅ |
| 2020·23 | 威布尔:无记忆性 + MLE | C16 | ✅ |
| 2021·9 | 无偏 + $D(\bar X-\bar Y)$ | B12(无偏/有效分支) | ◐ 部分(两样本方差未单设) |
| 2022·22 | 泊松两样本 MLE + $D$ | B13 | ✅ |
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$ ) | A6(同类"定常数") | ✅ |
| 2024·22 | $U(0,\theta)$ :无偏 + MSE | C17 | ✅ |
| 2018·8 | 显著性水平与拒绝/接受 | C18(Ⅰ) | ✅ |
| 2021·10 | 第二类错误 | B11 | ✅ |
| 2025·10 | 单侧检验拒绝域 | B10 | ✅ |
**覆盖结论**:15 道真题中 **13 题完全覆盖 ✅、2 题部分覆盖 ◐**。
### 二、难度分布与用时
| 组 | 题量 | 建议用时 | 难度 |
|---|---|---|---|
| A 基础 | 6(1–6) | 22 分钟 | ★☆☆ |
| B 中等 | 8(7–14) | 34 分钟 | ★★☆ |
| C 拔高 | 4(15–18) | 24 分钟 | ★★★ |
| **合计** | **18** | **约 80 分钟** | 可拆两天(第 1 天 1–9,第 2 天 10–18) |
### 三、真题使用与防过拟合
- **本题卷 18 题全部为原创命题**,数字、样本量、分布参数均与真题不同;
- 标「**真题骨架**」的 10 道题**只对齐考法结构**(如"两样本不同参数泊松 MLE"),**不做数字复用**,做完可直接回刷真题原题而不会"背答案";
- **参照了 🟩 参考仓库**的 4 道例题风格(拉普拉斯 MLE、均匀分布矩估计、两正态方差比、无偏性定 $k$ ),并在此基础上把数字重设。
### 四、仍未覆盖的方向(诚实清单)
1. **区间估计的 $\sigma^2$ 分支**(含 $\chi^2$ 分布的两端分位点"反着放")——真题 2016·14 只考均值,本卷也未设(§4.3 已在手册中写明,可自行练手);
2. **两样本 $t$ 检验**($\sigma_1^2=\sigma_2^2$ 时的合并方差 $S_w$ )——真题十年未考,数一考纲内但低频;
3. **分布函数的拟合优度 $\chi^2$ 检验**——超出考研范围(了解即可);
4. **2017·23 的"矩估计分支"**——该真题要求先用一阶矩求 $\sigma$ 的矩估计量再求 MLE,本卷 B7 只做了 MLE 分支,矩估计的"绝对误差一阶矩"未单设;
5. **2021·9 的 $D(\bar X-\bar Y)$ 两样本方差计算**——考纲内、涉及二元正态的 $\rho$ ,本卷以 B12 的"单样本有效性"替代。
> 上述 1、4、5 三项可在二轮复习时用真题原题补齐;2、3 属边缘,暂不安排。
### 五、与既有材料的衔接
- 本讲**上游**:第 4 讲(数字特征,$E,D,\operatorname{Cov}$ ——**尚未建文件夹**)、第 5 讲(大数定律与中心极限定理,切比雪夫不等式)。
- 本讲**核心依赖**:正态分布、$\chi^2/t/F$ 三大分布、期望方差的性质。
- 建议顺序:**第 5 讲 → 第 6 讲**(因为区间估计与假设检验反复用到第 5 讲的标准化与分位数)。