数理统计基本概念与参数估计
抽样分布与参数估计——从概率到统计的桥梁
考纲要求
数理统计基本概念与参数估计是概率论与数理统计的最后一章，也是从"概率理论"走向"统计推断"的桥梁。前几章在已知分布的前提下研究随机变量的规律，而本章面对的是分布（或参数）未知的实际问题——如何通过样本去推断总体。本章引入总体、样本、统计量等基本概念，建立三大抽样分布与正态总体抽样分布定理，进而讨论参数的点估计（矩估计、最大似然估计）、估计量的评选标准以及区间估计。作为全书收官之章，它既是统计推断的入门，也综合运用了前几章的分布理论与数字特征。
| 知识点 | 考试要求 | 考查层次 |
|---|---|---|
| 总体、个体、简单随机样本 | 理解总体、个体、简单随机样本的概念 | 理解 |
| 统计量与样本矩 | 理解统计量的概念，掌握样本均值、样本方差及样本矩的概念与计算 | 理解/掌握 |
| 三大抽样分布 | 理解 χ² 分布、t 分布、F 分布的概念及性质，了解上侧 α 分位数 | 理解 |
| 正态总体的抽样分布 | 掌握正态总体的常用抽样分布（抽样分布定理） | 掌握 |
| 点估计的概念 | 理解参数的点估计、估计量与估计值的概念 | 理解 |
| 矩估计法 | 掌握矩估计法（一阶、二阶矩） | 掌握 |
| 最大似然估计法 | 掌握最大似然估计法 | 掌握 |
| 估计量的评选标准 | 理解估计量的无偏性、有效性、一致性（相合性）的概念 | 理解 |
| 区间估计概念 | 理解区间估计的概念，理解置信区间的含义 | 理解 |
| 单个正态总体的区间估计 | 会求单个正态总体的均值和方差的置信区间 | 会 |
数理统计在考研数学一中约占 5% 的分值，考查形式以选择题、填空题与小综合解答题为主，是概率统计部分的"压轴内容"。高频考点集中在：三大抽样分布的识别与自由度判定（选择题常考"某统计量服从什么分布"）、正态总体抽样分布定理的应用（尤其 (X̄-μ)/(S/√n) ~ t(n-1) 与 (n-1)S²/σ² ~ χ²(n-1)）、矩估计与最大似然估计的计算（解答题高频，需熟练求导解方程）、无偏性的判定（常考 S² 的无偏性及 E(S)≠σ 的辨析）、正态总体均值与方差的置信区间。其中"识别抽样分布""求 MLE""判断无偏性"是反复出现的题型，需结合上几章的期望、方差与分布知识综合训练。
总体与样本
数理统计的核心思想是由局部推断整体：通过对总体进行抽样，利用样本信息去推断总体的未知性质。本节建立总体、样本、统计量等基本概念，它们是后续一切统计推断的出发点。
一、总体与个体
在数理统计中，把研究对象的全体称为总体（或母体），把组成总体的每个元素称为个体。每个个体是某个数量指标的取值，因此总体通常用一个随机变量 X 来描述，其分布称为总体分布。
总体按所含个体数目可分为有限总体与无限总体。当个体数很大或考虑重复观测时，常近似当作无限总体处理。今后提到"总体 X"，既指研究对象全体，也指表征其数量指标的随机变量。
例如，考察某厂一批灯泡的寿命，全体灯泡的寿命值构成总体 X，每个灯泡的寿命是个体；此时总体分布可能是某个指数分布或正态分布。统计推断的目标，正是利用部分灯泡（样本）的寿命数据去推断总体 X 的分布或其参数（如平均寿命）。
二、样本与简单随机样本
从总体 X 中随机抽取 n 个个体 X₁, X₂, …, Xn，称为来自总体 X 的容量为 n 的样本。若 X₁, X₂, …, Xn 满足：
① 独立性：X₁, X₂, …, Xn 相互独立；
② 同分布性（代表性）：每个 Xi 都与总体 X 同分布，
则称 X₁, X₂, …, Xn 为来自总体 X 的简单随机样本，简称样本。其取值 x₁, x₂, …, xn 称为样本观测值（样本值）。
简单随机样本即"独立同分布（i.i.d.）"样本，是数理统计的基本假设。今后若不特别声明，所讨论的样本均指简单随机样本。
在不曾具体观测时，X₁, …, Xn 是与总体同分布的随机变量，可以讨论其分布、期望、方差；在抽样完成后，它们取确定的数值 x₁, …, xn。这一"随机变量—观测值"的双重身份贯穿统计推断全过程：估计量是样本（随机变量）的函数，本身也是随机变量；而估计值则是代入观测值后的具体数值。
