- 第6讲数理统计:删旧三件套(01-考点手册 4.8 万字符 / 02-试题 / 03-解析)与 PDF, 改为 01-知识点盘点 + 02—09 八点分册 + 10-速查卡,共 10 文件 26 题 - 八点:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 / 最大似然 / 评价标准 / 区间估计 / 假设检验与两类错误 - 盘点含 §0.1 按分值、§0.2 依赖链、§0.3 符号、§0.4 AUTO 反查、§9 覆盖对照(21 条)、§10 接口 - 修复 2026-10 第3讲重构留下的死链:大题十年考点/15-点14(7 处指向已删 01-考点手册)、 知识点构建/17-背诵版第3讲(回查入口 4 处) - 知识点构建/20-背诵版第6讲:回查入口改指新文件,题源注明旧 18 题清单已失效待重出 - 同步:总览.md 第6讲目录树、知识点构建 README 题量 18 → 26
19 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第6讲 · 数理统计 | 2026-11-07 | 知识点盘点(八节 + 覆盖对照表),配套 8 个点分册共 26 题 |
|
第6讲 · 数理统计:知识点盘点
真题库第 20、21、22 三章。近十年 15 题 116 分:解答题 8 道(91 分)+ 选填 7 题(25 分)。分章看:ch20 基本概念 2 题 9 分、ch21 参数估计 10 题 93 分、ch22 假设检验 3 题 14 分。
这一讲的结构是"一个前提 + 两条主线":前提是统计量的分布(三大分布与正态总体的四个结论),两条主线是点估计/区间估计(正问题:参数是多少)与假设检验(反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。
一句话定性:数理统计 = 用样本反推总体。前 5 讲是"已知分布求概率"(正问题),这一讲是"已知样本猜分布"(反问题),方向反过来,所以每一问都要先问"我手里有哪些统计量、它们服从什么分布"。
0 三张表
0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 最大似然估计 | 2018·23、2019·23、2020·23、2022·22 | 约 45 | 06 |
| 2 | 估计量的评价标准(无偏/有效/均方误差) | 2021·9、2023·10、2024·22、2016·23 | 约 33 | 07 |
| 3 | 假设检验与两类错误 | 2018·8、2021·10、2025·10 | 约 14 | 09 |
| 4 | 正态总体的抽样分布 | 2017·8 | 4 | 04 |
| 5 | 区间估计 | 2016·14 | 4 | 08 |
| 6 | 三大抽样分布 | 2023·9 | 5 | 03 |
| 7 | 矩估计 | 2017·23 的第一问 | 嵌在解答题 | 05 |
| 8 | 总体、样本与统计量 | 全部题的前置 | — | 02 |
最大似然估计独占 45 分,这是全讲乃至全卷概率部分最集中的一块。它的动作固定(写 L → 取对数 → 求导),但支撑含参数时不能求导,那是唯一的坎。
0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
02 总体、样本与统计量 ← 名词定义 + 三个基本期望
↓
03 三大抽样分布 ← χ² / t / F 的构造
↓
04 正态总体的抽样分布 ← 前面两者的合成:四个结论
↓
05 矩估计 → 06 最大似然估计 ← 两条点估计路线
↓
07 估计量的评价标准 ← 判断估计"好不好"
↓
08 区间估计 → 09 假设检验 ← 同一套分布的两个用法
为什么评价标准要排在两条估计路线之后:无偏性、有效性都是"对某个估计量"说的,手里没有估计量就无从评价。而 07 又是 08、09 的前提——区间估计的枢轴量就是"无偏估计 + 已知分布"。
0.3 符号约定
| 记号 | 含义 |
|---|---|
X_1,\dots,X_n |
简单随机样本(独立同分布于总体 X ) |
\bar X=\dfrac1n\sum X_i |
样本均值 |
S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2 |
样本方差(分母取 n-1 才对) |
S_n^2=\dfrac1n\sum(X_i-\bar X)^2 |
二阶中心矩(分母 n ,有偏) |
X_{(n)}=\max\{X_i\} |
最大次序统计量 |
\chi^2_\alpha(n) 、t_\alpha(n) 、F_\alpha(n_1,n_2) |
上 \alpha 分位点(右侧面积 \alpha ) |
\hat\theta |
参数 \theta 的估计量 |
\alpha 、\beta |
第一类、第二类错误概率 |
分位点是上侧还是下侧,是这一讲最大的符号陷阱。本讲统一用上侧分位点:
P\{\chi^2>\chi^2_\alpha(n)\}=\alpha。所以置信区间里出现的是\chi^2_{1-\alpha/2}与\chi^2_{\alpha/2}两个下、上分位点,顺序不能写反。
0.4 知识点与练习文件对照(按知识点粒度)
