本科大二统计学核心课程《数理统计》教学设计

本科大二统计学核心课程《数理统计》教学设计〖教学设计整体定位〗本教学设计针对的是大学本科二年级统计学专业或经济管理类各专业学生开设的《数理统计》课程。该课程是连接概率论与实战数据分析的桥梁，在统计学课程体系中占据着【核心】与【基石】地位。教学设计严格遵循成果导向教育（OBE）理念，强调以学生为中心，将抽象的数理统计理论与实际数据案例深度融合。本设计旨在通过严谨的逻辑推导、直观的统计思想阐释以及大量的案例分析，使学生不仅掌握数理统计的基本概念和抽样分布理论，更能深刻理解参数估计与假设检验的内在逻辑，并能够熟练运用这些方法解决专业领域的实际问题，最终培养具备扎实数理功底和跨学科应用能力的高素质统计人才。〖教学目标设定〗根据布鲁姆教育目标分类法，结合本课程特点，设定如下三维目标：（一）知识与技能目标1.【基础】深刻理解总体、样本、统计量、抽样分布等基本概念，熟练掌握常用统计量（样本均值、样本方差、样本矩、顺序统计量）的计算与性质。2.【重要】精准掌握三大抽样分布（χ²分布、t分布、F分布）的定义、构造定理、分位数查表及性质，能够熟练运用它们进行相关概率计算。3.【核心】系统掌握参数估计的两种主要形式：点估计（矩估计法、极大似然估计法）与区间估计。理解估计量的评选标准（无偏性、有效性、相合性）。4.【非常重要】全面理解假设检验的基本思想（小概率原理）、两类错误、显著性水平、p值，熟练掌握单个及两个正态总体参数的参数检验方法（u检验、t检验、F检验），并理解非参数检验（如χ²拟合优度检验）的基本思路。5.【高频考点】能够熟练运用所学理论，针对具体问题，构建统计量，完成从数据收集、模型建立、参数估计、假设检验到结果解释的全流程统计分析。（二）过程与方法目标1.通过探究抽样分布的形成过程，培养从特殊到一般的归纳思维能力和从具体到抽象的概括能力。2.通过对矩估计法和极大似然估计法的学习，体会“替换原理”和“最大化原理”这两种不同的统计思想，并能根据问题特点选择合适的估计方法。3.通过对比不同检验方法的应用条件和适用范围，培养分类比较和逻辑思辨能力，建立“方法选择依赖于数据特征和问题背景”的统计素养。4.引入R或Python等统计软件，实现从理论公式到算法实现的转换，培养利用现代计算工具解决复杂统计问题的能力，初步建立统计计算思维。（三）情感、态度与价值观目标1.引导学生体会统计学的严谨性与科学性，认识到数据中蕴藏着规律，培养依靠数据说话的理性精神。2.通过案例教学，让学生感悟统计方法在经济、管理、生物、医学等领域的广泛应用价值，激发学习兴趣和专业认同感。3.在假设检验中，培养学生尊重客观证据、不主观臆断的科学态度，以及在不确定性中做出科学决策的审慎思维。4.结合我国社会经济发展的实际数据（如GDP增长、人口普查、居民消费水平等），让学生运用所学知识进行分析，增强国情意识和社会责任感，践行社会主义核心价值观。〖学情分析与教学重难点〗（一）学情分析1.知识储备：学生已完成《高等数学》（含微积分、级数）和《概率论》（随机事件、概率、随机变量及其分布、数字特征）的学习，具备了本课程所需的数学基础。但对知识的理解多停留在理论层面，将概率模型与现实数据关联的能力尚显不足。2.认知能力：本科大二学生正处于从“记忆型”学习向“探究型”学习转变的关键时期，具备一定的抽象逻辑思维能力，但对于统计推断中“由部分推断总体”的不确定性思维模式仍感陌生，需要逐步引导建立。3.学习特点：学生对直接的理论推导容易产生畏难情绪，而对生动有趣的案例和实际问题表现出浓厚兴趣。他们熟悉社交媒体、关注社会热点，乐于接受与生活紧密相关的学习素材。（二）教学重点1.【重要】常用统计量及其分布，特别是三大抽样分布（χ²,t,F）的构造与性质。2.【核心】矩估计法和极大似然估计法的原理与计算。3.【非常重要】正态总体参数的假设检验方法（u检验、t检验、F检验）及p值法。4.【高频考点】参数区间估计与假设检验的内在联系与对偶性。（三）教学难点1.【难点】抽样分布定理的严格推导与理解，尤其是t分布和F分布构造背后的自由度概念。2.【难点】极大似然估计中似然函数的构建与求解（特别是当似然方程无法得到解析解时）。3.【难点】假设检验中两类错误（弃真错误与纳伪错误）的概率计算及其与样本容量的关系。4.【难点】对p值的直观理解及其与显著性水平α的比较逻辑。〖教学策略与方法〗本课程采用“启发式讲授+探究式讨论+案例驱动+软件辅助”的混合式教学策略。