考研数学 · 概率统计易错点
这张图讲什么
「考研数学 · 概率统计易错点」是 SeekFlaw 编辑团队整理的思维导图,分 7 个一级分支:概率公式里最常写错的几处;独立与不相关:哪些推断不成立;分布函数、密度与随机变量的混淆;常见分布的参数与可加性;期望、方差与不等式的常见写错;统计量与点估计的常见错;区间估计与假设检验的常见错,共 74 个节点、73 张记忆卡,含 6 张配图。
这张图按「错因」整理概率论与数理统计:事件与概率公式、独立与不相关、分布函数与密度、常见分布的参数与可加性、期望方差与不等式、统计量与点估计、区间估计与假设检验,共七块。每张卡围绕一个最容易写反的结论或漏掉的条件,给出错写、错在哪、正确写法和一个可以自己重算的小例子。建议做完一章习题后,对照那一枝检查自己有没有同样的写法。
5 个要点
- 概率公式里最常写错的几处:事件的概率题,错多出在「公式条件没看就用」:加法公式漏减重叠部分,乘法公式默认独立,条件概率把条件写反…
- 独立与不相关:哪些推断不成立——独立与不相关的关系是选择题的常客:独立推出不相关要加上方差存在,不相关推不出独立,函数、线性组合、逐格验证里都有陷阱。
- 分布函数、密度与随机变量的混淆
- 常见分布的参数与可加性
- 期望、方差与不等式的常见写错
适用:考研备考。用法:点开任一节点先自己答,再翻面核对。
配图:平面上四个点 (1,0)、(−1,0)、(0,1)、(0,−1) 各占四分之一…;区间 (0, 1/2) 上高度为 2 的矩形,面积等于 1;取值 0 和 1 的随机变量的阶梯形分布函数,标出空心点与实心点;正态分布 N(1,4) 的密度曲线,左侧阴影为 x 不超过 3 的面积;数轴上样本 1、1、7 与矩估计 6、最大似然估计 7 的位置;自由度 9 的卡方分布密度曲线,两侧尾部各 0.025。
发布于
一句话:这张图把「考研数学 · 概率统计易错点」整理成 74 个节点、73 张记忆卡;点开节点翻面就能看答案。
按事件、独立与不相关、随机变量与分布、数字特征、估计与检验整理常见写错,每张卡一个错写、一个自编小算例,适合做题后对照查漏。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。
SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。
74 个节点 · 73 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-20。
先看这 3 条
- $P(A\cup B)=P(A)+P(B)$ 什么时候写错了:只有 $P(AB)=0$(例如 $A$、$B$ 互斥 )时才成立;一般要减去重叠部分:$P(A\cup B)=P(A)+P(B)-P(AB)$。
- $N(1,4)$ 里的 4 是标准差还是方差:$N(\mu,\sigma^2)$ 的第二个参数是 方差 ,所以 $N(1,4)$ 的标准差是 2。
- 置信水平提高,置信区间变宽还是变窄:会 变宽 :水平越高,$z_{\alpha/2}$ 越大;样本量 $n$ 越大,区间会 变窄 (宽度与 $\sqrt n$ 成反比)。
概率公式里最常写错的几处
- $P(A\cup B)=P(A)+P(B)$ 什么时候写错了:只有 $P(AB)=0$(例如 $A$、$B$ 互斥 )时才成立;一般要减去重叠部分:$P(A\cup B)=P(A)+P(B)-P(AB)$。 例 $P(A)=0.5$,$P(B)=0.4$,$P(AB)=0.2$:$P(A\cup B…
- 三个事件的并 $P(A\cup B\cup C)$ 最容易漏哪一项:最容易漏最后 加回来的三事件交那一项 ,即 $+P(ABC)$。 公式 $P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC)$。 例 ${A,B,C}$ 相互独立,概率都是 0…
- $P(A-B)=P(A)-P(B)$ 对吗:不对,它只在 $P(B)=P(AB)$(例如 $B\subset A$)这样的特殊情形成立;一般是 $P(A-B)=P(A)-P(AB)$。 例 $P(A)=0.6$,$P(B)=0.5$,$P(AB)=0.3$:$P(A-B)=0.6-…