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 总体与样本 | 点 1 题 1 |
| §1.2 统计量与三个基本期望 | 点 1 题 2 |
| §1.3 顺序统计量 | 点 1 题 3 |
| §2.1 卡方分布 | 点 2 题 1 |
| §2.2 t 分布 | 点 2 题 2 |
| §2.3 F 分布 | 点 2 题 3 |
| §3.1 单总体的四个结论(本讲的核心) | 点 3 题 1、点 3 题 2 |
| §3.2 两总体的情形 | 点 3 题 3 |
| §4.1 原理与步骤 | 点 4 题 1 |
| §4.2 两个陷阱 | 点 4 题 2 |
| §5.1 似然函数与三步 | 点 5 题 1、点 5 题 2 |
| §5.2 支撑含参数(唯一不能求导的情形) | 点 5 题 3、点 5 题 4 |
| §6.1 无偏性 | 点 6 题 1 |
| §6.2 有效性 | 点 6 题 2 |
| §6.3 相合性(一致性) | 点 6 题 3 |
| §6.4 均方误差 | 点 6 题 4 |
| §7.1 置信区间与枢轴量 | 点 7 题 1 |
| §7.2 单总体的三个区间 | 点 7 题 2 |
| §7.3 两总体的两个区间 | 点 7 题 3 |
| §8.1 原假设、两类错误 | 点 8 题 1 |
| §8.2 拒绝域与显著性水平 | 点 8 题 2 |
| §8.3 正态总体的六大检验 | 点 8 题 3、点 8 题 4 |
1 总体、样本与统计量
1.1 总体与样本
总体是随机变量 X (或它的分布);样本 X_1,\dots,X_n 是 n 个独立同分布、且与 X 同分布的随机变量;样本值 x_1,\dots,x_n 是观测到的数。
"简单随机样本"= 独立 + 同分布,这两个词缺一不可——独立保证联合密度可连乘,同分布保证每个因子长得一样。
1.2 统计量与三个基本期望
统计量:不含任何未知参数的样本函数。\bar X 是统计量,\bar X-\mu 不是(含未知的 \mu )。
\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .
三条必背(对任意总体都成立):
E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .
第三条是 S^2 分母取 n-1 的全部理由;若取 n ,期望是 \frac{n-1}{n}\sigma^2 ,有偏。
1.3 顺序统计量
把样本从小到大排:X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)} 。分布函数法:
F_{X_{(n)}}(x)=\left[F(x)\right]^n,\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^n .
U(0,\theta) 的两个现成结果(解答题反复用):
E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^2=\frac{n}{n+2}\theta^2 .
2 三大抽样分布
2.1 卡方分布
X_i\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^2\sim\chi^2(n).
E\chi^2(n)=n 、D\chi^2(n)=2n ;可加性:\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2) (独立时)。
2.2 t 分布
X\sim N(0,1),\ Y\sim\chi^2(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).
密度偶对称,故 t_{1-\alpha}(n)=-t_\alpha(n) ;n>2 时方差为 \frac{n}{n-2} ;n\to\infty 时趋于 N(0,1) 。
2.3 F 分布
U\sim\chi^2(n_1),\ V\sim\chi^2(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).
两条互换公式(查表必备):
\frac{1}{F}\sim F(n_2,n_1),\qquad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).
3 正态总体的抽样分布
3.1 单总体的四个结论(本讲的核心)
设 X_1,\dots,X_n 来自 N(\mu,\sigma^2) :
\text{①}\ \bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1);
\text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).
③ 是"正态总体"独有的,非正态时 \bar X 与 S^2 一般不独立。第 ② 式的分子是 n-1 而不是 n ,因为减掉 \bar X 用掉一个自由度。
3.2 两总体的情形
两样本独立,X_i\sim N(\mu_1,\sigma_1^2) 、Y_j\sim N(\mu_2,\sigma_2^2) :
\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).
