考频地图
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 |
概率、变量、分布
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
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。
- 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。
事件与一维随机变量
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
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
例 1:设 X~N(0,1),求 P(|X|≤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:
\(h\) 是 \(g\) 的反函数。
例 2:设 X~U(0,1),求 Y=X² 的密度。
- 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。
多维变量与数字特征
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
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
例 3:设 E(X)=2,D(X)=3,求 E(X²)。
例 4:设 X,Y 独立,D(X)=2,D(Y)=3,求 D(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
- 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。
数理统计与参数估计
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
二、矩估计与最大似然
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
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
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。
真题与自测
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。