课堂以问题为引导，从实际案例出发，引出统计理论需求，再进行严谨的数学推导，最后回归案例进行应用和拓展。具体方法包括：1.启发式讲授：在讲授核心概念（如自由度）时，通过追问和类比，引导学生自主思考其统计含义，而非直接给出定义。2.案例驱动教学：围绕经济、管理等领域的真实数据（如某地区居民收入数据、产品质量控制数据等），设计贯穿多个章节的综合案例，让学生在解决连续问题的过程中逐步构建完整的知识体系。3.探究式讨论：针对开放性问题（如“如何评价一个估计量的好坏？”），组织学生分组讨论，鼓励不同观点碰撞，教师进行点评和总结。4.类比教学法：将抽象的统计概念与学生熟悉的事物进行类比。例如，将“样本统计量”类比为“侦察兵”，将“总体参数”类比为“大本营”，将“抽样分布”类比为“侦察兵能力的稳定性”。5.软件融合教学：在理论课后布置相应的软件实现任务（使用R或Python），让学生在编程实践中加深对理论的理解，并直观感受统计规律。〖教学资源与准备〗1.教材：《概率论与数理统计教程》（第三版），茆诗松等，高等教育出版社。2.参考书：《统计学》（第七版），贾俊平等，中国人民大学出版社；《数理统计学导论》（第8版），RobertV.Hogg等，机械工业出版社。3.软件工具：R语言（或RStudio），Python（NumPy,SciPy,StatsModels库），JupyterNotebook。4.数据案例库：预先准备涵盖经济、管理、生物、医学等多个领域的真实或模拟数据集，用于课堂演示和学生练习。5.多媒体课件：制作图文并茂、包含动态演示（如抽样分布的形成过程）的PPT课件。6.学习平台：利用超星学习通或雨课堂等平台发布预习资料、课后作业、进行课堂互动和答疑。〖教学实施过程〗（本部分为核心环节，将详细展开每一知识模块的教学步骤、师生活动及设计意图）一、绪论与基本概念（2学时）（一）课程导入：从“为什么要学数理统计”开始。1.教师活动：展示一组复杂的数据（如某电商平台一年内的用户消费记录），提问：“面对这成千上万条数据，我们能从中发现什么规律？如何科学地推断所有用户的平均消费水平？”2.学生活动：思考并尝试回答，感受从“数据”到“结论”的鸿沟。3.设计意图：激发学生的学习兴趣和求知欲，引出课程的核心任务——如何利用样本信息推断总体特征。（二）核心概念辨析：1.【基础】总体与个体：强调总体的“同质性”与“变异性”。举例：某高校2023级全体新生的身高。总体是“2023级新生身高”这一指标值的全体，个体是每个新生的具体身高值。2.【基础】样本与样本容量：讲解样本的代表性与随机性。解释为什么要随机抽样，简单介绍简单随机抽样的概念。3.【基础】参数与统计量：这是贯穿始终的【核心】概念对。参数是描述总体的特征数（如总体均值μ、总体方差σ²），是未知的常数；统计量是描述样本的特征数（如样本均值xˉ\bar{x}xˉ、样本方差s²），是随机变量，是样本的函数。类比：参数是“靶心”，统计量是“子弹着落点”。4.【非常重要】常用统计量：(1)样本均值：Xˉ=1n∑i=1nXi\bar{X}=\frac{1}{n}\sum_{i=1}^{n}X_iXˉ=n1​∑i=1n​Xi​(2)样本方差：S2=1n−1∑i=1n(Xi−Xˉ)2S^2=\frac{1}{n1}\sum_{i=1}^{n}(X_i\bar{X})^2S2=n−11​∑i=1n​(Xi​−Xˉ)2，重点解释分母为何是n−1n1n−1（无偏性的需求，为后续做铺垫）。(3)样本标准差：S=S2S=\sqrt{S^2}S=S2<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​(4)样本k阶原点矩：Ak=1n∑i=1nXikA_k=\frac{1}{n}\sum_{i=1}^{n}X_i^kAk​=n1​∑i=1n​Xik​(5)样本k阶中心矩：Bk=1n∑i=1n(Xi−Xˉ)kB_k=\frac{1}{n}\sum_{i=1}^{n}(X_i\bar{X})^kBk​=n1​∑i=1n​(Xi​−Xˉ)k(6)顺序统计量：特别是样本中位数、样本最小值、样本最大值。5.教师总结：本讲奠定了整个数理统计的语言基础，务必准确理解每一个概念。二、抽样分布（4学时）（一）抽样分布的概念：1.教师讲解：统计量的分布称为抽样分布。它刻画了利用样本推断总体时的“抽样误差”的规律性。