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。
28 KiB
tags, 专题, 日期, 关联
| tags | 专题 | 日期 | 关联 | |||||
|---|---|---|---|---|---|---|---|---|
|
概率论 第6讲 · 数理统计 · 解析(18 题) | 2026-10-16 | 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)
- 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); - 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; - 分布函数的拟合优度
\chi^2检验——超出考研范围(了解即可); - 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; - 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)。