6.3单调似然比分布族的单边检验

单调似然比分布族的单边检验 完整讲解与推导

作为数理统计领域深耕多年的研究员，我将从背景起源→核心定义→定理推导→实例验证→归纳总结全链条，为你完整拆解这个假设检验的核心知识点。

一、背景引入：从NP引理的局限性到MLR的提出

Neyman-Pearson（NP）基本引理是假设检验的基石，它完美解决了简单原假设 ↔ 简单备择假设的最优势（MP）检验问题，给出了似然比检验的最优形式：

\[\text{当似然比} \ \lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)} \geq c \ \text{时拒绝} \ H_0 \]

其中\(c\)由显著性水平\(\alpha\)确定，保证\(P_{\theta_0}(\lambda(X)\geq c)=\alpha\)。

但NP引理的应用存在严格限制：它仅能处理两个单点参数的检验问题，而实际科研与工程中，我们几乎都面对复合假设检验，最典型的三类单边检验问题为：

1. \(H_0:\theta=\theta_0 \longleftrightarrow H_1:\theta=\theta_1 \ (\theta_1>\theta_0)\)（简单vs简单，NP引理可解）
2. \(H_0:\theta=\theta_0 \longleftrightarrow H_1:\theta>\theta_0\)（简单vs复合单边）
3. \(H_0:\theta\leq\theta_0 \longleftrightarrow H_1:\theta>\theta_0\)（复合vs复合单边，最常用）

对于复合假设，我们需要找到一致最优检验（UMPT）：即一个水平为\(\alpha\)的检验，对备择假设中所有的\(\theta\)，它都是该水平下的MP检验。

要让NP引理的最优性从“单个\(\theta_1\)”推广到“所有\(\theta>\theta_0\)”，就需要分布族满足一个核心性质——单调似然比（MLR）性质，这也是本节内容的核心。

---

二、单调似然比（MLR）分布族 定义详解

2.1 正式定义

设单参数分布族\(\{f(x,\theta),\theta\in\Theta\subset\mathbb{R}\}\)，\(f(x,\theta)\)为总体的概率密度（连续型）或分布律（离散型），若满足以下两个条件：

1. 可识别性条件：当\(\theta_1\neq\theta_2\)时，集合\(\{x:f(x,\theta_1)\neq f(x,\theta_2)\}\)的测度大于0。
   （含义：不同参数对应不同的分布，否则假设检验无意义，无法区分参数）
2. 似然比单调性条件：对任意\(\theta_1>\theta_0\)，似然比
   \[\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)} \]
   是统计量\(T=T(x)\)的非减函数，即：若\(T(x_1)\geq T(x_2)\)，则\(\lambda(x_1)\geq\lambda(x_2)\)。

则称该分布族关于统计量\(T=T(x)\)为单调似然比分布族，简称MLR分布族。

2.2 定义的核心解读

1. 非减而非严增：定义仅要求似然比随\(T(x)\)非减，而非严格递增，这大幅放宽了适用范围，覆盖了绝大多数常用的参数分布族。
2. 核心直觉：似然比\(\lambda(x)\)的含义是“观测到\(x\)时，样本来自\(\theta_1\)的可能性/来自\(\theta_0\)的可能性”。MLR性质说明：\(T(x)\)越大，样本来自更大参数\(\theta\)的可能性越高，也就是越支持备择假设\(H_1:\theta>\theta_0\)。
3. 最优检验的形式统一：正因为似然比的单调性，\(\lambda(x)\geq c\)（NP引理的拒绝域）可以等价转化为\(T(x)\geq c\)，这个形式不依赖于具体的\(\theta_1\)，只和\(T(x)\)有关，这是UMPT存在的核心前提。

2.3 典型MLR分布族验证（实例）

绝大多数常用的单参数分布都属于MLR分布族，且均为单参数指数型分布族，这里给出核心验证：

例1：伯努利分布族\(B(1,p)\)

分布律：\(f(x,p)=p^x(1-p)^{1-x},x\in\{0,1\},p\in(0,1)\)
任取\(p_1>p_0\)，似然比：

\[\lambda(x)=\frac{f(x,p_1)}{f(x,p_0)}=\left(\frac{p_1(1-p_0)}{p_0(1-p_1)}\right)^x \cdot \frac{1-p_1}{1-p_0} \]

因\(p_1>p_0\)，故\(\frac{p_1(1-p_0)}{p_0(1-p_1)}>1\)，\(\lambda(x)\)是\(x\)的严增函数，因此该分布族关于\(T(x)=x\)是MLR分布族。

例2：正态分布族\(N(\mu,1)\)（方差已知）

密度函数：\(f(x,\mu)=\frac{1}{\sqrt{2\pi}}\exp\left\{-\frac{(x-\mu)^2}{2}\right\},\mu\in\mathbb{R}\)
任取\(\mu_1>\mu_0\)，似然比：

\[\lambda(x)=\exp\left\{(\mu_1-\mu_0)x - \frac{\mu_1^2-\mu_0^2}{2}\right\} \]

因\(\mu_1-\mu_0>0\)，\(\lambda(x)\)是\(x\)的严增函数，因此该分布族关于\(T(x)=x\)是MLR分布族。

例3：单参数指数型分布族的通用结论

单参数指数型分布族的标准形式为：

\[f(x,\theta)=C(\theta)\exp\left\{Q(\theta)T(x)\right\}h(x) \]

若\(Q(\theta)\)是\(\theta\)的严格单调函数，则该分布族一定是MLR分布族：

• \(Q(\theta)\)严增：似然比是\(T(x)\)的严增函数，关于\(T(x)\)为MLR分布族；
• \(Q(\theta)\)严减：似然比是\(-T(x)\)的严增函数，关于\(-T(x)\)为MLR分布族。

---

三、MLR分布族单边检验的核心定理与完整证明

我们分两步给出核心定理：先解决简单原假设vs复合备择的UMPT，再推广到最常用的复合原假设vs复合备择的场景。

3.1 定理1：简单原假设的单边UMPT

定理内容

设单参数分布族\(\{f(x,\theta),\theta\in\Theta\}\)关于统计量\(T=T(x)\)是MLR分布族，对于检验问题

\[H_0:\theta=\theta_0 \quad \longleftrightarrow \quad H_1:\theta>\theta_0 \]

则水平为\(\alpha\)的UMPT存在，且检验函数（拒绝规则）为：

\[\phi(x)= \begin{cases} 1, & T(x) > c \\ r, & T(x) = c \\ 0, & T(x) < c \end{cases}\]

其中常数\(c\)和\(r(0\leq r\leq1)\)由显著性水平\(\alpha\)确定，满足：

\[E_{\theta_0}[\phi(X)] = P_{\theta_0}(T(X)>c) + r P_{\theta_0}(T(X)=c) = \alpha \]

同时，该检验的势函数\(\beta(\theta)=E_\theta[\phi(X)]\)是\(\theta\)的非减函数。

---

完整证明

证明分为两部分：1. 证明\(\phi(x)\)是UMPT；2. 证明势函数的单调性

第一部分：证明\(\phi(x)\)是该检验问题的UMPT

1. 任取一个固定的\(\theta_1>\theta_0\)，考虑简单vs简单的检验问题\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta=\theta_1\)。
   根据NP引理，该问题水平为\(\alpha\)的MP检验，拒绝域为似然比\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)} \geq k\)，其中\(k\)满足\(P_{\theta_0}(\lambda(X)\geq k)=\alpha\)。

2. 由MLR分布族的定义，\(\theta_1>\theta_0\)时，\(\lambda(x)\)是\(T(x)\)的非减函数，因此有等价关系：

   \[\lambda(x) \geq k \quad \Longleftrightarrow \quad T(x) \geq c \]

   其中\(c\)是与\(k\)对应的常数：

   • 连续型分布：\(T(x)\)是连续随机变量，\(P(T(x)=c)=0\)，无需随机化，\(r=0\)，拒绝域为\(T(x)>c\)；
   • 离散型分布：\(T(x)\)是离散随机变量，\(P(T(x)\geq c)\)可能无法恰好等于\(\alpha\)，因此在\(T(x)=c\)处引入随机化因子\(r\)，补足显著性水平。

3. 关键结论：上述等价关系中，\(c\)和\(r\)仅由\(\theta_0\)和\(\alpha\)确定，与具体的\(\theta_1\)无关。
   也就是说，对于任意的\(\theta_1>\theta_0\)，该检验\(\phi(x)\)都是水平为\(\alpha\)的MP检验。根据UMPT的定义，\(\phi(x)\)就是该检验问题水平为\(\alpha\)的UMPT。

第二部分：证明势函数\(\beta(\theta)=E_\theta[\phi(X)]\)是\(\theta\)的非减函数

要证：对任意\(\theta_2>\theta_1\)，有\(\beta(\theta_2)\geq\beta(\theta_1)\)。

1. 考虑检验问题\(H_0':\theta=\theta_1 \leftrightarrow H_1':\theta=\theta_2\)，\(\theta_2>\theta_1\)。由MLR性质，该问题的水平为\(\alpha'=\beta(\theta_1)\)的MP检验，形式同样为\(\phi(x)\)。

