新增 - 在学练习/概率论-第5讲-大数定律与中心极限定理/:README + 01考点手册 + 02试题(16题) + 03解析 + PDF×3 - 在学练习/概率论-第6讲-数理统计/:README + 01考点手册 + 02试题(18题) + 03解析 + PDF×3 - 在学练习/概率论-第3讲.../05-试题-中高难度.md、06-解析-中高难度.md + 平板版 PDF×6(四件套 + 中高难度) - .workbuddy/tools/md2pdf/:md2pdf.js(Markdown→KaTeX→Edge 无头打印 A4,含 answer 留白模式)、shot.js(渲染验收截图) - .workbuddy/memory/:2026-10-14.md、2026-10-16.md、MEMORY.md 更新 - .gitignore:新增忽略 md2pdf/build/(HTML 内联字体,体积大) - 总览.md:目录树同步(第5/6讲、第3讲中高难度卷、PDF 清单) - 第3讲 01-考点手册/02-试题/README:中高难度卷接入与索引回填 说明:PDF 为 KaTeX 矢量公式渲染的平板书写版(试题逐题留白),由 md2pdf.js 从 .md 可重建。
32 KiB
tags, 专题, 日期, 状态, 对应视频, 关联
| tags | 专题 | 日期 | 状态 | 对应视频 | 关联 | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第6讲 · 数理统计 · 考点手册(真题库第 20/21/22 章) | 2026-10-16 | 已出 |
|
README · 02-试题 · 03-解析 |
概率论 第6讲 · 数理统计 · 考点手册
定位:这是概率论的收尾大章,也是数学一独有的重头戏(区间估计、假设检验「仅数学一」)。真题库对应 第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题,合计 15 题、116 分,其中参数估计标注「热门」——近十年年年一道 11–12 分解答题。 用法:先通读本手册建立框架 → 做 02-试题(18 题,约 80 分钟)→ 对 03-解析。 来源记号:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
0. 本讲定位与学习地图
0.1 一句话概括全部内容
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),再用工具反推总体的未知参数(点估计 → 区间估计 → 假设检验)。
0.2 六节地图
| 节 | 内容 | 视频 | 真题热度 |
|---|---|---|---|
| §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) |
| §2 | 统计量及其分布(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) |
| §3 | 参数的点估计(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | ★★★★★ 年年必考解答题 |
| §4 | 区间估计(枢轴变量法,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
| §5 | 假设检验(六大检验与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
| §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) |
0.3 三条主线
- 独立性:数理统计的一切都建立在「
X_1,\cdots,X_n相互独立且与总体同分布」上。看到"简单随机样本"六个字,立刻把它翻译成 i.i.d.。 - 标准化:
\chi^2/t/F三大分布的构造,本质都是「把正态变量化成标准正态,再按定义拼」。 \dfrac{1}{n}\sum X_i^k与E(X^k)的替换:矩估计的全部内容;也是大数定律在统计里的投影。
1. 总体与样本 🟦02 🟩
1.1 基本名词
| 名词 | 含义 |
|---|---|
| 总体 | 研究对象的全体;数学上就是一个随机变量 $X$(及其分布) |
| 个体 | 组成总体的每一个元素 |
| 简单随机样本 | n 个相互独立且与总体 X 同分布的随机变量 $(X_1,\cdots,X_n)$,容量为 n |
| 样本值(观测值) | 一次抽样得到的 n 个具体数 (x_1,\cdots,x_n) |
记忆:概率论里叫「独立同分布(i.i.d.)」,数理统计里叫「简单随机样本」——同一件事的两个名字。
1.2 样本的联合分布(核心公式)
设总体 X 的分布函数为 $F(x)$(密度 $f(x)$,分布律 $p(x_i;\theta)$),则样本的联合分布为
F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).
⚠️ 这就是"简单随机样本"的全部价值:有了独立性,
n维联合分布才等于一维分布的连乘。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$,用的就是这一条。
1.3 分组数据(了解)
若样本值被整理成频数分布,第 i 组组中值 $c_i$、频数 $n_i$,则
\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .
