diff --git a/.gitignore b/.gitignore
index 7617055..9f5ffc5 100644
--- a/.gitignore
+++ b/.gitignore
@@ -21,6 +21,9 @@
# 源仓库 Obsidian 状态
**/papers/.obsidian/
+# md2pdf 工具中间产物(HTML 内联字体,体积大,可随时重建)
+.workbuddy/tools/md2pdf/build/
+
# 系统文件
.DS_Store
Thumbs.db
diff --git a/.workbuddy/memory/2026-10-14.md b/.workbuddy/memory/2026-10-14.md
new file mode 100644
index 0000000..a58dbab
--- /dev/null
+++ b/.workbuddy/memory/2026-10-14.md
@@ -0,0 +1,72 @@
+# 2026-10-14 工作日志
+
+## 推送上云(git push → app.zhantiandoudi.cn/Yimu/MathNotesVersion2)
+
+**背景**:用户指令"推送上云"。工作区 `D:/考研/第二代数学笔记` 是 git 仓库,远程 `origin = https://app.zhantiandoudi.cn/Yimu/MathNotesVersion2.git`(Gitea 类自建,凭证经 Windows Git Credential Manager 已缓存)。
+
+### 推送前的关键排查
+
+1. **本地落后云端 1 个提交**:本地 main=`a3e3773`(init),云端 main=`0c199f6`("02数列极限加练与错题复盘")。属快进关系,需先变基。
+2. **🔴 发现 `.gitignore` 规则全部失效**:原文件把注释写在**行尾**(如 `**/solutions/ # 历年答案 PDF`),而 gitignore 的 `#` **必须独占行首**,行尾 `#` 会被当作模式的一部分 → `solutions/`、`papers/images/`、`papers/*.md`、`papers/数学二/` 四条排除规则**均未生效**。实测待推送体积 **259MB**(含试卷 205MB 图片/PDF + 参考仓库 54MB 嵌套仓库);修复后降至 **160KB**。已改为行首注释,并新增忽略 `参考仓库/`(内含嵌套 `.git`,无法作为普通文件推送)。
+3. **9 个笔记被本地删除**:`数学一/知识点/` 下 8 个 + `以题带点/2023-17-微分方程建模.md`。但 `总览.md` 里仍标 ✓,判断可能非本意 → **已向用户确认,用户选择"保持删除并同步"**。
+4. **README.md 双方都改**:云端改"进度"段(02 数列极限 2026-10-04 / 03–14),本地改(02 加强版双链 + 04–14 + 新增复习手册节)。**冲突解决**:保留本地更完整版本,并修正云端 `03–14` 与上方 03 行重复的问题为 `04–14`。
+
+### 执行过程
+
+1. 修复 `.gitignore`(行首注释 + 新增 `参考仓库/`)。
+2. `git add -A` → 暂存 10 新增 / 9 删除 / 3 修改(确认参考仓库与试卷图片未被暂存)。
+3. `git commit`(66c0956)→ `git rebase origin/main` → 仅 README.md 冲突 → 手工合并 → `git rebase --continue`(新提交 **82f15e1**)。
+4. `git push origin main` → `0c199f6..82f15e1` ✓。
+
+### 结果
+
+- 云端与本地 main 均为 **`82f15e1`**,`git status -sb` 无 ahead/behind,**已同步**。
+- 本次推送内容:概率论第3讲四件套(README + 01考点手册 + 02试题 + 03解析 + 04答疑笔记)、每日小练 02-数列 系列 4 个文件、`.workbuddy/memory/2026-10-13.md`、README/总览/.gitignore 更新。
+- 云端原有文件保留:`每日小练/02-数列极限.md`、`02-数列极限-加练.md`、`知识点/数列极限-方法复盘.md`。
+
+### ⚠️ 待用户决定的遗留问题
+
+`每日小练/` 现在**存在两套并列的"02"**(并行会话/多机造成):
+- 本地线:`02-数列.md`(2026-10-12 初版)+ `02-数列-加强版.md` + `02-数列-知识点复习.md` + `02-数列-质量审计.md`
+- 云端线:`02-数列极限.md`(2026-10-04)+ `02-数列极限-加练.md`
+
+且 `总览.md` 中 `知识点/`、`以题带点/` 节点仍标 ✓,但实际已随本次删除移除 —— **总览与磁盘不一致,待同步**。
+
+### 可复用的经验
+
+- `.gitignore` 注释必须独占一行;行尾注释会静默失效,务必用 `git ls-files --others --exclude-standard` + `du --files0-from=-` 实测待推送体积。
+- 该仓库推送前固定检查:①`git fetch` 看是否落后 ②`git rev-list --left-right --count origin/main...main` ③待推送体积 ④缺失(D)/新增(A)清单(尤其**删除项**要人工确认)。
+- `du -ch | tail -1` 配 `xargs` 会因分批而给出错误总计,须用 `du -ch --files0-from=-`。
+
+---
+
+## 概率论第3讲 → 平板书写版 PDF(新建 md2pdf 工具链)
+
+**需求**:把「在学练习/概率论-第3讲-多维随机变量及其分布」转成适合平板上手写的 PDF,要求**公式精确渲染**、**每题留半页/整页答题**。
+
+**环境约束**:本机**无 pandoc、无 LaTeX(xelatex 等)**;有 Edge(Chromium 内核)、托管 Node v22、npm 可达。
+→ 选定渲染链:**Markdown → 公式保护占位 → markdown-it → KaTeX 服务端渲染 → 内联字体 CSS → puppeteer-core 驱动 Edge 无头打印**。
+
+### 新增工具(可复用,非一次性脚本)
+
+- `D:/考研/第二代数学笔记/.workbuddy/tools/md2pdf/md2pdf.js` —— 主转换器
+ - `--mode plain`:普通版(考点手册/解析/答疑)
+ - `--mode answer`:答题版,按 `**N.**` 切题,逐题注入 `.q-space` 留白(A 组 88mm / B·C 组 178mm,含浅色虚框 + 横向书写格)
+ - 关键实现:`$…$`、`$$…$$` 先替换成 `\uE000n\uE001` 占位符再走 markdown(**解决表格单元格内含 `|` 的公式被拆表问题**);KaTeX CSS 只保留 woff2 并 base64 内联(离线可渲染,约 800KB/份);页脚用 puppeteer `footerTemplate` 加「标题 + 页码/总页数」。
+- `D:/考研/第二代数学笔记/.workbuddy/tools/md2pdf/shot.js` —— 把 HTML 按像素区间截图,用于**视觉验收公式/表格/留白**。
+- 依赖装在托管工作区 `C:/Users/Wang Ling/.workbuddy/binaries/node/workspace`(katex 0.19、markdown-it、puppeteer-core),**未污染用户环境**。
+
+### 产物(`在学练习/概率论-第3讲-多维随机变量及其分布/PDF/`)
+
+| 文件 | 页数 |
+|---|---|
+| 概率论第3讲-试题-答题版.pdf | 17(1 封面页 + A 组 3 页 + B 组 8 页 + C 组 5 页) |
+| 概率论第3讲-考点手册.pdf | 10 |
+| 概率论第3讲-解析.pdf | 7 |
+| 概率论第3讲-答疑笔记.pdf | 9 |
+
+**验收**:截图抽查首页(表格+行内公式)、B 组页、C 组页(`cases` 独立公式居中)、考点手册页(二维正态长公式、blockquote),公式与表格均正确、无溢出。
+
+**同步**:`README.md` 新增「五、平板书写版(PDF)」节(含重新生成命令);`总览.md` 目录树补 `04-答疑笔记.md` 与 `PDF/` 四个文件;`.gitignore` 追加忽略 `.workbuddy/tools/md2pdf/build/`(HTML 中间产物体积大)。
+
+**待确认**:留白尺寸(A 半页 / B·C 整页)如不合用,改 `pageCss()` 里 `.q-space.half|.full` 的高度重跑即可;PDF 尚未 push,等用户确认后随下次提交上云。
diff --git a/.workbuddy/memory/2026-10-16.md b/.workbuddy/memory/2026-10-16.md
new file mode 100644
index 0000000..c7634fd
--- /dev/null
+++ b/.workbuddy/memory/2026-10-16.md
@@ -0,0 +1,131 @@
+# 2026-10-16 工作日志
+
+## 概率论第3讲 · 新增「中高难度卷」(12 题)
+
+**需求**:为本章再出一份试题,**只出中高难度题**(不含基础题)。
+
+### 命题依据(先把真题基本面摸清)
+
+- 查询 `kaoyan_math1.db` 第 17 章:十年 **11 题**(2016·22、2017·22、2018·22、2019·8、2019·22、2020·22、2021·22、2022·10、2023·22、2024·9、2025·22),其中 9 道 11–12 分解答题 + 2 道选填。
+- 对照既有 `02-试题`(19 题)的覆盖表,发现 **5 个空档**:①离散型二维函数分布;②正态差 |X−Y|(2019·8 只被"顺带提到");③条件期望;④一般二维函数的联合分布(雅可比 + 支撑集形状);⑤2025·22 式应用建模。
+- 新卷**对准这 5 个空档 + 同考法换数字**,并刻意避开 02-试题 已用的结构(均匀域离散化、条件均匀、混合正态、圆域 X²+Y²、雅可比比值)。
+
+### 产出
+
+- `05-试题-中高难度.md` —— **12 题(B 中等 7 / C 拔高 5)**,题号 1–12 独立成卷。
+ - B:离散表格 Z=X+Y、正态差(锚 2019·8)、条件密度+条件期望(f=24xy on x+y<1,锚 2024·9)、商分布(U(0,1)/E(1),锚 2021·22)、半圆均匀+面积比、离散×连续乘积(锚 2019·22)、二维正态线性组合。
+ - C:雅可比一一变换(U=X+Y, V=X−Y,**菱形支撑集**)、顺序统计量 (min,max)、卷积分段(U(0,1)+E(1))、条件分布→相关系数(Y|X=x~U(x,2x),ρ=3√(3/31))、串联/并联寿命应用建模(锚 2025·22)。
+- `06-解析-中高难度.md` —— 逐题含答案/思路/易错点,末尾附「与既有 19 题分工表」「真题覆盖表」「新填 5 缺口」,并诚实列出仍未覆盖的 2 个方向。
+- PDF:`PDF/概率论第3讲-试题-中高难度-答题版.pdf`(13 页:1 封面 + 12 题各 1 页整页留白)、`PDF/概率论第3讲-解析-中高难度.pdf`(9 页)。复用 `.workbuddy/tools/md2pdf` 工具链,截图抽查公式与留白均正常。
+
+**同步**:`README.md` 文件表补 05/06、PDF 表补两行;`总览.md` 目录树补 05/06 与两份新 PDF。
+
+### 关键数值(复核过,可复用)
+
+- f=24xy on {x>0,y>0,x+y<1}:c=24,f_X=12x(1−x)²,f_{Y|X}=2y/(1−x)²,E(Y|X=x)=2(1−x)/3,E(Y)=2/5。
+- X~U(0,1), Y~E(1), Z=Y/X:f_Z(z)=[1−(1+z)e^{−z}]/z²,z>0。
+- X,Y iid U(0,1),U=X+Y,V=X−Y:|J|=1/2,支撑集为菱形(顶点 (0,0),(1,1),(2,0),(1,−1)),f_UV≡1/2。
+- X,Y iid U(0,1) 的 (min,max) 联合密度 = 2(0-文件夹/` —— **正在学的章节**,采用「README + 01-考点手册 + 02-试题 + 03-解析 + 04-答疑笔记 + PDF/」多文件结构(用户 2026-10-13 确认)
+ - 答疑按**题号增量追加**到 `04-答疑笔记.md`
+ - 讲次 ↔ 真题库章节映射:**第3讲 多维随机变量 ↔ ch17**;**第5讲 大数定律与中心极限定理 ↔ ch19**;**第6讲 数理统计 ↔ ch20(基本概念)+ ch21(参数估计)+ ch22(假设检验)**。新讲次按「视频讲次 ↔ DB 章节」对应关系挂靠
+ - 考点/试题**同一知识点只归属其"正统"讲次**(如切比雪夫不等式属第 5 讲,不在第 3 讲展开,仅留一行交叉链接)
+- 真题库:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db`(2016–2025,225 题,表 `question`)
+- 参考仓库:`参考仓库/Math/`(`.tex`,已在 .gitignore 忽略,不入库)
+
+## 用户偏好
+
+- 数学内容**必须准确渲染公式**;Markdown 用 `$…$` / `$$…$$`。
+- 题目要求**难度分层**(A 基础 / B 中等 / C 拔高),题量可比小练多。
+- 出题**防过拟合**:数字/区域原创,只对齐考法;要标「真题骨架」锚点。
+- 讲解要**从零拆解 + 指出易错点**,并配图(show_widget 用 SVG)。
+- 需要**平板书写版 PDF**(触控笔批注,按题留白)。
+
+## 工具链(本项目自建,可复用)
+
+- **md2pdf**:`D:/考研/第二代数学笔记/.workbuddy/tools/md2pdf/md2pdf.js`
+ - 渲染链:Markdown → 公式占位 → markdown-it → KaTeX 服务端渲染 → Edge(puppeteer-core) 无头打印 A4
+ - `--mode answer` 生成答题版(逐题留白:A 组 88mm、B/C 组 178mm)
+ - `shot.js` 用于 HTML 视觉验收截图
+ - 依赖装在托管 node 工作区:`C:/Users/Wang Ling/.workbuddy/binaries/node/workspace`
+ - 本机**无 pandoc / 无 LaTeX**,勿尝试 xelatex 路线
+
+## 云仓库
+
+- `origin = https://app.zhantiandoudi.cn/Yimu/MathNotesVersion2.git`(main 分支)
+- **`.gitignore` 注释必须独占行首**(行尾注释会静默失效,曾导致 259MB 误入待推送)
+- 推送前固定检查:`git fetch` → `git rev-list --left-right --count origin/main...main` → 待推送体积(`du -ch --files0-from=-`)→ 删除项人工确认
diff --git a/.workbuddy/tools/md2pdf/md2pdf.js b/.workbuddy/tools/md2pdf/md2pdf.js
new file mode 100644
index 0000000..d725d1b
--- /dev/null
+++ b/.workbuddy/tools/md2pdf/md2pdf.js
@@ -0,0 +1,259 @@
+#!/usr/bin/env node
+'use strict';
+/**
+ * md2pdf.js —— 把 Obsidian 风格 Markdown(含 $..$ / $$..$$ 公式)转成适合打印/平板书写的 PDF
+ *
+ * 依赖(安装在托管 node 工作区): katex / markdown-it / puppeteer-core
+ * 渲染链: 公式保护 -> markdown-it -> KaTeX(服务端) -> 内联字体 CSS -> Edge(Chromium) 无头打印
+ *
+ * 用法:
+ * node md2pdf.js --in a.md --out a.pdf --title "标题" [--mode plain|answer] [--subtitle "..."]
