首页/数学一/第 9 章 概率论与数理统计
考研数学一 概率论与数理统计 第 9 章

概率论与数理统计
分布、数字特征与统计推断

概率约 30 分,题型固定:选择填空考分布与数字特征,解答题考多维随机变量、参数估计。核心是先写分布,再算期望方差。

全章分 4 个模块:弱基础、事件与一维分布、多维分布与数字特征、数理统计。最后用 2023–2026 真题收口。

4 个考点模块 2023–2026 真题 17 道真题与自测 高性价比
μ N(μ,σ²) 密度曲线下的面积就是概率;μ 决定位置,σ 决定胖瘦
00
复习策略

考频地图

★★★★★ 高频 选择 + 填空 + 解答

概率的题型比高数稳定:一维/多维分布、数字特征、抽样分布、参数估计。把常见分布表和公式背熟,就能拿到大部分基础分。

考点考频常见题型建议
事件与概率公式★★★★☆选择、填空全概率、Bayes、独立性
一维随机变量及分布★★★★★选择、填空、解答分布函数、密度、常见分布
随机变量函数的分布★★★★☆选择、填空、解答分布函数法
二维随机变量★★★★★选择、填空、解答联合/边缘/条件、独立性
数字特征★★★★★选择、填空、解答期望、方差、协方差
大数定律与中心极限定理★★★☆☆选择、填空切比雪夫、正态近似
抽样分布★★★★★选择、填空、解答\(\chi^2\)、\(t\)、\(F\)
参数估计★★★★★解答矩估计、最大似然、无偏性
假设检验★★★☆☆选择、填空拒绝域方向、两类错误
本章主线:先写分布(分布律/密度/联合密度),再算概率,最后算数字特征。统计部分先认分布(Z、χ²、t、F),再套估计或检验公式。
01
9.1 · 弱基础引入

概率、变量、分布

★★★★☆ 基础 概念 + 直觉

概率是“长期重复中某结果出现的比例”;随机变量是把结果映射成数字;分布告诉每个数字出现的可能性有多大。

一、概率是长期频率

掷一枚均匀硬币,正面概率 1/2,不是说掷两次一定一次正面,而是说掷很多次后正面比例接近 1/2。概率是数学模型,不是单次结果的保证。

二、随机变量把结果变成数

概念含义例子
分布函数 \(F(x)\)\(P(X\le x)\)\(X\le3\) 的概率
离散型分布律每个取值的概率\(P(X=k)=1/6\)
连续型密度 \(f(x)\)区间概率由积分给出正态密度曲线

三、期望是加权平均,方差是波动

\[ \begin{aligned} E(X)&=\sum_i x_ip_i\quad(\text{离散})\\ E(X)&=\int x f(x)\,dx\quad(\text{连续})\\ D(X)&=E\bigl[(X-E(X))^2\bigr]=E(X^2)-[E(X)]^2 \end{aligned} \]

期望描述“中心位置”,方差描述“离中心有多散”。方差越大,分布越胖。

四、总体与样本

总体是研究对象的全体,样本是从中抽取的一部分。统计量是样本的函数,不含未知参数。样本均值 X̄、样本方差 S² 是最常用的两个统计量。

\[ \bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2 \]
记忆钩子:概率看“可能性”,分布看“可能性怎么分配”,期望看“平均在哪”,方差看“有多散”。
  • 连续型随机变量在单点的概率为 0,但密度值可以很大;密度不是概率。
  • 样本方差分母是 n−1,不是 n;n 是最大似然估计的分母。
  • “不相关”不等于“独立”,只有二维正态等特殊情形才等价。
02
9.2 · 一维分布

事件与一维随机变量

★★★★★ 高频 选择 + 填空 + 解答

概率题先翻译事件:“至少一个”想对立事件,“先分来源再观察结果”想全概率和 Bayes;分布题先写分布函数或密度,再算概率。

一、概率公式

\[ \begin{aligned} P(A\cup B)&=P(A)+P(B)-P(AB)\\ P(A\mid B)&=\frac{P(AB)}{P(B)}\quad(P(B)>0)\\ P(AB)&=P(B)P(A\mid B)=P(A)P(B\mid A)\\ \text{全概率:}\quad P(A)&=\sum_iP(B_i)P(A\mid B_i)\\ \text{Bayes:}\quad P(B_i\mid A)&= \frac{P(B_i)P(A\mid B_i)}{\sum_jP(B_j)P(A\mid B_j)}\\ \text{独立:}\quad P(AB)&=P(A)P(B) \end{aligned} \]