由于 X₁, …, Xn 与总体 X 同分布且独立，若总体 X 的分布函数为 F(x)、密度为 f(x)（或分布律为 P{X=x}），则样本 (X₁, …, Xn) 的联合分布函数为 ∏i=1n F(xi)，联合密度为 ∏i=1n f(xi)。这正是最大似然估计构造似然函数的基础。
三、统计量
设 X₁, X₂, …, Xn 是来自总体 X 的样本，g(x₁, x₂, …, xn) 是一个 n 元函数。若 g 中不含任何未知参数，则称 T = g(X₁, X₂, …, Xn) 为统计量。
统计量是样本的函数，且不含未知参数，因此它也是随机变量。统计量的分布称为抽样分布。统计量是进行统计推断的工具，例如用样本均值估计总体均值。
考研中最常用的统计量是样本矩，它们是总体矩的"样本对应物"：
样本方差：S² = (1/(n−1)) Σi=1n (Xi − X̄)²
样本 k 阶原点矩：Ak = (1/n) Σi=1n Xik
样本 k 阶中心矩：Bk = (1/n) Σi=1n (Xi − X̄)k
考研中"样本方差"特指 S² = (1/(n−1)) Σ(Xi−X̄)²（分母为 n−1），它是总体方差 σ² 的无偏估计。而分母为 n 的 (1/n)Σ(Xi−X̄)² 称为样本二阶中心矩 B₂，它并非无偏。二者切勿混淆：凡涉及 S²、抽样分布定理、无偏性，默认指分母 n−1 的版本。
设总体 X 的均值 E(X) = μ，方差 D(X) = σ²，则样本矩有如下基本性质（证明利用独立同分布与期望、方差的线性性）：
即样本均值 X̄ 是总体均值 μ 的无偏估计，样本方差 S² 是总体方差 σ² 的无偏估计。这两条性质将在第五节"评选标准"中反复使用。
抽样分布
统计量的分布称为抽样分布。正态总体下的抽样分布是统计推断的理论基石，其核心是三大抽样分布——χ² 分布、t 分布、F 分布。它们都由独立标准正态变量构造而来，是正态总体统计量分布的"积木"。
一、χ² 分布（卡方分布）
设 X₁, X₂, …, Xn 相互独立，且都服从 N(0, 1)，则称随机变量
服从自由度为 n 的 χ² 分布，记作 χ² ~ χ²(n)。其中 n 为自由度，是构成 χ² 的独立标准正态变量的个数。
χ² 分布的密度函数图像位于第一象限（非负），呈右偏（正偏）形态，随自由度 n 增大逐渐趋于对称、接近正态。其期望与方差为：
可加性（重要性质）：设 χ₁² ~ χ²(n₁) 与 χ₂² ~ χ²(n₂) 相互独立，则 χ₁² + χ₂² ~ χ²(n₁ + n₂)。即独立的 χ² 变量之和仍服从 χ² 分布，自由度相加。
二、t 分布
设 X ~ N(0, 1)，Y ~ χ²(n)，且 X 与 Y 相互独立，则称随机变量
服从自由度为 n 的 t 分布，记作 T ~ t(n)。
t 分布的密度关于 y 轴对称，形态类似标准正态但尾部更厚（"重尾"）。当 n 较小时与 N(0,1) 差异明显，当 n → ∞ 时 t(n) 的极限分布为 N(0, 1)（实际中 n ≥ 45 常用正态近似）。其期望与方差为：
对称性（重要性质）：t 分布关于原点对称，故其上侧 α 分位数满足 t1−α(n) = −tα(n)，与标准正态的 z1−α = −zα 完全类似。
三、F 分布
设 U ~ χ²(n₁)，V ~ χ²(n₂)，且 U 与 V 相互独立，则称随机变量
服从自由度为 (n₁, n₂) 的 F 分布，记作 F ~ F(n₁, n₂)。其中 n₁ 称为第一（分子）自由度，n₂ 称为第二（分母）自由度。
F 分布取值为正，密度呈右偏形态。其期望为（当 n₂ > 2 时）：
倒数性质（重要性质）：若 F ~ F(n₁, n₂)，则 1/F ~ F(n₂, n₁)。由此可得 F 分布分位数的"倒数公式"：
这一性质使得表中未列的小概率（α < 0.5）下侧分位数可由上侧分位数换算得到，是查表计算的关键。
四、三大抽样分布性质对照
| 分布 | 定义（典型模式） | 期望 | 方差 | 重要性质 |
|---|---|---|---|---|
| χ²(n) | Σi=1n Xi²， Xi iid ~ N(0,1) |
n | 2n | 非负；可加性（独立求和自由度相加）；右偏 |
