Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md
T

181 lines
23 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, 知识点构建, 背诵版, 概率论, 数理统计]
专题: 概率论 第6讲 · 数理统计 · 背诵版
日期: 2026-10-27
状态: 背诵版 v1(考点完整呈现 + 18 题清单,无解答)
来源: 在学练习/概率论-第6讲-数理统计 | 参考仓库 Math/probability-theory-and-mathematical-statistics
关联笔记: ["[[README]]", "[[../在学练习/概率论-第6讲-数理统计/README]]"]
---
# 概率论 第6讲 · 数理统计 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:在学练习 `02-试题`(18 题:A 组 1–6 / B 组 7–14 / C 组 15–18),编号沿用原题号;考点出处标注参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。难度与真题锚点一并保留。
## 0. 本讲骨架(先背这张图)
**一句话概括**:**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**),再用工具反推总体未知参数(**点估计 → 区间估计 → 假设检验**)。
**三条主线**:① **独立性**(简单随机样本 = i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。
**真题地位**:真题库第 20/21/22 章合计 **15 题、116 分**;其中**参数估计(第 21 章)标注「热门」——近十年几乎年年一道 11–12 分解答题,是本讲唯一必拿的大题**(10 题里 8 题涉及 MLE)。区间估计、假设检验、两类错误**仅数学一**考,且只出选填。**「铁打的 22 题」**:每年解答题第 22(23)题基本固定考参数估计。
**六节地图**:§1 总体与样本(冷门)→ §2 统计量及其分布(三大分布 + 正态抽样分布,隔年选填)→ §3 **参数的点估计(年年必考解答题)**→ §4 区间估计(仅数一)→ §5 假设检验(仅数一)→ §6 两类错误(仅数一)。
**考点树**
| 节 | 考点(对应题目) |
|---|---|
| §1 总体与样本 | 简单随机样本、联合分布连乘、经验分布函数(题1 起手) |
| §2 统计量及其分布 ★ | 统计量定义、常用统计量、$\bar X/S^2$ 数字特征、$\chi^2/t/F$ 三大分布、单/两正态抽样分布、顺序统计量(题1–3、8、14) |
| §3 参数的点估计 ★★★ | 矩估计、MLE(可微/不可微/不变性)、无偏/有效/一致/MSE(题4–8、12、13、15–17) |
| §4 区间估计 | 枢轴变量法、单总体四大表、两总体两类(题9) |
| §5 假设检验 | 四步、三类拒绝域、单总体六大表、两总体三类(题10、18) |
| §6 两类错误 | $\alpha$/$\beta$ 定义与计算、$\alpha\beta$ 关系(题11、18) |
## 1. §1 总体与样本
总体 = 研究对象全体(数学上是一个随机变量 $X$);个体 = 每个元素;**简单随机样本 = $n$ 个相互独立且与总体同分布**的 $(X_1,\dots,X_n)$——「概率论里的 i.i.d.」即「数理统计里的简单随机样本」。**样本联合分布(核心)**:$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)$(离散同理)——独立性使 $n$ 维联合分布 = 一维分布连乘,这是 MLE 的根。经验分布函数 $\hat F_n(x)=\frac{\text{样本中}\le x\text{的个数}}n$(了解);格利文科定理:$\sup_x|\hat F_n(x)-F(x)|\xrightarrow{\text{a.s.}}0$。
## 2. §2 统计量及其分布
### 2.1 统计量定义(判断题高频)
$g(X_1,\dots,X_n)$ 中**不含任何未知参数**($\mu$、$\sigma$)才是统计量。判断口诀:**「能不能算出来」**。例:$\sum X_i$、$\max X_i$ 是;$\sum(X_i-\mu)^2$、$\frac{X_1-\mu}{\sigma}$ 不是。
### 2.2 常用统计量与恒等式
样本均值 $\bar X=\frac1n\sum X_i$;样本方差 $S^2=\frac1{n-1}\sum(X_i-\bar X)^2$;样本 $k$ 阶原点矩 $A_k=\frac1n\sum X_i^k$、中心矩 $B_k=\frac1n\sum(X_i-\bar X)^k$。**恒等式**:$\sum(X_i-\bar X)^2=\sum X_i^2-n\bar X^2$。
### 2.3 $\bar X$ 与 $S^2$ 的数字特征(必背)
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2.$$
**为什么除以 $n-1$**:用 $\bar X$ 代替 $\mu$ 损失 1 个自由度,$E[\frac1n\sum(X_i-\bar X)^2]=\frac{n-1}{n}\sigma^2$(有偏)——**$n-1$ 是为了无偏性**(也解释了 $\chi^2$ 里 $n-1$)。
### 2.4 三大抽样分布
- **$\chi^2$**:$X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ⟹ $\chi^2=\sum X_i^2\sim\chi^2(n)$。性质:可加性(独立 $\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$);$E\chi^2(n)=n$、$D\chi^2(n)=2n$;**分布不对称**,上下分位点分别查。