2. 统计量及其分布 🟦03 🟦04 🟨2017·8 🟨2023·9 🟩
2.1 统计量的定义(判断题高频)
设
X_1,\cdots,X_n是来自总体X的样本,g(x_1,\cdots,x_n)是n元函数。若g中不含任何未知参数,则称g(X_1,\cdots,X_n)为统计量。
判断口诀:"能不能算出来"——只要表达式里出现未知参数(如 $\mu$、$\sigma$),它就不是统计量。
例:$X\sim N(\mu,\sigma^2)$,
\mu,\sigma^2均未知时
- $X_1+X_2$、$\sum X_i$、$\max X_i$、
X_1^2+X_2^2—— 是统计量(不含未知参数);- $\sum(X_i-\mu)^2$、
\dfrac{X_1-\mu}{\sigma}—— 不是统计量(含\mu或 $\sigma$)。
2.2 常用统计量
| 名称 | 记号 | 公式 |
|---|---|---|
| 样本均值 | \bar X |
\displaystyle\bar X=\frac1n\sum_{i=1}^{n}X_i |
| 样本方差 | S^2 |
\displaystyle S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2 |
| 样本标准差 | S |
S=\sqrt{S^2} |
样本 k 阶原点矩 |
A_k |
\displaystyle A_k=\frac1n\sum_{i=1}^{n}X_i^k |
样本 k 阶中心矩 |
B_k |
\displaystyle B_k=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^k |
恒等式(化简必备):
\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .
2.3 样本均值与样本方差的数字特征(必背)
设 $EX=\mu$,$DX=\sigma^2$,X_1,\cdots,X_n 为简单随机样本,则
E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}},\qquad \boxed{ES^2=\sigma^2}.
为什么样本方差除以 $n-1$? 因为
\sum(X_i-\bar X)^2中用了\bar X代替 $\mu$,损失了 1 个自由度,导致 $E!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$(有偏)。除以n-1恰好修正为 $\sigma^2$。一句话:
n-1是为了无偏性。(这也解释了\chi^2分布里为什么是n-1自由度。)
2.4 三大抽样分布 🟨2017·8
2.4.1 \chi^2 分布(卡方)
构造:X_1,\cdots,X_n 相互独立且均 $\sim N(0,1)$,则
\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).
性质:
| 性质 | 内容 |
|---|---|
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$、\chi_2^2\sim\chi^2(n_2) 独立 ⟹ \chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2) |
| 期望方差 | $E\chi^2(n)=n$,D\chi^2(n)=2n |
上 \alpha 分位点:$P{\chi^2>\chi^2_\alpha(n)}=\alpha$(注意 \chi^2 分布不对称,上下分位点要分别查)。
2.4.2 t 分布(学生氏)
构造:$X\sim N(0,1)$,$Y\sim\chi^2(n)$,X 与 Y 独立,则
t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).
性质:
- 概率密度是偶函数,图形关于
y轴对称、比标准正态更"矮胖"(尾部厚); n很大时近似 $N(0,1)$;- $t_{1-\alpha}(n)=-t_\alpha(n)$(对称性);
- $t^2\sim F(1,n)$。
用途:
\sigma未知时,用样本标准差S代替\sigma估n的均值——这就是t分布的原始动机。
2.4.3 F 分布
构造:$U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$,U 与 V 独立,则
F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).