| t(n) | X/√(Y/n)， X~N(0,1)，Y~χ²(n)，独立 |
0 （n>1） |
n/(n−2) （n>2） |
关于 0 对称；n→∞ 时趋于 N(0,1)；t1−α=−tα |
| F(n₁,n₂) | (U/n₁)/(V/n₂)， U~χ²(n₁)，V~χ²(n₂)，独立 |
n₂/(n₂−2) （n₂>2） |
2n₂²(n₁+n₂−2)/ [n₁(n₂−2)²(n₂−4)] （n₂>4） |
非负；1/F ~ F(n₂,n₁)；F1−α(n₁,n₂)=1/Fα(n₂,n₁) |
设 X 服从某分布，称满足 P{X > xα} = α 的数 xα 为该分布的上侧 α 分位数。三大分布的查表即查上侧分位数。记忆要点：χ² 与 F 分布非负，分位数为正；t 分布对称，t1−α(n) = −tα(n)；F 分布用倒数公式 F1−α(n₁,n₂) = 1/Fα(n₂,n₁) 处理下侧分位数。标准正态的上侧 α 分位数记为 zα，满足 Φ(zα) = 1 − α，且 z1−α = −zα。
五、正态总体下的抽样分布定理
设 X₁, X₂, …, Xn 是来自正态总体 N(μ, σ²) 的简单随机样本，X̄ 为样本均值，S² 为样本方差，则有以下抽样分布定理（正态总体四大定理）：
设 X₁, …, Xn 为来自 N(μ, σ²) 的样本，则：
① 样本均值的分布：
② 样本方差的分布：
③ 样本均值与样本方差独立：X̄ 与 S² 相互独立（仅正态总体成立）。
④ t 抽样分布：（σ² 未知时用 S 替代 σ）
定理①是 X̄ 标准化结果；定理②中自由度为 n−1 而非 n，原因是 Σ(Xi−X̄)² 中 X̄ 由样本估计、损失了一个自由度；定理③是正态总体特有的深刻结论，是构造 t 统计量的前提（保证分子分母独立）；定理④由①②③结合 t 分布定义得到，是 σ² 未知时推断 μ 的核心工具。
设 X₁, …, Xn₁ 来自 N(μ₁, σ₁²)，Y₁, …, Yn₂ 来自 N(μ₂, σ₂²)，两样本独立，X̄, Ȳ 与 S₁², S₂² 分别为各自样本均值与样本方差。
① 均值差的标准化：
√(σ₁²/n₁ + σ₂²/n₂)
② σ₁² = σ₂² = σ² 时（方差齐性）：记 Sw² = [(n₁−1)S₁² + (n₂−1)S₂²] / (n₁ + n₂ − 2)，则
Sw·√(1/n₁ + 1/n₂)
③ 方差比的分布：当 σ₁² = σ₂² 时，
做"某统计量服从何分布"的题目，关键是识别构成模式：①出现"独立标准正态的平方和"→χ² 分布，自由度为相加项数；②出现"标准正态 ÷ √(χ²/自由度)"→t 分布；③出现"两个 χ² 各除以自由度再相除"→F 分布。务必先判断分子分母是否独立、自由度是否正确，并注意 (n−1)S²/σ² ~ χ²(n−1) 中自由度为 n−1 这一高频考点。
点估计
在实际问题中，总体分布的类型往往已知（如已知是正态分布），但其包含的参数（如 μ, σ²）未知。点估计就是构造一个统计量 θ̂ = θ̂(X₁, …, Xn) 来估计未知参数 θ，称 θ̂ 为估计量，代入样本值后得到的数值称为估计值。常用的点估计方法有两种：矩估计法与最大似然估计法。
一、矩估计法
矩估计法由 K. 皮尔逊提出，其基本思想是用样本矩替换（估计）总体矩——"样本矩依概率收敛于总体矩"，故可用样本矩作为总体矩的估计。具体做法是令总体矩与样本矩相等，建立方程组，解出参数估计。
步骤一：求出总体 X 的矩 E(X) = μ（甚至 E(X²) = μ₂），用参数 θ 表示；
步骤二：令总体矩等于对应的样本矩，如 μ = X̄（一阶矩），E(X²) = (1/n)ΣXi²（二阶矩）；
步骤三：解方程（组），得到参数 θ 的矩估计 θ̂（用样本的函数表示）。
若只有一个未知参数，通常用一阶矩 E(X) = X̄ 即可；若有两个未知参数，则需用前两阶矩联立求解。
二、最大似然估计法
最大似然估计法由 R. A. 费希尔提出，其直观思想是：在一次抽样中"小概率事件不易发生"，既然样本 x₁, …, xn 已经出现，就应认为它出现的概率（或概率密度）最大。于是选择使样本出现概率最大的参数值作为估计。
