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
Yimu e6711c9bb1 概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图
- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
2026-11-08 20:18:17 +08:00

457 lines
35 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
更新: 2026-11-08(v2 重构:分块排版 + 置信区间/检验表统一符号 + 真题地图对齐 sqlite + 纯题干题单)
状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 26 题纯题干清单;题单已对齐在学练习八点分册)
来源: 在学练习/概率论-第6讲-数理统计(八点分册 26 题)| 参考仓库 knowledge/5-mathematical-statistics + exercise/5|真题库 kaoyan_math1.db(chapter 20/21/22)
关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"]
---
# 概率论 · 第6讲 数理统计 · 背诵版
> **范围**:参考仓库 `knowledge/5-mathematical-statistics`(总体与样本、统计量、三大分布、点估计、区间估计、假设检验、两类错误)+ `exercise/5`。
> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。
## 0 骨架(先背这张图)
### 0.1 一句话与六节地图
**一句话**:**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**),再用工具反推总体参数(**点估计 → 区间估计 → 假设检验**)。
**六节地图**:
| 节 | 内容 | 分量 |
|---|---|---|
| §1 | 总体、样本、经验分布 | 冷门(只作起手) |
| §2 | 统计量与抽样分布(三大分布 + 正态总体) | 选填常客 |
| §3 | **参数点估计**(矩估计、MLE、评价标准) | **年年解答题,本讲命脉** |
| §4 | 区间估计(仅数一) | 选填 |
| §5 | 假设检验(仅数一) | 选填 |
| §6 | 两类错误(仅数一) | 选填 |
**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 $EX^k$)。
**符号约定**(本讲统一):
| 记号 | 含义 |
|---|---|
| $u_\alpha$ | 标准正态**上侧** $\alpha$ 分位点:$P\{Z>u_\alpha\}=\alpha$ |
| $\chi^2_\alpha(n)$、$t_\alpha(n)$、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 |
| $\overline X$、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$) |
| $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$(**有偏**) |
### 0.2 十年真题地图(sqlite,2016–2025)
| 年份·题号 | 考点 | 分值 | 归属 |
|---|---|---|---|
| 2025·22 | 复合分布 + 泊松分解(理赔模型) | 12 | §2/§3 综合 |
| 2025·10 | 单侧假设检验的拒绝域 | 5 | §5 |
| 2024·22 | 次序统计量无偏 + MSE 最小 | 12 | §3.3 |
| 2023·10 | 无偏估计反定常数 | 5 | §3.3 |
| 2023·9 | 两正态总体方差比的 $F$ 分布 | 5 | §2.5 |
| 2022·22 | 两样本泊松的 MLE 与 $D(\hat\theta)$ | 12 | §3.2 |
| 2021·10 | 第二类错误概率 | 5 | §6 |
| 2021·9 | 无偏性 + $D(\hat\theta)$(二元正态) | 5 | §3.3 |
| 2020·23 | 威布尔型 $F(t)$ 的无记忆性 + MLE | 11 | §3.2 |
| 2019·23 | 半正态密度求常数 + MLE | 11 | §3.2 |
| 2018·23 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | 11 | §3.2 |
| 2018·8 | 显著性水平与拒绝/接受的关系 | 4 | §5/§6 |
| 2017·23 | 绝对误差的矩估计 + MLE | 11 | §3.1/§3.2 |
| 2017·8 | $\chi^2$ 分布的四个结论辨析 | 4 | §2.4 |
| 2016·23 | 次序统计量 $T=\max$ + 无偏定 $a$ | 11 | §2.6/§3.3 |
| 2016·14 | 置信区间(给上限反求下限) | 4 | §4 |
> **命题规律**:**"铁打的 22 题"**——每年解答题第 22(或 23)题基本固定围绕参数估计:**近十年 8 道解答题,5 道直接考 MLE**(2017、2018、2019、2020、2022),另 3 道考无偏与 MSE(2016、2024)或复合分布(2025)。选填则轮流考:$F$ 分布(2023·9)、无偏定常数(2023·10)、两类错误(2021·10)、拒绝域(2025·10)。**MLE 是必须拿满分的一块**。
### 0.3 考点树(与在学练习八点分册一一对应)
| 节 | 考点 | 在学练习 | 题数 |
|---|---|---|---|
| §1 | 总体与样本、统计量定义、常用统计量、经验分布 | 点 1 | 3 |
| §2.4 | 三大抽样分布 $\chi^2/t/F$ | 点 2 | 3 |
| §2.5 | 正态总体的抽样分布(单/两总体) | 点 3 | 3 |
| §3.1 | 矩估计 | 点 4 | 2 |
| §3.2 | 极大似然估计(含不可微与两样本) | 点 5 | 4 |
| §3.3 | 评价标准:无偏 / 有效 / 一致 / MSE | 点 6 | 4 |
| §4 | 区间估计(枢轴变量法、四表) | 点 7 | 3 |
