本章系统阐述统计推断理论基础，涵盖大数定律、抽样分布、参数估计与假设检验等核心内容。以下从六个核心考点系统梳理知识体系：
考点一：大数定律与中心极限定理
1. 大数定律
- 切比雪夫不等式：
设随机变量 X X X 的数学期望 E ( X ) = μ E(X)=\mu E(X)=μ，方差 D ( X ) = σ 2 D(X)=\sigma^2 D(X)=σ2，则对任意 ε > 0 \varepsilon>0 ε>0：
P { ∣ X − μ ∣ ≥ ε } ≤ σ 2 ε 2 P\{|X-\mu| \geq \varepsilon\} \leq \frac{\sigma^2}{\varepsilon^2} P{∣X−μ∣≥ε}≤ε2σ2 - 辛钦大数定律：
设独立同分布序列 { X n } \{X_n\} {Xn} 满足 E ( X i ) = μ E(X_i)=\mu E(Xi)=μ，则对任意 ε > 0 \varepsilon>0 ε>0：
lim n → ∞ P { ∣ 1 n ∑ k = 1 n X k − μ ∣ < ε } = 1 \lim_{n \to \infty} P\left\{ \left| \frac{1}{n}\sum_{k=1}^n X_k - \mu \right| < \varepsilon \right\} = 1 n→∞limP{ n1k=1∑nXk−μ <ε}=1
核心思想：大量样本的平均值具有稳定性，依概念收敛于理论均值。
2. 中心极限定理
设独立同分布序列 { X n } \{X_n\} {Xn} 满足 E ( X i ) = μ E(X_i)=\mu E(Xi)=μ， D ( X i ) = σ 2 D(X_i)=\sigma^2 D(Xi)=σ2，则：
lim n → ∞ P { ∑ k = 1 n X k − n μ σ n ≤ x } = Φ ( x ) \lim_{n \to \infty} P\left\{ \frac{\sum_{k=1}^n X_k - n\mu}{\sigma\sqrt{n}} \leq x \right\} = \Phi(x) n→∞limP{σn∑k=1nXk−nμ≤x}=Φ(x)
核心思想：大量样本和 ∑ X k \sum X_k ∑Xk 近似服从正态分布 N ( n μ , n σ 2 ) N(n\mu, n\sigma^2) N(nμ,nσ2)。
考点二：抽样分布
1. 统计量定义
- 样本均值： X ˉ = 1 n ∑ i = 1 n X i \bar{X} = \frac{1}{n}\sum_{i=1}^n X_i Xˉ=n1∑i=1nXi
- 样本方差： S 2 = 1 n − 1 ∑ i = 1 n ( X i − X ˉ ) 2 S^2 = \frac{1}{n-1}\sum_{i=1}^n (X_i - \bar{X})^2 S2=n−11∑i=1n(Xi−Xˉ)2
- 次序统计量： X ( 1 ) = min ( X i ) , X ( n ) = max ( X i ) X_{(1)} = \min(X_i),\ X_{(n)} = \max(X_i) X(1)=min(Xi), X(n)=max(Xi)
2. 三大抽样分布
| 分布类型 | 定义 | 重要性质 |
|---|---|---|
| χ 2 \chi^2 χ2分布 | X 1 , . . . , X n ∼ N ( 0 , 1 ) X_1,...,X_n \sim N(0,1) X1,...,Xn∼N(0,1)，则 ∑ i = 1 n X i 2 ∼ χ 2 ( n ) \sum_{i=1}^n X_i^2 \sim \chi^2(n) ∑i=1nXi2∼χ2(n) | 可加性（独立）： χ 2 ( n 1 ) + χ 2 ( n 2 ) ∼ χ 2 ( n 1 + n 2 ) \chi^2(n_1) + \chi^2(n_2) \sim \chi^2(n_1+n_2) χ2(n1)+χ2(n2)∼χ2(n1+n2) |
| t t t分布 | X ∼ N ( 0 , 1 ) , Y ∼ χ 2 ( n ) X \sim N(0,1),\ Y \sim \chi^2(n) X∼N(0,1), Y∼χ2(n)，则 t = X Y / n ∼ t ( n ) t = \frac{X}{\sqrt{Y/n}} \sim t(n) t=Y/nX∼t(n) | 对称性： t 1 − α ( n ) = − t α ( n ) t_{1-\alpha}(n) = -t_{\alpha}(n) t1−α(n)=−tα(n) |
| F F F分布 | U ∼ χ 2 ( m ) , V ∼ χ 2 ( n ) U \sim \chi^2(m),\ V \sim \chi^2(n) U∼χ2(m), V∼χ2(n)，则 F = U / m V / n ∼ F ( m , n ) F = \frac{U/m}{V/n} \sim F(m,n) F=V/nU/m∼F(m,n) | 倒数性质： F 1 − α ( m , n ) = 1 F α ( n , m ) F_{1-\alpha}(m,n) = \frac{1}{F_{\alpha}(n,m)} F1−α(m,n)=Fα(n,m)1 |
3. 正态总体下的抽样分布
设 X 1 , . . . , X n ∼ N ( μ , σ 2 ) X_1,...,X_n \sim N(\mu,\sigma^2) X1,...,Xn∼N(μ,σ2)，则：
- X ˉ ∼ N ( μ , σ 2 n ) \bar{X} \sim N\left(\mu, \frac{\sigma^2}{n}\right) Xˉ∼N(μ,nσ2)，标准化得 U = X ˉ − μ σ / n ∼ N ( 0 , 1 ) U = \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} \sim N(0,1) U=σ/nXˉ−μ∼N(0,1)