当 \sigma_1^2=\sigma_2^2=\sigma^2 时把两个方差"合并":
S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).
4 矩估计
4.1 原理与步骤
用样本矩替换总体矩:A_k=\frac1n\sum X_i^k 代替 EX^k ,列出与未知参数个数相同的方程,解出参数。
两步:① 写出总体矩(含参数);② 令其等于对应的样本矩,解方程。
4.2 两个陷阱
- 需要二阶矩时用二阶原点矩
A_2=\frac1n\sum X_i^2,不是S^2——两者差一个\frac{n-1}{n}的系数,选择题常在这里设错; - 解出的估计量要检验参数范围(如
\hat\theta必须为正),必要时取绝对值或截断。
5 最大似然估计
5.1 似然函数与三步
L(\theta)=\prod_{i=1}^{n}f(x_i;\theta),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).
三步:① 写 L → ② 取对数 → ③ 对参数求导令零。离散型把 f 换成 p 即可 。
多参数:对每个参数分别求偏导,联立求解(如 2019·23 的 \mu 与 \sigma^2 )。
不变性:若 \hat\theta 是 \theta 的 MLE,则 g(\hat\theta) 是 g(\theta) 的 MLE(不必重新求)。
5.2 支撑含参数(唯一不能求导的情形)
当密度的非零区域端点含参数时(如 f(x)=\frac{3x^2}{\theta^3},\ 0<x<\theta ),L 里会出现示性函数,求导无意义。此时看 L 关于参数的单调性:
L随\theta增大而减小\Rightarrow\hat\theta取\theta的最小可能值;L随\theta增大而增大\Rightarrow\hat\theta取\theta的最大可能值(通常是X_{(n)})。
6 估计量的评价标准
6.1 无偏性
E\hat\theta=\theta\quad(\forall\theta).
三条常用:E\bar X=\mu ;ES^2=\sigma^2 ;E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2 (有偏)。
6.2 有效性
两个都无偏的估计量,方差小的更有效。比值 \dfrac{D\hat\theta_1}{D\hat\theta_2} 就叫相对效率。
6.3 相合性(一致性)
\hat\theta\overset{P}{\longrightarrow}\theta .
验证套路:算 E\hat\theta 与 D\hat\theta ,若"偏差趋于 0 且方差趋于 0 ",由切比雪夫不等式即得相合。
6.4 均方误差
MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .
它是"无偏 + 有效"的合体:允许有偏,只要总误差小。2024·22 的最后一问就考这个。
7 区间估计
7.1 置信区间与枢轴量
枢轴量:含待估参数、但分布已知且不含任何未知参数的统计量。由 P\{a<Q<b\}=1-\alpha 反解出 \theta 的范围即得置信区间。
注意"置信度"的读法:1-\alpha 说的是"反复抽样时,约 100(1-\alpha)\% 的区间会盖住真值",不是"\theta 落在该区间的概率"。
7.2 单总体的三个区间
| 待估 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
\mu |
\sigma^2 已知 |
\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1) |
\bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n} |
\mu |
\sigma^2 未知 |
\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1) |
\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n} |
\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}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right] |
7.3 两总体的两个区间
\mu_1-\mu_2 :方差已知用 z ,未知但相等用合并方差的 t(n_1+n_2-2) 。\dfrac{\sigma_1^2}{\sigma_2^2} :用 F(n_1-1,n_2-1) ,区间为
\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].