- $P(AB)=P(A)P(B)$ 可以随便用吗:不可以,只有 $A$、$B$ 相互独立 时才成立;一般要用乘法公式 $P(AB)=P(A)P(B|A)$。 例 袋中 3 个红球、2 个白球,不放回地连取两个,$A$:第一次取到红球,$B$:第二次取到红球。$P(AB)=\frac35\…
- 德摩根律里并和交怎么互换:$\overline{A\cup B}=\bar A\bar B$,$\overline{AB}=\bar A\cup\bar B$:取对立事件时, 并变交、交变并 。 例 $P(A)=0.5$,$P(B)=0.4$,$P(AB)=0.2…
- $A$、$B$ 互斥,它们就一定独立吗:不一定,而且通常相反:$P(A)\gt 0$、$P(B)\gt 0$ 时,互斥的事件 一定不独立 。因为互斥时 $P(AB)=0$,而独立要求 $P(AB)=P(A)P(B)\gt 0$。 例 掷一颗骰子,$A$:点数为 1,$B$:点数…
- ${A,B,C}$ 两两独立,就相互独立吗:不一定。相互独立除了两两独立,还要 $P(ABC)=P(A)P(B)P(C)$。 例 掷两枚均匀硬币,$A$:第一枚正面,$B$:第二枚正面,$C$:两枚同面。$P(A)=P(B)=P(C)=\frac12$,$P(AB)=P(AC)=P…
- $P(A|B)$ 和 $P(B|A)$ 会不会写反:不是同一个量:$P(A|B)=\frac{P(AB)}{P(B)}$(要求 $P(B)\gt 0$),分母是 条件事件 的概率。 例 $P(A)=0.3$,$P(B)=0.5$,$P(AB)=0.12$:$P(A|B)=\frac{0.1…
- $P(A|B)+P(A|\bar B)=1$ 对吗:不对。同一个条件下才互补:$P(A|B)+P(\bar A|B)=1$;条件不同的两项相加没有这个关系。 例 $P(A)=0.4$,$P(B)=0.5$,$P(AB)=0.3$:$P(A|B)=0.6$,$P(A|\bar B)=\fra…
- 有放回与无放回抽样,概率为什么不同:有放回时每次抽取互相独立,每次的总体不变;无放回时前面的结果会改变后面的总体,要用乘法公式或组合数。 例 10 件产品中有 3 件次品,抽 2 件,求两件都是次品的概率:有放回 $\frac3{10}\times\frac3{10}=0.…
- 掷两颗骰子,点数和为 7 的概率为什么不是 $\frac1{11}$:和的 11 种取值 不是等可能 的;等可能的是 36 个有序点数对。 例 和为 7 的有序对是 $(1,6),(2,5),(3,4),(4,3),(5,2),(6,1)$,共 6 个,概率 $\frac6{36}=\frac16$;和为 …
- 全概率公式里的 $B_i$ 要满足什么条件:$B_1,\dots,B_n$ 必须 两两互斥 、并起来是 $\Omega$(不重不漏),并且 $P(B_i)\gt 0$;条件不满足时,不能把 $P(A|B_i)P(B_i)$ 直接相加。 例 掷一颗骰子,$A$ 为点数是 2 或 4,…
- 独立重复试验中「至少一次」与「恰好一次」怎么区分:「至少一次」用对立事件:$1-(1-p)^n$;「恰好一次」是二项概率:$np(1-p)^{n-1}$。 例 每次成功概率 $p=0.2$,试验 3 次:至少成功一次 $1-0.8^3=0.488$;恰好成功一次 $3\times0.2\…
- 贝叶斯公式的分母写成什么:分母是 $P(A)$,要用全概率公式把 所有划分项 都加起来:$P(B_j|A)=\frac{P(A|B_j)P(B_j)}{\sum_iP(A|B_i)P(B_i)}$,其中 $B_1,\dots,B_n$ 是不重不漏的划分,$P(A)…
独立与不相关:哪些推断不成立
- 不相关能推出独立吗:一般不能。$\operatorname{Cov}(X,Y)=0$ 只说明没有 线性 关系,独立要求联合分布处处等于边缘分布之积。 例 $(X,Y)$ 等可能地取 $(1,0)$、$(-1,0)$、$(0,1)$、$(0,-1)$ 四个点(…
