很多人复习概率论与数理统计时会有一种错觉前面的随机变量、分布函数、数字特征都学得还行一到最后一章“参数估计与假设检验”突然像换了本书公式记不住题也做不动。其实这一章恰恰是前面所有知识的出口——随机变量、密度函数、期望、方差、常见分布全部在这里汇合。它在试卷里的地位也很明确一道大题基本跑不掉小题也经常出。我当年刷《1000题》学到这一章时经历了“看着答案都费劲”到“能给别人讲明白”的过程中间踩了不少坑也总结出一些很实用的套路。这篇就聊聊第九章参数估计与假设检验到底该怎么学、怎么做题以及那些容易让人卡住的细节。1. 参数估计为什么总在最后一章“拦人”它把前面的公式全调用了1.1 矩估计的底层逻辑样本矩就是总体矩的“替身”矩估计的核心思想其实特别朴素总体有期望、有方差这些是理论值我们不知道但我们手里有样本可以算出样本均值、样本方差。既然样本是从总体里抽出来的那样本矩就应该近似等于总体矩。所以矩估计就是“用样本矩去替代总体矩”然后反解出参数。举个最经典的例子。假设总体 X 服从均匀分布 U(0, θ)我们想估计 θ。总体期望 E(X) θ/2样本均值 x̄ 是 E(X) 的估计于是令 θ̂/2 x̄解得 θ̂ 2x̄。这个估计量很简单无偏性也容易验证E(θ̂) E(2x̄) 2·E(X) 2·(θ/2) θ所以它是无偏的。但注意它的方差未必小后面和最大似然估计对比时就会发现差别。往深一层说矩估计的关键是列等式时要“列够”。有时候一个参数只需要一阶矩有时候需要二阶矩。比如总体 X~N(μ, σ²)两个参数未知你就得同时用一阶矩和二阶矩也就是样本均值和样本二阶原点矩才能把 μ 和 σ² 都解出来。这里有个细节如果用样本方差 S²分母 n-1去替代总体方差得到的矩估计和用二阶原点矩推出来的形式会略有差别考试里通常默认用二阶原点矩那个版本也就是 σ̂² (1/n)Σ(xᵢ−x̄)²。实话说矩估计的题目难度普遍不大但它容易让初学者忽略一个哲学问题它只保证了“平均意义上”正确不保证单次估计有多准。这就引出最大似然估计。1.2 最大似然估计的直觉谁让这批样本出现的概率最大就选谁最大似然估计MLE的思想在生活里也很好理解。你在路上捡到三张彩票号码分别是 1、2、3你会怀疑彩票机是从 1 到 100 里均匀生成的还是会怀疑它是从 1 到 3 里均匀生成的显然是后者。因为“从 1 到 3 里抽出 1、2、3”的概率比“从 1 到 100 里抽出 1、2、3”的概率大得多。最大似然估计就是这个逻辑在所有可能的参数值里选一个让“当前这批样本”出现概率最大的参数。用数学语言说设总体密度为 f(x; θ)样本 x₁,...,xₙ 相互独立那么它们的联合密度就是 L(θ) ∏f(xᵢ; θ)。我们把 L(θ) 叫做似然函数。注意这里的自变量是 θxᵢ 是已知的观测值。最大似然估计就是找让 L(θ) 最大的 θ̂。实际操作中因为连乘求导不方便通常取对数变成对数似然函数 ln L(θ)把连乘变成连加然后对 θ 求导令其等于零解出驻点。这就是“对数似然方程”。为什么可以取对数因为 ln 是单调增函数ln L(θ) 最大时 L(θ) 也最大所以求出来的解一样。1.3 两个例子对比均匀分布参数的两种估计差在哪继续用 U(0, θ) 来看两种估计的差别。最大似然估计时L(θ) 1/θⁿ条件是 0 ≤ xᵢ ≤ θ 对所有 i 成立也就是 θ ≥ max(x₁,...,xₙ)。当 θ 增大时1/θⁿ 减小所以要让 L(θ) 最大θ 要尽量小但最小不能小于样本最大值所以 θ̂_MLE max(xᵢ)。这和矩估计的 2x̄ 完全不同。这两个估计量哪个好矩估计无偏但可能算出比样本最大值还小的 θ̂ 吗不会2x̄ 其实也可能小于最大值比如样本是 0.1、0.2、0.9x̄0.42x̄0.8但样本最大值是 0.9显然 0.8 作为上界不合理——样本里已经出现了 0.9 这个值你还估计上界是 0.8这明显矛盾。而最大似然估计 θ̂max(xᵢ) 永远不会低于样本最大值从“合理性”角度看显然更好但它是有偏的因为 max(xᵢ) 总是小于等于 θ所以 E[max(xᵢ)] 一定小于 θ。这个例子特别适合用来理解“无偏”和“合理”并不总是一回事。考试里如果问两个估计量哪个好不能只看无偏性还要看均方误差。这个对比在《1000题》里反复出现值得自己完整推一遍。2. 最大似然估计解题的“三板斧”从似然函数到最值处理2.1 第一步的符号陷阱密度函数写变量还是参数很多同学做 MLE 题第一步就写错。