概率论专背清单:六讲 231 条口袋卡(21—27)
背诵版 16—20 是讲义态(一讲 1.2—2.3 万字符),复习一次 40 分钟且看完记不住。 用户反馈「不是不理解,是背的东西太多,靠逻辑推演速度太慢」,故另做记忆态清单。 - 21 总纲:收录标准(只收推不出或推起来超十秒的)、五型标签(式/表/判/模/反)、 三轮刷法、六张跨讲对照(除数账本、独立四种说法、标准化三次、自由度账本、 三对易混、两类错误) - 22—27 六讲:32/44/41/36/25/53 条,合计 231 条,全刷 32 分钟 - 每册末「十秒自检」四条到六条,作为过关判据 - 考前三天只看「反」型(不成立断言与反例)与「表」型 - README 加 §四·五 说明分工:清单卡住 → 背诵版查全 → 在学练习看推导 - 总览目录树补入知识点构建(此前遗漏) - 顺带修两处公式内伪链接(f'[...](b-a)、[x+(n-1)a](x-a)),check_md_links 归零
This commit is contained in:
@@ -51,7 +51,7 @@ tags: [数学一, 知识点构建, 背诵版, 高等数学, 导数的应用]
|
||||
**罗尔定理**:① $[a,b]$ 连续;② $(a,b)$ 可导;③ $f(a)=f(b)$ ⟹ $\exists\xi\in(a,b),\ f'(\xi)=0$。
|
||||
**罗尔推广**(极限型):$(a,b)$ 内可导,且① $\lim_{x\to a^+}f=\lim_{x\to b^-}f=A$;② 两端同为 $\pm\infty$;③ $(a,+\infty)$ 内两端同为 $A$;④ $(-\infty,+\infty)$ 内两端同为 $A$——均存在 $\xi$ 使 $f'(\xi)=0$。
|
||||
|
||||
**拉格朗日中值定理**:$[a,b]$ 连续、$(a,b)$ 可导 ⟹ $f(b)-f(a)=f'(\xi)(b-a)$。几何:弧上有一点切线平行弦。等价写法 $f(b)-f(a)=f'[a+\theta(b-a)](b-a)\ (0<\theta<1)$。
|
||||
**拉格朗日中值定理**:$[a,b]$ 连续、$(a,b)$ 可导 ⟹ $f(b)-f(a)=f'(\xi)(b-a)$。几何:弧上有一点切线平行弦。等价写法 $f(b)-f(a)=f'[a+\theta(b-a)]\,(b-a)\ (0<\theta<1)$。
|
||||
**有限增量公式**:$\Delta y=f'[x_0+\theta\Delta x]\Delta x$——**准确值**(不是近似),但 $\theta$ 未知不好用。
|
||||
**推论**:$f$ 在 $I$ 上连续可导,$f(x)=C\iff f'(x)\equiv0$。
|
||||
**典型应用**($\ln$ 不等式模板):$\ln(1+x)=\ln(1+x)-\ln1=\frac x\xi\ (1<\xi<1+x)$ ⟹ $\frac x{1+x}<\ln(1+x)<x$。
|
||||
|
||||
@@ -96,7 +96,7 @@ tags: [数学一, 知识点构建, 背诵版, 线性代数, 行列式]
|
||||
- **题 10 · 成比例判零(★☆☆)**:计算 $\begin{vmatrix}2&1&4&1\\3&-1&2&1\\1&2&3&2\\5&0&6&2\end{vmatrix}$(第 1 列加第 4 列后两行成比例,$=0$)。
|
||||
- **题 11 · 拆和证明(★★★)**:证明 $\begin{vmatrix}x&y&z\\y&z&x\\z&x&y\end{vmatrix}$ 恒等式 $(a^3+b^3)\begin{vmatrix}x&y&z\\y&z&x\\z&x&y\end{vmatrix}=$(分解)+(合成)形式成立(行(列)和为定值拆和)。
|
||||
- **题 12 · 行乘积定值(★★☆)**:计算 $\begin{vmatrix}-ab&ac&ae\\bd&-cd&de\\bf&cf&-ef\end{vmatrix}$(三行提公因子 + 行列成比例,$=4abcdef$)。
|
||||
- **题 13 · 行列和为定值(★★★)**:计算 $n$ 阶 $\begin{vmatrix}x&a&a&\cdots&a\\a&x&a&\cdots&a\\\cdots\\a&a&a&\cdots&x\end{vmatrix}$(全加到第一行提 $x+(n-1)a$,$=[x+(n-1)a](x-a)^{n-1}$)。
|
||||
- **题 13 · 行列和为定值(★★★)**:计算 $n$ 阶 $\begin{vmatrix}x&a&a&\cdots&a\\a&x&a&\cdots&a\\\cdots\\a&a&a&\cdots&x\end{vmatrix}$(全加到第一行提 $x+(n-1)a$,$=[x+(n-1)a]\,(x-a)^{n-1}$)。
|
||||
- **题 14 · 行列和·$1+a_i$ 型(★★★)**:计算 $n$ 阶 $\begin{vmatrix}1+a_1&a_1&a_1&\cdots&a_1\\a_2&1+a_2&a_2&\cdots&a_2\\\cdots\\a_n&a_n&a_n&\cdots&1+a_n\end{vmatrix}$(全加到第一行,$=1+\sum_{i=1}^n a_i$)。
|
||||
- **题 15 · 分块/副块(★★☆)**:计算 $\begin{vmatrix}a_1&0&0&b_1\\0&a_2&b_2&0\\0&b_3&a_3&0\\b_4&0&0&a_4\end{vmatrix}$(行列交换转分块,$=(a_1a_4-b_1b_4)(a_2a_3-b_2b_3)$)。
|
||||
|
||||
|
||||
@@ -0,0 +1,143 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 总纲]
|
||||
专题: 概率论 · 专背清单 · 00 总纲与跨讲对照
|
||||
日期: 2026-11-17
|
||||
状态: 建立(六讲分册 + 本总纲)
|
||||
来源: 知识点构建 16—20 背诵版(讲义态)提炼;真题库 kaoyan_math1.db 概率四章
|
||||
关联笔记: ["[[README]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]"]
|
||||
---
|
||||
|
||||
# 概率论专背清单 · 00 总纲
|
||||
|
||||
> **这份东西和 16—20 背诵版不是一回事。**
|
||||
>
|
||||
> 背诵版是**讲义态**:每讲一份 1.6—2.3 万字符,性质、推导、定理条件全在,读一遍收获大,但一次复习要 40 分钟以上,且看完记不住——因为信息是"可读的",不是"可背的"。
|
||||
>
|
||||
> 这份清单是**口袋卡**:只收**推不出、或者推起来超过十秒**的条目。一行一条,遮住右列就能默写。六讲合计 231 条,**全刷一遍 32 分钟**。
|
||||
|
||||
## 一、收录标准(为什么不全)
|
||||
|
||||