2. 根据NP引理的核心结论：任何MP检验在备择假设下的势，一定不小于检验的水平，即：

   \[E_{\theta_2}[\phi(X)] \geq E_{\theta_1}[\phi(X)] \]

   也就是\(\beta(\theta_2)\geq\beta(\theta_1)\)，得证。

   补充严谨推导（协方差不等式法）：
   \(\phi(x)\)是\(T(x)\)的非减函数，\(\lambda(x)=\frac{f(x,\theta_2)}{f(x,\theta_1)}\)也是\(T(x)\)的非减函数，根据切比雪夫协方差不等式：两个非减函数的协方差非负，即

   \[Cov_{\theta_1}(\phi(X),\lambda(X)) = E_{\theta_1}[\phi(X)\lambda(X)] - E_{\theta_1}[\phi(X)]E_{\theta_1}[\lambda(X)] \geq 0 \]

   而\(E_{\theta_1}[\lambda(X)] = \int \frac{f(x,\theta_2)}{f(x,\theta_1)} \cdot f(x,\theta_1) dx = 1\)，因此

   \[E_{\theta_1}[\phi(X)\lambda(X)] = E_{\theta_2}[\phi(X)] = \beta(\theta_2) \geq E_{\theta_1}[\phi(X)] = \beta(\theta_1) \]

---

3.2 定理2：复合原假设的单边UMPT

定理内容

在定理1的MLR分布族条件下，对于最常用的检验问题

\[H_0:\theta\leq\theta_0 \quad \longleftrightarrow \quad H_1:\theta>\theta_0 \]

定理1给出的检验函数\(\phi(x)\)，同样是该问题水平为\(\alpha\)的UMPT。

---

完整证明

复合原假设的检验，对水平的要求是：对所有\(\theta\in H_0\)（即\(\theta\leq\theta_0\)），都有\(E_\theta[\phi(X)] \leq \alpha\)，即势函数在原假设参数空间上的上确界不超过\(\alpha\)。证明分为两步：

1. 证明\(\phi(x)\)是该问题水平为\(\alpha\)的检验
   由定理1，我们已经证明\(\beta(\theta)=E_\theta[\phi(X)]\)是\(\theta\)的非减函数。因此，对所有\(\theta\leq\theta_0\)，有：

   \[\beta(\theta) \leq \beta(\theta_0) = \alpha \]

   完全满足水平为\(\alpha\)的检验的要求。

2. 证明\(\phi(x)\)是该问题的UMPT
   任取一个水平为\(\alpha\)的检验\(\phi'(x)\)，即对所有\(\theta\leq\theta_0\)，有\(E_\theta[\phi'(X)] \leq \alpha\)。
   对任意的\(\theta_1>\theta_0\)，考虑简单vs简单的检验问题\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta=\theta_1\)：

   • \(\phi(x)\)是该问题水平为\(\alpha\)的MP检验；
   • \(\phi'(x)\)是该问题的一个水平\(\leq\alpha\)的检验（因\(E_{\theta_0}[\phi'(X)] \leq \alpha\)）。

   根据NP引理，MP检验的势是所有同水平检验中最大的，因此：

   \[E_{\theta_1}[\phi(X)] \geq E_{\theta_1}[\phi'(X)] \]

   由于\(\theta_1>\theta_0\)是任意的，因此\(\phi(x)\)对备择假设中所有的\(\theta\)，都具有最大的势，即\(\phi(x)\)是该检验问题水平为\(\alpha\)的UMPT。

---

3.3 对称结论：左侧单边检验的UMPT

对于左侧单边检验问题

\[H_0:\theta\geq\theta_0 \quad \longleftrightarrow \quad H_1:\theta<\theta_0 \]

基于MLR分布族的对称性，水平为\(\alpha\)的UMPT为：

\[\phi(x)= \begin{cases} 1, & T(x) < c \\ r, & T(x) = c \\ 0, & T(x) > c \end{cases}\]

其中\(c,r\)满足\(E_{\theta_0}[\phi(X)]=\alpha\)，证明过程与右侧检验完全对称，核心是\(\theta_1<\theta_0\)时，似然比随\(T(x)\)减小而增大，因此拒绝域为\(T(x)<c\)。

---

四、完整实例：正态总体均值的单边UMPT

设\(X_1,X_2,\dots,X_n\)是来自正态总体\(N(\mu,1)\)的独立同分布样本，求检验问题\(H_0:\mu\leq0 \leftrightarrow H_1:\mu>0\)的水平为\(\alpha\)的UMPT。

步骤1：验证MLR性质

样本联合密度为：

\[f(x,\mu) = (2\pi)^{-n/2} \exp\left\{ -\frac{1}{2}\sum_{i=1}^n (x_i-\mu)^2 \right\} = (2\pi)^{-n/2}\exp\left\{-\frac{1}{2}\sum x_i^2\right\} \cdot \exp\left\{n\mu \bar{x} - \frac{n\mu^2}{2}\right\} \]

任取\(\mu_1>\mu_0\)，似然比：

\[\lambda(x)=\frac{f(x,\mu_1)}{f(x,\mu_0)} = \exp\left\{n(\mu_1-\mu_0)\bar{x} - \frac{n(\mu_1^2-\mu_0^2)}{2}\right\} \]

因\(\mu_1-\mu_0>0\)，\(\lambda(x)\)是\(\bar{x}\)的严增函数，因此该分布族关于\(T(x)=\bar{x}\)是MLR分布族。

步骤2：确定UMPT的形式

根据定理2，UMPT的形式为：

\[\phi(x)= \begin{cases} 1, & \bar{x} > c \\ 0, & \bar{x} \leq c \end{cases}\]

（正态分布为连续型，无需随机化，\(r=0\)）

步骤3：确定临界值\(c\)

由\(E_{\mu=0}[\phi(X)]=\alpha\)，即\(P_{\mu=0}(\bar{X}>c)=\alpha\)。
当\(\mu=0\)时，\(\bar{X} \sim N(0,1/n)\)，因此\(\sqrt{n}\bar{X} \sim N(0,1)\)，则：

\[P_{\mu=0}(\bar{X}>c) = P(\sqrt{n}\bar{X} > \sqrt{n}c) = 1-\Phi(\sqrt{n}c) = \alpha \]

其中\(\Phi(\cdot)\)为标准正态分布的分布函数，因此\(\Phi(\sqrt{n}c)=1-\alpha\)，得\(\sqrt{n}c=z_{1-\alpha}\)，即\(c=\frac{z_{1-\alpha}}{\sqrt{n}}\)（\(z_{1-\alpha}\)为标准正态分布的\(1-\alpha\)分位数）。

最终结论

该检验问题的水平为\(\alpha\)的UMPT为：当样本均值\(\bar{X} > \frac{z_{1-\alpha}}{\sqrt{n}}\)时拒绝原假设\(H_0\)，否则不拒绝\(H_0\)，这与我们常用的单边Z检验完全一致，也验证了常用单边检验的最优性。

