23北师大

真题

一、单项选择题（每题3分，共18分）

1. 已知 $P(A\cap B)=P(\bar{A}\cap \bar{B})$, 且 $P(A)=p$, 则 $P(B)=()$.
   A. $p$
   B. $1-p$
   C. $0$
   D. $2p$

2. 已知 $X\sim N(0,1),Y$ 以等概率取-1 和 $1,Z=X\cdot Z,X$ 与 $Y$ 独立, 下列错误的是 $()$.
   A. $Z$ 服从标准正态
   B. $X,Z$ 不相关
   C. $X,Z$ 不独立
   D. $(X,Z)$ 服从二维正态

3. $X,Y$ 独立服从同一种分布（参数不一定相同）, 且 $X+Y$ 也服从这种名称的分布, 则$X,Y$的分布不可能是 $()$.
   A. 正态
   B. 二项
   C. 指数
   D. 泊松

4. $X\sim N(0,1)$, $Y\sim {\chi }^2(m)$, $Z\sim {\chi }^2(n)$, 则正确的说法是$()$.
   A. $X^2\sim {\chi }^2(1)$
   B. $\frac{X}{\sqrt{Y/m}}\sim t(m)$
   C. $\frac{Y/m}{Z/n}\sim F(m,n)$
   D. 都对

5. 有来自 $\mathcal{P}(\lambda )$ 的 i.i.d. 样本 $X_1,\cdots ,X_n$, 则$E(n{\bar{X}}^2+S^2)=()$.
   A. $2\lambda$
   B. $n{\lambda }^2+\lambda$
   C. $\lambda +(n+1){\lambda }^2$
   D. $2\lambda +n{\lambda }^2$

6. 有来自 $N(\mu ,{\sigma }^2)$ 的 i.i.d. 样本 $X_1,\cdots ,X_n$, 记 $S_1^2$ 是${\sigma }^2$ 的MLE, $S_2^2$ 是样本方差, 则说法错误的是 $()$.
   A. $S_2^2$ 是 ${\sigma }^2$ 的MLE
   B. $S_1^2$ 的方差更小
   C. $S_2^2$ 是 ${\sigma }^2$ 的无偏估计
   D. $S_2$ 是 $\sigma$ 的有偏估计

二、填空题（每题3分，共30分）

1. 甲乙丙独立做题，做对概率分别是 $1/3,1/4,1/5$, 则至少有一人做对的概率是 $\underline{}$.

2. 已知 $\xi \sim U(0,5)$, 则方程 $4x^2+4\xi x+(\xi +2)=0$ 有实根的概率是 $\underline{}$.

3. 已知 $X,Y,Z$ i.i.d. 服从 $N(0,1)$, 则 $E\left(\frac{X^2}{X^2+Y^2+Z^2}\right)=\underline{}$.

4. 设 $\bar{X},S^2$ 是样本均值和样本方差, 而 ${\bar{X}}^2-c{S}^2$ 是总体均值平方的无偏估计, 则 $c=\underline{}$.

5. 已知 $X,Y$ i.i.d. 服从 $N(\mu ,{\sigma }^2)$, 则 $aX+bY$ 和 $aX-bY$ 的相关系数是 $\underline{}$.

6. 已知 $X,Y$ 不相关, $X\sim B(1,p_1)$, $Y\sim B(1,p_2)$, 则 $E(X^2{Y}^2)=\underline{}$.

7. 某校学生身高近似服从标准差为 $6$ 的正态分布, 对该校男生身高进行置信水 平为 $95\%$ 的区间估计, 若要求误差 $d_0$ 不超过 1 , 则至少要调查的样本数为 $\underline{}$.

8. 设 $X_1,\cdots ,X_n$ i.i.d. 服从 $U(0,1)$, 则 $E(X_{(n)})=\underline{}$.

9. 某设备发送 A.B 两种信号, 概率为 $1:2$, 发射 A 信号但误接收为 B 的概率 为 $0.02$, 发射 $\mathrm{B}$ 信号对但接收为 $\mathrm{A}$ 的概率为 $0.01$, 则在接收到 $\mathrm{A}$ 信号时发射 $\mathrm{A}$ 信号的概率为 $\underline{}$.

10. 某一零件正常工作概率 $0.95$, 一个机器有 100 个零件, 至少 90 个零件正常 工作则机器可正常运作, 问机器正常运作的概率为 $\underline{}$.