二、常见分布

分布记号\(E(X)\)\(D(X)\)典型场景
0-1 分布\(B(1,p)\)\(p\)\(p(1-p)\)一次试验成功/失败
二项分布\(B(n,p)\)\(np\)\(np(1-p)\)\(n\) 次独立重复成功次数
泊松分布\(P(\lambda)\)\(\lambda\)\(\lambda\)单位时间事件数
均匀分布\(U(a,b)\)\(\frac{a+b}{2}\)\(\frac{(b-a)^2}{12}\)等可能落在区间
指数分布\(E(\lambda)\)\(\frac1\lambda\)\(\frac{1}{\lambda^2}\)等待时间、寿命
正态分布\(N(\mu,\sigma^2)\)\(\mu\)\(\sigma^2\)误差、自然测量

三、分布函数与密度

\[ \begin{aligned} F(x)&=P(X\le x)\\ P(a

例 1:设 X~N(0,1),求 P(|X|≤1)。

\[ P(|X|\le1)=\Phi(1)-\Phi(-1) =\Phi(1)-[1-\Phi(1)]=2\Phi(1)-1 \]

四、随机变量函数的分布

最稳妥的方法是分布函数法:先写 F_Y(y)=P(g(X)≤y),把事件翻译成 X 的范围,再对 y 求导得密度。若 g 严格单调,也可用公式:

\[ f_Y(y)=f_X(h(y))|h'(y)|,\qquad x=h(y) \]

\(h\) 是 \(g\) 的反函数。

例 2:设 X~U(0,1),求 Y=X² 的密度。

\[ F_Y(y)=P(X^2\le y)=P(X\le\sqrt y)=\sqrt y, \quad0
\[ f_Y(y)=\frac{1}{2\sqrt y},\quad0
  • 互斥与独立不同;正概率的互斥事件一定不独立。
  • 分布函数必须右连续,且 F(−∞)=0、F(+∞)=1。
  • 连续型随机变量的密度可以大于 1,概率才必须在 [0,1]。
  • 函数分布要先写 Y 的取值范围,再求导。
03
9.3 · 多维与数字特征

多维变量与数字特征

★★★★★ 高频 选择 + 填空 + 解答

二维题先画支持区域,再求边缘密度;独立性既要密度能分解,也要支持区域能写成直积。数字特征先算期望,再用 E(X²)−[E(X)]² 算方差。

一、联合、边缘、条件

\[ \begin{aligned} \text{联合分布函数:}\quad F(x,y)&=P(X\le x,\;Y\le y)\\ \text{联合密度:}\quad \iint f(x,y)\,dxdy&=1\\ \text{边缘密度:}\quad f_X(x)&=\int f(x,y)\,dy,\quad f_Y(y)=\int f(x,y)\,dx\\ \text{条件密度:}\quad f_{X\mid Y}(x\mid y)&= \frac{f(x,y)}{f_Y(y)}\\ \text{独立:}\quad f(x,y)&=f_X(x)f_Y(y) \end{aligned} \]

连续型独立,除了密度乘积,还要求支持区域能写成两个一维区间的直积;三角形区域上的均匀分布通常不独立。

二、数字特征

\[ \begin{aligned} E(aX+bY+c)&=aE(X)+bE(Y)+c\\ X,Y\text{ 独立}&\Rightarrow E(XY)=E(X)E(Y)\\ D(aX+b)&=a^2D(X)\\ D(X\pm Y)&=D(X)+D(Y)\pm2\operatorname{Cov}(X,Y)\\ \operatorname{Cov}(X,Y)&=E(XY)-E(X)E(Y)\\ \rho_{XY}&=\frac{\operatorname{Cov}(X,Y)} {\sqrt{D(X)D(Y)}},\qquad|\rho|\le1 \end{aligned} \]

例 3:设 E(X)=2,D(X)=3,求 E(X²)。

\[ E(X^2)=D(X)+[E(X)]^2=3+4=7 \]

例 4:设 X,Y 独立,D(X)=2,D(Y)=3,求 D(X−Y)。

\[ D(X-Y)=D(X)+D(Y)-2\operatorname{Cov}(X,Y) \]