大纲要求、十年未单考:两总体的均值差与方差比区间属于"高性价比冷门"——公式要会写,但不必刷难题。
8 假设检验
8.1 原假设、两类错误
| 真实情况 | 接受 H_0 |
拒绝 H_0 |
|---|---|---|
H_0 为真 |
正确 | 第一类错误(弃真),概率 \alpha |
H_0 为假 |
第二类错误(取伪),概率 \beta |
正确(功效 1-\beta ) |
\alpha 是"冤枉好人"的概率,\beta 是"放过坏人"的概率。样本量固定时二者此消彼长;要同时减小只能增大 n 。
8.2 拒绝域与显著性水平
显著性水平 \alpha = 允许的第一类错误上限。拒绝域由 \alpha 与备择假设的方向共同决定:
H_1:\theta>\theta_0→ 右侧拒绝域(大值拒绝);H_1:\theta<\theta_0→ 左侧拒绝域;H_1:\theta\ne\theta_0→ 双侧拒绝域,每侧\alpha/2。
8.3 正态总体的六大检验
| 检验对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
单总体 \mu |
\sigma^2 已知 |
\dfrac{\bar X-\mu_0}{\sigma/\sqrt n} |
N(0,1) |
单总体 \mu |
\sigma^2 未知 |
\dfrac{\bar X-\mu_0}{S/\sqrt n} |
t(n-1) |
单总体 \sigma^2 |
\mu 未知 |
\dfrac{(n-1)S^2}{\sigma_0^2} |
\chi^2(n-1) |
两总体 \mu_1-\mu_2 |
方差已知 | \dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}} |
N(0,1) |
两总体 \mu_1-\mu_2 |
方差未知但相等 | \dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}} |
t(n_1+n_2-2) |
两总体 \sigma_1^2/\sigma_2^2 |
均值未知 | \dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2} |
F(n_1-1,n_2-1) |
9 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 总体与样本 | 理解 | 全部题前置 | 有 | 点 1,1 题 |
| 统计量与三个基本期望 | 掌握 | 2024·22 | 有 | 点 1,1 题 |
| 顺序统计量 | 掌握 | 2016·23、2024·22 | 有 | 点 1,1 题 |
| 卡方分布 | 掌握 | 2017·8 | 有 | 点 2,1 题 |
| t 分布 | 掌握 | 嵌在各题 | 有 | 点 2,1 题 |
| F 分布 | 掌握 | 2023·9 | 有 | 点 2,1 题 |
| 正态总体的四个结论 | 掌握 | 2017·8、2023·9 | 有 | 点 3,2 题 |
| 两总体的抽样分布 | 掌握 | 2023·9 | 有 | 点 3,1 题 |
| 矩估计 | 掌握 | 2017·23 | 有 | 点 4,2 题 |
| 最大似然估计 | 掌握 | 2018·23、2019·23、2020·23、2022·22 | 有 | 点 5,2 题 |
| 支撑含参数的 MLE | 掌握 | 2016·23 | 有 | 点 5,2 题 |
| 无偏性 | 掌握 | 2021·9、2023·10 | 有 | 点 6,1 题 |
| 有效性 | 掌握 | 2021·9 | 有 | 点 6,1 题 |
| 相合性 | 掌握 | 未单考 | 有 | 点 6,1 题 |
| 均方误差 | 了解 | 2024·22 | 无(自编) | 点 6,1 题 |
| 置信区间与枢轴量 | 掌握 | 2016·14 | 有 | 点 7,1 题 |
| 单总体区间 | 掌握 | 2016·14 | 有 | 点 7,1 题 |
| 两总体区间 | 掌握 | 未考 | 有 | 点 7,1 题 |
| 两类错误 | 掌握 | 2018·8、2021·10、2025·10 | 有 | 点 8,1 题 |
| 拒绝域与显著性水平 | 掌握 | 2025·10 | 有 | 点 8,1 题 |
| 六大检验 | 掌握 | 2018·8、2021·10 | 有 | 点 8,2 题 |
判断:21 个知识点里,大纲"掌握"的 19 个全部配题,"均方误差"属"了解"层次也配了 1 题。"两总体区间"与"相合性"是十年未考的两处空白,按大纲要求补齐,标注为"高性价比冷门"。
10 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
EX 、DX 、\operatorname{Cov} 、D\bar X |
第4讲 | 点 1 的三条基本期望、点 6 的方差比较全靠它 |
E\sum(X_i-\bar X)^2=(n-1)\sigma^2 |
第4讲点5 题4 | S^2 无偏性的唯一根据 |
| 依概率收敛、辛钦大数定律 | 第5讲上 | 点 6 相合性的证明工具 |
\Phi 、z_\alpha 分位数 |
第5讲下 | 点 8、点 9 的临界值 |
| 正态分布的可加性与标准化 | 第3讲点3 §3.5 | 点 3 两样本结论的来源 |
\max/\min 的分布 |
第3讲点6 | 点 1 顺序统计量直接引用 |
跨讲一句话:前 5 讲给的是"分布 → 概率",本讲要的是"样本 → 参数",唯一的桥就是统计量的分布。所以本讲真正的重点不是公式,而是见到一个统计量就能说出它服从什么分布。