复旦432统计学真题解答2025年-7到12题

复旦432统计学真题解答2025年

七、给定二元函数
$$f(x,y)=c\left(e^{-\frac{x^2+y^2}{2}}+\frac{xy(x^2-y^2)}{\sqrt{e}}{I}_D(x,y)\right)$$

其中 $D=\{(x,y)\mid x^2+y^2\le 1\}$ ， $c$ >0。（15分）

(1) 证明： $f(x,y)>0$ ；

(2) 设 $(X,Y)$ 的联合密度为 $f(x,y)$ ，求 $c$ 。

(3) 求 $X,Y$ 的边缘分布，求 $\text{Cov}(X,Y)$ ， $X$ 和 $Y$ 是否独立？

Solution:

(1) $(x,y)\notin D$ 时显然大于0，$(x,y)\in D$ 时,令 $x=\rho \cos \theta$ ， $y=\rho \sin \theta$ ：
$$\begin{array}{rl}f(x,y)& =c\left(e^{-\frac{{\rho }^2}{2}}+\frac{{\rho }^2\cdot \sin \theta \cos \theta ({\cos }^2\theta -{\sin }^2\theta )}{\sqrt{e}}\right)\\ & >\left(1-\frac{1}{2}{\rho }^2+\frac{{\rho }^2\cdot \sin 4\theta }{4\sqrt{e}}\right)\\ & >c\cdot \left(1-\frac{1}{2}-\frac{1}{4\sqrt{e}}\right)\\ & >0\end{array}$$
(2) $${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }f(x,y)dxdy=1.$$
我们将积分分为两部分： $(x,y)\in D$ 和 $(x,y)\notin D$ 。
对于 $(x,y)\notin D$ ， $${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }c{e}^{-\frac{x^2+y^2}{2}}dxdy-{\int }_{D}c{e}^{-\frac{x^2+y^2}{2}}dxdy.$$
对于 $(x,y)\in D$ ，$${\int }_{D}c\left(e^{-\frac{x^2+y^2}{2}}+\frac{xy(x^2-y^2)}{\sqrt{e}}\right)dxdy.$$
将这两部分合并，我们得到, $$c{\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{e}^{-\frac{x^2+y^2}{2}}dxdy=1.$$
令 $x=r\cos \theta$ ， $y=r\sin \theta$ ，则 $x^2+y^2=r^2$ 。
则 $r\ge 0,0\le \theta \le 2\pi$ 。
$${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }{e}^{-\frac{x^2+y^2}{2}}dxdy={\int }_0^{2\pi }{\int }_0^{\infty }{e}^{-\frac{r^2}{2}}rdrd\theta$$ 令 $u=r^2$ ， $du=2rdr$ 。
$${\int }_0^{2\pi }d\theta {\int }_0^{\infty }{e}^{-\frac{r^2}{2}}rdr={\int }_0^{2\pi }d\theta {\int }_0^{\infty }\frac{1}{2}{e}^{-\frac{u}{2}}du={\int }_0^{2\pi }d\theta {\left[-e^{-\frac{u}{2}}\right]}_0^{\infty }={\int }_0^{2\pi }d\theta =2\pi$$ (也可直接根据二元正态分布的联合密度函数得出), 于是： $$c=\frac{1}{2\pi }$$
(3) 首先，我们求 $X$ 的边缘分布。由于 $f(x,y)$ 关于 $y$ 对称，所以 $X$ 的边缘分布为
$$f_X(x)={\int }_{-\infty }^{\infty }f(x,y)dy={\int }_{-\infty }^{\infty }\frac{1}{2\pi }\left(e^{-\frac{x^2+y^2}{2}}+\frac{xy(x^2-y^2)}{\sqrt{e}}{1}_D(x,y)\right)dy.$$
由于 $\frac{xy(x^2-y^2)}{\sqrt{e}}{1}_D(x,y)$ 关于 $y$ 是奇函数，所以
$${\int }_{-\infty }^{\infty }\frac{xy(x^2-y^2)}{\sqrt{e}}{1}_D(x,y)dy=0.$$
因此： $$f_X(x)=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }{e}^{-\frac{x^2+y^2}{2}}dy=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{x^2}{2}}.$$
同理， $y$ 的边缘分布为：
$$f_Y(y)=\frac{1}{\sqrt{2\pi }}{e}^{-\frac{y^2}{2}}.$$
由于： $f_Y(y)f_X(x)\ne f(x,y)$,所以X,Y不独立。
$$E(XY)={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }xyf(x,y)dxdy={\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }xy\frac{1}{2\pi }\left(e^{-\frac{x^2+y^2}{2}}+\frac{xy(x^2-y^2)}{\sqrt{e}}{1}_D(x,y)\right)dxdy.$$
由于 $e^{-\frac{x^2+y^2}{2}}$ 关于 $x$ 和 $y$ 都是对称的，所以
$${\int }_{-\infty }^{\infty }{\int }_{-\infty }^{\infty }xy{e}^{-\frac{x^2+y^2}{2}}dxdy=0.$$ 令：$x=r\cos \theta$ 和 $y=r\sin \theta$ ，积分变为：
$${\int }_0^{2\pi }{\int }_0^1\frac{(r\cos \theta )(r\sin \theta )(r^2{\cos }^2\theta -r^2{\sin }^2\theta )}{\sqrt{e}}rdrd\theta .$$
简化被积函数，我们得到：
$${\int }_0^{2\pi }{\int }_0^1\frac{r^5\cos \theta \sin \theta ({\cos }^2\theta -{\sin }^2\theta )}{\sqrt{e}}drd\theta .$$
注意到 $\cos \theta \sin \theta ({\cos }^2\theta -{\sin }^2\theta )$ 是一个奇函数，因此：
$${\int }_0^{2\pi }\cos \theta \sin \theta ({\cos }^2\theta -{\sin }^2\theta )d\theta =0.$$ 所以: $COV(X,Y)=E(XY)-E(X)E(Y)=0$

