Files
MathNotesVersion2/基于考研的学习/数学一/专项突破/03-大数定律与数理统计/03b-解析-扩散.md
T
Yimu 24d2db5c45 feat(专项突破): 出三份扩散式复习专题(反常积分 / 线面积分 / 数理统计)
- 01 反常积分 20 题:以反常积分为圆心铺一元积分全章,张宇第 8/9 章为骨架
- 02 线面积分 21 题:格林 / 高斯 / 斯托克斯 + 两类积分,真题约 125 分;张宇库无此章
- 03 大数定律与数理统计 20 题:ch19—ch22,切比雪夫与置信区间为模拟卷三第 8/10 题的加练
- 每题分三层(A 核心 / B 一圈 / C 二圈)并标注真题或张宇骨架
- 解析超 1.3 万字符上限,拆为 03a-解析-核心 / 03b-解析-扩散
- 专项突破 README 与总览建索引
2026-10-31 17:59:41 +08:00

225 lines
10 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
tags: [数学一, 专项突破, 解析, 大数定律与数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: B 组与 C 组题解析,A 组见 03a
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03a-解析-核心]]"]
---
# 解析(扩散)· 大数定律与数理统计
A 组核心题的解析见 [03a-解析-核心](03a-解析-核心.md)。下面从 B 组接续。
## B 组
### 题 B1 · 有偏,修正为 $\dfrac{n+1}{n}X_{(n)}$
**怎么想**:判断无偏要算 $E(X_{(n)})$ ,而算它要先有 $X_{(n)}$ 的密度。
**解**:$U(0,\theta)$ 的分布函数 $F(x)=\dfrac x\theta$ ($0<x<\theta$ ),故
$$f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)=n\left(\frac x\theta\right)^{n-1}\cdot\frac1\theta=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.$$
$$E(X_{(n)})=\int_0^\theta x\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta\neq\theta.$$
故 $X_{(n)}$ **有偏**。修正:取 $\dfrac{n+1}{n}X_{(n)}$ ,其期望为 $\dfrac{n+1}{n}\cdot\dfrac{n}{n+1}\theta=\theta$ ,无偏。
**归因**:**$\max$ 天然偏小**(它永远取不到 $\theta$ 以上),所以 $X_{(n)}$ 低估 $\theta$ ,修正要**乘一个大于 1 的因子**。写成 $\frac{n}{n+1}X_{(n)}$ 就是把方向搞反了——那一改偏得更小。
---
### 题 B2 · (Ⅰ)均无偏 (Ⅱ)$\bar X$ 更有效
**解**:
(Ⅰ)$E(\bar X)=\theta$ ,无偏。
$X_{(1)}=\min X_i$ 的分布:$P\{X_{(1)}>x\}=\left[P\{X_1>x\}\right]^n=\mathrm{e}^{-nx/\theta}$ ,故 $X_{(1)}$ 服从参数为 $\dfrac\theta n$ 的指数分布,
$$E(X_{(1)})=\frac\theta n\ \Longrightarrow\ E(nX_{(1)})=\theta,$$
无偏。
(Ⅱ)$D(\bar X)=\dfrac{\theta^2}{n}$ 。又 $D(X_{(1)})=\dfrac{\theta^2}{n^2}$ ,故
$$D(nX_{(1)})=n^2\cdot\frac{\theta^2}{n^2}=\theta^2.$$
比较:当 $n\geqslant2$ 时 $\dfrac{\theta^2}{n}<\theta^2$ ,故 $\bar X$ 的方差更小,**$\bar X$ 更有效**。
**归因**:$X_{(1)}$ 的期望是 $\theta/n$ 而不是 $\theta$ —— 最小值天然偏小,所以乘 $n$ 才无偏。第(Ⅱ)问的关键是 $D(nX_{(1)})=\theta^2$ **与 $n$ 无关**,这说明"只用一个样本点"的估计量不会因为样本量增加而变准,这正是它不如 $\bar X$ 的原因。
---
### 题 B3 · 证明
**解**:记 $\hat\theta_n=\dfrac{n+1}{n}X_{(n)}$ 。
**无偏**:由 B1 ,$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $E(\hat\theta_n)=\theta$ 。
**方差趋于 0**:由 B4 的结论 $D(X_{(n)})=\dfrac{n\theta^2}{(n+1)^2(n+2)}$ ,
$$D(\hat\theta_n)=\left(\frac{n+1}{n}\right)^2\cdot\frac{n\theta^2}{(n+1)^2(n+2)}=\frac{\theta^2}{n(n+2)}\to0\quad(n\to\infty).$$
由切比雪夫不等式,对任意 $\varepsilon>0$ :
$$P\left\{\left|\hat\theta_n-\theta\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\hat\theta_n)}{\varepsilon^2}=\frac{\theta^2}{n(n+2)\varepsilon^2}\to0.$$