三、分析计算题（共102分）

1. (20分) 简述两种图示方法, 分析 $X_1,X_2,\cdots ,X_n$ 是否为正态分布.

2. (20分) 证明: $\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\bar{X}{)}^2=\frac{1}{2n(n-1)}{\sum }_{i=1}^n{\sum }_{j=1}^n(X_i-X_j{)}^2$, 并说明统计学意义.

3. (20分) 有两组独立样本: $X_1,\cdots ,X_n$ i.i.d. 服从 $N({\mu }_1,{\sigma }^2)$, $Y_1,\cdots ,Y_m$ i.i.d. 服从 $N({\mu }_2,{\sigma }^2)$.
   (1) 求 ${\mu }_1,{\mu }_2,{\sigma }^2$ 的MLE.
   (2) 请构造 $H_0:{\mu }_1={\mu }_2$ 的水平为 $\alpha$ 的拒绝域（备择假设是其对立）.
   (3) 请构造 $H_0:{\sigma }^2={\sigma }_0^2$ 的水平为 $\alpha$ 的拒绝域（备择假设是其对立）.

4. (20分) 已知 $X_1,\cdots ,X_n$ i.i.d. 来自总体 $X\sim N(\mu ,{\sigma }^2)$, 任意 $i,j$, $\mathrm{Corr}(X_i,X_j)=\rho$.
   (1) 求 $E(|X-\mu |)$;
   (2) 求 $\mu$ 的矩估计;
   (3) 证明: $\rho \ge -\frac{1}{n-1}$.

5. (12分) 设 $F(y_1,y_2,\cdots ,y_d)$ 为 $(Y_1,\cdots ,Y_d)$ 的联合分布函数, 而 $F_i(y_i)$ 是边际分布. 证明:
   $$\left|F\left(x_1,\cdots ,x_d\right)-F\left(y_1,\cdots ,y_d\right)\right|\le \sum _{i=1}^d\left|F\left(x_i\right)-F\left(y_i\right)\right|.$$
   先证 $d=2$ 时的情形, 再证明一般的情形.

6. (10分) 一元线性回归: $Y={\beta }_0+{\beta }_{1}X+\epsilon$, $\hat{Y}={\hat{\beta }}_0+{\hat{\beta }}_{1}X$, 其中 ${\hat{\beta }}_0,{\hat{\beta }}_1$ 是最小二乘估计. 证明皮尔逊相关系数的平方 $r^2$ 与拟合优度 $R^2$ 等价. 注意:
   $$r=\frac{\sum \left(X_i-\bar{X}\right)\cdot \left(Y_i-\bar{Y}\right)}{\sqrt{\sum {\left(X_i-\bar{X}\right)}^2\sum {\left(Y_i-\bar{Y}\right)}^2}},R^2=\frac{\sum {\left({\hat{Y}}_i-\bar{Y}\right)}^2}{\sum {\left(Y_i-\bar{Y}\right)}^2}.$$

解析

一、单项选择题（每题3分，共18分）

1. 已知 $P(A\cap B)=P(\bar{A}\cap \bar{B})$, 且 $P(A)=p$, 则 $P(B)=()$.
   A. $p$
   B. $1-p$
   C. $0$
   D. $2p$

Solution: 选 B.
利用德摩根公式, 有
$$P(AB)=P(\bar{A}\bar{B})=1-P(A\cup B)=1-P(A)-P(B)+P(AB),$$
解得 $P(B)=1-P(A)=1-p$.

2. 已知 $X\sim N(0,1),Y$ 以等概率取-1 和 $1,Z=X\cdot Z,X$ 与 $Y$ 独立, 下列错误的是 $()$.
   A. $Z$ 服从标准正态
   B. $X,Z$ 不相关
   C. $X,Z$ 不独立
   D. $(X,Z)$ 服从二维正态

Solution: 选 D.

23考研模考题原题重现. 可以验证$Z\sim N(0,1)$, 且$Cov\left(X,Z\right)=E\left(XZ\right)=E\left(X^{2}Y\right)=0$, 但是
$$\begin{array}{rl}P\left(X\le 1,Z\le 1\right)& =P\left(X\le 1,XY\le 1\right)\\ & =P\left(X\le 1,Y=1\right)+P\left(-1\le X\le 1,Y=-1\right)\\ & =\Phi \left(1\right)-\frac{1}{2}\Phi \left(-1\right),\end{array}$$
不过 $P\left(X\le 1\right)P\left(Z\le 1\right)={\Phi }^2\left(1\right)$, 它们不独立. 此外, 考虑 $X=x$ 时, $Z$ 只可能取 $\pm x$, 因此它们不是联合正态. 因为如果它们是联合正态, 那条件分布也会是正态.

