【期末考试复习】概率论与数理统计（知识点模式 - 复习题2）

题目：

设随机变量 $X$ 的概率密度函数为 $f(x)=a+bx$，其中 $0<x\le 1$；$f(x)=0$，在其他情况下。已知 $P(X\le 1/2)=3/8$，求 $a$ 和 $b$。

涉及知识点：

1. 概率密度函数（PDF）：概率密度函数 $f(x)$ 用于描述连续随机变量的概率分布，满足 ${\int }_{-\infty }^{\infty }f(x)dx=1$。
2. 累积分布函数（CDF）：累积分布函数 $F(x)$ 是 PDF 的积分，表示随机变量 $X$ 小于或等于某个值 $x$ 的概率，即 $F(x)={\int }_{-\infty }^{x}f(t)dt$。
3. 条件概率：利用已知条件计算随机变量的参数。

题目解答：

1. 确定 $a$ 和 $b$ 的条件：

   • 概率密度函数 $f(x)$ 在 $0<x\le 1$ 内有效，因此：
     $${\int }_0^{1}f(x)dx=1$$
     即：
     $${\int }_0^1(a+bx)dx=1$$

2. 计算累积分布函数 $F(x)$：

   • 对 $f(x)=a+bx$ 进行积分得到 $F(x)$，并利用已知条件 $P(X\le 1/2)=3/8$：
     $$F(x)={\int }_0^x(a+bx)dx=ax+\frac{b{x}^2}{2}$$
     代入 $x=1/2$：
     $$F\left(\frac{1}{2}\right)=a\cdot \frac{1}{2}+\frac{b{\left(\frac{1}{2}\right)}^2}{2}=\frac{a}{2}+\frac{b}{8}=\frac{3}{8}$$

3. 方程组求解 $a$ 和 $b$：

   • 利用归一化条件：
     $${\int }_0^1(a+bx)dx={\left[ax+\frac{b{x}^2}{2}\right]}_0^1=a+\frac{b}{2}=1$$

   • 利用 $P(X\le 1/2)=3/8$：
     $$\frac{a}{2}+\frac{b}{8}=\frac{3}{8}$$

4. 解方程组：

   • 第一个方程：
     $$a+\frac{b}{2}=1$$

   • 第二个方程：
     $$\frac{a}{2}+\frac{b}{8}=\frac{3}{8}$$

   • 消去 $b$ 求解 $a$：
     $$\frac{a}{2}+\frac{b}{8}=\frac{3}{8}\Rightarrow 4a+b=3$$
     将 $b=2-2a$ 代入：
     $$4a+(2-2a)=3\Rightarrow 4a+2-2a=3\Rightarrow 2a=1\Rightarrow a=\frac{1}{2}$$

   • 再求 $b$：
     $$b=2-2a=2-2\cdot \frac{1}{2}=1$$

结果：

$$a=\frac{1}{2},b=1$$

---

无偏估计量

定义：如果统计量 $\hat{\theta }$ 的期望值等于参数 $\theta$，即 $E(\hat{\theta })=\theta$，则称 $\hat{\theta }$ 为参数 $\theta$ 的无偏估计量。

意义：无偏估计量的期望值与真实参数值相等，这意味着在重复抽样的长期平均中，估计量不会系统性地偏离真实参数。

例子：对于正态分布 $X\sim N(\mu ,{\sigma }^2)$，样本均值 $\bar{X}=\frac{1}{n}{\sum }_{i=1}^n{X}_i$ 是 $\mu$ 的无偏估计量，因为 $E(\bar{X})=\mu$。

最有效估计量

定义：在所有无偏估计量中，方差最小的估计量称为最有效估计量或最小方差无偏估计量（MVUE，Minimum Variance Unbiased Estimator）。