故 $\hat\theta_n\xrightarrow{P}\theta$ ,即 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的相合估计。
**归因**:相合性的判据是"**无偏 + 方差趋于 0**"(充分条件),本题正好两条都满足,用切比雪夫一收即可。**别漏掉"对任意 $\varepsilon>0$ "这句**,它是依概率收敛的定义语言。
---
### 题 B4 · 见解析
**解**:
(Ⅰ)由 B1 已得
$$f_{X_{(n)}}(x)=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.$$
(Ⅱ)$E(X_{(n)})=\dfrac{n}{n+1}\theta$ 。
$$E\!\left(X_{(n)}^2\right)=\int_0^\theta x^2\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n\theta^2}{n+2}.$$
$$D(X_{(n)})=\frac{n\theta^2}{n+2}-\left(\frac{n\theta}{n+1}\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\theta^2}{(n+1)^2(n+2)}.$$
(通分:分子 $n(n+1)^2-n^2(n+2)=n^3+2n^2+n-n^3-2n^2=n$ 。)
**归因**:方差这一步必须通分到底,最后分子恰好是 $n$ ——这是个"漂亮结果",可以用它自查。数值验证:$n=2$ 时 $D=\dfrac{2\theta^2}{9\cdot4}=\dfrac{\theta^2}{18}$ ,而 $U(0,\theta)$ 两个样本的最大值方差可直接算,结果一致。
---
### 题 B5 · $(1.89,\ 13.33)$
**怎么想**:$\sigma^2$ 的区间只能用 $\chi^2$ 枢轴量,$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 。
**解**:枢轴量 $\chi^2=\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(9)$ ,由
$$P\left\{\chi^2_{0.975}(9)<\chi^2<\chi^2_{0.025}(9)\right\}=0.95$$
得
$$\frac{(n-1)s^2}{\chi^2_{0.025}(9)}<\sigma^2<\frac{(n-1)s^2}{\chi^2_{0.975}(9)}.$$
代入 $(n-1)s^2=9\times4=36$ :
$$\sigma^2\in\left(\frac{36}{19.02},\ \frac{36}{2.70}\right)=(1.893,\ 13.333).$$
**归因**:**上下标是反的**——分母大的分位数($0.025$ )对应区间的**左端**,因为它在分母上。这与 $t$ 区间"$\pm t_{\alpha/2}$ "的直觉相反,是这块最阴的一个点。记法:**分位数在分母上,所以与 $\alpha/2$ 的位置要对调**。
---
## C 组
### 题 C1 · A
**解**:(A)对。样本量固定时,$\alpha$ 与 $\beta$ 此消彼长:减小 $\alpha$ 意味着拒绝域变小,$H_0$ 更难被拒绝,于是 $H_0$ 为假时也更难拒绝,$\beta$ 增大。
(B)错,$\alpha+\beta$ 一般不等于 1。(C)错,两者同时减小只能靠增大样本量。(D)错,$\beta$ 是第二类错误概率,显著性水平是 $\alpha$ 。
**归因**:这条的唯一考点就是"此消彼长"。补一句常考的:**要同时减小两类错误,唯一办法是增大样本量**。
---
### 题 C2 · $\bar x>10.658$
**怎么想**:$H_1$ 写"$\mu>10$ " ,所以拒绝域在**右尾**,用 $u_\alpha$ (单尾)而不是 $u_{\alpha/2}$ 。
**解**:$\sigma=2$ 已知,用 $u$ 统计量 $U=\dfrac{\bar X-10}{2/\sqrt{25}}=\dfrac{\bar X-10}{0.4}$ 。
$$P\{U>u_{0.05}\}=\alpha=0.05\ \Longrightarrow\ \bar X>10+1.645\times0.4=10.658.$$
故拒绝域为 $\bar x>10.658$ 。
**归因**:两个坑。①单侧检验用 $u_{0.05}=1.645$ ,**不是** $1.96$ ;②方向跟着 $H_1$ 走,$H_1$ 是"大于"就往右拒绝。若把 $H_1$ 改成 $\mu<10$ ,拒绝域就是 $\bar x<9.342$ 。
---
### 题 C3 · 见解析
**解**:两样本独立,$\bar X\sim N\!\left(\mu_1,\dfrac{\sigma_1^2}{n_1}\right)$ ,$\bar Y\sim N\!\left(\mu_2,\dfrac{\sigma_2^2}{n_2}\right)$ ,故
$$\bar X-\bar Y\sim N\left(\mu_1-\mu_2,\ \frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}\right).$$
在 $H_0:\mu_1=\mu_2$ 下,
$$U=\frac{\bar X-\bar Y}{\sqrt{\dfrac{\sigma_1^2}{n_1}+\dfrac{\sigma_2^2}{n_2}}}\sim N(0,1).$$
双尾检验,拒绝域为
$$|U|>u_{\alpha/2}.$$
