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/01-考点地图.md
T
Yimu 1e07892a19 专项03 补四件套专练 13 题:μ 与 σ 谁已知的四个统计量
用户的卡点不是记性,是把四个公式当四件事背;实际是同一张表的两行两列。
- 01 考点地图 §1.5 补四象限表(σ 已知/未知 × μ 已知/未知)+ 一条生成规则
  「每消掉一个未知参数就吃掉一个自由度」,n-1 的来历写清
- 新建 02b-试题-四件套专练(D1—D13):同数据走四格、长度反求 n、
  2016-14 上限反推置信度、2017-23 半正态估 σ、χ²(n) 独有的 μ 已知格、
  2023-9 F 凑系数、合并 t 与 n1+n2-2、2021-10 第二类错误、八条断言
- 新建 03c-解析-四件套(11927 字符),每题 怎么想/解/归因
- 坑清单加两条(四格选错分保守与致命两型、有偏不等于不能当枢轴)
- README 与专项总索引、总览同步:03 由 20 题增至 33 题,总 195 题
- 全部数值经 mpmath 反解验证分位数、sympy 复核区间端点
2026-11-12 22:00:23 +08:00

239 lines
14 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, 考点地图, 数理统计]
专题: 大数定律与数理统计
日期: 2026-10-31
状态: 考点地图, 三层扩散(核心 10 条 + 一圈 5 条 + 二圈 5 条)
---
# 考点地图 · 大数定律与数理统计
你说的是"数理统计(小题 8、10)":第 8 题考切比雪夫不等式,属**大数定律**章;第 10 题考 $t$ 分布置信区间,属**参数估计**章。这两章加起来是概率的最后四章,也是**唯一"背了就能拿分"** 的部分——它不像多维随机变量那样要靠技巧,全是固定套路。
这份地图从这两道题向外铺到四章:大数定律与 CLT、抽样分布、参数估计、假设检验。
## 零、扩散半径总览
| 层 | 内容 | 题号 |
|---|---|---|
| **核心** | 切比雪夫、辛钦、CLT、$\chi^2/t/F$ 三大分布、抽样分布定理、矩估计、MLE、置信区间 | A1—A10 |
| **一圈** | 无偏性、有效性、相合性、次序统计量、枢轴量法 | B1—B5 |
| **二圈** | 两类错误、单侧检验、双总体检验、大数定律证明、MLE 综合 | C1—C5 |
**一句话总纲**:**统计部分的所有题,第一步都是"认清统计量服从什么分布"**。认清之后,矩估计是解方程、MLE 是求导、置信区间是套枢轴量、假设检验是定拒绝域,四件事都是机械操作。
## 一、核心层
### 1.1 切比雪夫不等式(小题 8 的正主)
$$P\{|X-E(X)|\geqslant\varepsilon\}\leqslant\frac{D(X)}{\varepsilon^2},\qquad\text{等价地}\quad P\{|X-E(X)|<\varepsilon\}\geqslant1-\frac{D(X)}{\varepsilon^2}.$$
**用法固定三步**:把待求概率化成 $|X-\mu|<\varepsilon$ 的形式 → 认出 $\varepsilon$ → 套公式。
**反向考法**(更容易失分):已知 $P\{|X-\mu|<\varepsilon\}\geqslant p$ ,求 $D(X)$ 的上界。此时令 $1-\dfrac{D}{\varepsilon^2}=p$ ,得 $D\leqslant\varepsilon^2(1-p)$ 。
两个要点:**它不需要知道分布**(这是它唯一的价值);**它给的是下界/上界,不是精确值**,所以题目一定问"至少""至多"。
### 1.2 大数定律三兄弟
| 定律 | 条件 | 结论 |
|---|---|---|
| 切比雪夫 | 独立、方差一致有界 | $\dfrac1n\sum X_i\xrightarrow{P}\dfrac1n\sum E(X_i)$ |
| 辛钦 | **独立同分布**、$E(X)$ 存在 | $\dfrac1n\sum X_i\xrightarrow{P}\mu$ |
| 伯努利 | $n$ 重伯努利,频率 | 频率 $\xrightarrow{P}$ 概率 |
**考的是条件的强弱**:辛钦**不要求方差存在**,这是它比切比雪夫强的地方。选择题常在这里设坑。
### 1.3 中心极限定理
**林德伯格-列维**:$X_i$ 独立同分布,$E(X)=\mu$ ,$D(X)=\sigma^2>0$ ,则
$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\xrightarrow{d}N(0,1).$$
