- 01 反常积分 20 题:以反常积分为圆心铺一元积分全章,张宇第 8/9 章为骨架 - 02 线面积分 21 题:格林 / 高斯 / 斯托克斯 + 两类积分,真题约 125 分;张宇库无此章 - 03 大数定律与数理统计 20 题:ch19—ch22,切比雪夫与置信区间为模拟卷三第 8/10 题的加练 - 每题分三层(A 核心 / B 一圈 / C 二圈)并标注真题或张宇骨架 - 解析超 1.3 万字符上限,拆为 03a-解析-核心 / 03b-解析-扩散 - 专项突破 README 与总览建索引
10 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|---|
|
大数定律与数理统计 | 2026-10-31 | B 组与 C 组题解析,A 组见 03a |
|
解析(扩散)· 大数定律与数理统计
A 组核心题的解析见 03a-解析-核心。下面从 B 组接续。
B 组
题 B1 · 有偏,修正为 \dfrac{n+1}{n}X_{(n)}
怎么想:判断无偏要算 E(X_{(n)}) ,而算它要先有 X_{(n)} 的密度。
解:U(0,\theta) 的分布函数 F(x)=\dfrac x\theta (0<x<\theta ),故
f_{X_{(n)}}(x)=n\left[F(x)\right]^{n-1}f(x)=n\left(\frac x\theta\right)^{n-1}\cdot\frac1\theta=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.
E(X_{(n)})=\int_0^\theta x\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta\neq\theta.
故 X_{(n)} 有偏。修正:取 \dfrac{n+1}{n}X_{(n)} ,其期望为 \dfrac{n+1}{n}\cdot\dfrac{n}{n+1}\theta=\theta ,无偏。
归因:\max 天然偏小(它永远取不到 \theta 以上),所以 X_{(n)} 低估 \theta ,修正要乘一个大于 1 的因子。写成 \frac{n}{n+1}X_{(n)} 就是把方向搞反了——那一改偏得更小。
题 B2 · (Ⅰ)均无偏 (Ⅱ)\bar X 更有效
解:
(Ⅰ)E(\bar X)=\theta ,无偏。
X_{(1)}=\min X_i 的分布:P\{X_{(1)}>x\}=\left[P\{X_1>x\}\right]^n=\mathrm{e}^{-nx/\theta} ,故 X_{(1)} 服从参数为 \dfrac\theta n 的指数分布,
E(X_{(1)})=\frac\theta n\ \Longrightarrow\ E(nX_{(1)})=\theta,
无偏。
(Ⅱ)D(\bar X)=\dfrac{\theta^2}{n} 。又 D(X_{(1)})=\dfrac{\theta^2}{n^2} ,故
D(nX_{(1)})=n^2\cdot\frac{\theta^2}{n^2}=\theta^2.
比较:当 n\geqslant2 时 \dfrac{\theta^2}{n}<\theta^2 ,故 \bar X 的方差更小,\bar X 更有效。
归因:X_{(1)} 的期望是 \theta/n 而不是 \theta —— 最小值天然偏小,所以乘 n 才无偏。第(Ⅱ)问的关键是 D(nX_{(1)})=\theta^2 与 n 无关,这说明"只用一个样本点"的估计量不会因为样本量增加而变准,这正是它不如 \bar X 的原因。
题 B3 · 证明
解:记 \hat\theta_n=\dfrac{n+1}{n}X_{(n)} 。
无偏:由 B1 ,E(X_{(n)})=\dfrac{n}{n+1}\theta ,故 E(\hat\theta_n)=\theta 。
方差趋于 0:由 B4 的结论 D(X_{(n)})=\dfrac{n\theta^2}{(n+1)^2(n+2)} ,
D(\hat\theta_n)=\left(\frac{n+1}{n}\right)^2\cdot\frac{n\theta^2}{(n+1)^2(n+2)}=\frac{\theta^2}{n(n+2)}\to0\quad(n\to\infty).
由切比雪夫不等式,对任意 \varepsilon>0 :
P\left\{\left|\hat\theta_n-\theta\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\hat\theta_n)}{\varepsilon^2}=\frac{\theta^2}{n(n+2)\varepsilon^2}\to0.
故 \hat\theta_n\xrightarrow{P}\theta ,即 \dfrac{n+1}{n}X_{(n)} 是 \theta 的相合估计。
归因:相合性的判据是"无偏 + 方差趋于 0"(充分条件),本题正好两条都满足,用切比雪夫一收即可。别漏掉"对任意 \varepsilon>0 "这句,它是依概率收敛的定义语言。
题 B4 · 见解析
解:
(Ⅰ)由 B1 已得
f_{X_{(n)}}(x)=\frac{nx^{n-1}}{\theta^n},\quad 0<x<\theta.