- $X$、$Y$ 不相关,$X^2$、$Y^2$ 还不相关吗:不一定。独立的随机变量的函数仍然独立,但 不相关的随机变量的函数可以相关 。 例 $(X,Y)$ 等可能地取 $(1,0)$、$(-1,0)$、$(0,1)$、$(0,-1)$ 四个点,$X$、$Y$ 不相关。此时 $X^2+Y^2=1$…
- 两个事件的指示变量,不相关与独立等价吗:等价。设 $I_A$、$I_B$ 是事件 $A$、$B$ 的指示变量,则 $\operatorname{Cov}(I_A,I_B)=P(AB)-P(A)P(B)$,它为 0 恰好就是 $A$、$B$ 独立。 步骤 $E(I_AI_B)=P…
- $D(X+Y)=D(X-Y)$ 说明什么:说明 $X$、$Y$ 不相关 ,因为 $D(X+Y)-D(X-Y)=4\operatorname{Cov}(X,Y)$。 例 $D(X+Y)=7$,$D(X-Y)=7$,则 $\operatorname{Cov}(X,Y)=0$;若 $D…
- $n$ 个随机变量的方差可加,需要相互独立吗:不需要, 两两不相关 就够:$D\left(\sum X_i\right)=\sum D(X_i)+2\sum_{i\lt j}\operatorname{Cov}(X_i,X_j)$,协方差全为 0 时方差可加。 例 $D(X_1)=1…
- 线性变换后相关系数的符号怎么变:$\rho_{aX+b,\;cY+d}=\operatorname{sgn}(ac)\,\rho_{XY}$($a,c\ne0$):常数 ${b,d}$ 不影响 ,系数 ${a,c}$ 的 符号 才影响。 例 $\rho_{XY}=0.6…
- $X+Y$ 与 $X-Y$ 什么时候不相关:当 $X$、$Y$ 的 方差相等 时不相关,因为 $\operatorname{Cov}(X+Y,X-Y)=D(X)-D(Y)$,这个等式不需要 $X$、$Y$ 独立。 例 $X\sim N(0,1)$,$Y\sim N(0,4)$ 独立…
- 判断离散型随机变量独立,只验一格够吗:不够。要对联合分布表的 每一格 都验证 $P(X=x_i,Y=y_j)=P(X=x_i)P(Y=y_j)$,只要有一格不满足就不独立。 例 $X\in\{0,1\}$,$Y\in\{0,1,2\}$,联合分布 $P(0,0)=0.1$,$…
分布函数、密度与随机变量的混淆
- 概率密度 $f(x)$ 的值可以大于 1 吗:可以。$f(x)$ 不是概率,概率是 曲线下的面积 ,要求的是 $f(x)\ge0$ 且总面积为 1。 例 $X\sim U\left(0,\frac12\right)$,密度 $f(x)=2$($0\lt x\lt \frac12$):…
- $P(X\lt a)$ 和 $F(a)$ 是一回事吗:连续型时相等;一般情形下 $F(a)=P(X\le a)$,而 $P(X\lt a)=F(a-0)$($F$ 在 $a$ 处的 左极限 )。分布函数是 右连续 的。 例 $P(X=0)=0.3$,$P(X=1)=0.7$:$F(1)=1$…
- 求 $Y=g(X)$ 的密度,能直接代入 $f_X$ 吗:一般不能。$g$ 严格单调且可导时 $f_Y(y)=f_X(g^{-1}(y))\left|(g^{-1})'(y)\right|$,要乘上 反函数的导数的绝对值 (只有 $|g'|=1$ 时才不用乘);更稳妥的是先求分布函数 $F_Y(…
- $X$、$Y$ 独立同分布,$X+Y$ 和 ${2X}$ 一样吗:不一样。$X$、$Y$ 同分布不等于 $X=Y$:$D(X+Y)=2D(X)$,而 $D(2X)=4D(X)$。 例 $X$、$Y$ 独立且都服从 $N(0,1)$:$X+Y\sim N(0,2)$,$2X\sim N(0,4)$。 易错…
- 边缘分布能确定联合分布吗:不能。联合分布包含边缘分布,还包含两个变量之间的 依赖关系 ;边缘相同的联合分布可以有很多个。 例 $X,Y\in\{0,1\}$。甲:四个点概率都是 $\frac14$;乙:$P(0,0)=P(1,1)=\frac12$,另两点为 0。…