八、 打怪物会爆装备1和2，爆出装备1的概率是0.2 ，爆出装备2的概率是 0.2，不获得任何装备的概率是0.6，设 $\tau$ 是集齐装备所用的次数，求 $E\tau$ ， $Var\tau$ 。(10分)

Solution:

令：${\xi }_1$ 表示收集到第一件装备所需的次数，其成功概率为 0.4（因为获得装备1或装备2的概率为 0.2 + 0.2 = 0.4）。${\xi }_2$ 表示在收集到第一件装备后，收集到第二件装备所需的次数，其成功概率为 0.2（因为获得第2个装备的概率为 0.2）。
对于几何分布随机变量 $\xi \sim Ge(p)$ ，其期望 $E\xi =\frac{1}{p}$ 。因此：$E{\xi }_1=\frac{1}{0.4}=2.5$，$E{\xi }_2=\frac{1}{0.2}=5$
$$E\tau =E{\xi }_1+E{\xi }_2=2.5+5=7.5$$
对于几何分布随机变量 $\xi \sim Ge(p)$ ，其方差 $Var\xi =\frac{1-p}{p^2}$ 。因此：
$$\begin{array}{rl}Var{\xi }_1& =\frac{1-0.4}{0.4^2}=\frac{0.6}{0.16}=3.75\\ Var{\xi }_2& =\frac{1-0.2}{0.2^2}=\frac{0.8}{0.04}=20\\ Var\tau & =Var{\xi }_1+Var{\xi }_2=3.75+20=23.75\end{array}$$ 因此，收集到两件装备所需的期望次数为 7.5 次，方差为 23.75。

九、设 $X_1,\cdots ,X_n$ 独立同分布于连续函数 $F$, 样本 $Y_i=\mu +\sigma [-\ln F(X_i){]}^{-\frac{1}{2}}$ ,$\mu >0,\sigma >0$ （15分）

(1) 求 $(\mu ,\sigma )$ 的最大似然估计。

(2) 若 $\mu$ 已知，求 ${\sigma }^2$ 的充分统计量。

Solution:

(1) 令 $Z_i=F(X_i)$ ，则 $Z_i\sim U(0,1)$ 。$$Y_i=\mu +\sigma [-\ln Z_i{]}^{-\frac{1}{2}}$$ 由于 $Z_i\sim U(0,1)$ ， $-\ln Z_i$ 服从参数为 1 的指数分布，即 $-\ln Z_i\sim \text{Exp}(1)$ 。
设 $W_i=[-\ln Z_i{]}^{-\frac{1}{2}}$ ：
$$\begin{array}{rl}P(w_i\le w)& =P\left((-\ln z_i{)}^{-\frac{1}{2}}\le w\right)\\ & =P\left(z_i\le e^{-w^{-2}}\right)\\ & =e^{-w^{-2}}\end{array}$$ $$f_{w_i}(w)=2w^{-3}{e}^{-w^{-2}},y_i=\mu +\sigma \cdot w_i$$ $$f_{Y_i}(y_i)=f_{w_i}\left(\frac{y_i-\mu }{\sigma }\right)\cdot \frac{1}{\sigma }=2{\sigma }^2\cdot (y_i-\mu {)}^{-3}\cdot e^{-{\left(\frac{\sigma }{y_i-\mu }\right)}^2}$$ $$f(y_1,\cdots ,y_n)=\prod _{i=1}^{n}2{\sigma }^2(y_i-\mu {)}^{-3}{e}^{-{\left(\frac{\sigma }{y_i-\mu }\right)}^2}$$ $$\ln f=\sum _{i=1}^n\left[-3\ln (y_i-\mu )-{\left(\frac{\sigma }{y_i-\mu }\right)}^2\right]+2n\ln \sigma +n\ln 2$$ 对 $\mu$ 的偏导数为：
$$\frac{\partial \ln f}{\partial \mu }=\sum _{i=1}^n\left[\frac{3}{y_i-\mu }-\frac{2{\sigma }^2}{(y_i-\mu {)}^3}\right]=0$$ $$\Rightarrow \sum _{i=1}^n\frac{3(y_i-\mu {)}^2-2{\sigma }^2}{(y_i-\mu {)}^3}=0(1)$$ 对 $\sigma$ 的偏导数为： $$\frac{\partial \ln f}{\partial \sigma }=\sum _{i=1}^n\frac{-2\sigma }{(y_i-\mu {)}^2}+\frac{2n}{\sigma }=0$$ $$\Rightarrow \sum _{i=1}^n\frac{1}{(y_i-\mu {)}^2}=\frac{n}{{\sigma }^2}(2)$$
设 $S_1(\mu )={\sum }_{i=1}^n\frac{1}{y_i-\mu }$ , $S_2(\mu )={\sum }_{i=1}^n\frac{1}{(y_i-\mu {)}^2}$, $S_3(\mu )={\sum }_{i=1}^n\frac{1}{(y_i-\mu {)}^3}$ ，则：
$$3S_1(\mu )-2{\sigma }^2{S}_3(\mu )=0,S_2(\mu )-\frac{n}{{\sigma }^2}=0$$ $\mu ,\sigma$的极大似然估计即为满足上式的值。$($由于$\ln f$关于$\mu ,\sigma$并不单调，所以不能直接取$\mu =y_{(1)}$ $)$

(2) 根据因子分解定理，如果似然函数可以写成 $L({\sigma }^2)=g(T(Y),{\sigma }^2)h(Y)$ 的形式，其中 $T(Y)$ 是样本的函数， $g$ 和 $h$

是两个函数，那么 $T(Y)$ 是 ${\sigma }^2$ 的充分统计量。似然函数为： L ( σ 2 ) = ∏ i = 1 n 2 ( y i − μ ) − 3 e x p { ∑ i = 1 n [ − ( σ y i − μ ) 2 ] + 2 n l n ( σ ) } L(\sigma^2) = \prod_{i=1}^n 2(y_i-\mu)^{-3} exp\{\sum_{i=1}^n[-(\frac{\sigma}{y_i-\mu})^2]+2nln(\sigma)\} L(σ2)=i=1∏n​2(yi​−μ)−3exp{i=1∑n​[−(yi​−μσ​)2]+2nln(σ)} 这里， $T(Y)={\sum }_{i=1}^n\frac{1}{(y_i-\mu {)}^2}$ 是 ${\sigma }^2$ 的充分统计量。

十、设总体为对数正态分布 $LN(\mu ,{\sigma }^2)$ ，简单样本为 $X_1,\cdots ,X_n$。（15分）

(1) 求 $\mu$ 的矩估计、最大似然估计。

(2) 求 $\theta =e^{\mu +\frac{1}{2}}$ 的最大似然估计，并分析其是否无偏。

Solution:

(1) 对于对数正态分布 $LN(\mu ,{\sigma }^2)$ ，其均值 $E(X)=e^{\mu +\frac{{\sigma }^2}{2}}$ 。样本均值 $\bar{X}$ 可作为 $E(X)$ 的估计，因此：
$$\bar{X}=e^{\mu +\frac{{\sigma }^2}{2}}$$
解出 $\mu$ 得到矩估计：
$$\widehat{\mu 1}=\ln (\bar{X})-\frac{{\sigma }^2}{2}$$ $$L(\mu ,\sigma )=\prod _{i=1}^n\frac{1}{X_i\sigma \sqrt{2\pi }}{e}^{-\frac{(\ln X_i-\mu {)}^2}{2{\sigma }^2}}$$ $$\ln L(\mu ,\sigma )=-n\ln (\sigma )-\frac{n}{2}\ln (2\pi )-\sum _{i=1}^n\frac{(\ln X_i-\mu {)}^2}{2{\sigma }^2}-\sum _{i=1}^n\ln X_i$$ 对 $\mu$ 求偏导数：
$$\begin{array}{rl}\frac{\partial \ln L}{\partial \mu }& =\sum _{i=1}^n\frac{\ln X_i-\mu }{{\sigma }^2}=0\\ {\hat{\mu }}_{\text{MLE}}& =\frac{1}{n}\sum _{i=1}^n\ln X_i\end{array}$$
(2) 由极大似然估计的不变性：若 $(\hat{\mu },\hat{\sigma })$ 是 $(\mu ,\sigma )$ 的极大似然估计，则对于任何函数 $T(\mu ,\sigma )$ ， $T$ 的极大似然估计为

$T(\hat{\mu },\hat{\sigma })$ 。因此， $\theta$ 的最大似然估计为：${\hat{\theta }}_{\text{MLE}}=e^{\hat{\mu }+\frac{1}{2}}$，由于${\hat{\mu }}_{\text{MLE}}$ 是 $\mu$ 的无偏估计，我们有：$E({\hat{\mu }}_{\text{MLE}})=\mu$。$$E(e^{\mu })>e^{E(\mu )}=e^{\mu }$$所以$\theta$不是无偏估计。

十一、设随机变量 $X$ 的概率密度函数为:
$$f(x;\theta )=\{\begin{array}{ll}\theta x^{\theta -1},& 0<x<1,\\ 0,& \text{其他}\end{array}$$

设 $X_1,X_2$ 来自该总体的样本，考虑假设检验问题：
$$H_0:\theta =1\leftrightarrow H_1:\theta =2,$$

其否定域为 $W=\{(X_1,X_2)\mid X_1{X}_2>\frac{3}{4}\}$ ，求第一、二类错误的概率。（15分）

Solution:

1.第一类错误：弃真。即在 $\theta =1$ 的情况下， $X_1{X}_2>\frac{3}{4}$ 的概率。
当 $\theta =1$ 时， $X$ 的概率密度函数为 $f(x;1)=1$ ， $0<x<1$ 。因此， $X_1$ 和 $X_2$ 都是 $(0,1)$ 上的均匀分布, $\frac{3}{4x_1}<1$, 求出$x_1>\frac{3}{4}$
$$P(X_1{X}_2>\frac{3}{4}，\theta =1)={\int }_{\frac{3}{4}}^1{\int }_{\frac{3}{4x_1}}^{1}1d{x}_{2}d{x}_1=\frac{1}{4}+\frac{3\ln 3}{4}-\frac{3\ln 2}{2}$$
因此，第一类错误的概率为： $$\alpha =\frac{1}{4}+\frac{3\ln 3}{4}-\frac{3\ln 2}{2}$$
2.第二类错误:取伪，即在 $H_1$ 为真时接受 $H_0$ 的概率。即在 $\theta =2$ 的情况下， $X_1{X}_2\le \frac{3}{4}$ 的概率。

