背诵版 16—20 是讲义态(一讲 1.2—2.3 万字符),复习一次 40 分钟且看完记不住。 用户反馈「不是不理解,是背的东西太多,靠逻辑推演速度太慢」,故另做记忆态清单。 - 21 总纲:收录标准(只收推不出或推起来超十秒的)、五型标签(式/表/判/模/反)、 三轮刷法、六张跨讲对照(除数账本、独立四种说法、标准化三次、自由度账本、 三对易混、两类错误) - 22—27 六讲:32/44/41/36/25/53 条,合计 231 条,全刷 32 分钟 - 每册末「十秒自检」四条到六条,作为过关判据 - 考前三天只看「反」型(不成立断言与反例)与「表」型 - README 加 §四·五 说明分工:清单卡住 → 背诵版查全 → 在学练习看推导 - 总览目录树补入知识点构建(此前遗漏) - 顺带修两处公式内伪链接(f'[...](b-a)、[x+(n-1)a](x-a)),check_md_links 归零
13 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 · 专背清单 | 2026-11-17 | 53 条(式 22 / 表 8 / 判 11 / 模 5 / 反 7) | 知识点构建 20 背诵版;专项突破 03 四件套专练;真题库 chapter 21—22 |
|
第 6 讲 数理统计 · 专背清单
53 条,六册里最重的一册。本讲的分值集中在四件套(哪个参数已知)与四张表(抽样分布、区间、检验、两类错误)。这四张表背不下来,本讲等于没学。
一、统计量与样本矩(7 条)
L6-01 判 统计量定义:g(X_1,\dots,X_n) 中不含任何未知参数。
└ 口诀"能不能用样本算出来"——算不出来就不是。
L6-02 式 三个基本量:\overline X=\dfrac1n\sum X_i ;S^2=\dfrac{1}{n-1}\sum(X_i-\overline X)^2 ;B_2=\dfrac1n\sum(X_i-\overline X)^2 。
L6-03 式 恒等式:\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2 。
└ 方差题必用。这一步能把二阶矩和均值接起来。
L6-04 式 三个必背数字特征:E\overline X=\mu ;D\overline X=\dfrac{\sigma^2}{n} ;ES^2=\sigma^2 。
└ 前两个合起来就是"\overline X 是 \mu 的无偏估计,且方差随 n 收缩"。
L6-05 式 n-1 的来历:E\!\left[\frac1n\sum(X_i-\overline X)^2\right]=\dfrac{n-1}{n}\sigma^2 ,乘 \dfrac{n}{n-1} 才无偏。
└ n-1 只为无偏。这也解释了 \chi^2 自由度为何减一。
L6-06 式 顺序统计量:F_{(n)}=[F]^n ,F_{(1)}=1-[1-F]^n ;f_{(n)}=n[F]^{n-1}f ,f_{(1)}=n[1-F]^{n-1}f 。
L6-07 表 上限型总体的 \max 期望(无偏题必背):
| 密度 | EX_{(n)} |
|---|---|
U(0,\theta) :\frac1\theta |
\dfrac{n}{n+1}\theta |
\dfrac{2x}{\theta^2} |
\dfrac{2n}{2n+1}\theta |
\dfrac{kx^{k-1}}{\theta^k} |
\dfrac{kn}{kn+1}\theta |
└ 记法:分子是 n 乘指数,分母再加 1。要无偏就乘倒数。
二、三大抽样分布(5 条)
L6-08 式 \chi^2(n) :n 个独立 N(0,1) 的平方和。E=n 、D=2n ,可加。
└ 不对称,上下分位点要分别查。
L6-09 式 t(n)=\dfrac{X}{\sqrt{Y/n}} ,X\sim N(0,1) 、Y\sim\chi^2(n) 独立。E=0 (n>1 )。
└ 密度偶函数、尾比正态厚;t_{1-\alpha}(n)=-t_\alpha(n) ;t^2\sim F(1,n) 。
L6-10 式 F(n_1,n_2)=\dfrac{U/n_1}{V/n_2} ,U,V 独立卡方。两个自由度分子在前。
└ \dfrac1F\sim F(n_2,n_1) ,故 F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)} 。查不到小分位点时用它。
L6-11 判 分位点约定:下标是上侧面积。P\{T>t_\alpha(n)\}=\alpha ,P\{\chi^2>\chi^2_\alpha(n)\}=\alpha 。
└ 与 z_\alpha 一致(第 2 讲 L2-26)。混用"累积面积"会整体错位。
L6-12 判 拼装三步: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(卡方相加、t 除根号、F 上下各除自由度)。
三、四件套(本讲核心,6 条)
L6-13 表 单正态总体五条(X_i\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 | \dfrac{1}{\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 |
L6-14 式 两句口诀:\mu 换成 \overline X ,自由度减一(②→③);**\sigma 换成 S ,正态换 t ,自由度 n-1 **(①→④)。