关键在于密度函数 f(x; θ) 里的 x 是未知数θ 是参数但似然函数 L(θ) 里xᵢ 变成了已知数θ 才是变量。所以 L(θ) ∏f(xᵢ; θ)不是 ∏f(x; θ)。看似只是符号替换实则整个函数的自变量都变了。我见过不少同学把似然函数写成 L(x) ∏f(x; θ)然后对着 x 求导整个方向就错了。正确写法是先确定密度函数中哪些地方含 θ哪些地方含 x然后把每个样本点 xᵢ 代进去连乘。这一步慢一点没关系写清楚每一项是什么后面才不会乱。符号陷阱还有一个隐蔽版本当总体是离散型时f(x; θ) 应该是概率质量函数 P(Xx; θ)而不是分布函数。比如泊松分布 P(Xk) e^(−λ)λ^k/k!似然函数就是 ∏e^(−λ)λ^(xᵢ)/xᵢ!取对数后是 −nλ (Σxᵢ)ln λ − Σln(xᵢ!)。对 λ 求导得 −n Σxᵢ/λ 0解出 λ̂ x̄。这个过程每一步都有明确的意义默写一遍能加深理解。2.2 第二步的求导与“求不动”场景常规套路是对数似然函数求导等于零但真正的考试难点在于求导之后方程解不出来怎么办。一种常见的情况是指数族分布比如正态分布 N(μ, σ²) 两个参数未知。先对 μ 求导得到 μ̂ x̄再对 σ² 求导得到 σ̂² (1/n)Σ(xᵢ−x̄)²。这个解起来不复杂但是注意 σ̂² 的分母是 n 而不是 n−1。最大似然估计在方差上是有偏的这和无偏估计 S² 不一样。知道两者的区别选择题经常考。还有一种“求不动”的情况是方程涉及超越函数比如双参数的情形求导后得到一个隐式方程。这时要看题目是否允许用“数值解”或直接保留方程形式。考研范围内一般不会让你硬解什么复杂方程多半是设计成可以化简的结构比如把 ln 展开后刚好能解。2.3 第三步的边界处理指示函数与单调区间最让初学者崩溃的是那些“不能直接求导”的题比如密度函数里带了个区间限制。典型的如 f(x; θ) 1/θ, 0 ≤ x ≤ θ。直接对 L(θ) 求导你会对 1/θⁿ 求导得到负的驻点看起来根本不存在最大值。如果做多了题你就会知道这种题的关键是定义域约束也就是每个样本点必须落在 (0, θ) 内θ 至少大于所有样本值。于是问题变成了“在 θ ≥ max(xᵢ) 这个条件下最小化 θ”答案就是 θ̂ max(xᵢ)。同样地如果密度函数里含指示函数 I(θ ≤ x ≤ 某个数)一定要先把取值范围写出来再看似然函数在定义域内的单调性。这类题在《1000题》里属于有区分度的题因为它考的不是“会不会套公式”而是“能不能读懂约束条件”。我的建议是拿到 MLE 题先做三件事——列出密度函数、明确参数取值范围、判断 L(θ) 随 θ 的单调性。如果单调端点就是答案如果不单调再求导解方程。3. 区间估计把“点估计”升级成“带误差的估计”3.1 为什么需要枢轴量点估计给你一个数比如 μ̂ 3.2但你知道这个数离真实 μ 有多远吗不知道。区间估计就是回答这个问题的它构造一个随机区间比如 [2.8, 3.6]然后说“这个区间有 95% 的概率覆盖真实 μ”。这里的关键词是“覆盖”不是“μ 落在区间里的概率”——因为 μ 是固定的未知常数区间才是随机的。很多书上强调这个区别初学可能觉得抠字眼但它确实能帮你理解置信区间的本质重复抽样 100 次大约有 95 个区间会套住真值而不是说某个特定区间以 95% 的概率包含 μ。为了构造这种随机区间就需要一个“分布完全已知、且只含待估参数而不含其他未知量”的统计量这个统计量叫枢轴量。枢轴量的核心特征是它的分布不依赖于任何未知参数这样我们才能根据它的分布分位数反推出参数的区间。3.2 单个正态总体的三个经典枢轴量单个正态总体 X~N(μ, σ²) 是区间估计的重头戏三个枢轴量必须烂熟于心。第一种σ² 已知要估计 μ。枢轴量是 (X̄−μ)/(σ/√n) ~ N(0,1)。因为 σ 已知这个量里只有 μ 一个未知数分布是标准正态。给定置信水平 1−α查标准正态分位数 z_{α/2}然后解不等式 |(X̄−μ)/(σ/√n)| ≤ z_{α/2}得到 μ 的置信区间是 [X̄ − z_{α/2}·σ/√n, X̄ z_{α/2}·σ/√n]。第二种σ² 未知仍估计 μ。这时候如果还用正态分布就不行了因为 σ 未知得用样本标准差 S 替代。枢轴量是 (X̄−μ)/(S/√n) ~ t(n−1)自由度是 n−1。查 t 分布表得到 t_{α/2}(n−1)区间形式类似只是分位数和标准差换了。为什么自由度是 n−1因为 S² 在估计 σ² 时损失了一个自由度这个细节常考选择题。第三种μ 未知要估计 σ²。枢轴量是 (n−1)S²/σ² ~ χ²(n−1)。