---

五、知识点归纳总结表

分类	核心内容	关键性质/条件	补充说明
单调似然比（MLR）分布族定义	单参数分布族\(f(x,\theta)\)满足： 1. 可识别性：\(\theta_1≠\theta_2\)时，\(\mu\{f(x,\theta_1)≠f(x,\theta_2)\}>0\) 2. 似然比单调性：\(\theta_1>\theta_0\)时，\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)}\)是\(T(x)\)的非减函数	1. 仅要求似然比非减，不要求严增，覆盖范围更广 2. 核心逻辑：\(T(x)\)越大，越支持\(\theta\)更大的备择假设	单参数指数型分布族天然满足MLR性质，是最常见的MLR分布族来源
简单原假设右侧单边检验UMPT （\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta>\theta_0\)）	水平为\(\alpha\)的UMPT检验函数： $$\phi(x)=\begin{cases}1, & T(x)>c \ r, & T(x)=c \ 0, & T(x)<c\end{cases}$$ \(c,r\)满足\(E_{\theta_0}[\phi(X)]=\alpha\)	1. 检验形式仅由\(T(x)\)决定，与备择假设的具体\(\theta_1\)无关 2. 对所有\(\theta>\theta_0\)，均为最优势检验	连续型分布无需随机化，\(r=0\)；离散型分布用\(r\)补足显著性水平
复合原假设右侧单边检验UMPT （\(H_0:\theta≤\theta_0 \leftrightarrow H_1:\theta>\theta_0\)）	上述\(\phi(x)\)同样是该问题水平为\(\alpha\)的UMPT	1. 势函数\(\beta(\theta)\)是\(\theta\)的非减函数 2. 原假设上\(\beta(\theta)≤\beta(\theta_0)=\alpha\)，满足水平要求	实际应用最广泛的形式，常用的Z检验、t检验、泊松分布检验的单边形式均属于此类
左侧单边检验UMPT （\(H_0:\theta≥\theta_0 \leftrightarrow H_1:\theta<\theta_0\)）	水平为\(\alpha\)的UMPT检验函数： $$\phi(x)=\begin{cases}1, & T(x)<c \ r, & T(x)=c \ 0, & T(x)>c\end{cases}$$ \(c,r\)满足\(E_{\theta_0}[\phi(X)]=\alpha\)	与右侧检验对称，似然比随\(T(x)\)减小而增大，拒绝域为\(T(x)<c\)	势函数仍为\(\theta\)的非减函数，保证原假设上的水平约束
MLR分布族势函数性质	检验的势函数\(\beta(\theta)=E_\theta[\phi(X)]\)是\(\theta\)的非减函数	1. 复合原假设的检验水平在\(\theta=\theta_0\)处达到最大值 2. 备择假设中，\(\theta\)离\(\theta_0\)越远，检验的势越高，检验效果越好	是复合原假设检验满足水平要求的核心依据
常见MLR分布族与对应统计量\(T(x)\)	1. 伯努利分布\(B(1,p)\)：\(T(x)=\sum_{i=1}^n x_i\) 2. 泊松分布\(P(\lambda)\)：\(T(x)=\sum_{i=1}^n x_i\) 3. 正态分布\(N(\mu,\sigma^2)\)（\(\sigma^2\)已知）：\(T(x)=\bar{x}\) 4. 指数分布\(Exp(\beta)\)：\(T(x)=-\sum_{i=1}^n x_i\)	均属于单参数指数型分布族，天然满足MLR性质	多参数分布族固定冗余参数后，单参数部分仍可满足MLR性质

---

核心逻辑闭环

NP引理解决了简单vs简单的最优检验 → MLR性质保证了所有备择假设下的MP检验形式统一为\(T(x)\geq c\) → 得到简单原假设单边检验的UMPT → 势函数的单调性保证了复合原假设下的水平约束，最终得到了实际中最常用的复合单边检验的UMPT。这也是现代参数假设检验的核心理论基础。

习题讲解

例题完整讲解与全分布推导验证

本题的核心是验证三类经典单参数分布族均为单调似然比（MLR）分布族，我会先拆解例题中两点分布的推导细节，再补全例题提及的正态分布、泊松分布的完整验证，最后总结核心规律。

---

一、先回顾MLR分布族的核心定义

对于单参数分布族\(\{f(x,\theta),\theta\in\Theta\}\)，若满足：

1. 可识别性：\(\theta_1\neq\theta_2\)时，不同参数对应分布有差异；
2. 单调性：对任意\(\theta_1>\theta_0\)，似然比\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)}\)是统计量\(T(x)\)的非减（增）函数。

则称该分布族关于\(T(x)\)为MLR分布族，这是单边假设检验存在一致最优检验（UMPT）的核心前提。

---

二、两点分布（伯努利分布）\(b(1,\theta)\)的MLR完整验证

1. 样本联合分布推导

设\(X_1,X_2,\dots,X_n\)独立同分布，均服从参数为\(\theta\)的两点分布，单个样本的分布律为：

\[f(x_i,\theta) = \theta^{x_i}(1-\theta)^{1-x_i}, \quad x_i\in\{0,1\}, \theta\in(0,1) \]

\(n\)个独立样本的联合分布律（似然函数）为各样本分布的乘积：

\[f(x,\theta) = \prod_{i=1}^n \theta^{x_i}(1-\theta)^{1-x_i} \]

对式子化简：

• 记充分统计量\(T=T(x)=\sum_{i=1}^n x_i\)（样本中取值为1的总个数）；
• \(\theta\)的幂次合并为\(\theta^{\sum_{i=1}^n x_i}=\theta^T\)；
• \((1-\theta)\)的幂次合并为\((1-\theta)^{\sum_{i=1}^n (1-x_i)}=(1-\theta)^{n-T}\)。

最终得到联合分布的简洁形式：

\[f(x,\theta) = \theta^{T}(1-\theta)^{n-T}, \quad T=\sum_{i=1}^n x_i \]

2. 似然比计算与单调性验证

任取\(\theta_1>\theta_0\)（\(\theta_1,\theta_0\in(0,1)\)），计算似然比：

\[\lambda(x) = \frac{f(x,\theta_1)}{f(x,\theta_0)} = \frac{\theta_1^{T}(1-\theta_1)^{n-T}}{\theta_0^{T}(1-\theta_0)^{n-T}} \]

将式子重组，把含\(T\)的项与常数项拆分：

\[\lambda(x) = \left( \frac{\theta_1}{\theta_0} \cdot \frac{1-\theta_0}{1-\theta_1} \right)^T \cdot \left( \frac{1-\theta_1}{1-\theta_0} \right)^n \]

单调性分析：

• 因\(\theta_1>\theta_0\)，故\(\frac{\theta_1}{\theta_0}>1\)、\(\frac{1-\theta_0}{1-\theta_1}>1\)，因此底数\(\frac{\theta_1(1-\theta_0)}{\theta_0(1-\theta_1)}>1\)；
• 指数函数\(a^T\)当\(a>1\)时，是关于\(T\)的严格增函数；\(\left( \frac{1-\theta_1}{1-\theta_0} \right)^n\)是与样本无关的常数，不影响单调性。

因此，似然比\(\lambda(x)\)是\(T(x)=\sum_{i=1}^n x_i\)的严格增函数，完全满足MLR分布族的定义。

---

三、正态分布\(N(0,\sigma^2)\)的MLR完整验证（例题提及，补全推导）

1. 样本联合分布推导

设\(X_1,X_2,\dots,X_n\)独立同分布，均服从均值为0、方差为\(\sigma^2\)的正态分布，单个样本的概率密度为：

\[f(x_i,\sigma^2) = \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left\{ -\frac{x_i^2}{2\sigma^2} \right\}, \quad x_i\in\mathbb{R}, \sigma^2>0 \]

\(n\)个独立样本的联合密度为：

\[f(x,\sigma^2) = \prod_{i=1}^n \frac{1}{\sqrt{2\pi\sigma^2}} \exp\left\{ -\frac{x_i^2}{2\sigma^2} \right\} \]

化简后：

\[f(x,\sigma^2) = (2\pi\sigma^2)^{-n/2} \exp\left\{ -\frac{1}{2\sigma^2} T(x) \right\}, \quad T(x)=\sum_{i=1}^n x_i^2 \]

2. 似然比计算与单调性验证

取单参数\(\theta=\sigma^2\)，任取\(\sigma_1^2 > \sigma_0^2>0\)，计算似然比：

\[\lambda(x) = \frac{f(x,\sigma_1^2)}{f(x,\sigma_0^2)} = \left( \frac{\sigma_0^2}{\sigma_1^2} \right)^{n/2} \cdot \exp\left\{ \frac{T(x)}{2} \left( \frac{1}{\sigma_0^2} - \frac{1}{\sigma_1^2} \right) \right\} \]

单调性分析：

• 因\(\sigma_1^2>\sigma_0^2\)，故\(\frac{1}{\sigma_0^2} - \frac{1}{\sigma_1^2} > 0\)，指数部分为关于\(T(x)\)的正系数线性项；
• 指数函数\(\exp\{k\cdot T(x)\}\)当\(k>0\)时，是关于\(T(x)\)的严格增函数，常数项不影响单调性。

因此，该正态分布族关于\(T(x)=\sum_{i=1}^n x_i^2\)是MLR分布族。

---

四、泊松分布\(P(\lambda)\)的MLR完整验证（例题提及，补全推导）

1. 样本联合分布推导

设\(X_1,X_2,\dots,X_n\)独立同分布，均服从参数为\(\lambda\)的泊松分布，单个样本的分布律为：

\[f(x_i,\lambda) = \frac{\lambda^{x_i} e^{-\lambda}}{x_i!}, \quad x_i=0,1,2,\dots, \lambda>0 \]

\(n\)个独立样本的联合分布律为：

\[f(x,\lambda) = \prod_{i=1}^n \frac{\lambda^{x_i} e^{-\lambda}}{x_i!} \]

化简后：

\[f(x,\lambda) = \left( \prod_{i=1}^n \frac{1}{x_i!} \right) \cdot \lambda^{T(x)} e^{-n\lambda}, \quad T(x)=\sum_{i=1}^n x_i \]

2. 似然比计算与单调性验证

任取\(\lambda_1>\lambda_0>0\)，计算似然比（与样本无关的常数项直接约去）：

\[\lambda(x) = \frac{f(x,\lambda_1)}{f(x,\lambda_0)} = \left( \frac{\lambda_1}{\lambda_0} \right)^{T(x)} \cdot e^{-n(\lambda_1-\lambda_0)} \]