独立 \(\Rightarrow \operatorname{Cov}=0\),所以 \(D(X-Y)=2+3=5\)。

三、和的分布与最值分布

\[ \begin{aligned} Z&=X+Y,\quad X,Y\text{ 独立:}\quad f_Z(z)=\int f_X(x)f_Y(z-x)\,dx\\ M&=\max(X,Y),\quad N=\min(X,Y),\quad X,Y\text{ 独立:}\\ F_M(z)&=F_X(z)F_Y(z)\\ F_N(z)&=1-[1-F_X(z)][1-F_Y(z)] \end{aligned} \]
  • 联合密度能写成 f_X(x)f_Y(y),还要检查支持区域是否为直积。
  • D(X+Y) 一般要加协方差项,只有独立/不相关才能去掉。
  • 独立 ⇒ 不相关;不相关一般不 ⇒ 独立(二维正态例外)。
  • 卷积积分的上下限由两个变量的支持范围共同决定。
04
9.4 · 数理统计

数理统计与参数估计

★★★★★ 高频 选择 + 填空 + 解答

统计题先认分布:均值、方差已知用 Z,方差未知用 t,方差用 χ²,两个方差比用 F。参数估计先写似然函数或矩方程,再解。

一、常用抽样分布

\[ \begin{aligned} X_1,\ldots,X_n&\sim N(\mu,\sigma^2)\\ \bar X&\sim N\left(\mu,\frac{\sigma^2}{n}\right)\\ \frac{\bar X-\mu}{\sigma/\sqrt n}&\sim N(0,1)\\ \frac{(n-1)S^2}{\sigma^2}&\sim\chi^2(n-1)\\ \frac{\bar X-\mu}{S/\sqrt n}&\sim t(n-1)\\ \bar X&\text{ 与 }S^2\text{ 独立} \end{aligned} \]
\[ \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2} \sim F(n_1-1,n_2-1) \]

二、矩估计与最大似然

\[ \begin{aligned} &\text{矩估计:令样本矩 = 总体矩}\\ &E(X)=\bar X,\quad E(X^2)=A_2,\quad\ldots\\ &\text{最大似然:}\quad L(\theta)=\prod_i f(x_i;\theta) \;\text{或}\;\prod_i P(X=x_i;\theta)\\ &\ell(\theta)=\ln L(\theta),\qquad \ell'(\theta)=0 \end{aligned} \]

检查边界和参数范围。

常见结果:二项/0-1 的 p 估计为 X̄;泊松的 λ 估计为 X̄;指数分布的 λ 估计为 1/X̄;正态的 μ 估计为 X̄,σ² 的 MLE 为 (1/n)∑(Xᵢ−X̄)²。

三、无偏性与有效性

\[ \begin{aligned} \text{无偏:}\quad E(\hat\theta)&=\theta\\ E(S^2)&=\sigma^2,\qquad E(\bar X)=\mu,\qquad D(\bar X)=\frac{\sigma^2}{n} \end{aligned} \]

样本方差 \(S^2\) 是 \(\sigma^2\) 的无偏估计;在同为无偏的估计中,方差越小越有效。

四、置信区间与假设检验

\[ \begin{aligned} \sigma\text{ 已知:}\quad &\mu\in\left(\bar X\pm z_{\alpha/2}\frac{\sigma}{\sqrt n}\right)\\ \sigma\text{ 未知:}\quad &\mu\in\left(\bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n}\right)\\ \sigma^2\text{ 的区间:}\quad &\sigma^2\in\left[ \frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)}, \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)} \right] \end{aligned} \]

假设检验:写 \(H_0,H_1\) \(\to\) 选统计量 \(\to\) 定拒绝域 \(\to\) 算值 \(\to\) 结论;双侧用 \(\alpha/2\),单侧用 \(\alpha\),方向由 \(H_1\) 决定。

问法 1:“求 E(X)、D(X)、Cov(X,Y)” 先写分布/联合分布,再代公式。

问法 2:“求矩估计/最大似然估计” 先写方程或似然函数,再解。

问法 3:“求置信区间/检验” 先认 Z、t、χ²、F,再套分位数。

  • 样本方差分母 n−1,正态方差 MLE 分母 n,二者不同。
  • χ²、F 分布不对称,置信区间上下端点不能写成“估计值 ± 误差”。
  • 假设检验的结论是“拒绝/不拒绝 H₀”,不是“证明 H₀ 正确”。
  • 最大似然估计不保证无偏;无偏估计也不一定均方误差最小。
05
实战

