2025年大学《统计学》专业题库- 随机变量与统计推断的关系

2025年大学《统计学》专业题库——随机变量与统计推断的关系考试时间：______分钟总分：______分姓名：______一、1.设随机变量X的分布律为P(X=k)=C(k+1)/2^(k+2)，k=0,1,2,...,且E(X)=3/4，求常数C的值。2.设随机变量X～N(μ,4)，Y～N(μ,9)，X与Y独立。记Z=X-Y，求E(Z)和D(Z)。3.某盒中有5个红球，3个白球，从中有放回地依次抽取2个球，记X为2次抽取中红球的数量。求X的分布律，并计算E(X)和D(X)。二、1.设总体X～N(μ,σ²)，X₁,X₂,...,Xₙ是来自总体X的简单随机样本。记S²=(1/(n-1))*Σ(Xᵢ-X̄)²，其中X̄=(1/n)*ΣXᵢ。证明：S²是σ²的无偏估计量。2.设总体X的均值E(X)=μ，方差D(X)=σ²存在。从总体X中抽取样本X₁,X₂,...,Xₙ，样本均值为X̄。根据中心极限定理，当n足够大时，样本均值X̄近似服从什么分布？请说明其期望和方差。3.解释参数点估计量评选标准中的无偏性、有效性和一致性的含义。三、1.从一批灯泡中随机抽取10只，测得寿命（小时）如下：1050,1100,1080,1120,1200,1250,1040,1130,1130,1140。假设灯泡寿命X～N(μ,σ²)，求总体均值μ的95%置信区间（σ未知）。2.某厂生产的零件长度X（单位：毫米）服从正态分布N(μ,2.5²)。现从中抽取容量为30的样本，测得样本均值X̄=50.1毫米。能否认为该厂生产的零件平均长度μ显著大于50毫米？（取显著性水平α=0.05）3.为了检验一种新药是否比现有药物更有效，随机选取n₁=50名病人使用新药，n₂=50名病人使用现有药物，记录治愈率。得到样本比例分别为p̂₁=0.7和p̂₂=0.6。在显著性水平α=0.10下，检验新药治愈率是否显著高于现有药物？（提示：考虑大样本情况下的检验统计量）四、1.设总体X～P(λ)，X₁,X₂,...,Xₙ是来自总体X的简单随机样本。求参数λ的矩估计量和最大似然估计量。2.解释假设检验中第一类错误和第二类错误的定义，并说明它们之间通常存在的矛盾关系。3.在假设检验H₀:μ=μ₀vsH₁:μ≠μ₀中，若拒绝H₀，是否意味着H₀一定错误？若不拒绝H₀，是否意味着H₀一定正确？为什么？五、1.设总体X的分布函数为F(x)=1-e^(-θx)(x>0,θ>0)，θ为未知参数。从总体X中抽取样本X₁,X₂,...,Xₙ，样本最小值记为X(1)。证明：X(1)是θ的一个有效估计量。2.设X₁,X₂,...,Xₙ是来自正态总体N(μ,σ²)的样本，其中μ未知。为了估计σ²，考虑统计量S₁²=(1/(n-1))*Σ(Xᵢ-X̄)²和S₂²=(1/(n))*Σ(Xᵢ-μ)²。比较S₁²和S₂²作为σ²估计量的无偏性和有效性。3.总结随机变量的数字特征（如期望、方差）在参数估计和假设检验中分别扮演的角色和作用。试卷答案一、1.C=1/4解析思路：利用分布律性质ΣP(X=k)=1，计算Σ[k+1]/2^(k+2)=1，求解C。2.E(Z)=0,D(Z)=13解析思路：利用期望的线性性质E(X-Y)=E(X)-E(Y)和方差的性质D(X-Y)=D(X)+D(Y)-2COV(X,Y)(因X,Y独立，COV(X,Y)=0)，结合X,Y的分布参数计算E(Z)和D(Z)。3.P(X=0)=9/16,P(X=1)=9/16,P(X=2)=1/16;E(X)=3/4,D(X)=9/16解析思路：根据有放回抽样，计算X取0,1,2的概率，得到分布律。利用离散型随机变量期望和方差的计算公式求解E(X)和D(X)。二、1.证明：利用样本方差S²的定义和总体方差σ²，计算E(S²)=σ²。解析思路：根据无偏估计的定义，需要证明E(S²)=σ²。可以通过定义S²=(1/(n-1))*Σ(Xᵢ-X̄)²，利用Xᵢ-X̄～N(0,σ²/n)及其性质，或者利用样本方差是总体方差的无偏估计这一常用结论进行证明。