+ */
+
+const fs = require('fs');
+const path = require('path');
+
+const NODE_WS = 'C:/Users/Wang Ling/.workbuddy/binaries/node/workspace';
+const NM = path.join(NODE_WS, 'node_modules');
+const MarkdownIt = require(path.join(NM, 'markdown-it'));
+const katex = require(path.join(NM, 'katex'));
+const puppeteer = require(path.join(NM, 'puppeteer-core'));
+
+const EDGE = 'C:/Program Files (x86)/Microsoft/Edge/Application/msedge.exe';
+
+/* ------------------------------ 参数解析 ------------------------------ */
+function parseArgs(argv) {
+ const a = {};
+ for (let i = 2; i < argv.length; i++) {
+ const k = argv[i];
+ if (k.startsWith('--')) a[k.slice(2)] = (argv[i + 1] && !argv[i + 1].startsWith('--')) ? argv[++i] : true;
+ }
+ return a;
+}
+const ARGS = parseArgs(process.argv);
+if (!ARGS.in || !ARGS.out) { console.error('缺少 --in / --out'); process.exit(1); }
+const MODE = ARGS.mode === 'answer' ? 'answer' : 'plain';
+
+/* ------------------------------ KaTeX CSS(内联字体) ------------------------------ */
+function buildKatexCss() {
+ const cssPath = path.join(NM, 'katex/dist/katex.min.css');
+ const fontsDir = path.join(NM, 'katex/dist/fonts');
+ let css = fs.readFileSync(cssPath, 'utf8');
+ // 去掉 woff / ttf 备选,只保留 woff2(Chromium 全支持),减小体积
+ css = css.replace(/,\s*url\(fonts\/[^)]+\.woff\)\s*format\('woff'\)/g, '');
+ css = css.replace(/,\s*url\(fonts\/[^)]+\.ttf\)\s*format\('truetype'\)/g, '');
+ const cache = {};
+ css = css.replace(/url\(fonts\/([^)]+?)\)/g, (m, file) => {
+ const base = file.replace(/\.(woff2|woff|ttf)$/, '');
+ const f = path.join(fontsDir, base + '.woff2');
+ if (!fs.existsSync(f)) return m;
+ if (!cache[base]) cache[base] = 'data:font/woff2;base64,' + fs.readFileSync(f).toString('base64');
+ return `url(${cache[base]})`;
+ });
+ return css;
+}
+
+/* ------------------------------ 公式保护 / 渲染 ------------------------------ */
+const PUA_S = '\uE000';
+const PUA_E = '\uE001';
+
+function renderTex(tex, display) {
+ try {
+ return katex.renderToString(tex.trim(), {
+ displayMode: !!display, throwOnError: false, strict: false, trust: false,
+ macros: { '\\d': '\\mathrm{d}' }
+ });
+ } catch (e) {
+ return `${tex}`;
+ }
+}
+
+/** 把 $..$ / $$..$$ 换成占位符,返回 {text, store} */
+function protectMath(src) {
+ const store = [];
+ let out = '';
+ let i = 0;
+ const push = (tex, display) => {
+ const id = store.length;
+ store.push(renderTex(tex, display));
+ return PUA_S + id + PUA_E;
+ };
+ while (i < src.length) {
+ const c = src[i];
+ if (c === '\\' && src[i + 1] === '$') { out += '\\$'; i += 2; continue; }
+ if (c === '$' && src[i + 1] === '$') {
+ const end = src.indexOf('$$', i + 2);
+ if (end !== -1) { out += push(src.slice(i + 2, end), true); i = end + 2; continue; }
+ }
+ if (c === '$') {
+ let j = i + 1, close = -1;
+ while (j < src.length && src[j] !== '\n') {
+ if (src[j] === '\\') { j += 2; continue; }
+ if (src[j] === '$') { close = j; break; }
+ j++;
+ }
+ if (close !== -1 && close > i + 1) { out += push(src.slice(i + 1, close), false); i = close + 1; continue; }
+ }
+ out += c; i++;
+ }
+ return { text: out, store };
+}
+
+function restoreMath(html, store) {
+ return html.replace(new RegExp(PUA_S + '(\\d+)' + PUA_E, 'g'), (m, id) => store[+id] || '');
+}
+
+/* ------------------------------ Markdown 预处理 ------------------------------ */
+function stripFrontmatter(md) {
+ const m = md.match(/^---\r?\n[\s\S]*?\r?\n---\r?\n?/);
+ return m ? md.slice(m[0].length) : md;
+}
+/** Obsidian 双链 [[x|y]] / [[x]] -> 纯文本 */
+function unlinkWikilinks(s) {
+ return s.replace(/\[\[([^\]|]+)(?:\|([^\]]+))?\]\]/g, (m, a, b) => (b || a));
+}
+
+/* ------------------------------ HTML 模板 ------------------------------ */
+function pageCss() {
+ return `
+@page { size: A4; }
+* { box-sizing: border-box; }
+html, body { margin: 0; padding: 0; }
+body {
+ font-family: "Microsoft YaHei", "PingFang SC", "Hiragino Sans GB", "Segoe UI Emoji", "Segoe UI Symbol", sans-serif;
+ font-size: 11.4pt; line-height: 1.78; color: #14181f;
+ -webkit-print-color-adjust: exact; print-color-adjust: exact;
+}
+.doc > *:first-child { margin-top: 0; }
+h1 { font-size: 17pt; line-height: 1.4; margin: 0 0 3mm; letter-spacing: .3px; }
+h2 { font-size: 13.6pt; margin: 7mm 0 3mm; padding-bottom: 1.6mm; border-bottom: 1.6px solid #2b4a7d; color: #17325c; break-after: avoid; page-break-after: avoid; }
+h3 { font-size: 12.2pt; margin: 5mm 0 2mm; color: #1f3763; break-after: avoid; page-break-after: avoid; }
+h4 { font-size: 11.6pt; margin: 4mm 0 1.5mm; color: #2b4368; break-after: avoid; page-break-after: avoid; }
+p { margin: 1.6mm 0; }
+ul, ol { margin: 1.6mm 0; padding-left: 6.5mm; }
+li { margin: .9mm 0; }
+blockquote { margin: 2.4mm 0; padding: 1.6mm 3.2mm; border-left: 3px solid #9fb6d6; background: #f3f6fb; color: #24313f; border-radius: 0 3px 3px 0; }
+blockquote p { margin: .8mm 0; }
+hr { border: none; border-top: 1px solid #d5dde8; margin: 4.5mm 0; }
+table { border-collapse: collapse; width: 100%; margin: 2.6mm 0; font-size: 10.4pt; break-inside: avoid; page-break-inside: avoid; }
+th, td { border: 1px solid #c2cddd; padding: 1.3mm 2.2mm; text-align: left; vertical-align: top; }
+th { background: #eaf0f8; font-weight: 700; color: #17325c; }
+code { font-family: Consolas, "Courier New", monospace; font-size: .92em; background: #eef2f7; padding: 0 1px; border-radius: 2px; }
+pre { background: #f5f7fa; border: 1px solid #dde4ee; border-radius: 4px; padding: 2.4mm; font-size: 9.6pt; overflow-x: auto; break-inside: avoid; }
+strong { color: #0f1720; }
+img { max-width: 100%; }
+/* 公式 */
+.katex { font-size: 1.04em; }
+.katex-display { margin: 2.4mm 0 !important; overflow-x: auto; overflow-y: hidden; padding: 1px 0; }
+.katex-display > .katex { white-space: normal; }
+.tex-err { color: #b00020; background: #ffe9ec; padding: 0 2px; }
+/* 答题版 */
+.q { break-inside: avoid; page-break-inside: avoid; margin: 0 0 5mm; }
+.q-stem { }
+.q-space { border: 1px dashed #b9c6d8; border-radius: 6px; margin-top: 3.4mm; background: repeating-linear-gradient(to bottom, #fff 0, #fff 9.4mm, #eef3f9 9.4mm, #eef3f9 9.5mm); }
+.q-space.half { height: 88mm; }
+.q-space.full { height: 178mm; }
+.q-tag { display: inline-block; font-size: 8.2pt; color: #7c8aa0; border: 1px solid #cfd8e5; border-radius: 999px; padding: 0 2mm; margin-left: 2mm; vertical-align: 1px; }
+.group-head { margin-top: 6mm; }
+`;
+}
+
+function htmlShell(title, body) {
+ return `
+${title.replace(/
+
+
+${body}`;
+}
+
+/* ------------------------------ 渲染器 ------------------------------ */
+function makeMd() {
+ return new MarkdownIt({ html: true, breaks: true, linkify: false, typographer: false });
+}
+function mdToHtml(md, store) {
+ const mdit = makeMd();
+ return restoreMath(mdit.render(md), store);
+}
+
+/* 试题答题版:按题切分,逐题留白 */
+function buildAnswerBody(rawMd) {
+ const lines = unlinkWikilinks(stripFrontmatter(rawMd)).split(/\r?\n/);
+ const blocks = []; // {type:'md'|'q', group, num, text}
+ let buf = [];
+ let group = { level: 2, title: '' };
+ let cur = null;
+ const flushMd = () => { if (buf.join('\n').trim()) blocks.push({ type: 'md', text: buf.join('\n') }); buf = []; };
+ const flushQ = () => { if (cur) { cur.text = cur.text.join('\n').trim(); blocks.push(cur); cur = null; } };
+
+ for (const line of lines) {
+ const gh = line.match(/^##\s+(.*)$/);
+ const qh = line.match(/^\*\*(\d+)\.\*\*\s*(.*)$/);
+ if (gh) { flushQ(); flushMd(); group = { level: 2, title: gh[1] }; buf.push(line); continue; }
+ if (qh) { flushQ(); flushMd(); cur = { type: 'q', group: group.title, num: +qh[1], text: [line] }; continue; }
+ if (cur) cur.text.push(line); else buf.push(line);
+ }
+ flushQ(); flushMd();
+
+ // 组名里含 C/拔高 或 B/中等 -> 整页留白;A/基础 -> 半页
+ const spaceOf = (g) => (/C\s*组|拔高|★★★/.test(g) ? 'full' : /B\s*组|中等|★★☆/.test(g) ? 'full' : 'half');
+
+ const out = [];
+ for (const b of blocks) {
+ const { text, store } = protectMath(b.text);
+ if (b.type === 'md') { out.push(mdToHtml(text, store)); continue; }
+ const html = mdToHtml(text, store);
+ const sp = spaceOf(b.group);
+ out.push(
+ ``
+ );
+ }
+ return out.join('\n');
+}
+
+/* 普通版 */
+function buildPlainBody(rawMd) {
+ const { text, store } = protectMath(unlinkWikilinks(stripFrontmatter(rawMd)));
+ return mdToHtml(text, store);
+}
+
+/* ------------------------------ 主流程 ------------------------------ */
+(async () => {
+ const inPath = path.resolve(ARGS.in);
+ const outPath = path.resolve(ARGS.out);
+ const raw = fs.readFileSync(inPath, 'utf8');
+ const title = ARGS.title || path.basename(inPath, '.md');
+
+ const body = MODE === 'answer' ? buildAnswerBody(raw) : buildPlainBody(raw);
+ const html = htmlShell(title, body);
+
+ const buildDir = path.join(__dirname, 'build');
+ fs.mkdirSync(buildDir, { recursive: true });
+ fs.mkdirSync(path.dirname(outPath), { recursive: true });
+ const tmpHtml = path.join(buildDir, path.basename(outPath).replace(/\.pdf$/i, '.html'));
+ fs.writeFileSync(tmpHtml, html, 'utf8');
+
+ const footer = `
+ ${(ARGS.subtitle || title).replace(/
+ /
`;
+
+ const browser = await puppeteer.launch({
+ executablePath: EDGE,
+ headless: 'new',
+ args: ['--no-sandbox', '--disable-gpu', '--allow-file-access-from-files', '--font-render-hinting=none'],
+ });
+ try {
+ const page = await browser.newPage();
+ await page.goto('file:///' + tmpHtml.replace(/\\/g, '/'), { waitUntil: 'load', timeout: 120000 });
+ await page.emulateMediaType('print');
+ await page.pdf({
+ path: outPath, format: 'A4', printBackground: true, preferCSSPageSize: true,
+ displayHeaderFooter: true, headerTemplate: '', footerTemplate: footer,
+ margin: { top: '12mm', bottom: '14mm', left: '13mm', right: '13mm' },
+ });
+ const st = fs.statSync(outPath);
+ console.log(`OK ${path.basename(outPath)} ${(st.size / 1024).toFixed(0)} KB [mode=${MODE}]`);
+ } finally {
+ await browser.close();
+ }
+})().catch(e => { console.error('FAIL:', e); process.exit(1); });
diff --git a/.workbuddy/tools/md2pdf/shot.js b/.workbuddy/tools/md2pdf/shot.js
new file mode 100644
index 0000000..1a18bdf
--- /dev/null
+++ b/.workbuddy/tools/md2pdf/shot.js
@@ -0,0 +1,21 @@
+'use strict';
+const path = require('path');
+const fs = require('fs');
+const NM = 'C:/Users/Wang Ling/.workbuddy/binaries/node/workspace/node_modules';
+const puppeteer = require(path.join(NM, 'puppeteer-core'));
+const EDGE = 'C:/Program Files (x86)/Microsoft/Edge/Application/msedge.exe';
+
+(async () => {
+ const html = process.argv[2];
+ const outPng = process.argv[3];
+ const startPx = parseInt(process.argv[4] || '0', 10);
+ const heightPx = parseInt(process.argv[5] || '1123', 10);
+ const browser = await puppeteer.launch({ executablePath: EDGE, headless: 'new', args: ['--no-sandbox', '--allow-file-access-from-files'] });
+ const page = await browser.newPage();
+ await page.setViewport({ width: 794, height: 1123, deviceScaleFactor: 1.6 });
+ await page.goto('file:///' + path.resolve(html).replace(/\\/g, '/'), { waitUntil: 'load', timeout: 120000 });
+ const total = await page.evaluate(() => document.body.scrollHeight);
+ await page.screenshot({ path: outPng, clip: { x: 0, y: startPx, width: 794, height: Math.min(heightPx, total - startPx) } });
+ console.log('html height px =', total, ' -> screenshot', outPng);
+ await browser.close();
+})().catch(e => { console.error(e); process.exit(1); });
diff --git a/基于考研的学习/总览.md b/基于考研的学习/总览.md
index 23d191c..1c9643b 100644
--- a/基于考研的学习/总览.md
+++ b/基于考研的学习/总览.md
@@ -47,11 +47,39 @@ tags:
│ └── 02-数列-质量审计.md ✓ 命题依据审计
│ └── 做题本.md ✓ 错题记录
├── 在学练习/ ← 正在学的章节:考点/试题/解析 三件分离,按讲次建文件夹
- │ └── 概率论-第3讲-多维随机变量及其分布/ ✓ 已出(2026-10-13)
+ │ ├── 概率论-第3讲-多维随机变量及其分布/ ✓ 已出(2026-10-13)
+ │ │ ├── README.md ✓ 文件夹索引与规划