真题与自测

★★★★★ 收口 2024 真题 + 折叠自测

一、2024 真题

2024 年第 8 题(5 分):设 X 与 Y 相互独立,X~N(0,2),Y~N(−2,2)。若 P{2X+Y<a}=P{X>Y},则 a=( )。

A. −2−√10 B. √10−2 C. −2−√6 D. √6−2

答案与解析

答案:B。2X+Y~N(−2,10),P{2X+Y<a}=Φ((a+2)/√10)。X−Y~N(2,4),P{X>Y}=1−Φ((0−2)/2)=Φ(1)。令 (a+2)/√10=1,得 a=√10−2。

2024 年第 9 题(5 分):X 的密度 f(x)=2(1−x)(0<x<1),在 X=x 下 Y~U(x,1),求 Cov(X,Y)。

答案与解析

答案:1/36。E(X)=1/3,E(X²)=1/6;E(Y|X=x)=(x+1)/2,所以 E(Y)=2/3;E(XY)=E[X(X+1)/2]=(1/6+1/3)/2=1/4。Cov=1/4−(1/3)(2/3)=1/36。

2024 年第 10 题(5 分):X、Y 独立同服从参数为 λ 的指数分布,Z=|X−Y|,则与 Z 同分布的是( )。

A. X+Y B. X+2Y C. 2X D. X

答案与解析

答案:D。计算 P{Z>z}=e^(−λz)(z≥0),这正是参数为 λ 的指数分布的生存函数,所以 Z 与 X 同分布。

2024 年第 16 题(5 分):每次成功概率为 p,三次独立重复试验。已知至少成功一次的条件下全部成功的概率为 4/13,求 p。

答案与解析

答案:2/3。p³/[1−(1−p)³]=4/13。化简得 13p³=4(3p−3p²+p³),即 3p(3p²+4p−4)=0,解得 p=2/3(舍去 0、−2)。

2024 年第 22 题(12 分):总体 X~U(0,θ),θ 未知,X₁,…,Xₙ 为样本,X_(n)=max{Xᵢ},T_c=cX_(n)。(1)求 c 使 T_c 为 θ 的无偏估计;(2)令 h(c)=E(T_c−θ)²,求 c 使 h(c) 最小。

答案与解析

(1)c=(n+1)/n;(2)c=(n+2)/(n+1)。
E[X_(n)]=nθ/(n+1),令 c·n/(n+1)=1 得 c=(n+1)/n。
再算 E[X_(n)²]=nθ²/(n+2),把 h(c) 写成 c 的二次函数,求导得 c=(n+2)/(n+1)。
这说明“无偏”和“均方误差最小”不一定同时达到。

二、自测

1. E(X)=2,D(X)=3,E(X²) 是多少?

7。E(X²)=D(X)+[E(X)]²=3+4。

2. 样本方差 S² 是 σ² 的无偏估计吗?

是。E(S²)=σ²。注意 S² 的分母是 n−1。

3. 正态总体、方差未知,检验均值用什么统计量?

t 统计量:(X̄−μ₀)/(S/√n) ~ t(n−1)。

4. 二维正态中,ρ=0 意味着什么?

X 与 Y 独立。二维正态是“不相关 ⇔ 独立”的特殊情形。

5. 置信水平 1−α 的含义是什么?

重复抽样构造的区间中,约有 1−α 的比例覆盖真实参数;不是参数本身有 1−α 的概率落在一个固定区间里。

6. 最大似然估计的步骤是什么?

写似然函数 → 取对数 → 求导令零 → 解出参数 → 检查边界和参数范围。

7. 两个独立正态总体的方差比用什么分布?

F 分布:(S₁²/σ₁²)/(S₂²/σ₂²) ~ F(n₁−1,n₂−1)。

8. 互斥和独立有什么区别?

互斥是 A∩B=∅;独立是 P(AB)=P(A)P(B)。正概率的互斥事件一定不独立。

本章速记:先分布后概率,先期望后方差;统计先认 Z/t/χ²/F;估计先写似然,检验先定方向。