注意卡方分布是非对称的所以置信区间不是“均值加减误差”的形式而要用两个分位数χ²_{1−α/2}(n−1) 和 χ²_{α/2}(n−1)。区间的下界是 (n−1)S²/χ²_{α/2}上界是 (n−1)S²/χ²_{1−α/2}。这里的下标容易搞混我的记忆方式是分母大则区间短所以上界对应较小的分位数下界对应较大的分位数。这三个枢轴量可以整理成表做题之前先确认“总体方差已知还是未知”“待估参数是均值还是方差”再选对应的分布。绝大部分区间估计题都是这个套路难点只在于判断条件。3.3 单侧置信限背后的直觉很多题不问你双边区间而是问“μ 至少是多少”或“至多是多少”。这时候要用单侧置信限。比如要回答“μ 的下限”就用 P((X̄−μ)/(S/√n) ≤ t_α(n−1)) 1−α解出 μ ≥ X̄ − t_α(n−1)·S/√n。注意这里分位数是 t_α 而不是 t_{α/2}因为概率只放在一侧。单侧置信限的直觉很重要如果你关心的是“这批产品的平均寿命不能低于多少”你只需要下界不需要上界。这个思想在假设检验里会直接对应单边检验所以现在花点时间理解它后面能省很多力。4. 假设检验不是“套步骤”而是“做决策”4.1 两类错误不可能同时无限缩小假设检验这章最容易被当成“背步骤”但核心其实是理解两类错误。设原假设 H₀备择假设 H₁。第一类错误是“H₀ 为真但我们拒绝了它”也叫弃真错误第二类错误是“H₀ 为假但我们没拒绝它”也叫取伪错误。教科书上总说“控制第一类错误概率不超过 α”为什么因为在实际问题里H₀ 往往代表“现状”“无罪”“合格”你拒绝它必须有充分证据否则代价太高。这和“疑罪从无”的逻辑一致。这里有一个必考又反直觉的结论在样本量 n 固定时α 变小β 会变大β 变小α 会变大。你不能同时让两类错误都任意小只能通过增加样本量让两者同时下降。这个道理也好理解标准越严格α 小就越不容易拒绝 H₀于是真正的假 H₀ 也更难被拒绝β 自然变大。反之标准越松容易误杀真 H₀但坏 H₀ 也更难漏网。考试里常出这样的题其他条件不变减小 α问 β 怎么变。答案是 β 增大。很多人凭直觉觉得“要求更严格了错误应该更少”恰恰忽略了这是两类不同的错误。4.2 原假设怎么选等号永远放在 H₀做题时最纠结的问题往往是到底哪个是 H₀哪个是 H₁这里有一个硬性规定等号必须放在原假设 H₀ 里。也就是说如果你要检验 μ 是否等于 10H₀ 是 μ10H₁ 是 μ≠10或者 μ10、μ10。为什么原因和检验统计量在 H₀ 下的分布有关。假设检验的整个逻辑是先假设 H₀ 为真在这个假设下推导检验统计量的分布然后看实际样本值是否落在小概率区域。如果这个小概率事件居然发生了我们就怀疑 H₀ 是假的。这整个过程都依赖“H₀ 为真时统计量服从什么分布”而只有 H₀ 里的参数是确定的统计量才能算出确切分布。如果把等号放在 H₁ 里统计量就没法标准化了检验也就无从谈起。再深挖一层单边检验里 H₁ 的方向怎么选其实要看问题想问的是“有没有显著增加”还是“有没有显著减少”。比如一种新工艺声称提高了效率你怀疑它没提高那就应该设 H₀: μ ≤ μ₀H₁: μ μ₀。为什么不是反过来因为 H₀ 代表“维持原判”只有出现足够强的证据样本均值明显大于 μ₀我们才肯承认新工艺有效。这样设置的深层逻辑是把“证明新东西有效”的举证责任放在数据身上。4.3 三大检验统计量的适用场景假设检验的统计量选择和区间估计的枢轴量几乎一模一样理解了区间估计检验就是顺水推舟。σ² 已知、检验 μ用 Z (X̄−μ₀)/(σ/√n) ~ N(0,1)这叫 Z 检验。应用中总体方差已知的情形很少见但在教学题里它是入门第一题。σ² 未知、检验 μ用 T (X̄−μ₀)/(S/√n) ~ t(n−1)这是最常用的 t 检验。注意自由度 n−1。μ 未知、检验 σ²用 χ² (n−1)S²/σ₀² ~ χ²(n−1)这是卡方检验。这里有一个容易踩的坑有人会把 t 检验和 Z 检验的公式记混在 σ² 未知时还查正态表。大样本时 t 分布会趋近正态所以有些实际场景会用 z 值近似替代但考研范围内基本严格要求按“是否已知 σ²”来选择。做题时第一件事不是代公式而是判断总体是不是正态σ² 知不知道检验的是均值还是方差三步走完统计量就定了。拒绝域的记忆也有技巧。双侧检验的拒绝域是 |T| 临界值右侧检验的拒绝域是 T 临界值左侧检验是 T −临界值。你要是问自己“为什么右侧检验临界值不取负”想想原假设是 μ≤μ₀样本均值太大才可疑所以拒绝域当然在右侧。