概率论的知识点分两类:
|
||||
|
||||
| 类 | 例 | 收不收 |
|
||||
|---|---|---|
|
||||
| **能一行推出来** | $D(aX+b)=a^2DX$ 、$P(\varnothing)=0$ 、$E(aX)=aEX$ | **不收**。理解就够,背了反而占内存 |
|
||||
| **推起来慢 / 推不出 / 必混** | 七大分布的 $E$ 与 $D$ 、三定律的条件差别、$\chi^2$ 区间为什么上下限反放 | **收**。这些每题重推要三十秒以上,考场没有三十秒 |
|
||||
|
||||
判据就一句:**考场上你愿不愿意现场推**。不愿意的,都在清单里。
|
||||
|
||||
## 二、五型标签
|
||||
|
||||
| 标签 | 含义 | 背法 |
|
||||
|---|---|---|
|
||||
| **式** | 要默写的形式(公式、恒等式) | 遮住右列,写出完整式子,含条件 |
|
||||
| **表** | 要整表回忆的(分布表、区间表、检验表) | 白纸上默整张表,缺一格算错 |
|
||||
| **判** | 判别顺序、触发词、选路 | 给一个场景,说出走哪条 |
|
||||
| **模** | 步骤骨架(MLE、假设检验、标准化) | 说出第几步做什么,不写细节 |
|
||||
| **反** | 不成立的断言与反例 | **这型最容易考**。要能说出反例本身 |
|
||||
|
||||
**优先级**:考前 3 天只看**反**和**表**。这两型丢分最狠,且不能临场推。
|
||||
|
||||
## 三、刷法(三轮)
|
||||
|
||||
| 轮 | 时机 | 动作 | 判过 |
|
||||
|---|---|---|---|
|
||||
| 一 | 当天学完一讲 | 遮右列,逐条默写。卡住的在编号后打 `·` | 全条无 `·` |
|
||||
| 二 | 第 3 天 | 只刷带 `·` 的条目 + 全部**反**型 | 带 `·` 的清零 |
|
||||
| 三 | 考前一周 | 只刷六张跨讲对照(见 §四)+ 每册末的「十秒自检」 | 能不看稿说出对照关系 |
|
||||
|
||||
**编号即打卡位**。建议在纸质打印稿上用铅笔打点,别在 md 里改——改文件会破坏校验。
|
||||
|
||||
## 四、六张跨讲对照(本总纲的核心)
|
||||
|
||||
概率论真正难背的不是条目多,而是**同一件事在不同讲里换了面孔**。下面六张表是全书的"缝合线",背完六讲必须回头过一遍。
|
||||
|
||||
### 4.1 「除以 n 还是 n 减一」全书账本
|
||||
|
||||
| 对象 | 除数 | 为什么 |
|
||||
|---|---|---|
|
||||
| 样本方差 $S^2$ | $n-1$ | 为了**无偏**($ES^2=\sigma^2$ ) |
|
||||
| 二阶中心矩 $B_2$ | $n$ | 矩估计的产物,**有偏**,$EB_2=\frac{n-1}{n}\sigma^2$ |
|
||||
| $D\overline X$ | —— | $=\frac{\sigma^2}{n}$ ,分母的 $n$ 来自"平均"不是"修正" |
|
||||
| $\chi^2$ 自由度 | $\mu$ 已知取 $n$ 、$\mu$ 未知取 $n-1$ | 每估掉一个参数,吃掉一个自由度 |
|
||||
| 合并方差 $S_w^2$ | $m+n-2$ | 两个均值各吃掉一个 |
|
||||
|
||||
**一句话**:**$n-1$ 只在"用了 $\overline X$ 代替 $\mu$ "的地方出现**。凡出现 $n-1$ ,背后一定有一个被估掉的参数。
|
||||
|
||||
### 4.2 「独立」的四种说法
|
||||
|
||||
| 场景 | 说法 | 判据 |
|
||||
|---|---|---|
|
||||
| 事件 | $A,B$ 独立 | $P(AB)=P(A)P(B)$ |
|
||||
| 随机变量 | $X,Y$ 独立 | $F(x,y)=F_X(x)F_Y(y)$ ,或 $f=f_Xf_Y$ **且支撑是矩形** |
|
||||
| 数字特征 | 不相关 | $\operatorname{Cov}=0$ ,即 $E(XY)=EX\,EY$ |
|
||||
| 特例 | 二维正态 | 不相关 $\iff$ 独立(**只此一家**) |
|
||||
|
||||
**反**:不相关推不出独立。反例 $X\sim U(-1,1)$ 、$Y=X^2$ 。
|
||||
|
||||
### 4.3 「标准化」的三次出场
|
||||
|
||||
| 场合 | 形式 | 分母 |
|
||||
|---|---|---|
|
||||
| 正态标准化 | $U=\frac{X-\mu}{\sigma}\sim N(0,1)$ | $\sigma$ |
|
||||
| 中心极限定理 | $\frac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1)$ | $\sqrt n\,\sigma$ (**不是** $n\sigma$ ) |
|
||||
| $t$ 统计量 | $T=\frac{\overline X-\mu}{S/\sqrt n}\sim t(n-1)$ | $S/\sqrt n$ ,**$\sigma$ 换成 $S$ 就降级成 $t$ ** |
|
||||
|
||||
**一句话**:**分子是"观测减期望",分母是"这个差的标准差"**。三次都是这一句,只是"差"的对象不同。
|
||||
|
||||
### 4.4 自由度账本
|
||||
|
||||
| 统计量 | 自由度 | 来源 |
|
||||
|---|---|---|
|
||||
| $\frac{1}{\sigma^2}\sum(X_i-\mu)^2$ | $n$ | 没有估任何参数 |
|
||||
| $\frac{(n-1)S^2}{\sigma^2}$ | $n-1$ | 估了 $\mu$ |
|
||||
| $t(n-1)$ | $n-1$ | 分母 $S$ 用了 $\overline X$ |
|
||||
| $F(m-1,n-1)$ | 分子 $m-1$ 、分母 $n-1$ | 两个方差各估了一个均值 |
|
||||
| $t(m+n-2)$ | $m+n-2$ | 合并了两组,估了两个均值 |
|
||||
|
||||
### 4.5 三对"长得像"必须分清
|
||||
|
||||
| 易混对 | 区别 |
|
||||
|---|---|
|
||||
| $\chi^2(n)$ vs $\chi^2(n-1)$ | $\mu$ 已知用 $n$ ,$\mu$ 未知用 $n-1$ |
|
||||
| $t(n)$ vs $N(0,1)$ | $t$ 尾厚,$n\to\infty$ 才重合;$t_{1-\alpha}=-t_\alpha$ |
|
||||
| $F(n_1,n_2)$ vs $F(n_2,n_1)$ | 顺序是**分子在前**;$\frac1F\sim F(n_2,n_1)$ ,用于查表换向 |