步骤一（构造似然函数）：设总体分布律为 P{X=x}=p(x;θ)（离散）或密度 f(x;θ)（连续），样本 X₁,…,Xn 的似然函数为
步骤二（取对数）：为方便求导，取对数似然 ln L(θ) = Σi=1n ln p(xi;θ)（或 ln f）。
步骤三（求极值）：令 d(ln L)/dθ = 0（多参数时令各偏导为零），解出 θ；若驻点唯一，即为最大似然估计 θ̂MLE。
注意：若 L(θ) 关于 θ 单调无驻点，则 θ̂ 由参数取值范围的边界确定（如均匀分布 U(0,θ) 的 θ̂MLE = max Xi）。
构造似然函数时必须同时考虑密度（分布律）的非零区域，它往往隐含对参数的约束。例如 X ~ U(0, θ)，密度 f(x;θ)=1/θ 仅当 0 < xi < θ（对所有 i）时非零，即 θ > max(xi)。此时 L(θ)=1/θn 在 θ > max(xi) 上单调递减，最大值在 θ = max(xi) 处取得，故 θ̂MLE = X(n)（最大顺序统计量）。忽略支撑约束会导致错误结论。
估计量的评选标准
对同一参数，用不同估计方法可能得到不同的估计量。例如矩估计与最大似然估计未必相同。那么如何评价一个估计量的"好坏"？常用的三条标准是：无偏性、有效性、一致性（相合性）。
一、无偏性
设 θ̂ = θ̂(X₁, …, Xn) 是参数 θ 的估计量。若
对参数空间中一切 θ 成立，则称 θ̂ 为 θ 的无偏估计量（无系统偏差）；否则称为有偏估计量，E(θ̂) − θ 称为偏差。
无偏性的意义：在大量重复抽样下，估计量的取值在真值附近波动，无系统性的高估或低估。
前已指出 E(X̄) = μ、E(S²) = σ²，因此样本均值是总体均值的无偏估计，样本方差是总体方差的无偏估计。
① S² 无偏但 S 有偏：S² = (1/(n−1))Σ(Xi−X̄)² 是 σ² 的无偏估计，但 S 一般不是 σ 的无偏估计（即 E(S) ≠ σ）。这是因为 E(S²)=σ² 不能推出 E(S)=σ（由詹森不等式，开方是凹函数，E(S) ≤ √E(S²) = σ，通常严格小）。
② 样本二阶中心矩有偏：B₂ = (1/n)Σ(Xi−X̄)² 不是 σ² 的无偏估计，E(B₂) = (n−1)/n · σ²（系统偏低）。
③ 判无偏的常用工具：利用抽样分布定理算期望。如 (n−1)S²/σ² ~ χ²(n−1)，故 E[(n−1)S²/σ²] = n−1，立得 E(S²) = σ²。
二、有效性
设 θ̂₁ 与 θ̂₂ 都是参数 θ 的无偏估计量。若
对参数空间中一切 θ 成立，且至少存在一个 θ 使不等号严格成立，则称 θ̂₁ 比 θ̂₂ 有效。
有效性是在"无偏"前提下比较方差大小，方差越小越有效——估计值围绕真值的波动越小，估计越精确。
例如，对正态总体均值 μ，样本均值 X̄ 的方差为 σ²/n，而任一单个样本 Xi 也是 μ 的无偏估计但方差为 σ²，故 X̄ 比 Xi 有效（利用了全部样本信息）。
三、一致性（相合性）
设 θ̂n = θ̂(X₁, …, Xn) 是参数 θ 的估计量（n 为样本容量）。若对任意 ε > 0，
即 θ̂n 依概率收敛于 θ，则称 θ̂n 为 θ 的一致估计量（相合估计量）。
一致性是从大样本角度评价估计量：当样本容量充分大时，估计值稳定在真值附近。由大数定律，X̄ 是 μ 的一致估计，S² 是 σ² 的一致估计。
无偏性针对期望（系统偏差），有效性针对方差（波动大小，须在无偏前提下比较），一致性针对极限（大样本收敛）。三者从不同角度刻画估计量优劣，互不包含。考研中无偏性考查最多（计算 E(θ̂) 判断），有效性常结合"在无偏估计中求最小方差"考查（多利用柯西不等式或对称性），一致性多以概念辨析形式出现。判定一致性可用：若 E(θ̂n)→θ 且 D(θ̂n)→0，则 θ̂n 一致。
区间估计
点估计给出参数的一个数值估计，但未给出估计的精度与可信程度。区间估计用两个统计量构造一个随机区间，使它以一定概率覆盖未知参数，弥补了点估计的不足。
一、置信区间与置信水平
设总体分布含未知参数 θ，X₁, …, Xn 为样本。若对给定值 α（0 < α < 1），统计量 θ̂L = θ̂L(X₁,…,Xn) 与 θ̂U = θ̂U(X₁,…,Xn)（θ̂L ≤ θ̂U）满足
