#数理统计的基本概念

#考点定位

• 大纲位置：数理统计 · 总体、简单随机样本、统计量、样本均值、样本方差和样本矩的概念及性质；$\chi^2$ 分布、$t$ 分布、$F$ 分布的定义及性质；分位数的概念；正态总体的常用抽样分布（数一、数三公共考点；数二不考）
• 常见题型：抽样分布的判定与构造（"给一个样本函数，问服从什么分布"，选择题最高频）；由分位数定义反求常数；三大分布的性质辨析（可加性、对称性、倒数关系）；正态总体四大抽样分布定理的正用与逆用；求 $E(S^2)$、$D(S^2)$ 等
• 考查频率：高。数一概率解答题中"统计量 + 抽样分布"是固定命题区（2020 年前后多次直接考 $\chi^2$、$t$ 构造），也是第 7、8 章推断统计的全部地基
• 前置知识：随机变量及其分布（正态分布、标准正态分布、分布函数）；多维随机变量及其分布（独立性、独立随机变量和的分布）；随机变量的数字特征（期望、方差的运算性质）；大数定律与中心极限定理（样本均值收敛的理论背景）
• 定位：本章完成从"概率论"（已知分布求概率）到"数理统计"（已知数据推断分布）的转向。类比工程：总体是"生产环境的真实参数"，样本是"线上采集的日志"，统计量是"聚合函数（如 avg）"，抽样分布是"聚合函数自身的分布"——没有抽样分布，后面所有置信区间与假设检验都无从谈起。正态总体的四大抽样分布定理是第 7 章参数估计与第 8 章假设检验的地基，必须达到条件反射。

#核心讲解

#总体与样本

定义（总体与个体）：研究对象的全体称为总体（母体），组成总体的每个元素称为个体。数理统计中关心的是对象的某个数量指标，因此总体本质上是指该数量指标 $X$ 取值的全体——即一个随机变量，其分布函数 $F(x)$ 称为总体分布。"总体 $X \sim N(\mu, \sigma^2)$"这类说法就是在这个意义上使用的。

定义（简单随机样本）：从总体 $X$ 中抽取的 $n$ 个个体 $X_1, X_2, \dots, X_n$ 称为容量为 $n$ 的简单随机样本（简称样本），若它满足两条性质：

1. 代表性（与总体同分布）：每个 $X_i$ 都与总体 $X$ 同分布；
2. 独立性（相互独立）：$X_1, X_2, \dots, X_n$ 相互独立。

一次抽样完成后得到的具体数值 $x_1, x_2, \dots, x_n$ 称为样本观测值（样本值）。注意符号约定：大写 $X_i$ 是随机变量（抽样之前），小写 $x_i$ 是具体数值（抽样之后）；统计量的理论推导用大写，代入计算用小写。

由两性质立刻得到样本的联合分布（求统计量分布的出发点）：

$F^*(x_1, \dots, x_n) = \prod_{i=1}^{n} F(x_i); \qquad \text{连续型： } f^*(x_1, \dots, x_n) = \prod_{i=1}^{n} f(x_i); \qquad \text{离散型： } p^* = \prod_{i=1}^{n} P\{X_i = x_i\}.$

工程直觉：简单随机样本就是"独立同分布（i.i.d.）采样"——这恰是软件工程里"无偏随机采样"的数学抽象。

#统计量与常用统计量

定义（统计量）：设 $X_1, \dots, X_n$ 是来自总体 $X$ 的样本，$g(X_1, \dots, X_n)$ 是样本的函数。若 $g$ 中不含任何未知参数，则称 $g(X_1, \dots, X_n)$ 为统计量。统计量是随机变量；代入样本值后得到的 $g(x_1, \dots, x_n)$ 称为统计量的观测值。

判断要点：只看"是否含未知参数"。例如总体 $X \sim N(\mu, \sigma^2)$，$\mu$ 未知时 $\dfrac{1}{n}\sum X_i$ 是统计量，而 $\dfrac{\bar X - \mu}{\sigma/\sqrt n}$ 不是统计量（含未知参数 $\mu, \sigma$）；但若 $\mu, \sigma$ 均已知，它就是统计量。