3. $X,Y$ 独立服从同一种分布（参数不一定相同）, 且 $X+Y$ 也服从这种名称的分布, 则$X,Y$的分布不可能是 $()$.
   A. 正态
   B. 二项
   C. 指数
   D. 泊松

Solution: 选 C.
指数分布没有可加性, 即使它们参数一样时加在一起也是Gamma分布.

4. $X\sim N(0,1)$, $Y\sim {\chi }^2(m)$, $Z\sim {\chi }^2(n)$, 则正确的说法是$()$.
   A. $X^2\sim {\chi }^2(1)$
   B. $\frac{X}{\sqrt{Y/m}}\sim t(m)$
   C. $\frac{Y/m}{Z/n}\sim F(m,n)$
   D. 都对

Solution: 选 A.
如果没有强调独立性, 则 B,C 都不一定对.

5. 有来自 $\mathcal{P}(\lambda )$ 的 i.i.d. 样本 $X_1,\cdots ,X_n$, 则$E(n{\bar{X}}^2+S^2)=()$.
   A. $2\lambda$
   B. $n{\lambda }^2+\lambda$
   C. $\lambda +(n+1){\lambda }^2$
   D. $2\lambda +n{\lambda }^2$

Solution: 选 D.
$E({\bar{X}}^2)={\lambda }^2+\frac{\lambda }{n}$, $E(S^2)=\lambda$, 因此有
$$E(n{\bar{X}}^2+S^2)=n{\lambda }^2+2\lambda .$$

6. 有来自 $N(\mu ,{\sigma }^2)$ 的 i.i.d. 样本 $X_1,\cdots ,X_n$, 记 $S_1^2$ 是${\sigma }^2$ 的MLE, $S_2^2$ 是样本方差, 则说法错误的是 $()$.
   A. $S_2^2$ 是 ${\sigma }^2$ 的MLE
   B. $S_1^2$ 的方差更小
   C. $S_2^2$ 是 ${\sigma }^2$ 的无偏估计
   D. $S_2$ 是 $\sigma$ 的有偏估计

Solution: 选 A. 显然错误.

二、填空题（每题3分，共30分）

1. 甲乙丙独立做题，做对概率分别是 $1/3,1/4,1/5$, 则至少有一人做对的概率是 $\underline{}$.

Solution: $\frac{3}{5}$.
$$p=1-\frac{2}{3}\cdot \frac{3}{4}\cdot \frac{4}{5}=\frac{3}{5}.$$

2. 已知 $\xi \sim U(0,5)$, 则方程 $4x^2+4\xi x+(\xi +2)=0$ 有实根的概率是 $\underline{}$.

Solution: $\frac{3}{5}$.
判别式为 $\Delta =16{\xi }^2-16(\xi +2)=16({\xi }^2-\xi -2)=16(\xi +1)(\xi -2)$, 令其 $\ge 0$, 解得
{ Δ ≥ 0 } = { ξ ≤ − 1 } ∪ { ξ ≥ 2 } , \{\Delta \ge 0\}= \{\xi\le -1\}\cup\{\xi\ge2\}, {Δ≥0}={ξ≤−1}∪{ξ≥2},
故 $P(\Delta \ge 0)=P(\xi \ge 2)=\frac{3}{5}$.

3. 已知 $X,Y,Z$ i.i.d. 服从 $N(0,1)$, 则 $E\left(\frac{X^2}{X^2+Y^2+Z^2}\right)=\underline{}$.

Solution: $\frac{1}{3}$.

根据对称性, 有
$$E\left(\frac{X^2}{X^2+Y^2+Z^2}\right)=E\left(\frac{Y^2}{X^2+Y^2+Z^2}\right)=E\left(\frac{Z^2}{X^2+Y^2+Z^2}\right),$$
三者相加又是 $1$, 故显然答案是 $\frac{1}{3}$.

4. 设 $\bar{X},S^2$ 是样本均值和样本方差, 而 ${\bar{X}}^2-c{S}^2$ 是总体均值平方的无偏估计, 则 $c=\underline{}$.

