- 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
35 KiB
tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 更新 | 状态 | 来源 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 · 第6讲 数理统计 · 背诵版 | 2026-10-27 | 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) | 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) | 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) |
|
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、../在学练习/概率论-第6讲-数理统计/01-知识点盘点、../在学练习/概率论-第6讲-数理统计/10-速查卡,分册
02–09对应点 1–8;参考仓库knowledge/5-mathematical-statistics、exercise/5-mathematical-statistics。