则称随机区间 (θ̂L, θ̂U) 为 θ 的置信水平为 1−α 的置信区间，θ̂L 与 θ̂U 分别称为置信下限与置信上限，1−α 称为置信水平（或置信度），α 称为显著性水平。
置信水平 1−α 的含义是：在大量重复抽样下，构造的随机区间中约有 (1−α) 的比例包含真值 θ。注意"θ 落在区间内"这种说法不严谨——θ 是确定的（虽然未知），随机的是区间端点。正确表述是"区间覆盖 θ 的概率为 1−α"。常见取 α = 0.05（95% 置信）或 α = 0.01（99% 置信）。
二、枢轴量法
构造置信区间的常用方法是枢轴量法：寻找一个包含待估参数 θ 但不含其他未知参数的函数（称为枢轴量），其分布已知且与参数无关。将枢轴量落在某区间的概率等式 P{a ≤ G ≤ b} = 1−α 反解，即得 θ 的置信区间。对正态总体，枢轴量恰由抽样分布定理提供。
三、单个正态总体参数的区间估计
设 X₁, …, Xn 来自正态总体 N(μ, σ²)，X̄ 为样本均值，S² 为样本方差，置信水平为 1−α。不同情形下 μ 与 σ² 的置信区间如下表：
| 待估参数 | 条件 | 枢轴量及其分布 | 置信水平为 1−α 的置信区间 |
|---|---|---|---|
| μ | σ² 已知 | (X̄ − μ)/(σ/√n) ~ N(0,1) | ( X̄ − zα/2·σ/√n , X̄ + zα/2·σ/√n ) |
| μ | σ² 未知 | (X̄ − μ)/(S/√n) ~ t(n−1) | ( X̄ − tα/2(n−1)·S/√n , X̄ + tα/2(n−1)·S/√n ) |
| σ² | μ 未知 | (n−1)S²/σ² ~ χ²(n−1) | ( (n−1)S² / χ²α/2(n−1) , (n−1)S² / χ²1−α/2(n−1) ) |
| σ² | μ 已知 | Σ(Xi−μ)²/σ² ~ χ²(n) | ( Σ(Xi−μ)² / χ²α/2(n) , Σ(Xi−μ)² / χ²1−α/2(n) ) |
① μ 的区间估计：σ² 已知用正态（zα/2），σ² 未知用 t（tα/2(n−1)），中心都是 X̄，半径都是"分位数 × 标准误"。
② σ² 的区间估计：用 χ² 分布，注意区间两端分位数"大小颠倒"——下限用较大的 χ²α/2，上限用较小的 χ²1−α/2（因 χ² 除以分位数，分母大则值小）。这是因为 (n−1)S²/σ² 中 σ² 在分母，反解时方向反转。
③ 自由度：σ² 区间估计中，μ 未知用 n−1，μ 已知用 n——与是否用 X̄ 替代 μ 有关，切勿记错。
综合应用与总结
本章是概率统计部分的收束，也是统计推断的开端。掌握本章，不仅要会单独处理抽样分布、点估计、区间估计的题目，更要理解它们之间的逻辑链条：抽样分布定理为参数估计提供理论工具，点估计给出参数的"点"估计，区间估计给出"区间"估计，而估计量评选标准则用以评价估计的优良性。在考研中，这些内容常与数字特征（期望、方差）及常见分布（正态、指数、均匀）综合考查。
一、数理统计的综合应用场景
场景一（质量抽检）：某厂生产零件，直径服从正态分布 N(μ, σ²)，参数未知。抽取 n 件测量得样本值，估计 μ（矩估计/最大似然估计），并给出其置信区间，判断是否合格。
场景二（可靠性分析）：电子元件寿命服从指数分布 Exp(λ)，由寿命数据估计参数 λ（或平均寿命 1/λ），评估产品可靠性。这类问题综合考查 MLE 求解与无偏性判定。
场景三（分布识别）：给定由正态样本构造的某统计量，识别其抽样分布（χ²、t、F），进而计算概率或求分位数。这要求熟练掌握三大分布的构成模式与抽样分布定理。
策略一（抽样分布题）：先把统计量朝"标准正态的平方和（χ²）、标准正态除以根号（t）、两个 χ² 之比（F）"三种模式化简；务必确认分子分母独立、自由度正确。常用 X̄ 标准化、(n−1)S²/σ² ~ χ²(n−1) 进行转换。
策略二（矩估计题）：求 E(X)（一参数）或 E(X), E(X²)（两参数），令其等于对应样本矩 X̄, (1/n)ΣXi²，解出参数。注意矩估计用样本原点矩（分母为 n）。