- **$t$**:$X\sim N(0,1)$、$Y\sim\chi^2(n)$ 独立 ⟹ $t=\frac{X}{\sqrt{Y/n}}\sim t(n)$。性质:密度**偶函数、关于 $y$ 轴对称、比标准正态矮胖(尾厚)**;$n$ 大近似 $N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$。用途:$\sigma$ 未知时用 $S$ 代替。
- **$F$**:$U\sim\chi^2(n_1)$、$V\sim\chi^2(n_2)$ 独立 ⟹ $F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$。性质:$\frac1F\sim F(n_2,n_1)$;$F_{1-\alpha}(n_1,n_2)=\frac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**($n_1$ 分子、$n_2$ 分母)。
### 2.5 正态总体下的抽样分布(本节最重要)
**(一)单个正态总体(四条定理,$\bar X$、$S^2$ 来自 $N(\mu,\sigma^2)$)**
① $\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$;② $\frac1{\sigma^2}\sum(X_i-\mu)^2\sim\chi^2(n)$($\mu$ 已知);③ $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$($\mu$ 未知);④ $\bar X$ 与 $S^2$ **相互独立**,且 $\frac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$($\sigma$ 未知);⑤ $\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$。
口诀:**②→③「$\mu$ 换成 $\bar X$,自由度减一」**;**①→④「$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$」**。④ 的独立性是**正态总体独有**(一般总体不成立),必须记住。
**(二)两个正态总体($X_1,\dots,X_m\sim N(\mu_1,\sigma_1^2)$、$Y_1,\dots,Y_n\sim N(\mu_2,\sigma_2^2)$ 独立)**
① $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$;② $\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$(🟨2023·9 考点);③ $\sigma_1^2=\sigma_2^2$ 时 $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$,合并方差 $S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
**(三)拼装三大分布三步法**:① 算线性组合的均值方差;② 标准化得 $N(0,1)$、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**:忘标准化就平方(系数不对不是 $\chi^2$);分子分母共用同一 $X_i$ 不独立;自由度算错。
### 2.6 顺序统计量
$X_{(1)}=\min$、$X_{(n)}=\max$。**最值分布(背下来)**:$F_{(n)}(x)=[F(x)]^n$、$f_{(n)}(x)=n[F(x)]^{n-1}f(x)$;$F_{(1)}(x)=1-[1-F(x)]^n$、$f_{(1)}(x)=n[1-F(x)]^{n-1}f(x)$。**常用期望**(上限型分布):$X\sim U(0,\theta)$ 时 $EX_{(n)}=\frac{n}{n+1}\theta$、$EX_{(n)}^2=\frac{n}{n+2}\theta^2$;$f(x)=\frac{2x}{\theta^2}$ 时 $EX_{(n)}=\frac{2n}{2n+1}\theta$、$EX_{(n)}^2=\frac{2n}{2n+2}\theta^2$;一般式:$f(x)=\frac{kx^{k-1}}{\theta^k}$ 时 $EX_{(n)}=\frac{kn}{kn+1}\theta$。
## 3. §3 参数的点估计(分值最重)
> **点估计 = 造统计量 $\hat\theta(X_1,\dots,X_n)$ 去「顶替」未知参数 $\theta$**。两种造法:矩估计与极大似然。