|
||||
|
||||
### 4.6 「两类错误」与「两个水平」
|
||||
|
||||
| 名 | 符号 | 含义 | 控制谁 |
|
||||
|---|---|---|---|
|
||||
| 显著性水平 | $\alpha$ | $P\{\text{拒绝}H_0\mid H_0\text{真}\}$ ,弃真 | 由研究者定,通常 0.05 |
|
||||
| 第二类错误 | $\beta$ | $P\{\text{接受}H_0\mid H_0\text{假}\}$ ,取伪 | 由 $n$ 、$\alpha$ 、真实参数共同决定 |
|
||||
| 置信度 | $1-\alpha$ | 区间盖住真值的概率 | 与 $\alpha$ 同源 |
|
||||
|
||||
**反**:$\alpha$ 与 $\beta$ **不能同时减小**(样本量固定时)。唯一同时减小的办法是**增大 $n$ **。
|
||||
|
||||
## 五、条目分布
|
||||
|
||||
| 册 | 讲 | 条目 | 其中「反」型 | 建议用时 |
|
||||
|---|---|---|---|---|
|
||||
| [22](22-专背清单-概率论-第1讲-事件与概率.md) | 第 1 讲 事件与概率 | 32 | 7 | 4 分钟 |
|
||||
| [23](23-专背清单-概率论-第2讲-一维随机变量.md) | 第 2 讲 一维随机变量 | 44 | 8 | 6 分钟 |
|
||||
| [24](24-专背清单-概率论-第3讲-多维随机变量.md) | 第 3 讲 多维随机变量 | 41 | 9 | 6 分钟 |
|
||||
| [25](25-专背清单-概率论-第4讲-数字特征.md) | 第 4 讲 数字特征 | 36 | 7 | 5 分钟 |
|
||||
| [26](26-专背清单-概率论-第5讲-极限定理.md) | 第 5 讲 极限定理 | 25 | 5 | 3 分钟 |
|
||||
| [27](27-专背清单-概率论-第6讲-数理统计.md) | 第 6 讲 数理统计 | 53 | 7 | 8 分钟 |
|
||||
| | **合计** | **231** | **48** | **32 分钟** |
|
||||
|
||||
> 第一遍会超时,正常。第三遍起应压到 25 分钟以内——**超时说明还在推,没在背**。
|
||||
|
||||
## 六、和其余材料的分工
|
||||
|
||||
| 材料 | 态 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| `在学练习/概率论-第 N 讲` | 学习态 | 第一次学、某条彻底想不通 |
|
||||
| `知识点构建/16—20 背诵版` | 讲义态 | 想系统回看某一讲的完整考点 |
|
||||
| **本清单 22—27** | **记忆态** | **每天通勤、考前一周、刷题前五分钟** |
|
||||
| `专项突破/03、10` | 练习态 | 要动手做题时 |
|
||||
|
||||
**顺序**:清单卡住 → 背诵版查全 → 在学练习看推导。不要反过来。
|
||||
|
||||
## 版本记录
|
||||
|
||||
- 2026-11-17:建立。六讲分册 231 条,五型标签,六张跨讲对照。
|
||||
@@ -0,0 +1,146 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 随机事件, 条件概率]
|
||||
专题: 概率论 · 第1讲 事件与概率 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 32 条(式 12 / 表 1 / 判 7 / 模 1 / 反 7 / 坑 4)
|
||||
来源: 知识点构建 16 背诵版 §1—§3;真题库 chapter 15—16
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]"]
|
||||
---
|
||||
|
||||
# 第 1 讲 事件与概率 · 专背清单
|
||||
|
||||
> 本册只收 32 条。**事件的运算律能现场推,所以只收"横线穿透"这一条最容易记反的**;五大公式的**触发词**是真正要背的,公式本身反而次之。
|
||||
|
||||
## 一、事件运算(8 条)
|
||||
|
||||
**L1-01** `式` 德摩根律:$\overline{A\cup B}=\overline A\,\overline B$ ,$\overline{AB}=\overline A\cup\overline B$ 。
|
||||
└ 记法:**横线穿透后,并交互换**。多事件同形,逐层剥。
|
||||
|
||||
**L1-02** `式` 三事件容斥:
|
||||
$$P(A\cup B\cup C)=P(A)+P(B)+P(C)-P(AB)-P(AC)-P(BC)+P(ABC).$$
|
||||
└ 记法:**单减双加三**。符号按"选了几个"交替。
|
||||
|
||||
**L1-03** `式` 差事件:$P(A-B)=P(A)-P(AB)$ 。
|
||||
└ 特例:$B\subset A$ 时 $P(A-B)=P(A)-P(B)$ 。**这个特例才是真题爱考的形态**。
|
||||
|
||||
**L1-04** `式` 单调性:$A\subset B\Rightarrow P(A)\le P(B)$ ,且 $P(B-A)=P(B)-P(A)$ 。
|
||||
└ 用途:证明题里"因为 $A\subset B$ 所以……",一步到位。
|
||||
|
||||
**L1-05** `式` 五个常用翻译(背到条件反射):
|
||||
|
||||
| 说法 | 写法 |
|
||||
|---|---|
|
||||
| 至少一个发生 | $\overline{A_1}\overline{A_2}\cdots\overline{A_n}$ 的对立 |
|
||||
| 一个都不发生 | $\overline{A_1}\overline{A_2}\cdots\overline{A_n}$ |
|
||||
| 恰有一个发生 | $\sum_i A_i\prod_{j\ne i}\overline{A_j}$ |
|
||||
| 恰好两个发生 | 三对交集之和(三事件时) |
|
||||
| 至少两个发生 | 恰好两个 $+$ 恰好三个 |
|
||||
|
||||
**L1-06** `判` 关系三兄弟的区别:
|
||||
|
||||
| 名 | 条件 | 能否同时发生 |
|
||||
|---|---|---|
|
||||
| 互斥 | $AB=\varnothing$ | 否 |
|
||||
| 对立 | $AB=\varnothing$ 且 $A\cup B=\Omega$ | 否,且**必有一个** |
|
||||
| 独立 | $P(AB)=P(A)P(B)$ | **能**,且概率相乘 |
|
||||
|
||||