(Ⅱ)E(X_{(n)})=\dfrac{n}{n+1}\theta 。
E\!\left(X_{(n)}^2\right)=\int_0^\theta x^2\cdot\frac{nx^{n-1}}{\theta^n}\mathrm{d}x=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n\theta^2}{n+2}.
D(X_{(n)})=\frac{n\theta^2}{n+2}-\left(\frac{n\theta}{n+1}\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\theta^2}{(n+1)^2(n+2)}.
(通分:分子 n(n+1)^2-n^2(n+2)=n^3+2n^2+n-n^3-2n^2=n 。)
归因:方差这一步必须通分到底,最后分子恰好是 n ——这是个"漂亮结果",可以用它自查。数值验证:n=2 时 D=\dfrac{2\theta^2}{9\cdot4}=\dfrac{\theta^2}{18} ,而 U(0,\theta) 两个样本的最大值方差可直接算,结果一致。
题 B5 · (1.89,\ 13.33)
怎么想:\sigma^2 的区间只能用 \chi^2 枢轴量,\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1) 。
解:枢轴量 \chi^2=\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(9) ,由
P\left\{\chi^2_{0.975}(9)<\chi^2<\chi^2_{0.025}(9)\right\}=0.95
得
\frac{(n-1)s^2}{\chi^2_{0.025}(9)}<\sigma^2<\frac{(n-1)s^2}{\chi^2_{0.975}(9)}.
代入 (n-1)s^2=9\times4=36 :
\sigma^2\in\left(\frac{36}{19.02},\ \frac{36}{2.70}\right)=(1.893,\ 13.333).
归因:上下标是反的——分母大的分位数(0.025 )对应区间的左端,因为它在分母上。这与 t 区间"\pm t_{\alpha/2} "的直觉相反,是这块最阴的一个点。记法:分位数在分母上,所以与 \alpha/2 的位置要对调。
C 组
题 C1 · A
解:(A)对。样本量固定时,\alpha 与 \beta 此消彼长:减小 \alpha 意味着拒绝域变小,H_0 更难被拒绝,于是 H_0 为假时也更难拒绝,\beta 增大。
(B)错,\alpha+\beta 一般不等于 1。(C)错,两者同时减小只能靠增大样本量。(D)错,\beta 是第二类错误概率,显著性水平是 \alpha 。
归因:这条的唯一考点就是"此消彼长"。补一句常考的:要同时减小两类错误,唯一办法是增大样本量。
题 C2 · \bar x>10.658
怎么想:H_1 写"\mu>10 " ,所以拒绝域在右尾,用 u_\alpha (单尾)而不是 u_{\alpha/2} 。
解:\sigma=2 已知,用 u 统计量 U=\dfrac{\bar X-10}{2/\sqrt{25}}=\dfrac{\bar X-10}{0.4} 。
P\{U>u_{0.05}\}=\alpha=0.05\ \Longrightarrow\ \bar X>10+1.645\times0.4=10.658.
故拒绝域为 \bar x>10.658 。
归因:两个坑。①单侧检验用 u_{0.05}=1.645 ,不是 1.96 ;②方向跟着 H_1 走,H_1 是"大于"就往右拒绝。若把 H_1 改成 \mu<10 ,拒绝域就是 \bar x<9.342 。
题 C3 · 见解析
解:两样本独立,\bar X\sim N\!\left(\mu_1,\dfrac{\sigma_1^2}{n_1}\right) ,\bar Y\sim N\!\left(\mu_2,\dfrac{\sigma_2^2}{n_2}\right) ,故
\bar X-\bar Y\sim N\left(\mu_1-\mu_2,\ \frac{\sigma_1^2}{n_1}+\frac{\sigma_2^2}{n_2}\right).
在 H_0:\mu_1=\mu_2 下,
U=\frac{\bar X-\bar Y}{\sqrt{\dfrac{\sigma_1^2}{n_1}+\dfrac{\sigma_2^2}{n_2}}}\sim N(0,1).
双尾检验,拒绝域为
|U|>u_{\alpha/2}.