Solution: $\frac{1}{n}$.

$E({\bar{X}}^2)={\mu }^2+\frac{1}{n}{\sigma }^2$, $E(S^2)={\sigma }^2$, 因此 $c=\frac{1}{n}$.

5. 已知 $X,Y$ i.i.d. 服从 $N(\mu ,{\sigma }^2)$, 则 $aX+bY$ 和 $aX-bY$ 的相关系数是 $\underline{}$.

Solution: $\frac{a^2-b^2}{a^2+b^2}$.

先求协方差, 有
$$Cov(aX+bY,aX-bY)=a^{2}Var(X)-b^{2}Var(Y)=(a^2-b^2){\sigma }^2,$$
同时再算方差, 有
$$Var(aX+bY)=Var(aX-bY)=(a^2+b^2){\sigma }^2,$$
故有 $\mathrm{Corr}(aX+bY,aX-bY)=\frac{a^2-b^2}{a^2+b^2}$.

6. 已知 $X,Y$ 不相关, $X\sim B(1,p_1)$, $Y\sim B(1,p_2)$, 则 $E(X^2{Y}^2)=\underline{}$.

Solution: $p_1{p}_2$.

由于两点分布不相关与独立等价, 故
$$E(X^2{Y}^2)=E(X^2)E(Y^2)=p_1{p}_2.$$

7. 某校学生身高近似服从标准差为 $6$ 的正态分布, 对该校男生身高进行置信水 平为 $95\%$ 的区间估计, 若要求误差 $d_0$ 不超过 1 , 则至少要调查的样本数为 $\underline{}$.

Solution: $139$.

$95\%$ 置信区间为
$$\left[\bar{x}-1.96\frac{6}{\sqrt{n}},\bar{x}+1.96\frac{6}{\sqrt{n}}\right],$$
令 $d_0=1.96\frac{6}{\sqrt{n}}\le 1$, 解得 $n\ge 138.298$.

8. 设 $X_1,\cdots ,X_n$ i.i.d. 服从 $U(0,1)$, 则 $E(X_{(n)})=\underline{}$.

Solution: $\frac{n}{n+1}$.

利用结论: $X_{(n)}\sim Beta(n,1)$, 我们有 $E(X_{(n)})=\frac{n}{n+1}$.

9. 某设备发送 A.B 两种信号, 概率为 $1:2$, 发射 A 信号但误接收为 B 的概率 为 $0.02$, 发射 $\mathrm{B}$ 信号对但接收为 $\mathrm{A}$ 的概率为 $0.01$, 则在接收到 $\mathrm{A}$ 信号时发射 $\mathrm{A}$ 信号的概率为 $\underline{}$.

Solution: $0.98$.

由贝叶斯公式, 有
$$P\left(\mathrm{in}:A|\mathrm{out}:A\right)=\frac{\frac{1}{3}\cdot 0.98}{\frac{1}{3}\cdot 0.98+\frac{2}{3}\cdot 0.01}=\mathrm{0.98.}$$

10. 某一零件正常工作概率 $0.95$, 一个机器有 100 个零件, 至少 90 个零件正常 工作则机器可正常运作, 问机器正常运作的概率为 $\underline{}$.

Solution: $\Phi \left(2.524\right)$.

设零件工作 $X_i=1$, 不工作 $X_i=0$, 则有 $X_i\sim B(1,0.95)$, 因此有 $Y={\sum }_{i=1}^{100}{X}_i\sim AN(95,4.75)$, 故有
$$P\left(\text{正常}\right)=P\left(Y\ge 90\right)=P\left(Y>89.5\right)=P\left(\frac{Y-95}{\sqrt{4.75}}>\frac{89.5-95}{\sqrt{4.75}}\right)=\Phi \left(2.524\right).$$

三、分析计算题（共102分）

1. (20分) 简述两种图示方法, 分析 $X_1,X_2,\cdots ,X_n$ 是否为正态分布.

