上册 14 题(3 点): - 点1 依概率收敛:定义、与数列极限的三条区别、四则运算与连续映射 - 点2 切比雪夫不等式:变形表、三步四陷阱、换元(含 2022·9 骨架) - 点3 三条大数定律:共同形式、切比雪夫(含证明与条件辨析)、伯努利、辛钦、对照 下册 7 题(3 点): - 点1 列维-林德伯格:定理、标准化四步、反解 n(含 2020·8 骨架) - 点2 棣莫弗-拉普拉斯:二项的正态近似、连续性修正 - 点3 三种近似辨析:判据表、泊松近似(含 2025·9 骨架) 同步:总览目录树、第6讲相邻讲次、第一次模拟卷入口、知识点构建索引与第19背诵版回查入口; 删除旧「概率论-第5讲-大数定律与中心极限定理」三件套目录。全部数值经 python 复核。
47 KiB
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 | ||||||||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
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 |
|
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
- 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.。 - 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」。 \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)
- 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}); - 标准化:除以标准差得到
N(0,1),平方得\chi^2(1); - 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:
- 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); - 令
E X^k=A_k=\dfrac1n\sum X_i^k; - 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):
- 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)); - 取对数
\ln L(\theta)(连乘变连加); - 求导令零
\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0; - 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}。
【例 3-1】两样本泊松分布 MLE + 方差(锚 2022·22)
设
X_1,\cdots,X_n来自参数为\theta的泊松分布P(\theta),Y_1,\cdots,Y_m来自参数为2\theta的泊松分布P(2\theta),两组样本相互独立,\theta>0未知。求\theta的极大似然估计\hat\theta及D(\hat\theta)。
第①步 写似然函数(两组相乘):
泊松分布律 P\{X=k\}=\dfrac{\lambda^k e^{-\lambda}}{k!} 。两组样本独立,联合似然 = X 组似然 × Y 组似然:
L(\theta)=\underbrace{\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}}_{\text{X 组,参数 }\theta}\ \cdot\ \underbrace{\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}}_{\text{Y 组,参数 }2\theta}
第②步 整理:
把常数项(与 \theta 无关)合并,\theta 的幂合并:
L(\theta)=\frac{2^{\sum y_j}\,\theta^{\sum x_i+\sum y_j}\,e^{-n\theta-2m\theta}}{\prod x_i!\,\prod y_j!}
关键观察:
- X 组贡献
\theta^{x_i}和e^{-\theta}(n 个样本);- Y 组贡献
(2\theta)^{y_j}=2^{y_j}\theta^{y_j}和e^{-2\theta}(m 个样本);- 所以
\theta的总幂次是\sum x_i+\sum y_j,指数上总共有n\theta+2m\theta=(n+2m)\theta。
第③步 取对数求导:
\ln L(\theta)=\Big(\sum x_i+\sum y_j\Big)\ln\theta+\Big(\sum y_j\Big)\ln2-(n+2m)\theta-\ln(\prod x_i!\prod y_j!)
\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0
解得:
\boxed{\ \hat\theta=\frac{\sum_{i=1}^{n}X_i+\sum_{j=1}^{m}Y_j}{n+2m}\ }
⚠️ 易错 1:分母是
n+2m,不是n+m!因为 Y 组每个样本携带的参数是2\theta,相当于"两个 θ 的信息量",所以分母里 Y 组的权重是2m。 ⚠️ 易错 2:分子里 Y 组就是\sum Y_j,不要写成2\sum Y_j。2\theta那个 2 在取对数时变成了\sum y_j\ln2这一项(常数,求导后消失),不会进到分子里。
**第④步 求 D(\hat\theta) **:
\hat\theta=\frac{\sum X_i+\sum Y_j}{n+2m}
由泊松分布性质 D(X_i)=\theta 、D(Y_j)=2\theta ,且各组样本独立:
D(\hat\theta)=\frac{D(\sum X_i)+D(\sum Y_j)}{(n+2m)^2}=\frac{n\cdot\theta+m\cdot2\theta}{(n+2m)^2}=\frac{\theta(n+2m)}{(n+2m)^2}
\boxed{\ D(\hat\theta)=\frac{\theta}{n+2m}\ }
顺便验证无偏性:
E\hat\theta=\dfrac{n\theta+m\cdot2\theta}{n+2m}=\theta,所以\hat\theta是\theta的无偏估计。
这类题的通用模板(看到"两样本共享一个未知参数"就套):
- 两组样本的分布里都出现同一个
\theta(但参数可能带系数,如\theta与2\theta); - 似然函数 = 两组似然相乘;
- 取对数后,
\theta的系数(幂次)来自两组所有样本; - 指数项
e^{-(\text{样本数加权})\theta}里的权重要按参数倍数算(Y 组是2\theta就贡献2m\theta); - 求导后解出
\hat\theta,再用D(\sum)=nD(X)算方差。
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)
- 找点估计
\hat\theta(一般取 MLE 或\bar X、S^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); - 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; - 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
- 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); - 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; - 定拒绝域:给定
\alpha,按P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha定临界值; - 下结论:算统计量观测值,**落在拒绝域就拒绝
H_0**,否则接受。
【例 5-1】U 检验·双侧·\sigma 已知(走一遍完整四步)
某厂生产的螺钉长度
X\sim N(\mu, 0.2^2)(单位:mm)。现抽n=16个,算得样本平均长度\bar x=2.12mm。在显著性水平\alpha=0.05下,能否认为螺钉平均长度为\mu_0=2.10mm?(已知u_{0.025}=1.96)
第①步 提假设:
H_0:\mu=2.10,\qquad H_1:\mu\ne 2.10\quad(\text{双侧}).