常用统计量（$\bar X$ 读作 X-bar）：

关键恒等式（化简与求期望的核心工具）：

$\sum_{i=1}^{n}(X_i - \bar X)^2 = \sum_{i=1}^{n} X_i^2 - n\bar X^2, \qquad \text{从而} \qquad S^2 = \frac{1}{n-1}\left( \sum_{i=1}^{n} X_i^2 - n \bar X^2 \right).$

样本均值与样本方差的期望、方差（总体仅设 $E(X) = \mu$，$D(X) = \sigma^2$ 存在，不需正态）：

$E(\bar X) = \mu, \qquad D(\bar X) = \frac{\sigma^2}{n}, \qquad E(S^2) = \sigma^2.$

其中 $E(S^2) = \sigma^2$（样本方差是总体方差的无偏估计）的推导：

$E\left[\sum (X_i - \bar X)^2\right] = E\left[\sum X_i^2\right] - n E(\bar X^2) = n(\sigma^2 + \mu^2) - n\left( \frac{\sigma^2}{n} + \mu^2 \right) = (n-1)\sigma^2,$

故 $E(S^2) = \dfrac{(n-1)\sigma^2}{n-1} = \sigma^2$。这也解释了分母为何取 $n - 1$ 而非 $n$（详见参数估计 · 无偏性）。

#三大抽样分布：$\chi^2$、$t$、$F$

三大分布都是从标准正态总体出发构造出来的，它们的定义本身就是考点——"抽样分布判定题"全靠对构造来源的条件反射。

#$\chi^2$ 分布

定义：设 $X_1, X_2, \dots, X_n$ 相互独立且均服从 $N(0, 1)$，则称

$\chi^2 = X_1^2 + X_2^2 + \cdots + X_n^2$

服从自由度为 $n$ 的 $\chi^2$ 分布，记作 $\chi^2 \sim \chi^2(n)$。自由度即"独立标准正态变量的个数"。

密度形状：取值范围 $[0, +\infty)$（平方和必非负）；密度曲线单峰、右偏（右侧拖着长尾）；$n$ 越大峰越往右移且越对称，$n$ 很大时接近正态。$n > 2$ 时密度在 $x = n - 2$ 处达到最大值。

性质：

1. 期望与方差：$E[\chi^2(n)] = n$，$D[\chi^2(n)] = 2n$（每个 $X_i^2$ 期望为 1、方差为 2，再相加）；
2. 可加性：若 $\chi_1^2 \sim \chi^2(m)$，$\chi_2^2 \sim \chi^2(n)$，且两者相互独立，则 $\chi_1^2 + \chi_2^2 \sim \chi^2(m + n)$（由"独立标准正态平方和"的定义直接看出）；
3. 与样本方差定理的联系：正态总体下 $\dfrac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$（见下节）。

分位点：对 $\alpha \in (0, 1)$，$\chi^2_\alpha(n)$ 满足 $P\{\chi^2(n) > \chi^2_\alpha(n)\} = \alpha$。注意定义是右侧尾概率为 $\alpha$，故 $\alpha$ 越小分位点越大：$\chi^2_{0.95}(n) < \chi^2_{0.05}(n)$。

#$t$ 分布

定义：设 $X \sim N(0, 1)$，$Y \sim \chi^2(n)$，且 $X$ 与 $Y$ 相互独立，则称

$t = \frac{X}{\sqrt{Y / n}}$

服从自由度为 $n$ 的 $t$ 分布，记作 $t \sim t(n)$。

密度形状：定义域全实轴、关于 $y$ 轴对称、单峰钟形；与标准正态密度相比略矮略胖（尾部更厚）；$n \to \infty$ 时 $t(n)$ 密度趋于 $N(0,1)$ 密度，实用上 $n > 30$ 即可用标准正态近似。

性质：

1. $E[t(n)] = 0 \ (n > 1)$；$D[t(n)] = \dfrac{n}{n - 2} \ (n > 2)$（注意 $n = 1$ 时期望不存在，$n \le 2$ 时方差不存在；$n > 2$ 时方差大于 1，印证"更胖"）；
2. 极限：$\lim\limits_{n \to \infty} t(n)$ 的密度 $= \varphi(x)$（标准正态密度）；
3. 与样本均值定理的联系：正态总体下 $\dfrac{\bar X - \mu}{S / \sqrt n} \sim t(n-1)$（见下节）。