- 条件密度 $f_{X|Y}(x|y)$ 的分母是什么:分母是 条件变量 的边缘密度:$f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$,竖线右边的变量决定分母。 例 $f(x,y)=x+y$($0\lt x\lt 1$,$0\lt y\lt 1$):$f_Y(y)=\i…
- 独立同分布的 $X$、$Y$,$P(X\lt Y)$ 等于多少:连续型时是 $\frac12$:$X$、$Y$ 独立同分布,$P(X\lt Y)=P(Y\lt X)$,而 $P(X=Y)=0$。离散型时 $P(X=Y)\gt 0$, 不等于 $\frac12$。 例 $X$、$Y$ 独立同分布,均匀取…
- 密度能写成 $x$ 的函数乘 $y$ 的函数,就一定独立吗:不一定,要把 取值区域 也算进去:只有 $f(x,y)=f_X(x)f_Y(y)$ 在整个平面上(包括密度为 0 的部分)成立才独立;若 $x$ 的取值范围随 $y$ 而变,即密度取正值的区域不是「$x$ 的范围 × $y$ 的范围」的乘…
常见分布的参数与可加性
- $N(1,4)$ 里的 4 是标准差还是方差:$N(\mu,\sigma^2)$ 的第二个参数是 方差 ,所以 $N(1,4)$ 的标准差是 2。 例 $X\sim N(1,4)$:$P(X\le3)=\Phi\left(\frac{3-1}2\right)=\Phi(1)\appr…
- $P(|X-\mu|\lt k\sigma)$ 怎么用 $\Phi$ 表示:对 $X\sim N(\mu,\sigma^2)$,$P(|X-\mu|\lt k\sigma)=2\Phi(k)-1$($k\gt 0$),结果只由倍数 $k$ 决定, 与均值、标准差的具体数值无关 。 步骤 令 $Z=\frac{X-…
- 指数分布的参数 $\lambda$ 是期望还是它的倒数:密度写成 $f(x)=\lambda e^{-\lambda x}$($x\gt 0$)时,$\lambda$ 是 速率而不是平均值 :期望是 $\frac1\lambda$,方差是 $\frac1{\lambda^2}$。 例 $f(x…
- 几何分布的期望是 $\frac1p$ 还是 $\frac{1-p}p$:看 $X$ 表示什么。$X$ 是「 首次成功所需的试验次数 」(取值 $1,2,\dots$),$P(X=k)=(1-p)^{k-1}p$,$E(X)=\frac1p$;$Y=X-1$ 表示首次成功 之前的失败次数 ,$E(Y)=\fra…
- 二项分布的方差是 $np$ 吗:不是。$X\sim B(n,p)$ 时 $E(X)=np$,$D(X)=np(1-p)$;泊松分布才是期望和方差相等。 例 $X\sim B(10,0.3)$:$E(X)=3$,$D(X)=10\times0.3\times0.7=2.1…
- 独立正态变量相加,方差还是标准差相加:独立正态变量相加, 方差相加 ,标准差不相加:$X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$ 独立,则 $X\pm Y\sim N(\mu_1\pm\mu_2,\ \sigm…
- 两个二项分布相加,什么时候还是二项分布:要求两个变量 相互独立 ,且 成功概率相同 :$B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$。$p$ 不同时和一般 不再是二项分布 。 例 $X\sim B(1,0.2)$,$Y\sim B(1,0.6)$ 独立:$P(…
- 两个独立的指数分布之和还是指数分布吗:不是。$X_1,X_2$ 独立且都服从参数 $\lambda$ 的指数分布时,$X_1+X_2$ 的密度是 $\lambda^2xe^{-\lambda x}$($x\gt 0$),在 $x=0$ 处为 0,已经不是指数分布。 例 $\l…
- 二项分布什么时候近似泊松,什么时候近似正态:$n$ 大、$p$ 小($np$ 适中)时用 泊松近似 :$B(n,p)\approx P(np)$;$n$ 大、$p$ 不太小($np(1-p)$ 较大)时用 正态近似 :$B(n,p)\approx N(np,np(1-p))$。 例…