性质:
| 性质 | 内容 |
|---|---|
| 倒数 | F\sim F(n_1,n_2)\Longrightarrow \dfrac1F\sim F(n_2,n_1) |
| 分位点互化 | F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)} |
与 t 的关系 |
t\sim t(n)\Longrightarrow t^2\sim F(1,n) |
⚠️ 易错:
F分布的两个自由度顺序不能反!F(n_1,n_2)里n_1是分子的自由度,n_2是分母的自由度。
2.5 正态总体下的抽样分布(本节最重要)🟨2017·8 🟨2023·9
设 X_1,\cdots,X_n 来自 $N(\mu,\sigma^2)$,$\bar X$、S^2 为样本均值与样本方差。
(一)单个正态总体(四条定理)
$$\boxed{\begin{aligned} &\text{①}\quad \bar X\sim N!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\[6pt] &\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\[6pt] &\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\[6pt] &\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知}) \end{aligned}}$$
②→③ 的口诀:"
\mu换成 $\bar X$,自由度减一"。 ①→④ 的口诀:"\sigma换成 $S$,正态换 $t$,自由度 $n-1$"。 ④ 的独立性是正态总体独有的性质(一般总体不成立),它是t分布构造的前提,必须记住。
(二)两个正态总体(三条定理)
设 X_1,\cdots,X_m 来自 $N(\mu_1,\sigma_1^2)$,Y_1,\cdots,Y_n 来自 $N(\mu_2,\sigma_2^2)$,两组样本相互独立,记
S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})
则
$$\begin{aligned} &\text{①}\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}}\ \sim\ N(0,1)\[8pt] &\text{②}\quad \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\ \sim\ F(m-1,\ n-1)\[8pt] &\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2) \end{aligned}$$
② 的推导就是"拼 $F$":$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$,两者独立,按定义相除、各除自由度
\Rightarrow得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。 🟨 2023·9 就是考这一条:只要两个总体的方差比\sigma_1^2:\sigma_2^2已知,就能把系数调出来。
(三)拼装三大分布的"三步法"(考场通用)
- 先算均值和方差:把线性组合
a_1X_1+\cdots+a_kX_k化成 $N(\text{均值},\text{方差})$; - 标准化:除以标准差得到 $N(0,1)$,平方得 $\chi^2(1)$;
- 按定义拼:
\chi^2加、t除根号、F上下除各自自由度。
⚠️ 三个恒定陷阱:
| 陷阱 | 正确做法 |
|---|---|
| 忘了标准化就平方 | 必须写成 \left(\dfrac{\cdot}{\sigma}\right)^2 才是 $\chi^2(1)$;系数不对就不是 \chi^2 |
| 独立性未验证 | 分子含 $X_1$、分母也含 X_1 时不独立,不能用 $t$/F 定义 |
| 自由度算错 | \chi^2 用 $n$(或 $n-1$)、t 用 $n-1$、F 用 (m-1,n-1) |
2.6 顺序统计量 🟨2016·23 🟨2024·22
把样本按从小到大排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$。
X_{(1)}=\min\{X_1,\cdots,X_n\}—— 最小顺序统计量;X_{(n)}=\max\{X_1,\cdots,X_n\}—— 最大顺序统计量。
最大值/最小值的分布(背下来,解答题直接用)
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).
推导(一行):$F_{(n)}(x)=P{\max\le x}=P{X_1\le x,\cdots,X_n\le x}\overset{\text{独立}}{=}\prod P{X_i\le x}=[F(x)]^n$。 最小值用对立事件:$P{\min> x}=P{X_1>x}^n=[1-F(x)]^n$。
常用期望(\theta 为参数上限型分布时必用)
| 总体 | EX_{(n)} |
EX_{(n)}^2 |
|---|---|---|
X\sim U(0,\theta) |
\dfrac{n}{n+1}\theta |
\dfrac{n}{n+2}\theta^2 |
f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta |
\dfrac{3n}{3n+1}\theta |
\dfrac{3n}{3n+2}\theta^2 |
f(x)=\dfrac{2x}{\theta^2},0<x<\theta |
\dfrac{2n}{2n+1}\theta |
\dfrac{2n}{2n+2}\theta^2 |
一般式:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0<x<\theta$,则
X_{(n)}服从「幂型」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$。
3. 参数的点估计 🟦05 🟨(本讲分值最重)
点估计 = 造一个统计量
\hat\theta(X_1,\cdots,X_n)去"顶替"未知参数 $\theta$。 两种造法:矩估计(用矩换矩)与极大似然(找最"像"的参数)。
3.1 矩估计法
思想:用样本矩替换总体矩(大数定律保证"样本矩 → 总体矩")。
步骤:
- 写出含
\theta的总体矩 $E X^k$(一个参数用一阶矩,两个参数用一、二阶矩); - 令 $E X^k=A_k=\dfrac1n\sum X_i^k$;
- 解方程得 $\hat\theta$。
两个参数的模板:
\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .
⚠️ 注意:矩估计给出的方差估计是 $B_2$(除以 $n$),不是 $S^2$(除以 $n-1$)!两者都是
\sigma^2的估计量,但只有S^2无偏。
3.2 最大似然估计(MLE)
思想:既然观测到了 $(x_1,\cdots,x_n)$,那就选让这组样本出现概率最大的 $\theta$。
步骤(常规可微情形):
- 写似然函数 $L(\theta)=\prod\limits_{i=1}^{n}f(x_i;\theta)$(离散型用 $\prod p(x_i;\theta)$);
- 取对数 $\ln L(\theta)$(连乘变连加);
- 求导令零 $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$;
- 解出 $\hat\theta$,并写成大写
\hat\theta(X_1,\cdots,X_n)才是"估计量"。
为什么取对数? 因为
\ln单调递增,L与\ln L在同一点取极值,而连加比连乘好求导。
不可微 / 单调情形(每年必有一道,必须掌握)
当 L(\theta) 关于 \theta 单调(通常因为支撑集含 $\theta$)时,\hat\theta 不是驻点,而是取值边界:
| 情形 | 结论 |
|---|---|
$X\sim U(0,\theta)$,$f=\dfrac1\theta$,0<x<\theta |
$\hat\theta=X_{(n)}=\max X_i$(取最大,保证所有 $x_i<\theta$) |
X\sim U(\theta_1,\theta_2) |
$\hat\theta_1=X_{(1)}$,\hat\theta_2=X_{(n)} |
$f(x;\theta)=\dfrac{1}{\theta}$,\theta\le x\le 2\theta 型 |
由 \theta\le X_{(1)} 与 X_{(n)}\le2\theta 夹出 $[\tfrac{X_{(n)}}2,\ X_{(1)}]$,任取一点皆可(通常取端点) |
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(记住结果,考场直接写)
| 分布 | 密度 | 矩估计 | 极大似然估计 |
|---|---|---|---|
| 拉普拉斯 | \dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda} |
\hat\lambda=\dfrac1n\sum\lvert X_i\rvert |
\hat\lambda=\dfrac1n\sum\lvert X_i\rvert |
均匀 U(0,\theta) |
\dfrac1\theta,0<x<\theta |
\hat\theta=2\bar X |
\hat\theta=X_{(n)} |
| 幂型 $f=\dfrac{\theta x^{\theta-1}}{\ }$($0<x<1,\theta>0$) | \theta x^{\theta-1} |
\hat\theta=\dfrac{\bar X}{1-\bar X} |
\hat\theta=-\dfrac{n}{\sum\ln X_i} |
两个特殊的"坑"分布:
- 半正态(含
x\ge\mu的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$;常数 $A=\sqrt{2/\pi}$;- 两样本同参数(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):把两组似然先相乘再求导,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$。
3.3 估计量的评价标准
3.3.1 无偏性(考得最多)
E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \hat\theta\ \text{是}\ \theta\ \text{的无偏估计}.
无偏性的传播法则(极其好用):
E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .
常见结论:$E\bar X=\mu$、$ES^2=\sigma^2$(无偏);$B_2=\frac1n\sum(X_i-\bar X)^2$(有偏)。
3.3.2 有效性
两个都无偏的估计量,方差越小越有效:
D\hat\theta_1<D\hat\theta_2\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.
⚠️ 前提:必须先都无偏,才能比有效性!无偏 ≠ 有效,两者是两级筛选。
3.3.3 均方误差(MSE)—— 2024 年新考点
h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2=\text{方差}+\text{偏差}^2 .