单调性分析：

• 因\(\lambda_1>\lambda_0\)，故底数\(\frac{\lambda_1}{\lambda_0}>1\)，\(\left( \frac{\lambda_1}{\lambda_0} \right)^{T(x)}\)是关于\(T(x)\)的严格增函数；
• 常数项\(e^{-n(\lambda_1-\lambda_0)}\)不影响单调性。

因此，泊松分布族关于\(T(x)=\sum_{i=1}^n x_i\)是MLR分布族。

---

五、核心规律与汇总表

1. 本质共性

这三类分布均属于单参数指数型分布族，其标准形式为：

\[f(x,\theta) = C(\theta) \exp\left\{ Q(\theta) T(x) \right\} h(x) \]

只要\(Q(\theta)\)是\(\theta\)的严格单调函数，该分布族就一定是MLR分布族，这也是三类分布天然满足MLR性质的根本原因。

2. 三类分布核心信息汇总

分布类型	单参数	充分统计量\(T(x)\)	似然比单调性	MLR核心依据
两点分布\(b(1,\theta)\)	成功概率\(\theta\in(0,1)\)	\(\sum_{i=1}^n x_i\)	关于\(T(x)\)严格增	\(Q(\theta)=\ln\frac{\theta}{1-\theta}\)是\(\theta\)的严格增函数
正态分布\(N(0,\sigma^2)\)	方差\(\sigma^2>0\)	\(\sum_{i=1}^n x_i^2\)	关于\(T(x)\)严格增	\(Q(\theta)=-\frac{1}{2\sigma^2}\)是\(\sigma^2\)的严格增函数
泊松分布\(P(\lambda)\)	强度\(\lambda>0\)	\(\sum_{i=1}^n x_i\)	关于\(T(x)\)严格增	\(Q(\theta)=\ln\lambda\)是\(\lambda\)的严格增函数

3. 应用价值

验证这三类分布的MLR性质后，可直接套用单边检验的UMPT定理，得到对应参数单边检验的一致最优检验，这也是日常使用的比例检验、方差单边检验、泊松计数检验的理论最优性依据。

---

单参数指数族MLR性质 完整讲解与深度推导

本题是单调似然比（MLR）分布族最核心的通用结论：所有满足自然参数单调的单参数指数族，天然是MLR分布族。此前的伯努利、泊松、正态分布均是该通用结论的特例，下面我将从前置定义、完整推导、细节解读、拓展补充四个维度，完整拆解这个知识点。

---

一、前置核心定义回顾

1. 单参数指数型分布族的标准形式

本题给出的是单参数指数族的标准正则形式：

\[f(x,\theta) = h(x)\exp\left\{ Q(\theta)T(x) - b(\theta) \right\} \]

各符号的含义与约束：

• \(h(x) \geq 0\)：仅与样本\(x\)有关的非负函数，与参数\(\theta\)无关；
• \(T(x)\)：样本的充分统计量（由因子分解定理可直接证明）；
• \(Q(\theta)\)：仅与参数\(\theta\)有关的函数，称为自然参数，是决定单调性的核心；
• \(b(\theta)\)：仅与参数\(\theta\)有关的累积量生成函数，作用是保证密度/分布律的积分为1，满足正则性条件；
• 可识别性：当\(\theta_1 \neq \theta_2\)时，\(\mu\{f(x,\theta_1)\neq f(x,\theta_2)\}>0\)，即不同参数对应不同分布，是MLR定义的前提条件。

2. MLR分布族的核心定义

对于单参数分布族\(\{f(x,\theta), \theta\in\Theta\}\)，若对任意\(\theta_1 > \theta_0\)，似然比

\[\lambda(x) = \frac{f(x,\theta_1)}{f(x,\theta_0)} \]

是统计量\(T(x)\)的非减（增）函数，则称该分布族关于\(T(x)\)为单调似然比分布族（MLR分布族）。

---

二、完整推导与单调性证明

步骤1：写出似然比的完整表达式

任取\(\theta_1 > \theta_0\)，将指数族形式代入似然比定义：

\[\lambda(x) = \frac{f(x,\theta_1)}{f(x,\theta_0)} = \frac{h(x)\exp\left\{ Q(\theta_1)T(x) - b(\theta_1) \right\}}{h(x)\exp\left\{ Q(\theta_0)T(x) - b(\theta_0) \right\}} \]

步骤2：化简似然比

1. 分子分母的\(h(x)\)完全相同，且与参数\(\theta\)无关，直接约去，不影响似然比的单调性；
2. 利用指数运算性质\(\frac{\exp(A)}{\exp(B)} = \exp(A-B)\)，将分式转化为单指数形式：

\[\lambda(x) = \exp\left\{ \left[ Q(\theta_1)T(x) - b(\theta_1) \right] - \left[ Q(\theta_0)T(x) - b(\theta_0) \right] \right\} \]

步骤3：整理指数项，拆分核心变量与常数项

将含\(T(x)\)的项合并，与样本无关的常数项分离：

\[\lambda(x) = \exp\left\{ \underbrace{\left[ Q(\theta_1) - Q(\theta_0) \right]}_{\text{系数}k} \cdot T(x) - \underbrace{\left[ b(\theta_1) - b(\theta_0) \right]}_{\text{常数}C} \right\} \]

步骤4：严格证明单调性

本题给出核心条件：\(Q(\theta)\)是\(\theta\)的增函数，结合\(\theta_1 > \theta_0\)，可直接得到：

\[Q(\theta_1) - Q(\theta_0) > 0 \]

即系数\(k>0\)，由此可分两步证明单调性：

1. 指数内的核心项\(k\cdot T(x) - C\)：\(k>0\)，因此该项是\(T(x)\)的严格增函数，常数项\(C\)不改变单调性；
2. 外层的指数函数\(\exp(\cdot)\)是定义域上的严格增函数，严格增函数的复合仍为严格增函数。

因此，整个似然比\(\lambda(x)\)是\(T(x)\)的严格增函数，完全满足MLR分布族的定义，该单参数指数族是关于\(T(x)\)的MLR分布族。

---

三、关键细节拓展与补充

1. 对称情况：\(Q(\theta)\)为\(\theta\)的严格减函数

若\(Q(\theta)\)是\(\theta\)的严格减函数，则当\(\theta_1 > \theta_0\)时，\(Q(\theta_1)-Q(\theta_0) < 0\)，此时：

• 似然比\(\lambda(x)\)是\(T(x)\)的严格减函数；
• 等价于\(\lambda(x)\)是\(-T(x)\)的严格增函数，因此该分布族关于\(-T(x)\)是MLR分布族。

示例：指数分布\(Exp(\lambda)\)，密度为\(f(x,\lambda)=\lambda e^{-\lambda x}(x>0)\)，写成指数族形式为：

\[f(x,\lambda) = \exp\left\{ -\lambda \cdot x + \ln\lambda \right\} \]

其中\(Q(\lambda)=-\lambda\)是\(\lambda\)的严格减函数，\(T(x)=x\)，因此该分布族关于\(-T(x)=-x\)是MLR分布族。

2. 该结论的核心价值

这个通用结论是MLR分布族的最核心充分条件，几乎所有常用的单参数分布（伯努利、二项、泊松、正态、指数、伽马、几何分布等）都属于单参数指数族，只需验证\(Q(\theta)\)的单调性，即可直接判断MLR性质，无需每次重新计算似然比，大幅简化了单边检验UMPT的求解过程。

3. 与前序例题的对应关系

此前验证的三类分布，均是该通用结论的特例：

分布类型	指数族形式的\(Q(\theta)\)	\(Q(\theta)\)的单调性	MLR对应的统计量\(T(x)\)
伯努利分布\(b(1,\theta)\)	\(\ln\left( \frac{\theta}{1-\theta} \right)\)	严格增	\(\sum_{i=1}^n x_i\)
泊松分布\(P(\lambda)\)	\(\ln\lambda\)	严格增	\(\sum_{i=1}^n x_i\)
正态分布\(N(0,\sigma^2)\)	\(-\frac{1}{2\sigma^2}\)	严格增	\(\sum_{i=1}^n x_i^2\)

---

四、核心结论总结

1. 通用定理：正则单参数指数族\(f(x,\theta) = h(x)\exp\left\{ Q(\theta)T(x) - b(\theta) \right\}\)，若\(Q(\theta)\)是\(\theta\)的严格单调函数，则该分布族一定是MLR分布族。
2. 单调性对应规则：
   • \(Q(\theta)\)严格增 → 关于\(T(x)\)为MLR分布族；
   • \(Q(\theta)\)严格减 → 关于\(-T(x)\)为MLR分布族。
3. 应用延伸：满足该性质的分布族，其单边假设检验一定存在一致最优检验（UMPT），检验形式可直接由\(T(x)\)的阈值确定，是参数假设检验的核心理论基础。