Solution: 可以用概率图（Probability-probability Plot，P-P图）、分位数图（Quantile-quantile Plot，Q-Q图）、直方图等来判断正态性。

P-P图是以样本的累计频率作为横坐标，以按照正态分布计算的相应累计概率作为纵坐标，把样本值表现为直角坐标系中的散点。如果数据服从正态分布，则样本点应该围绕第一象限的对角线分布。

Q-Q图则是以样本的分位数作为横坐标，以按照正态分布计算的相应分位数作为纵坐标，把样本表现为直角坐标系的散点。如果资料服从正态分布，则样本点应该呈一条围绕第一象限对角线的直线。

直方图指的是将数据以直方图的形式呈现，并将每个直方图顶部的中点连线，观察连线是否呈现中间高两边低且对称的钟形分布。

2. (20分) 证明: $\frac{1}{n-1}{\sum }_{i=1}^n(X_i-\bar{X}{)}^2=\frac{1}{2n(n-1)}{\sum }_{i=1}^n{\sum }_{j=1}^n(X_i-X_j{)}^2$, 并说明统计学意义.

Solution: 作恒等变形, 有
恒等变形.
$$\begin{array}{rl}T:=\sum _{i=1}^n\sum _{j=1}^n{\left(X_i-X_j\right)}^2& =\sum _{i=1}^n\sum _{j=1}^n\left(X_i^2+X_j^2-2X_i{X}_j\right)\\ & =\sum _{i=1}^n\sum _{j=1}^n\left(X_i^2+X_j^2-2X_i{X}_j\right)\\ & =\sum _{i=1}^n\left(n{X}_i^2+\sum _{j=1}^n{X}_j^2-2n{X}_i\bar{X}\right)\\ & =n\sum _{i=1}^n{X}_i^2+n\sum _{j=1}^n{X}_j^2-2n^2{\bar{X}}^2\\ & =2n\left(\sum _{i=1}^n{X}_i^2-n{\bar{X}}^2\right),\end{array}$$
因此看出
$$T=\frac{{\sum }_{i=1}^n{X}_i^2-n{\bar{X}}^2}{n-1}=\frac{1}{n-1}\sum _{i=1}^n{\left(X_i-\bar{X}\right)}^2=S^2.$$

我们可以发现：$S^2$ 是样本方差，衡量数据的离散程度。而 $T$ 是两两样本之间距离平方的平均值，同样衡量数据的离散程度。

3. (20分) 有两组独立样本: $X_1,\cdots ,X_n$ i.i.d. 服从 $N({\mu }_1,{\sigma }^2)$, $Y_1,\cdots ,Y_m$ i.i.d. 服从 $N({\mu }_2,{\sigma }^2)$.
   (1) 求 ${\mu }_1,{\mu }_2,{\sigma }^2$ 的MLE.
   (2) 请构造 $H_0:{\mu }_1={\mu }_2$ 的水平为 $\alpha$ 的拒绝域（备择假设是其对立）.
   (3) 请构造 $H_0:{\sigma }^2={\sigma }_0^2$ 的水平为 $\alpha$ 的拒绝域（备择假设是其对立）.

Solution: (1) 写出似然函数
$$L\left({\mu }_1,{\mu }_2,{\sigma }^2\right)={\left(2\pi {\sigma }^2\right)}^{-\frac{m+n}{2}}\exp \left\{-\frac{1}{2{\sigma }^2}\left(\sum _{i=1}^n{\left(x_i-{\mu }_1\right)}^2+\sum _{i=1}^m{\left(y_i-{\mu }_2\right)}^2\right)\right\},$$

对数似然函数是
$$\ell \left({\mu }_1,{\mu }_2,{\sigma }^2\right)=A-\frac{m+n}{2}\ln \left({\sigma }^2\right)-\frac{1}{2{\sigma }^2}\left(\sum _{i=1}^n{\left(x_i-{\mu }_1\right)}^2+\sum _{i=1}^m{\left(y_i-{\mu }_2\right)}^2\right).$$
求导置零解得
$${\hat{\mu }}_1=\bar{x},{\hat{\mu }}_2=\bar{y},{\hat{\sigma }}^2=\frac{1}{m+n}\left(\sum _{i=1}^n{\left(x_i-\bar{x}\right)}^2+\sum _{i=1}^m{\left(y_i-\bar{y}\right)}^2\right).$$

(2) 由于
$$\frac{\left(\bar{x}-\bar{y}\right)-\left({\mu }_1-{\mu }_2\right)}{s_w\sqrt{\frac{1}{n}+\frac{1}{m}}}\sim t\left(m+n-2\right),$$
其中 $s_w^2$ 是联合样本方差, 即
$$s_w^2=\frac{1}{m+n-2}\left(\sum _{i=1}^n{\left(x_i-\bar{x}\right)}^2+\sum _{i=1}^m{\left(y_i-\bar{y}\right)}^2\right),$$
故在原假设成立时有检验统计量 $\frac{\bar{x}-\bar{y}}{s_w\sqrt{\frac{2}{n}}}\sim t(n-2)$, 故拒绝域是
$$W=\left\{\left|\frac{\bar{x}-\bar{y}}{s_w\sqrt{\frac{1}{n}+\frac{1}{m}}}\right|>t_{1-\frac{\alpha }{2}}\left(m+n-2\right)\right\}.$$