| §5–§6 | 假设检验与两类错误 | 点 8 | 4 |
## 1 总体、样本与统计量(点 1)
### 1.1 基本概念
| 概念 | 定义 |
|---|---|
| 总体 | 研究对象的全体;**数学上就是一个随机变量 $X$** |
| 个体 | 总体的每个元素 |
| 简单随机样本 | $n$ 个**相互独立且与总体同分布**的 $X_1,\dots,X_n$ |
| 样本值 | 一次具体观测得到的一组数 $x_1,\dots,x_n$ |
**一句话**:**"概率论里的 i.i.d." $=$ "数理统计里的简单随机样本"**。
### 1.2 样本的联合分布(MLE 的根基)
$$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^np(x_i).$$
独立性把 $n$ 维联合分布化成一维连乘——**所有似然函数都长这样**。
### 1.3 经验分布函数
$\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$(几乎必然)。**了解即可**,考研不单独考。
## 2 三大抽样分布与正态总体抽样(点 2–3)
### 2.1 统计量的定义(判断题高频)
$g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**。
| 例子 | 是否统计量 |
|---|---|
| $\sum X_i$、$\overline X$、$S^2$、$\max X_i$ | ✓ |
| $\sum(X_i-\mu)^2$($\mu$ 未知) | ✗ |
| $\frac{X_1-\mu}{\sigma}$($\mu,\sigma$ 未知) | ✗ |
**判断口诀**:**"能不能用样本算出来"**——算不出来就不是。
### 2.2 常用统计量
| 名称 | 公式 |
|---|---|
| 样本均值 | $\overline X=\dfrac1n\sum_{i=1}^nX_i$ |
| 样本方差 | $S^2=\dfrac1{n-1}\sum_{i=1}^n(X_i-\overline X)^2$ |
| 样本 $k$ 阶原点矩 | $A_k=\dfrac1n\sum X_i^k$ |
| 样本 $k$ 阶中心矩 | $B_k=\dfrac1n\sum(X_i-\overline X)^k$ |
**恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$(方差题必用)。
### 2.3 $\overline X$ 与 $S^2$ 的数字特征(必背)
$$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
**为什么除以 $n-1$**:$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$(有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$。
### 2.4 三大抽样分布
| 分布 | 构造 | 期望 / 方差 | 关键性质 |
|---|---|---|---|
| $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$;**不对称**,上下分位点分别查 |
| $t(n)$ | $X\sim N(0,1)$,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$ |
| $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**(分子在前) |
### 2.5 正态总体下的抽样分布(本节最重要)
**(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$:
| # | 统计量 | 分布 | 前提 |
|---|---|---|---|
| ① | $\dfrac{\overline X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ | $\sigma$ 已知 |
| ② | $\dfrac1{\sigma^2}\sum(X_i-\mu)^2$ | $\chi^2(n)$ | **$\mu$ 已知** |
| ③ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ | **$\mu$ 未知** |
| ④ | $\dfrac{\sqrt n(\overline X-\mu)}{S}$ | $t(n-1)$ | $\sigma$ 未知 |
| ⑤ | $\dfrac{n(\overline X-\mu)^2}{S^2}$ | $F(1,n-1)$ | $\sigma$ 未知 |
**两句口诀**:②→③「**$\mu$ 换成 $\overline X$,自由度减一**」;①→④「**$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$**」。
> **④ 里藏着一条独立结论**:正态总体下 $\overline X$ 与 $S^2$ **相互独立**。这是正态总体**独有**的(一般总体不成立),也是拼 $t$ 分布的前提。
**(二)两个正态总体**($X\sim N(\mu_1,\sigma_1^2)$ 取 $m$ 个,$Y\sim N(\mu_2,\sigma_2^2)$ 取 $n$ 个,相互独立):
| # | 统计量 | 分布 |
|---|---|---|
| ① | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ |
| ② | $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ | $F(m-1,n-1)$ |
| ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$($\sigma_1^2=\sigma_2^2$) | $t(m+n-2)$ |
合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。
**(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$,平方得 $\chi^2(1)$;③ 按定义拼($\chi^2$ 相加、$t$ 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 $\chi^2$)|分子分母共用同一个 $X_i$(不独立,拼不出 $t$ 或 $F$)|自由度算错。
### 2.6 顺序统计量
$X_{(1)}=\min\{X_i\}$,$X_{(n)}=\max\{X_i\}$。设总体分布函数 $F$、密度 $f$:
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x),$$
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
**上限型分布的 $\max$ 期望**(无偏题必背):
| 总体密度 | $E X_{(n)}$ |
|---|---|
| $U(0,\theta)$:$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ |
| $f=\dfrac{2x}{\theta^2}$($0<x<\theta$) | $\dfrac{2n}{2n+1}\theta$ |
| $f=\dfrac{kx^{k-1}}{\theta^k}$ | $\dfrac{kn}{kn+1}\theta$ |
## 3 矩估计、MLE 与评价标准(点 4–6,分值最重)
> **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数 $\theta$**。两种造法:矩估计、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)。
**三步**: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**:$\hat\mu=\overline X$,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$。
> ⚠️ **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 $\prod p(x_i;\theta)$);
② 取对数 $\ln L$(连乘变连加,$\ln$ 单调不减,不改变极值点);
③ 求导令零(多参数解方程组);
④ 解出并写成统计量 $\hat\theta(X_1,\dots,X_n)$。
**不可微/单调情形(每年必有一道)**:当 $\theta$ 出现在**支撑集**里时,$L$ 关于 $\theta$ 单调,$\hat\theta$ 取**边界**:
| 总体 | MLE |
|---|---|
| $U(0,\theta)$ | $\hat\theta=X_{(n)}=\max X_i$ |
| $U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$,$\hat\theta_2=X_{(n)}$ |
| $f(x;\theta)=\dfrac{\theta}{x^2}$($x>\theta$) | 支撑要求 $\theta<\min X_i$,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ |
**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(记结果)**:
| 分布 | 矩估计 | MLE |
|---|---|---|
| 拉普拉斯 $\frac1{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\frac1n\sum\lvert X_i\rvert$ | 同左 |
| 均匀 $U(0,\theta)$ | $2\overline X$ | $X_{(n)}$ |
| 幂型 $\theta x^{\theta-1}$($0<x<1$) | $\dfrac{\overline X}{1-\overline X}$ | $-\dfrac{n}{\sum\ln X_i}$ |
**两样本同参数**($X\sim P(\lambda)$、$Y\sim P(2\lambda)$):**两组似然先相乘再求导**,得
$$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.$$
**为什么分母是 $n+2m$**:$Y$ 组每个样本携带 $2\theta$ 的信息量,分子对 $Y$ 组只记 $\sum Y_j$(那个 2 进了常数项)。
**MLE 的不变性原理**:$\widehat{g(\theta)}=g(\hat\theta)$。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$。
> ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$(例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。**
### 3.3 评价估计量的四个标准
| 标准 | 定义 | 速记 |
|---|---|---|
| **无偏性** | $E\hat\theta=\theta$ | 管"准不准"(没有系统偏差) |
| **有效性** | 都无偏时,$D\hat\theta$ 越小越有效 | 管"稳不稳"(波动小) |
| **一致性(相合)** | $\hat\theta\xrightarrow{P}\theta$ | 管"样本多了会不会靠近" |
| **均方误差 MSE** | $h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2$ | 方差 + 偏差² |
**无偏的四个常用结论**:$E\overline X=\mu$、$ES^2=\sigma^2$、$E B_2=\frac{n-1}{n}\sigma^2$(有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$(对 $U(0,\theta)$)。
**"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$,令 $c=1$ 反解常数。
**有效性必须先过无偏关**:两个都无偏才比方差;一个无偏一个有偏,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。
**MSE 最小的求法**:把 $h(c)$ 展开成 $c$ 的二次函数,求顶点
$$c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},$$