当 E\hat\theta=\theta 时,$h(\hat\theta)=D\hat\theta$(MSE 退化为方差);否则有偏的估计量 MSE 反而可能更小。
2024·22 的考点:让 MSE 最小的 $c$,通常不等于让估计无偏的 $c$——要展开成
c的二次函数求顶点。 展开模板(以T_c=cX_{(n)}为例):h(c)=c^2\,E X_{(n)}^2-2c\,\theta\,EX_{(n)}+\theta^2,\qquad h'(c)=0\Longrightarrow c=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.
3.3.4 一致性(相合性)
\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert\hat\theta-\theta\rvert<\varepsilon\}=1\quad\Longleftrightarrow\quad \hat\theta\xrightarrow{\ P\ }\theta .
联系第 5 讲:这就是大数定律的语言——
\bar X是\mu的一致估计量的直接理由。
3.4 三个标准的关系(速记)
无偏管"准不准"(偏差为 0);有效管"稳不稳"(方差最小);一致管"样本多了会不会靠近"。 数学上:无偏 + 方差趋于 0
\Rightarrow一致。
4. 参数的区间估计 🟦06 🟨2016·14(仅数学一)
点估计给一个数,区间估计给一个"带可信度的范围"。
4.1 基本概念
P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .
| 名词 | 含义 |
|---|---|
1-\alpha |
置信度 / 置信水平(可信程度) |
\alpha |
显著性水平(犯错的概率,通常 0.05、0.01、0.1) |
(\underline\theta,\bar\theta) |
置信区间;两端分别叫置信下限、置信上限 |
| 区间长度 | 反映估计精度;长度越短越精确 |
正确理解:不是"
\theta落在区间内的概率是 $1-\alpha$"(\theta是常数、不是随机变量),而是"反复抽样得到的区间中,平均 100 次有100(1-\alpha)次盖住 $\theta$"。
4.2 枢轴变量法(万能套路)
- 找点估计 $\hat\theta$(一般取 MLE 或 $\bar X$、$S^2$);
- 造枢轴量 $I=I(\hat\theta,\theta)$:含未知参数 $\theta$,但分布已知且与
\theta无关(正态、$\chi^2$、$t$、$F$); - 定分位点:按
P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha取上\alpha/2分位点; - 解不等式:把
\theta解到中间,得到 $(\underline\theta,\bar\theta)$。
4.3 正态总体四大区间估计(必背表)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$,置信度 $1-\alpha$。
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
\mu |
\sigma 已知 |
U=\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1) |
\left[\bar X-u_{\alpha/2}\dfrac{\sigma}{\sqrt n},\ \bar X+u_{\alpha/2}\dfrac{\sigma}{\sqrt n}\right] |
\mu |
\sigma 未知 |
T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1) |
\left[\bar X-t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n},\ \bar X+t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}\right] |
\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] |
⚠️ \chi^2 区间的两端分位点"反着放":因为 \chi^2 分布不对称,且 \sigma^2 在分母——所以上分位点配下限、下分位点配上限。这是最容易抄错的地方。
三个"看条件"的读法:
\sigma已知 → $U$(正态);\sigma未知 → $t$(且自由度 $n-1$);\mu已知 → $\chi^2(n)$;\mu未知 → $\chi^2(n-1)$;- 一句话:"知道谁就用谁,
\mu未知换\bar X减自由度,\sigma未知换S变 $t$"。
4.4 单侧置信区间
| 类型 | 枢轴量形式 | 区间 |
|---|---|---|
| 单侧上限($P{\mu<\bar\mu}=1-\alpha$) | $u_\alpha$(单侧) | \left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right) |
| 单侧下限($P{\mu>\underline\mu}=1-\alpha$) | \left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right] |
单双侧的分位数互换:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同理 $t_\alpha(n-1)$。 大小关系:同一置信度下,单侧区间的"半宽"更小(因为全部
\alpha集中在一侧)。
🟨 2016·14 的考法:给出