└ 这两句覆盖了四件套的全部变化,不要背四个孤立公式。
L6-15 判 四件套的选择只看两件事:**估的是 \mu 还是 \sigma^2 **;另一个参数已知还是未知。
└ 两行两列,一共四格。\mu 已知那格用 \chi^2(n) ,这一格真题十年没考过,最可能第一次出现。
L6-16 反 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。它是拼 t 分布的前提,也是判断题常考项。
L6-17 坑 ① 的分母是 \sigma/\sqrt n ,不是 \sigma ;④ 的分子是 \sqrt n(\overline X-\mu) ,与 \dfrac{\overline X-\mu}{S/\sqrt n} 同值。两种写法都要认。
L6-18 坑 题目给"方差 \sigma^2=2 ",代进 ① 时分母要用 \sqrt2 。
└ 2025·10 的唯一失分点就在这。
四、两正态总体(4 条)
L6-19 式 均值差(方差已知):\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1) 。
└ 两项方差都要除各自样本量,再相加,别漏。
L6-20 式 方差比:\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1) 。
L6-21 式 均值差(等方差未知):\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2) 。
L6-22 式 合并方差:S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2} 。
└ 分母 m+n-2 = 两组各估一个均值。自由度账本的第三个例子。
五、点估计(8 条)
L6-23 模 矩估计三步:① 写含 \theta 的总体矩 EX^k ;② 令 EX^k=A_k ;③ 解出 \hat\theta 。
└ 一个参数用一阶矩,两个参数用一、二阶矩联立。
L6-24 式 两参数模板:\hat\mu=\overline X ,\hat\sigma^2=B_2=\dfrac1n\sum(X_i-\overline X)^2 。
└ **矩估计的方差是 B_2 (除 n )不是 S^2 **。这是矩估计唯一的坑。
L6-25 模 MLE 四步:① 写 L=\prod f(x_i;\theta) ;② 取 \ln L ;③ 求导令零(多参数解方程组);④ 写成统计量。
└ 第④步别漏——答案必须是 X_i 的表达式,不能留 \theta 。
L6-26 式 边界情形的口诀:能求导就求导;不能求导看单调,往边界上找。
L6-27 表 三个高频载体(记结果):
| 分布 | 矩估计 | MLE |
|---|---|---|
拉普拉斯 \frac{1}{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} |
└ 均匀那一格是必考:矩估计与 MLE 结果不同,且只有 MLE 可修正为无偏(乘 \frac{n+1}{n} )。
L6-28 式 两样本同参数(X\sim P(\lambda) 、Y\sim P(2\lambda) ):
\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.
└ 分母 n+2m 的来历:Y 组每个样本携带 2\lambda 的信息。
L6-29 式 不变性:\widehat{g(\theta)}=g(\hat\theta) 。用于 \hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}} 。
L6-30 反 无偏性没有不变性:E\hat\theta=\theta 推不出 E[g(\hat\theta)]=g(\theta) 。
└ 反例:\sqrt{S^2}=S 不是 \sigma 的无偏估计(E S<\sigma ,Jensen)。"MLE 有不变性、无偏性没有"是常考辨析。
六、评价标准(6 条)
L6-31 表 四标准:
| 标准 | 定义 | 管什么 |
|---|---|---|
| 无偏 | E\hat\theta=\theta |
准不准(无系统偏差) |
| 有效 | 都无偏时 D\hat\theta 更小 |
稳不稳 |
| 相合(一致) | \hat\theta\xrightarrow{P}\theta |
样本多了会不会靠近 |
| MSE | E(\hat\theta-\theta)^2=D\hat\theta+(E\hat\theta-\theta)^2 |
方差 + 偏差² |
L6-32 式 四个无偏结论:E\overline X=\mu ;ES^2=\sigma^2 ;EB_2=\frac{n-1}{n}\sigma^2 (有偏);EX_{(n)}=\frac{n}{n+1}\theta (对 U(0,\theta) )。
L6-33 模 定常数使无偏:写出 E(\text{统计量})=c\,\theta ,令 c=1 反解。
└ 标准动作,几乎每道无偏题都要走一遍。
L6-34 判 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,要比 MSE。
L6-35 式 MSE 最小的常数:h(c) 展开成 c 的二次函数,顶点
c^*=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.