策略三（MLE 题）：写出似然函数 L(θ)=∏f(xi;θ)（注意非零支撑！），取对数求导令其为零；无驻点则看单调性与边界。解出 θ̂ 后代入检验。
策略四（无偏性题）：计算 E(θ̂)。常用工具：期望线性性、独立性乘积求期望、抽样分布定理（如 E(χ²(n))=n）。特别注意 S² 无偏但 S、(1/n)Σ(Xi−X̄)² 有偏。
策略五（区间估计题）：据"σ² 是否已知"选正态或 t 分布；据"μ 是否已知"选 σ² 区间的自由度。熟记四类公式，注意 χ² 区间分位数的大小顺序与"颠倒"现象。
二、全书知识体系总结
至此，考研数学一全部内容学习完毕。全书分为三篇十四章，构成完整的知识网络。下面从整体视角梳理各篇核心与方法，帮助建立宏观认识。
第一篇 高等数学（第1～7章，约占 56%）：这是分值最高、内容最广的部分。函数极限连续（第1章）是微积分的语言与基础，核心是极限计算与连续性；一元微分学（第2章）研究导数与微分、中值定理、极值与最值；一元积分学（第3章）含不定积分、定积分及其应用；多元微分学（第4章）推广到偏导数、全微分、极值与条件极值；多元积分学（第5章）含重积分、曲线曲面积分及场论（格林、高斯、斯托克斯公式）；无穷级数（第6章）含常数项级数敛散性、幂级数与傅里叶级数；常微分方程（第7章）含一阶方程、可降阶方程与线性微分方程。主线是"极限—微分—积分—级数—微分方程"，中值定理、积分计算、多元积分的对称性、级数敛散判别是重点。
第二篇 线性代数（第8～10章，约占 22%）：行列式与矩阵（第8章）建立基本工具——行列式计算、矩阵运算与秩；向量与线性方程组（第9章）研究线性表示与相关性、方程组解的结构；特征值、特征向量与二次型（第10章）是核心综合章——特征值与对角化、正交矩阵、二次型及其标准形与正定性。线代的特点是概念联系紧密、矩阵的秩贯穿始终，强调用初等变换与秩分析问题。
第三篇 概率论与数理统计（第11～14章，约占 22%）：随机事件与概率（第11章）建立概率公理体系与古典概型、条件概率、独立性；随机变量及其分布（第12章）研究一维与二维随机变量的分布函数、常见分布与函数的分布；随机变量的数字特征（第13章）引入期望、方差、协方差与相关系数，是连接概率与统计的纽带；数理统计基本概念与参数估计（第14章）从概率转向统计，建立抽样分布与参数估计理论。主线是"事件—变量分布—数字特征—统计推断"。
三篇之间亦有联系：高数中的极限、级数为概率论的连续型分布与极限定理提供工具；线代中的矩阵、特征值为多元统计与二次型提供语言（如协方差矩阵、正定性）；概率统计则将前两者的确定性数学推广到随机世界。复习时既要分篇精通，又要融会贯通，把握"概念—计算—综合"三个层次，以真题为导向反复训练。
典型例题
求：(1) X̄ 的分布；(2) P{X̄ > 2.98}（已知 Φ(2.45) = 0.9929）；(3) E(S²) 及 (n−1)S²/σ² 的分布。
分析：总体 N(2, 4) 即 μ = 2, σ² = 4。样本均值 X̄ ~ N(μ, σ²/n)。
(1) 由抽样分布定理，X̄ ~ N(2, 4/25)，即 X̄ ~ N(2, 0.16)，标准差 σX̄ = √(4/25) = 2/5 = 0.4。
(2) 标准化：P{X̄ > 2.98} = P{(X̄−2)/0.4 > (2.98−2)/0.4} = P{Z > 2.45} = 1 − Φ(2.45) = 1 − 0.9929 = 0.0071。
(3) 因为 S² 是 σ² 的无偏估计，故 E(S²) = σ² = 4。由抽样分布定理，(n−1)S²/σ² = 24S²/4 ~ χ²(24)，即服从自由度为 n−1 = 24 的 χ² 分布。
小结：正态总体样本均值仍正态，方差缩小为 σ²/n；求概率先标准化再查表；(n−1)S²/σ² ~ χ²(n−1) 是连接样本方差与 χ² 分布的桥梁，自由度为 n−1。
一、矩估计：先求总体均值（用 θ 表示）：
E(X) = ∫₀¹ x · θxθ−1 dx = θ ∫₀¹ xθ dx = θ · [xθ+1/(θ+1)]₀¹ = θ/(θ+1)。
令 E(X) = X̄（一阶样本矩），即 θ/(θ+1) = X̄。解方程：θ = X̄(θ+1)，θ − X̄θ = X̄，θ(1−X̄) = X̄，故