例如，从一个已知均值和方差的正态总体中反复抽样，每次计算一个样本均值，这些均值的分布就是样本均值的抽样分布。2.【难点】引入“自由度”概念：直观解释为数据中可以自由变化的个数，或在计算统计量时，独立观测值的个数。例如，计算样本方差时，因为均值Xˉ\bar{X}Xˉ的限制，使得n个离差Xi−XˉX_i\bar{X}Xi​−Xˉ之和为零，因此独立的离差只有n1个。（二）【非常重要】三大抽样分布：1.χ²分布：(1)定义：设X1,X2,...,Xn...,X_2,...,X_n...,X2​,...,Xn​独立同分布于标准正态分布N(0,1)，则χ2=X12+X22+...+Xn2...i^2=X_1^2+X_2^2+...+X_n^2...X12​+X22​+...+Xn2​服从自由度为n的χ²分布，记为χ2∼χ2(n)\chi^2\sim\chi^2(n)χ2∼χ2(n)。(2)性质：可加性（若χ12∼χ2(n1),χ22∼χ2(n2)\chi^2_1\sim\chi^2(n_1),\chi^2_2\sim\chi^2(n_2)χ12​∼χ2(n1​),χ22​∼χ2(n2​)且独立，则χ12+χ22∼χ2(n1+n2)\chi^2_1+\chi^2_2\sim\chi^2(n_1+n_2)χ12​+χ22​∼χ2(n1​+n2​)）、期望E(χ²)=n，方差D(χ²)=2n。(3)构造定理（【高频考点】）：设X1,X2,...,Xn...,X_2,...,X_n...,X2​,...,Xn​独立同分布于N(μ,σ²)，则A.Xˉ\bar{X}Xˉ与S2S^2S2相互独立。B.(n−1)S2σ2∼χ2(n−1)\frac{(n1)S^2}{\sigma^2}\sim\chi^2(n1)σ2(n−1)S2​∼χ2(n−1)。教师详细证明或从直观上解释该定理的重要性：它把样本方差和总体方差联系了起来，是后续区间估计和假设检验的【基石】。(4)分位数：介绍如何通过χ²分布表查找给定自由度n和右侧概率α的上侧分位数χα2(n)\chi^2_\alpha(n)χα2​(n)。2.t分布：(1)定义：设Z∼N(0,1)Z\simN(0,1)Z∼N(0,1)，V∼χ2(n)V\sim\chi^2(n)V∼χ2(n)，且Z与V独立，则t=ZV/nt=\frac{Z}{\sqrt{V/n}}t=V/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Z​服从自由度为n的t分布，记为t∼t(n)t\simt(n)t∼t(n)。(2)【难点】与正态分布的关系：t分布的概率密度函数与标准正态分布类似，都是单峰偶函数，但尾部更厚（引入“肥尾”概念，体现小样本推断的不确定性）。当自由度n→∞时，t分布趋近于标准正态分布。(3)构造定理（【高频考点】）：设X1,X2,...,Xn...,X_2,...,X_n...,X2​,...,Xn​独立同分布于N(μ,σ²)，则t=Xˉ−μS/n∼t(n−1)t=\frac{\bar{X}\mu}{S/\sqrt{n}}\simt(n1)t=S/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Xˉ−μ​∼t(n−1)。这个定理的【核心】价值在于：当总体方差σ²未知时，我们用它来替代，构造的统计量仍然服从一个已知分布（t分布），从而解决了实践中最常见的“方差未知”的推断问题。(4)分位数：介绍t分布表的使用方法。3.F分布：(1)定义：设U∼χ2(m)U\sim\chi^2(m)U∼χ2(m)，V∼χ2(n)V\sim\chi^2(n)V∼χ2(n)，且U与V独立，则F=U/mV/nF=\frac{U/m}{V/n}F=V/nU/m​服从自由度为(m,n)的F分布，记为F∼F(m,n)F\simF(m,n)F∼F(m,n)。(2)性质：若t∼t(n)t\simt(n)t∼t(n)，则t2∼F(1,n)t^2\simF(1,n)t2∼F(1,n)。