**归因**:①$\sigma_1^2,\sigma_2^2$ **已知**才用 $u$ ;未知但相等要用**合并方差**的 $t$ (自由度 $n_1+n_2-2$ );未知且不等要用近似 $t$ ( Welch )。②双尾用 $\alpha/2$ ,这与单尾题的区别就在此。这条大纲要求、十年未考,属于"高性价比冷门"。
---
### 题 C4 · 证明
**解**:记 $\bar X_n=\dfrac1n\displaystyle\sum_{i=1}^nX_i$ 。由独立性,
$$E(\bar X_n)=\frac1n\sum_{i=1}^nE(X_i)=\mu,\qquad D(\bar X_n)=\frac{1}{n^2}\sum_{i=1}^nD(X_i)=\frac{\sigma^2}{n}.$$
对任意 $\varepsilon>0$ ,由切比雪夫不等式:
$$P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\bar X_n)}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}.$$
当 $n\to\infty$ 时右端趋于 0,故
$$\lim_{n\to\infty}P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}=0,$$
即 $\dfrac1n\displaystyle\sum_{i=1}^nX_i\xrightarrow{P}\mu$ 。
**归因**:这题是"标准三步":算期望、算方差、套切比雪夫。两个易错点:①$D(\bar X)=\frac{\sigma^2}{n}$ 里的 $\frac{1}{n^2}$ 别丢;②最后要写成**极限形式** $\lim P\{\cdot\}=0$ ,这才是依概率收敛的定义。
---
### 题 C5 · 见解析
**解**:
(Ⅰ)**矩估计**:$E(X)=\theta$ ,令 $\theta=\bar X$ ,得 $\hat\theta_{\text{矩}}=\bar X$ 。
(Ⅱ)**极大似然**:似然函数
$$L(\theta)=\prod_{i=1}^n\frac1\theta\mathrm{e}^{-X_i/\theta}=\theta^{-n}\exp\left(-\frac{1}{\theta}\sum_{i=1}^nX_i\right),$$
$$\ln L=-n\ln\theta-\frac{1}{\theta}\sum_{i=1}^nX_i.$$
求导令零:
$$\frac{\mathrm{d}\ln L}{\mathrm{d}\theta}=-\frac n\theta+\frac{1}{\theta^2}\sum_{i=1}^nX_i=0\ \Longrightarrow\ \hat\theta_{\text{MLE}}=\frac1n\sum_{i=1}^nX_i=\bar X.$$
(二阶导在 $\theta=\bar X$ 处为 $-\frac{n}{\bar X^2}<0$ ,是极大值。)
(Ⅲ)$E(\bar X)=\theta$ ,故 $\bar X$ 是 $\theta$ 的**无偏**估计。
(Ⅳ)目标估计量是 $\lambda=\dfrac1\theta$ 。由题给
$$E\left(\frac{1}{\bar X}\right)=\frac{n}{(n-1)\theta}=\frac{n}{n-1}\cdot\frac1\theta=\frac{n}{n-1}\lambda,$$
故 $\dfrac1{\bar X}$ 的期望是目标的 $\dfrac{n}{n-1}>1$ 倍,**有偏**(系统性偏大)。
而
$$E\left(\frac{n-1}{n}\cdot\frac{1}{\bar X}\right)=\frac{n-1}{n}\cdot\frac{n}{n-1}\cdot\frac1\theta=\frac1\theta,$$
故 $\dfrac{n-1}{n}\cdot\dfrac1{\bar X}$ 才是 $\dfrac1\theta$ 的无偏估计。
**归因**:这道题的核心是一句话:**期望与倒数不能交换**,即 $E\!\left(\dfrac1{\bar X}\right)\neq\dfrac{1}{E(\bar X)}$ 。因为 $f(t)=1/t$ 是凸函数,由 Jensen 不等式 $E\!\left(\dfrac1{\bar X}\right)>\dfrac{1}{E(\bar X)}$ ,所以 $\dfrac1{\bar X}$ 系统性偏大,修正要**乘一个小于 1 的因子** $\dfrac{n-1}{n}$ 。这与均匀分布"乘 $\dfrac{n+1}{n}$ "方向相反,别记混。
---
## 错题归因表
| 你错的题 | 如果是 | 说明什么 | 补法 |
|---|---|---|---|
| A1 | 没认出 $\varepsilon$ | 切比雪夫只会正向用 | 回 [01 §1.1](01-考点地图.md#user-content-11-切比雪夫不等式小题-8-的正主),练反向 |
| A4 / A6 | 自由度记错 | $\chi^2$ 与 $F$ 的 $n-1$ 混淆 | $S^2$ 出现就减 1 |
| A5 | $t$ 的定义记混 | 分母缺"/自由度" | 默写三遍 $t$ 的定义 |
| A7 | 以为是普适结论 | 抽样定理的前提是正态 | 记"独立是正态专属,无偏是普适" |
| A10 / B5 | 用错分布或用错分位 | 这块头号错因 | 背两张区间表 |
| B1 / B5 | 修正因子方向反 | 期望偏大偏小没判断 | 想"$\max$ 偏小、$1/\bar X$ 偏大" |
| A8 / A9 | 方程解错 | 计算 | 解完代回去验 |
| C1 / C2 | $\alpha$ 用错侧 | 单双尾没分清 | 拒绝域跟着 $H_1$ 走 |