- ( n − 1 ) S 2 σ 2 ∼ χ 2 ( n − 1 ) \frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1) σ2(n−1)S2∼χ2(n−1)，且 X ˉ \bar{X} Xˉ 与 S 2 S^2 S2 独立
- T = X ˉ − μ S / n ∼ t ( n − 1 ) T = \frac{\bar{X}-\mu}{S/\sqrt{n}} \sim t(n-1) T=S/nXˉ−μ∼t(n−1)
- χ 2 = 1 σ 2 ∑ i = 1 n ( X i − μ ) 2 ∼ χ 2 ( n ) \chi^2 = \frac{1}{\sigma^2}\sum_{i=1}^n (X_i - \mu)^2 \sim \chi^2(n) χ2=σ21∑i=1n(Xi−μ)2∼χ2(n)
考点三：统计量的数字特征
| 统计量 | 期望 | 方差 |
|---|---|---|
| 样本均值 X ˉ \bar{X} Xˉ | E ( X ˉ ) = μ E(\bar{X}) = \mu E(Xˉ)=μ | D ( X ˉ ) = σ 2 n D(\bar{X}) = \frac{\sigma^2}{n} D(Xˉ)=nσ2 |
| 样本方差 S 2 S^2 S2 | E ( S 2 ) = σ 2 E(S^2) = \sigma^2 E(S2)=σ2 | D ( S 2 ) = 2 σ 4 n − 1 D(S^2) = \frac{2\sigma^4}{n-1} D(S2)=n−12σ4 |
| 样本协方差 S X Y S_{XY} SXY | E ( S X Y ) = Cov ( X , Y ) E(S_{XY}) = \text{Cov}(X,Y) E(SXY)=Cov(X,Y) | 复杂表达式需特殊计算 |
考点四：参数估计
1. 矩估计法
- 核心思想：用样本矩估计总体矩
1 n ∑ i = 1 n X i k → E ( X k ) \frac{1}{n}\sum_{i=1}^n X_i^k \to E(X^k) n1i=1∑nXik→E(Xk) - 步骤：
- 建立方程 μ ^ k = E ( X k ) \hat{\mu}_k = E(X^k) μ^k=E(Xk)
- 解方程得参数估计量
2. 最大似然估计
- 似然函数：
离散型： L ( θ ) = ∏ i = 1 n P ( X i ; θ ) L(\theta) = \prod_{i=1}^n P(X_i;\theta) L(θ)=∏i=1nP(Xi;θ)
连续型： L ( θ ) = ∏ i = 1 n f ( X i ; θ ) L(\theta) = \prod_{i=1}^n f(X_i;\theta) L(θ)=∏i=1nf(Xi;θ) - 求解步骤：
- 取对数 ln L ( θ ) \ln L(\theta) lnL(θ)
- 对 θ \theta θ 求导并令导数为零
- 解方程得 θ ^ M L E \hat{\theta}_{MLE} θ^MLE
考点五：估计量的评选标准
| 标准 | 数学定义 | 判定方法 |
|---|---|---|
| 无偏性 | E ( θ ^ ) = θ E(\hat{\theta}) = \theta E(θ^)=θ | 计算期望验证等式成立 |
| 有效性 | D ( θ ^ 1 ) < D ( θ ^ 2 ) D(\hat{\theta}_1) < D(\hat{\theta}_2) D(θ^1)<D(θ^2) | 比较方差大小 |
| 一致性 | lim n → ∞ P ( ∣ θ ^ − θ ∣ ≥ ε ) = 0 \lim_{n \to \infty} P(|\hat{\theta}-\theta| \geq \varepsilon) = 0 limn→∞P(∣θ^−θ∣≥ε)=0 | 应用大数定律或切比雪夫不等式 |
考点六：区间估计与假设检验
1. 区间估计
- 步骤：
- 构造枢轴量 T ( X , θ ) T(X,\theta) T(X,θ)（如 U = X ˉ − μ σ / n U = \frac{\bar{X}-\mu}{\sigma/\sqrt{n}} U=σ/nXˉ−μ）
- 确定置信区间 P ( a < T < b ) = 1 − α P(a < T < b) = 1-\alpha P(a<T<b)=1−α
- 反解得到 θ \theta θ 的区间估计
正态总体均值区间估计：
- σ 2 \sigma^2 σ2 已知： μ ∈ ( X ˉ ± z α / 2 σ n ) \mu \in \left( \bar{X} \pm z_{\alpha/2} \frac{\sigma}{\sqrt{n}} \right) μ∈(Xˉ±zα/2nσ)
- σ 2 \sigma^2 σ2 未知： μ ∈ ( X ˉ ± t α / 2 ( n − 1 ) S n ) \mu \in \left( \bar{X} \pm t_{\alpha/2}(n-1) \frac{S}{\sqrt{n}} \right) μ∈(Xˉ±tα/2(n−1)nS)
2. 假设检验
两类错误：
错误类型 概率符号 发生条件 第一类错误 α \alpha α H 0 H_0 H0 为真但被拒绝（弃真） 第二类错误 β \beta β H 0 H_0 H0 为假但被接受（存伪） 检验步骤：
- 建立原假设 H 0 H_0 H0 与备择假设 H 1 H_1 H1
- 确定检验统计量及其分布
- 给定显著性水平 α \alpha α，确定拒绝域
- 根据样本计算统计量值，判断是否拒绝 H 0 H_0 H0
总结
本章重点掌握：
- 大数定律与中心极限定理的理论联系与区别
- 三大抽样分布的定义与正态总体的抽样分布性质
- 参数估计的双重方法（矩估计与极大似然估计）
- 假设检验的逻辑框架与两类错误的实际意义