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 31fe3da11f feat(在学练习): 概率论第5讲(大数定律与CLT)+第6讲(数理统计) 整套;第3讲中高难度卷;md2pdf 工具链
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。
2026-10-16 14:17:28 +08:00

28 KiB
Raw Blame History

tags, 专题, 日期, 关联
tags 专题 日期 关联
数学一
在学练习
概率论
数理统计
解析
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)

  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)。