2.X̄近似～N(μ,σ²/n)解析思路：根据中心极限定理，独立同分布的随机变量样本均值X̄的分布近似为正态分布，其均值E(X̄)=μ，方差D(X̄)=σ²/n（假设E(X)=μ,D(X)=σ²存在）。3.无偏性：E(估计量)=参数真值；有效性：在所有无偏估计量中，方差最小；一致性：随着样本量n增大，估计量收敛于参数真值。解析思路：分别解释无偏性、有效性、一致性的数学定义和统计意义。三、1.(1069.3,1170.7)毫米解析思路：由于σ未知，使用t分布构建置信区间。计算样本均值X̄，样本标准差S，确定自由度n-1，查找t分布表得t_(α/2,n-1)，计算置信区间上下限(X̄±t_(α/2,n-1)*S/√n)。2.拒绝H₀解析思路：检验假设H₀:μ≤50vsH₁:μ>50。由于σ已知，使用Z检验。计算检验统计量Z=(X̄-μ₀)/(σ/√n)，代入X̄,μ₀,σ,n的值计算Z值。查找标准正态分布表得Z_(α)=1.645，比较Z与Z_(α)的大小，若Z>Z_(α)则拒绝H₀。3.拒绝H₀解析思路：检验假设H₀:p₁≤p₂vsH₁:p₁>p₂。由于样本量较大，使用正态近似。计算合并样本比例p̂=(n₁p̂₁+n₂p̂₂)/(n₁+n₂)=0.65。计算检验统计量Z=(p̂₁-p̂₂)/√[p̂(1-p̂)(1/n₁+1/n₂)]，代入p̂₁,p̂₂,n₁,n₂的值计算Z值。查找标准正态分布表得Z_(α)=1.282，比较Z与Z_(α)的大小，若Z>Z_(α)则拒绝H₀。四、1.矩估计量：θ̂_M=(1/n)*ΣXᵢ=X̄；最大似然估计量：θ̂_MLE=(1/n)*ΣlogXᵢ解析思路：求θ̂_M需计算样本一阶原点矩E(X)并令其等于样本均值X̄；求θ̂_MLE需写出样本的对数似然函数，求其关于θ的导数并令其为0，解出θ̂_MLE。2.第一类错误：H₀真而拒绝H₀；第二类错误：H₀假而未拒绝H₀。两者通常存在此消彼长的关系，减小一类错误的概率往往会增大另一类错误的概率。解析思路：根据假设检验的定义解释两类错误的含义。说明α是犯第一类错误的概率，β是犯第二类错误的概率，通常在样本量固定时，α减小β会增大，反之亦然。3.不一定。拒绝H₀意味着在α的显著性水平下，样本提供的证据对不支持H₀。但不能100%保证H₀是错误的，可能犯第一类错误。不拒绝H₀意味着样本提供的证据不足以支持H₁，但不能100%保证H₀正确，可能犯第二类错误。解析思路：从假设检验的决策规则和错误类型的定义出发，解释统计推断的结论是基于概率而非确定性，存在犯错的可能性。五、1.证明：E(X(1))=θ*H(1/θ)，其中H(t)=1-e^(-θt)，求导H'(t)=θe^(-θt)，利用样本最小值的期望性质E(X(1))=n*P(X(1)>t)/(n+1)=n*[1-F_X(t)]^(n)/(n+1)，令t=0，计算极限得到E(X(1))=θ。由罗-克拉美不等式可知，方差下界为1/(n*I(θ))，其中I(θ)=-E[(d/dθ)logf_X(x)]=θ。因此X(1)是θ的有效估计量。解析思路：首先证明X(1)的期望E(X(1))=θ。然后计算方差下界，需要求信息量I(θ)。利用最小顺序统计量的期望和方差性质，或者通过分布函数和密度函数计算信息量。2.S₁²是σ²的无偏估计量，S₂²不是σ²的无偏估计量；S₁²比S₂²更有效（在无偏估计中方差更小）。解析思路：计算E(S₁²)=σ²，计算E(S₂²)=(n-1)σ²/n≠σ²，因此S₁²无偏，S₂²有偏。比较S₁²和S₂²的方差，V(S₁²)=2σ⁴/(n-1)，V(S₂²)=2σ⁴/n，因n-1<n，故V(S₁²)<V(S₂²)，S₁²更有效。3.期望：样本均值X̄是总体均值μ的无偏估计量，期望是计算点估计值和总体参数差异的基准。方差：样本方差S²（或S₁²）是总体方差σ²的无偏估计量，方差反映了估计量的波动性或精度，方差越小越好。标准差：样本标准差S是总体标