**L1-07** `判` **互斥与独立不能同时成立**(在 $P(A)>0$ 、$P(B)>0$ 时):互斥给 $P(AB)=0$ ,独立要求 $P(AB)=P(A)P(B)>0$ ,矛盾。
|
||||
└ 反之:若 $P(A)=0$ 或 $P(B)=0$ ,两者可同时成立(零概率事件与任何事件独立)。
|
||||
|
||||
**L1-08** `判` 完备事件组:$A_1,\dots,A_n$ 两两互斥且并为 $\Omega$ 。
|
||||
└ 这是全概率公式的**入场券**。题目里出现"分三种情况"就是它。
|
||||
|
||||
## 二、五大公式(9 条)
|
||||
|
||||
**L1-09** `式` 条件概率:$P(A\mid B)=\dfrac{P(AB)}{P(B)}$ ,**要求 $P(B)>0$ ** 。
|
||||
└ 分母是**已知的那个**,不是样本空间。这一条错了,后面全错。
|
||||
|
||||
**L1-10** `式` 乘法公式(链式):
|
||||
$$P(A_1A_2\cdots A_n)=P(A_1)P(A_2\mid A_1)P(A_3\mid A_1A_2)\cdots$$
|
||||
└ 两事件:$P(AB)=P(A)P(B\mid A)=P(B)P(A\mid B)$ 。**对称的两个方向都要会写**。
|
||||
|
||||
**L1-11** `式` 全概率公式:
|
||||
$$P(B)=\sum_{i=1}^nP(A_i)\,P(B\mid A_i).$$
|
||||
└ 识别信号:**"结果由多种原因造成,问结果"**。先分组,再组内乘,再相加。
|
||||
|
||||
**L1-12** `式` 贝叶斯公式:
|
||||
$$P(A_i\mid B)=\frac{P(A_i)P(B\mid A_i)}{\sum_jP(A_j)P(B\mid A_j)}.$$
|
||||
└ 识别信号:**"结果已发生,问是哪个原因"**。分母就是全概率。
|
||||
|
||||
**L1-13** `模` 贝叶斯三步:① 分母用全概率算 $P(B)$ ;② 分子只算被问的那一支 $P(A_i)P(B\mid A_i)$ ;③ 相除。
|
||||
└ 口诀:**分母是总账,分子是这一笔**。
|
||||
|
||||
**L1-14** `表` 五大公式触发表(这一条比公式本身更值钱):
|
||||
|
||||
| 题面出现 | 用哪个 |
|
||||
|---|---|
|
||||
| "在……条件下" | 条件概率 |
|
||||
| "依次""不放回" | 乘法链式 |
|
||||
| "分三种情况""由三类工厂生产" | 全概率 |
|
||||
| "已知取到次品,问来自哪家" | 贝叶斯 |
|
||||
| "至少有一个" | 对立事件 |
|
||||
|
||||
**L1-15** `反` $P(A\mid B)+P(A\mid\overline B)\ne1$ 。
|
||||
└ 正确关系是对同一个条件下换事件:$P(A\mid B)+P(\overline A\mid B)=1$ 。
|
||||
└ 反例:掷一枚骰子,$A=\{1\}$ 、$B=\{1,2\}$ :$P(A\mid B)=\frac12$ ,$P(A\mid\overline B)=0$ ,和为 $\frac12$ 。
|
||||
|
||||
**L1-16** `反` $P(AB)=P(A)P(B)$ **只对独立事件成立**。一般情形是 $P(A)P(B\mid A)$ 。
|
||||
└ 这是选填第一号陷阱:题干没说独立,绝不许乘。
|
||||
|
||||
**L1-17** `判` 古典概型两个条件:**样本点有限**、**等可能**。
|
||||
└ 几何概型把"有限"换成"可度量的区域",概率换成面积(长度、体积)之比。
|
||||
|
||||
## 三、独立性(7 条)
|
||||
|
||||
**L1-18** `式` 独立定义(三等价):$P(AB)=P(A)P(B)\iff P(A\mid B)=P(A)\iff P(B\mid A)=P(B)$ 。
|
||||
|
||||
**L1-19** `式` **独立对补集封闭**:$A,B$ 独立 $\iff$ $A,\overline B$ 独立 $\iff$ $\overline A,B$ 独立 $\iff$ $\overline A,\overline B$ 独立。
|
||||
└ 用途:题目给"$A$ 与 $B$ 独立",可以直接写 $P(\overline A\,\overline B)=P(\overline A)P(\overline B)$ 。
|
||||
|
||||
**L1-20** `反` **两两独立推不出相互独立**。
|
||||
└ 反例:掷两枚硬币,$A=\{$ 第一枚正$\}$ 、$B=\{$ 第二枚正$\}$ 、$C=\{$ 两枚同面$\}$ 。三者概率都是 $\frac12$ ,任意两个的积都是 $\frac14=P(\text{交集})$ ,但 $P(ABC)=\frac14\ne\frac18$ 。
|
||||
|
||||
**L1-21** `判` 相互独立的完整要求:**任意 $k$ 个($k=2,\dots,n$ )的交都等于各自概率之积**。
|
||||
└ 只需验到"全部"这一层,中间层不必单独验(但漏验会出错,见 L1-20)。
|
||||
|
||||
**L1-22** `式` $n$ 重伯努利:$P\{X=k\}=C_n^kp^k(1-p)^{n-k}$ ,$k=0,1,\dots,n$ 。
|
||||
|
||||
**L1-23** `式` **至少一次**:$P\{X\ge1\}=1-(1-p)^n$ 。
|
||||
└ 反求 $n$ 时两边取对数:$n\ge\dfrac{\ln(1-P)}{\ln(1-p)}$ ,**向右取整**。
|
||||
|
||||
**L1-24** `判` 独立只让**乘法**简化,**加法仍要容斥**:$P(A\cup B)=P(A)+P(B)-P(A)P(B)$ 。
|
||||
|
||||
## 四、计数(4 条)
|
||||
|
||||
**L1-25** `数` 基本两式:$A_n^k=\dfrac{n!}{(n-k)!}$ (有序),$C_n^k=\dfrac{n!}{k!\,(n-k)!}$ (无序)。
|
||||
└ 判据:**换顺序算不算新结果**。算 → 排列;不算 → 组合。
|
||||
|
||||
**L1-26** `数` 对称与求和:$C_n^k=C_n^{n-k}$ ,$\sum_{k=0}^nC_n^k=2^n$ 。
|
||||
|
||||
**L1-27** `数` 分组问题:把 $mn$ 个不同元素**均分**成 $m$ 组(组无编号),要除 $m!$ :$\dfrac{(mn)!}{(n!)^m\,m!}$ 。
|
||||
└ 组**有编号**时不除。这是分组题唯一的失分点。
|
||||
|
||||
**L1-28** `数` 圆桌排列:$n$ 人围坐 $=(n-1)!$ ;若还要求"翻转视为相同"再除 2。
|
||||
|
||||
## 五、坑(4 条)
|
||||
|
||||