### 3.1 矩估计法
**思想**:用样本矩替换总体矩(大数定律保证)。步骤:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶、两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。两参数模板:$\hat\mu=\bar X$、$\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2$。⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$——只有 $S^2$ 无偏**。
### 3.2 最大似然估计(MLE)
**思想**:选让这组样本出现概率最大的 $\theta$。**常规可微四步**:① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p$);② 取对数(连乘变连加,$\ln$ 单调不减保极值点);③ 求导令零;④ 解出并写大写 $\hat\theta(X_1,\dots,X_n)$。
**不可微/单调情形(每年必有一道)**:$L$ 关于 $\theta$ 单调(支撑集含 $\theta$)时 $\hat\theta$ 是**取值边界**:$X\sim U(0,\theta)$ ⟹ $\hat\theta=X_{(n)}=\max X_i$;$U(\theta_1,\theta_2)$ ⟹ $\hat\theta_1=X_{(1)}$、$\hat\theta_2=X_{(n)}$。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)**:拉普拉斯 $\frac1{2\lambda}e^{-|x|/\lambda}$:矩估计 = MLE = $\frac1n\sum|X_i|$;均匀 $U(0,\theta)$:矩估计 $=2\bar X$、MLE $=X_{(n)}$;幂型 $f=\theta x^{\theta-1}$($0<x<1$):矩估计 $=\frac{\bar X}{1-\bar X}$、MLE $=-\frac n{\sum\ln X_i}$。
**两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得 $\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}$。⚠️ 分母是 $n+2m$(Y 组每个样本携带 $2\theta$ 的信息量);分子 Y 组就是 $\sum Y_j$($2$ 进了常数项)。$D(\hat\lambda)=\frac{\theta}{n+2m}$;$E\hat\lambda=\theta$(无偏)。
**MLE 的不变性原理**:$g(\hat\theta)$ 是 $g(\theta)$ 的 MLE($\widehat{g(\theta)}=g(\hat\theta)$)。**用途**:$\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$、$U(0,\theta)$ 的 $\theta^2$ 的 MLE $=X_{(n)}^2$。⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$($S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)——**「MLE 有不变性,无偏性没有」常考辨析**。
### 3.3 评价标准
- **无偏性**(考得最多):$E\hat\theta=\theta$。传播法则 $E(a\hat\theta+b)=a\theta+b$。常见:$E\bar X=\mu$、$ES^2=\sigma^2$ 无偏;$B_2$ 有偏。
- **有效性**:都无偏时方差越小越有效($D\hat\theta_1<D\hat\theta_2$ ⟹ $\hat\theta_1$ 有效)。⚠️ **先验证都无偏,再比有效性**——两级筛选。
- **均方误差 MSE**(2024 新考点):$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+(E\hat\theta-\theta)^2$(方差+偏差²)。无偏时 $h=D\hat\theta$;**有偏估计量 MSE 反而可能更小**。让 MSE 最小的 $c$ ≠ 让无偏的 $c$——展开成 $c$ 的二次函数求顶点($T_c=cX_{(n)}$ 时 $h'(c)=0\Rightarrow c=\frac{\theta EX_{(n)}}{EX_{(n)}^2}$)。
- **一致性(相合性)**:$\hat\theta\overset{P}{\longrightarrow}\theta$——大数定律的语言;**无偏 + 方差趋于 0 ⟹ 一致**。三标准速记:无偏管「准不准」、有效管「稳不稳」、一致管「样本多了会不会靠近」。
## 4. §4 参数的区间估计(仅数学一)
**概念**:$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha$;$1-\alpha$ 置信度、$\alpha$ 显著性水平。**正确理解**:不是「$\theta$ 落在区间内的概率」,而是「反复抽样中平均 $100(1-\alpha)$% 的区间盖住 $\theta$」——$\theta$ 是常数不是随机变量。
**枢轴变量法(万能套路)**:① 找点估计(MLE 或 $\bar X$、$S^2$);② 造枢轴量(**含未知参数但分布已知且与 $\theta$ 无关**:正态、$\chi^2$、$t$、$F$);③ 定分位点($P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$,取上 $\alpha/2$ 分位点);④ 解不等式。
**单总体四大区间(必背表,$X_1,\dots,X_n\sim N(\mu,\sigma^2)$)**
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\frac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 已知 | $\frac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