+ │ │ ├── 01-考点手册.md ✓ 全考点 + 雅可比行列式变换法
+ │ │ ├── 02-试题.md ✓ 19 题(A/B/C 分层,不含答案)
+ │ │ ├── 03-解析.md ✓ 19 题详解
+ │ │ ├── 04-答疑笔记.md ✓ 卡壳题逐步答疑
+ │ │ ├── 05-试题-中高难度.md ✓ 12 题(B 中等 7 / C 拔高 5)
+ │ │ ├── 06-解析-中高难度.md ✓ 强化卷详解 + 缺口覆盖表
+ │ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
+ │ │ ├── 概率论第3讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
+ │ │ ├── 概率论第3讲-试题-中高难度-答题版.pdf(13 页,全部整页留白)
+ │ │ ├── 概率论第3讲-解析-中高难度.pdf(9 页)
+ │ │ ├── 概率论第3讲-考点手册.pdf(10 页)
+ │ │ ├── 概率论第3讲-解析.pdf(7 页)
+ │ │ └── 概率论第3讲-答疑笔记.pdf(9 页)
+ │ ├── 概率论-第5讲-大数定律与中心极限定理/ ✓ 已出(2026-10-16,真题库第 19 章)
+ │ │ ├── README.md ✓ 文件夹索引与规划
+ │ │ ├── 01-考点手册.md ✓ 依概率收敛 / 切比雪夫 / 三大数定律 / 两 CLT / 泊松近似
+ │ │ ├── 02-试题.md ✓ 16 题(A 基础 6 / B 中等 6 / C 拔高 4,不含答案)
+ │ │ ├── 03-解析.md ✓ 16 题详解 + 命题质量报告
+ │ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
+ │ │ ├── 概率论第5讲-试题-答题版.pdf(14 页,A 半页 / B·C 整页留白)
+ │ │ ├── 概率论第5讲-解析.pdf(9 页)
+ │ │ └── 概率论第5讲-考点手册.pdf(8 页)
+ │ └── 概率论-第6讲-数理统计/ ✓ 已出(2026-10-16,真题库第 20/21/22 章,15 题 116 分)
│ ├── README.md ✓ 文件夹索引与规划
- │ ├── 01-考点手册.md ✓ 全考点 + 雅可比行列式变换法
- │ ├── 02-试题.md ✓ 19 题(A/B/C 分层,不含答案)
- │ └── 03-解析.md ✓ 19 题详解
+ │ ├── 01-考点手册.md ✓ 总体与样本 / 统计量及其分布 / 点估计 / 区间估计 / 假设检验 / 两类错误
+ │ ├── 02-试题.md ✓ 18 题(A 基础 6 / B 中等 8 / C 拔高 4,不含答案)
+ │ ├── 03-解析.md ✓ 18 题详解 + 命题质量报告
+ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
+ │ ├── 概率论第6讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
+ │ ├── 概率论第6讲-解析.pdf(13 页)
+ │ └── 概率论第6讲-考点手册.pdf(16 页)
├── 模拟卷/ ← 模拟卷(按十年库命题的自测卷)
│ ├── 2027模拟卷一.md ✓ 已完成
│ ├── 无穷级数专项练习.md ✓ 已完成
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/01-考点手册.md b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/01-考点手册.md
index 9b544c4..2881cd1 100644
--- a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/01-考点手册.md
+++ b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/01-考点手册.md
@@ -248,7 +248,7 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$;
-- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$。
+- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
---
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/05-试题-中高难度.md b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/05-试题-中高难度.md
new file mode 100644
index 0000000..af77158
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/05-试题-中高难度.md
@@ -0,0 +1,84 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 多维随机变量
+ - 试题
+ - 中高难度
+专题: 概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷(12 题)
+日期: 2026-10-16
+题量: 12 题(B 中等 7 / C 拔高 5,不含基础题)
+建议用时: 100 分钟(可拆两天)
+关联: "[[01-考点手册]] · [[06-解析-中高难度]] · [[02-试题]]"
+---
+
+# 概率论 第3讲 · 多维随机变量及其分布 · 试题(中高难度卷)
+
+> **定位**:本章**只收 B / C 两档**(中等 + 拔高),基础题见 [[02-试题]] 的 A 组。题号 1–12 **独立成卷**。
+> **用法**:先过 [[01-考点手册]],再限时 100 分钟做本卷,最后对 [[06-解析-中高难度]]。
+> **来源记号**:🟨 真题库第 17 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字与区域全部原创**,做完可直接回刷真题原题。
+> **难度**:B ★★☆ · C ★★★。
+
+---
+
+## B 组 · 中等(多步计算,★★☆)
+
+**1.** 【离散型函数分布 · **填缺口**】设 $(X,Y)$ 的联合分布律为
+
+| $X\backslash Y$ | 0 | 1 |
+|---|---|---|
+| **0** | 0.2 | 0.3 |
+| **1** | 0.4 | 0.1 |
+
+(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅲ)求 $Z=X+Y$ 的分布律。
+
+**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$,$Y\sim N(2,9)$。
+(Ⅰ)写出 $X-Y$ 服从的分布;
+(Ⅱ)求 $P\{X>Y\}$(用标准正态分布函数 $\Phi$ 表示);
+(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
+
+**3.** 【条件密度 + 条件期望 · **真题骨架 2024·9** 🟨】设 $(X,Y)$ 的概率密度为
+$$f(x,y)=\begin{cases}c\,xy,&x>0,\ y>0,\ x+y<1\\0,&\text{其他}\end{cases}$$
+(Ⅰ)求常数 $c$;
+(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$;
+(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$。
+
+**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$。求 $Z$ 的概率密度 $f_Z(z)$。
+
+**5.** 【非矩形域上的均匀分布 🟦02】设 $(X,Y)$ 在区域
+$$D=\{(x,y)\mid x^2+y^2\le1,\ y\ge0\}$$
+上服从均匀分布。
+(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$。
+
+**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$,$P\{Y=1\}=1-p$($0 每题含 **答案 / 思路 / 易错点**;标「真题骨架」的题给出对应真题。
+
+---
+
+## B 组 · 中等
+
+### 1.(Ⅰ)行和、列和:
+
+| $X\backslash Y$ | 0 | 1 | $p_{i\cdot}$ |
+|---|---|---|---|
+| **0** | 0.2 | 0.3 | **0.5** |
+| **1** | 0.4 | 0.1 | **0.5** |
+| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
+
+$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$。
+
+**(Ⅱ)** 取 $p_{00}=0.2$,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$,故 **$X$ 与 $Y$ 不相互独立**。
+
+**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$,按对角求和:
+$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
+$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
+> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
+> **易错点**:$X,Y$ **不独立**不影响求和的分布——求 $Z$ 的分布律**永远只用联合表**,与独立性无关。
+
+### 2.(Ⅰ)独立正态的差仍正态,均值相减、方差相加:
+$$X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).$$
+
+**(Ⅱ)**
+$$P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.$$
+
+**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$,故
+$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
+结果里**不含 $\mu$、含 $\sigma$** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
+> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$)与**差的方差**($2\sigma^2$)决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$。
+> **易错点**:$D(X-Y)=DX+DY$(**独立才可加**),不是 $DX-DY$;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
+
+### 3.(Ⅰ)
+$$\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}$$
+
+**(Ⅱ)** $D$ 是三角形 $x+y<1$,故
+$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0 **思路**:条件密度型问题三步走——**先定域($0 **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$。
+
+### 4. $f_{XY}(x,y)=1\cdot e^{-y}$($00$)。用**商的密度公式**(其 $|x|$ 即雅可比):
+$$f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).$$
+两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$):
+$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
+**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
+> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$,$|J|=|x|$,故公式里出现 $|x|$;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$,求导结果相同。
+> **易错点**:支撑集 $z>0$(公式里 $e^{-zx}$ 的收敛要求 $z>0$,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$。
+
+### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$(上半圆),故
+$$f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}$$
+
+**(Ⅱ)**
+$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),$$
+故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$。
+$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
+> **思路**:均匀分布求概率 = **面积比**;区域带圆就用**极坐标数角度**,比硬积分快得多。
+> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$,也算进 $\{x **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$、负半轴权重 $p$),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$。
+> **结论**:本题与真题同构——**"不相关"可以靠调参数凑出来,但"独立"凑不出来**。
+
+### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$。
+$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
+
+**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$。
+
+**(Ⅲ)** 线性组合的协方差(交叉项抵消):
+$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
+因 $(X+Y,\ X-Y)$ 仍是 $(X,Y)$ 的线性变换,**仍服从二维正态**,对二维正态"不相关 $\iff$ 独立",故 **$X+Y$ 与 $X-Y$ 不相互独立**。
+> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$(**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$。
+> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$。
+
+---
+
+## C 组 · 拔高
+
+### 8.(Ⅰ)反解
+$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
+雅可比行列式(**反解的行列式**):
+$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.$$
+**定义域一起变换**:$0 **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$;③ $f_{UV}=f\cdot|J|$,**定义域一并变换**(这一步决定了菱形的四条边)。
+> **易错点**:$|J|=\tfrac12$ 是**常数**,很容易被误当成"$f_{UV}$ 也是常数所以独立"——**判断独立必须比较边缘之积**,支撑集是斜菱形这一点就足以否定独立。
+> **与 02-试题 第 19 题的分工**:第 19 题练"和非一一→按分支"的比值变换,本题练**一一变换 + 支撑集形状**。
+
+### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0 **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$(限在 $x_{(1)}<\cdots **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$——正好是 $[0,1]$ 上两个等分点的位置。
+
+### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
+$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$),本题分界点就是 $z=1$。
+> **易错点**:$00$。
+
+### 11. 先写联合密度:$f_X(x)=1\ (0 **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$**;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$。
+> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$(均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$。
+
+### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$:
+$$F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0),$$
+$$\boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.$$
+> **结论**:独立同分布指数取 **min 仍是指数**,参数**相加**——"最短寿命"是串联系统的招牌性质。
+
+**(Ⅱ)** **并联** $T_2=\max(X,Y)$:
+$$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
+f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$
+用**期望的可加性**($\max+\min=X+Y$):
+$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
+
+**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$:
+$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
+**并联方案达标**(且恰好取等)。
+> **思路(最省力的期望算法)**:恒等式 $\max(X,Y)+\min(X,Y)=X+Y$ 两边取期望即可,**不必再做一次积分**。
+> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
+> **真题骨架**:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为**可靠性工程**情境。
+
+---
+
+## 附 · 出题质量报告
+
+### 一、与既有 19 题的分工(**不重复号、不重复数字**)
+
+| 本章已被 02-试题 覆盖 | 本卷的定位 |
+|---|---|
+| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$(18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
+
+### 二、真题覆盖(对照 ch17 的 11 题)
+
+| 真题 | 考法 | 对应题 | 说明 |
+|---|---|---|---|
+| 2016·22 | 均匀域 + 离散化 + 函数分布 | 5 | 同域精神,改为**半圆** |
+| 2017·22 | 混合型 $Z=X+Y$ | 1、10 | 离散型(1)+ **卷积**(10) |
+| 2018·22 | $Z=XY$ + 协方差 | — | 已由 02-试题 第 9 题覆盖 |
+| **2019·8** | **正态差 $\lvert X-Y\rvert$** | **2** | ✅ **本卷重点补** |
+| 2019·22 | 离散×连续乘积 + 不相关 + 独立 | 6 | ✅ 完整复刻考法 |
+| 2020·22 | 混合正态证明 | — | 已由 02-试题 第 17 题覆盖 |
+| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$) |
+| 2022·10 / 2024·9 | 条件分布 → 相关系数 | **3、11** | 条件期望(3)+ 相关系数(11) |
+| 2023·22 | 圆域 + Cov + 独立 + 函数分布 | 5、7 | 拆到"边缘 + 独立"与"二维正态线性组合" |
+| **2025·22** | **复合分布应用建模** | **12** | ✅ **本卷重点补** |
+
+### 三、手法覆盖
+
+离散和分布(1)、正态差(2)、条件密度与条件期望(3、11)、商分布(4)、非矩形域均匀 + 面积比(5)、离散×连续乘积(6)、二维正态线性组合与协方差(7)、**雅可比一一变换 + 菱形支撑集(8)**、**顺序统计量(9)**、**卷积分段(10)**、**min / max 与期望恒等式(12)**。
+
+### 四、相对 02-试题 新填的 5 个缺口
+
+1. 离散型二维函数分布(两离散变量之和的表格题)→ **第 1 题**;
+2. $\lvert X-Y\rvert$ 正态差的完整选择题(2019·8)→ **第 2 题**;
+3. 条件期望 / 全期望递推 → **第 3、11 题**;
+4. 一般二维函数的联合分布(**雅可比 + 支撑集形状**)→ **第 8 题**;
+5. 2025·22 式应用建模 → **第 12 题**。
+
+> 仍**未**覆盖(留作三轮):二维离散与连续的混合卷积(需同时用两种全概率)、二维正态的密度形式推导($\rho$ 的实际含义)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-答疑笔记.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-答疑笔记.pdf
new file mode 100644
index 0000000..51715b8
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-答疑笔记.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-考点手册.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-考点手册.pdf
new file mode 100644
index 0000000..e60a9db
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-考点手册.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析-中高难度.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析-中高难度.pdf
new file mode 100644
index 0000000..6aa7c9a
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析-中高难度.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析.pdf
new file mode 100644
index 0000000..223b741
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-解析.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-中高难度-答题版.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-中高难度-答题版.pdf
new file mode 100644
index 0000000..a1d0bf9
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-中高难度-答题版.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-答题版.pdf b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-答题版.pdf
new file mode 100644
index 0000000..0990284