(3)构造定理（【高频考点】）：设两个独立的正态总体，X1,X2,...,Xm∼N(μ1,σ12)...,X_2,...,X_m\simN(\mu_1,\sigma_1^2)...,X2​,...,Xm​∼N(μ1​,σ12​)，Y1,Y2,...,Yn∼N(μ2,σ22)...,Y_2,...,Y_n\simN(\mu_2,\sigma_2^2)...,Y2​,...,Yn​∼N(μ2​,σ22​)，则F=S12/σ12S22/σ22∼F(m−1,n−1)F=\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\simF(m1,n1)F=S22​/σ22​S12​/σ12​​∼F(m−1,n−1)。特别地，当σ12=σ22\sigma_1^2=\sigma_2^2σ12​=σ22​时，F=S12/S22∼F(m−1,n−1)F=S_1^2/S_2^2\simF(m1,n1)F=S12​/S22​∼F(m−1,n−1)。该定理是比较两个总体方差是否相等的【基础】。(4)分位数：介绍F分布表，并强调其一个重要性质：F1−α(m,n)=1/Fα(n,m)F_{1\alpha}(m,n)=1/F_\alpha(n,m)F1−α​(m,n)=1/Fα​(n,m)。（三）课堂练习与软件演示：1.教师活动：布置几道计算题，如给定总体和样本，求某个统计量服从何种分布，或计算特定分布下的概率。2.学生活动：分组计算，并利用R语言中的pchisq(),pt(),pf()函数验证计算结果。3.设计意图：通过理论和实践的结合，加深对抽象分布的理解，消除对公式的恐惧。三、参数估计（6学时）（一）点估计：1.【核心】矩估计法：(1)思想：替换原理——用样本矩去估计相应的总体矩。...步骤：设总体X的分布包含k个未知参数θ₁,θ₂,...,θₖ。...求出总体的前k阶矩（通常是原点矩）E(X),E(X²),...,E(Xᵏ)，它们一般是θ的函数。B.令样本矩等于总体矩：1n∑i=1nXi=E(X)\frac{1}{n}\sum_{i=1}^nX_i=E(X)n1​∑i=1n​Xi​=E(X)1n∑i=1nXi2=E(X2)\frac{1}{n}\sum_{i=1}^nX_i^2=E(X^2)n1​∑i=1n​Xi2​=E(X2)...1n∑i=1nXik=E(Xk)\frac{1}{n}\sum_{i=1}^nX_i^k=E(X^k)n1​∑i=1n​Xik​=E(Xk)C.解此方程组，得到θ^1,θ^2,...,θ^k...t{\theta}_1,\hat{\theta}_2,...,\hat{\theta}_k...​,θ^2​,...,θ^k​，即为矩估计量。(3)举例：对正态总体N(μ,σ²)，求μ和σ²的矩估计。解得μ^=Xˉ\hat{\mu}=\bar{X}μ^​=Xˉ，σ^2=1n∑i=1n(Xi−Xˉ)2\hat{\sigma}^2=\frac{1}{n}\sum_{i=1}^n(X_i\bar{X})^2σ^2=n1​∑i=1n​(Xi​−Xˉ)2（注意，这是有偏的）。(4)评价：矩估计法简单直观，无需知道总体分布的具体形式，但估计精度通常较差。2.【非常重要】极大似然估计法：(1)思想：最大似然原理——在一次试验中，概率最大的事件最有可能发生。因此，我们应该选择使样本出现的概率（似然函数）达到最大的参数值作为估计值。(2)【难点】似然函数的构建：A.离散型：L(θ)=P{X1=x1,X2=x2,...,Xn=xn}=∏i=1np(xi;θ)...theta)=P\{X_1=x_1,X_2=x_2,...,X_n=x_n\}=\prod_{i=1}^np(x_i;\theta)...)=P{X1​=x1​,X2​=x2​,...,Xn​=xn​}=∏i=1n​p(xi​;θ)B.连续型：L(θ)=f(x1,x2,...,xn;θ)=∏i=1nf(xi;θ)...theta)=f(x_1,x_2,...,x_n;\theta)=\prod_{i=1}^nf(x_i;\theta)...)=f(x1​,x2​,...,xn​;θ)=∏i=1n​f(xi​;θ)，其中f为概率密度函数。(3)【高频考点】求解步骤（以连续型为例）：A.写出似然函数L(θ)。B.为便于计算，取自然对数，得对数似然函数lnL(θ)。（ln是单调增函数，所以L(θ)与lnL(θ)在同一点取最大值）C.对未知参数θ求导（若多个参数，则求偏导），令导数等于0，得到似然方程（组）。D.解似然方程，得到θ的极大似然估计量θ^\hat{\theta}θ^。E.（需要时）用二阶导数验证是否为极大值点。(4)举例：对指数分布、泊松分布、正态分布等常用分布，求其参数的极大似然估计。(5)【热点】扩展讨论：当似然方程无解析解时怎么办？