| $\sigma^2$ | $\mu$ 未知 | $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
⚠️ **$\chi^2$ 区间两端分位点「反着放」**($\sigma^2$ 在分母且 $\chi^2$ 不对称:上分位点配下限、下分位点配上限)——最易抄错。读法:$\sigma$ 已知 → $U$;$\sigma$ 未知 → $t(n-1)$;$\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$。
**单侧置信区间**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。🟨2016·14 考法:给 $\bar X$ 与置信上限反求下限——**「上限 + 下限 = $2\bar X$」(仅均值对称区间成立)**。
**两总体区间估计(数一大纲要求、十年未考的高性价比冷门)**:均值差 $\mu_1-\mu_2$:方差已知用 $U$(半宽 $u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$,**两项都要**)、等方差未知用 $t(m+n-2)$($S_w\sqrt{\frac1m+\frac1n}$);方差比 $\frac{\sigma_1^2}{\sigma_2^2}$ 用 $F(m-1,n-1)$,**两端反着放**(大分位点配下限)。
## 5. §5 假设检验(仅数学一)
**基本思想**:**小概率事件在一次试验中不应发生**——$H_0$ 成立时观测到小概率事件则拒绝 $H_0$。**四步**:① 提假设(「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 $U/T/\chi^2/F$);③ 定拒绝域($P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$);④ 算观测值下结论。
**三类拒绝域方向**:双侧 $|\cdot|\ge$;右侧 $\ge$($H_1:\theta>\theta_0$);左侧 $\le$。口诀:**拒绝域跟着 $H_1$ 跑**。
**单总体六大检验(速查表核心)**:$\mu$ 且 $\sigma$ 已知 → $U=\frac{\bar X-\mu_0}{\sigma_0/\sqrt n}$(拒绝域 $|u|\ge u_{\alpha/2}$ / $u\ge u_\alpha$ / $u\le-u_\alpha$);$\mu$ 且 $\sigma$ 未知 → $T=\frac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$;$\sigma^2$ 且 $\mu$ 已知 → $\chi^2=\frac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$;$\sigma^2$ 且 $\mu$ 未知 → $\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$($\chi^2$ 双侧拒绝域左尾右尾分别查,**不是对称写法**)。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:$\sigma^2=2$ 时标准差是 $\sqrt2$,别把方差当代入分母。
**区间估计与假设检验的对偶**:置信度 $1-\alpha$ 的双侧置信区间 ⟺ 显著性水平 $\alpha$ 的双侧检验的接受域;**$\mu_0$ 落在区间内 ⟺ 不拒绝 $H_0$**。
**两总体检验(数一大纲要求)**:均值差 $\mu_1=\mu_2$:方差已知 $U=\frac{\bar X-\bar Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$、等方差未知 $T=\frac{\bar X-\bar Y}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$;方差比 $\frac{\sigma_1^2}{\sigma_2^2}$:$F=\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$(**分子方差配 $m-1$、分母配 $n-1$,顺序别反**;$F$ 双侧两端分别查)。
## 6. §6 两类错误(仅数学一)
**定义**:$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}$(**第一类错误·弃真**);$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}$(**第二类错误·存伪**)。一句话:**「拒真 = 第一类,纳伪 = 第二类」;$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算**。$H_1$ 通常是范围,$\beta$ 是关于 $\mu$ 的函数,**必须给定具体 $\mu$ 值才能算**(🟨2021·10)。
**计算 $\beta$ 四步**:① 写拒绝域 $W$;② 写接受域 $\bar W$;③ **把分布换成 $H_1$ 下的分布**(均值/方差要换——$\beta$ 与 $\alpha$ 的本质区别);④ $\beta=P\{\text{统计量}\in\bar W\mid H_1\}$。模板:$W=\{\bar X\ge c\}$、$\mu=\mu_1$ 时 $\beta=\Phi(\frac{c-\mu_1}{\sigma/\sqrt n})$。