画一条数轴把拒绝域标出来比死记口诀靠谱得多。5. 置信区间与接受域一张图记住两个概念5.1 对偶关系的严格表述区间估计和假设检验表面上看起来是两套东西实际是同一个数学内核的两种表达。以 σ² 已知时对 μ 的双侧检验为例μ 的 1−α 置信区间是 [X̄ − z_{α/2}·σ/√n, X̄ z_{α/2}·σ/√n]。如果我们要检验 H₀: μμ₀ vs H₁: μ≠μ₀显著性水平 α 的接受域即不拒绝 H₀ 的区域是 |X̄−μ₀| ≤ z_{α/2}·σ/√n。仔细看这等价于 μ₀ 落在上面的置信区间里。换句话说在显著性水平 α 下不拒绝 H₀当且仅当 μ₀ 落在置信水平 1−α 的置信区间内。这就是区间估计与假设检验的对偶关系。这个关系特别有用因为做题时常遇到反过来的问法给你一个置信区间让你判断某个假设检验能不能在 α0.05 下被拒绝。你不需要重新算检验统计量直接看 μ₀ 在不在区间里就行。5.2 用区间估计的思维理解检验结果理解了这种对偶关系后你对假设检验的理解会上一个台阶检验不仅仅是一个“拒绝或不拒绝”的二元判断它还包含了“参数大概落在哪里”的信息。比如某检验在 0.05 水平下拒绝了 H₀但这个估计量的置信区间可能很宽说明估计精度很差。只看结论不看区间很容易被误导。单边检验和单侧置信限也有类似的对偶关系右侧检验 H₀: μ≤μ₀, H₁: μμ₀ 与 μ 的单侧置信下界相对应。如果 μ₀ 小于单侧置信下界说明 μ 显著大于 μ₀。做题时如果一时忘了拒绝域怎么记先从区间估计的角度想往往能自己推出来。我在做《1000题》时也发现不少综合题会先让你求一个置信区间再问一个假设检验问题目的就是考验你能否主动发现两者的等价关系。如果你没意识到这一点会白白多算很多步骤还容易算错。6. 用《1000题》做第九章的实操建议与高频错误清单6.1 建议的做题节奏从基础题到综合题刷这一章不要一上来就全做。我自己的节奏是分三步走。第一步先把矩估计和最大似然估计的基础题做了题目不需要多重点是每道题都完整写出列密度/概率函数、写似然函数、取对数、求导、解参数。不要把步骤省在脑子里最大似然估计的规范书写本身就是得分点。第二步做区间估计题。先把三种枢轴量的分布写在一张纸上然后开始做题。每做一道题先口头回答三个问题σ 已知吗估计的是 μ 还是 σ²该用正态、t 还是卡方回答完再动笔。这个过程看似多余但能有效避免“看着答案会自己做就乱”的尴尬。第三步做假设检验题。同样先问自己H₀ 和 H₁ 分别是什么等号在哪边检验统计量是什么拒绝域在左在右还是两边把这四个问题写在题目旁边哪怕一道题只写这几个判断不计算也能把逻辑理清。之后再连题带算完整做一遍。6.2 高频错误清单结合我自己和身边同学的做题情况统计出这一章最容易错的几个点。第一最大似然估计忘记写约束条件。均匀分布 U(0, θ) 那道题很多人直接取对数求导然后发现求不出极值就慌了。其实问题的关键不是求导而是 θ 必须大于等于所有样本值。这类错误往往是“看到连乘就条件反射想取对数”却没注意密度函数的定义域本身就和 θ 有关。第二t 分布和正态分布的临界值混用。σ 已知用 zσ 未知用 t这个规则不难记但一紧张就会查错表。我的方法是在统计量符号上做区分Z 检验就写 zT 检验就写 t先写符号再查表能防止走神。第三卡方分布的置信区间上下界顺序写反。χ² 分布不对称所以区间下界要用大分位数的倒数上界要用小分位数的倒数。很多人习惯性写成“均值±误差”到卡方这里就翻车。遇到 χ² 的区间估计题建议先画一条数轴标出两个分位数的位置再看要求的是哪个参数。第四假设检验的结论表述不严谨。拒绝 H₀ 应该说“在显著性水平 α 下拒绝 H₀认为…”而不是“证明 H₁ 成立”。统计检验只能给出概率意义上的支持不能说“证明”。考试阅卷时这种表达方式的差别也会影响分数。6.3 考前的最后提醒这一章内容其实很少核心概念就几个矩估计、最大似然估计、枢轴量、置信区间、两类错误、检验统计量。复习到后期不要贪多把每个概念的“为什么”想明白比做十道新题更重要。我个人的体会是参数估计与假设检验就像是概率论的一次“结算”前面学过的分布和数字特征全都成了工具。如果你前面的基础不牢这一章会暴露得很彻底但反过来如果你能把这章学透前面那些看似零散的知识也会被串成一条线。刷《1000题》的第九章时不必急着赶进度做一道题就把一道题背后的逻辑理清效率反而更高。最后再分享一个我自己的习惯睡前把三大枢轴量和三大检验统计量的公式默写一遍连续默写三天基本就不会再忘了。 