---

均匀分布R(0,θ)的MLR分布族验证 完整讲解与深度推导

本题是单调似然比（MLR）分布族的经典非指数族案例，和此前的指数族例子形成关键区分，我将从前置概念、分步推导、细节解读、核心拓展四个维度，完整拆解这个知识点。

---

一、前置核心概念回顾

1. 基础分布与符号说明

• 均匀分布\(R(0,\theta)\)（也记\(U(0,\theta)\)）：区间\((0,\theta)\)上的连续均匀分布，单个样本\(X_1\)的概率密度为：
  \[f(x_1,\theta) = \frac{1}{\theta} I\{0 \leq x_1 \leq \theta\}, \quad \theta>0 \]
  其中\(I\{A\}\)为指示函数：事件\(A\)发生时取1，不发生时取0，是本例题的核心化简工具。
• 顺序统计量：对\(n\)个独立样本\(X_1,X_2,\dots,X_n\)，记
  • \(x_{(1)} = \min\{X_1,X_2,\dots,X_n\}\)（样本最小值）
  • \(x_{(n)} = \max\{X_1,X_2,\dots,X_n\}\)（样本最大值）
    核心等价关系：所有样本满足\(0\leq X_i \leq \theta\)，当且仅当\(x_{(1)}\geq0\)且\(x_{(n)}\leq\theta\)。
• MLR分布族定义：对单参数分布族\(\{f(x,\theta),\theta\in\Theta\}\)，若对任意\(\theta_1>\theta_0\)，似然比\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)}\)是统计量\(T(x)\)的非减函数，则称该分布族关于\(T(x)\)为MLR分布族。

2. 本例题的特殊性

均匀分布\(R(0,\theta)\)的支撑集（密度非零的区域）与参数\(\theta\)相关，不属于单参数指数族，是MLR分布族的典型非指数族案例，证明了MLR分布族的覆盖范围比单参数指数族更广。

---

二、完整分步推导与证明

步骤1：推导样本的联合概率密度

设\(X_1,X_2,\dots,X_n\)独立同分布于\(R(0,\theta)\)，独立样本的联合密度为单个样本密度的乘积：

\[f(x,\theta) = \prod_{i=1}^n f(x_i,\theta) = \prod_{i=1}^n \left[ \frac{1}{\theta} I\{0 \leq x_i \leq \theta\} \right] \]

对式子进行拆分化简：

1. 常数项：\(\prod_{i=1}^n \frac{1}{\theta} = \frac{1}{\theta^n}\)；
2. 指示函数项：\(\prod_{i=1}^n I\{0 \leq x_i \leq \theta\}\)，根据顺序统计量的等价关系，所有样本满足\(0\leq x_i\leq\theta\)，等价于最小值非负、最大值不超过\(\theta\)，因此：
   \[\prod_{i=1}^n I\{0 \leq x_i \leq \theta\} = I\{x_{(1)}\geq0\} \cdot I\{x_{(n)}\leq\theta\} \]

最终得到联合密度的简洁形式：

\[f(x,\theta) = \frac{1}{\theta^n} I\{x_{(1)}\geq0\} I\{x_{(n)}\leq\theta\} \]

---

步骤2：计算似然比\(\lambda(x)\)

任取\(\theta_1>\theta_0>0\)，根据似然比定义，代入联合密度：

\[\lambda(x) = \frac{f(x,\theta_1)}{f(x,\theta_0)} = \frac{\frac{1}{\theta_1^n} I\{x_{(1)}\geq0\} I\{x_{(n)}\leq\theta_1\}}{\frac{1}{\theta_0^n} I\{x_{(1)}\geq0\} I\{x_{(n)}\leq\theta_0\}} \]

化简规则：

1. 仅考虑分布的支撑集（密度非零区域），即\(I\{x_{(1)}\geq0\}=1\)，分子分母的该项可直接约去；
2. 常数项合并为\(\left( \frac{\theta_0}{\theta_1} \right)^n\)，因\(\theta_1>\theta_0>0\)，该项为正的常数。

最终化简为：

\[\lambda(x) = \left( \frac{\theta_0}{\theta_1} \right)^n \cdot \frac{I\{x_{(n)}\leq\theta_1\}}{I\{x_{(n)}\leq\theta_0\}} \]

---

步骤3：分段分析似然比的核心项\(U(x_{(n)})\)

记\(U(x_{(n)}) = \frac{I\{x_{(n)}\leq\theta_1\}}{I\{x_{(n)}\leq\theta_0\}}\)，结合\(\theta_1>\theta_0\)的前提，对\(x_{(n)}\geq0\)分区间讨论：

1. 区间1：\(0 \leq x_{(n)} \leq \theta_0\)
   \(x_{(n)}\leq\theta_0\)自然满足\(x_{(n)}\leq\theta_1\)，因此分子\(I\{x_{(n)}\leq\theta_1\}=1\)，分母\(I\{x_{(n)}\leq\theta_0\}=1\)，得\(U(x_{(n)})=1\)。

2. 区间2：\(\theta_0 < x_{(n)} \leq \theta_1\)
   \(x_{(n)}>\theta_0\)，分母\(I\{x_{(n)}\leq\theta_0\}=0\)；\(x_{(n)}\leq\theta_1\)，分子\(I\{x_{(n)}\leq\theta_1\}=1\)，因此\(U(x_{(n)})=+\infty\)（表示似然比趋于无穷，样本来自\(\theta_1\)的可能性远大于\(\theta_0\)）。

3. 区间3：\(x_{(n)} > \theta_1\)
   分子分母的指示函数均为0，属于两个分布的支撑集之外，无统计意义，无需讨论。

因此\(U(x_{(n)})\)的分段形式为：

\[U(x_{(n)}) = \begin{cases} 1, & 0 \leq x_{(n)} \leq \theta_0 \\ +\infty, & \theta_0 < x_{(n)} \leq \theta_1 \end{cases}\]

---

步骤4：证明似然比的单调性，验证MLR性质

1. 证明\(U(x_{(n)})\)是\(x_{(n)}\)的非减函数
   非减函数的定义：若\(x_1 \leq x_2\)，则\(g(x_1) \leq g(x_2)\)。

   • 当\(x_{(n)}\)从0增加到\(\theta_0\)时，\(U(x_{(n)})\)恒为1，满足非减；
   • 当\(x_{(n)}\)超过\(\theta_0\)进入\((\theta_0,\theta_1]\)区间时，\(U(x_{(n)})\)从1跳变到\(+\infty\)，是向上跳变，仍满足非减。
     因此\(U(x_{(n)})\)是\(x_{(n)}\)的非减函数。

2. 证明\(\lambda(x)\)是\(x_{(n)}\)的非减函数
   似然比\(\lambda(x) = \left( \frac{\theta_0}{\theta_1} \right)^n \cdot U(x_{(n)})\)，其中\(\left( \frac{\theta_0}{\theta_1} \right)^n\)是正的常数。
   正的常数乘以非减函数，结果仍为非减函数；且\(\lambda(x)\)是\(U(x_{(n)})\)的严格增一次函数，复合后\(\lambda(x)\)是\(x_{(n)}\)的非减函数。

3. 最终结论
   对任意\(\theta_1>\theta_0\)，似然比\(\lambda(x)\)是\(T(x)=x_{(n)}\)的非减函数，完全符合MLR分布族的定义，因此该分布族关于\(T(x)=x_{(n)}\)为MLR分布族。

---

三、关键细节与易错点解读

1. 指示函数的核心作用
   均匀分布的支撑集与参数相关，必须通过指示函数明确密度非零的区域，若直接忽略指示函数，会导致似然比计算完全错误，这是本题最容易出错的点。

2. 非减函数的判定边界
   MLR分布族仅要求似然比为非减函数，不要求严格增，本题中\(U(x_{(n)})\)的向上跳变、区间内恒值的情况，均满足非减的要求，符合MLR的定义。

3. 统计量的充分性
   本题中\(T(x)=x_{(n)}\)是参数\(\theta\)的充分统计量，这也是MLR分布族的共性：MLR对应的统计量一定是参数的充分统计量，符合因子分解定理的结论。

---

四、拓展应用：对应单边检验的UMPT

既然该分布族是MLR分布族，根据单边检验的UMPT定理，对于最常用的检验问题：

\[H_0:\theta \leq \theta_0 \quad \longleftrightarrow \quad H_1:\theta > \theta_0 \]

其水平为\(\alpha\)的一致最优检验（UMPT）为：

\[\phi(x)= \begin{cases} 1, & x_{(n)} > c \\ r, & x_{(n)} = c \\ 0, & x_{(n)} < c \end{cases}\]

其中临界值\(c\)由\(P_{\theta_0}(x_{(n)}>c) + rP_{\theta_0}(x_{(n)}=c) = \alpha\)确定。
因\(x_{(n)}\)是连续型随机变量，\(P(x_{(n)}=c)=0\)，无需随机化，最终拒绝域为\(x_{(n)} > \theta_0 \cdot (1-\alpha)^{1/n}\)，这也是均匀分布参数单边检验的最优形式。