**做题模板**:要求 $P\{\bar X\in(a,b)\}$ ,先标准化 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ ,再查 $\Phi$ 。近似计算题的标准答案是 $2\Phi(k)-1$ 这类形式。
**与切比雪夫的分工**:切比雪夫给"至少/至多"的粗糙界,CLT 给近似精确值。题目问"约为"就用 CLT,问"不少于"就用切比雪夫。
### 1.4 三大分布的定义(必须能默写)
设 $X_1,\dots,X_n$ 独立同服从 $N(0,1)$ :
- **$\chi^2$ 分布**:$\chi^2=\sum_{i=1}^nX_i^2\sim\chi^2(n)$ ,期望 $n$ ,方差 $2n$ 。
- **$t$ 分布**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,且独立,则 $T=\dfrac{X}{\sqrt{Y/n}}\sim t(n)$ 。**形状像正态但尾巴厚**,$n\to\infty$ 时趋于 $N(0,1)$ 。
- **$F$ 分布**:$X\sim\chi^2(n_1)$ ,$Y\sim\chi^2(n_2)$ 独立,则 $F=\dfrac{X/n_1}{Y/n_2}\sim F(n_1,n_2)$ 。
三个性质顺手记:$\chi^2$ 可加(独立的 $\chi^2$ 相加,自由度相加);$t^2(n)=F(1,n)$ ;$F$ 的倒数 $\dfrac{1}{F(n_1,n_2)}\sim F(n_2,n_1)$ 。
### 1.5 抽样分布定理(正态总体的四件套)
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
1. $\bar X\sim N\!\left(\mu,\dfrac{\sigma^2}{n}\right)$
2. $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$
3. $\bar X$ 与 $S^2$ **相互独立**(正态总体专有,别的分布不成立)
4. $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$
第 4 条是最常用的:**$\sigma$ 未知时把 $\sigma$ 换成 $S$ ,正态就变 $t$ 分布**。这一条直接决定了置信区间用 $u$ 还是用 $t$ 。
**四个格子**(本章最该背死的一张表,四种组合就是四个枢轴量):
| 要估的参数 | 另一个参数 | 枢轴量 | 分布 |
|---|---|---|---|
| $\mu$ | $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ |
| $\mu$ | $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}$ | $t(n-1)$ |
| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ |
| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}$ | $\chi^2(n)$ |
生成规则只有一条:**枢轴量里不许出现"待估参数以外的未知量"**。估 $\mu$ 时 $\sigma$ 未知就用 $S$ 顶上,代价是变 $t$ ;估 $\sigma^2$ 时 $\mu$ 未知就用 $\bar X$ 顶上,代价是自由度掉一个。**每消掉一个未知参数就吃掉一个自由度**——这才是 $n-1$ 的来历。
用表的顺序是**先看被估对象,再看另一个参数**。多数人错在直接问"我该用 $t$ 吧",没先问"我要估谁"。十三道专项练在 [02b-试题-四件套专练](02b-试题-四件套专练.md)。
### 1.6 矩估计
**做法**:用样本矩代替总体矩,解方程。
- 一个参数:$E(X)=\bar X$ ,解出 $\hat\theta$ 。
- 两个参数:$E(X)=\bar X$ 、$E(X^2)=\dfrac1n\sum X_i^2$ ,联立解。
**注意**:$D(X)=E(X^2)-[E(X)]^2$ ,第二个方程常写成 $D(X)=\dfrac1n\sum(X_i-\bar X)^2$ (总体方差用样本二阶中心矩估计,**分母是 $n$ 而非 $n-1$ 这一点**)。
### 1.7 极大似然估计
**四步**:写 $L(\theta)=\prod f(x_i;\theta)$ → 取对数 → 求导令零 → 解出 $\hat\theta$ 。
**三个特例必须知道**:
1. **不可导型**:均匀分布 $U(0,\theta)$ 的 $L$ 关于 $\theta$ 单调递减,导数恒不为零,只能"看约束"得 $\hat\theta=X_{(n)}$ 。**这是最常考也最容易错的**。
2. **单调型**:参数出现在支撑集端点,同上。
3. **多参数**:分别求偏导,解方程组。
