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/02-点1-总体样本与统计量.md
T
Yimu 4e4009de30 重构概率论第6讲为「知识点带题」格式,并修复跨讲死链
- 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
2026-11-07 13:02:26 +08:00

9.8 KiB
Raw Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
概率论
数理统计
统计量
顺序统计量
概率论 第6讲 · 点1 总体、样本与统计量 2026-11-07 知识点带题(1.1 总体与样本、1.2 统计量与三个基本期望、1.3 顺序统计量,共 3 题)
README
01-知识点盘点

点 1 总体、样本与统计量

全部解答题的前置、2024·22 直接考 X_{(n)} |重要度 ★★☆ 依赖:第 3 讲的随机变量函数、第 4 讲的期望与方差。盘点对应:§1 全节。

组织原则:这一点是全讲的"名词语法课"——把"总体、样本、统计量"三个词的含义固定下来,再记住三个基本期望。三题按"样本的联合分布 → 统计量的性质 → 顺序统计量"递进,第 3 题直接是 2024·22 的第一、二问。难度标准:★☆☆ 一题、★★☆ 两题。

知识点 1.1 总体与样本(出处:知识章 §1)

总体:随机变量 X (或它的分布),通常带未知参数。 简单随机样本:X_1,\dots,X_n 独立且与总体同分布。 样本值:观测到的数 x_1,\dots,x_n (小写)。

联合分布("独立"把所有因子拆开,"同分布"让它们长得一样):

f(x_1,\dots,x_n)=\prod_{i=1}^{n}f(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).

两个词各管一件事:

  • 独立 \Rightarrow 联合 = 边缘之积(可连乘);
  • 同分布 \Rightarrow 每个因子用同一个 f (可写成一个 f 的 n 次方)。

缺任何一个,L(\theta)=\prod f(x_i;\theta) 这个写法就失效,最大似然估计整条路都走不通。

知识点 1.2 统计量与三个基本期望(出处:知识章 §2.1、§2.2)

统计量:不含任何未知参数的样本函数。判断只需问一句:"给我样本值,能不能算出这个数?"能算就是统计量。

\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(对任意总体成立,不要求正态):

E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .

S^2 的分母取 n-1 的道理:因为 E\sum(X_i-\bar X)^2=(n-1)\sigma^2 (第 4 讲点 5 题 4 已证)。分母取 n 时期望变成 \frac{n-1}{n}\sigma^2 ,系统性偏小——这就是"有偏、无偏"的第一课。

知识点 1.3 顺序统计量(出处:知识章 §2.3)

把样本从小到大排:X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)} 。最常用的是两端:

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(直接背):

E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^{2}=\frac{n}{n+2}\theta^{2},\qquad D X_{(n)}=\frac{n\,\theta^{2}}{(n+1)^{2}(n+2)} .

它是"支撑含参数"题的唯一出路:U(0,\theta) 的 \theta 只出现在支撑上,最大似然估计不能求导,答案就是 X_{(n)} 。所以这三个式子同时也是点 5 的工具。


题目(按知识点顺序对应)

题 1 · 1.1:联合分布与两个词的用处(★☆☆)

设总体 X\sim E(\lambda) (\lambda>0 未知),X_1,\dots,X_n 为简单随机样本。

(Ⅰ)写出 (X_1,\dots,X_n) 的联合密度; (Ⅱ)指出"独立"与"同分布"各自用在哪一步; (Ⅲ)若观测带有公共的系统偏差(即真实值是 X_i+c ,c 未知),联合密度还是这个形式吗?

怎么想:联合密度就是把每个 f(x_i) 乘起来。本题要看清的是"乘"来自独立、"同一个 f "来自同分布。

解:

(Ⅰ) 单个的密度是 f(x)=\lambda e^{-\lambda x} (x>0 )。由独立同分布,

f(x_1,\dots,x_n)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}x_i\right)\quad(x_i>0).

(Ⅱ) "独立"负责把联合拆成 n 个因子相乘;"同分布"负责让 n 个因子都是同一个 \lambda e^{-\lambda x} 。两者合起来才得到 \lambda^{n}e^{-\lambda\sum x_i} 这个紧凑形式。

(Ⅲ) 不是。若 Y_i=X_i+c 是观测值,则 Y_i 的密度是 f(y_i-c)=\lambda e^{-\lambda(y_i-c)} ,联合密度变成

\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}(y_i-c)\right)=\lambda^{n}e^{-\lambda\sum y_i}\cdot e^{n\lambda c},

多出一个 e^{n\lambda c} ——参数进入了一个"整体因子"。这正说明:样本的联合密度必须按"观测值实际服从的分布"来写,不能照抄总体密度 。

带走结论:联合密度 = 单个密度的连乘,而"单个"指观测值所服从的那个。这一点在最大似然里是生死线:写错 f ,后面求导再漂亮也是零分。

关联 · 盘点 §1.1 总体与样本 | 上游 — | 下游 — | 速查 一 三个基本期望与次序统计量


题 2 · 1.2:统计量的三个基本期望(★★☆)

设 X_1,\dots,X_n 是来自总体 X 的简单随机样本,EX=\mu 、DX=\sigma^2 。记

\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .

(Ⅰ)求 E\bar X 与 D\bar X ; (Ⅱ)求 ES^2 与 ES_n^2 ; (Ⅲ)在 \bar X 、S^2 、\bar X-\mu 、X_1+X_2 、\dfrac{\bar X}{\sigma} 中,哪些是统计量?

怎么想:(Ⅰ)(Ⅱ)都是第 4 讲点 5 的恒等式;(Ⅲ)只看"含不含未知参数",含 \mu 或 \sigma 的就不是。

解:

(Ⅰ) 线性性给期望,独立给方差:

E\bar X=\frac1n\sum EX_i=\frac{n\mu}{n}=\mu,\qquad D\bar X=\frac{1}{n^2}\sum DX_i=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}.

(Ⅱ) 先算偏差平方和:

E\sum_{i=1}^{n}(X_i-\bar X)^2=E\left(\sum X_i^2-n\bar X^2\right)=n\left(\sigma^2+\mu^2\right)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2 .

于是

ES^2=\frac{(n-1)\sigma^2}{n-1}=\sigma^2,\qquad ES_n^2=\frac{(n-1)\sigma^2}{n}=\frac{n-1}{n}\sigma^2 .

(Ⅲ) 逐一看:

量 是统计量? 理由
\bar X 是 只用样本
S^2 是 只用样本
\bar X-\mu 不是 含未知的 \mu
X_1+X_2 是 只用样本(虽然浪费信息)
\bar X/\sigma 不是 含未知的 \sigma

验算:取 n=2 直接核(Ⅱ):\sum(X_i-\bar X)^2=\frac{(X_1-X_2)^2}{2} ,而 E(X_1-X_2)^2=2\sigma^2 ,故期望为 \sigma^2=(n-1)\sigma^2 ✓。

带走结论:S^2 无偏、S_n^2 有偏,差别就在那个 \frac{n-1}{n} 上 。选择题常把 S_n^2 混进来问"哪个是 \sigma^2 的无偏估计",认分母就行。另外**"是不是统计量"只看含不含未知参数**,与实际好坏无关。

关联 · 盘点 §1.2 统计量与三个基本期望 | 上游 — | 下游 — | 速查 一 三个基本期望与次序统计量


题 3 · 1.3:最大次序统计量(★★☆)

设 X_1,\dots,X_n 是来自 U(0,\theta) 的简单随机样本,X_{(n)}=\max\{X_1,\dots,X_n\} 。

(Ⅰ)求 X_{(n)} 的分布函数与密度; (Ⅱ)求 EX_{(n)} 与 EX_{(n)}^2 ,进而求 DX_{(n)} ; (Ⅲ)验证 \dfrac{n+1}{n}X_{(n)} 是 \theta 的无偏估计。

怎么想:X_{(n)}\le x 等价于"每个 X_i 都 \le x ",独立就能连乘——这是顺序统计量唯一需要的技巧。之后的两个矩直接积分。

解:

(Ⅰ) U(0,\theta) 的分布函数 F(x)=\dfrac{x}{\theta} (0<x<\theta )。于是

F_{X_{(n)}}(x)=P\{X_1\le x,\dots,X_n\le x\}=\left(\frac{x}{\theta}\right)^{n}\quad(0<x<\theta).

求导得密度

f_{X_{(n)}}(x)=\frac{n\,x^{n-1}}{\theta^{n}}\quad(0<x<\theta).

(Ⅱ)

EX_{(n)}=\int_0^{\theta}x\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta . EX_{(n)}^2=\int_0^{\theta}x^2\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n}{n+2}\theta^2 . DX_{(n)}=\frac{n}{n+2}\theta^2-\left(\frac{n}{n+1}\theta\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\,\theta^2}{(n+1)^2(n+2)} .

(Ⅲ)

E\left(\frac{n+1}{n}X_{(n)}\right)=\frac{n+1}{n}\cdot\frac{n}{n+1}\theta=\theta ,

故 \dfrac{n+1}{n}X_{(n)} 是 \theta 的无偏估计。

验算:取 n=1 ,X_{(1)}=X_1\sim U(0,\theta) ,EX_1=\frac{\theta}{2} ,而 \frac{n}{n+1}\theta=\frac{\theta}{2} ✓;DX_1=\frac{\theta^2}{12} ,公式给 \frac{1\cdot\theta^2}{4\cdot3}=\frac{\theta^2}{12} ✓。

带走结论:X_{(n)} 系统性偏小(EX_{(n)}=\frac{n}{n+1}\theta<\theta ),所以要乘 \frac{n+1}{n} 才无偏;乘完之后方差是 \frac{\theta^2}{n(n+2)} ——这个数在 2024·22 的均方误差一问里会再出现一次。

关联 · 盘点 §1.3 顺序统计量 | 上游 — | 下游 — | 速查 一 三个基本期望与次序统计量