分位点：$P\{t(n) > t_\alpha(n)\} = \alpha$。由对称性得负分位点公式（高频考点）：

$t_{1 - \alpha}(n) = -t_\alpha(n).$

#$F$ 分布

定义：设 $X \sim \chi^2(m)$，$Y \sim \chi^2(n)$，且 $X$ 与 $Y$ 相互独立，则称

$F = \frac{X / m}{Y / n}$

服从自由度为 $(m, n)$ 的 $F$ 分布，记作 $F \sim F(m, n)$（$m$ 为分子（第一）自由度，$n$ 为分母（第二）自由度，顺序不可交换）。

密度形状：取值范围 $(0, +\infty)$；单峰、右偏，形态与 $\chi^2$ 类似（事实上 $\tfrac1F \sim F(n,m)$，两者互为倒数关系）。

性质：

1. 倒数关系（最常考）：若 $F \sim F(m, n)$，则 $\dfrac{1}{F} \sim F(n, m)$；
2. 与 $t$ 分布的联系：若 $t \sim t(n)$，则 $t^2 \sim F(1, n)$（把 $t = \dfrac{X}{\sqrt{Y/n}}$ 平方即得分子为 $\chi^2(1)$）；
3. 分位点倒数公式（查表核心，$F$ 表通常只给 $\alpha \le 0.1$ 的分位点，其余靠它换算）：

$F_{1 - \alpha}(m, n) = \frac{1}{F_{\alpha}(n, m)}.$

推导：$P\{F > F_{1-\alpha}(m,n)\} = 1 - \alpha \Leftrightarrow P\left\{\dfrac{1}{F} < \dfrac{1}{F_{1-\alpha}(m,n)}\right\} = 1-\alpha \Leftrightarrow P\left\{\dfrac{1}{F} \ge \dfrac{1}{F_{1-\alpha}(m,n)}\right\} = \alpha$，而 $\dfrac1F \sim F(n, m)$，其上 $\alpha$ 分位点为 $F_\alpha(n,m)$，故 $\dfrac{1}{F_{1-\alpha}(m,n)} = F_\alpha(n, m)$。

三大分布性质速查表：

（$F$ 分布的期望方差了解即可，重点在倒数关系。）

#正态总体的抽样分布定理（推断统计的地基）

设 $X_1, X_2, \dots, X_n$ 是来自正态总体 $N(\mu, \sigma^2)$ 的简单随机样本，$\bar X$ 为样本均值，$S^2$ 为样本方差（分母 $n-1$）。

定理一（样本均值的分布）：

$\bar X \sim N\left( \mu, \ \frac{\sigma^2}{n} \right), \qquad \text{即标准化后} \quad \frac{\bar X - \mu}{\sigma / \sqrt n} \sim N(0, 1).$

证明思路：独立正态变量的线性组合仍为正态。$E(\bar X) = \mu$；由独立性 $D(\bar X) = \dfrac{1}{n^2} \sum D(X_i) = \dfrac{\sigma^2}{n}$，正态性由 $X_i$ 的联合密度（多元正态）在线性变换下保持正态得到。

定理二（样本方差的分布）：

$\frac{(n-1) S^2}{\sigma^2} = \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i - \bar X)^2 \sim \chi^2(n - 1).$

定理三（$\bar X$ 与 $S^2$ 独立）：正态总体下，$\bar X$ 与 $S^2$ 相互独立。

证明思路（定理二、三合并）：核心是一个正交变换（"旋转变换"）：取正交矩阵第一行为 $\left(\tfrac{1}{\sqrt n}, \dots, \tfrac{1}{\sqrt n}\right)$，令 $Y = A X$。由于 $X_1, \dots, X_n$ 独立同正态，$Y_1, \dots, Y_n$ 仍相互独立正态，且 $Y_1 = \sqrt n\, \bar X$，同时 $\sum_{i=1}^n Y_i^2 = \sum_{i=1}^n X_i^2$ 保持不变，从而