**$\alpha$ 与 $\beta$ 的关系(必考辨析,🟨2018·8)**:样本量固定时 $\alpha\downarrow\Rightarrow\beta\uparrow$(此消彼长);**同时减小只能增大 $n$**;$\alpha$ 越小 ⟹ 临界值越远离 $\mu_0$ ⟹ 拒绝域越小。不等式记忆:$\alpha_1<\alpha_2$ 时拒绝域 $W(\alpha_1)\subset W(\alpha_2)$、接受域反之。**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」** 显著性检验 = 只控制第一类错误(给定 $\alpha$,不控制 $\beta$)。
## 7. 十年真题地图(速览)
第 20 章:2017·8($\chi^2$ 辨析)、2023·9($F$ 分布方差比)各 4–5 分选填。第 21 章(93 分,全章最重):2016·14 置信区间、2016·23 次序统计量+无偏、2017·23 绝对误差矩估计+MLE、2018·23 拉普拉斯 MLE、2019·23 半正态、2020·23 威布尔无记忆性+MLE、2021·9 无偏+D 方差、2022·22 两样本泊松 MLE、2023·10 无偏定常数、2024·22 $X_{(n)}$ 无偏 c+MSE 最小 c。第 22 章:2018·8 显著性水平关系、2021·10 第二类错误、2025·10 单侧拒绝域。**命题规律**:参数估计「铁打的 22 题」、MLE 统治(8/10 题)、无偏四年四道、假设检验三年一轮只考方向判断与概念。
## 8. 题目清单(18 题)
### A 组 · 基础(★☆☆)
- **题 1 · 统计量与常用统计量(A)**:样本观测值 $2,3,5,6,9$。(Ⅰ)求 $\bar X$、$S^2$、$B_2$;(Ⅱ)$\mu,\sigma^2$ 均未知时判断哪些是统计量:$\bar X+\mu$;$S^2$;$X_1+X_2-\mu$;$\max\{X_1,\dots,X_5\}$;$\sum(X_i-\mu)^2$(**含未知参数者不是**)。
- **题 2 · 三大分布辨析与构造(A)**:$X_1,\dots,X_6\sim N(0,4)$,判断(Ⅰ)$Y_1=\frac14\sum X_i^2$($\chi^2(6)$);(Ⅱ)$Y_2=\frac{(X_1+X_2+X_3)^2}{12}$($\chi^2(1)$);(Ⅲ)$Y_3=\frac{\sqrt3X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$($t(3)$);(Ⅳ)$Y_4=2(X_1-X_2)^2$($\chi^2(1)$)各服从什么分布;不服从的说明理由。
- **题 3 · 样本均值与样本方差的数字特征(A)**:(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;(Ⅱ)说明 $S^2$ 为何除 $n-1$ 而非 $n$(无偏性)。
- **题 4 · 矩估计(A)**:$P\{X=-1\}=2\theta$、$P\{X=0\}=\theta$、$P\{X=1\}=1-3\theta$,求 $\theta$ 的矩估计量($EX=-2\theta+(1-3\theta)=1-5\theta=\bar X\Rightarrow\hat\theta=\frac{1-\bar X}{5}$)。
- **题 5 · 极大似然估计(A)**:$f(x;\theta)=\theta x^{\theta-1}$($0<x<1$),求 $\hat\theta$(幂型 MLE $=-\frac n{\sum\ln X_i}$)。
- **题 6 · 无偏性定常数(A)**:求 $k$ 使 $\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$ 为 $\sigma^2$ 无偏估计($E(X_{i+1}-X_i)^2=2\sigma^2$,$\Rightarrow k=\frac1{2(n-1)}$)。
### B 组 · 中等(★★☆)
- **题 7 · 拉普拉斯分布 MLE+数字特征(B)**【真题骨架 2018·23】:$f(x;\lambda)=\frac1{2\lambda}e^{-|x|/\lambda}$。(Ⅰ)求 $\hat\lambda$($=\frac1n\sum|X_i|$);(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
- **题 8 · 次序统计量·最大值分布+无偏(B)**【真题骨架 2016·23】:$f(x;\theta)=\frac{2x}{\theta^2}$($0<x<\theta$),$n=3$,$T=\max\{X_1,X_2,X_3\}$。(Ⅰ)求 $f_T(x)$($n[F]^{n-1}f$);(Ⅱ)定 $a$ 使 $aT$ 无偏($ET=\frac{2n}{2n+1}\theta=\frac67\theta\Rightarrow a=\frac76$)。
- **题 9 · 区间估计(B)**【真题骨架 2016·14】:$n=16$,$\bar X=12.3$。(Ⅰ)$\sigma=2$ 已知求 $\mu$ 的 0.95 双侧置信区间与单侧置信上限($u_{0.025}=1.96$、$u_{0.05}=1.645$);(Ⅱ)$\sigma$ 未知、$S=2$ 求双侧区间($t_{0.025}(15)=2.131$)。
- **题 10 · 假设检验拒绝域(B)**【真题骨架 2025·10】:$X_i\sim N(\mu,3)$,$H_0:\mu\le2$、$H_1:\mu>2$。(Ⅰ)写拒绝域($\bar X\ge2+Z_\alpha\sqrt3/\sqrt n$);(Ⅱ)$n=12$、$\alpha=0.05$、$Z_{0.05}=1.645$ 求临界值 $c$。