\bar X和置信上限,反求置信下限。因为双侧区间关于\bar X对称,所以\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.一句话:"上限 + 下限 = 2$\bar X$"(仅对均值的对称区间成立;方差区间不成立)。
5. 假设检验 🟦07 🟨2025·10(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。 若在"
H_0成立"的前提下,观测到的样本值属于小概率事件,则拒绝 $H_0$。
5.2 假设检验四步
- 提假设:原假设
H_0与备择假设 $H_1$(通常把"想否定的、被保护的说法"放 $H_0$); - 选统计量:按
\sigma已知/未知、\mu已知/未知选 $U$、$T$、$\chi^2$、$F$,并写出H_0成立时的分布; - 定拒绝域:给定 $\alpha$,按
P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha定临界值; - 下结论:算统计量观测值,落在拒绝域就拒绝 $H_0$,否则接受。
5.3 三类假设与拒绝域方向
| 类型 | H_0 |
H_1 |
拒绝域在 |
|---|---|---|---|
| 双边 | \theta=\theta_0 |
\theta\ne\theta_0 |
两侧($\lvert\cdot\rvert\ge$) |
| 右侧 | \theta\le\theta_0 |
\theta>\theta_0 |
右尾($\ge$) |
| 左侧 | \theta\ge\theta_0 |
\theta<\theta_0 |
左尾($\le$) |
方向判断口诀:拒绝域跟着
H_1跑——H_1是"$>$"就放在右侧,H_1是"$<$"就放在左侧,H_1是"$\ne$"就放两侧。
5.4 正态总体六大检验(拒绝域速查表)
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$。
| 检验参数 | 条件 | 统计量 | H_1 方向 |
拒绝域 |
|---|---|---|---|---|
\mu |
\sigma=\sigma_0 已知(U 检验) |
U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1) |
\mu\ne\mu_0 |
\lvert u\rvert\ge u_{\alpha/2} |
\mu>\mu_0 |
u\ge u_\alpha |
|||
\mu<\mu_0 |
u\le-u_\alpha |
|||
\mu |
\sigma 未知(T 检验) |
T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1) |
\mu\ne\mu_0 |
\lvert t\rvert\ge t_{\alpha/2}(n-1) |
\mu>\mu_0 |
t\ge t_\alpha(n-1) |
|||
\mu<\mu_0 |
t\le-t_\alpha(n-1) |
|||
\sigma^2 |
\mu 已知(\chi^2 检验) |
\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n) |
\sigma^2\ne\sigma_0^2 |
\chi^2\le\chi^2_{1-\alpha/2}(n) 或 \ge\chi^2_{\alpha/2}(n) |
\sigma^2>\sigma_0^2 |
\chi^2\ge\chi^2_\alpha(n) |
|||
\sigma^2<\sigma_0^2 |
\chi^2\le\chi^2_{1-\alpha}(n) |
|||
\sigma^2 |
\mu 未知(\chi^2 检验) |
\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1) |
\sigma^2\ne\sigma_0^2 |
\chi^2\le\chi^2_{1-\alpha/2}(n-1) 或 \ge\chi^2_{\alpha/2}(n-1) |
\sigma^2>\sigma_0^2 |
\chi^2\ge\chi^2_\alpha(n-1) |
|||
\sigma^2<\sigma_0^2 |
\chi^2\le\chi^2_{1-\alpha}(n-1) |
记忆口诀:"\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 的解法:
\sigma已知 ⟹ 用U检验;H_1:\mu>1⟹ 右尾;拒绝域\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .注意
\sigma^2=2时 $\sigma=\sqrt2$,别把方差当标准差代入。
5.5 区间估计与假设检验的对偶关系(高频理解题)
置信度
1-\alpha的双侧置信区间\Longleftrightarrow显著性水平\alpha的双侧检验的接受域。
具体地:\mu_0 落在置信区间内 \Longleftrightarrow 不拒绝 $H_0:\mu=\mu_0$。所以两类问题常常互相转化。
6. 两类错误 🟦08 🟨2018·8 🟨2021·10
6.1 定义
H_0 实际为真 |
H_0 实际为假 |
|
|---|---|---|
| 拒绝 $H_0$ | ❌ 第一类错误(弃真),概率 \alpha |
✅ 正确 |
| 接受 $H_0$ | ✅ 正确 | ❌ 第二类错误(存伪),概率 \beta |
公式:
\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受}H_0\mid H_0\text{为假}\}=P\{\text{接受}H_0\mid H_1\text{为真}\}.