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/PDF/概率论第3讲-试题-答题版.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/README.md b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/README.md
index a4a49a0..c0826e4 100644
--- a/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/README.md
+++ b/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/README.md
@@ -27,7 +27,9 @@ tags:
| **[[01-考点手册]]** | 本讲全部考点 + 方法库(含**雅可比行列式变换法**) | 学之前/复习时 |
| **[[02-试题]]** | 19 题分层练习(A 基础 / B 中等 / C 拔高),**不含答案** | 限时自测 |
| **[[03-解析]]** | 19 题详解 + 思路 + 易错点 + 真题骨架 | 做完对答案 |
-| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(当前:第 2 题 画图定限) | 哪题卡了看哪题 |
+| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(第 2 / 4 / 7 题已收) | 哪题卡了看哪题 |
+| **[[05-试题-中高难度]]** | **中高难度卷 12 题**(B 中等 7 + C 拔高 5,**无基础题**),独立成卷 | 一轮做完后的强化 |
+| **[[06-解析-中高难度]]** | 中高难度卷详解 + 与 02-试题 的分工说明 + 缺口覆盖表 | 做完对答案 |
## 二、训练目标
@@ -50,7 +52,24 @@ tags:
- 🟦 **视频**:第 3 讲 6 个讲次(本文件夹对应目录见 frontmatter)。
- **防过拟合**:试题数字与区域全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
-## 五、关联
+## 五、平板书写版(PDF)
+
+Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
+
+| 文件 | 页数 | 用途 |
+|---|---|---|
+| `概率论第3讲-试题-答题版.pdf` | 17 | **主用**:19 题逐题留白——A 组每题约半页,B/C 组每题约整页(带浅色虚框与横线格) |
+| `概率论第3讲-试题-中高难度-答题版.pdf` | 13 | **强化卷**:12 题全部整页留白(1 封面 + 12 题页) |
+| `概率论第3讲-解析-中高难度.pdf` | 9 | 强化卷答案 |
+| `概率论第3讲-考点手册.pdf` | 10 | 复习查阅 |
+| `概率论第3讲-解析.pdf` | 7 | 第一轮 19 题答案 |
+| `概率论第3讲-答疑笔记.pdf` | 9 | 卡壳题逐步答疑 |
+
+> **重新生成**:改完 `.md` 后运行
+> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第3讲-试题-答题版.pdf --mode answer`
+> (去掉 `--mode answer` 即为普通版;留白尺寸在脚本 `pageCss()` 的 `.q-space.half / .full` 处调整。)
+
+## 六、关联
- 上层:[[总览]] · [[README]](每日小练规划)
- 相邻讲次:[[02-数列-加强版]](方法论参考)
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/01-考点手册.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/01-考点手册.md
new file mode 100644
index 0000000..4af693e
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/01-考点手册.md
@@ -0,0 +1,307 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 大数定律
+ - 中心极限定理
+ - 考点
+专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
+日期: 2026-10-16
+来源: 🟦视频 第5讲(4 讲次) · 🟨真题库第 19 章 · 🟩参考仓库 knowledge/4 + exercise/4、knowledge/3 §切比雪夫
+关联: "[[README]] · [[02-试题]] · [[03-解析]] · [[概率论-第3讲-多维随机变量及其分布/01-考点手册]]"
+---
+
+# 概率论 第5讲 · 大数定律与中心极限定理 · 考点手册
+
+> **定位**:这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束。真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」,但**几乎年年有选填**,属"低投入、必拿分"板块。
+> **用法**:先通读本手册建立框架 → 做 [[02-试题]](16 题,约 70 分钟)→ 对 [[03-解析]]。
+> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
+
+---
+
+## 0. 本讲定位与学习地图
+
+**一句话概括全讲**:**大数定律管「均值稳定」,中心极限定理管「和的分布趋正态」**,而**切比雪夫不等式**是证明前者的工具。
+
+**三条主线(对应视频 4 个讲次)**
+
+| 讲次 | 主题 | 核心产出 |
+|---|---|---|
+| 01 | 基础知识结构 | 三条条件主线:**独立** · **期望存在** · **方差存在** |
+| 02 | 依概率收敛 | 极限的"概率语言" |
+| 03 | 大数定律 | 切比雪夫 / 伯努利 / 辛钦 |
+| 04 | 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯 + 泊松近似 |
+
+**学习地图(依赖链)**
+
+```
+依概率收敛(语言)
+ │
+切比雪夫不等式(工具)───► 大数定律(均值 → 期望)
+ │
+ └──────────────► 中心极限定理(和 → 正态)
+ │
+ 三种近似:正态近似 / 泊松近似
+```
+
+> ⚠️ **全讲的三个"开关"**:① 是否**独立**(或两两不相关);② **期望**是否存在;③ **方差**是否存在(辛钦不要求)。绝大多数概念题的答案就藏在这三点里。
+
+---
+
+## 1. 依概率收敛 🟦02 🟩
+
+### 1.1 定义
+
+设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$。若对**任意** $\varepsilon>0$,
+
+$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
+
+则称 $\{X_n\}$ **依概率收敛**于 $X$,记作
+
+$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
+
+### 1.2 为什么叫"依概率"(与数列极限的区别)
+
+数列极限要求"**从某一项起,每一项都**落在邻域内";依概率收敛只要求"**落在邻域外的概率趋于 0**"——**允许个别项"跑飞",只要它们出现的概率越来越小**。
+
+> **经典反例**(必看):设
+> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
+> 则对任意 $\varepsilon>0$,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
+> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
+> 即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。
+> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
+
+### 1.3 常用推论
+
+- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
+- 若 $X_n\overset{P}{\longrightarrow}c$(**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$($g$ 连续);
+- 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
+
+---
+
+## 2. 切比雪夫不等式(核心工具)🟨2022·9 🟩
+
+### 2.1 不等式
+
+设随机变量 $X$ 的 $E X=\mu$、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$,
+
+$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
+
+**读法**:**方差越小(波动越小),$X$ 就越"集中"在期望附近**;$\varepsilon$ 越大,$\dfrac{\sigma^2}{\varepsilon^2}$ 越小、界越紧。
+
+### 2.2 由来(理解即可,不必背证明)
+
+设 $X$ 连续、密度 $f$,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
+
+$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
+
+两边除以 $\varepsilon^2$ 即得。
+
+### 2.3 常用变形表
+
+| 场景 | 结论 |
+|---|---|
+| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
+| 取 $\varepsilon=k\sigma$($k>0$) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
+| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
+| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
+| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
+
+### 2.4 使用三步
+
+1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
+2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(**落在附近 → 下界**),定出 $\varepsilon$;
+3. 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
+
+### 2.5 陷阱清单
+
+| 陷阱 | 正确做法 |
+|---|---|
+| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(**对立事件**) |
+| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
+| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
+| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
+| 不检查矩存在 | 必须 $EY,DY$ **存在** |
+| 二项方差写成 $np$ | 是 $np(1-p)$ |
+
+---
+
+## 3. 大数定律 🟦03 🟩
+
+### 3.1 共同形式
+
+在满足一定条件下,**样本均值依概率收敛于期望的均值**:
+
+$$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i\qquad(\text{即}\ \bar X\overset{P}{\longrightarrow}E\bar X).$$
+
+> **考法**:大数定律**几乎不考计算**,只考「**定律成立的条件**」与「**结论是否正确**」——即判断某个序列是否满足独立/不相关、期望是否存在、方差是否有界。
+
+### 3.2 切比雪夫大数定律
+
+**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$,使 $D X_i\le C$ 对一切 $i$ 成立)。
+
+**结论**:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$。
+
+**证明**(用切比雪夫不等式 + 夹逼):
+$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
+$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
+由**夹逼定理**得结论。$\blacksquare$
+
+> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$;再除以 $n^2$ 得 $\dfrac Cn\to0$。
+
+**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$(参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
+(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
+(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
+
+### 3.3 伯努利大数定律
+
+**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$(每次概率 $p$,$0 **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
+
+### 3.4 辛钦大数定律
+
+**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
+
+**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
+
+> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
+
+**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
+(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布 → **C**。
+(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
+
+**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
+(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
+
+### 3.5 三条定律对照(高频辨析)
+
+| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
+|---|---|---|---|---|
+| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** |
+| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
+| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
+
+> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
+
+---
+
+## 4. 中心极限定理 🟦04 🟨2020·8 🟩
+
+### 4.1 共同形式
+
+若 $X_i$ 独立同分布(或"近似"),则**和**的分布趋于正态:
+
+$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \text{充分大}).$$
+
+> **与两大数定律的分工**:大数定律说"**均值趋于常数**",中心极限定理说"**围绕该常数的波动趋于正态**"——后者信息更细。
+> **实用门槛**:$n$ 一般 **≥ 30**(若接近对称,$n\ge10$ 也可)即可使用。
+
+### 4.2 列维–林德伯格定理(独立同分布版)
+
+**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$、$D X_i=\sigma^2>0$(**存在**)。
+
+**结论**:对任意实数 $x$,
+
+$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
+
+即
+
+$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad \sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2).$$
+
+### 4.3 棣莫弗–拉普拉斯定理(二项版)
+
+**条件**:$Y_n\sim B(n,p)$($0
即**二项分布的正态近似**:$n$ 大、且 $np$ 与 $n(1-p)$ 都不太小时使用。
+
+### 4.4 标准化四步模板(考场流程)
+
+1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
+2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
+3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
+4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
+
+> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
+
+### 4.5 例题(🟩 仓库)
+
+某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
+
+设第 $i$ 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
+
+$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
+
+---
+
+## 5. 三种「近似」辨析(正态近似 / 泊松近似)🟨2025·9
+
+二项分布 $B(n,p)$ 有**两种**近似,**用哪个取决于 $p$ 的大小**:
+
+| 近似 | 适用条件 | 结果 | 典型题 |
+|---|---|---|---|
+| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
+| **泊松近似** | $n$ 大,$p$ **很小**($np=\lambda$ 适中) | $Y_n\approx P(\lambda),\ \lambda=np$ | 🟨2025·9 |
+
+**判别口诀**:**"$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。"**
+
+**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 $P\{T\le1\}$ 的近似值。
+$T\sim B(300,0.01)$,$p$ 很小,取 $\lambda=np=3$,$T\approx P(3)$:
+$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
+
+**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$。
+
+---
+
+## 6. 十年真题落点地图(🟨 第 19 章 3 题)
+
+| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
+|---|---|---|---|---|
+| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
+| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
+| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
+
+**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
+
+> **规律**:本讲**只出选填**(4–5 分),十年 3 题全部是**单选**,且**每 4–5 年一轮**(2020、2022、2025)。属于"**背条件 + 套模板**"就能拿分的题型。
+
+---
+
+## 7. 速查卡 · 陷阱清单
+
+### 7.1 速记八条
+
+1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
+2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
+3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,**只给界不给精确值**;
+4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
+5. **伯努利大数定律** = "频率稳定于概率";
+6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
+7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
+8. **大数定律考条件、中心极限定理考计算**。
+
+### 7.2 高频陷阱
+
+| 陷阱 | 正确做法 |
+|---|---|
+| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
+| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
+| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 $1-$ |
+| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
+| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
+| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$(不是 $n$ 也不是 $p$) |
+| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$,标准差是 $\sqrt n\,\sigma$ |
+| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
+
+---
+
+> **下一步**:开做 [[02-试题]](16 题,约 70 分钟)。做完对 [[03-解析]],错题回挂 [[做题本]]。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md
new file mode 100644
index 0000000..e196bdb
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/02-试题.md
@@ -0,0 +1,97 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 大数定律
+ - 中心极限定理
+ - 切比雪夫不等式
+ - 试题
+专题: 概率论 第5讲 · 大数定律与中心极限定理 · 试题(16 题)
+日期: 2026-10-16
+题量: 16 题(A 基础 6 / B 中等 6 / C 拔高 4)
+建议用时: 70 分钟(可拆两天)
+关联: "[[01-考点手册]] · [[03-解析]]"
+---
+
+# 概率论 第5讲 · 大数定律与中心极限定理 · 试题
+
+> **用法**:先过 [[01-考点手册]],再限时 70 分钟做本卷,最后对 [[03-解析]]。
+> **来源记号**:🟨 真题库第 19 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字全部原创**,做完可直接回刷真题原题。
+> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
+
+---
+
+## A 组 · 基础(直接套用,★☆☆)
+
+**1.** 【依概率收敛】设随机变量序列 $\{X_n\}$ 满足
+
+$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
+
+(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;
+
+(Ⅱ)求 $E X_n$,并说明它是否收敛于 $0$。由此可得什么结论?