---

五、核心知识点汇总表

项目	核心内容	关键说明
分布类型	区间\((0,\theta)\)上的均匀分布\(R(0,\theta)\)	支撑集与参数\(\theta\)相关，非单参数指数族
样本联合密度	\(f(x,\theta) = \frac{1}{\theta^n} I\{x_{(1)}\geq0\} I\{x_{(n)}\leq\theta\}\)	核心化简依赖顺序统计量的等价关系
MLR对应的统计量	\(T(x) = x_{(n)}\)（样本最大值）	是参数\(\theta\)的充分统计量
似然比形式	\(\lambda(x) = \left( \frac{\theta_0}{\theta_1} \right)^n \cdot \frac{I\{x_{(n)}\leq\theta_1\}}{I\{x_{(n)}\leq\theta_0\}}\)	分段非减，随\(x_{(n)}\)增大而非减
核心结论	该分布族关于\(x_{(n)}\)为MLR分布族	是MLR分布族的经典非指数族案例
对应检验的UMPT	拒绝域为\(x_{(n)} > c\)，\(c=\theta_0 \cdot (1-\alpha)^{1/n}\)	单边检验的一致最优检验，由MLR性质保证

---

MLR分布族单边检验的MPT与UMPT 完整讲解与严谨推导

作为数理统计领域深耕60余年的研究员，我将从前置核心定义→引理的严谨证明→NP引理与MLR的本质联系→三类检验的最优性证明→核心知识点归纳全链条，为你完整拆解这个假设检验的核心理论体系，所有推导均做到步骤无跳跃、逻辑可追溯。

---

一、前置核心定义回顾（所有推导的基础）

在正式讲解前，我们先明确4个贯穿始终的核心概念，确保推导逻辑的一致性：

1. MLR分布族：单参数分布族\(\{f(x,\theta),\theta\in\Theta\}\)，若对任意\(\theta_1>\theta_0\)，似然比\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)}=h(T(x))\)是统计量\(T(x)\)的非减函数，则称其为关于\(T(x)\)的单调似然比分布族。
2. 检验函数\(\phi(x)\)：随机化检验的通用形式，取值规则为：
   • \(\phi(x)=1\)：拒绝原假设\(H_0\)；
   • \(\phi(x)=0\)：不拒绝原假设\(H_0\)；
   • \(\phi(x)=\gamma\in(0,1)\)：当\(T(x)=k\)时，以概率\(\gamma\)随机拒绝\(H_0\)（用于离散分布补足显著性水平）。
3. 检验的水平与势：
   • 水平\(\alpha\)：原假设成立时，第一类错误概率的上界，即\(E_{\theta\in H_0}[\phi(X)] \leq \alpha\)；
   • 势函数\(\beta(\theta)=E_\theta[\phi(X)]\)：备择假设下，检验拒绝\(H_0\)的概率，势越大，检验的区分能力越强。
4. MPT与UMPT：
   • MPT（最优势检验）：针对简单原假设↔简单备择假设，在所有水平为\(\alpha\)的检验中，备择假设下势最大的检验；
   • UMPT（一致最优检验）：针对复合备择假设，在所有水平为\(\alpha\)的检验中，对备择假设空间内的每一个\(\theta\)，都能达到最大势的检验（即对所有备择参数都是MPT）。
5. Neyman-Pearson（NP）基本引理：简单vs简单检验问题中，水平为\(\alpha\)的检验\(\phi(x)\)是MPT的充要条件为：存在常数\(c\geq0\)，使得
   \[\phi(x)= \begin{cases} 1, & \lambda(x) > c \\ \gamma, & \lambda(x) = c \\ 0, & \lambda(x) < c \end{cases}\]
   且满足\(E_{\theta_0}[\phi(X)]=\alpha\)。

---

二、引理6.3.1的完整讲解与严谨证明

引理内容

对于MLR分布族，定义检验函数：

\[\phi^*(x) = \begin{cases} 1, & T(x) > k \\ \gamma, & T(x) = k \\ 0, & T(x) < k \end{cases} \tag{6.3.1}\]

则对任意给定的\(0<\alpha<1\)，必存在常数\(k\)和\(\gamma\in[0,1]\)，使得\(E_{\theta_0}[\phi^*(X)]=\alpha\)。

---

完整证明

该引理的核心是：无论统计量\(T(X)\)是连续型还是离散型，都能找到对应的\(k\)和\(\gamma\)，使检验的第一类错误概率精确等于显著性水平\(\alpha\)。

步骤1：定义\(T(X)\)在原假设下的分布函数

记原假设\(H_0:\theta=\theta_0\)下，统计量\(T(X)\)的累积分布函数（CDF）为：

\[F_0(t) = P_{\theta_0}(T(X) \leq t) \]

根据分布函数的通用性质，\(F_0(t)\)满足：非减、右连续，且\(F_0(-\infty)=0\)，\(F_0(+\infty)=1\)。

步骤2：将检验的期望转化为分布函数的形式

检验函数的期望（即原假设下的拒绝概率）为：

\[E_{\theta_0}[\phi^*(X)] = P_{\theta_0}(T(X) > k) + \gamma \cdot P_{\theta_0}(T(X) = k) \]

利用分布函数的性质，对两项分别变形：

1. \(P_{\theta_0}(T(X) > k) = 1 - P_{\theta_0}(T(X) \leq k) = 1 - F_0(k)\)
2. \(P_{\theta_0}(T(X) = k) = F_0(k) - F_0(k^-)\)，其中\(F_0(k^-)=\lim_{t\to k^-}F_0(t)\)是\(F_0(t)\)在\(k\)点的左极限（跳跃高度）。

因此，期望可改写为：

\[1 - F_0(k) + \gamma \cdot \left[ F_0(k) - F_0(k^-) \right] = \alpha \tag{1} \]

步骤3：分情况证明\(k\)和\(\gamma\)的存在性

我们分两种通用情况，证明总能找到满足条件的\(k\)和\(\gamma\)：

情况1：连续型统计量（无跳跃点）

若\(T(X)\)是连续型随机变量，则\(F_0(t)\)是连续函数，\(P_{\theta_0}(T(X)=k)=0\)（即\(F_0(k)-F_0(k^-)=0\)）。
此时式(1)简化为：

\[1 - F_0(k) = \alpha \implies F_0(k) = 1-\alpha \]

由于\(F_0(t)\)连续且严格非减，必然存在唯一的\(k=F_0^{-1}(1-\alpha)\)，取\(\gamma=0\)即可满足\(E_{\theta_0}[\phi^*(X)]=\alpha\)。

情况2：离散型统计量（存在跳跃点）

若\(T(X)\)是离散型随机变量，\(F_0(t)\)存在跳跃点，可能不存在\(k\)使得\(F_0(k)=1-\alpha\)。此时必然存在唯一的\(k\)，使得：

\[F_0(k^-) < 1-\alpha \leq F_0(k) \]

将该不等式变形，可得：

\[1 - F_0(k) < \alpha \leq 1 - F_0(k^-) \]

我们从式(1)中解出\(\gamma\)：

\[\gamma = \frac{\alpha - \left[ 1 - F_0(k) \right]}{F_0(k) - F_0(k^-)} \]

结合上述不等式，可证明\(\gamma\in[0,1]\)：

• 分子：\(\alpha - (1-F_0(k)) \geq (1-F_0(k)) - (1-F_0(k)) = 0\)
• 分母：\(F_0(k)-F_0(k^-)>0\)，且\(\alpha \leq 1-F_0(k^-)\)，因此分子\(\leq F_0(k)-F_0(k^-)\)，即\(\gamma\leq1\)。

因此，离散型场景下，也必然存在满足条件的\(k\)和\(\gamma\)。

最终结论

无论\(T(X)\)是连续型还是离散型，都存在\(k\)和\(\gamma\in[0,1]\)，使得\(E_{\theta_0}[\phi^*(X)]=\alpha\)，引理得证。

---

三、MLR分布族与NP引理的本质联系

引理给出的\(\phi^*(x)\)是基于统计量\(T(x)\)的阈值检验，而NP引理的最优检验是基于似然比\(\lambda(x)\)的阈值检验，二者的核心联系由MLR的单调性保证，下面我们严谨证明用户给出的两个核心包含关系。

核心前提

MLR分布族的似然比\(\lambda(x)=h(T(x))\)是\(T(x)\)的非减函数，记\(c=h(k)\)，我们需要证明：

1. \(\{T(x) > k\} \supset \{ \lambda(x) > c \}\)（即\(\lambda(x)>c \implies T(x)>k\)）
2. \(\{T(x) < k\} \supset \{ \lambda(x) < c \}\)（即\(\lambda(x)<c \implies T(x)<k\)）

---

包含关系的严谨证明

1. 证明\(\{ \lambda(x) > c \} \subset \{ T(x) > k \}\)