长河君 · 2026/10/15 5:26:10 · 阅读 1.2k 概率论第九章：参数估计与假设检验的学习方法与解题套路
很多人复习概率论与数理统计时会有一种错觉前面的随机变量、分布函数、数字特征都学得还行一到最后一章“参数估计与假设检验”突然像换了本书公式记不住题也做不动。其实这一章恰恰是前面所有知识的出口——随机变量、密度函数、期望、方差、常见分布全部在这里汇合。它在试卷里的地位也很明确一道大题基本跑不掉小题也经常出。我当年刷《1000题》学到这一章时经历了“看着答案都费劲”到“能给别人讲明白”的过程中间踩了不少坑也总结出一些很实用的套路。这篇就聊聊第九章参数估计与假设检验到底该怎么学、怎么做题以及那些容易让人卡住的细节。1. 参数估计为什么总在最后一章“拦人”它把前面的公式全调用了1.1 矩估计的底层逻辑样本矩就是总体矩的“替身”矩估计的核心思想其实特别朴素总体有期望、有方差这些是理论值我们不知道但我们手里有样本可以算出样本均值、样本方差。既然样本是从总体里抽出来的那样本矩就应该近似等于总体矩。所以矩估计就是“用样本矩去替代总体矩”然后反解出参数。举个最经典的例子。假设总体 X 服从均匀分布 U(0, θ)我们想估计 θ。总体期望 E(X) θ/2样本均值 x̄ 是 E(X) 的估计于是令 θ̂/2 x̄解得 θ̂ 2x̄。这个估计量很简单无偏性也容易验证E(θ̂) E(2x̄) 2·E(X) 2·(θ/2) θ所以它是无偏的。但注意它的方差未必小后面和最大似然估计对比时就会发现差别。往深一层说矩估计的关键是列等式时要“列够”。有时候一个参数只需要一阶矩有时候需要二阶矩。比如总体 X~N(μ, σ²)两个参数未知你就得同时用一阶矩和二阶矩也就是样本均值和样本二阶原点矩才能把 μ 和 σ² 都解出来。这里有个细节如果用样本方差 S²分母 n-1去替代总体方差得到的矩估计和用二阶原点矩推出来的形式会略有差别考试里通常默认用二阶原点矩那个版本也就是 σ̂² (1/n)Σ(xᵢ−x̄)²。实话说矩估计的题目难度普遍不大但它容易让初学者忽略一个哲学问题它只保证了“平均意义上”正确不保证单次估计有多准。这就引出最大似然估计。1.2 最大似然估计的直觉谁让这批样本出现的概率最大就选谁最大似然估计MLE的思想在生活里也很好理解。你在路上捡到三张彩票号码分别是 1、2、3你会怀疑彩票机是从 1 到 100 里均匀生成的还是会怀疑它是从 1 到 3 里均匀生成的显然是后者。因为“从 1 到 3 里抽出 1、2、3”的概率比“从 1 到 100 里抽出 1、2、3”的概率大得多。最大似然估计就是这个逻辑在所有可能的参数值里选一个让“当前这批样本”出现概率最大的参数。用数学语言说设总体密度为 f(x; θ)样本 x₁,...,xₙ 相互独立那么它们的联合密度就是 L(θ) ∏f(xᵢ; θ)。我们把 L(θ) 叫做似然函数。注意这里的自变量是 θxᵢ 是已知的观测值。最大似然估计就是找让 L(θ) 最大的 θ̂。实际操作中因为连乘求导不方便通常取对数变成对数似然函数 ln L(θ)把连乘变成连加然后对 θ 求导令其等于零解出驻点。这就是“对数似然方程”。为什么可以取对数因为 ln 是单调增函数ln L(θ) 最大时 L(θ) 也最大所以求出来的解一样。1.3 两个例子对比均匀分布参数的两种估计差在哪继续用 U(0, θ) 来看两种估计的差别。最大似然估计时L(θ) 1/θⁿ条件是 0 ≤ xᵢ ≤ θ 对所有 i 成立也就是 θ ≥ max(x₁,...,xₙ)。当 θ 增大时1/θⁿ 减小所以要让 L(θ) 最大θ 要尽量小但最小不能小于样本最大值所以 θ̂_MLE max(xᵢ)。这和矩估计的 2x̄ 完全不同。这两个估计量哪个好矩估计无偏但可能算出比样本最大值还小的 θ̂ 吗不会2x̄ 其实也可能小于最大值比如样本是 0.1、0.2、0.9x̄0.42x̄0.8但样本最大值是 0.9显然 0.8 作为上界不合理——样本里已经出现了 0.9 这个值你还估计上界是 0.8这明显矛盾。而最大似然估计 θ̂max(xᵢ) 永远不会低于样本最大值从“合理性”角度看显然更好但它是有偏的因为 max(xᵢ) 总是小于等于 θ所以 E[max(xᵢ)] 一定小于 θ。这个例子特别适合用来理解“无偏”和“合理”并不总是一回事。考试里如果问两个估计量哪个好不能只看无偏性还要看均方误差。这个对比在《1000题》里反复出现值得自己完整推一遍。2. 最大似然估计解题的“三板斧”从似然函数到最值处理2.1 第一步的符号陷阱密度函数写变量还是参数很多同学做 MLE 题第一步就写错。