- 泊松分布的 $\lambda$ 要按题目给的时间折算吗:要。泊松分布的参数是 所考察时间(或区域)内 的平均次数,时间长度变了,$\lambda$ 要按比例折算。 例 某窗口平均每小时来 3 位顾客,顾客数服从泊松分布。20 分钟内的顾客数 $X\sim P(1)$:$P(X=0)=e^{-1…
期望、方差与不等式的常见写错
- $E(XY)=E(X)E(Y)$ 什么时候才成立:只有 $X$、$Y$ 不相关 (独立是它的特例)时才成立;一般 $E(XY)=E(X)E(Y)+\operatorname{Cov}(X,Y)$。 例 $X\sim U(0,1)$,$Y=X$:$E(XY)=E(X^2)=\frac13$…
- 方差公式里减去的是 $E(X)$ 还是 $[E(X)]^2$:$D(X)=E(X^2)-[E(X)]^2$,减去的是期望的 平方 。 例 $X$ 服从参数为 2 的泊松分布($E(X)=D(X)=2$):$E(X)=2$,$E(X^2)=D(X)+[E(X)]^2=2+4=6$。反过来用公式:$6-…
- $E[g(X)]$ 等于 $g(E(X))$ 吗:一般不等于;$g$ 是 线性函数 ($aX+b$)时一定相等。 例 $X$ 取 1、2 的概率各为 $\frac12$:$E\left(\frac1X\right)=\frac12\times1+\frac12\times\frac12=…
- $E[\max(X,Y)]$ 等于 $\max\{E(X),E(Y)\}$ 吗:不等于,一般 $E[\max(X,Y)]\ge\max\{E(X),E(Y)\}$;要先求 $\max(X,Y)$ 的分布再求期望。 例 ${X,Y}$ 独立,都服从 $U(0,1)$:$\max$ 的分布函数 $F(t)=t^2$,密度…
- 切比雪夫不等式的不等号朝哪边:$P(|X-\mu|\ge\varepsilon)\le\frac{\sigma^2}{\varepsilon^2}$: 偏离大的概率有上界 ;等价地 $P(|X-\mu|\lt \varepsilon)\ge1-\frac{\sigma…
- 密度函数关于原点对称,期望一定是 0 吗:不一定。期望存在要求 $\int_{-\infty}^{+\infty}|x|f(x)\,dx$ 收敛 ;不收敛时期望 不存在 ,谈不上等于 0。 例 $f(x)=\frac1{\pi(1+x^2)}$ 关于 0 对称,但 $\int_{…
- $D(aX+b)$ 等于多少:$D(aX+b)=a^2D(X)$:常数 $b$ 不影响 方差,系数 $a$ 要 平方 。 例 $D(X)=3$:$D(2-3X)=(-3)^2\times3=27$;写成 $-3\times3+2=-7$(方差不可能为负)或 $9\ti…
- 大数定律与中心极限定理,前提各是什么:独立同分布时,大数定律要 期望存在 ,中心极限定理要 方差存在 ;前提不满足时,样本均值可能不收敛于期望。 例 $X_i$ 独立,都服从标准柯西分布(密度 $\frac1{\pi(1+x^2)}$),期望不存在:$\bar X$ 仍服从标…
统计量与点估计的常见错
- 含未知参数的式子还是统计量吗:不是。统计量是 只由样本构成、不含任何未知参数 的函数。 例 总体 $N(\mu,\sigma^2)$,$\mu$ 未知:$\bar X$、$S^2$、$\max X_i$ 是统计量;$\bar X-\mu$、$\frac{\bar X-…
- 样本均值 $\bar X$ 的方差是 $\sigma^2$ 还是 $\frac{\sigma^2}n$:是 $\frac{\sigma^2}n$($X_i$ 独立同分布,总体方差为 $\sigma^2$);$\bar X$ 的 标准差 是 $\frac\sigma{\sqrt n}$。 例 $\sigma^2=16$,$n=4$:$D(\b…
