Files

150 lines
8.5 KiB
Markdown
Raw Permalink Normal View History

---
tags: [数学一, 模拟卷, 考点手册, 概率论与数理统计]
专题: 第三次模拟 · 概率考点手册(P01—P06)
日期: 2026-10-31
状态: 6 条考点, 每条含一句话定位、判据步骤、坑、本卷题号
关联笔记: ["[[README]]", "[[01-模拟卷]]", "[[02a-答案与解析-客观题]]", "[[02b-答案与解析-解答题]]"]
---
# 概率考点手册(P01—P06)
概率的小题失分集中在两处:**"不相关"与"独立"混用**,以及**统计量分位数用错自由度**。本卷这两处各占一题,做完务必对一遍。
## P01 切比雪夫不等式
**一句话**:不知道分布、只知道期望方差时,它是唯一能给出**概率下界**的工具。
**公式**
$$P\big\{\lvert X-E(X)\rvert\geqslant\varepsilon\big\}\leqslant\frac{D(X)}{\varepsilon^2},\qquad\text{等价地}\quad P\big\{\lvert X-E(X)\rvert<\varepsilon\big\}\geqslant1-\frac{D(X)}{\varepsilon^2}.$$
**用法三步**
1. 把要估的事件写成 $\lvert X-E(X)\rvert<\varepsilon$ 的形状(**先算中心与半径**);
2. 半径 $\varepsilon$ 就是不等式的分母;
3. 代入 $D(X)$ 得上式。
**本卷题 8**:$E(X)=2$ ,事件 $-1<X<5$ 即 $\lvert X-2\rvert<3$ ,$\varepsilon=3$ ,故下界 $1-\dfrac{1}{9}=\dfrac89$ 。
**坑**
- 区间不对称时**先平移**:$-1<X<5$ 的中心正好是 $2$ ,半径 $3$ ;若区间是 $(0,4)$ 就仍是中心 $2$ 半径 $2$ ,$\varepsilon$ 跟着变。
- 不等号方向:$\geqslant$ 配"落在区间内",$\leqslant$ 配"落在区间外",两个方向别写反。
- 题目问"至少",答案就是这个下界;问"不超过"则用上面那一支。
- 它是**下界**,不是精确值——真题选项里常放一个"看起来很准"的数做干扰。
**本卷**:题 8。
## P02 二维离散型与相关性
**一句话**:离散表只做四件事——**求边缘、求 $E(XY)$ 、算 $\operatorname{Cov}$ 、验独立**。
**计算顺序**
1. 边缘分布律:按行加、按列加;
2. $E(X)$ 、$E(Y)$ 用边缘算;
3. $E(XY)=\sum\sum x_iy_jp_{ij}$ **只能用联合表算**(这是与独立情形唯一的分水岭);
4. $\operatorname{Cov}=E(XY)-E(X)E(Y)$ ;$\operatorname{Cov}=0$ 称**不相关**。
5. 独立要验 $p_{ij}=p_{i\cdot}p_{\cdot j}$ 对**所有** $(i,j)$ 成立。
**本卷题 9 的数**:边缘 $P\{X=-1\}=0.6$ 、$P\{Y=0\}=0.5$ ;$E(X)=-0.2$ 、$E(Y)=0.5$ ;$E(XY)=(-1)(1)(0.4)+(1)(1)(0.1)=-0.3$ ;故 $\operatorname{Cov}=-0.3-(-0.2)(0.5)=-0.2\neq0$ ,**相关**。又 $0.2\neq0.6\times0.5=0.3$ ,**不独立**。
**坑**
- 把 $E(XY)$ 写成 $E(X)E(Y)$ ——那是独立才成立的公式,这里不独立,用了就必错。
- 只验一格就判独立。必须**每一格**都对上(本题第一格就崩了)。
- 认为"相关就一定不独立、独立就一定不相关"——后半句对,前半句不完整:**相关 $\Rightarrow$ 不独立,不独立 $\nRightarrow$ 相关**(存在不相关但不独立的例子)。
- 相互独立(选项 D)在"相关"成立时**逻辑上不可能**,可以直接排掉。