介绍数值优化方法（如牛顿拉夫逊算法），并说明在软件中如何实现（R中的optimscipy.optimizescipy.optimize）。(6)评价：极大似然估计具有优良的渐近性质（无偏性、有效性、正态性），是应用最广泛的点估计方法。3.【重要】估计量的评选标准：(1)无偏性：E(θ^)=θE(\hat{\theta})=\thetaE(θ^)=θ。解释：虽然一次估计可能不准，但平均意义上来说估计准确。举例：样本均值Xˉ\bar{X}Xˉ是总体均值μ的无偏估计；样本方差S²是总体方差σ²的无偏估计，而矩估计的方差是有偏的。(2)有效性：对于同一个参数的两个无偏估计量，方差较小的更有效。D(θ^1)<D(θ^2)D(\hat{\theta}_1)<D(\hat{\theta}_2)D(θ^1​)<D(θ^2​)。(3)相合性（一致性）：当样本容量n→∞时，θ^\hat{\theta}θ^依概率收敛于真值θ。这是估计量最基本的要求。（二）区间估计：1.基本概念：引入置信区间、置信度（置信水平）1α、置信下限、置信上限。解释“随机区间”与“固定参数”的关系。强调“置信度”的含义：反复抽样多次，每个样本构建一个置信区间，其中大约有100(1α)%的区间包含总体参数。2.【非常重要】单个正态总体均值的区间估计：(1)方差σ²已知：使用枢轴量U=Xˉ−μσ/n∼N(0,1)U=\frac{\bar{X}\mu}{\sigma/\sqrt{n}}\simN(0,1)U=σ/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Xˉ−μ​∼N(0,1)，得μ的置信度为1α的置信区间为(Xˉ−uα/2σn,Xˉ+uα/2σn)(\bar{X}u_{\alpha/2}\frac{\sigma}{\sqrt{n}},\bar{X}+u_{\alpha/2}\frac{\sigma}{\sqrt{n}})(Xˉ−uα/2​n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​σ​,Xˉ+uα/2​n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​σ​)。(2)方差σ²未知（【高频考点】）：使用枢轴量t=Xˉ−μS/n∼t(n−1)t=\frac{\bar{X}\mu}{S/\sqrt{n}}\simt(n1)t=S/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Xˉ−μ​∼t(n−1)，得μ的置信区间为(Xˉ−tα/2(n−1)Sn,Xˉ+tα/2(n−1)Sn)(\bar{X}t_{\alpha/2}(n1)\frac{S}{\sqrt{n}},\bar{X}+t_{\alpha/2}(n1)\frac{S}{\sqrt{n}})(Xˉ−tα/2​(n−1)n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​S​,Xˉ+tα/2​(n−1)n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​S​)。3.【重要】单个正态总体方差的区间估计：使用枢轴量χ2=(n−1)S2σ2∼χ2(n−1)\chi^2=\frac{(n1)S^2}{\sigma^2}\sim\chi^2(n1)χ2=σ2(n−1)S2​∼χ2(n−1)，得σ²的置信区间为((n−1)S2χα/22(n−1),(n−1)S2χ1−α/22(n−1))(\frac{(n1)S^2}{\chi^2_{\alpha/2}(n1)},\frac{(n1)S^2}{\chi^2_{1\alpha/2}(n1)})(χα/22​(n−1)(n−1)S2​,χ1−α/22​(n−1)(n−1)S2​)。4.【拓展】两个正态总体均值差、方差比的区间估计：类似地构造t统计量和F统计量，给出相应的置信区间公式。四、假设检验（8学时）（一）假设检验的基本思想与概念：1.【核心】小概率原理：小概率事件在一次试验中几乎不会发生。2.案例引入：某公司声称其生产的袋装食品净重服从正态分布，平均重量为500g。我们从一批产品中随机抽取一袋，称得重量为485g。问：我们是否有理由怀疑该公司的声称？