(3) 利用 $\frac{(m+n-2)s_w^2}{{\sigma }^2}\sim {\chi }^{(}m+n-2)$, 拒绝域是
$$W=\left\{\frac{\left(m+n-2\right)s_w^2}{{\sigma }_0^2}<{\chi }_{\frac{\alpha }{2}}^2\left(m+n-2\right)\right\}\cup \left\{\frac{\left(m+n-2\right)s_w^2}{{\sigma }_0^2}>{\chi }_{1-\frac{\alpha }{2}}^2\left(m+n-2\right)\right\}.$$

4. (20分) 已知 $X_1,\cdots ,X_n$ i.i.d. 来自总体 $X\sim N(\mu ,{\sigma }^2)$, 任意 $i,j$, $\mathrm{Corr}(X_i,X_j)=\rho$.
   (1) 求 $E(|X-\mu |)$;
   (2) 求 $\mu$ 的矩估计;
   (3) 证明: $\rho \ge -\frac{1}{n-1}$.

Solution: (1) $|X-\mu |=\sigma |Z|$, 其中 $Z\sim N(0,1)$, 因此有
$$E\left(|Z|\right)={\int }_{-\infty }^{+\infty }|z|\frac{1}{\sqrt{2\pi }}{e}^{-\frac{z^2}{2}}dz=\sqrt{\frac{2}{\pi }}{\int }_0^{+\infty }z{e}^{-\frac{z^2}{2}}dz=\sqrt{\frac{2}{\pi }}{\int }_0^{+\infty }{e}^{-u}du=\sqrt{\frac{2}{\pi }}.$$
故 $E(|X-\mu |)=\sigma \sqrt{\frac{2}{\pi }}$.

(2) 总体期望 $E(X)=\mu$, 由替换原理, $\hat{\mu }=\bar{x}$.

(3) 茆书原题, 利用相关系数矩阵的非负定性, 有
$$\begin{array}{rl}\left|\begin{array}{cccc}1& \rho & \cdots & \rho \\ \rho & 1& \cdots & \rho \\ ⋮& ⋮& & ⋮\\ \rho & \rho & \cdots & 1\end{array}\right|& =\left|\begin{array}{cccc}1+\left(n-1\right)\rho & 1+\left(n-1\right)\rho & \cdots & 1+\left(n-1\right)\rho \\ \rho & 1& \cdots & \rho \\ ⋮& ⋮& & ⋮\\ \rho & \rho & \cdots & 1\end{array}\right|\\ & =\left[1+\left(n-1\right)\rho \right]\left|\begin{array}{cccc}1& 1& \cdots & 1\\ \rho & 1& \cdots & \rho \\ ⋮& ⋮& & ⋮\\ \rho & \rho & \cdots & 1\end{array}\right|\\ & =\left[1+\left(n-1\right)\rho \right]\left|\begin{array}{cccc}1& 0& \cdots & 0\\ \rho & 1-\rho & \cdots & 0\\ ⋮& ⋮& & ⋮\\ \rho & 0& \cdots & 1-\rho \end{array}\right|\\ & =\left[1+\left(n-1\right)\rho \right]{\left(1-\rho \right)}^{n-1}.\end{array}$$
如果 $\rho =1$, 则相关系数矩阵的行列式为 0, 但也满足 $\rho \ge -\frac{1}{n-1}$. 如果 $\rho <1$, 那么 $(1-\rho {)}^{n-1}>0$, 因此非负定要求了 $1+(n-1)\rho \ge 0$, 故 $\rho \ge -\frac{1}{n-1}$.

5. (12分) 设 $F(y_1,y_2,\cdots ,y_d)$ 为 $(Y_1,\cdots ,Y_d)$ 的联合分布函数, 而 $F_i(y_i)$ 是边际分布. 证明:
   $$\left|F\left(x_1,\cdots ,x_d\right)-F\left(y_1,\cdots ,y_d\right)\right|\le \sum _{i=1}^d\left|F\left(x_i\right)-F\left(y_i\right)\right|.$$
   先证 $d=2$ 时的情形, 再证明一般的情形.