第②步 选统计量:\sigma=0.2 已知,选 U 检验:
U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}\ \xrightarrow{H_0}\ N(0,1).
第③步 定拒绝域:双侧,分位点 u_{\alpha/2}=u_{0.025}=1.96 :
W=\{\,|U|\ge 1.96\,\}.
第④步 算观测值、下结论:
u=\frac{2.12-2.10}{0.2/\sqrt{16}}=\frac{0.02}{0.05}=0.4.
|0.4|<1.96 ,不在拒绝域内,故**接受 H_0 **——可以认为螺钉平均长度为 2.10 mm。
⚠️ 易错:分母是
\sigma/\sqrt n=0.2/4=0.05,不是\sigma=0.2也不是S/\sqrt n。
【例 5-2】U 检验·单侧右侧·\sigma 已知(锚 2025·10)
某元件寿命
X\sim N(\mu, 2)(单位:千小时)。现抽n=9个,算得\bar x=1.8千小时。在\alpha=0.05下,是否有理由认为元件平均寿命大于1千小时?(已知u_{0.05}=1.645)
第①步 提假设(方向跟着 H_1 跑):
H_0:\mu\le 1,\qquad H_1:\mu>1\quad(\text{右侧检验}).
第②步 选统计量:\sigma^2=2 已知,故 \sigma=\sqrt2 :
U=\frac{\bar X-1}{\sqrt2/\sqrt9}=\frac{\bar X-1}{\sqrt2/3}\ \xrightarrow{H_0}\ N(0,1).
第③步 定拒绝域:右侧,单侧分位点 u_{\alpha}=u_{0.05}=1.645 (不是 u_{0.025} ):
W=\{\,U\ge 1.645\,\}.
第④步 算观测值、下结论:
u=\frac{1.8-1}{\sqrt2/3}=\frac{0.8\times 3}{\sqrt2}=\frac{2.4}{1.414}\approx 1.70.
1.70>1.645 ,落在拒绝域内,故**拒绝 H_0 **——有理由认为元件平均寿命大于 1 千小时。
⚠️ 易错 1:
\sigma^2=2时\sigma=\sqrt2,别把方差直接当代入分母。 ⚠️ 易错 2:单侧用u_\alpha=1.645,双侧才用u_{\alpha/2}=1.96。方向不同,分位点不同。
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。
【例 5-3】T 检验·双侧·\sigma 未知
某班数学成绩
X\sim N(\mu,\sigma^2),\sigma未知。现抽n=9人,算得\bar x=72分,s=4.5分。在\alpha=0.05下,能否认为该班平均成绩为75分?(已知t_{0.025}(8)=2.306)
第①步:H_0:\mu=75 ,H_1:\mu\ne75 。
第②步:\sigma 未知,用 S 代替 \sigma ,选 T 检验,自由度 n-1=8 :
T=\frac{\bar X-75}{S/\sqrt n}\ \xrightarrow{H_0}\ t(8).
第③步:双侧拒绝域 W=\{\,|T|\ge t_{0.025}(8)=2.306\,\} 。
第④步:
t=\frac{72-75}{4.5/\sqrt9}=\frac{-3}{1.5}=-2,\qquad |t|=2<2.306.
**接受 H_0 **——可以认为该班平均成绩为 75 分。
口诀对照:
\sigma已知用U、\sigma未知用T;自由度从n变n-1。
【例 5-4】\chi^2 检验·方差·\mu 未知
某厂钢丝折断力
X\sim N(\mu,\sigma^2)。现抽n=10根,算得样本方差s^2=48.2。在\alpha=0.05下,能否认为折断力的方差为\sigma_0^2=64?(已知\chi^2_{0.025}(9)=19.02,\chi^2_{0.975}(9)=2.70)
第①步:H_0:\sigma^2=64 ,H_1:\sigma^2\ne64 。
第②步:\mu 未知,用样本均值代替,自由度 n-1=9 :
\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\ \xrightarrow{H_0}\ \chi^2(9).