**本卷**:题 9。
## P03 置信区间与分位数
**一句话**:置信区间 $=$ **点估计 $\pm$ 分位数 $\times$ 标准误**,难点全在"选哪个分位数、自由度是多少"。
**三看定公式**($\mu$ 的区间,正态总体)
| 条件 | 统计量 | 分位数 | 区间 |
|---|---|---|---|
| $\sigma^2$ 已知 | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $u_{\alpha/2}$ | $\bar X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
| $\sigma^2$ 未知 | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $t_{\alpha/2}(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
**三条判断**
1. $\sigma^2$ **未知** $\Rightarrow$ 用 $t$ 不用 $u$ ;
2. 双侧(对称区间)$\Rightarrow$ 用 $\alpha/2$ ;单侧才用 $\alpha$ ;
3. 自由度 $=n-1$ (减掉一个被 $\bar X$ 占掉的自由度)。
**坑**
- 自由度写成 $n$ (选项 B):$t$ 分布的自由度随样本量**减一**,这是最高频的错误。
- 单双侧混用:置信区间**一定是双侧**,所以一定是 $\alpha/2$ 。若写成 $t_\alpha$ (选项 D),区间会变窄,置信度不达标。
- $\sigma^2$ 未知却用 $u_{\alpha/2}$ (选项 A):大样本下近似可以,但本题 $n$ 未说明,**严格答案只能用 $t$ 分布**。
- 标准误是 $S/\sqrt n$ 不是 $S$ ;分母漏根号是最隐蔽的错。
**本卷**:题 10。
## P04 指数分布的无记忆性
**一句话**:$P\{X>s+t\mid X>s\}=P\{X>t\}$ ——**已经等过的部分,一笔勾销**。
**推导(也是解法)**
$$P\{X>s+t\mid X>s\}=\frac{P\{X>s+t\}}{P\{X>s\}}=\frac{\mathrm{e}^{-\lambda(s+t)}}{\mathrm{e}^{-\lambda s}}=\mathrm{e}^{-\lambda t}=P\{X>t\}.$$
**本卷题 16**:$P\{X>1\}=\mathrm{e}^{-\lambda}=\mathrm{e}^{-2}$ ,故 $\lambda=2$ 。所求
$$P\{X\leqslant2\mid X>1\}=1-P\{X>1\mid X>1\}=\ldots$$
更直接:条件在 $X>1$ 上,等价于从 $1$ 重新开始计时,所求即 $P\{X\leqslant1\}=1-\mathrm{e}^{-2}$ 。
**坑**
- 直接算 $\dfrac{P\{1<X\leqslant2\}}{P\{X>1\}}=\dfrac{\mathrm{e}^{-2}-\mathrm{e}^{-4}}{\mathrm{e}^{-2}}=1-\mathrm{e}^{-2}$ ——**两条路都要走通**,前者快,后者稳。
- 把"无记忆"用错方向:$P\{X\leqslant2\mid X>1\}$ 不等于 $P\{X\leqslant2\}$ (那是无条件概率,值不同)。
- 只有指数分布(和几何分布)有无记忆性,均匀分布、正态分布**都没有**。
- 先由 $P\{X>1\}$ 反解 $\lambda$ 这一步不要跳,题目可能给的是 $P\{X<2\}$ 之类。
**本卷**:题 16。
## P05 矩估计与最大似然估计
**一句话**:矩估计**让样本矩等于总体矩**;最大似然**让似然函数最大**。两者的方程完全不同,别混用。
**矩估计**
1. 算 $E(X)$ (含未知参数);
2. 令 $E(X)=\bar X$ ;
3. 解出参数。
**最大似然**
1. 写 $L(\theta)=\prod f(x_i;\theta)$ ;