意义：最有效估计量在保证无偏的前提下，具有最小的估计误差（方差），因此在估计准确性方面是最优的。

例子：对于正态分布 $X\sim N(\mu ,{\sigma }^2)$，样本均值 $\bar{X}$ 不仅是 $\mu$ 的无偏估计量，而且由于它的方差最小（方差为 $\frac{{\sigma }^2}{n}$），所以 $\bar{X}$ 是 $\mu$ 的最有效估计量。

详细解释和联系

1. 无偏性：一个估计量的无偏性保证了它的期望值等于被估计的参数值，从长期来看，这个估计量不会系统性地高估或低估参数。这是一个估计量的基本要求，但无偏性并不保证估计的效率。

2. 方差：方差衡量了估计量的波动性。方差越小，估计量越集中在真实值附近，即估计越精确。

3. 最小方差无偏估计量（MVUE）：在所有无偏估计量中，最小方差无偏估计量是最优的，因为它在保证无偏性的前提下，具有最小的波动性。

实际应用中的步骤

1. 验证无偏性：首先检查一个估计量是否是无偏的，即验证 $E(\hat{\theta })=\theta$。
2. 比较方差：在所有无偏估计量中，计算它们的方差，找出方差最小的那个。
3. 确定最有效估计量：最小方差的无偏估计量即为最有效估计量。

---

题目：

若 $X$ 服从自由度为 $n$ 的 $t$ 分布，则 $X^2$ 服从自由度为 什么的的 $F$ 分布。

涉及知识点：

1. $t$ 分布：用于小样本量或总体方差未知情况下的均值比较。
2. $F$ 分布：用于比较两个样本方差是否显著不同，尤其在方差分析（ANOVA）中广泛应用。

题目解答：

$t$ 分布与 $F$ 分布的关系

如果随机变量 $X\sim t(n)$，则 $X^2$ 服从自由度为 $(1,n)$ 的 $F$ 分布。详细推导如下：

1. $t$ 分布定义：

   如果 $X\sim t(n)$，则 $X$ 可表示为：
   $$X=\frac{Z}{\sqrt{\frac{W}{n}}}$$

   其中：

   • $Z\sim N(0,1)$ 是标准正态分布。
   • $W\sim {\chi }^2(n)$ 是自由度为 $n$ 的卡方分布。

2. 平方 $t$ 分布变量：

   将 $X$ 平方得到 $X^2$：
   $$X^2={\left(\frac{Z}{\sqrt{\frac{W}{n}}}\right)}^2=\frac{Z^2}{\frac{W}{n}}=\frac{Z^2}{W/n}$$

3. 转化为 $F$ 分布：

   • $Z^2\sim {\chi }^2(1)$，因为 $Z$ 是标准正态分布(一个标准正态分布)。
   • $W\sim {\chi }^2(n)$。
   • 因此，$X^2$ 服从自由度为 $(1,n)$ 的 $F$ 分布。

综上所述，如果 $X\sim t(n)$，则 $X^2$ 服从自由度为 $(1,n)$ 的 $F$ 分布。

相关知识点补充

• $t$ 分布：适用于小样本量或总体方差未知情况下的均值比较，其概率密度函数为：
  $$f(t)=\frac{\Gamma \left(\frac{n+1}{2}\right)}{\sqrt{n\pi }\Gamma \left(\frac{n}{2}\right)}{\left(1+\frac{t^2}{n}\right)}^{-\frac{n+1}{2}}$$
  其中 $\Gamma$ 是伽玛函数，$n$ 是自由度。

• $F$ 分布：用于比较两个样本方差是否显著不同，其概率密度函数为：
  $$f(F)=\frac{{\left(\frac{n_1}{n_2}\right)}^{n_1/2}{\left(\frac{F}{\frac{n_1}{n_2}}\right)}^{\frac{n_1}{2}-1}}{B\left(\frac{n_1}{2},\frac{n_2}{2}\right){\left(1+\frac{n_1}{n_2}F\right)}^{\frac{n_1+n_2}{2}}}$$
  其中 $B$ 是贝塔函数，自由度分别为 $n_1$ 和 $n_2$。

---

END