关键在于密度函数 f(x; θ) 里的 x 是未知数θ 是参数但似然函数 L(θ) 里xᵢ 变成了已知数θ 才是变量。所以 L(θ) ∏f(xᵢ; θ)不是 ∏f(x; θ)。看似只是符号替换实则整个函数的自变量都变了。我见过不少同学把似然函数写成 L(x) ∏f(x; θ)然后对着 x 求导整个方向就错了。正确写法是先确定密度函数中哪些地方含 θ哪些地方含 x然后把每个样本点 xᵢ 代进去连乘。这一步慢一点没关系写清楚每一项是什么后面才不会乱。符号陷阱还有一个隐蔽版本当总体是离散型时f(x; θ) 应该是概率质量函数 P(Xx; θ)而不是分布函数。比如泊松分布 P(Xk) e^(−λ)λ^k/k!似然函数就是 ∏e^(−λ)λ^(xᵢ)/xᵢ!取对数后是 −nλ (Σxᵢ)ln λ − Σln(xᵢ!)。对 λ 求导得 −n Σxᵢ/λ 0解出 λ̂ x̄。这个过程每一步都有明确的意义默写一遍能加深理解。2.2 第二步的求导与“求不动”场景常规套路是对数似然函数求导等于零但真正的考试难点在于求导之后方程解不出来怎么办。一种常见的情况是指数族分布比如正态分布 N(μ, σ²) 两个参数未知。先对 μ 求导得到 μ̂ x̄再对 σ² 求导得到 σ̂² (1/n)Σ(xᵢ−x̄)²。这个解起来不复杂但是注意 σ̂² 的分母是 n 而不是 n−1。最大似然估计在方差上是有偏的这和无偏估计 S² 不一样。知道两者的区别选择题经常考。还有一种“求不动”的情况是方程涉及超越函数比如双参数的情形求导后得到一个隐式方程。这时要看题目是否允许用“数值解”或直接保留方程形式。考研范围内一般不会让你硬解什么复杂方程多半是设计成可以化简的结构比如把 ln 展开后刚好能解。2.3 第三步的边界处理指示函数与单调区间最让初学者崩溃的是那些“不能直接求导”的题比如密度函数里带了个区间限制。典型的如 f(x; θ) 1/θ, 0 ≤ x ≤ θ。直接对 L(θ) 求导你会对 1/θⁿ 求导得到负的驻点看起来根本不存在最大值。如果做多了题你就会知道这种题的关键是定义域约束也就是每个样本点必须落在 (0, θ) 内θ 至少大于所有样本值。于是问题变成了“在 θ ≥ max(xᵢ) 这个条件下最小化 θ”答案就是 θ̂ max(xᵢ)。同样地如果密度函数里含指示函数 I(θ ≤ x ≤ 某个数)一定要先把取值范围写出来再看似然函数在定义域内的单调性。这类题在《1000题》里属于有区分度的题因为它考的不是“会不会套公式”而是“能不能读懂约束条件”。我的建议是拿到 MLE 题先做三件事——列出密度函数、明确参数取值范围、判断 L(θ) 随 θ 的单调性。如果单调端点就是答案如果不单调再求导解方程。3. 区间估计把“点估计”升级成“带误差的估计”3.1 为什么需要枢轴量点估计给你一个数比如 μ̂ 3.2但你知道这个数离真实 μ 有多远吗不知道。区间估计就是回答这个问题的它构造一个随机区间比如 [2.8, 3.6]然后说“这个区间有 95% 的概率覆盖真实 μ”。这里的关键词是“覆盖”不是“μ 落在区间里的概率”——因为 μ 是固定的未知常数区间才是随机的。很多书上强调这个区别初学可能觉得抠字眼但它确实能帮你理解置信区间的本质重复抽样 100 次大约有 95 个区间会套住真值而不是说某个特定区间以 95% 的概率包含 μ。为了构造这种随机区间就需要一个“分布完全已知、且只含待估参数而不含其他未知量”的统计量这个统计量叫枢轴量。枢轴量的核心特征是它的分布不依赖于任何未知参数这样我们才能根据它的分布分位数反推出参数的区间。3.2 单个正态总体的三个经典枢轴量单个正态总体 X~N(μ, σ²) 是区间估计的重头戏三个枢轴量必须烂熟于心。第一种σ² 已知要估计 μ。枢轴量是 (X̄−μ)/(σ/√n) ~ N(0,1)。因为 σ 已知这个量里只有 μ 一个未知数分布是标准正态。给定置信水平 1−α查标准正态分位数 z_{α/2}然后解不等式 |(X̄−μ)/(σ/√n)| ≤ z_{α/2}得到 μ 的置信区间是 [X̄ − z_{α/2}·σ/√n, X̄ z_{α/2}·σ/√n]。第二种σ² 未知仍估计 μ。这时候如果还用正态分布就不行了因为 σ 未知得用样本标准差 S 替代。枢轴量是 (X̄−μ)/(S/√n) ~ t(n−1)自由度是 n−1。查 t 分布表得到 t_{α/2}(n−1)区间形式类似只是分位数和标准差换了。为什么自由度是 n−1因为 S² 在估计 σ² 时损失了一个自由度这个细节常考选择题。