2. 取对数 $\ln L$ ;
3. 求导令零,解出 $\hat\theta$ 。
**本卷题 22(Ⅰ)(Ⅱ)**:$X\sim U(0,\theta)$ 。
- 矩估计:$E(X)=\dfrac\theta2$ ,令 $\dfrac\theta2=\bar X$ ,得 $\hat\theta_1=2\bar X$ 。
- 最大似然:$L=\theta^{-n}$ (要求**所有** $x_i\in(0,\theta)$ ),$\ln L=-n\ln\theta$ 关于 $\theta$ **单调递减**,故 $L$ 在 $\theta$ 取**最小可能值**时最大。约束是所有 $x_i<\theta$ ,即 $\theta>\max x_i$ ,于是 $\hat\theta_2=X_{(n)}=\max\{x_i\}$ 。
**坑**
- **均匀分布的 MLE 不能用求导**:$\dfrac{\partial\ln L}{\partial\theta}=-\dfrac n\theta\neq0$ 永远不为零,写"令导数为零"就卡死了。这是本卷最想考的一步——**似然函数单调时,极值在约束边界上**。
- 忘了支撑集约束 $x_i\in(0,\theta)$ ,把 $\hat\theta$ 写成 $\bar X$ 或 $2\bar X$ 。
- 矩估计与 MLE 结果不同是常态(均匀分布就是最常见的例子),不要以为算错。
- 写 MLE 时要注明"$\theta\geqslant x_{(n)}$ 时 $L>0$ ,否则 $L=0$ ",否则不严谨。
**本卷**:题 22(Ⅰ)(Ⅱ)。
## P06 估计量的无偏性与方差比较
**一句话**:无偏看**期望**,有效看**方差**,两件事分开算、分开说。
**判据**
- 无偏:$E(\hat\theta)=\theta$ 。
- 有偏就修正:若 $E(\hat\theta)=k\theta$ ($k$ 为常数),则 $\dfrac{1}{k}\hat\theta$ 无偏。
- 有效性:同为无偏时,方差小的更有效。
**本卷题 22(Ⅲ)(Ⅳ)**:
- $E(\hat\theta_1)=E(2\bar X)=2\cdot\dfrac\theta2=\theta$ ,**无偏**。
- $E(\hat\theta_2)=E\big(X_{(n)}\big)=\dfrac{n\theta}{n+1}\neq\theta$ ,**有偏**;修正 $\tilde\theta=\dfrac{n+1}{n}X_{(n)}$ 无偏。
- 方差:$D(\hat\theta_1)=4\cdot\dfrac{\theta^2}{12n}=\dfrac{\theta^2}{3n}$ ;$D(\tilde\theta)=\Big(\dfrac{n+1}{n}\Big)^2\cdot\dfrac{n\theta^2}{(n+1)^2(n+2)}=\dfrac{\theta^2}{n(n+2)}$ 。
- 比较:$n(n+2)\geqslant3n\iff n\geqslant1$ ,故 $n\geqslant2$ 时 $\tilde\theta$ 的方差更小,**修正后的 MLE 比矩估计更有效**。
**必须记住的两个期望**
$$E\big(X_{(n)}\big)=\frac{n\theta}{n+1},\qquad D\big(X_{(n)}\big)=\frac{n\theta^2}{(n+1)^2(n+2)} .$$
**坑**
- 判断无偏只算 $E(\hat\theta)$ ,却把"相合""有效"的结论一并写上——三者是不同概念。
- 修正时乘错方向:$E(\hat\theta_2)=\frac{n}{n+1}\theta<\theta$ 是**偏小**,修正要乘 $\frac{n+1}{n}>1$ ,不是乘 $\frac{n}{n+1}$ 。
- 比较方差时忘了平方:$D(cX)=c^2D(X)$ ,$\frac{n+1}{n}$ 的平方漏掉,结论会反转。
- $n=1$ 时两者方差相等(都等于 $\theta^2/3$ ),题目限定 $n\geqslant2$ 就是为了避开这个退化点。
**本卷**:题 22(Ⅲ)(Ⅳ)。