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/01-考点手册.md
T
Yimu 4ddf42c7e6 修复 Gitea 多行 $$ 块级公式不渲染
Gitea block_parser.go 的 Open() 在「同一行找不到收尾 $$」时,仍会从 pos+1 起
检查该行是否有非空白字符(idx=-1 未参与判断),于是形如
    $$\boxed{\begin{aligned}
的写法会被整块拒绝,退化为普通文本。
→ 多行块的开头 $$ 与收尾 $$ 一律独占一行。

共 4 个文件 6 个块(12 处换行):第3讲 03-解析/04-答疑笔记/06-解析-中高难度、
第6讲 01-考点手册。KaTeX 会 trim,渲染结果不变,PDF 体积与改动前一致。
2026-10-16 17:57:32 +08:00

38 KiB
Raw Blame History

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
数学一
在学练习
概率论
数理统计
考点手册
MOC
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
01 一、基础知识结构
02 二、总体与样本
03 二、统计量及其分布(上)
04 二、统计量及其分布(下)
05 三、参数的点估计
06 四、参数的区间估计(仅数学一)
07 五、假设检验(仅数学一)
08 六、两类错误(仅数学一)
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,单总体四大 + 两总体两类,仅数一) 🟦06 数一选填(🟨2016·14)
§5 假设检验(单总体六大 + 两总体三类与拒绝域,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

  1. 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.。
  2. 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」。
  3. \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 经验分布函数(了解)

把样本值从小到大排列后,定义

\hat F_n(x)=\frac1n\sum_{i=1}^{n}I\{X_i\le x\}=\frac{\text{样本中 } \le x \text{ 的个数}}{n},

即"样本落在 x 左侧的比例",它是分布函数 F(x) 的一个估计。

格利文科(Glivenko)定理:\sup\limits_{x}\lvert\hat F_n(x)-F(x)\rvert\xrightarrow{\text{a.s.}}0 ,即样本足够大时,经验分布函数一致逼近真实分布。 数一大纲不直接考,但它是"用样本分布代替总体分布"这一整套统计思想的来源——矩估计法中"样本矩 → 总体矩"就是它的特例。

1.4 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})\\[6pt]
&\text{⑤}\quad \frac{n(\bar X-\mu)^2}{S^2}\ \sim\ F(1,\ n-1)\qquad\big(\text{由 ④ 取平方,}t^2\sim F(1,n-1)\big)
\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)

  1. 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}) ;
  2. 标准化:除以标准差得到 N(0,1) ,平方得 \chi^2(1) ;
  3. 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 。

(了解)第 k 个顺序统计量的密度

f_{(k)}(x)=\frac{n!}{(k-1)!\,(n-k)!}\,\big[F(x)\big]^{k-1}\,\big[1-F(x)\big]^{n-k}\,f(x),

把 k=1 、k=n 代进去,正好还原上面的 min、max 两式。数一大纲不直接要求,但讲课时会提——考场上 max/min 够用了。


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:

  1. 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);
  2. 令 E X^k=A_k=\dfrac1n\sum X_i^k ;
  3. 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):

  1. 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) );
  2. 取对数 \ln L(\theta) (连乘变连加);
  3. 求导令零 \dfrac{\mathrm d\ln L}{\mathrm d\theta}=0 ;
  4. 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(x)=\theta x^{\theta-1} (0<x<1,\ \theta>0 ) \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} 。

极大似然估计的不变性原理(重要)

若 \hat\theta 是 \theta 的极大似然估计,g(\cdot) 是任意函数(通常单调),则 g(\hat\theta) 是 g(\theta) 的极大似然估计。

\widehat{g(\theta)}=g(\hat\theta).

用途:不必为新参数重新建似然函数。典型例子:

  • 正态总体 N(\mu,\sigma^2) :\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2 (注意除以 n 、有偏)⟹ 直接得 \hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}} ;
  • X\sim U(0,\theta) :\hat\theta=X_{(n)} ⟹ \theta^2 的 MLE 就是 X_{(n)}^2 、1/\theta 的 MLE 就是 1/X_{(n)} 。

⚠️ 注意区分:无偏性没有不变性!E\hat\theta=\theta 推不出 Eg(\hat\theta)=g(\theta) (如 S=\sqrt{S^2} 就不是 \sigma 的无偏估计)。"MLE 有不变性,无偏性没有"——这是常考的概念辨析点。

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)

  1. 找点估计 \hat\theta (一般取 MLE 或 \bar X 、S^2 );
  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 );
  3. 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;
  4. 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)。

4.5 两个正态总体的区间估计 🟩(数一大纲要求)

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,置信度 1-\alpha 。

(1)均值差 \mu_1-\mu_2 的置信区间

条件 枢轴量 置信区间
\sigma_1^2,\sigma_2^2 均已知 U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1) (\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}
\sigma_1^2=\sigma_2^2 未知(T ) T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2) (\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}

其中合并方差 S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2} 。

记法要点:区间**中心永远是点估计 \bar X-\bar Y **,半宽 = 「分位点 × 该估计量的标准差」。\mu_1-\mu_2 的估计量方差是 \dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n} (两样本方差各自除以自身容量再相加)——别漏掉任何一项。

(2)方差比 \sigma_1^2/\sigma_2^2 的置信区间

由 \dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1) ,解出

\left[\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(m-1,n-1)},\quad \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(m-1,n-1)}\ \right].