归因:①\sigma_1^2,\sigma_2^2 已知才用 u ;未知但相等要用合并方差的 t (自由度 n_1+n_2-2 );未知且不等要用近似 t ( Welch )。②双尾用 \alpha/2 ,这与单尾题的区别就在此。这条大纲要求、十年未考,属于"高性价比冷门"。
题 C4 · 证明
解:记 \bar X_n=\dfrac1n\displaystyle\sum_{i=1}^nX_i 。由独立性,
E(\bar X_n)=\frac1n\sum_{i=1}^nE(X_i)=\mu,\qquad D(\bar X_n)=\frac{1}{n^2}\sum_{i=1}^nD(X_i)=\frac{\sigma^2}{n}.
对任意 \varepsilon>0 ,由切比雪夫不等式:
P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}\leqslant\frac{D(\bar X_n)}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}.
当 n\to\infty 时右端趋于 0,故
\lim_{n\to\infty}P\left\{\left|\bar X_n-\mu\right|\geqslant\varepsilon\right\}=0,
即 \dfrac1n\displaystyle\sum_{i=1}^nX_i\xrightarrow{P}\mu 。
归因:这题是"标准三步":算期望、算方差、套切比雪夫。两个易错点:①D(\bar X)=\frac{\sigma^2}{n} 里的 \frac{1}{n^2} 别丢;②最后要写成极限形式 \lim P\{\cdot\}=0 ,这才是依概率收敛的定义。
题 C5 · 见解析
解:
(Ⅰ)矩估计:E(X)=\theta ,令 \theta=\bar X ,得 \hat\theta_{\text{矩}}=\bar X 。
(Ⅱ)极大似然:似然函数
L(\theta)=\prod_{i=1}^n\frac1\theta\mathrm{e}^{-X_i/\theta}=\theta^{-n}\exp\left(-\frac{1}{\theta}\sum_{i=1}^nX_i\right),
\ln L=-n\ln\theta-\frac{1}{\theta}\sum_{i=1}^nX_i.
求导令零:
\frac{\mathrm{d}\ln L}{\mathrm{d}\theta}=-\frac n\theta+\frac{1}{\theta^2}\sum_{i=1}^nX_i=0\ \Longrightarrow\ \hat\theta_{\text{MLE}}=\frac1n\sum_{i=1}^nX_i=\bar X.
(二阶导在 \theta=\bar X 处为 -\frac{n}{\bar X^2}<0 ,是极大值。)
(Ⅲ)E(\bar X)=\theta ,故 \bar X 是 \theta 的无偏估计。
(Ⅳ)目标估计量是 \lambda=\dfrac1\theta 。由题给
E\left(\frac{1}{\bar X}\right)=\frac{n}{(n-1)\theta}=\frac{n}{n-1}\cdot\frac1\theta=\frac{n}{n-1}\lambda,
故 \dfrac1{\bar X} 的期望是目标的 \dfrac{n}{n-1}>1 倍,有偏(系统性偏大)。
而
E\left(\frac{n-1}{n}\cdot\frac{1}{\bar X}\right)=\frac{n-1}{n}\cdot\frac{n}{n-1}\cdot\frac1\theta=\frac1\theta,
故 \dfrac{n-1}{n}\cdot\dfrac1{\bar X} 才是 \dfrac1\theta 的无偏估计。
归因:这道题的核心是一句话:期望与倒数不能交换,即 E\!\left(\dfrac1{\bar X}\right)\neq\dfrac{1}{E(\bar X)} 。因为 f(t)=1/t 是凸函数,由 Jensen 不等式 E\!\left(\dfrac1{\bar X}\right)>\dfrac{1}{E(\bar X)} ,所以 \dfrac1{\bar X} 系统性偏大,修正要乘一个小于 1 的因子 \dfrac{n-1}{n} 。这与均匀分布"乘 \dfrac{n+1}{n} "方向相反,别记混。
错题归因表
| 你错的题 | 如果是 | 说明什么 | 补法 |
|---|---|---|---|
| A1 | 没认出 \varepsilon |
切比雪夫只会正向用 | 回 01 §1.1,练反向 |
| A4 / A6 | 自由度记错 | \chi^2 与 F 的 n-1 混淆 |
S^2 出现就减 1 |
| A5 | t 的定义记混 |
分母缺"/自由度" | 默写三遍 t 的定义 |
| A7 | 以为是普适结论 | 抽样定理的前提是正态 | 记"独立是正态专属,无偏是普适" |
| A10 / B5 | 用错分布或用错分位 | 这块头号错因 | 背两张区间表 |
| B1 / B5 | 修正因子方向反 | 期望偏大偏小没判断 | 想"\max 偏小、1/\bar X 偏大" |
| A8 / A9 | 方程解错 | 计算 | 解完代回去验 |
| C1 / C2 | \alpha 用错侧 |
单双尾没分清 | 拒绝域跟着 H_1 走 |