第三种μ 未知要估计 σ²。枢轴量是 (n−1)S²/σ² ~ χ²(n−1)。注意卡方分布是非对称的所以置信区间不是“均值加减误差”的形式而要用两个分位数χ²_{1−α/2}(n−1) 和 χ²_{α/2}(n−1)。区间的下界是 (n−1)S²/χ²_{α/2}上界是 (n−1)S²/χ²_{1−α/2}。这里的下标容易搞混我的记忆方式是分母大则区间短所以上界对应较小的分位数下界对应较大的分位数。这三个枢轴量可以整理成表做题之前先确认“总体方差已知还是未知”“待估参数是均值还是方差”再选对应的分布。绝大部分区间估计题都是这个套路难点只在于判断条件。3.3 单侧置信限背后的直觉很多题不问你双边区间而是问“μ 至少是多少”或“至多是多少”。这时候要用单侧置信限。比如要回答“μ 的下限”就用 P((X̄−μ)/(S/√n) ≤ t_α(n−1)) 1−α解出 μ ≥ X̄ − t_α(n−1)·S/√n。注意这里分位数是 t_α 而不是 t_{α/2}因为概率只放在一侧。单侧置信限的直觉很重要如果你关心的是“这批产品的平均寿命不能低于多少”你只需要下界不需要上界。这个思想在假设检验里会直接对应单边检验所以现在花点时间理解它后面能省很多力。4. 假设检验不是“套步骤”而是“做决策”4.1 两类错误不可能同时无限缩小假设检验这章最容易被当成“背步骤”但核心其实是理解两类错误。设原假设 H₀备择假设 H₁。第一类错误是“H₀ 为真但我们拒绝了它”也叫弃真错误第二类错误是“H₀ 为假但我们没拒绝它”也叫取伪错误。教科书上总说“控制第一类错误概率不超过 α”为什么因为在实际问题里H₀ 往往代表“现状”“无罪”“合格”你拒绝它必须有充分证据否则代价太高。这和“疑罪从无”的逻辑一致。这里有一个必考又反直觉的结论在样本量 n 固定时α 变小β 会变大β 变小α 会变大。你不能同时让两类错误都任意小只能通过增加样本量让两者同时下降。这个道理也好理解标准越严格α 小就越不容易拒绝 H₀于是真正的假 H₀ 也更难被拒绝β 自然变大。反之标准越松容易误杀真 H₀但坏 H₀ 也更难漏网。考试里常出这样的题其他条件不变减小 α问 β 怎么变。答案是 β 增大。很多人凭直觉觉得“要求更严格了错误应该更少”恰恰忽略了这是两类不同的错误。4.2 原假设怎么选等号永远放在 H₀做题时最纠结的问题往往是到底哪个是 H₀哪个是 H₁这里有一个硬性规定等号必须放在原假设 H₀ 里。也就是说如果你要检验 μ 是否等于 10H₀ 是 μ10H₁ 是 μ≠10或者 μ10、μ10。为什么原因和检验统计量在 H₀ 下的分布有关。假设检验的整个逻辑是先假设 H₀ 为真在这个假设下推导检验统计量的分布然后看实际样本值是否落在小概率区域。如果这个小概率事件居然发生了我们就怀疑 H₀ 是假的。这整个过程都依赖“H₀ 为真时统计量服从什么分布”而只有 H₀ 里的参数是确定的统计量才能算出确切分布。如果把等号放在 H₁ 里统计量就没法标准化了检验也就无从谈起。再深挖一层单边检验里 H₁ 的方向怎么选其实要看问题想问的是“有没有显著增加”还是“有没有显著减少”。比如一种新工艺声称提高了效率你怀疑它没提高那就应该设 H₀: μ ≤ μ₀H₁: μ μ₀。为什么不是反过来因为 H₀ 代表“维持原判”只有出现足够强的证据样本均值明显大于 μ₀我们才肯承认新工艺有效。这样设置的深层逻辑是把“证明新东西有效”的举证责任放在数据身上。4.3 三大检验统计量的适用场景假设检验的统计量选择和区间估计的枢轴量几乎一模一样理解了区间估计检验就是顺水推舟。σ² 已知、检验 μ用 Z (X̄−μ₀)/(σ/√n) ~ N(0,1)这叫 Z 检验。应用中总体方差已知的情形很少见但在教学题里它是入门第一题。σ² 未知、检验 μ用 T (X̄−μ₀)/(S/√n) ~ t(n−1)这是最常用的 t 检验。注意自由度 n−1。μ 未知、检验 σ²用 χ² (n−1)S²/σ₀² ~ χ²(n−1)这是卡方检验。这里有一个容易踩的坑有人会把 t 检验和 Z 检验的公式记混在 σ² 未知时还查正态表。大样本时 t 分布会趋近正态所以有些实际场景会用 z 值近似替代但考研范围内基本严格要求按“是否已知 σ²”来选择。做题时第一件事不是代公式而是判断总体是不是正态σ² 知不知道检验的是均值还是方差三步走完统计量就定了。拒绝域的记忆也有技巧。双侧检验的拒绝域是 |T| 临界值右侧检验的拒绝域是 T 临界值左侧检验是 T −临界值。你要是问自己“为什么右侧检验临界值不取负”想想原假设是 μ≤μ₀样本均值太大才可疑所以拒绝域当然在右侧。