Solution: 这题23考研模考题押中原题. 先看 $d=2$, 简记 x ∧ y = min ⁡ { x , y } x\land y =\min\{x,y\} x∧y=min{x,y}, x ∨ y = max ⁡ { x , y } x\lor y =\max\{x,y\} x∨y=max{x,y}, 放缩, 有
$$\begin{array}{rl}\left|F\left(x_1,x_2\right)-F\left(y_1,y_2\right)\right|& =\left|F\left(x_1,x_2\right)-F\left(y_1,x_2\right)+F\left(y_1,x_2\right)-F\left(y_1,y_2\right)\right|\\ & \le \left|F\left(x_1,x_2\right)-F\left(y_1,x_2\right)\right|+\left|F\left(y_1,x_2\right)-F\left(y_1,y_2\right)\right|\\ & =P\left(x_1\wedge y_1<Y_1\le x_1\vee y_1,Y_2\le x_2\right)+P\left(Y_1\le y_1,x_2\wedge y_2<Y_1\le x_2\vee y_2\right)\\ & \le P\left(x_1\wedge y_1<Y_1\le x_1\vee y_1\right)+P\left(x_2\wedge y_2<Y_1\le x_2\vee y_2\right)\\ & =\left|F_1\left(x_1\right)-F_1\left(y_1\right)\right|+\left|F_2\left(x_2\right)-F_2\left(y_2\right)\right|.\end{array}$$

而对于一般的 $d$, 有
$$\begin{array}{rl}\left|F\left(x_1,\cdots ,x_{d-1},x_d\right)-F\left(y_1,\cdots ,y_{d-1},y_d\right)\right|& =\left|F\left(x_1,\cdots ,x_{d-1},x_d\right)-F\left(y_1,\cdots ,y_{d-1},x_d\right)+F\left(y_1,\cdots ,y_{d-1},x_d\right)-F\left(y_1,\cdots ,y_{d-1},y_d\right)\right|\\ & \le \left|F\left(x_1,\cdots ,x_{d-1},x_d\right)-F\left(y_1,\cdots ,y_{d-1},x_d\right)\right|+\left|F\left(y_1,\cdots ,y_{d-1},x_d\right)-F\left(y_1,\cdots ,y_{d-1},y_d\right)\right|\\ & \le \left|F_{1,d-1}\left(x_1,\cdots ,x_{d-1}\right)-F_{1,d-1}\left(y_1,\cdots ,y_{d-1}\right)\right|+\left|F_d\left(x_d\right)-F_d\left(y_d\right)\right|,\end{array}$$
因此 $d-1$ 时成立可推出 $d$ 时成立, 用归纳假设可以说明对一般的 $d$ 成立.

6. (10分) 一元线性回归: $Y={\beta }_0+{\beta }_{1}X+\epsilon$, $\hat{Y}={\hat{\beta }}_0+{\hat{\beta }}_{1}X$, 其中 ${\hat{\beta }}_0,{\hat{\beta }}_1$ 是最小二乘估计. 证明皮尔逊相关系数的平方 $r^2$ 与拟合优度 $R^2$ 等价. 注意:
   $$r=\frac{\sum \left(X_i-\bar{X}\right)\cdot \left(Y_i-\bar{Y}\right)}{\sqrt{\sum {\left(X_i-\bar{X}\right)}^2\sum {\left(Y_i-\bar{Y}\right)}^2}},R^2=\frac{\sum {\left({\hat{Y}}_i-\bar{Y}\right)}^2}{\sum {\left(Y_i-\bar{Y}\right)}^2}.$$

Solution:
$$r^2=\frac{l_{xy}^2}{l_{xx}{l}_{yy}}=\frac{{\hat{\beta }}_1^2{l}_{xx}}{l_{yy}}=\frac{{\sum }_{i=1}^n{\left[{\hat{\beta }}_1\left(X_i-\bar{X}\right)\right]}^2}{{\sum }_{i=1}^n{\left(Y_i-\bar{Y}\right)}^2}=\frac{{\sum }_{i=1}^n{\left({\hat{Y}}_i-\bar{Y}\right)}^2}{{\sum }_{i=1}^n{\left(Y_i-\bar{Y}\right)}^2}=R^2.$$