- 卡方分布的自由度,什么时候是 $n$,什么时候是 $n-1$:总体 $N(\mu,\sigma^2)$ 中,均值 $\mu$ 已知时,$\sum\frac{(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$; 用样本均值 时,$\frac{(n-1)S^2}{\sigma^2}…
- t 统计量的分母用 $\sigma$ 还是 $S$:总体正态、$\sigma$ 未知 时用样本标准差:$\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$;$\sigma$ 已知时用 $\frac{\bar X-\mu}{\sigma/\sqrt n}\sim…
- 样本方差为什么除以 $n-1$:因为 $S^2=\frac1{n-1}\sum(X_i-\bar X)^2$ 才是 $\sigma^2$ 的 无偏估计 ;除以 $n$ 得到的二阶中心矩 $B_2$ 有偏:$E(B_2)=\frac{n-1}n\sigma^2$。 例 $…
- 无偏估计量的函数还是无偏的吗:不一定:线性函数 $aT+b$ 一定保持无偏,非线性函数一般不保持。 例 $\bar X$ 是 $\mu$ 的无偏估计,但 $\bar X^2$ 不是 $\mu^2$ 的无偏估计:$E(\bar X^2)=D(\bar X)+[E(\ba…
- 矩估计和最大似然估计的结果一样吗:不一定一样。总体 $U(0,\theta)$:矩估计由 $E(X)=\frac\theta2$ 得 $\hat\theta=2\bar X$;最大似然估计是 $\hat\theta=\max X_i$。 例 样本 1,2,3:$\bar …
区间估计与假设检验的常见错
- 置信水平提高,置信区间变宽还是变窄:会 变宽 :水平越高,$z_{\alpha/2}$ 越大;样本量 $n$ 越大,区间会 变窄 (宽度与 $\sqrt n$ 成反比)。 例 $\sigma=2$ 已知,$n=16$,半宽 $z_{\alpha/2}\cdot\frac\s…
- 95% 置信区间用 1.96 还是 1.645:双侧的 95% 置信区间用 $z_{0.025}=1.96$($\alpha=0.05$,两侧各 $\frac\alpha2$);$1.645=z_{0.05}$ 用在 单侧 的 95% 置信限或单边检验。 例 $\bar x=10$,$…
- $\sigma^2$ 的置信区间两个分位点怎么放:总体 $N(\mu,\sigma^2)$ 时,$\sigma^2$ 的 $1-\alpha$ 置信区间是 $\left(\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\…
- 假设检验里,想证明的结论放在 $H_0$ 还是 $H_1$:想 用样本证据支持 的结论放在备择假设 $H_1$;$H_0$ 放「没有变化、没有差异」的一面,且 $H_0$ 里带等号。 例 想检验「新工艺使平均寿命超过 1000 小时」:$H_0:\mu\le1000$(或 $\mu=1000$),…
- 没有拒绝 $H_0$,能说明 $H_0$ 成立吗:不能。没有拒绝 $H_0$,只说明 现有样本没有足够的证据 推翻它,不等于证明了 $H_0$ 为真。 例 $H_0:\mu=0$,$\sigma=1$,$n=4$,拒绝域 $\bar X\gt 0.8225$。真实 $\mu=1$ 时,样…
- 显著性水平 $\alpha$ 取得越小,检验越好吗:不是。样本量固定时,$\alpha$(第一类错误概率)减小,第二类错误概率 $\beta$ 会 增大 ,两者此消彼长。 例 $H_0:\mu=0$,$H_1:\mu\gt 0$,$\sigma=1$,$n=4$,$\bar X$ 的标准差…
- 第一类错误和第二类错误各是什么:第一类错误是 弃真 :$H_0$ 为真却被拒绝,概率记 $\alpha$;第二类错误是 取伪 :$H_0$ 为假却没有拒绝,概率记 $\beta$。 例 $H_0:\mu=0$,$H_1:\mu\gt 0$,$\sigma=1$,$n=4…
本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。