θ̂矩 = X̄ / (1 − X̄)。
二、最大似然估计：构造似然函数（注意非零区域 0 < xi < 1，对 θ 无额外约束）：
L(θ) = ∏i=1n θxiθ−1 = θn (∏i=1n xi)θ−1。
取对数：ln L(θ) = n ln θ + (θ−1) Σi=1n ln xi。
对 θ 求导并令其为零：d(ln L)/dθ = n/θ + Σi=1n ln xi = 0。
解得 n/θ = −Σ ln xi，即 θ̂MLE = −n / (Σi=1n ln Xi)。
验证合理性：因 0 < Xi < 1，故 ln Xi < 0，Σ ln Xi < 0，从而 θ̂MLE = −n/ΣlnXi > 0，符合 θ > 0 的要求。
小结：矩估计与 MLE 对同一参数可能给出不同估计量。矩估计用 E(X)=X̄ 反解；MLE 通过 ln L 求导取极值。两者都是考研高频题型，须熟练求积分、求导解方程。
(1) 判断 T 是否为 μ 的无偏估计；(2) 比较 T 与样本均值 X̄ 的有效性；(3) 给出 σ² 的一个无偏估计。
(1) 无偏性：由期望线性性，
E(T) = (1/4)E(X₁) + (1/4)E(X₂) + (1/2)E(X₃) = (1/4 + 1/4 + 1/2)μ = 1·μ = μ。
故 T 是 μ 的无偏估计（判据：线性估计 ΣaiXi 无偏当且仅当 Σai = 1）。
(2) 有效性：由 X₁, X₂, X₃ 独立，方差可加：
D(T) = (1/4)²D(X₁) + (1/4)²D(X₂) + (1/2)²D(X₃) = (1/16 + 1/16 + 1/4)σ² = (2/16 + 4/16)σ² = (6/16)σ² = (3/8)σ²。
而 X̄ = (X₁+X₂+X₃)/3 的方差 D(X̄) = σ²/3。比较：D(X̄) = σ²/3 ≈ 0.333σ²，D(T) = 3σ²/8 = 0.375σ²。因 D(X̄) < D(T)，且二者均无偏，故 X̄ 比 T 有效。
注：在系数和为 1 的条件下，由柯西不等式可证 a1=a2=a3=1/3（即 X̄）使 Σai² 最小，故样本均值是线性无偏估计中方差最小者。
(3) σ² 的无偏估计：样本方差 S² = (1/(n−1))Σ(Xi−X̄)² = (1/2)[(X₁−X̄)²+(X₂−X̄)²+(X₃−X̄)²] 满足 E(S²) = σ²，是 σ² 的无偏估计。
(1) 若 σ² 未知，求 μ 的置信水平为 95% 的置信区间（已知 t0.025(15) = 2.1315）；
(2) 若 σ = 0.8 已知，求 μ 的置信水平为 95% 的置信区间（已知 z0.025 = 1.96）。
(1) σ² 未知，用 t 分布：置信区间为 (X̄ − tα/2(n−1)·S/√n, X̄ + tα/2(n−1)·S/√n)。
这里 n = 16，S/√n = 0.8/√16 = 0.8/4 = 0.2，t0.025(15) = 2.1315。
半径 = 2.1315 × 0.2 = 0.4263。
故置信区间为 (5 − 0.4263, 5 + 0.4263) = (4.5737, 5.4263)。
(2) σ 已知，用正态分布：置信区间为 (X̄ − zα/2·σ/√n, X̄ + zα/2·σ/√n)。
这里 σ/√n = 0.8/4 = 0.2，z0.025 = 1.96。
半径 = 1.96 × 0.2 = 0.392。
故置信区间为 (5 − 0.392, 5 + 0.392) = (4.608, 5.392)。
比较：两种情形半径不同（0.4263 vs 0.392），σ 已知时区间更窄（更精确）。这是因为 σ 未知时需用 S 估计，引入了额外不确定性，t0.025(15) = 2.1315 > z0.025 = 1.96，分位数更大导致区间更宽。当 n → ∞ 时 t(n−1) → N(0,1)，二者趋于一致。
📖 章节小结
- 总体与样本：总体用随机变量 X 描述，简单随机样本 X₁,…,Xn 满足独立同分布（与总体同分布）。统计量是不含未知参数的样本函数，核心样本矩为 X̄、S²（分母 n−1）、Ak（分母 n）。关键性质：E(X̄)=μ, D(X̄)=σ²/n, E(S²)=σ²——X̄ 与 S² 分别是 μ、σ² 的无偏估计。