+
+**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$,$D X=2$。用切比雪夫不等式估计:
+
+(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
+
+(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
+
+**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$。用切比雪夫不等式估计 $P\{4500$,
+
+$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
+
+**15.** 【中心极限定理 · 反解 $n$】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$。($\Phi(1.645)=0.95$)
+
+**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2\in(0,+\infty)$,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。
+
+(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$;
+
+(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$;
+
+(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
+
+---
+
+> **做完对答案** → [[03-解析]]。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md
new file mode 100644
index 0000000..79ab937
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/03-解析.md
@@ -0,0 +1,327 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 大数定律
+ - 中心极限定理
+ - 解析
+专题: 概率论 第5讲 · 大数定律与中心极限定理 · 解析(16 题)
+日期: 2026-10-16
+关联: "[[02-试题]] · [[01-考点手册]]"
+---
+
+# 概率论 第5讲 · 大数定律与中心极限定理 · 解析
+
+> 对应 [[02-试题]]。每题给「**答案 / 思路 / 易错点 / 真题骨架**」。
+
+**核心公式(贴在眼前)**
+
+$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad \frac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1),\qquad Y_n\sim B(n,p)\Rightarrow Y_n\approx N\!\big(np,\,np(1-p)\big).$$
+
+---
+
+## A 组 · 基础
+
+### 第 1 题
+
+**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$,**依概率收敛 ⇏ 期望收敛**。
+
+**思路**:
+
+(Ⅰ)对任意 $\varepsilon>0$,取 $n>\dfrac1\varepsilon$,则 $\dfrac1n<\varepsilon$。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$),故
+$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
+所以 $X_n\overset{P}{\longrightarrow}0$。
+
+(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
+
+**结论**:**依概率收敛不能推出期望收敛**。(一般地,需要"一致可积"或"有界"等额外条件。)
+
+**易错点**:不要因为 $P\{X_n=n\}=\frac1n$ 很小就忽略它——**期望是"值 × 概率"**,$n\cdot\frac1n=1$ 恰好贡献了一个常数,这正是反例的精妙处。
+
+---
+
+### 第 2 题
+
+**答案**:(Ⅰ)$\le\dfrac18$;(Ⅱ)$\ge\dfrac78$。
+
+**思路**:$\varepsilon=4$,
+$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
+
+**易错点**:**方向**——"$\ge$"用上界 $\frac{DX}{\varepsilon^2}$;"$<$"用 $1-\frac{DX}{\varepsilon^2}$(对立事件)。
+
+---
+
+### 第 3 题
+
+**答案**:$\ge0.9$。
+
+**思路**:$E X=np=500$,$D X=np(1-p)=1000\times0.25=250$。
+$4500.977=\Phi(2)$$
+$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
+解不等式:令 $t=\sqrt n$,得 $10t^2+t-1000\le0$,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$,故 $n\le99.0$,即**最多 99 件**。
+
+**验证**:$n=99$:$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$:$\dfrac{0}{5}=0$ ✗。
+
+**易错点**:
+- 标准差是 $\sqrt{n}\cdot0.5$,**不是** $n\cdot0.5$;方差是 $n\cdot0.25$;
+- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$,方向别反;
+- 答案是"最多"故**向下取整**($99$,不是 $100$)。
+
+---
+
+### 第 10 题 【真题骨架 2020·8】
+
+**答案**:$\approx\Phi(1)$。
+
+**思路**:$\sum X_i\sim B(400,0.5)$,$E=400\times0.5=200$,$D=400\times0.5\times0.5=100$,标准差 $=10$。由棣莫弗–拉普拉斯定理
+$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
+
+**易错点**:二项的正态近似用**二项自己的期望方差**($np$、$np(1-p)$),不要另算。
+
+**真题**:2020·8(单选 4 分)结构完全一致($n=100$、阈值 $55$,答案 $\Phi(1)$)。
+
+---
+
+### 第 11 题 【真题骨架 2025·9】
+
+**答案**:$\approx4e^{-3}\approx0.199$。
+
+**思路**:$T\sim B(300,0.01)$。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$,$T\approx P(3)$:
+$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
+
+**易错点**:$\lambda=np=300\times0.01=3$(**不是** $n=300$,也**不是** $p=0.01$);$P\{T\le1\}$ 是"$0$ 或 $1$",别只算一项。
+
+**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$,答案 $3e^{-2}$,即选项 C)。
+
+---
+
+### 第 12 题
+
+**答案**:$\le\dfrac{1}{16}$。
+
+**思路**:令 $Z=X-Y$。由 $E X=E Y$ 得 $E Z=0$。
+$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
+$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
+取 $\varepsilon=4$:
+$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
+
+**易错点**:
+- 方差**不能**直接相加($DX+DY=2$),必须**减去** $2\operatorname{Cov}$;
+- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$,分母是**标准差之积**。
+
+---
+
+## C 组 · 拔高
+
+### 第 13 题
+
+**答案**:**D**。
+
+**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$(存在),$D X_n=\dfrac1{n^2}$。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
+
+| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
+|---|---|---|---|
+| A | $\dfrac1nX_n$ | $\dfrac{1}{n^2}\cdot\dfrac1{n^2}=\dfrac{1}{n^4}$ | ✓ $\le1$ |
+| B | $X_n$ | $\dfrac1{n^2}$ | ✓ $\le1$ |
+| C | $nX_n$ | $n^2\cdot\dfrac1{n^2}=1$ | ✓ $=1$ |
+| D | $n^2X_n$ | $n^4\cdot\dfrac1{n^2}=n^2$ | ✗ $\to\infty$ |
+
+**故 D 不服从切比雪夫大数定律。**
+
+**易错点**:$D(aX_n)=a^2D X_n$——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$(发散)。这是本类题的标准设计手法。
+
+---
+
+### 第 14 题 【切比雪夫大数定律】
+
+**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$):
+$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i-1.645$ ✗;$n=102$:$z\approx-1.98\le-1.645$ ✓。
+
+**易错点**:
+- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$,**不要**错写成 $\Phi$;
+- $\Phi(z)\le0.05\iff z\le-1.645$(**负号**易漏);
+- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$,**不是** $\sigma n$。
+
+---
+
+### 第 16 题 【综合辨析】
+
+**答案**:
+
+(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$,由切比雪夫不等式
+$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
+即 $\bar X\overset{P}{\longrightarrow}\mu$。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
+
+(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$,故
+$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
+当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$,$\Phi\to1$,故该概率 $\to1$。
+
+(Ⅲ)**中心极限定理更精确**:
+- **(Ⅱ)**利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
+- **(Ⅰ)**只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
+
+> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
+
+**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$(**除以标准差 $\sigma$**,不是 $\sigma^2$)。
+
+---
+
+## 命题质量报告
+
+### 一、考点覆盖
+
+| 考点 | 题号 | 覆盖 |
+|---|---|---|
+| 依概率收敛的定义与反例 | 1 | ✅ |
+| 切比雪夫不等式:直接套 + 方向 | 2 | ✅ |
+| 切比雪夫不等式:二项分布 | 3 | ✅ |
+| 辛钦大数定律:应用(求极限值) | 4 | ✅ |
+| 辛钦大数定律:**条件辨析** | 5 | ✅ |
+| 中心极限定理:iid 求和标准化 | 6 | ✅ |
+| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
+| 反解样本量 $n$(切比雪夫) | 8 | ✅ |
+| 中心极限定理:应用建模(装箱) | 9 | ✅ |
+| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
+| **2025·9 骨架**(泊松近似) | 11 | ✅ |
+| 切比雪夫 + 协方差($Z=X-Y$) | 12 | ✅ |
+| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
+| 切比雪夫大数定律:**证明** | 14 | ✅ |
+| 中心极限定理:反解 $n$ | 15 | ✅ |
+| 切比雪夫 vs 中心极限定理:精度/条件对比 | 16 | ✅ |
+
+### 二、难度与用时
+
+| 组 | 题量 | 难度 | 建议用时 |
+|---|---|---|---|
+| A 基础 | 6(1–6) | ★☆☆ | 22 分钟 |
+| B 中等 | 6(7–12) | ★★☆ | 28 分钟 |
+| C 拔高 | 4(13–16) | ★★★ | 20 分钟 |
+| **合计** | **16** | | **70 分钟** |
+
+### 三、真题使用情况
+
+- **骨架题**:
+ - 第 7 题 ← **2022·9**(单选 5 分,「大数定律(切比雪夫不等式)」),数字原创;
+ - 第 10 题 ← **2020·8**(单选 4 分,「中心极限定理」),数字原创;
+ - 第 11 题 ← **2025·9**(单选 5 分,「泊松近似(二项分布)」),数字原创。
+- **仓库例题改编**:第 4、5、9、13 题(`knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫`)。
+- **本章十年 3 题全覆盖**(2020·8、2022·9、2025·9)。
+
+### 四、仍未覆盖方向(诚实列出)
+
+1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$)——考研几乎不单独考;
+2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
+3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
+4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf
new file mode 100644
index 0000000..968b1d8
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-考点手册.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf
new file mode 100644
index 0000000..4126cda
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-解析.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf
new file mode 100644
index 0000000..c054259
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/PDF/概率论第5讲-试题-答题版.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md
new file mode 100644
index 0000000..100d2e2
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第5讲-大数定律与中心极限定理/README.md
@@ -0,0 +1,72 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 大数定律
+ - 中心极限定理
+ - MOC
+专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
+日期: 2026-10-16
+状态: 已出(考点 + 试题 + 解析 三件分离)
+对应视频:
+ - 01 一、基础知识结构
+ - 02 二、依概率收敛
+ - 03 三、大数定律
+ - 04 四、中心极限定理
+---
+
+# 概率论 第5讲 · 大数定律与中心极限定理
+
+> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
+
+## 一、本文件夹文件
+
+| 文件 | 用途 | 打开时机 |
+|---|---|---|
+| **[[01-考点手册]]** | 全考点:依概率收敛 / **切比雪夫不等式** / 三大数定律 / 两大中心极限定理 / 泊松近似 | 学之前/复习时 |
+| **[[02-试题]]** | 16 题分层练习(A 基础 6 / B 中等 6 / C 拔高 4),**不含答案** | 限时自测 |
+| **[[03-解析]]** | 16 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
+
+## 二、训练目标
+
+- 真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」但**几乎年年有选填**。
+- 这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束:**大数定律管"均值稳定",中心极限定理管"和趋正态"**。
+- 三个"开关"贯穿全讲:**是否独立** · **期望是否存在** · **方差是否存在**。
+
+## 三、难度与用时
+
+| 组 | 题量 | 对应 | 建议用时 | 难度 |
+|---|---|---|---|---|
+| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
+| B 中等 | 6(7–12) | 多步计算 | 28 分钟 | ★★☆ |
+| C 拔高 | 4(13–16) | 条件辨析与证明 | 20 分钟 | ★★★ |
+| **合计** | **16** | | **约 70 分钟** | 可拆两天 |
+
+## 四、命题依据与来源记号
+
+- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 19 章(2020·8、2022·9、2025·9,**十年仅此 3 题,全为单选**)。
+- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/4` 大数定律与中心极限定理、`exercise/4`、`knowledge/3 §切比雪夫不等式`)。
+- 🟦 **视频**:第 5 讲 4 个讲次(见 frontmatter)。
+- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
+
+## 五、平板书写版(PDF)
+
+Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
+
+| 文件 | 页数 | 用途 |
+|---|---|---|
+| `概率论第5讲-试题-答题版.pdf` | 14 | **主用**:16 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
+| `概率论第5讲-解析.pdf` | 9 | 答案与详解 |
+| `概率论第5讲-考点手册.pdf` | 8 | 复习查阅 |
+
+> **重新生成**:改完 `.md` 后运行
+> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第5讲-试题-答题版.pdf --mode answer`
+> (去掉 `--mode answer` 即为普通版。)
+
+## 六、关联
+
+- 上层:[[总览]]
+- 相邻讲次:[[概率论-第3讲-多维随机变量及其分布/README]](多维随机变量)
+- 后续:数字特征(第 4 讲)、数理统计(第 6 讲起)
+- 错题:[[做题本]]
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
new file mode 100644
index 0000000..32478d1
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/01-考点手册.md
@@ -0,0 +1,583 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 数理统计
+ - 考点手册
+ - MOC
+专题: 概率论 第6讲 · 数理统计 · 考点手册(真题库第 20/21/22 章)
+日期: 2026-10-16
+状态: 已出
+对应视频:
+ - 01 一、基础知识结构
+ - 02 二、总体与样本
+ - 03 二、统计量及其分布(上)
+ - 04 二、统计量及其分布(下)
+ - 05 三、参数的点估计
+ - 06 四、参数的区间估计(仅数学一)
+ - 07 五、假设检验(仅数学一)
+ - 08 六、两类错误(仅数学一)
+关联: "[[README]] · [[02-试题]] · [[03-解析]]"
+---
+
+# 概率论 第6讲 · 数理统计 · 考点手册
+
+> **定位**:这是概率论的**收尾大章**,也是数学一**独有的重头戏**(区间估计、假设检验「仅数学一」)。真题库对应 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**,其中**参数估计标注「热门」**——近十年**年年一道 11–12 分解答题**。
+> **用法**:先通读本手册建立框架 → 做 [[02-试题]](18 题,约 80 分钟)→ 对 [[03-解析]]。
+> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
+
+---
+
+## 0. 本讲定位与学习地图
+
+### 0.1 一句话概括全部内容
+
+> **数理统计 = 「用样本推断总体」**:先拿样本造工具(**统计量**),弄清工具服从什么分布(**抽样分布**),再用工具反推总体的未知参数(**点估计 → 区间估计 → 假设检验**)。
+
+### 0.2 六节地图
+
+| 节 | 内容 | 视频 | 真题热度 |
+|---|---|---|---|
+| §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) |
+| §2 | **统计量及其分布**(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) |
+| §3 | **参数的点估计**(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | **★★★★★ 年年必考解答题** |
+| §4 | 区间估计(枢轴变量法,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
+| §5 | 假设检验(六大检验与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
+| §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) |
+
+### 0.3 三条主线
+
+1. **独立性**:数理统计的一切都建立在「$X_1,\cdots,X_n$ **相互独立**且与总体**同分布**」上。看到"简单随机样本"六个字,立刻把它翻译成 **i.i.d.**。
+2. **标准化**:$\chi^2/t/F$ 三大分布的构造,本质都是「**把正态变量化成标准正态,再按定义拼**」。
+3. **$\dfrac{1}{n}\sum X_i^k$ 与 $E(X^k)$ 的替换**:矩估计的全部内容;也是**大数定律**在统计里的投影。
+
+---
+
+## 1. 总体与样本 🟦02 🟩
+
+### 1.1 基本名词
+
+| 名词 | 含义 |
+|---|---|
+| **总体** | 研究对象的全体;数学上就是一个**随机变量** $X$(及其分布) |
+| **个体** | 组成总体的每一个元素 |
+| **简单随机样本** | $n$ 个**相互独立**且**与总体 $X$ 同分布**的随机变量 $(X_1,\cdots,X_n)$,容量为 $n$ |
+| **样本值(观测值)** | 一次抽样得到的 $n$ 个具体数 $(x_1,\cdots,x_n)$ |
+
+> **记忆**:概率论里叫「**独立同分布(i.i.d.)**」,数理统计里叫「**简单随机样本**」——同一件事的两个名字。
+
+### 1.2 样本的联合分布(核心公式)
+
+设总体 $X$ 的分布函数为 $F(x)$(密度 $f(x)$,分布律 $p(x_i;\theta)$),则样本的联合分布为
+
+$$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
+
+> ⚠️ **这就是**"简单随机样本"**的全部价值**:有了独立性,$n$ 维联合分布才**等于一维分布的连乘**。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$,用的就是这一条。
+
+### 1.3 分组数据(了解)
+
+若样本值被整理成频数分布,第 $i$ 组组中值 $c_i$、频数 $n_i$,则
+
+$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
+
+---
+
+## 2. 统计量及其分布 🟦03 🟦04 🟨2017·8 🟨2023·9 🟩
+
+### 2.1 统计量的定义(判断题高频)
+
+> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
+
+**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$、$\sigma$),它就不是统计量。
+
+> **例**:$X\sim N(\mu,\sigma^2)$,$\mu,\sigma^2$ **均未知**时
+> - $X_1+X_2$、$\sum X_i$、$\max X_i$、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
+> - $\sum(X_i-\mu)^2$、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$)。
+
+### 2.2 常用统计量
+
+| 名称 | 记号 | 公式 |
+|---|---|---|
+| 样本均值 | $\bar X$ | $\displaystyle\bar X=\frac1n\sum_{i=1}^{n}X_i$ |
+| 样本方差 | $S^2$ | $\displaystyle S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$ |
+| 样本标准差 | $S$ | $S=\sqrt{S^2}$ |
+| 样本 $k$ 阶原点矩 | $A_k$ | $\displaystyle A_k=\frac1n\sum_{i=1}^{n}X_i^k$ |
+| 样本 $k$ 阶中心矩 | $B_k$ | $\displaystyle B_k=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^k$ |
+
+**恒等式(化简必备)**:
+
+$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$
+
+### 2.3 样本均值与样本方差的数字特征(必背)
+
+设 $EX=\mu$,$DX=\sigma^2$,$X_1,\cdots,X_n$ 为简单随机样本,则
+
+$$E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}},\qquad \boxed{ES^2=\sigma^2}.$$
+
+> **为什么样本方差除以 $n-1$?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$(**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$。
+>
+> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
+
+### 2.4 三大抽样分布 🟨2017·8
+
+#### 2.4.1 $\chi^2$ 分布(卡方)
+
+**构造**:$X_1,\cdots,X_n$ 相互独立且均 $\sim N(0,1)$,则
+
+$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
+
+**性质**:
+
+| 性质 | 内容 |
+|---|---|
+| 可加性 | $\chi_1^2\sim\chi^2(n_1)$、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
+| 期望方差 | $E\chi^2(n)=n$,$D\chi^2(n)=2n$ |
+
+**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$(**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
+
+#### 2.4.2 $t$ 分布(学生氏)
+
+**构造**:$X\sim N(0,1)$,$Y\sim\chi^2(n)$,$X$ 与 $Y$ **独立**,则
+
+$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
+
+**性质**:
+
+- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
+- $n$ 很大时近似 $N(0,1)$;
+- $t_{1-\alpha}(n)=-t_\alpha(n)$(**对称性**);
+- $t^2\sim F(1,n)$。
+
+> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
+
+#### 2.4.3 $F$ 分布
+
+**构造**:$U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$,$U$ 与 $V$ **独立**,则
+
+$$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
+
+**性质**:
+
+| 性质 | 内容 |
+|---|---|
+| 倒数 | $F\sim F(n_1,n_2)\Longrightarrow \dfrac1F\sim F(n_2,n_1)$ |
+| 分位点互化 | $F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)}$ |
+| 与 $t$ 的关系 | $t\sim t(n)\Longrightarrow t^2\sim F(1,n)$ |
+
+> **⚠️ 易错**:$F$ 分布的两个自由度**顺序不能反**!$F(n_1,n_2)$ 里 $n_1$ 是**分子**的自由度,$n_2$ 是**分母**的自由度。
+
+### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
+
+设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$,$\bar X$、$S^2$ 为样本均值与样本方差。
+
+**(一)单个正态总体(四条定理)**
+
+$$\boxed{\begin{aligned}
+&\text{①}\quad \bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\\[6pt]
+&\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\\[6pt]
+&\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\\[6pt]
+&\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知})
+\end{aligned}}$$
+
+> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$,自由度减一"**。
+> **①→④ 的口诀**:**"$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$"**。
+> **④ 的独立性**是正态总体**独有的性质**(一般总体不成立),它是 $t$ 分布构造的前提,**必须记住**。
+
+**(二)两个正态总体(三条定理)**
+
+设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$,**两组样本相互独立**,记
+
+$$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$
+
+则
+
+$$\begin{aligned}
+&\text{①}\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}}\ \sim\ N(0,1)\\[8pt]
+&\text{②}\quad \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\ \sim\ F(m-1,\ n-1)\\[8pt]
+&\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2)
+\end{aligned}$$
+
+> **② 的推导就是"拼 $F$"**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。
+> 🟨 **2023·9 就是考这一条**:只要两个总体的方差比 $\sigma_1^2:\sigma_2^2$ 已知,就能把系数调出来。
+
+**(三)拼装三大分布的"三步法"(考场通用)**
+
+1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$;
+2. **标准化**:除以标准差得到 $N(0,1)$,**平方**得 $\chi^2(1)$;
+3. **按定义拼**:$\chi^2$ **加**、$t$ **除根号**、$F$ **上下除各自自由度**。
+
+**⚠️ 三个恒定陷阱**:
+
+| 陷阱 | 正确做法 |
+|---|---|
+| 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$;系数不对就不是 $\chi^2$ |
+| 独立性未验证 | 分子含 $X_1$、分母也含 $X_1$ 时**不独立**,不能用 $t$/$F$ 定义 |
+| 自由度算错 | $\chi^2$ 用 $n$(或 $n-1$)、$t$ 用 $n-1$、$F$ 用 $(m-1,n-1)$ |
+
+### 2.6 顺序统计量 🟨2016·23 🟨2024·22
+
+把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$。
+
+- $X_{(1)}=\min\{X_1,\cdots,X_n\}$ —— **最小**顺序统计量;
+- $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。
+
+**最大值/最小值的分布(背下来,解答题直接用)**
+
+$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
+$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
+
+> **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$。
+> 最小值用**对立事件**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$。
+
+**常用期望($\theta$ 为参数上限型分布时必用)**
+
+| 总体 | $EX_{(n)}$ | $EX_{(n)}^2$ |
+|---|---|---|
+| $X\sim U(0,\theta)$ | $\dfrac{n}{n+1}\theta$ | $\dfrac{n}{n+2}\theta^2$ |
+| $f(x)=\dfrac{3x^2}{\theta^3},0 **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0 **点估计 = 造一个统计量 $\hat\theta(X_1,\cdots,X_n)$ 去"顶替"未知参数 $\theta$。** 两种造法:**矩估计**(用矩换矩)与**极大似然**(找最"像"的参数)。
+
+### 3.1 矩估计法
+
+**思想**:**用样本矩替换总体矩**(大数定律保证"样本矩 → 总体矩")。
+
+**步骤**:
+1. 写出含 $\theta$ 的总体矩 $E X^k$(**一个参数用一阶矩,两个参数用一、二阶矩**);
+2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$;
+3. 解方程得 $\hat\theta$。
+
+**两个参数的模板**:
+
+$$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$
+
+> ⚠️ **注意**:矩估计给出的方差估计是 **$B_2$(除以 $n$)**,**不是 $S^2$(除以 $n-1$)**!两者都是 $\sigma^2$ 的估计量,但**只有 $S^2$ 无偏**。
+
+### 3.2 最大似然估计(MLE)
+
+**思想**:既然观测到了 $(x_1,\cdots,x_n)$,那就选**让这组样本出现概率最大**的 $\theta$。
+
+**步骤(常规可微情形)**:
+
+1. **写似然函数** $L(\theta)=\prod\limits_{i=1}^{n}f(x_i;\theta)$(离散型用 $\prod p(x_i;\theta)$);
+2. **取对数** $\ln L(\theta)$(连乘变连加);
+3. **求导令零** $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$;
+4. **解出 $\hat\theta$**,并写成**大写** $\hat\theta(X_1,\cdots,X_n)$ 才是"估计量"。
+
+> **为什么取对数?** 因为 $\ln$ 单调递增,$L$ 与 $\ln L$ 在**同一点**取极值,而连加比连乘好求导。
+
+**不可微 / 单调情形(每年必有一道,必须掌握)**
+
+当 $L(\theta)$ 关于 $\theta$ **单调**(通常因为支撑集含 $\theta$)时,$\hat\theta$ **不是驻点**,而是**取值边界**:
+
+| 情形 | 结论 |
+|---|---|
+| $X\sim U(0,\theta)$,$f=\dfrac1\theta$,$0 **口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
+
+**三类高频载体(记住结果,考场直接写)**
+
+| 分布 | 密度 | 矩估计 | 极大似然估计 |
+|---|---|---|---|
+| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
+| 均匀 $U(0,\theta)$ | $\dfrac1\theta,00$) | $\theta x^{\theta-1}$ | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
+
+> **两个特殊的"坑"分布**:
+> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$;常数 $A=\sqrt{2/\pi}$;
+> - **两样本同参数**(如 $X\sim P(\lambda)$、$Y\sim P(2\lambda)$):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$。
+
+### 3.3 估计量的评价标准
+
+#### 3.3.1 无偏性(考得最多)
+
+$$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \hat\theta\ \text{是}\ \theta\ \text{的无偏估计}.$$
+
+**无偏性的传播法则**(极其好用):
+
+$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
+
+> **常见结论**:$E\bar X=\mu$、$ES^2=\sigma^2$(无偏);$B_2=\frac1n\sum(X_i-\bar X)^2$(**有偏**)。
+
+#### 3.3.2 有效性
+
+两个**都无偏**的估计量,**方差越小越有效**:
+
+$$D\hat\theta_1 **⚠️ 前提**:**必须先都无偏**,才能比有效性!无偏 ≠ 有效,两者是**两级筛选**。
+
+#### 3.3.3 均方误差(MSE)—— 2024 年新考点
+
+$$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2=\text{方差}+\text{偏差}^2 .$$
+
+**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$**(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
+
+> **2024·22 的考点**:让 MSE 最小的 $c$,通常**不等于**让估计无偏的 $c$——**要展开成 $c$ 的二次函数求顶点**。
+> 展开模板(以 $T_c=cX_{(n)}$ 为例):
+> $$h(c)=c^2\,E X_{(n)}^2-2c\,\theta\,EX_{(n)}+\theta^2,\qquad h'(c)=0\Longrightarrow c=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.$$
+
+#### 3.3.4 一致性(相合性)
+
+$$\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert\hat\theta-\theta\rvert<\varepsilon\}=1\quad\Longleftrightarrow\quad \hat\theta\xrightarrow{\ P\ }\theta .$$
+
+> **联系第 5 讲**:这就是**大数定律**的语言——$\bar X$ 是 $\mu$ 的一致估计量的直接理由。
+
+### 3.4 三个标准的关系(速记)
+
+> **无偏**管"准不准"(偏差为 0);**有效**管"稳不稳"(方差最小);**一致**管"样本多了会不会靠近"。
+> 数学上:**无偏 + 方差趋于 0 $\Rightarrow$ 一致**。
+
+---
+
+## 4. 参数的区间估计 🟦06 🟨2016·14(**仅数学一**)
+
+> **点估计给一个数,区间估计给一个"带可信度的范围"。**
+
+### 4.1 基本概念
+
+$$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
+
+| 名词 | 含义 |
+|---|---|
+| $1-\alpha$ | **置信度 / 置信水平**(可信程度) |
+| $\alpha$ | **显著性水平**(犯错的概率,通常 0.05、0.01、0.1) |
+| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
+| 区间长度 | 反映**估计精度**;长度越短越精确 |
+
+> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$"($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$**"。
+
+### 4.2 枢轴变量法(万能套路)
+
+1. **找点估计** $\hat\theta$(一般取 MLE 或 $\bar X$、$S^2$);
+2. **造枢轴量** $I=I(\hat\theta,\theta)$:**含未知参数 $\theta$,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$、$t$、$F$);
+3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
+4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$。
+
+### 4.3 正态总体四大区间估计(**必背表**)
+
+设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$,置信度 $1-\alpha$。
+
+| 待估参数 | 条件 | 枢轴量 | 置信区间 |
+|---|---|---|---|
+| $\mu$ | $\sigma$ **已知** | $U=\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\left[\bar X-u_{\alpha/2}\dfrac{\sigma}{\sqrt n},\ \bar X+u_{\alpha/2}\dfrac{\sigma}{\sqrt n}\right]$ |
+| $\mu$ | $\sigma$ **未知** | $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\left[\bar X-t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n},\ \bar X+t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}\right]$ |
+| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
+| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
+
+**⚠️ $\chi^2$ 区间的两端分位点"反着放"**:因为 $\chi^2$ **分布不对称**,且 $\sigma^2$ 在**分母**——所以**上分位点配下限、下分位点配上限**。这是最容易抄错的地方。
+
+**三个"看条件"的读法**:
+
+- $\sigma$ 已知 → $U$(正态);$\sigma$ 未知 → $t$(且自由度 $n-1$);
+- $\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$;
+- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$"**。
+
+### 4.4 单侧置信区间
+
+| 类型 | 枢轴量形式 | 区间 |
+|---|---|---|
+| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$) | $u_\alpha$(单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
+| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
+
+> **单双侧的分位数互换**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同理 $t_\alpha(n-1)$。
+> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
+
+> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
+> $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$
+> **一句话**:**"上限 + 下限 = 2$\bar X$"**(仅对均值的对称区间成立;方差区间不成立)。
+
+---
+
+## 5. 假设检验 🟦07 🟨2025·10(**仅数学一**)
+
+### 5.1 基本思想
+
+> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$**。
+
+### 5.2 假设检验四步
+
+1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$(通常把"想否定的、被保护的说法"放 $H_0$);
+2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$、$T$、$\chi^2$、$F$,并写出 $H_0$ 成立时的分布;
+3. **定拒绝域**:给定 $\alpha$,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
+4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$**,否则接受。
+
+### 5.3 三类假设与拒绝域方向
+
+| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
+|---|---|---|---|
+| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$) |
+| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$) |
+| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$) |
+
+> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$"就放在右侧,$H_1$ 是"$<$"就放在左侧,$H_1$ 是"$\ne$"就放两侧。
+
+### 5.4 正态总体六大检验(拒绝域速查表)
+
+设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$。
+
+| 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 |
+|---|---|---|---|---|
+| $\mu$ | $\sigma=\sigma_0$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1)$ | $\mu\ne\mu_0$ | $\lvert u\rvert\ge u_{\alpha/2}$ |
+| | | | $\mu>\mu_0$ | $u\ge u_\alpha$ |
+| | | | $\mu<\mu_0$ | $u\le-u_\alpha$ |
+| $\mu$ | $\sigma$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$ | $\mu\ne\mu_0$ | $\lvert t\rvert\ge t_{\alpha/2}(n-1)$ |
+| | | | $\mu>\mu_0$ | $t\ge t_\alpha(n-1)$ |
+| | | | $\mu<\mu_0$ | $t\le-t_\alpha(n-1)$ |
+| $\sigma^2$ | $\mu$ **已知**($\chi^2$ 检验) | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n)$ 或 $\ge\chi^2_{\alpha/2}(n)$ |
+| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n)$ |
+| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n)$ |
+| $\sigma^2$ | $\mu$ **未知**($\chi^2$ 检验) | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n-1)$ 或 $\ge\chi^2_{\alpha/2}(n-1)$ |
+| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
+| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
+
+**记忆口诀**:**"$\sigma$ 知用 $U$、$\sigma$ 不知用 $T$;$\mu$ 知用 $\chi^2(n)$、$\mu$ 不知用 $\chi^2(n-1)$。"**
+
+> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
+> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
+> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$**,别把方差当标准差代入。
+
+### 5.5 区间估计与假设检验的对偶关系(高频理解题)
+
+> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
+
+具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$**。所以两类问题常常互相转化。
+
+---
+
+## 6. 两类错误 🟦08 🟨2018·8 🟨2021·10
+
+### 6.1 定义
+
+| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
+|---|---|---|
+| **拒绝 $H_0$** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
+| **接受 $H_0$** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
+
+**公式**:
+
+$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受}H_0\mid H_0\text{为假}\}=P\{\text{接受}H_0\mid H_1\text{为真}\}.$$
+
+> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
+> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
+
+### 6.2 计算 $\beta$ 的四步
+
+1. 写出**拒绝域** $W$;
+2. 写出**接受域** $\bar W$(拒绝域的补集);
+3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
+4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$。
+
+> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$,则在 $\mu=\mu_1$($H_1$ 中某个值)下
+> $$\beta=P\{\bar X 🟨 **2018·8 的核心结论**:
+> - $\alpha=0.05$ **拒绝** $H_0$ $\Rightarrow$ $\alpha=0.01$ **不一定拒绝**(因为拒绝域缩小了);
+> - $\alpha=0.05$ **接受** $H_0$ $\Rightarrow$ $\alpha=0.01$ **必然接受**(接受域扩大,原来在里面的还在里面)。
+> **不等式记忆**:$\ \alpha_1<\alpha_2\ $(如 $0.01<0.05$)时,**拒绝域** $W(\alpha_1)\subset W(\alpha_2)$,**接受域**反之。
+> 所以:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
+
+### 6.4 显著性检验
+