**L1-29** `反` $P(A)=0$ **不推出** $A=\varnothing$ 。
|
||||
└ 反例:$X\sim N(0,1)$ ,$A=\{X=0\}$ ,$P(A)=0$ 但 $A$ 非空。同理 $P(A)=1$ 不推出 $A=\Omega$ 。
|
||||
|
||||
**L1-30** `反` $P(A)=P(B)$ **不推出** $A=B$ ,也推不出 $P(A-B)=0$ (除非 $B\subset A$ )。
|
||||
└ 2019·7 的形态:问 $P(A)=P(B)$ 的充要条件,正解是 $P(A\overline B)=P(\overline AB)$ 。
|
||||
|
||||
**L1-31** `坑` 见"至少""至多"先写对立面:**"至少一个"的对立是"一个都没有"**,"至多一个"的对立是"至少两个"。
|
||||
|
||||
**L1-32** `坑` 条件概率题里,**条件本身也是事件**:$P(A\mid B\cup C)$ 的分母是 $P(B\cup C)$ ,要先用容斥算出来,不能拆成 $P(A\mid B)+P(A\mid C)$ 。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
合上本册,说出这四件事:
|
||||
|
||||
1. 德摩根的两条式子,以及"横线穿透"这个记法。
|
||||
2. 全概率与贝叶斯的分工(哪个问"结果",哪个问"原因")。
|
||||
3. 两两独立不推相互独立的那个掷硬币反例。
|
||||
4. $P(A\mid B)+P(A\mid\overline B)$ 为什么不等于 1。
|
||||
|
||||
四条都说得出,本讲过关。
|
||||
@@ -0,0 +1,187 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 分布函数, 常见分布]
|
||||
专题: 概率论 · 第2讲 一维随机变量 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 44 条(式 18 / 表 3 / 判 6 / 模 3 / 反 10 / 坑 4)
|
||||
来源: 知识点构建 16 背诵版 §4—§7;真题库 chapter 15—16
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]"]
|
||||
---
|
||||
|
||||
# 第 2 讲 一维随机变量 · 专背清单
|
||||
|
||||
> 44 条。**本讲真正要背的是三张表**(分布律表、连续分布表、$\Phi$ 恒等式),其余是从表里推的。七类分布的参数与支撑必须能默写,一错整题废。
|
||||
|
||||
## 一、分布函数(9 条)
|
||||
|
||||
**L2-01** `式` 定义:$F(x)=P\{X\le x\}$ ,定义域全体实数,值域 $[0,1]$ 。
|
||||
└ **不等号方向固定朝右**($\le x$ )。写成 $<x$ 就是另一个函数了。
|
||||
|
||||
**L2-02** `表` 四条性质(缺一不可):
|
||||
|
||||
| # | 性质 | 含义 |
|
||||
|---|---|---|
|
||||
| ① | 单调不减 | $x_1<x_2\Rightarrow F(x_1)\le F(x_2)$ |
|
||||
| ② | 右连续 | $F(x+0)=F(x)$ |
|
||||
| ③ | 左端 | $F(-\infty)=0$ |
|
||||
| ④ | 右端 | $F(+\infty)=1$ |
|
||||
|
||||
└ 判断题的常见错误项:说"$F$ 连续"(错,只保证右连续)、说"$F$ 可以取负"(错)。
|
||||
|
||||
**L2-03** `式` 单点概率:$P\{X=a\}=F(a)-F(a-0)$ 。
|
||||
└ $F$ 在 $a$ 处的**跳跃高度**就是这一点的概率。连续型处处跳跃为 0,故 $P\{X=a\}=0$ 。
|
||||
|
||||
**L2-04** `式` 区间概率两种写法:
|
||||
$$P\{a<X\le b\}=F(b)-F(a),\qquad P\{a\le X\le b\}=F(b)-F(a-0).$$
|
||||
└ 连续型两者相同(因为 $P\{X=a\}=0$ ),离散型差一个 $p_a$ 。
|
||||
|
||||
**L2-05** `判` 判断一个函数能否当分布函数:先验 ①—④,再看 $F(-\infty)=0$ 与 $F(+\infty)=1$ 是否都满足。
|
||||
└ 最常考的反例:$F(x)=\frac{1}{1+\mathrm e^{-x}}$ (logistic)满足①②③④之外还连续,**是**分布函数;而 $F(x)=\sin x$ 在 $[0,\pi]$ 上不满足不减(在 $\frac\pi2$ 后下降)。
|
||||
|
||||
**L2-06** `反` $F$ 单调不减 **不推出** $F$ 连续;$F$ 有跳跃也不矛盾。
|
||||
└ 离散型的 $F$ 就是阶梯,跳跃点正是取值点。
|
||||
|
||||
**L2-07** `反` 由 $F$ 求 $f$ 时,**只有在 $F$ 可导的点**才有 $f=F'$ ;分段点上的导数值无意义,写成区间开闭都行。
|
||||
|
||||
**L2-08** `判` 由 $F$ 反求参数:把 $F(+\infty)=1$ 与 $F$ 在各段衔接处的**右连续性**联立。
|
||||
└ 两个方程解两个参数,这是标准套路(2024·8 的形态)。
|
||||
|
||||
**L2-09** `坑` $F(x)$ 表示的是**累积到 $x$ 为止**的概率,所以 $P\{X>x\}=1-F(x)$ ,而不是 $1-F(x-0)$ 。**只有取等号单点时才需要 $F(x-0)$ ** 。
|
||||
|
||||
## 二、离散型(8 条)
|
||||
|
||||
**L2-10** `式` 分布律两性质:$p_k=P\{X=x_k\}\ge0$ ,$\sum_kp_k=1$ 。
|
||||
└ 求和为 1 是**归一化**,求未知参数第一动作。
|
||||
|
||||
**L2-11** `表` 五个离散分布(默写支撑与分布律):
|
||||
|
||||
| 分布 | 记号 | 分布律 | 支撑 |
|
||||
|---|---|---|---|
|
||||
| 0-1 | $B(1,p)$ | $p^k(1-p)^{1-k}$ | $k=0,1$ |
|
||||
| 二项 | $B(n,p)$ | $C_n^kp^k(1-p)^{n-k}$ | $k=0,\dots,n$ |
|
||||
| 泊松 | $P(\lambda)$ | $\dfrac{\lambda^k\mathrm e^{-\lambda}}{k!}$ | $k=0,1,2,\dots$ |
|
||||
| 几何 | $G(p)$ | $(1-p)^{k-1}p$ | $k=1,2,\dots$ |
|
||||
