Files
MathNotesVersion2/基于考研的学习/数学一/模拟卷/第一次模拟-数学一/05-考点手册-概率论与数理统计.md
T

154 lines
8.1 KiB
Markdown
Raw Normal View History

---
tags: [数学一, 模拟卷, 考点手册, 概率论]
专题: 第一次模拟 · 考点手册(概率论与数理统计)
日期: 2026-10-27
状态: 6 条考点, 对应本卷概率 5 题
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]]"]
---
# 考点手册 · 概率论与数理统计
配套 [模拟卷](01-模拟卷.md) 与 [客观题解析](02a-答案与解析-客观题.md) 与 [解答题解析](02b-答案与解析-解答题.md)。概率的 32 分里,**分布 + 数字特征**占小题、**估计与检验**占大题,这本按这两条线划分。
## P01 协方差与不相关
**一句话**:不相关等价于协方差为零,它**弱于**独立;判断"是否不相关"就是把 $D(X\pm Y)$ 展开比较。
**三条展开式**
$$D(X\pm Y)=D(X)+D(Y)\pm2\operatorname{Cov}(X,Y),\qquad \operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY .$$
**判定链**
- 独立 $\Rightarrow$ 不相关(反之不成立)。
- 不相关 $\iff \operatorname{Cov}=0$ $\iff D(X+Y)=D(X-Y)$ 。
- $(X,Y)$ 服从**二维正态**时,不相关 $\iff$ 独立(这是唯一的常见例外,必须记住)。
**条件分布下怎么算协方差(本卷题 8 的路子)**
1. 由条件分布读出**条件期望**:题给的条件是:当 $X=x$ 时 $Y\sim U(0,x)$ ,由此立刻得 $E(Y\mid X=x)=\dfrac{x}{2}$ 。
2. 重期望公式求 $EY$ :$EY=E\big[E(Y\mid X)\big]$ 。
3. 求 $E(XY)$ 时**把 $X$ 提到条件期望里面**:$E(XY)=E\big[X\cdot E(Y\mid X)\big]$ 。这一步是全题的关键,比先求联合密度快得多。
4. 代 $\operatorname{Cov}=E(XY)-EX\cdot EY$ 。
**坑**
- $D(X-Y)=DX+DY-2\operatorname{Cov}$ ,中间是**减**号,符号错一处全错。
- 题目若给出 $D(X+Y)=D(X-Y)$ ,要立刻翻译成 $\operatorname{Cov}=0$ ,不要绕道求分布。
- 不相关只说"没有线性关系",仍可能有非线性关系(如 $Y=X^2$ ,$X$ 对称时二者不相关但不独立)。
**本卷**:题 8。
## P02 无偏估计与有效性
**一句话**:无偏看**期望**是否等于参数,有效看**方差**谁更小;两个都问时先筛无偏,再在无偏的里挑方差最小的。
**定义**
$$E\hat\theta=\theta\ \Rightarrow\ \text{无偏};\qquad D\hat\theta_1<D\hat\theta_2\ \Rightarrow\ \hat\theta_1\ \text{更有效}.$$
**线性估计量的两条速算**
设 $\hat\mu=\sum c_iX_i$ ,$X_i$ 独立同分布且 $DX_i=\sigma^2$ ,则
- 无偏 $\iff \sum c_i=1$ ;
- $D\hat\mu=\sigma^2\sum c_i^2$ 。
**于是"最有效"变成一道纯代数题**:在 $\sum c_i=1$ 的约束下最小化 $\sum c_i^2$ ,由柯西不等式等号条件得 $c_i=1/n$ ——**样本均值是线性无偏估计中方差最小的**。这条结论本身就是一道高频选择题。
**坑**
- 无偏与有效是两件事:方差小但有偏,不能叫"更有效"。
- $\dfrac{1}{n}\sum(X_i-\bar X)^2$ 是**有偏**的,除以 $n-1$ 才无偏。
- 系数之和不为 1 的估计量先算出偏差,别直接比方差。
**本卷**:题 9。
## P03 假设检验的拒绝域
**一句话**:拒绝域的形状只看**备择假设的方向**,分位数的下标只看**单双侧**,分布与自由度只看**方差已知还是未知**。
**四种基本情形($H_0:\mu=\mu_0$ )**
| 条件 | 统计量 | 备择 $H_1:\mu\ne\mu_0$ | $H_1:\mu>\mu_0$ | $H_1:\mu<\mu_0$ |
|---|---|---|---|---|
| $\sigma^2$ 已知 | $Z=\frac{\bar X-\mu_0}{\sigma/\sqrt n}$ | $\lvert Z\rvert>z_{\alpha/2}$ | $Z>z_\alpha$ | $Z<-z_\alpha$ |
| $\sigma^2$ 未知 | $T=\frac{\bar X-\mu_0}{S/\sqrt n}$ | $\lvert T\rvert>t_{\alpha/2}(n-1)$ | $T>t_\alpha(n-1)$ | $T<-t_\alpha(n-1)$ |
**读题三步**
1. 看 $H_1$ 的**方向**:出现 $\ne$ 就是双侧,分位数用 $\alpha/2$ ;出现 $>$ 或 $<$ 就是单侧,分位数用 $\alpha$ 。
2. 看 $\sigma^2$ 是否已知:已知用 $Z$ ,未知用 $t$ 。
3. 自由度是 $n-1$ ,不是 $n$ 。
**坑**
- 单侧检验写成 $\lvert T\rvert>t_\alpha$ 是最常见错误——单侧只看一边。