$\sum_{i=1}^{n}(X_i - \bar X)^2 = \sum_{i=2}^{n} Y_i^2,$

即"离差平方和被完整搬到 $Y_2, \dots, Y_n$ 上"，而 $Y_1$ 与 $Y_2, \dots, Y_n$ 独立 $\Rightarrow$ $\bar X$ 与 $S^2$ 独立（定理三）；且各 $\dfrac{Y_i}{\sigma} \sim N(0,1)$ 独立，平方和服从自由度 $n - 1$ 的 $\chi^2$ 分布（定理二，自由度减 1 是因为只有 $n-1$ 个变量 $Y_2, \dots, Y_n$）。这一推导即为通行教材（如浙大版《概率论与数理统计》正态总体抽样分布定理）的标准证明，考试只需会用定理，但建议把"$n-1$ 来自旋转后剩余维度"这一图像记住——它解释了为什么是 $n-1$ 而不是 $n$。

定理四（$\bar X$ 与 $S^2$ 联合的 $t$ 构造）：

$\frac{\bar X - \mu}{S / \sqrt n} = \frac{(\bar X - \mu) / (\sigma / \sqrt n)}{\sqrt{\dfrac{(n-1)S^2 / \sigma^2}{n - 1}}} \sim t(n - 1).$

证明思路：分子由定理一 $\sim N(0,1)$；分母根号内由定理二 $\sim \chi^2(n-1)$；由定理三分子与分母独立——恰好凑成 $t$ 分布定义。

四大定理的逻辑链：

两个正态总体的抽样分布（数一认识结论即可，用于第 8 章两样本比较）：设 $X \sim N(\mu_1, \sigma_1^2)$、$Y \sim N(\mu_2, \sigma_2^2)$，$X$ 的样本容量 $n_1$、$Y$ 的样本容量 $n_2$，两样本独立，记两样本均值 $\bar X, \bar Y$ 与样本方差 $S_1^2, S_2^2$，则：

1. $\dfrac{\bar X - \bar Y - (\mu_1 - \mu_2)}{\sqrt{\dfrac{\sigma_1^2}{n_1} + \dfrac{\sigma_2^2}{n_2}}} \sim N(0, 1)$（由定理一与独立性）；
2. $\dfrac{S_1^2 / \sigma_1^2}{S_2^2 / \sigma_2^2} \sim F(n_1 - 1,\ n_2 - 1)$（由定理二与独立性；当 $\sigma_1^2 = \sigma_2^2$ 时 $\dfrac{S_1^2}{S_2^2} \sim F(n_1-1, n_2-1)$）；
3. 当 $\sigma_1^2 = \sigma_2^2 = \sigma^2$ 时，记合并方差 $S_w^2 = \dfrac{(n_1 - 1)S_1^2 + (n_2 - 1)S_2^2}{n_1 + n_2 - 2}$，则

$\frac{\bar X - \bar Y - (\mu_1 - \mu_2)}{S_w \sqrt{\dfrac{1}{n_1} + \dfrac{1}{n_2}}} \sim t(n_1 + n_2 - 2).$

#例题

例 1（$t$ 构造判定，模拟题）：设 $X_1, \dots, X_6$ 是来自总体 $N(0, 1)$ 的简单随机样本。求常数 $c$，使 $T = c\,\dfrac{X_1 + X_2}{\sqrt{X_3^2 + X_4^2 + X_5^2 + X_6^2}}$ 服从 $t$ 分布，并指出自由度。

解析：对照 $t$ 分布的定义"标准正态除以 $\sqrt{\chi^2 / \text{自由度}}$"分两步组装：

第一步（分子）：$X_1 + X_2 \sim N(0, 2)$，标准化得 $\dfrac{X_1 + X_2}{\sqrt 2} \sim N(0, 1)$；

第二步（分母）：$X_3^2 + X_4^2 + X_5^2 + X_6^2$ 是 4 个独立 $N(0,1)$ 的平方和，$\sim \chi^2(4)$。

按定义组装：

$t(4) = \frac{\dfrac{X_1 + X_2}{\sqrt 2}}{\sqrt{\dfrac{X_3^2 + X_4^2 + X_5^2 + X_6^2}{4}}} = \frac{2(X_1 + X_2)}{\sqrt{2}\sqrt{X_3^2 + \cdots + X_6^2}} = \sqrt{2}\, \frac{X_1 + X_2}{\sqrt{X_3^2 + \cdots + X_6^2}}.$