+> 只控制**第一类错误**概率(即只给定 $\alpha$,不控制 $\beta$)的检验称为**显著性检验**,$\alpha$ 称**显著性水平**。
+
+---
+
+## 7. 十年真题落点地图(🟨 第 20/21/22 章,共 15 题)
+
+### 7.1 第 20 章 · 数理统计的基本概念(2 题,9 分)
+
+| 年份·题号 | 题型 | 考点 | 本手册 |
+|---|---|---|---|
+| 2017·8 | 单选 4 | $\chi^2$ 分布辨析(四个结论判断) | §2.5 |
+| 2023·9 | 单选 5 | $F$ 分布(两正态总体方差比) | §2.5(二) |
+
+### 7.2 第 21 章 · 参数估计(10 题,93 分)**— 全章最重**
+
+| 年份·题号 | 题型/分值 | 考点 | 本手册 |
+|---|---|---|---|
+| 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 |
+| 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 |
+| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$:密度 + 矩估计 + MLE | §2.6 / §3.2 |
+| 2018·23 | 解答 11 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | §3.2 |
+| 2019·23 | 解答 11 | 半正态分布:求常数 $A$ + MLE | §3.2 |
+| 2020·23 | 解答 11 | 威布尔分布:$P\{T>t\}$ + 无记忆性 + MLE | §3.2 |
+| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$(二元正态) | §2.5 ① / §3.3.1 |
+| 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$)MLE + $D\hat\theta$ | §3.2 |
+| 2023·10 | 单选 5 | 无偏估计($a\lvert X_1-X_2\rvert$ 定常数) | §3.3.1 |
+| 2024·22 | 解答 12 | $U(0,\theta)$ 的 $X_{(n)}$:无偏 $c$ + MSE 最小 $c$ | §2.6 / §3.3.3 |
+
+### 7.3 第 22 章 · 假设检验(3 题,14 分)
+
+| 年份·题号 | 题型 | 考点 | 本手册 |
+|---|---|---|---|
+| 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 |
+| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$) | §6.2 |
+| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
+
+### 7.4 命题规律(读三遍)
+
+1. **参数估计是"铁打的 22 题"**:近十年 **10 题解答题(11–12 分)**,**几乎年年一题**,从未缺席。**这是本讲唯一的"必拿大题"**。
+2. **MLE 占绝对统治地位**:10 题里有 **8 题**涉及极大似然估计,且**每隔几年就换一个"怪分布"**(拉普拉斯、半正态、威布尔、幂型、两样本泊松)——**考的不是计算,而是"能不能把似然函数写对 + 会不会处理不可微"**。
+3. **无偏估计紧跟其后**:2016·23、2021·9、2023·10、2024·22,**四年考了四道**,典型套路是**「给一个带参数的统计量,反解系数使无偏」**。
+4. **假设检验只考选填**(4–5 分),且只在 **2018、2021、2025** 出现,**三年一轮**——考的是**方向判断**与**概念辨析**,不考查表计算。
+5. **区间估计**只考过一次(2016·14),属**低频**,但**只在数一**出现。
+
+---
+
+## 8. 速查卡 · 陷阱清单
+
+### 8.1 速记十二条
+
+1. **简单随机样本 = i.i.d.**;联合分布 = 一维分布**连乘**(这是 MLE 的根)。
+2. **统计量不能含未知参数**——含 $\mu$、$\sigma$ 的统统不是。
+3. $E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$\boxed{ES^2=\sigma^2}$(**$n-1$ 是为了无偏**)。
+4. 正态四条:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$、**$\bar X\perp S^2$**、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$。
+5. 两总体方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$。
+6. $X_{(n)}=\max$:$F_{(n)}=F^n$;$X_{(1)}=\min$:$F_{(1)}=1-(1-F)^n$。
+7. 矩估计的方差是 $B_2=\frac1n\sum(X_i-\bar X)^2$(**有偏**);MLE 不可微时**往边界取**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$)。
+8. **无偏是有效性比较的前提**(两级筛选)。
+9. $h(\hat\theta)=D\hat\theta+(\text{偏差})^2$;**MSE 最小的 $c$ ≠ 无偏的 $c$**。
+10. 均值的双侧区间**关于 $\bar X$ 对称** ⟹ **上限 + 下限 = $2\bar X$**。
+11. 检验**方向跟着 $H_1$**;$\sigma^2=2$ 时标准差是 $\sqrt2$。
+12. **小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。**
+
+### 8.2 高频陷阱
+
+| 陷阱 | 正确做法 |
+|---|---|
+| 统计量判断时漏看未知参数 | 逐个检查表达式里有没有 $\mu,\sigma$ |
+| $\sigma^2$ 与 $\sigma$ 混用 | $\sigma^2=2$ 时 $\sigma=\sqrt2$;$U$ 检验分母是 $\sigma_0/\sqrt n$ |
+| 样本方差分母写成 $n$ | 定义是 $n-1$;但**矩估计给出的是 $n$**,别混 |
+| $\chi^2$ 分布当成对称 | $\chi^2$ **不对称**,$t$ 分布**对称**;$\chi^2$ 区间两端分位点"反着放" |
+| 拼 $F$ 时忘记"除自由度" | $F=\dfrac{U/n_1}{V/n_2}$,**两个都要除** |
+| $t$/$F$ 定义里忽略独立性 | 分子分母共用同一个 $X_i$ 时**不独立**,不能用 |
+| MLE 直接求导而不管单调性 | $U(0,\theta)$ 型必须**看支撑集、取边界** |
+| 无偏性直接比有效性 | **先验证都无偏** |
+| $\beta$ 忘记换 $H_1$ 下的分布 | $\beta$ 用的是**真值 $\mu_1$**,不是 $\mu_0$ |
+| 认为"$\theta$ 落在置信区间内的概率是 $1-\alpha$" | $\theta$ 是常数;是**区间**随机 |
+| 单侧检验用了 $\alpha/2$ 分位点 | 单侧用 $u_\alpha$、$t_\alpha(n-1)$ |
+
+---
+
+> **下一步**:开做 [[02-试题]](18 题,约 80 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
+> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$)**见第 4 讲(待补)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/02-试题.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/02-试题.md
new file mode 100644
index 0000000..9c62dde
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/02-试题.md
@@ -0,0 +1,189 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 数理统计
+ - 参数估计
+ - 假设检验
+ - 试题
+专题: 概率论 第6讲 · 数理统计 · 试题(18 题)
+日期: 2026-10-16
+题量: 18 题(A 基础 6 / B 中等 8 / C 拔高 4)
+建议用时: 80 分钟(可拆两天)
+关联: "[[01-考点手册]] · [[03-解析]]"
+---
+
+# 概率论 第6讲 · 数理统计 · 试题
+
+> **用法**:先过 [[01-考点手册]],再限时 80 分钟做本卷,最后对 [[03-解析]]。
+> **来源记号**:🟨 真题库第 20/21/22 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题**同结构不同数字**,做完可直接回刷真题原题。
+> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
+
+---
+
+## A 组 · 基础(直接套用,★☆☆,约 22 分钟)
+
+**1.** 【统计量与常用统计量】设总体 $X$ 的一组样本观测值为
+
+$$2,\quad3,\quad5,\quad6,\quad9 .$$
+
+(Ⅰ)求样本均值 $\bar X$、样本方差 $S^2$、样本二阶中心矩 $B_2$;
+
+(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$;$\ S^2$;$\ X_1+X_2-\mu$;$\ \max\{X_1,\cdots,X_5\}$;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$。
+
+**2.** 【三大分布辨析与构造】设 $X_1,X_2,\cdots,X_6$ 为来自总体 $N(0,4)$ 的简单随机样本。判断下列统计量各服从什么分布(写出名称与自由度);**不服从三大分布的,请说明理由**:
+
+(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$;
+
+(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$;
+
+(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$;
+
+(Ⅳ)$Y_4=2(X_1-X_2)^2$。
+
+**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$、$S^2$ 为样本均值与样本方差。
+
+(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;
+
+(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$。
+
+**4.** 【矩估计】设总体 $X$ 的分布律为
+
+$$P\{X=-1\}=2\theta,\qquad P\{X=0\}=\theta,\qquad P\{X=1\}=1-3\theta,\qquad 0<\theta<\frac13 .$$
+
+$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$。
+
+**5.** 【极大似然估计】设总体 $X$ 的概率密度为
+
+$$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&00\ \text{未知})$$
+
+$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$。
+
+**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$,$DX=\sigma^2$。求常数 $k$,使
+
+$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
+
+为 $\sigma^2$ 的**无偏估计量**。
+
+---
+
+## B 组 · 中等(多步计算,★★☆,约 34 分钟)
+
+**7.** 【拉普拉斯分布 · MLE + 数字特征】🟨**真题骨架 2018·23** 设总体 $X$ 的概率密度为
+
+$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
+
+$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$。
+
+(Ⅰ)求 $\hat\lambda$;
+
+(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
+
+**8.** 【次序统计量 · 最大值分布 + 无偏】🟨**真题骨架 2016·23** 设总体 $X$ 的概率密度为
+
+$$f(x;\theta)=\begin{cases}\dfrac{2x}{\theta^2},&00\ \text{未知}),$$
+
+$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$。
+
+(Ⅰ)求 $T$ 的概率密度 $f_T(x)$;
+
+(Ⅱ)确定常数 $a$,使 $aT$ 为 $\theta$ 的无偏估计。
+
+**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$。
+
+(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$,$u_{0.05}=1.645$);
+
+(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$)。
+
+**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$。检验
+
+$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
+
+显著性水平为 $\alpha$,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
+
+(Ⅰ)写出该检验的拒绝域;
+
+(Ⅱ)若 $n=12$,$\alpha=0.05$,$Z_{0.05}=1.645$,求拒绝域的临界值 $c$。
+
+**11.** 【两类错误】🟨**真题骨架 2021·10** 设 $X_1,\cdots,X_{25}$ 为来自总体 $N(\mu,9)$ 的简单随机样本,考虑检验问题
+
+$$H_0:\mu\le5,\qquad H_1:\mu>5,$$
+
+取拒绝域 $W=\{\bar X\ge6\}$,$\Phi(x)$ 为标准正态分布函数。
+
+(Ⅰ)求犯**第一类错误**的概率(用 $\Phi$ 表示);
+
+(Ⅱ)求当 $\mu=6.6$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
+
+**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$($EX=\mu$,$DX=\sigma^2$)的简单随机样本,考虑 $\mu$ 的三个估计量
+
+$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
+
+(Ⅰ)验证三个估计量都是 $\mu$ 的无偏估计;
+
+(Ⅱ)比较它们的有效性,指出哪一个最有效。
+
+**13.** 【两样本泊松 · MLE】🟨**真题骨架 2022·22** 设 $X_1,\cdots,X_5$ 来自参数为 $\lambda$ 的泊松分布,$Y_1,\cdots,Y_4$ 来自参数为 $2\lambda$ 的泊松分布,两组样本**相互独立**,$\lambda>0$ 未知。测得观测值
+
+$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
+
+(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$;
+
+(Ⅱ)写出 $D(\hat\lambda)$ 的表达式。
+
+**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$,两样本**相互独立**,$S_1^2$、$S_2^2$ 分别为两样本的样本方差。求常数 $c$,使
+
+$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
+
+并写出该 $F$ 分布的两个自由度。
+
+---
+
+## C 组 · 拔高(综合与建模,★★★,约 24 分钟)
+
+**15.** 【半正态分布 · 求常数 + MLE】🟨**真题骨架 2019·23** 设总体 $X$ 的概率密度为
+
+$$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}},&x\ge\mu\\[4pt]0,&x<\mu\end{cases}$$
+
+其中 $\mu$ **已知**,$\sigma>0$ 未知,$A$ 为常数,$X_1,\cdots,X_n$ 为简单随机样本。
+
+(Ⅰ)求 $A$;
+
+(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
+
+**16.** 【威布尔分布 · 无记忆性 + MLE】🟨**真题骨架 2020·23** 设某元件使用寿命 $T$ 的分布函数为
+
+$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
+
+(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$;
+
+(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$。
+
+**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$,构造 $T_c=cX_{(n)}$($c>0$)。
+
+(Ⅰ)求 $c$,使 $T_c$ 为 $\theta$ 的**无偏估计**;
+
+(Ⅱ)记 $h(c)=E(T_c-\theta)^2$,求 $c$,使 $h(c)$ **最小**。
+
+**18.** 【假设检验概念综合】🟨**真题骨架 2018·8** 设 $X_1,\cdots,X_n$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma$ 已知,检验
+
+$$H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,$$
+
+拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$。
+
+(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
+
+(A)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
+
+(B)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$;
+
+(C)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
+
+(D)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$。
+
+(Ⅱ)若 $n=16$,$\sigma=2$,取 $\alpha=0.05$($u_{0.025}=1.96$),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
+
+---
+
+> **做完后**:对 [[03-解析]] 逐题复盘;错题回挂 [[做题本]];方法不熟的地方回查 [[01-考点手册]] 对应小节。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/03-解析.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/03-解析.md
new file mode 100644
index 0000000..bfea892
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/03-解析.md
@@ -0,0 +1,561 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 数理统计
+ - 解析
+专题: 概率论 第6讲 · 数理统计 · 解析(18 题)
+日期: 2026-10-16
+关联: "[[01-考点手册]] · [[02-试题]]"
+---
+
+# 概率论 第6讲 · 数理统计 · 解析
+
+> **用法**:先做完 [[02-试题]] 再对答案。每题给「**答案 / 思路 / 易错点**」,标「真题骨架」的题注明对应真题。
+
+---
+
+## A 组 · 基础
+
+### 第 1 题 · 统计量与常用统计量
+
+**(Ⅰ)答案**:$\bar X=5$,$S^2=7.5$,$B_2=6$。
+
+**思路**:
+
+$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
+
+偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$。
+
+$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
+
+**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$、$\max$ 是统计量**;其余三个($\bar X+\mu$、$X_1+X_2-\mu$、$\sum(X_i-\mu)^2$)**不是**。
+
+**易错点**:
+- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
+- $S^2$ 虽然含 $\bar X$,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
+- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
+
+---
+
+### 第 2 题 · 三大分布辨析与构造
+
+**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$。
+
+**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$。六个独立相加:
+
+$$Y_1=\sum_{i=1}^{6}\left(\frac{X_i}{2}\right)^2\sim\chi^2(6).$$
+
+**(Ⅱ)答案**:$Y_2\sim\chi^2(1)$。
+
+**思路**:$X_1+X_2+X_3\sim N(0,\ 4+4+4)=N(0,12)$,标准化后平方:
+
+$$Y_2=\frac{(X_1+X_2+X_3)^2}{12}=\left(\frac{X_1+X_2+X_3}{\sqrt{12}}\right)^2\sim\chi^2(1).$$
+
+**(Ⅲ)答案**:$Y_3\sim t(3)$。
+
+**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
+
+- 分子:$\dfrac{X_1}{2}\sim N(0,1)$;
+- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$;
+
+$$\frac{X_1/2}{\sqrt{\dfrac{1}{3}\cdot\dfrac{X_2^2+X_3^2+X_4^2}{4}}}=\frac{X_1/2}{\sqrt{X_2^2+X_3^2+X_4^2}/\sqrt{12}}=\frac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}\sim t(3).$$
+
+**(Ⅳ)答案**:**不服从三大分布**。
+
+**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$,但
+
+$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
+
+**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$)。
+
+**易错点**:
+- ⚠️ **系数错一点就不是 $\chi^2$**。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
+- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$,同样不服从)。
+- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$、分母是 $X_2,X_3,X_4$,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$,就不独立,不能用。
+
+---
+
+### 第 3 题 · 样本均值与样本方差的数字特征
+
+**(Ⅰ)答案**:$E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$ES^2=\sigma^2$。
+
+**思路**:
+
+$$E\bar X=\frac1n\sum EX_i=\frac1n\cdot n\mu=\mu;$$
+
+$$D\bar X=\frac{1}{n^2}\sum DX_i=\frac{1}{n^2}\cdot n\sigma^2=\frac{\sigma^2}{n}\quad(\text{独立才可加});$$
+
+$ES^2$ 的关键是**先化简再取期望**:
+
+$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2,$$
+$$E\!\left[\sum X_i^2\right]=n(\sigma^2+\mu^2),\qquad E\bar X^2=D\bar X+(E\bar X)^2=\frac{\sigma^2}{n}+\mu^2,$$
+$$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2\ \Longrightarrow\ ES^2=\sigma^2 .$$
+
+**(Ⅱ)答案**:因为 $\dfrac1n\sum(X_i-\bar X)^2$ 是**有偏**的。
+
+**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$)。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
+
+**易错点**:
+- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$,**不是** $\sigma^2$——这是第 5 讲切比雪夫不等式反复用到的结论。
+- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$(求 $E$ 时用)。
+- **"$n-1$ 是为了无偏"**这句话要能自己推(面试式追问)。
+
+---
+
+### 第 4 题 · 矩估计
+
+**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$。
+
+**思路**:先求**总体一阶矩**(含 $\theta$):
+
+$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
+
+用样本一阶矩替换:$1-5\theta=\bar X$,解得
+
+$$\hat\theta=\frac{1-\bar X}{5}.$$
+
+**易错点**:
+- 先**验证概率和为 1**:$2\theta+\theta+(1-3\theta)=1$ ✓(题目给了 $0<\theta<1/3$ 保证非负)。
+- **只用一个参数 → 只用一阶矩**,别多此一举用二阶矩。
+- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
+
+---
+
+### 第 5 题 · 极大似然估计
+
+**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$。
+
+**思路**:
+