- $t$ 分布自由度 $n-1$ 与样本量有关,与 $\alpha$ 无关。
- 拒绝域的方向要跟 $H_1$ 一致:$H_1:\mu>\mu_0$ 时只有"$\bar X$ 偏大"才拒绝。
- 第二类错误 $\beta$ 是"$H_0$ 假却不拒绝",与 $\alpha$ 反向变化。
**本卷**:题 10。
## P04 二项分布与独立重复试验
**一句话**:$n$ 次独立重复、每次成功概率 $p$ ,成功次数 $X\sim B(n,p)$ ,$P\{X=k\}=\mathrm{C}_n^kp^k(1-p)^{n-k}$ ;两个独立二项变量求"相等"就按分布列配对求和。
**常用结论**
- $EX=np$ ,$DX=np(1-p)$ 。
- 两个独立二项变量 $X\sim B(n_1,p)$ 、$Y\sim B(n_2,p)$ 且 **$p$ 相同时**,有 $X+Y\sim B(n_1+n_2,p)$ 。
- 求 $P\{X=Y\}$ :$\sum_kP\{X=k\}P\{Y=k\}$ ,$k$ 取两个分布**共同**的取值范围,超出范围的项为 0 。
- $n$ 大 $p$ 小时用泊松近似 $np=\lambda$ 。
**坑**
- 相加成二项要求 $p$ **相同**且独立,$p$ 不同只能卷积。
- $P\{X=Y\}$ 的 $k$ 上限取 $\min\{n_1,n_2\}$ ,漏掉边界项会少算。
- 二项分布是"有放回"式的独立重复,与超几何分布不同。
**本卷**:题 16。
## P05 矩估计与极大似然估计
**一句话**:矩估计是"用样本矩替换总体矩解方程",极大似然是"把似然函数求导令其为零";两者都不需要记公式,按流程走即可。
**矩估计三步**
1. 算总体矩 $EX$ (含参数 $\theta$ )。
2. 令 $EX=\bar X$ ,解出 $\hat\theta$ 。
3. 若方程中出现 $\bar X-\text{常数}$ 这种结构,注意样本必须满足的取值范围(如 $\bar X>1$ )。
**极大似然四步**
1. 写似然 $L(\theta)=\prod f(x_i;\theta)$ ,**注意示性条件**(如所有 $x_i\geqslant1$ )。
2. 取对数 $\ln L$ ,把乘积变求和。
3. 对 $\theta$ 求导令零,解出 $\hat\theta$ 。
4. 若驻点不在参数空间内(如 $\hat\theta\leqslant1$ 而要求 $\theta>1$ ),极大值在**边界**取到,要用单调性论证。
**坑**
- 忘记写 $x_i\geqslant a$ 这类支撑条件,导致 $L$ 写错、导数解错。
- 样本量 $n$ 出现在 $\hat\theta$ 里别漏(本题 $\hat\theta=n\big/\sum\ln x_i$ ,分子是 $n$ 不是 1)。
- 密度含 $\theta$ 在指数上时,先取对数再求导几乎总比直接求导简单。
**本卷**:题 22 第(Ⅰ)(Ⅱ)问。
## P06 估计量的无偏性判定
**一句话**:判无偏就是算 $E\hat\theta$ ;当 $\hat\theta$ 取 $1/\bar Y$ 这种非线性形式时,用**詹森不等式**判方向而不是硬算。
**两条工具**
1. 直接算:$E\hat\theta=\displaystyle\int\hat\theta\cdot f\,\mathrm{d}x$ ,能算出来就比。
2. 詹森不等式:$g$ 为凸函数时 $E[g(Y)]\geqslant g(EY)$ (严格凸且 $Y$ 非常数时取严格不等号)。
**典型判断**:设 $E\bar Y=1/\theta$ ,$\hat\theta=1/\bar Y$ 。因 $1/y$ 在 $y>0$ 上严格凸,故 $E\hat\theta>\dfrac{1}{E\bar Y}=\theta$ ,即 $\hat\theta$ **系统性偏大**,是有偏估计。
**修正思路**:若 $E\hat\theta=(n-1)\theta/n$ 这类线性偏差,乘 $\dfrac{n}{n-1}$ 即得无偏;非线性偏差一般无法靠常数因子修正,需要另找统计量。
**坑**
- $E\!\left(\dfrac{1}{\bar X}\right)\ne\dfrac{1}{E\bar X}$ ,这是最经典的错误($1/x$ 不是线性函数)。
- 判断"有偏"只需要举出一个方向即可,但结论要写清是**偏大**还是**偏小**。
- 无偏性是关于**参数**的,不是关于样本的。
**本卷**:题 22 第(Ⅲ)问。
## 同类轮换考点(本卷未出,但要会)
| 考点 | 近五年出现 | 一句话 |
|---|---|---|
| 切比雪夫不等式 | 2022·9 | $P\{\lvert X-EX\rvert\geqslant\varepsilon\}\leqslant DX/\varepsilon^2$ |
| 中心极限定理 | 2025·9(泊松近似) | $\frac{\sum X_i-n\mu}{\sqrt n\sigma}$ 近似标准正态 |
| 二维连续型随机变量 | 2021·22、2023·22 | 先定区域再积,注意 $f_{X}$ 的积分限 |
| 随机变量函数的分布 | 2024·10、2025·22 | 分布函数法最稳,注意分段 |
| 次序统计量 | 2024·22 | 最小值的密度 $n[1-F(x)]^{n-1}f(x)$ |
| $F$ 分布与两总体方差比 | 2023·9 | $\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-1)$ |
| 第二类错误 | 2021·10 | $\beta=P\{\text{不拒绝}H_0\mid H_0\text{ 假}\}$ |