故 $c = \sqrt 2$，$T \sim t(4)$。要点：$X_1 + X_2$ 的方差是 2，忘除 $\sqrt 2$ 是此类题的第一大错因。

例 2（抽样分布综合，模拟题）：设 $X_1, \dots, X_{10}$ 是来自正态总体 $N(\mu, \sigma^2)$ 的样本。判定下列统计量的分布：

（1）$\dfrac{10\, \bar X^2}{\sigma^2}$ 中 $\dfrac{\bar X - \mu}{\sigma / \sqrt{10}}$ 的分布；

（2）$\dfrac{(10 - 1) S^2}{\sigma^2}$ 的分布；

（3）$\dfrac{\bar X - \mu}{S / \sqrt{10}}$ 的分布。

解析：

（1）由定理一，$\dfrac{\bar X - \mu}{\sigma / \sqrt{10}} \sim N(0, 1)$（进而其平方 $\dfrac{10(\bar X - \mu)^2}{\sigma^2} \sim \chi^2(1)$）。

（2）由定理二，$\dfrac{9 S^2}{\sigma^2} \sim \chi^2(9)$。

（3）由定理四，$\dfrac{\bar X - \mu}{S / \sqrt{10}} \sim t(9)$。

三个统计量分别对应"均值已知方差时的标准化""方差的标准化""方差未知时均值的标准化"——第 7、8 章的全部检验统计量就由这三个原型变出来。

例 3（利用 $\chi^2$ 分布求 $D(S^2)$，模拟题）：设 $X_1, \dots, X_n$ 来自 $N(\mu, \sigma^2)$，求 $D(S^2)$；并求 $n = 10$、$\sigma^2 = 4$ 时的值。

解析：由定理二，$\dfrac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$，而 $\chi^2$ 分布方差为自由度的 2 倍：

$D\left[ \frac{(n-1)S^2}{\sigma^2} \right] = 2(n-1) \quad \Longrightarrow \quad \frac{(n-1)^2}{\sigma^4} D(S^2) = 2(n-1) \quad \Longrightarrow \quad D(S^2) = \frac{2\sigma^4}{n - 1}.$

代入 $n = 10$，$\sigma^2 = 4$：$D(S^2) = \dfrac{2 \times 16}{9} = \dfrac{32}{9}$。

要点：求矩（期望、方差）不要硬算 $S^2$ 的展开式，先认出"谁的函数服从已知分布"，再利用该分布的数字特征（方差公式 $D(aY) = a^2 D(Y)$）。

例 4（分位数关系，模拟题）：查表得 $t_{0.05}(10) = 1.812$，$F_{0.05}(9, 10) = 3.02$。求 $t_{0.95}(10)$ 与 $F_{0.95}(10, 9)$。

解析：

由 $t$ 分布对称性：$t_{0.95}(10) = -t_{0.05}(10) = -1.812$。

由 $F$ 分位点倒数公式：$F_{0.95}(10, 9) = \dfrac{1}{F_{0.05}(9, 10)} = \dfrac{1}{3.02} \approx 0.331$。