反证法：假设存在样本\(x\)，使得\(\lambda(x)>c\)但\(T(x)\leq k\)。
由于\(h(T(x))\)是\(T(x)\)的非减函数，若\(T(x)\leq k\)，则必有\(h(T(x))\leq h(k)\)，即\(\lambda(x)\leq c\)，与\(\lambda(x)>c\)的前提矛盾。
因此假设不成立，\(\lambda(x)>c\)必然推出\(T(x)>k\)，包含关系得证。

2. 证明\(\{ \lambda(x) < c \} \subset \{ T(x) < k \}\)

反证法：假设存在样本\(x\)，使得\(\lambda(x)<c\)但\(T(x)\geq k\)。
由于\(h(T(x))\)是\(T(x)\)的非减函数，若\(T(x)\geq k\)，则必有\(h(T(x))\geq h(k)\)，即\(\lambda(x)\geq c\)，与\(\lambda(x)<c\)的前提矛盾。
因此假设不成立，\(\lambda(x)<c\)必然推出\(T(x)<k\)，包含关系得证。

---

核心推论

1. 若\(h(T(x))\)是\(T(x)\)的严格增函数（MLR的特殊情况），则上述包含关系退化为等式：\(\{T(x)>k\}=\{\lambda(x)>c\}\)，\(\{T(x)<k\}=\{\lambda(x)<c\}\)，此时\(\phi^*(x)\)与NP引理的最优检验形式完全一致。
2. 若\(h(T(x))\)是非减非严格增函数（MLR的一般情况），则\(\phi^*(x)\)与NP引理的最优检验，在\(\lambda(x)\neq c\)的区域取值完全一致，仅在\(\lambda(x)=c\)的边界区域可能存在差异，而这一差异不影响检验的最优性。

---

四、三类单边检验问题的最优性证明

我们依次证明\(\phi^*(x)\)是检验问题(i)的MPT、检验问题(ii)和(iii)的UMPT，三类检验问题的定义为：

• (i) \(H_0:\theta=\theta_0 \longleftrightarrow H_1:\theta=\theta_1 \ (\theta_1>\theta_0)\)（简单vs简单）
• (ii) \(H_0:\theta=\theta_0 \longleftrightarrow H_1:\theta>\theta_0\)（简单vs复合单边）
• (iii) \(H_0:\theta\leq\theta_0 \longleftrightarrow H_1:\theta>\theta_0\)（复合vs复合单边，最常用）

---

1. 证明\(\phi^*(x)\)是检验问题(i)的MPT

证明思路

根据NP引理，只要证明\(\phi^*(x)\)与NP引理给出的MPT具有完全相同的势，即可证明\(\phi^*(x)\)也是MPT。

完整证明

1. 记NP引理给出的水平\(\alpha\)的MPT为\(\phi(x)\)，其形式为：

   \[\phi(x)= \begin{cases} 1, & \lambda(x) > c \\ \gamma', & \lambda(x) = c \\ 0, & \lambda(x) < c \end{cases}\]

   满足\(E_{\theta_0}[\phi(X)]=\alpha\)。

2. 对比\(\phi^*(x)\)与\(\phi(x)\)的取值：

   • 在\(\lambda(x)>c\)区域：该区域属于\(\{T(x)>k\}\)，因此\(\phi^*(x)=1\)，与\(\phi(x)\)取值完全一致；
   • 在\(\lambda(x)<c\)区域：该区域属于\(\{T(x)<k\}\)，因此\(\phi^*(x)=0\)，与\(\phi(x)\)取值完全一致；
   • 仅在\(\lambda(x)=c\)的边界区域，二者的随机化因子可能不同。

3. 证明二者的势完全相等：
   检验的势为\(E_{\theta_1}[\phi(X)]\)，将期望拆分为三个区域的积分：

   \[E_{\theta}[\phi(X)] = \int_{\lambda>c} \phi f(x,\theta)dx + \int_{\lambda=c} \phi f(x,\theta)dx + \int_{\lambda<c} \phi f(x,\theta)dx \]

   由于\(\lambda>c\)和\(\lambda<c\)区域内\(\phi^*\)与\(\phi\)取值一致，因此这两部分的积分完全相等，差异仅存在于\(\lambda=c\)的边界区域。

   在\(\lambda=c\)区域，似然比\(\lambda(x)=\frac{f(x,\theta_1)}{f(x,\theta_0)}=c\)，因此\(f(x,\theta_1)=c\cdot f(x,\theta_0)\)。计算二者的势差：

   \[\Delta E_{\theta_1} = \int_{\lambda=c} [\phi^*(x)-\phi(x)] f(x,\theta_1)dx = c \cdot \int_{\lambda=c} [\phi^*(x)-\phi(x)] f(x,\theta_0)dx = c\cdot \Delta E_{\theta_0} \]

   而\(\Delta E_{\theta_0}=E_{\theta_0}[\phi^*(X)] - E_{\theta_0}[\phi(X)] = \alpha-\alpha=0\)，因此\(\Delta E_{\theta_1}=0\)，即\(E_{\theta_1}[\phi^*(X)]=E_{\theta_1}[\phi(X)]\)。

4. 最终结论：\(\phi^*(x)\)与NP引理的MPT具有完全相同的势，因此\(\phi^*(x)\)也是检验问题(i)的MPT。

---

2. 证明\(\phi^*(x)\)是检验问题(ii)的UMPT

证明思路

UMPT的核心要求是：对备择假设中任意的\(\theta_1>\theta_0\)，\(\phi^*(x)\)都是对应的简单vs简单检验的MPT。

完整证明

1. 对任意固定的\(\theta_1>\theta_0\)，根据上述证明，\(\phi^*(x)\)是\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta=\theta_1\)的水平\(\alpha\)的MPT。
2. 关键性质：\(\phi^*(x)\)的形式仅由\(\theta_0\)和\(\alpha\)确定，与具体的\(\theta_1\)无关。也就是说，无论备择参数\(\theta_1\)取何值（只要\(\theta_1>\theta_0\)），\(\phi^*(x)\)都是对应的MPT。
3. 根据UMPT的定义，\(\phi^*(x)\)对备择假设空间内的所有\(\theta\)都达到最大势，因此\(\phi^*(x)\)是检验问题(ii)的水平\(\alpha\)的UMPT。

---

3. 证明\(\phi^*(x)\)是检验问题(iii)的UMPT

这是实际应用最广泛的检验问题，证明分为两步：先证明\(\phi^*(x)\)满足水平要求，再证明其一致最优性。

前置引理：势函数的单调性

\(\phi^*(x)\)的势函数\(\beta(\theta)=E_\theta[\phi^*(X)]\)是\(\theta\)的非减函数。
证明：对任意\(\theta_2>\theta_1\)，似然比\(\lambda(x)=\frac{f(x,\theta_2)}{f(x,\theta_1)}\)是\(T(x)\)的非减函数，\(\phi^*(x)\)也是\(T(x)\)的非减函数。根据切比雪夫关联不等式：两个非减函数的协方差非负，即

\[Cov(\phi^*(X), \lambda(X)) = E[\phi^*\lambda] - E[\phi^*]E[\lambda] \geq 0 \]

而\(E[\lambda(X)] = \int \frac{f(x,\theta_2)}{f(x,\theta_1)} \cdot f(x,\theta_1)dx = 1\)，因此：

\[E[\phi^*\lambda] = E_{\theta_2}[\phi^*(X)] = \beta(\theta_2) \geq E_{\theta_1}[\phi^*(X)] = \beta(\theta_1) \]

势函数的非减性得证。

---

步骤1：证明\(\phi^*(x)\)是水平\(\alpha\)的检验

复合原假设的水平要求是：对所有\(\theta\leq\theta_0\)，都有\(E_\theta[\phi^*(X)] \leq \alpha\)。
根据势函数的非减性，对任意\(\theta\leq\theta_0\)，有：

\[\beta(\theta) = E_\theta[\phi^*(X)] \leq \beta(\theta_0) = \alpha \]

完全满足水平\(\alpha\)的要求。

---

步骤2：证明\(\phi^*(x)\)是UMPT

任取一个水平为\(\alpha\)的检验\(\phi'(x)\)，即对所有\(\theta\leq\theta_0\)，有\(E_\theta[\phi'(X)] \leq \alpha\)。
对任意\(\theta_1>\theta_0\)，\(\phi'(x)\)是\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta=\theta_1\)的一个水平\(\leq\alpha\)的检验，而\(\phi^*(x)\)是该检验的水平\(\alpha\)的MPT，因此必有：

\[E_{\theta_1}[\phi^*(X)] \geq E_{\theta_1}[\phi'(X)] \]

由于\(\theta_1>\theta_0\)是任意的，因此\(\phi^*(x)\)对备择假设中所有的\(\theta\)都具有最大势，即\(\phi^*(x)\)是检验问题(iii)的水平\(\alpha\)的UMPT。