### 1.8 置信区间(小题 10 的正主)
**枢轴量法三步**:找一个含 $\theta$ 但不含其他未知参数的统计量 → 定它服从的分布 → 由分位数反解 $\theta$ 的范围。
**单正态总体 $\mu$ 的区间**(置信度 $1-\alpha$ ):
| 条件 | 枢轴量 | 区间 |
|---|---|---|
| $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
**记法**:**知道 $\sigma$ 就用 $u$ ,不知道就用 $t$ 分布**;自由度是 $n-1$ (因为用了 $S$ )。这是选择题最爱考的一处,四个选项通常就是 $u/t$ 与自由度 $n$ / $n-1$ 的排列组合。
$\sigma^2$ 的区间:$\left(\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right)$ ,分母的上下标方向要小心。
## 二、一圈层
### 2.1 无偏性
$E(\hat\theta)=\theta$ 称无偏。常用结论:
- $E(\bar X)=\mu$ ,$E(S^2)=\sigma^2$ (**分母 $n-1$ 的原因**)
- $E\!\left(\dfrac1n\sum(X_i-\bar X)^2\right)=\dfrac{n-1}{n}\sigma^2$ (有偏)
- 均匀 $U(0,\theta)$ :$E(X_{(n)})=\dfrac{n}{n+1}\theta$ ,故 $\dfrac{n+1}{n}X_{(n)}$ 无偏
**判断无偏的通法**:把估计量写成样本的函数,取期望,看是否等于参数。次序统计量的期望要靠密度积分。
### 2.2 有效性
两个都无偏时,方差小的更有效。比较 $D(\hat\theta_1)$ 与 $D(\hat\theta_2)$ 。
**方差计算的两个常用值**:$D(\bar X)=\dfrac{\sigma^2}{n}$ ;对 $U(0,\theta)$ 的 $X_{(n)}$ ,$D(X_{(n)})=\dfrac{n}{(n+1)^2(n+2)}\theta^2$ 。
### 2.3 相合性(一致性)
$\hat\theta\xrightarrow{P}\theta$ 。判据:**若 $\hat\theta$ 无偏且 $D(\hat\theta)\to0$ ,则相合**(切比雪夫直接给)。
所以"无偏 + 方差趋于 0"是相合性的充分条件,不是必要条件。
### 2.4 次序统计量
$X_{(n)}=\max X_i$ 的密度:$f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)$ 。
$X_{(1)}=\min X_i$ 的密度:$f_{X_{(1)}}(x)=n\left[1-F(x)\right]^{n-1}f(x)$ 。
这两个公式是"$\max$ /$\min$ "类题的钥匙,$U(0,\theta)$ 与指数分布下必考。
### 2.5 枢轴量法的通用流程
1. 明确要估的参数($\mu$ 还是 $\sigma^2$ )
2. 找分布($N$ / $t$ / $\chi^2$ / $F$ )
3. 写 $P\{a<\text{枢轴量}<b\}=1-\alpha$
4. 解不等式得区间
**双总体**的三类区间:均值差($\sigma$ 已知用 $u$ 、未知但相等用 $t$ )、方差比($F$ )。大纲要求,十年没考——**属于"高性价比冷门"**。
## 三、二圈层
### 3.1 假设检验的两类错误
| | $H_0$ 为真 | $H_0$ 为假 |
|---|---|---|
| 接受 $H_0$ | 正确 | **第二类错误** $\beta$ |
| 拒绝 $H_0$ | **第一类错误** $\alpha$ | 正确(功效 $1-\beta$ ) |
$\alpha$ 是**显著性水平**,检验时先定 $\alpha$ 再定拒绝域。**样本量固定时 $\alpha$ 减小则 $\beta$ 增大**;两者同时减小的唯一办法是增大样本量。
### 3.2 拒绝域的方向
- $H_1:\mu>\mu_0$ → 拒绝域在**右尾**:$\bar X>\mu_0+u_\alpha\dfrac{\sigma}{\sqrt n}$
- $H_1:\mu<\mu_0$ → 拒绝域在**左尾**
- $H_1:\mu\neq\mu_0$ → **双尾**,用 $\alpha/2$
**判断口诀**:拒绝域跟着 $H_1$ 走。$H_1$ 写"大于"就往右拒绝。
### 3.3 双正态总体
均值差 $\mu_1-\mu_2$ :$\sigma_1^2,\sigma_2^2$ 已知用 $u$ ;未知但相等用 $t$ (合并方差 $S_w^2=\dfrac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}$ ,自由度 $n_1+n_2-2$ )。
方差比 $\sigma_1^2/\sigma_2^2$ :用 $F$ ,$F=\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}\sim F(n_1-1,n_2-1)$ 。