| 超几何 | $H(N,M,n)$ | $\dfrac{C_M^kC_{N-M}^{n-k}}{C_N^n}$ | $k$ 取值受限于两堆 |
|
||||
|
||||
└ 几何的支撑**从 1 起**(首次成功),这是最容易写错的一格。0-1 是二项的特例。
|
||||
|
||||
**L2-12** `式` 泊松定理:$n\to\infty$ 、$np\to\lambda$ 时 $C_n^kp^k(1-p)^{n-k}\to\dfrac{\lambda^k\mathrm e^{-\lambda}}{k!}$ 。
|
||||
└ 实用条件:$n\ge20$ 、$p\le0.05$ 、$np$ 适中。$\lambda$ **取 $np$ **,不是 $n$ 也不是 $p$ 。
|
||||
|
||||
**L2-13** `式` 可加性两条:二项(**同 $p$ **)相加仍是二项;泊松相加仍是泊松($\lambda$ 相加)。
|
||||
└ 反:二项**不同 $p$ ** 不可加;几何不可加。
|
||||
|
||||
**L2-14** `式` 几何分布无记忆:$P\{X>m+n\mid X>m\}=P\{X>n\}=(1-p)^n$ 。
|
||||
└ 这是**离散型里唯一**无记忆的分布,指数分布是连续型的对应物。
|
||||
|
||||
**L2-15** `式` 超几何 $\to$ 二项:$N\to\infty$ 且 $\frac MN\to p$ 时,$H(N,M,n)\approx B(n,p)$ 。
|
||||
└ 直观:总体很大时"不放回"和"放回"几乎一样。
|
||||
|
||||
**L2-16** `模` 求离散型函数分布 $Y=g(X)$ :把 $g(x_k)$ 逐个算出,**相同值的概率合并**。
|
||||
└ 反:$Y=X^2$ 时 $x_k$ 与 $-x_k$ 合并成一项,漏并就错。
|
||||
|
||||
**L2-17** `坑` 分布律表格的**行和列都要等于 1**:边缘和是 1,总计也是 1。填表题先查这两处。
|
||||
|
||||
## 三、连续型与三类分布(10 条)
|
||||
|
||||
**L2-18** `式` 密度三性质:$f(x)\ge0$ ;$\int_{-\infty}^{+\infty}f=1$ ;$F(x)=\int_{-\infty}^xf(t)\,\mathrm dt$ 。
|
||||
|
||||
**L2-19** `反` **密度可以大于 1**。
|
||||
└ 反例:$U(0,\frac12)$ 的 $f=2$ 。密度是"概率的密度",不是概率本身。判断题年年考。
|
||||
|
||||
**L2-20** `式` 连续型单点概率为零:$P\{X=a\}=0$ ,因此**开闭区间概率相同**。
|
||||
└ 推论:$P\{X\le a\}=P\{X<a\}$ ,写法上不必纠结端点。
|
||||
|
||||
**L2-21** `表` 三类连续分布:
|
||||
|
||||
| 分布 | 密度 | 分布函数 | 支撑 |
|
||||
|---|---|---|---|
|
||||
| 均匀 $U(a,b)$ | $\dfrac{1}{b-a}$ | $\dfrac{x-a}{b-a}$ | $a<x<b$ |
|
||||
| 指数 $E(\lambda)$ | $\lambda\mathrm e^{-\lambda x}$ | $1-\mathrm e^{-\lambda x}$ | $x>0$ |
|
||||
| 正态 $N(\mu,\sigma^2)$ | $\dfrac{1}{\sqrt{2\pi}\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ | 无初等原函数 | 全体实数 |
|
||||
|
||||
└ **正态的 $F$ 只能查表,绝不能积分**。看到有人对正态密度求积分,那是走错了路。
|
||||
|
||||
**L2-22** `式` 指数无记忆:$P\{X>s+t\mid X>s\}=P\{X>t\}=\mathrm e^{-\lambda t}$ 。
|
||||
└ 与几何分布成对记:**离散几何、连续指数,都无记忆**。
|
||||
|
||||
**L2-23** `式` 正态标准化:$X\sim N(\mu,\sigma^2)\Rightarrow Z=\dfrac{X-\mu}{\sigma}\sim N(0,1)$ 。
|
||||
└ 线性变换封闭:$aX+b\sim N(a\mu+b,\ a^2\sigma^2)$ 。**方差要乘 $a^2$ **。
|
||||
|
||||
**L2-24** `表` $\Phi$ 五恒等式(背到能反着用):
|
||||
|
||||
| 式子 | 用途 |
|
||||
|---|---|
|
||||
| $\Phi(-x)=1-\Phi(x)$ | 负值转正值,查表必用 |
|
||||
| $\Phi(0)=\dfrac12$ | 对称中心 |
|
||||
| $P\{Z\le z\}=\Phi(z)$ | 定义 |
|
||||
| $P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ | 双侧 |
|
||||
| $\Phi(1.96)=0.975$ 、$\Phi(1.645)\approx0.95$ | 两个必记数 |
|
||||
|
||||
**L2-25** `式` 正态区间:$P\{a<X<b\}=\Phi\!\left(\dfrac{b-\mu}{\sigma}\right)-\Phi\!\left(\dfrac{a-\mu}{\sigma}\right)$ 。
|
||||
└ **先标准化两个端点,再相减**。顺序反了会得负数。
|
||||
|
||||
**L2-26** `式` 上侧分位点:$z_\alpha$ 满足 $P\{Z>z_\alpha\}=\alpha$ ,即 $\Phi(z_\alpha)=1-\alpha$ 。
|
||||
└ **下标是尾巴面积,不是累积面积**。所以 $z_{0.025}=1.96$ 、$z_{0.05}=1.645$ 。这个约定与第 6 讲的 $t$ 、$\chi^2$ 分位点一致。
|
||||
|
||||
**L2-27** `反` 正态密度的**对称轴是 $\mu$ **,$\sigma$ 只管胖瘦,**不改位置**。
|
||||
└ 常见错项:"$\sigma$ 越大峰值越高"(错,越大越矮越胖,因为面积恒为 1)。
|
||||
|
||||
## 四、函数分布(8 条)
|
||||
|
||||
**L2-28** `判` 三条路线怎么选:
|
||||
|
||||
| 条件 | 走哪条 |
|
||||
|---|---|
|
||||
| $Y=g(X)$ 单调可导 | 公式法,一步出 $f_Y$ |
|
||||
| 非单调(如 $X^2$ 、$\lvert X\rvert$ ) | 分布函数法 |
|
||||
| 离散型 | 逐个映射后合并 |
|
||||
|
||||
**L2-29** `式` 单调变换公式:$f_Y(y)=f_X\big(h(y)\big)\,\lvert h'(y)\rvert$ ,$h=g^{-1}$ 。
|