**它一般不等于使无偏的 $\frac{n+1}{n}$**——这正是 2024·22 的考点。
## 4 区间估计(点 7,仅数学一)
### 4.1 概念与正确理解
$$P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .$$
$1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。
> **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住 $\theta$**"。
### 4.2 枢轴变量法(万能套路)
① 找点估计($\overline X$、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$、$\chi^2$、$t$、$F$);③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$);④ 解不等式得区间。
### 4.3 单总体四大区间(必背表)
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
| $\sigma^2$ | $\mu$ 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 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
**读法**:$\sigma$ 已知用 $U$,$\sigma$ 未知用 $t(n-1)$;$\mu$ 已知用 $\chi^2(n)$,$\mu$ 未知用 $\chi^2(n-1)$。
> ⚠️ **$\chi^2$ 区间两端"反着放"**:因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母——**大分位点配下限、小分位点配上限**。这是最易抄错的一处。
**单侧区间**:用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。
**2016·14 的速算**:给 $\overline X$ 与置信上限反求下限——**"上限 $+$ 下限 $=2\overline X$"**(仅均值对称区间成立)。
### 4.4 两总体(数一要求,十年未考,性价比高)
| 对象 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
| $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$(**两项都要**) |
| $\mu_1-\mu_2$ | 等方差未知 | $t(m+n-2)$ | $(\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}$ |
| $\frac{\sigma_1^2}{\sigma_2^2}$ | — | $F(m-1,n-1)$ | 两端反着放(大分位点配下限) |
## 5 假设检验(点 8,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 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$。
### 5.2 四步
① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$(等号在 $H_0$ 里);
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**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$;
④ **算观测值、下结论**。
### 5.3 拒绝域的方向(跟着 $H_1$ 跑)
| $H_1$ | 拒绝域形式 |
|---|---|
| $\theta\ne\theta_0$(双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 |
| $\theta>\theta_0$(右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$) |
| $\theta<\theta_0$(左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$;$\chi^2\le\chi^2_{1-\alpha}$) |
### 5.4 单总体四种检验
| 检验对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n}$ | $N(0,1)$ |
| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
| $\sigma^2$ | $\mu$ 已知 | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ |
| $\sigma^2$ | $\mu$ 未知 | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
**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 的坑**:题给的是**方差** $\sigma^2=2$,而 $U$ 的公式分母是**标准差** $\sqrt2$。把 2 直接当代入是本题唯一失分点。
> ⚠️ **$\chi^2$ 双侧检验的拒绝域不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$,**不能写成 $\lvert\cdot\rvert\ge$**。
### 5.5 区间估计与假设检验的对偶
置信度 $1-\alpha$ 的双侧置信区间 $\iff$ 显著性水平 $\alpha$ 的双侧检验的**接受域**。
**一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$。**
### 5.6 两总体检验(数一要求)
| 对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
| $\mu_1=\mu_2$ | 方差已知 | $U=\dfrac{\overline X-\overline Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ |
| $\mu_1=\mu_2$ | 等方差未知 | $T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}}$ | $t(m+n-2)$ |
| $\sigma_1^2=\sigma_2^2$ | — | $F=\dfrac{S_1^2}{S_2^2}$ | $F(m-1,n-1)$ |
> **顺序不能反**:分子方差配 $m-1$、分母配 $n-1$;$F$ 双侧两端分别查。
## 6 两类错误(点 8,仅数学一)
### 6.1 定义
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}\quad(\text{第一类错误·弃真}),$$
$$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·存伪}).$$
**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。**
> $H_1$ 通常是一个**范围**(如 $\mu>10$),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出 $\beta$**(2021·10 给了 $\mu=11.5$)。
### 6.2 计算 $\beta$ 的四步
① 写出拒绝域 $W$;② 写出接受域 $\overline W$;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$。
**模板**:$W=\{\overline X\ge c\}$,$H_1$ 下真值取 $\mu_1$ 时
$$\beta=P\{\overline X<c\mid\mu=\mu_1\}=\varPhi\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)
| 结论 | 说明 |
|---|---|
| 样本量固定时,$\alpha\downarrow\Rightarrow\beta\uparrow$ | **此消彼长** |
| 要同时减小 $\alpha$ 与 $\beta$ | **只能增大 $n$** |
| $\alpha$ 越小 | 临界值越远离 $\mu_0$,拒绝域越小 |
| 拒绝域的包含关系 | $\alpha_1<\alpha_2\Rightarrow W(\alpha_1)\subset W(\alpha_2)$,接受域反之 |
**记忆句**:**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」**(2018·8)
**显著性检验 = 只控制第一类错误**(给定 $\alpha$,不控制 $\beta$)。
## B 题型考点(怎么想到、为什么、坑在哪)
- **B1 MLE 的四类载体先归类**:① 可微常规(求导解方程);② 支撑含参数(单调 ⟹ 取边界,$U(0,\theta)$ 的 $X_{(n)}$);③ 两样本同参数(似然先乘,分母 $n+2m$);④ 由密度形状先定常数(半正态的 $A=\sqrt{2/\pi}$)。**认错类会白算十分钟**。
- **B2 似然函数里的常数**:$\frac1{\sigma^n}$ 型一定要提出去再求导,漏掉会导致 $\hat\sigma$ 差一个 $\sqrt{n/(n-1)}$。
- **B3 无偏"定常数"的通法**:算出 $E(\text{统计量})=k\theta$,令 $k=1$ 反解。**坑**:$E(X_{(n)})$ 用错公式(上限型才有 $\frac{n}{n+1}\theta$)。
- **B4 MSE 与无偏的分离**:$h(c)=E(T_c-\theta)^2=D+(\text{偏差})^2$,展开成 $c$ 的二次式求顶点;**顶点一般不是无偏的那个 $c$**,两问答案不同(2024·22)。
- **B5 拼装 $\chi^2/t/F$ 的三步**:先算均值方差 → 标准化 → 平方/相除;**坑**:分子的 $X$ 与分母的 $\chi^2$ 必须独立(正态总体下 $\overline X\perp S^2$ 才能拼 $t$)。
- **B6 自由度速查**:$\chi^2$ 单总体看 $\mu$ 知不知($n$ 或 $n-1$);$t$ 永远 $n-1$;$F$ 是两个 $\chi^2$ 的自由度按分子/分母顺序写。
- **B7 置信区间四选一**:$\sigma$ 知/未知、$\mu$ 知/未知,两两组合决定 $U/t/\chi^2(n)/\chi^2(n-1)$。**$\chi^2$ 区间两端反着放**是最大失分点。
- **B8 给上限反求下限**:对称区间下"上下限之和 $=2\overline X$"(2016·14 唯一解法的入口)。
- **B9 拒绝域跟着 $H_1$**:先看 $H_1$ 是不等号哪一侧,再定单侧/双侧;**坑**:把方差当标准差代入(2025·10)。
- **B10 $\beta$ 的四步换世界**:写出接受域 → 换成 $H_1$ 的分布 → 算概率。**坑**:用 $H_0$ 的均值算 $\beta$(那就变成 $\alpha$ 了)。
- **B11 $\alpha$-$\beta$ 关系只用两句**:小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 接受。**坑**:把方向记反。
- **B12 区间与检验的对偶**:$\mu_0$ 在区间内 ⟺ 不拒绝;这一个等价能把区间题改写成检验题(反之亦然)。
## 7 题目清单(26 题,纯题干,按在学练习八点分册)
> 编号沿用「在学练习」第6讲八点分册:`02`–`09` 对应点 1–8。**只列题干,不给答案**。
### 点 1 总体、样本与统计量(题 1–3)
- **题 1 · 1.1:联合分布与两个词的用处(★☆☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;(Ⅱ)指出"独立"与"同分布"各自用在哪一步;(Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗?
- **题 2 · 1.2:统计量的三个基本期望(★★☆)**:设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$(Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;(Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;(Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量?