一句话记忆:"拒真 = 第一类,纳伪 = 第二类";
\alpha是在H_0为真的世界里算的,\beta是在H_1为真的世界里算的。 ⚠️ 关键理解:H_1通常是一个范围(如 $\mu>\mu_0$),所以\beta是关于\mu的函数,必须给定具体的\mu值才能算——这就是 🟨2021·10 给出"\mu=11.5时"的原因。
6.2 计算 \beta 的四步
- 写出拒绝域 $W$;
- 写出接受域 $\bar W$(拒绝域的补集);
- 把分布换成
H_1下的分布(关键:均值/方差要换); - $\beta=P{(\text{统计量})\in\bar W\ \mid\ H_1}$。
示例模板:
\sigma^2已知,$W={\bar X\ge c}$,则在 $\mu=\mu_1$(H_1中某个值)下\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).
6.3 \alpha 与 \beta 的关系(必考辨析)🟨2018·8
| 结论 | 说明 |
|---|---|
| 样本量固定时 | \alpha 减小 \Rightarrow \beta 增大;\beta 减小 \Rightarrow \alpha 增大(此消彼长) |
同时减小 \alpha 与 $\beta$ |
只能增大样本容量 $n$ |
\alpha 与拒绝域的关系 |
\alpha 越小 ⟹ 临界值 c 越远离 \mu_0 ⟹ 拒绝域越小 |
🟨 2018·8 的核心结论:
\alpha=0.05拒绝H_0\Rightarrow\alpha=0.01不一定拒绝(因为拒绝域缩小了);\alpha=0.05接受H_0\Rightarrow\alpha=0.01必然接受(接受域扩大,原来在里面的还在里面)。 不等式记忆:$\ \alpha_1<\alpha_2\ $(如 $0.01<0.05$)时,拒绝域 $W(\alpha_1)\subset W(\alpha_2)$,接受域反之。 所以:"小\alpha拒绝 ⟹ 大\alpha必拒绝;大\alpha接受 ⟹ 小\alpha必接受。"
6.4 显著性检验
只控制第一类错误概率(即只给定 $\alpha$,不控制 $\beta$)的检验称为显著性检验,
\alpha称显著性水平。
7. 十年真题落点地图(🟨 第 20/21/22 章,共 15 题)
7.1 第 20 章 · 数理统计的基本概念(2 题,9 分)
| 年份·题号 | 题型 | 考点 | 本手册 |
|---|---|---|---|
| 2017·8 | 单选 4 | \chi^2 分布辨析(四个结论判断) |
§2.5 |
| 2023·9 | 单选 5 | F 分布(两正态总体方差比) |
§2.5(二) |
7.2 第 21 章 · 参数估计(10 题,93 分)— 全章最重
| 年份·题号 | 题型/分值 | 考点 | 本手册 |
|---|---|---|---|
| 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 |
| 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 |
| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$:密度 + 矩估计 + MLE | §2.6 / §3.2 |
| 2018·23 | 解答 11 | 拉普拉斯分布 MLE + E\hat\sigma,D\hat\sigma |
§3.2 |
| 2019·23 | 解答 11 | 半正态分布:求常数 A + MLE |
§3.2 |
| 2020·23 | 解答 11 | 威布尔分布:P\{T>t\} + 无记忆性 + MLE |
§3.2 |
| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$(二元正态) | §2.5 ① / §3.3.1 |
| 2022·22 | 解答 12 | 泊松两样本(\lambda 与 $2\lambda$)MLE + D\hat\theta |
§3.2 |
| 2023·10 | 单选 5 | 无偏估计(a\lvert X_1-X_2\rvert 定常数) |
§3.3.1 |
| 2024·22 | 解答 12 | U(0,\theta) 的 $X_{(n)}$:无偏 c + MSE 最小 c |
§2.6 / §3.3.3 |
7.3 第 22 章 · 假设检验(3 题,14 分)
| 年份·题号 | 题型 | 考点 | 本手册 |
|---|---|---|---|
