967 字
3 分钟
考研数学学习记录2026-09-04
2026-09-04

考研数学学习记录 | 2026-09-04#

今日学习内容#

3h 参数估计与假设检验,包含核心知识点精讲、经典例题演练、章节习题训练与错题整理

薄弱点#

  1. 最大似然估计中,当总体分布为分段函数时,似然函数的定义域讨论易出错,导致后续求导计算失误;
  2. 假设检验中两类错误的概念混淆,无法准确区分“弃真错误”和“取伪错误”对应的场景与概率;
  3. 正态总体假设检验的统计量选择混乱,混淆Z检验、t检验、χ²检验的适用条件;
  4. 矩估计中高阶原点矩的计算失误,以及参数替换时出现代数运算错误。

AI知识点带复盘#

一、参数估计板块复盘#

参数估计是考研数学数理统计部分的核心考点,分为点估计和区间估计,今日重点覆盖点估计的两大主流方法:

  1. 矩估计法 核心逻辑是用样本原点矩替换总体原点矩,建立方程求解未知参数: 步骤:①计算总体k阶原点矩 E(Xk)E(X^k);②用样本k阶原点矩 Ak=1ni=1nXikA_k=\frac{1}{n}\sum_{i=1}^n X_i^k 替换;③联立方程解出未知参数。 考研常考示例:对于指数分布 XE(λ)X\sim E(\lambda)E(X)=1λE(X)=\frac{1}{\lambda},令样本均值 Xˉ=1ni=1nXi\bar{X}=\frac{1}{n}\sum_{i=1}^n X_i,则 λ^=1Xˉ\hat{\lambda}=\frac{1}{\bar{X}}
  2. 最大似然估计法 核心逻辑是找到使样本观测值出现概率最大的参数值: 步骤:①构造似然函数:连续总体为 L(θ)=i=1nf(xi;θ)L(\theta)=\prod_{i=1}^n f(x_i;\theta),离散总体为 L(θ)=i=1nP(X=xi;θ)L(\theta)=\prod_{i=1}^n P(X=x_i;\theta);②取对数化简似然函数 lnL(θ)\ln L(\theta);③对参数求导找极值点,结合参数定义域验证极值点有效性,得到最大似然估计量。 易错提醒:当总体分布为分段函数时,需先确定所有样本观测值都满足分段条件,再统一构造似然函数,避免遗漏定义域限制。

二、假设检验板块复盘#

假设检验是数一专属考点,数三仅要求基础概念,考研常考正态总体的参数检验:

  1. 核心逻辑与步骤 ①提出原假设 H0H_0 与备择假设 H1H_1,原假设必须包含等号,为我们预设的待推翻结论;②选择匹配的检验统计量,根据总体分布、样本量与检验参数确定;③确定显著性水平 α\alpha,推导拒绝域;④计算统计量观测值,判断是否落入拒绝域得出结论。
  2. 常见易错区分 两类错误是高频考点:第一类错误(弃真)为 P(拒绝H0H0为真)=αP(\text{拒绝}H_0|H_0\text{为真})=\alpha,第二类错误(取伪)为 P(接受H0H1为真)=βP(\text{接受}H_0|H_1\text{为真})=\beta,切勿混淆二者的触发场景。
  3. 正态总体常考检验类型
    检验场景检验统计量拒绝域
    单个正态总体 μ\mu 检验(σ\sigma已知)Z=Xˉμ0σ/nZ=\frac{\bar{X}-\mu_0}{\sigma/\sqrt{n}}$
    单个正态总体 μ\mu 检验(σ\sigma未知)t=Xˉμ0S/nt=\frac{\bar{X}-\mu_0}{S/\sqrt{n}}$
    单个正态总体 σ2\sigma^2 检验χ2=(n1)S2σ02\chi^2=\frac{(n-1)S^2}{\sigma_0^2}χ2>χα/22(n1)\chi^2>\chi^2_{\alpha/2}(n-1)χ2<χ1α/22(n1)\chi^2<\chi^2_{1-\alpha/2}(n-1)

今日小结#

今日共计投入3小时完成参数估计与假设检验的系统学习,先梳理两大模块的核心考点框架,随后通过20道经典习题巩固知识点,整理了4道典型错题,重点攻克了似然函数定义域判断和两类错误区分的难点。整体学习节奏符合每日计划,对模糊的数理统计逻辑有了更清晰的认知,但仍需后续通过真题强化熟练度。 💡 碎碎念:稳步积累,持续提升。

文档内容由 AI 辅助生成

分享

如果这篇文章对你有帮助,欢迎分享给更多人!

考研数学学习记录2026-09-04
https://elysiaweb.vercel.app/posts/math/9-4/
作者
程翊雪
发布于
2026-09-04
许可协议
Unlicensed

部分信息可能已经过时

目录