要点：$F$ 公式中分子分母的自由度要同时交换，只取倒数不换自由度是典型错误。

#常见坑

1. $S^2$ 的分母是 $n - 1$：考研语境下样本方差默认 $S^2 = \dfrac{1}{n-1}\sum (X_i - \bar X)^2$。若题目给出 $\dfrac1n$ 版本，先换算 $B_2 = \dfrac{n-1}{n}S^2$ 再套定理。
2. "独立 + 同分布正态"才保证 $\bar X \perp S^2$：$\bar X$ 与 $S^2$ 独立是正态总体专属结论，非正态总体（如指数总体）不成立；同理定理二、四也仅对正态总体成立。
3. 自由度数错：$\dfrac{(n-1)S^2}{\sigma^2}$ 自由度 $n-1$（一个线性约束 $\sum(X_i - \bar X) = 0$ 消耗一个自由度）；但 $\dfrac{1}{\sigma^2}\sum (X_i - \mu)^2$（用真值 $\mu$ 而非 $\bar X$）自由度是 $n$。两种写法要分清。
4. $t$ 构造中忘标准化分子：分子必须先化成 $N(0,1)$；$X_1 + \cdots + X_k \sim N(0, k)$，要除 $\sqrt k$。
5. $F$ 自由度顺序：$F(m, n)$ 分子自由度在前。$t^2 \sim F(1, n)$ 而不是 $F(n, 1)$。
6. 分位点定义方向：三大分布的上 $\alpha$ 分位点统一约定为右侧尾概率 $\alpha$，即 $P\{X > x_\alpha\} = \alpha$；$\chi^2$ 区间估计中出现 $\chi^2_{1-\alpha/2}$（左分位点），端点顺序与倒数关系极易搞反（详见参数估计公式表）。
7. 统计量判定：含未知参数即不是统计量；$\bar X$、$S^2$、$A_k$、$B_k$ 都是统计量，但 $\dfrac{\bar X - \mu}{\sigma/\sqrt n}$ 在 $\mu, \sigma$ 未知时不是。

#自测

1. 设 $X_1, \dots, X_{10}$ 来自 $N(1, 4)$，写出 $\bar X$ 的分布，并求 $P\{\bar X > 2\}$（用 $\Phi$ 表示）。
2. 判断对错：（a）$\chi^2(4) + \chi^2(6) = \chi^2(10)$；（b）若 $t \sim t(8)$，则 $t^2 \sim F(1, 8)$；（c）若 $F \sim F(5, 8)$，则 $\dfrac1F \sim F(8, 5)$。
3. 设 $X_1, \dots, X_5$ 来自 $N(0, 1)$，问 $W = \dfrac{X_1 - X_2}{\sqrt{X_3^2 + X_4^2 + X_5^2}}$ 乘以什么常数后服从什么分布？
4. 设 $X_1, \dots, X_n$ 来自 $N(\mu, \sigma^2)$，求 $E(S^2)$ 与 $D(S^2)$（用 $n, \sigma$ 表示）。
5. 设 $X \sim N(0, 1)$，$Y \sim \chi^2(5)$ 且 $X$ 与 $Y$ 独立；又 $Z \sim \chi^2(4)$ 且与 $X, Y$ 独立。写出 $\dfrac{X}{\sqrt{Y/5}}$ 与 $\dfrac{Y/5}{Z/4}$ 各服从什么分布。

#自测答案

1. $\bar X \sim N\left(1, \dfrac{4}{10}\right) = N(1, 0.4)$。$P\{\bar X > 2\} = 1 - \Phi\left(\dfrac{2 - 1}{\sqrt{0.4}}\right) = 1 - \Phi\left(\dfrac{1}{0.632}\right) = 1 - \Phi(1.58)$。
2. （a）错——可加性要求两个 $\chi^2$ 变量相互独立，随机变量相等相加没有意义/不保证独立；（b）对；（c）对。
3. $X_1 - X_2 \sim N(0, 2)$，$\dfrac{X_1 - X_2}{\sqrt 2} \sim N(0,1)$；$X_3^2 + X_4^2 + X_5^2 \sim \chi^2(3)$。故 $\dfrac{\sqrt 3 (X_1 - X_2)}{\sqrt{2}\sqrt{X_3^2 + X_4^2 + X_5^2}} \sim t(3)$，即 $W$ 乘 $\sqrt{\dfrac{3}{2}}$ 后服从 $t(3)$。
4. $E(S^2) = \sigma^2$（无偏性，任意总体成立）；$D(S^2) = \dfrac{2\sigma^4}{n - 1}$（用定理二：$\dfrac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$，方差 $2(n-1)$）。
5. $\dfrac{X}{\sqrt{Y/5}} \sim t(5)$；$\dfrac{Y/5}{Z/4} \sim F(5, 4)$。