---

五、核心知识点归纳总结表

分类	核心内容	关键结论	核心理论依据
引理6.3.1	检验函数\(\phi^*(x)=\begin{cases}1, & T(x)>k \\ \gamma, & T(x)=k \\ 0, & T(x)<k\end{cases}\)	对任意\(0<\alpha<1\)，必存在\(k\)和\(\gamma\in[0,1]\)，使得\(E_{\theta_0}[\phi^*(X)]=\alpha\)	统计量分布函数的非减、右连续性质，随机化检验补足显著性水平
MLR与NP引理的联系	似然比\(\lambda(x)=h(T(x))\)是\(T(x)\)的非减函数	1. \(\{\lambda(x)>c\} \subset \{T(x)>k\}\) 2. \(\{\lambda(x)<c\} \subset \{T(x)<k\}\) 3. 严格增时取等号	非减函数的单调性性质，反证法
检验问题(i)：\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta=\theta_1\)	简单vs简单单边检验	\(\phi^*(x)\)是该问题水平\(\alpha\)的MPT	NP基本引理，似然比边界区域的势相等性
检验问题(ii)：\(H_0:\theta=\theta_0 \leftrightarrow H_1:\theta>\theta_0\)	简单vs复合单边检验	\(\phi^*(x)\)是该问题水平\(\alpha\)的UMPT	\(\phi^*(x)\)的形式与备择参数\(\theta_1\)无关，对所有\(\theta>\theta_0\)都是MPT
检验问题(iii)：\(H_0:\theta\leq\theta_0 \leftrightarrow H_1:\theta>\theta_0\)	复合vs复合单边检验	\(\phi^*(x)\)是该问题水平\(\alpha\)的UMPT	势函数的非减性（保证水平要求），对所有备择参数的MPT性质
势函数核心性质	\(\beta(\theta)=E_\theta[\phi^*(X)]\)	是参数\(\theta\)的非减函数	切比雪夫关联不等式，MLR的单调性
通用适用范围	所有MLR分布族	单边检验的UMPT一定存在，且形式为基于\(T(x)\)的阈值检验	MLR分布族的似然比单调性，NP引理的推广

---

理论闭环总结

NP引理解决了简单vs简单检验的最优性，而MLR分布族的核心价值，是将NP引理的最优性从单个备择参数推广到整个单边备择参数空间，最终得到了实际应用中最常用的复合单边检验的一致最优检验（UMPT）。这一理论体系是现代参数假设检验的核心基石，我们日常使用的Z检验、t检验、卡方检验、泊松检验的单边形式，其最优性均由该理论保证。

---

定理6.3.1与推论 完整讲解与严谨推导

一、定理6.3.1 核心内容与思想

定理陈述

设 ( X \sim {f(x,\theta), \theta \in \mathbb{R}} ) 为关于 ( T = T(x) ) 的MLR分布族，则由(6.3.1)定义的检验函数
[
\phi^*(x) =
\begin{cases}
1, & T(x) > k, \
\gamma, & T(x) = k, \
0, & T(x) < k,
\end{cases}
]
是假设检验问题

• (i) ( H_0: \theta = \theta_0 \longleftrightarrow H_1: \theta = \theta_1 \ (\theta_1 > \theta_0) ) 的最优势检验（MPT）；
• (ii) ( H_0: \theta = \theta_0 \longleftrightarrow H_1: \theta > \theta_0 ) 的一致最优检验（UMPT）。

核心思想

MLR分布族的似然比 ( \lambda(x) = \frac{f(x,\theta_1)}{f(x,\theta_0)} = h(T(x)) ) 是 ( T(x) ) 的非减函数，这使得似然比阈值检验等价于统计量阈值检验，从而将Neyman-Pearson（NP）引理的最优性从“单个备择参数”推广到“整个单边备择参数空间”，最终得到复合单边检验的一致最优解。

---

二、定理6.3.1 详细证明过程

步骤1：集合分解（利用MLR单调性）

取 ( c = h(k) )，由于 ( h(t) ) 是非减函数，因此：

• 当 ( T(x) > k ) 时，必有 ( h(T(x)) \geq h(k) = c )，即 ( \lambda(x) \geq c )，因此
  [
  {x: T(x) > k} = {x: T(x) > k, \lambda(x) > c} \cup {x: T(x) > k, \lambda(x) = c}.
  ]
• 当 ( T(x) < k ) 时，必有 ( h(T(x)) \leq h(k) = c )，即 ( \lambda(x) \leq c )，因此
  [
  {x: T(x) < k} = {x: T(x) < k, \lambda(x) < c} \cup {x: T(x) < k, \lambda(x) = c}.
  ]

步骤2：重写 ( \phi^*(x) ) 为NP引理相容形式

根据集合分解，( \phi^(x) ) 可按似然比 ( \lambda(x) ) 重新表示为：
[
\phi^(x) =
\begin{cases}
1, & \lambda(x) > c, \
\gamma^(x), & \lambda(x) = c, \
0, & \lambda(x) < c,
\end{cases}
]
其中分段函数 ( \gamma^(x) ) 定义为：
[
\gamma^*(x) =
\begin{cases}
1, & T(x) > k, \lambda(x) = c, \
\gamma, & T(x) = k, \lambda(x) = c, \
0, & T(x) < k, \lambda(x) = c.
\end{cases}
]
这一形式与NP引理的最优势检验（MPT）结构完全一致：

• ( \lambda(x) > c )：必然拒绝 ( H_0 )（( \phi^*(x)=1 )）；
• ( \lambda(x) < c )：必然不拒绝 ( H_0 )（( \phi^*(x)=0 )）；
• ( \lambda(x) = c )：根据 ( T(x) ) 的取值进行随机化决策。

步骤3：验证MPT性质

由引理6.3.1，( E_{\theta_0}[\phi^*(X)] = \alpha )，满足检验的水平要求。结合NP引理的唯一性条件：

• 若一个检验满足NP引理的结构且达到水平 ( \alpha )，则它是该水平下的唯一MPT。
  因此 ( \phi^*(x) ) 是检验问题(i)的MPT。

步骤4：推广到UMPT

( \phi^*(x) ) 的形式仅由 ( \theta_0 ) 和 ( \alpha ) 确定，与备择参数 ( \theta_1 ) 无关。这意味着：

• 对任意 ( \theta_1 > \theta_0 )，( \phi^*(x) ) 都是 ( H_0: \theta = \theta_0 \longleftrightarrow H_1: \theta = \theta_1 ) 的MPT；
• 因此，对整个备择空间 ( \theta > \theta_0 )，( \phi^*(x) ) 都保持最优性，即它是检验问题(ii)的UMPT。

---

三、推论 内容与直观理解

推论陈述

任给 ( \alpha' )，设 ( E_{\theta'}[\phi^(X)] = \alpha' )，则 ( \phi^(x) ) 为以下检验 (i)'、(ii)' 水平为 ( \alpha' ) 的UMPT：

• (i)' ( H_0: \theta = \theta' \longleftrightarrow H_1: \theta = \theta_1 )，但 ( \theta_1 > \theta' )；
• (ii)' ( H_0: \theta = \theta' \longleftrightarrow H_1: \theta > \theta' )。

核心解读

1. 本质是参数平移：推论只是将原假设参数从 ( \theta_0 ) 替换为 ( \theta' )，证明逻辑与定理6.3.1完全一致——MLR分布族的单调性对任意 ( \theta' ) 都成立，因此 ( \phi^*(x) ) 的最优性可直接推广。
2. 数学便利性：从观念上看，水平 ( \alpha ) 常与第一类错误联系，但数学上只需满足 ( 0 < \alpha < 1 )，无需固定 ( \alpha )。这使得我们可根据需要灵活选择 ( \alpha' )（如 ( \alpha' = 1-\alpha )），极大简化了后续推导。

---

四、核心知识点归纳总结表

模块	核心内容	关键结论	理论依据
定理6.3.1	MLR分布族下，统计量阈值检验 ( \phi^*(x) ) 的最优性	( \phi^*(x) ) 是(i)的MPT，(ii)的UMPT	MLR单调性 + NP引理 + 唯一性
集合分解	基于 ( h(t) ) 非减性拆分 ( {T(x) > k} ) 和 ( {T(x) < k} )	( {T(x) > k} = {T(x) > k, \lambda > c} \cup {T(x) > k, \lambda = c} )	非减函数的保序性
NP引理相容化	重写 ( \phi^*(x) ) 为似然比阈值形式	( \phi^*(x) ) 满足NP引理的MPT结构	似然比与统计量的等价性
UMPT推广	( \phi^*(x) ) 与备择参数 ( \theta_1 ) 无关	对所有 ( \theta > \theta_0 )，( \phi^*(x) ) 都是MPT	最优性的一致性
推论	原假设参数平移后的最优性	( \phi^*(x) ) 是(i)'、(ii)' 的UMPT	MLR性质的普适性 + 定理6.3.1的平移不变性
应用价值	为单边检验提供统一最优框架	日常使用的Z检验、t检验等单边形式的最优性均由此保证	从理论上支撑了经典检验方法的合理性

---