||||
└ **绝对值不能丢**。$g$ 递减时 $h'<0$ ,丢了就出负密度。
|
||||
|
||||
**L2-30** `模` 分布函数法三步:① $F_Y(y)=P\{g(X)\le y\}$ ;② 解不等式化成 $X$ 的区间,用 $F_X$ 表示;③ 对 $y$ 求导得 $f_Y$ 。
|
||||
└ 第②步要**按 $y$ 的范围分段**,这是全题的分水岭。
|
||||
|
||||
**L2-31** `式` 平方变换:$X\sim N(0,1)$ 时 $Y=X^2$ 的 $f_Y(y)=\dfrac{1}{\sqrt{2\pi y}}\mathrm e^{-y/2}$ ($y>0$ ),即 $\chi^2(1)$ 。
|
||||
└ 这是"平方得卡方"的源头,第 6 讲拼装三大分布全靠它。
|
||||
|
||||
**L2-32** `判` $Y=g(X)$ 的支撑 = $g$ 在 $X$ 支撑上的**值域**。
|
||||
└ 反:$X\sim U(-1,1)$ 、$Y=X^2$ ,支撑是 $(0,1)$ 不是 $(-1,1)$ 。写错支撑,归一化就失败。
|
||||
|
||||
**L2-33** `坑` 分布函数法求导时,**分段点处用单侧导数**;写成统一式子后要回代验 $\int f_Y=1$ 。
|
||||
|
||||
**L2-34** `坑` $Y=\lvert X\rvert$ ($X\sim N(0,1)$ )时,$y>0$ 段是**两个分支叠加**:$f_Y(y)=2\varphi(y)$ 。漏一半是最常见的失分。
|
||||
|
||||
**L2-35** `反` $Y=g(X)$ 与 $X$ **一般不独立**,即使 $g$ 很简单。
|
||||
└ 特例:$X\sim N(0,1)$ 、$Y=X^2$ ,$\operatorname{Cov}(X,Y)=E(X^3)=0$ 但两者不独立——这就是 L4 讲的经典反例。
|
||||
|
||||
## 五、坑与反(4 条)
|
||||
|
||||
**L2-36** `反` $P\{X=a\}=0$ **不表示** $X=a$ 不可能发生。连续型每一点概率都是 0,但总有一点会发生。
|
||||
|
||||
**L2-37** `坑` 正态题里给的是 $\sigma^2$ 还是 $\sigma$ ,**看单位**。$N(\mu,\sigma^2)$ 的第二个参数是方差,标准化时分母要开方。
|
||||
└ 2025·10 的同类坑:题干给方差,公式要标准差。
|
||||
|
||||
**L2-38** `坑` $\Phi$ 表通常只列 $x\ge0$ ,遇到负值必须用 $\Phi(-x)=1-\Phi(x)$ 转正,**不能直接查**。
|
||||
|
||||
**L2-39** `反` $F(x)$ 与 $f(x)$ **量纲不同**:$f$ 是"每单位长度上的概率",可以有单位;$F$ 是无量纲的纯数。混着用会写出 $f>1$ 就判错的错误结论。
|
||||
|
||||
**L2-40** `判` 判断"某函数是否为密度":两条——非负、积分为 1。**不要求连续**,也不要求有界(可以有奇点,只要可积)。
|
||||
|
||||
**L2-41** `式` 由密度求期望时用 $\int xf(x)\mathrm dx$ ,**但要先确认 $\int\lvert x\rvert f<\infty$ ** ,否则期望不存在(柯西分布)。
|
||||
|
||||
**L2-42** `坑` 分段密度求待定常数:**逐段积分再相加等于 1**,不是只看一段。
|
||||
|
||||
**L2-43** `判` 独立性在一维里没有意义——独立性是**两个及以上**随机变量之间的事。选填若出现"$X$ 与自身独立",只有退化(常数)时成立。
|
||||
|
||||
**L2-44** `反` 两个正态的**和**是正态(独立时),但两个正态的**商**不是正态;两个均匀的和也不是均匀。函数分布不保"分布族"。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
1. 默写 $F$ 的四条性质,特别说清"右连续"。
|
||||
2. 说出五个离散分布的支撑,几何分布从几开始。
|
||||
3. 写出 $\Phi$ 的四条恒等式与两个数值。
|
||||
4. 分布函数法的三步,第几步最容易错。
|
||||
5. 为什么 $P\{X=a\}=0$ 不等于不可能。
|
||||
|
||||
五条全过,本讲过关。
|
||||
@@ -0,0 +1,184 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 二维随机变量, 卷积]
|
||||
专题: 概率论 · 第3讲 多维随机变量及其分布 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 41 条(式 17 / 表 4 / 判 8 / 模 3 / 反 9)
|
||||
来源: 知识点构建 17 背诵版;在学练习第3讲七点;真题库 chapter 17
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[17-背诵版-概率论-第3讲-多维随机变量及其分布]]"]
|
||||
---
|
||||
|
||||
# 第 3 讲 多维随机变量 · 专背清单
|
||||
|
||||
> 41 条。本讲的背诵重心不是公式,是**三条判定**:支撑是不是矩形、能不能分离、卷积的积分限从哪到哪。这三件事推起来慢、错起来狠。
|
||||
|
||||
## 一、联合分布与边缘(9 条)
|
||||
|
||||
**L3-01** `式` 联合分布函数:$F(x,y)=P\{X\le x,\ Y\le y\}$ 。
|
||||
└ 两个不等号**都朝右**,缺一不可。
|
||||
|
||||
**L3-02** `表` 联合 $F$ 的五条性质(比一维多两条):
|
||||
|
||||
| # | 性质 |
|
||||
|---|---|
|
||||
| ① | 对每个变量单调不减 |
|
||||
| ② | 对每个变量右连续 |
|
||||
| ③ | $F(-\infty,y)=F(x,-\infty)=0$ |
|
||||
| ④ | $F(+\infty,+\infty)=1$ |
|
||||
| ⑤ | **矩形概率非负**(这是二维独有的一条) |
|
||||
|
||||
**L3-03** `式` 矩形概率:
|
||||
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1).$$
|
||||
└ 记法:**右上减两个、左下加回**。符号就是"选了几个坐标"。
|
||||
|
||||
**L3-04** `式` 边缘分布函数:$F_X(x)=F(x,+\infty)$ ,$F_Y(y)=F(+\infty,y)$ 。
|
||||
└ 就是把另一个变量"放到最右"。
|
||||
|
||||