- **题 3 · 1.3:最大次序统计量(★★☆)**:设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。(Ⅰ)求 $X_{(n)}$ 的分布函数与密度;(Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;(Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
### 点 2 三大抽样分布(题 1–3)
- **题 1 · 2.1:平方和就是卡方(★☆☆)**:设 $X_1,\dots,X_5$ 独立同分布于 $N(0,1)$ 。记 $Q_1=\sum\limits_{i=1}^{5}X_i^{2}$ 。已知 $\chi^2_{0.05}(5)=11.07$ 、$\chi^2_{0.05}(10)=18.31$ 。(Ⅰ)指出 $Q_1$ 的分布,并求 $EQ_1$ 与 $DQ_1$ ;(Ⅱ)求 $P\{Q_1>11.07\}$ ;(Ⅲ)若 $X_6,\dots,X_{10}$ 也独立同分布于 $N(0,1)$ 且与前 5 个独立,指出 $Q_2=\sum\limits_{i=1}^{10}X_i^{2}$ 的分布,并说明 $Q_1$ 与 $Q_2-Q_1$ 是否独立。
- **题 2 · 2.2:t 的构造与对称性(★★☆)**:设 $X\sim N(0,1)$ 、$Y\sim\chi^{2}(9)$ ,且 $X$ 与 $Y$ 相互独立。记 $T=\dfrac{X}{\sqrt{Y/9}}$ ,已知 $t_{0.025}(9)=2.262$ 。(Ⅰ)指出 $T$ 的分布;(Ⅱ)求 $P\{\lvert T\rvert>2.262\}$ 与 $P\{T>2.262\}$ ;(Ⅲ)指出 $T^{2}$ 的分布。
- **题 3 · 2.3:F 的两个自由度与倒数互换(★★☆)**:设 $U\sim\chi^{2}(8)$ 、$V\sim\chi^{2}(12)$ ,且 $U$ 与 $V$ 相互独立。记 $F=\dfrac{U/8}{V/12}$ 。已知 $F_{0.05}(8,12)=2.85$ 、$F_{0.05}(12,8)=3.28$ 。(Ⅰ)指出 $F$ 的分布;(Ⅱ)求 $P\{F>2.85\}$ ,并写出用 $F_{0.95}(12,8)$ 表示 $F_{0.05}(8,12)$ 的关系式、算出 $F_{0.95}(12,8)$ 的值;(Ⅲ)若 $T\sim t(12)$ ,指出 $T^{2}$ 的分布,并与(Ⅰ)对照。
### 点 3 正态总体的抽样分布(题 1–3)
- **题 1 · 3.1:四选一找错(★★☆)**:设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$(B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$(C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$(D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
- **题 2 · 3.1:用卡方算样本方差的概率(★★☆)**:设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求(Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;(Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;(Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。
- **题 3 · 3.2:两总体的方差比(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。(Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?(Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?(Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。
### 点 4 矩估计(题 1–2)
- **题 1 · 4.1:一阶矩就够的情形(★☆☆)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
- **题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)**:(Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
### 点 5 最大似然估计(题 1–4)
- **题 1 · 5.1:指数分布与不变性(★★☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;(Ⅱ)求 $P\{X>t\}$ 的最大似然估计;(Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同?
- **题 2 · 5.1:两组不同参数的泊松(★★☆)**:设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)判断 $\hat\theta$ 是否无偏;(Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么?
- **题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;(Ⅱ)求 $\theta$ 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。
- **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.$$X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;(Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同?
### 点 6 估计量的评价标准(题 1–4)
- **题 1 · 6.1:无偏性反解系数(★★☆)**:设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。(Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;(Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?(Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
- **题 2 · 6.2:三个均值型估计谁更有效(★★☆)**:设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$(Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
- **题 3 · 6.3:相合性的证明与反例(★★☆)**:(Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。(Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。(Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。
- **题 4 · 6.4:无偏不一定最好(★★★)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$(Ⅰ)求使 $T_c$ 无偏的 $c$ ;(Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;(Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
### 点 7 区间估计(题 1–3)
- **题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )(Ⅰ)求 $0.95$ 双侧置信区间的下限;(Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;(Ⅲ)说明为什么置信度降低时区间变窄。
- **题 2 · 7.2:单总体的三种区间(★★☆)**:设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。(Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);(Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?(Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。
- **题 3 · 7.3:两总体的均值差与方差比(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。(Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;(Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。
### 点 8 假设检验与两类错误(题 1–4)
- **题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)**:设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;(Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;(Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;(Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。
- **题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)**:(Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。(Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?(Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:(A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。
- **题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)**:某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。(Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;(Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;(Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。
- **题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。(Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;(Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。
---
> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]],分册 `02`–`09` 对应点 1–8;参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。