- 三大抽样分布：χ² 分布（独立标准正态平方和，自由度 n，E=n、D=2n，可加性）；t 分布（标准正态 ÷ √(χ²/n)，关于 0 对称，n→∞ 趋于 N(0,1)，t1−α=−tα）；F 分布（两个 χ² 各除自由度之比，1/F~F(n₂,n₁)，F1−α(n₁,n₂)=1/Fα(n₂,n₁)）。识别模式：平方和→χ²、除根号→t、两 χ² 之比→F。
- 正态总体抽样分布定理：① X̄ ~ N(μ,σ²/n) 即 (X̄−μ)/(σ/√n)~N(0,1)；② (n−1)S²/σ² ~ χ²(n−1)（自由度 n−1）；③ X̄ 与 S² 独立（正态特有）；④ (X̄−μ)/(S/√n) ~ t(n−1)（σ² 未知时用）。两总体情形掌握均值差标准化与方差比 S₁²/S₂²~F(n₁−1,n₂−1)（σ₁²=σ₂² 时）。
- 点估计：矩估计法——令总体矩等于样本矩（一参数用 E(X)=X̄，两参数联立前两阶）反解参数，用样本原点矩（分母 n）。最大似然估计法——构造似然函数 L(θ)=∏f(xi;θ)（须考虑非零支撑），取对数求导令零取极值；无驻点则由单调性与边界定（如 U(0,θ) 的 θ̂MLE=X(n)）。两种方法所得估计量可能不同。
- 评选标准：无偏性 E(θ̂)=θ（高频考点，S² 无偏但 S、(1/n)Σ(Xi−X̄)² 有偏）；有效性——无偏前提下比方差 D(θ̂)，越小越有效（X̄ 是线性无偏估计中方差最小者）；一致性——θ̂n 依概率收敛于 θ（E(θ̂n)→θ 且 D(θ̂n)→0 可判定）。三者从期望、方差、极限三角度评价，无偏性考查最多。
- 区间估计：用枢轴量法构造置信区间，置信水平 1−α 表示随机区间覆盖 θ 的概率。正态总体：μ 的区间，σ² 已知用 z（X̄±zα/2σ/√n），σ² 未知用 t（X̄±tα/2(n−1)S/√n）；σ² 的区间用 χ²（μ 未知自由度 n−1、μ 已知自由度 n），注意分位数"大小颠倒"（下限用 χ²α/2、上限用 χ²1−α/2）。
- 备考建议：本章重点训练五类题型——抽样分布识别与自由度判定（注意 n−1）、矩估计与 MLE 计算（求积求导解方程，注意支撑）、无偏性判定（算 E(θ̂)，警惕 S 与 (1/n)Σ 的有偏）、有效性与最小方差、正态总体 μ 与 σ² 的置信区间（区分 z/t、χ² 分位数颠倒）。主线：抽样分布定理是工具，点估计给"点"，区间估计给"区间"，评选标准评"好坏"。
📚 全书知识体系总结（考研数学一）
- 第一篇 高等数学（第1～7章，约占 56%）：函数极限连续（极限计算与连续性）→一元微分学（导数、中值定理、极值）→一元积分学（不定积分、定积分及应用）→多元微分学（偏导、全微分、条件极值）→多元积分学（重积分、曲线曲面积分、场论三大公式）→无穷级数（常数项级数敛散性、幂级数、傅里叶级数）→常微分方程（一阶方程、可降阶、线性方程）。主线"极限—微分—积分—级数—微分方程"，计算能力与综合应用并重。
- 第二篇 线性代数（第8～10章，约占 22%）：行列式与矩阵（行列式计算、矩阵运算与秩）→向量与线性方程组（线性表示与相关性、解的结构）→特征值、特征向量与二次型（对角化、正交矩阵、二次型标准形与正定性）。特点是概念联系紧密、矩阵的秩贯穿始终，强调用初等变换与秩分析问题。
- 第三篇 概率论与数理统计（第11～14章，约占 22%）：随机事件与概率（公理体系、古典概型、条件概率、独立性）→随机变量及其分布（一维/二维分布函数、常见分布、函数的分布）→随机变量的数字特征（期望、方差、协方差、相关系数）→数理统计基本概念与参数估计（抽样分布、点估计、区间估计）。主线"事件—分布—数字特征—统计推断"。
- 整体复习策略：三篇既有侧重又相互联系——高数的极限与级数为概率连续型分布提供工具，线代的矩阵与正定性为协方差矩阵提供语言，概率统计将确定性数学推广到随机世界。建议以"概念—计算—综合"三层次推进，以真题为导向反复训练，重视计算准确性与综合题的融会贯通。至此，考研数学一全部内容学习完成，祝复习顺利、金榜题名！