+$$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\theta-1},\qquad \ln L(\theta)=n\ln\theta+(\theta-1)\sum_{i=1}^{n}\ln x_i .$$
+
+$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
+
+**易错点**:
+- ⚠️ **$00$** ✓,解是合法的。可以顺手做这个**正性检验**。
+- 支撑集 $0-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$——**结构相同,常数差 1**,注意区分。
+
+---
+
+### 第 6 题 · 无偏性定常数 🟩
+
+**答案**:$k=\dfrac{1}{2(n-1)}$。
+
+**思路**:关键是算 $E(X_{i+1}-X_i)^2$。用"**方差 + 均值差平方**":
+
+$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
+
+($X_{i+1}$ 与 $X_i$ 独立,方差可加;同分布 ⟹ 均值之差为 0。)
+
+于是
+
+$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
+
+**易错点**:
+- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$**。
+- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
+
+---
+
+## B 组 · 中等
+
+### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
+
+**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
+
+**思路**:
+
+$$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert}{\lambda}}=\Big(\frac{1}{2\lambda}\Big)^n\exp\!\Big(-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert\Big),$$
+
+$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
+
+解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
+
+**(Ⅱ)答案**:$E\hat\lambda=\lambda$,$D\hat\lambda=\dfrac{\lambda^2}{n}$。
+
+**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$,由对称性可得
+
+$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
+
+即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$、$D\lvert X_i\rvert=\lambda^2$。于是
+
+$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
+
+**易错点**:
+- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$,与本题无关。要求的是**绝对值的期望**。
+- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$,**记得乘 $\frac{1}{n^2}$**。
+- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$),可直接回刷真题。
+
+---
+
+### 第 8 题 · 次序统计量 · 最大值分布 + 无偏 🟨真题骨架 2016·23
+
+**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 02$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$,即
+
+$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
+
+**(Ⅱ)答案**:$c=2.8225$。
+
+**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$,
+
+$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
+
+**易错点**:
+- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$**。**不要把方差当标准差代进分母**——这是本题最大的坑。
+- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$"就放右尾($\ge$);$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$"。
+- **单侧用 $Z_\alpha$**(不是 $Z_{\alpha/2}$)。若改成 $H_1:\mu\ne2$,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$。
+
+---
+
+### 第 11 题 · 两类错误 🟨真题骨架 2021·10
+
+**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$。
+
+**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$,即标准差 $\dfrac35=0.6$。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
+
+$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
+
+**(Ⅱ)答案**:$\beta=1-\Phi(1)$。
+
+**思路**:第二类错误在 $H_1$ 下的**具体真值** $\mu=6.6$ 处计算,用**接受域**($W$ 的补集):
+
+$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
+
+**易错点**:
+- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$(边界),$\beta$ 用 $\mu=\mu_1$(真值)。这是两类错误的**根本区别**。
+- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
+- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$,得 $\beta=1-\Phi(1)$),可直接回刷。
+
+---
+
+### 第 12 题 · 无偏性与有效性
+
+**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
+
+**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$,**只要系数和 $\sum a_i=1$ 就无偏**:
+
+$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
+
+**(Ⅱ)答案**:$\hat\theta_1$ 最有效。
+
+**思路**:三者都无偏,比较方差(独立性使方差可加):
+
+$$D\hat\theta_1=\Big(\tfrac19+\tfrac19+\tfrac19\Big)\sigma^2=\frac{\sigma^2}{3}\approx0.333\,\sigma^2;$$
+
+$$D\hat\theta_2=\Big(\tfrac14+\tfrac19+\tfrac1{36}\Big)\sigma^2=\frac{9+4+1}{36}\sigma^2=\frac{14}{36}\sigma^2=\frac{7}{18}\sigma^2\approx0.389\,\sigma^2;$$
+
+$$D\hat\theta_3=\Big(\tfrac14+\tfrac14\Big)\sigma^2=\frac{\sigma^2}{2}=0.5\,\sigma^2 .$$
+
+$$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
+
+**易错点**:
+- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
+- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
+- 直觉:**系数越"平均"(越接近 $\frac1n$),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
+
+---
+
+### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
+
+**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$。
+
+**思路**:**两个样本要放在同一个似然函数里**。
+
+$$L(\lambda)=\prod_{i=1}^{n}\frac{\lambda^{x_i}}{x_i!}\mathrm e^{-\lambda}\cdot\prod_{j=1}^{m}\frac{(2\lambda)^{y_j}}{y_j!}\mathrm e^{-2\lambda},$$
+
+$$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\lambda)-2m\lambda+\text{常数}.$$
+
+$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
+
+代入:$n=5$,$m=4$,$\sum x_i=3+2+4+1+5=15$,$\sum y_j=5+3+7+9=24$,
+
+$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
+
+**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$。
+
+**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$;两者独立故方差可加:
+
+$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
+
+$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
+
+**易错点**:
+- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$** 的两个来源,必须合并。
+- ⚠️ **$Y$ 组的分母是 $n+2m$**(不是 $n+m$):因为 $Y$ 的均值是 $2\lambda$,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
+- 若把 $Y$ 的分布参数换成 $k\lambda$,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$,$D\hat\lambda=\dfrac{\lambda}{n+km}$——**这是本题的一般式**。
+
+---
+
+### 第 14 题 · 两正态总体方差比 · $F$ 分布 🟨真题骨架 2023·9
+
+**答案**:$c=3$,自由度为 $(m-1,\ n-1)$。
+
+**思路**:**"拼 $F$"的两步——先各去方差,再除自由度**。
+
+$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
+
+且两者独立。按 $F$ 的定义(各自除以自由度后相除):
+
+$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
+
+所以 $c=3$。
+
+**易错点**:
+- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$)时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$。
+- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$,分母是 $Y$ 组的 $n-1$。
+- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$,则由倒数性质 $c'=\dfrac13$。
+
+---
+
+## C 组 · 拔高
+
+### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
+
+**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$。
+
+**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$。令 $t=\dfrac{x-\mu}{\sigma}$($\mathrm dx=\sigma\,\mathrm dt$):
+
+$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
+
+**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
+
+**思路**:似然函数(注意支撑集 $x_i\ge\mu$)
+
+$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
+
+$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
+
+**令 $v=\sigma^2$**(对 $\sigma$ 求导会出现平方根,**换元更省事**):
+
+$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
+
+解得 $v=\dfrac1n\sum(X_i-\mu)^2$,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
+
+**易错点**:
+- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$)。
+- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$)**能避开根号运算——**这是本类题的一个通用技巧**。
+- 结果里是 **$n$ 而不是 $n-1$**(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
+
+---
+
+### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
+
+**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$。
+
+**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$。再用条件概率:
+
+$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
+
+**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$。
+
+**思路**:先求密度(对 $F$ 求导):
+
+$$f(t)=F'(t)=\frac{m}{\theta^m}t^{m-1}\mathrm e^{-t^m/\theta^m}\quad(t>0).$$
+
+$$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}^{n}t_i^m,$$
+
+$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
+
+**易错点**:
+- ⚠️ **别忘了"先由 $F$ 求 $f$"这一步**——题目给的是分布函数,似然函数要用密度。
+- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
+- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$,**符号与幂次都容易错**。
+- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
+
+---
+
+### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
+
+**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$。
+
+**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$。
+
+**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$,
+
+$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
+
+**(Ⅰ)无偏**:
+
+$$E(T_c)=c\cdot\frac{n}{n+1}\theta\overset{!}{=}\theta\ \Longrightarrow\ c=\frac{n+1}{n}.$$
+
+**(Ⅱ)最小 MSE**:把 $h(c)$ 展开成 $c$ 的**二次函数**:
+
+$$h(c)=E(T_c-\theta)^2=c^2EX_{(n)}^2-2c\theta\,EX_{(n)}+\theta^2=c^2\cdot\frac{n\theta^2}{n+2}-2c\cdot\frac{n\theta^2}{n+1}+\theta^2 .$$
+
+对 $c$ 求导:
+
+$$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightarrow\ c=\frac{n+2}{n+1}.$$
+
+**易错点**:
+- ⚠️ **两个 $c$ 不相等,且最小 MSE 的 $c$ 更小**。比较大小(交叉相乘,两边同乘正数 $n(n+1)$ 不变号):
+
+ $$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
+
+ 所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$。
+ 这不矛盾:**有偏估计只要偏差足够小,就能把方差压得更低,使总 MSE 更小**——这就是"**无偏 ≠ 最优**"的经典例证($c=\frac{n+2}{n+1}$ 时估计量是有偏的,但 MSE 反而比无偏的那一个更小)。
+- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$),**不能**用 $(EX_{(n)})^2$。
+- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$(本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
+
+---
+
+### 第 18 题 · 假设检验概念综合 🟨真题骨架 2018·8
+
+**(Ⅰ)答案**:**(D)**。
+
+**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
+
+- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$;
+- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
+
+于是:
+
+| 条件 | 在 $\alpha=0.01$ 下 |
+|---|---|
+| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$) | 因 $c_{0.01}>c_{0.05}$,**未必**达到 ⟹ A、B 都错 |
+| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
+
+**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$。
+
+**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$,
+
+$$c=u_{0.025}\cdot\frac{\sigma}{\sqrt n}=1.96\times0.5=0.98\ \Longrightarrow\ W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}.$$
+
+求 $\beta$:在 $\mu=\mu_0+1$ 下 $\bar X\sim N(\mu_0+1,\ 0.25)$,标准差 $0.5$。**用接受域**:
+
+$$\beta=P\{\lvert\bar X-\mu_0\rvert<0.98\mid \mu=\mu_0+1\}.$$
+
+令 $\dfrac{\bar X-\mu_0-1}{0.5}=Z\sim N(0,1)$,则 $\bar X-\mu_0=1+0.5Z$,条件化为
+
+$$-0.98<1+0.5Z<0.98\ \Longleftrightarrow\ -3.96 上述 1、4、5 三项可在二轮复习时用真题原题补齐;2、3 属边缘,暂不安排。
+
+### 五、与既有材料的衔接
+
+- 本讲**上游**:第 4 讲(数字特征,$E,D,\operatorname{Cov}$——**尚未建文件夹**)、第 5 讲(大数定律与中心极限定理,切比雪夫不等式)。
+- 本讲**核心依赖**:正态分布、$\chi^2/t/F$ 三大分布、期望方差的性质。
+- 建议顺序:**第 5 讲 → 第 6 讲**(因为区间估计与假设检验反复用到第 5 讲的标准化与分位数)。
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-考点手册.pdf b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-考点手册.pdf
new file mode 100644
index 0000000..a444830
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-考点手册.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-解析.pdf b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-解析.pdf
new file mode 100644
index 0000000..5d84512
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-解析.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-试题-答题版.pdf b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-试题-答题版.pdf
new file mode 100644
index 0000000..88cd0d9
Binary files /dev/null and b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/PDF/概率论第6讲-试题-答题版.pdf differ
diff --git a/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md
new file mode 100644
index 0000000..e3698c6
--- /dev/null
+++ b/基于考研的学习/数学一/在学练习/概率论-第6讲-数理统计/README.md
@@ -0,0 +1,78 @@
+---
+tags:
+ - 数学一
+ - 在学练习
+ - 概率论
+ - 数理统计
+ - 参数估计
+ - 假设检验
+ - MOC
+专题: 概率论 第6讲 · 数理统计(真题库第 20/21/22 章)
+日期: 2026-10-16
+状态: 已出(考点 + 试题 + 解析 三件分离)
+对应视频:
+ - 01 一、基础知识结构
+ - 02 二、总体与样本
+ - 03 二、统计量及其分布(上)
+ - 04 二、统计量及其分布(下)
+ - 05 三、参数的点估计
+ - 06 四、参数的区间估计(仅数学一)
+ - 07 五、假设检验(仅数学一)
+ - 08 六、两类错误(仅数学一)
+---
+
+# 概率论 第6讲 · 数理统计
+
+> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
+
+## 一、本文件夹文件
+
+| 文件 | 用途 | 打开时机 |
+|---|---|---|
+| **[[01-考点手册]]** | 全考点:总体与样本 / **统计量及其分布**(三大分布 + 正态总体抽样分布)/ **参数的点估计** / 区间估计 / 假设检验 / 两类错误 | 学之前/复习时 |
+| **[[02-试题]]** | 18 题分层练习(A 基础 6 / B 中等 8 / C 拔高 4),**不含答案** | 限时自测 |
+| **[[03-解析]]** | 18 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
+
+## 二、训练目标
+
+- 真题库 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**。
+- **参数估计标注「热门」**:近十年**几乎年年一道 11–12 分解答题**,是本讲**唯一必拿的大题**;本卷 18 题中 15 题与之相关。
+- **数学一独有**:区间估计(视频 06)、假设检验(视频 07)、两类错误(视频 08)——**只在数一考**,且都只出选填。
+- 三条主线:**独立性**(简单随机样本 = i.i.d.)、**标准化**(拼 $\chi^2/t/F$)、**矩替换**($\frac1n\sum X_i^k$ 换 $E X^k$)。
+
+## 三、难度与用时
+
+| 组 | 题量 | 对应 | 建议用时 | 难度 |
+|---|---|---|---|---|
+| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
+| B 中等 | 8(7–14) | 多步计算 | 34 分钟 | ★★☆ |
+| C 拔高 | 4(15–18) | 建模与综合辨析 | 24 分钟 | ★★★ |
+| **合计** | **18** | | **约 80 分钟** | 可拆两天 |
+
+## 四、命题依据与来源记号
+
+- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 20/21/22 章(15 题,2016–2025)。
+- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`)。
+- 🟦 **视频**:第 6 讲 8 个文件(见 frontmatter)。
+- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的 10 题可直接回刷真题原题。
+
+## 五、平板书写版(PDF)
+
+Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
+
+| 文件 | 页数 | 用途 |
+|---|---|---|
+| `概率论第6讲-试题-答题版.pdf` | 17 | **主用**:18 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
+| `概率论第6讲-解析.pdf` | 13 | 答案与详解 |
+| `概率论第6讲-考点手册.pdf` | 16 | 复习查阅 |
+
+> **重新生成**:改完 `.md` 后运行
+> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第6讲-试题-答题版.pdf --mode answer`
+> (去掉 `--mode answer` 即为普通版。)
+
+## 六、关联
+
+- 上层:[[总览]]
+- 相邻讲次:[[概率论-第5讲-大数定律与中心极限定理/README]](大数定律与中心极限定理)
+- 上游待补:数字特征(第 4 讲,**尚未建文件夹**)——本讲的切比雪夫、$\chi^2$、方差性质都依赖它
+- 错题:[[做题本]]