⚠️ 两端同样"反着放":因为 \sigma_1^2/\sigma_2^2 在分母,且 F 分布不对称——大分位点配下限、小分位点配上限。附:F_{1-\alpha/2}(m-1,n-1)=\dfrac{1}{F_{\alpha/2}(n-1,m-1)} ,查表时要两个自由度都互换。


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

  1. 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 );
  2. 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;
  3. 定拒绝域:给定 \alpha ,按 P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha 定临界值;
  4. 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。

5.6 两个正态总体的假设检验 🟩(数一大纲要求)

两组样本来自 N(\mu_1,\sigma_1^2) (容量 m )与 N(\mu_2,\sigma_2^2) (容量 n )且相互独立。

检验对象 条件 统计量 拒绝域(以 H_1 方向定)
\mu_1=\mu_2 \sigma_1^2,\sigma_2^2 已知(U 检验) U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}} 双侧 \lvert u\rvert\ge u_{\alpha/2} ;单侧 u\ge u_\alpha 或 u\le-u_\alpha
\mu_1=\mu_2 \sigma_1^2=\sigma_2^2 未知(T 检验) T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2) 双侧 \lvert t\rvert\ge t_{\alpha/2}(m+n-2)
\sigma_1^2=\sigma_2^2 两总体正态(F 检验) F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1) 双侧 F\le F_{1-\alpha/2}(m-1,n-1) 或 F\ge F_{\alpha/2}(m-1,n-1)

口诀与单总体完全同构:"均值比用 U/T (看方差是否已知),方差比用 F ";方向一律跟着 H_1 跑。 ⚠️ F 检验的"不对称":F 分布不对称,所以双侧拒绝域要两端分别查表;且注意**分子方差配 (m-1) 、分母方差配 (n-1) **,自由度顺序别反。


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

  1. 写出拒绝域 W ;
  2. 写出接受域 \bar W (拒绝域的补集);
  3. 把分布换成 H_1 下的分布(关键:均值/方差要换);
  4. \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)

  1. 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"。
  2. 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"。
  3. 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」**。
  4. 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。
  5. 区间估计只考过一次(2016·14),属低频,但只在数一出现。
  6. 两个正态总体的区间估计与检验(§4.5 / §5.6):大纲明确要求,近十年却从未考——属"高性价比冷门"。一旦出现就是套公式的送分题,两张表(均值差、方差比)务必背熟。
  7. 经验分布函数(§1.3)、第 k 个顺序统计量(§2.6):数一大纲不直接要求,讲课会提到,考试不出——了解即可,别在这上面花计算时间。

8. 速查卡 · 陷阱清单

8.1 速记十四条

  1. 简单随机样本 = i.i.d.;联合分布 = 一维分布连乘(这是 MLE 的根)。
  2. 统计量不能含未知参数——含 \mu 、\sigma 的统统不是。
  3. E\bar X=\mu ,D\bar X=\dfrac{\sigma^2}{n} ,\boxed{ES^2=\sigma^2} (n-1 是为了无偏)。
  4. 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) 。
  5. 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) 。
  6. X_{(n)}=\max :F_{(n)}=F^n ;X_{(1)}=\min :F_{(1)}=1-(1-F)^n 。
  7. 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 )。
  8. 无偏是有效性比较的前提(两级筛选)。
  9. h(\hat\theta)=D\hat\theta+(\text{偏差})^2 ;**MSE 最小的 c ≠ 无偏的 c **。
  10. 均值的双侧区间关于 \bar X 对称 ⟹ **上限 + 下限 = 2\bar X **。
  11. 检验**方向跟着 H_1 **;\sigma^2=2 时标准差是 \sqrt2 。
  12. 小 \alpha 拒绝 ⟹ 大 \alpha 必拒绝;大 \alpha 接受 ⟹ 小 \alpha 必接受。
  13. 两总体:均值差区间/检验的中心是 \bar X-\bar Y ,标准差 \sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}} (或 S_w\sqrt{\dfrac1m+\dfrac1n} );方差比用 F(m-1,n-1) ,区间两端反着放。
  14. MLE 有不变性(\widehat{g(\theta)}=g(\hat\theta) ),无偏性没有(E\hat\theta=\theta 推不出 Eg(\hat\theta)=g(\theta) )。

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)
两总体均值差漏掉某项方差 \dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n} 两项都要,别只写一项
两总体方差比区间方向写反 \sigma_1^2/\sigma_2^2 在分母 ⟹ 大分位点配下限(同 \chi^2 区间)
以为"无偏性"能传递 只有 MLE 有不变性;E\hat\theta=\theta\not\Rightarrow Eg(\hat\theta)=g(\theta)

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)。