### 3.4 大数定律的证明套路
证 $\bar X\xrightarrow{P}\mu$ 的固定三步:**算 $E(\bar X)=\mu$ → 算 $D(\bar X)=\sigma^2/n$ → 套切比雪夫**,得 $P\{|\bar X-\mu|<\varepsilon\}\geqslant1-\dfrac{\sigma^2}{n\varepsilon^2}\to1$ 。
### 3.5 MLE 综合题的标准形态
真题的参数估计大题常是四问:**(Ⅰ)矩估计(Ⅱ)MLE(Ⅲ)判断无偏、修正(Ⅳ)比较方差**。这四问的每一问都是独立给分点,前一问错了后一问照做仍有分——**所以千万别因为第(Ⅱ)问卡住就整题放弃**。
## 四、坑清单
1. **切比雪夫把不等号方向弄反**:$P\{|X-\mu|\geqslant\varepsilon\}\leqslant D/\varepsilon^2$ ,是"$\leqslant$ "。
2. **$\sigma$ 未知却用 $u$ 分布**:这是置信区间题的头号错因。
3. **自由度误写成 $n$ 的情况**:用 $S$ 时自由度是 $n-1$ 。
4. **$S^2$ 的分母误写成 $n$ 的情况**:估计量 $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 才是无偏的。
5. **均匀分布的 MLE 去求导**:$L$ 单调,导数无零点,必须看约束。
6. **$\chi^2$ 区间上下标反**:分母是 $\chi^2_{\alpha/2}$ 与 $\chi^2_{1-\alpha/2}$ ,位置与 $t$ 相反。
7. **假设检验把 $\alpha$ 用错侧**:双尾检验用 $\alpha/2$ ,单尾用 $\alpha$ 。
8. **忘记"独立"这个条件**:$t$ 与 $F$ 的定义都要求两个 $\chi^2$ 型变量独立。
9. **相合性当成无偏性**:两者是不同概念,相合是"样本量趋于无穷时收敛"。
10. **四格表选错那一格**:$\mu$ 已知却用 $\chi^2(n-1)$ 估 $\sigma^2$ ,是**保守**(区间偏宽、置信度不降);$\mu$ 未知却用 $\chi^2(n)$ ,是**致命**($\sum(X_i-\mu)^2$ 根本算不出来)。两者错法不同,别混为一谈。
11. **把"有偏"当成"不能当枢轴"**:$\frac{n\hat\sigma^2}{\sigma^2}$ 与 $\frac{(n-1)S^2}{\sigma^2}$ 是同一个量,构造出的区间逐字相同。
## 五、题目索引
| 题号 | 考点 | 层 | 来源骨架 |
|---|---|---|---|
| A1 | 切比雪夫不等式(反向求方差界) | 核心 | 真题 2022-9 |
| A2 | 辛钦大数定律的条件 | 核心 | 真题 2017-8 变体 |
| A3 | 中心极限定理近似计算 | 核心 | 真题 2019-9 变体 |
| A4 | $\chi^2$ 分布的构造 | 核心 | 真题 2017-8 |
| A5 | $t$ 分布的构造 | 核心 | 真题 2021-9 变体 |
| A6 | $F$ 分布的构造 | 核心 | 真题 2023-9 |
| A7 | 抽样分布定理(独立性) | 核心 | 自编 |
| A8 | 矩估计 | 核心 | 真题 2017-23 |
| A9 | 极大似然(可导型) | 核心 | 真题 2018-23 |
| A10 | 单正态置信区间 | 核心 | 真题 2016-14 |
| B1 | 无偏性判断 | 一圈 | 真题 2023-10 |
| B2 | 有效性比较 | 一圈 | 真题 2021-9 |
| B3 | 相合性 | 一圈 | 自编 |
| B4 | 次序统计量 | 一圈 | 真题 2016-23 |
| B5 | 方差区间(枢轴量) | 一圈 | 大纲要求、十年未考 |
| C1 | 两类错误 | 二圈 | 真题 2021-10 |
| C2 | 单侧检验拒绝域 | 二圈 | 真题 2025-10 |
| C3 | 双总体均值差检验 | 二圈 | 大纲要求、十年未考 |
| C4 | 大数定律的证明 | 二圈 | 真题 2018-8 变体 |
| C5 | 参数估计综合(MLE + 无偏 + 有效) | 二圈 | 真题 2024-22 变体 |
| D1—D13 | **四件套专练**:四格表识别、同数据走四格、长度反求 $n$ 、上限反推置信度、$\chi^2(n)$ 的应用、合并 $t$ 、八条断言 | 专项 | 真题 2016-14 / 2017-8 / 2017-23 / 2021-10 / 2022-22 / 2023-9 骨架 + 张宇 30 讲 |
D 组单独成册([02b](02b-试题-四件套专练.md) 题 / [03c](03c-解析-四件套.md) 解析),13 题只练一件事:给定场景选对统计量。这份是本专题里**最该反复做的一册**,因为统计部分的失分八成倒在这一张表上。