画一条数轴把拒绝域标出来比死记口诀靠谱得多。5. 置信区间与接受域一张图记住两个概念5.1 对偶关系的严格表述区间估计和假设检验表面上看起来是两套东西实际是同一个数学内核的两种表达。以 σ² 已知时对 μ 的双侧检验为例μ 的 1−α 置信区间是 [X̄ − z_{α/2}·σ/√n, X̄ z_{α/2}·σ/√n]。如果我们要检验 H₀: μμ₀ vs H₁: μ≠μ₀显著性水平 α 的接受域即不拒绝 H₀ 的区域是 |X̄−μ₀| ≤ z_{α/2}·σ/√n。仔细看这等价于 μ₀ 落在上面的置信区间里。换句话说在显著性水平 α 下不拒绝 H₀当且仅当 μ₀ 落在置信水平 1−α 的置信区间内。这就是区间估计与假设检验的对偶关系。这个关系特别有用因为做题时常遇到反过来的问法给你一个置信区间让你判断某个假设检验能不能在 α0.05 下被拒绝。你不需要重新算检验统计量直接看 μ₀ 在不在区间里就行。5.2 用区间估计的思维理解检验结果理解了这种对偶关系后你对假设检验的理解会上一个台阶检验不仅仅是一个“拒绝或不拒绝”的二元判断它还包含了“参数大概落在哪里”的信息。比如某检验在 0.05 水平下拒绝了 H₀但这个估计量的置信区间可能很宽说明估计精度很差。只看结论不看区间很容易被误导。单边检验和单侧置信限也有类似的对偶关系右侧检验 H₀: μ≤μ₀, H₁: μμ₀ 与 μ 的单侧置信下界相对应。如果 μ₀ 小于单侧置信下界说明 μ 显著大于 μ₀。做题时如果一时忘了拒绝域怎么记先从区间估计的角度想往往能自己推出来。我在做《1000题》时也发现不少综合题会先让你求一个置信区间再问一个假设检验问题目的就是考验你能否主动发现两者的等价关系。如果你没意识到这一点会白白多算很多步骤还容易算错。6. 用《1000题》做第九章的实操建议与高频错误清单6.1 建议的做题节奏从基础题到综合题刷这一章不要一上来就全做。我自己的节奏是分三步走。第一步先把矩估计和最大似然估计的基础题做了题目不需要多重点是每道题都完整写出列密度/概率函数、写似然函数、取对数、求导、解参数。不要把步骤省在脑子里最大似然估计的规范书写本身就是得分点。第二步做区间估计题。先把三种枢轴量的分布写在一张纸上然后开始做题。每做一道题先口头回答三个问题σ 已知吗估计的是 μ 还是 σ²该用正态、t 还是卡方回答完再动笔。这个过程看似多余但能有效避免“看着答案会自己做就乱”的尴尬。第三步做假设检验题。同样先问自己H₀ 和 H₁ 分别是什么等号在哪边检验统计量是什么拒绝域在左在右还是两边把这四个问题写在题目旁边哪怕一道题只写这几个判断不计算也能把逻辑理清。之后再连题带算完整做一遍。6.2 高频错误清单结合我自己和身边同学的做题情况统计出这一章最容易错的几个点。第一最大似然估计忘记写约束条件。均匀分布 U(0, θ) 那道题很多人直接取对数求导然后发现求不出极值就慌了。其实问题的关键不是求导而是 θ 必须大于等于所有样本值。这类错误往往是“看到连乘就条件反射想取对数”却没注意密度函数的定义域本身就和 θ 有关。第二t 分布和正态分布的临界值混用。σ 已知用 zσ 未知用 t这个规则不难记但一紧张就会查错表。我的方法是在统计量符号上做区分Z 检验就写 zT 检验就写 t先写符号再查表能防止走神。第三卡方分布的置信区间上下界顺序写反。χ² 分布不对称所以区间下界要用大分位数的倒数上界要用小分位数的倒数。很多人习惯性写成“均值±误差”到卡方这里就翻车。遇到 χ² 的区间估计题建议先画一条数轴标出两个分位数的位置再看要求的是哪个参数。第四假设检验的结论表述不严谨。拒绝 H₀ 应该说“在显著性水平 α 下拒绝 H₀认为…”而不是“证明 H₁ 成立”。统计检验只能给出概率意义上的支持不能说“证明”。考试阅卷时这种表达方式的差别也会影响分数。6.3 考前的最后提醒这一章内容其实很少核心概念就几个矩估计、最大似然估计、枢轴量、置信区间、两类错误、检验统计量。复习到后期不要贪多把每个概念的“为什么”想明白比做十道新题更重要。我个人的体会是参数估计与假设检验就像是概率论的一次“结算”前面学过的分布和数字特征全都成了工具。如果你前面的基础不牢这一章会暴露得很彻底但反过来如果你能把这章学透前面那些看似零散的知识也会被串成一条线。刷《1000题》的第九章时不必急着赶进度做一道题就把一道题背后的逻辑理清效率反而更高。最后再分享一个我自己的习惯睡前把三大枢轴量和三大检验统计量的公式默写一遍连续默写三天基本就不会再忘了。