当 $x_1<\frac{3}{4}$ 时， $x_2$ 的积分范围是 $(0,1)$，而当 $x_1\ge \frac{3}{4}$ 时， $x_2$ 的积分范围是 $(0,\frac{3}{4x_1})$ 。因此：$$P(X_1{X}_2\le \frac{3}{4}，\theta =2)={\int }_0^{\frac{3}{4}}2x_{1}d{x}_1+{\int }_{\frac{3}{4}}^1\frac{9}{8x_1}d{x}_1=\frac{9}{16}+\frac{9\ln 2}{4}-\frac{9\ln 3}{8}$$ 因此，第二类错误的概率为：
$$\beta =\frac{9}{16}+\frac{9\ln 2}{4}-\frac{9\ln 3}{8}$$

十二、设总体 $X$ 满足 $P(X>x|\theta )=e^{-(\theta x{)}^k}$ ，参数 $\theta$ 的先验分布满足 ${\theta }^k\sim \Gamma (\alpha ,\beta )$ ，这里 $\alpha =2$ , $\beta =1$ , $k=2$

，给定样本 $x_1,\dots ,x_n$ ，求 $\theta$ 的后验分布。（15分）

Solution:

由于 $P(X>x|\theta )=e^{-(\theta x{)}^2}$ ，我们可以得到 $P(X\le x|\theta )=1-e^{-(\theta x{)}^2}$ 。
$$f(x_i|\theta )=\frac{d}{d{x}_i}P(X\le x_i|\theta )=2{\theta }^2{x}_i{e}^{-(\theta x_i{)}^2}$$ 因此：$$L(x_1,\dots ,x_n|\theta )=\prod _{i=1}^{n}2{\theta }^2{x}_i{e}^{-(\theta x_i{)}^2}=2^n{\theta }^{2n}\left(\prod _{i=1}^n{x}_i\right)e^{-{\sum }_{i=1}^n(\theta x_i{)}^2}$$ 参数 ${\theta }^2$ 的先验分布为:
$${\theta }^2\sim \Gamma (2,1)$$ $$g({\theta }^2)=\frac{1^2}{\Gamma (2)}({\theta }^2{)}^{2-1}{e}^{-1\cdot {\theta }^2}={\theta }^2{e}^{-{\theta }^2}$$
根据贝叶斯定理，后验分布 $\pi ({\theta }^2|x_1,\dots ,x_n)$ 与似然函数和先验分布的乘积成正比：
$$\pi ({\theta }^2|x_1,\dots ,x_n)\propto L(\theta |x_1,\dots ,x_n)\cdot g({\theta }^2)$$
代入似然函数和先验分布，得到：
$$\begin{array}{r}\pi ({\theta }^2|x_1,\dots ,x_n)\propto 2^n{\theta }^{2n}\left(\prod _{i=1}^n{x}_i\right)e^{-{\sum }_{i=1}^n(\theta x_i{)}^2}\cdot {\theta }^2{e}^{-{\theta }^2}\end{array}$$ $$\pi ({\theta }^2|x_1,\dots ,x_n)\propto {\theta }^{2n+2}{e}^{-{\theta }^2\left({\sum }_{i=1}^n{x}_i^2+1\right)}$$
说明${\theta }^2$后验分布依旧还是伽马分布，参数 ${\theta }^2$ 的后验分布为:
$${\theta }^2|x_1,\dots ,x_n\sim \Gamma (n+2,\sum _{i=1}^n{x}_i^2+1)$$ 于是：$$f({\theta }^2|x_1,\dots ,x_n)=\frac{{\theta }^{2(n+1)}}{\Gamma (n+2)}{\lambda }^{n+2}{e}^{-\lambda {\theta }^2},\lambda =\sum _{i=1}^n{x}_i^2+1$$ $$f(\theta |x_1,\dots ,x_n)=\{\begin{array}{l}f({\theta }^2|x_1,\dots ,x_n)\theta =\frac{{\theta }^{2n+3}}{\Gamma (n+2)}{({\sum }_{i=1}^n{x}_i^2+1)}^{n+2}{e}^{-({\sum }_{i=1}^n{x}_i^2+1){\theta }^2},\theta >0\\ \\ -f({\theta }^2|x_1,\dots ,x_n)\theta =-\frac{{\theta }^{2n+3}}{\Gamma (n+2)}{({\sum }_{i=1}^n{x}_i^2+1)}^{n+2}{e}^{-({\sum }_{i=1}^n{x}_i^2+1){\theta }^2},\theta <0\end{array}$$