└ **它一般不等于使无偏的 \frac{n+1}{n} **——2024·22 就考这个"小偏差换大方差"。
L6-36 反 有偏的估计量可以更好(MSE 更小),所以"有偏就不用"是错的。
七、区间估计(6 条)
L6-37 模 枢轴法四步:① 找点估计;② 造枢轴量(含参数但分布已知且与参数无关);③ 定分位点(双侧取 \alpha/2 与 1-\alpha/2 );④ 解不等式。
L6-38 表 单总体四大区间:
| 待估 | 条件 | 枢轴量 | 区间 |
|---|---|---|---|
\mu |
\sigma 已知 |
N(0,1) |
\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n} |
\mu |
\sigma 未知 |
t(n-1) |
\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n} |
\sigma^2 |
\mu 已知 |
\chi^2(n) |
两端反放(见下条) |
\sigma^2 |
\mu 未知 |
\chi^2(n-1) |
两端反放 |
L6-39 式 方差区间的写法(最容易抄错的一处):
\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].
└ 大分位点配下限、小分位点配上限。因为 \chi^2 不对称且 \sigma^2 在分母。
L6-40 判 单侧区间用 u_\alpha (不是 u_{\alpha/2} );同一置信度下单侧半宽更小。
L6-41 式 2016·14 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)。
L6-42 式 两总体三格:均值差(方差已知)用 U ;等方差未知用 t(m+n-2) ,标准误 S_w\sqrt{1/m+1/n} ;方差比用 F(m-1,n-1) 且两端反放。
八、假设检验(7 条)
L6-43 模 四步:① 提假设(**等号放 H_0 **);② 选统计量(按四件套);③ 定拒绝域使 \alpha 成立;④ 算观测值下结论。
L6-44 表 拒绝域方向(跟着 H_1 跑):
H_1 |
拒绝域 |
|---|---|
\theta\ne\theta_0 |
\lvert\text{统计量}\rvert\ge 上侧 \alpha/2 分位点 |
\theta>\theta_0 |
\text{统计量}\ge 上侧 \alpha 分位点 |
\theta<\theta_0 |
\text{统计量}\le 上侧 \alpha 分位点的相反数 |
L6-45 表 单总体四种检验(与四件套一一对应):
| 对象 | 条件 | 统计量 | 分布 |
|---|---|---|---|
\mu |
\sigma 已知 |
\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n} |
N(0,1) |
\mu |
\sigma 未知 |
\dfrac{\overline X-\mu_0}{S/\sqrt n} |
t(n-1) |
\sigma^2 |
\mu 已知 |
\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2} |
\chi^2(n) |
\sigma^2 |
\mu 未知 |
\dfrac{(n-1)S^2}{\sigma_0^2} |
\chi^2(n-1) |
L6-46 反 \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} ,不能写成绝对值。
L6-47 式 对偶:\mu_0 落在 1-\alpha 置信区间内 \iff 不拒绝 H_0 。
L6-48 判 两总体检验:均值差用 U 或 T (同 L6-19、L6-21);方差比用 F=\dfrac{S_1^2}{S_2^2} ,**分子配 m-1 **。
L6-49 坑 检验题里"\sigma_0^2 "与"\sigma_0 "要看清楚:U 与 T 的分母是标准差,\chi^2 的分母是方差。
九、两类错误(4 条)
L6-50 表 两类错误与两个水平:
| 名 | 符号 | 含义 |
|---|---|---|
| 弃真(第一类) | \alpha |
P\{\text{拒绝}H_0\mid H_0\text{真}\} |
| 取伪(第二类) | \beta |
P\{\text{接受}H_0\mid H_0\text{假}\} |
| 置信度 | 1-\alpha |
与 \alpha 同源 |
L6-51 模 算 \beta 四步:① 由 \alpha 定拒绝域临界值;② 换世界——用真实参数算统计量分布;③ 求"落在接受域"的概率;④ 得 \beta 。
L6-52 反 \alpha 与 \beta 不能同时减小(n 固定时)。唯一办法是**增大 n **。
L6-53 式 \alpha 减小 \Rightarrow 拒绝域缩小 \Rightarrow 接受域变大 \Rightarrow \beta 增大。方向是反的。
十秒自检
- 默写四件套五条(①—⑤),说出两句口诀。
- 方差区间为什么两端反放。
- 矩估计的方差为什么是
B_2而不是S^2。 - 均匀分布的矩估计与 MLE 各是什么,哪个能修正为无偏。
\alpha与\beta的关系,怎么同时减小。\chi^2(n)与\chi^2(n-1)分别什么时候用。
六条全过,本讲过关。