通过此案例引出原假设H₀（μ=500）与备择假设H₁（μ≠500）。3.【难点】两类错误：(1)第一类错误（弃真）：H₀为真时，拒绝H₀。犯第一类错误的概率记为α，也称为显著性水平。(2)第二类错误（纳伪）：H₀为假时，接受H₀。犯第二类错误的概率记为β。(3)功效：1β，表示正确拒绝错误原假设的能力。(4)教师用图例（接受域与拒绝域）直观展示两类错误的关系：α与β此消彼长，在样本容量n固定的情况下，无法同时减小两者。增大n可以同时减小它们。4.【重要】假设检验的基本步骤：(1)根据问题提出原假设H₀和备择假设H₁。(2)给定显著性水平α（通常取0.05或0.01）。(3)在H₀成立的条件下，构造合适的检验统计量，并确定其分布。(4)根据H₁和α，确定拒绝域W。(5)根据样本观测值计算检验统计量的值。(6)做出判断：若统计量值落入拒绝域，则拒绝H₀，接受H₁；否则，接受H₀。（二）【非常重要】单个正态总体参数的假设检验：1.均值μ的检验：(1)σ²已知——u检验（Z检验）：A.检验统计量：U=Xˉ−μ0σ/n∼N(0,1)U=\frac{\bar{X}\mu_0}{\sigma/\sqrt{n}}\simN(0,1)U=σ/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Xˉ−μ0​​∼N(0,1)（H₀成立时）B.拒绝域：双侧H₁:μ≠μ₀时，|U|>u_{α/2}；右侧H₁:μ>μ₀时，U>u_{α}；左侧H₁:μ<μ₀时，U<u_{α}。(2)σ²未知——t检验（【高频考点】）：A.检验统计量：t=Xˉ−μ0S/n∼t(n−1)t=\frac{\bar{X}\mu_0}{S/\sqrt{n}}\simt(n1)t=S/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​Xˉ−μ0​​∼t(n−1)（H₀成立时）B.拒绝域类似u检验，但临界值由t分布给出。2.方差σ²的检验——χ²检验：(1)检验统计量：χ2=(n−1)S2σ02∼χ2(n−1)\chi^2=\frac{(n1)S^2}{\sigma_0^2}\sim\chi^2(n1)χ2=σ02​(n−1)S2​∼χ2(n−1)（H₀:σ²=σ₀²成立时）(2)拒绝域根据H₁确定。（三）【非常重要】两个正态总体参数的假设检验：1.均值差的检验（两样本t检验）：(1)方差相等但未知：使用合并方差Sw2=(m−1)S12+(n−1)S22m+n−2S_w^2=\frac{(m1)S_1^2+(n1)S_2^2}{m+n2}Sw2​=m+n−2(m−1)S12​+(n−1)S22​​，检验统计量t=(Xˉ−Yˉ)−(μ1−μ2)0Sw1/m+1/n∼t(m+n−2)t=\frac{(\bar{X}\bar{Y})(\mu_1\mu_2)_0}{S_w\sqrt{1/m+1/n}}\simt(m+n2)t=Sw​1/m+1/n<pathd="M95,702c2.7,0,7.17,2.7,13.5,8c5.8,5.3,9.5,10,9.5,14c0,2,0.3,3.3,1,4c1.3,2.7,23.83,20.7,67.5,54c44.2,33.3,65.8,50.3,66.5,51c1.3,1.3,3,2,5,2c4.7,0,8.7,3.3,12,10s173,378,173,378c0.7,0,35.3,71,104,213c68.7,142,137.5,285,206.5,429c69,144,104.5,217.7,106.5,221l00c5.3,9.3,12,14,20,14Hv40H845.2724s225.272,467,225.272,467s235,486,235,486c2.7,4.7,9,7,19,7c6,0,10,1,12,3s194,422,194,422s65,47,65,47zM83480Hv40hz">​(Xˉ−Yˉ)−(μ1​−μ2​)0​​∼t(m+n−2)。(2)方差不相等且未知（近似t检验，即Welch检验）：检验统计量t′t't′，自由度由Satterthwaite公式给出。强调在实践中更常用Welch检验，因为它对方差齐性不敏感。2.方差比的检验——F检验：(1)检验统计量：F=S12S22∼F(m−1,n−1)F=\frac{S_1^2}{S_2^2}\simF(m1,n1)F=S22​S12