- **题 11 · 两类错误(B)**【真题骨架 2021·10】:$n=25$、$N(\mu,9)$,$H_0:\mu\le5$、$H_1:\mu>5$,$W=\{\bar X\ge6\}$。(Ⅰ)求第一类错误概率($\alpha=P\{\bar X\ge6\mid\mu=5\}=1-\Phi(\frac{6-5}{3/5})=1-\Phi(\frac53)$);(Ⅱ)$\mu=6.6$ 时求第二类错误概率($\beta=\Phi(\frac{6-6.6}{0.6})=\Phi(-1)$)。
- **题 12 · 无偏性与有效性(B)**:$\hat\theta_1=\frac13(X_1+X_2+X_3)$、$\hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3$、$\hat\theta_3=\frac12X_1+\frac12X_2$。(Ⅰ)验证都无偏;(Ⅱ)比较有效性($D\hat\theta_1=\frac{\sigma^2}{3}$、$D\hat\theta_2=(\frac14+\frac19+\frac1{36})\sigma^2=\frac{7}{18}\sigma^2$、$D\hat\theta_3=\frac{\sigma^2}{2}$,$\hat\theta_1$ 最有效)。
- **题 13 · 两样本泊松 MLE(B)**【真题骨架 2022·22】:$X_1,\dots,X_5\sim P(\lambda)$、$Y_1,\dots,Y_4\sim P(2\lambda)$ 独立,观测值 $(3,2,4,1,5)$、$(5,3,7,9)$。(Ⅰ)求 $\hat\lambda$($\frac{15+24}{5+8}=\frac{39}{13}=3$);(Ⅱ)写 $D(\hat\lambda)$ 表达式($\frac{\lambda}{n+2m}=\frac{\lambda}{13}$)。
- **题 14 · 两正态总体方差比 F 分布(B)**【真题骨架 2023·9】:$X_i\sim N(\mu_1,\sigma^2)$、$Y_j\sim N(\mu_2,3\sigma^2)$,求 $c$ 使 $c\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ 并写自由度($\frac{S_1^2/\sigma^2}{S_2^2/3\sigma^2}\sim F$,故 $c=3$,$F(m-1,n-1)$)。
### C 组 · 拔高(★★★)
- **题 15 · 半正态分布·求常数+MLE(C)**【真题骨架 2019·23】:$f(x;\sigma)=\frac{A}{\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$($x\ge\mu$),$\mu$ 已知。(Ⅰ)求 $A$($\int_\mu^\infty$ 积分 = 标准正态半区 $\Rightarrow A=\sqrt{2/\pi}$);(Ⅱ)求 $\sigma^2$ 的 MLE。
- **题 16 · 威布尔分布·无记忆性+MLE(C)**【真题骨架 2020·23】:$F(t)=1-e^{-(t/\theta)^m}$($t\ge0$)。(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$(**无记忆性**);(Ⅱ)$m$ 已知,求 $\theta$ 的 MLE。
- **题 17 · 无偏+均方误差最小(C)**【真题骨架 2024·22】:$X\sim U(0,\theta)$,$T_c=cX_{(n)}$。(Ⅰ)求 $c$ 使 $T_c$ 无偏($\frac{n+1}{n}$);(Ⅱ)$h(c)=E(T_c-\theta)^2$,求 $c$ 使 $h(c)$ 最小(展开二次函数求顶点,**≠ 无偏的 $c$**)。
- **题 18 · 假设检验概念综合(C)**【真题骨架 2018·8】:$H_0:\mu=\mu_0$、$H_1:\mu\ne\mu_0$,$W=\{|\bar X-\mu_0|\ge c\}$。(Ⅰ)判断(A)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必拒绝(**错**);(B)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必接受(**错**);(C)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必拒绝(**错**);(D)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必接受(**对**——大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受);(Ⅱ)$n=16$、$\sigma=2$、$\alpha=0.05$ 写拒绝域具体形式,并求 $\mu=\mu_0+1$ 时的第二类错误概率($\Phi$ 表示)。
---
> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/01-考点手册|01-考点手册]]、[[../在学练习/概率论-第6讲-数理统计/02-试题|02-试题]]、[[../在学练习/概率论-第6讲-数理统计/03-解析|03-解析]];参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics` 与 `exercise/5-mathematical-statistics`。