| 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 |
| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$) | §6.2 |
| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
7.4 命题规律(读三遍)
- 参数估计是"铁打的 22 题":近十年 10 题解答题(11–12 分),几乎年年一题,从未缺席。这是本讲唯一的"必拿大题"。
- MLE 占绝对统治地位:10 题里有 8 题涉及极大似然估计,且每隔几年就换一个"怪分布"(拉普拉斯、半正态、威布尔、幂型、两样本泊松)——考的不是计算,而是"能不能把似然函数写对 + 会不会处理不可微"。
- 无偏估计紧跟其后:2016·23、2021·9、2023·10、2024·22,四年考了四道,典型套路是**「给一个带参数的统计量,反解系数使无偏」**。
- 假设检验只考选填(4–5 分),且只在 2018、2021、2025 出现,三年一轮——考的是方向判断与概念辨析,不考查表计算。
- 区间估计只考过一次(2016·14),属低频,但只在数一出现。
8. 速查卡 · 陷阱清单
8.1 速记十二条
- 简单随机样本 = i.i.d.;联合分布 = 一维分布连乘(这是 MLE 的根)。
- 统计量不能含未知参数——含 $\mu$、
\sigma的统统不是。 - $E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$\boxed{ES^2=\sigma^2}$(
n-1是为了无偏)。 - 正态四条:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$、$\bar X\perp S^2$、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$。
- 两总体方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。
- $X_{(n)}=\max$:$F_{(n)}=F^n$;$X_{(1)}=\min$:$F_{(1)}=1-(1-F)^n$。
- 矩估计的方差是 $B_2=\frac1n\sum(X_i-\bar X)^2$(有偏);MLE 不可微时往边界取($U(0,\theta)\Rightarrow\hat\theta=\max X_i$)。
- 无偏是有效性比较的前提(两级筛选)。
- $h(\hat\theta)=D\hat\theta+(\text{偏差})^2$;MSE 最小的
c≠ 无偏的 $c$。 - 均值的双侧区间关于
\bar X对称 ⟹ 上限 + 下限 = $2\bar X$。 - 检验方向跟着 $H_1$;
\sigma^2=2时标准差是 $\sqrt2$。 - 小
\alpha拒绝 ⟹ 大\alpha必拒绝;大\alpha接受 ⟹ 小\alpha必接受。
8.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 统计量判断时漏看未知参数 | 逐个检查表达式里有没有 \mu,\sigma |
\sigma^2 与 \sigma 混用 |
\sigma^2=2 时 $\sigma=\sqrt2$;U 检验分母是 \sigma_0/\sqrt n |
样本方差分母写成 n |
定义是 $n-1$;但矩估计给出的是 $n$,别混 |
\chi^2 分布当成对称 |
\chi^2 不对称,t 分布对称;\chi^2 区间两端分位点"反着放" |
拼 F 时忘记"除自由度" |
$F=\dfrac{U/n_1}{V/n_2}$,两个都要除 |
$t$/F 定义里忽略独立性 |
分子分母共用同一个 X_i 时不独立,不能用 |
| MLE 直接求导而不管单调性 | U(0,\theta) 型必须看支撑集、取边界 |
| 无偏性直接比有效性 | 先验证都无偏 |
\beta 忘记换 H_1 下的分布 |
\beta 用的是真值 $\mu_1$,不是 \mu_0 |
认为"\theta 落在置信区间内的概率是 $1-\alpha$" |
\theta 是常数;是区间随机 |
单侧检验用了 \alpha/2 分位点 |
单侧用 $u_\alpha$、t_\alpha(n-1) |
下一步:开做 02-试题(18 题,约 80 分钟)。做完对 03-解析,把错题回挂 做题本。 跨讲关联:本讲的切比雪夫不等式与三大数定律在第 5 讲 概率论-第5讲-大数定律与中心极限定理/01-考点手册;**数字特征($E,D,\operatorname{Cov}$)**见第 4 讲(待补)。