第③步:\chi^2 分布不对称,双侧拒绝域要两端分别查:
W=\{\,\chi^2\le\chi^2_{0.975}(9)=2.70\ \text{或}\ \chi^2\ge\chi^2_{0.025}(9)=19.02\,\}.
第④步:
\chi^2=\frac{9\times 48.2}{64}=\frac{433.8}{64}\approx 6.78.
2.70<6.78<19.02 ,不在拒绝域内,**接受 H_0 **——可以认为折断力方差为 64。
⚠️ 易错:
\chi^2双侧拒绝域不是|\chi^2|\ge c这种对称写法!它左尾一个临界值、右尾一个临界值,必须分别查\chi^2_{\alpha/2}(n-1)和\chi^2_{1-\alpha/2}(n-1)。
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
- 写出拒绝域
W; - 写出接受域
\bar W(拒绝域的补集); - 把分布换成
H_1下的分布(关键:均值/方差要换); \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).
【例 6-1】第二类错误 \beta 完整计算(锚 2021·10)
承接【例 5-1】:
X\sim N(\mu, 0.2^2),n=16,H_0:\mu=2.10,H_1:\mu\ne2.10,\alpha=0.05。若真实均值\mu_1=2.20(即H_0实际为假),求第二类错误概率\beta。(\Phi(0.04)\approx0.516,\Phi(3.96)\approx1)
**第①步 写出拒绝域 W **:
由例 5-1,|U|\ge1.96 ,即
\left|\frac{\bar X-2.10}{0.2/4}\right|\ge1.96\ \Longleftrightarrow\ |\bar X-2.10|\ge0.098.
**第②步 写出接受域 \bar W **:
2.10-0.098<\bar X<2.10+0.098\quad\Longleftrightarrow\quad 2.002<\bar X<2.198.
第③步 把分布换成 H_1 下的分布(关键!):
H_1 真实世界里 \mu=\mu_1=2.20 ,所以
\bar X\sim N\!\left(2.20,\ \frac{0.2^2}{16}\right)=N(2.20,\ 0.05^2).
⚠️ **这里必须把均值从
\mu_0=2.10换成\mu_1=2.20**——这是\beta与\alpha的本质区别:\alpha在H_0世界算,\beta在H_1世界算。
**第④步 算 \beta **:
\beta=P\{\text{接受 }H_0\mid\mu=2.20\}=P\{2.002<\bar X<2.198\mid\mu=2.20\}.
标准化 Z=\dfrac{\bar X-2.20}{0.05}\sim N(0,1) :
\beta=P\left\{\frac{2.002-2.20}{0.05}<Z<\frac{2.198-2.20}{0.05}\right\}=P\{-3.96<Z<-0.04\}.
\beta=\Phi(-0.04)-\Phi(-3.96)\approx(1-\Phi(0.04))-0\approx1-0.516=0.484.
结论:当真实均值为 2.20 mm 时,约有 48.4\% 的概率会"错误地接受 H_0 "(即漏判)。
一句话流程:拒绝域 → 接受域 → **换均值为
\mu_1** → 标准化查\Phi。
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)
- 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"。
- 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"。
- 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」**。
- 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。
- 区间估计只考过一次(2016·14),属低频,但只在数一出现。
- 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。
- 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
- 简单随机样本 = i.i.d.;联合分布 = 一维分布连乘(这是 MLE 的根)。
- 统计量不能含未知参数——含
\mu、\sigma的统统不是。 E\bar X=\mu,D\bar X=\dfrac{\sigma^2}{n},\boxed{ES^2=\sigma^2}(n-1是为了无偏)。- 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)。 - 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)。 X_{(n)}=\max:F_{(n)}=F^n;X_{(1)}=\min:F_{(1)}=1-(1-F)^n。- 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)。 - 无偏是有效性比较的前提(两级筛选)。
h(\hat\theta)=D\hat\theta+(\text{偏差})^2;**MSE 最小的c≠ 无偏的c**。- 均值的双侧区间关于
\bar X对称 ⟹ **上限 + 下限 =2\bar X**。 - 检验**方向跟着
H_1**;\sigma^2=2时标准差是\sqrt2。 - 小
\alpha拒绝 ⟹ 大\alpha必拒绝;大\alpha接受 ⟹ 小\alpha必接受。 - 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。 - 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见 第5讲上 大数定律,中心极限定理与泊松近似见 第5讲下;数字特征(
E,D,\operatorname{Cov}) 见 第4讲。