23 KiB
tags, 专题, 日期, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 状态 | 来源 | 关联笔记 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第6讲 · 数理统计 · 背诵版 | 2026-10-27 | 背诵版 v1(考点完整呈现 + 18 题清单,无解答) | 在学练习/概率论-第6讲-数理统计 | 参考仓库 Math/probability-theory-and-mathematical-statistics |
|
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、../在学练习/概率论-第6讲-数理统计/02-试题、../在学练习/概率论-第6讲-数理统计/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。