**L3-05** `式` 边缘密度:$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy$ ,$f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx$ 。
|
||||
└ **积掉谁,就得到另一个的边缘**。这句反过来说最容易错。
|
||||
|
||||
**L3-06** `模` 求边缘密度的真实难点是**定积分限**:画支撑集,固定 $x$ ,看 $y$ 被夹在哪两条曲线之间。
|
||||
└ 若上限随 $x$ 变,边缘就是 $x$ 的函数;若夹法随 $x$ 变(如 $0<x<1$ 与 $x>1$ 两种夹法),**必须分段**。
|
||||
|
||||
**L3-07** `式` 归一化:$\iint_Df(x,y)\,\mathrm dx\,\mathrm dy=1$ ,用来求待定常数。
|
||||
└ 二维题的第一步几乎都是它。
|
||||
|
||||
**L3-08** `判` 联合密度存在要求 $F$ 二阶混合偏导存在且 $f=\frac{\partial^2F}{\partial x\partial y}$ 。
|
||||
└ 判断题的错项常给一个"$F$ 有跳跃"的例子。
|
||||
|
||||
**L3-09** `坑` 边缘密度**不唯一决定联合密度**。同一个 $f_X$ 与 $f_Y$ 可以配出无穷多个联合密度。
|
||||
└ 所以"给两个边缘求联合"是错题;必须再加独立或条件信息。
|
||||
|
||||
## 二、条件分布(6 条)
|
||||
|
||||
**L3-10** `式` 条件密度:$f_{Y\mid X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}$ ,要求 $f_X(x)>0$ 。
|
||||
└ 固定 $x$ 后它关于 $y$ 的积分为 1,是**一个新的密度**。
|
||||
|
||||
**L3-11** `式` 条件分布律:$p_{j\mid i}=P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$ 。
|
||||
└ 分母是**行和**。
|
||||
|
||||
**L3-12** `式` 条件分布函数:$F_{Y\mid X}(y\mid x)=\dfrac{\int_{-\infty}^{y}f(x,t)\,\mathrm dt}{f_X(x)}$ 。
|
||||
└ 分子是"沿竖线积分",不是二重积分。
|
||||
|
||||
**L3-13** `判` 由条件反解联合:$f(x,y)=f_X(x)\,f_{Y\mid X}(y\mid x)$ 。
|
||||
└ 若题给"$Y\mid X=x$ 服从某分布"(如 $U(x,1)$ ),就是从这里进。2022·10、2024·9 都是这个套路。
|
||||
|
||||
**L3-14** `式` 条件期望:$E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy$ ,它是 $x$ 的函数。
|
||||
└ 把 $x$ 换回 $X$ 就成随机变量 $E(Y\mid X)$ 。
|
||||
|
||||
**L3-15** `反` $f_{Y\mid X}$ 与 $f_{X\mid Y}$ **不是倒数关系**,它们的分母不同。
|
||||
└ 关系由贝叶斯给出:$f_{Y\mid X}=\frac{f_{X\mid Y}f_Y}{f_X}$ 。
|
||||
|
||||
## 三、独立性(7 条)
|
||||
|
||||
**L3-16** `式` 独立三等价(按类型选一个用):$F(x,y)=F_X(x)F_Y(y)$ ;$p_{ij}=p_{i\cdot}p_{\cdot j}$ ;$f(x,y)=f_X(x)f_Y(y)$ 。
|
||||
|
||||
**L3-17** `判` **判断独立的三步**(按顺序,能早停就停):
|
||||
|
||||
| 步 | 动作 | 结论 |
|
||||
|---|---|---|
|
||||
| ① | 画支撑集 | **非矩形 ⟹ 必不独立**,结束 |
|
||||
| ② | 支撑是矩形时,看 $f$ 能否写成 $g(x)h(y)$ | 能 ⟹ 独立 |
|
||||
| ③ | 写不成 ⟹ 算边缘,验证 $f\overset{?}{=}f_Xf_Y$ | 不等 ⟹ 不独立 |
|
||||
|
||||
**L3-18** `反` **支撑不是矩形,一定不独立**(即使 $f$ 看起来能分离)。
|
||||
└ 反例:$f=2$ 在三角形 $0<y<x<1$ 上。$f$ 是常数"看起来能分离",但支撑是三角形,$X$ 的取值范围依赖 $Y$ ,故不独立。
|
||||
|
||||
**L3-19** `反` 支撑是矩形、$f$ 也能分离,**才**独立。两个条件缺一不可。
|
||||
└ 反例:$f=\frac65(x+y^2)$ 在单位正方形上——支撑是矩形,但 $f$ 分不开,不独立。
|
||||
|
||||
**L3-20** `式` 独立的两条推论:$E(XY)=EX\,EY$ ;$D(X\pm Y)=DX+DY$ 。
|
||||
└ 反向都不成立(见第 4 讲 L4-24)。
|
||||
|
||||
**L3-21** `式` 独立时的卷积退化为乘积:$f(x,y)=f_X(x)f_Y(y)$ ,联合分布函数直接相乘。
|
||||
└ 求 $P\{X\le a,Y\le b\}$ 时不必二重积分,两个 $\Phi$ 或两个 $F$ 相乘即可。
|
||||
|
||||
**L3-22** `判` 独立性的**函数封闭**:$X,Y$ 独立时,$g(X)$ 与 $h(Y)$ 独立(对任意可测 $g,h$ )。
|
||||
└ 用途:$X^2$ 与 $Y^2$ 独立、$\max$ 与 $\min$ 的独立性判定都靠这条。
|
||||
|
||||
## 四、两类特殊二维分布(6 条)
|
||||
|
||||
**L3-23** `式` 二维均匀:$f(x,y)=\dfrac{1}{S_D}$ (在区域 $D$ 内),$S_D$ 是面积。
|
||||
└ 于是**概率 = 面积比**。这是二维均匀题的唯一入口。
|
||||
|
||||
**L3-24** `判` 二维均匀下 $X,Y$ 独立 $\iff$ $D$ 是**边平行于坐标轴的矩形**。
|
||||
└ 圆盘、三角形、环域都不独立。
|
||||
|
||||
**L3-25** `表` 二维正态 $N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ 的五条性质:
|
||||
|
||||
| # | 性质 |
|
||||
|---|---|
|
||||
| ① | 两个边缘都是正态:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ |
|
||||
| ② | **独立 $\iff$ $\rho=0$ **(唯一有此性质的分布族) |
|
||||
| ③ | 任意线性组合 $aX+bY$ 仍正态 |
|
||||
| ④ | 条件分布仍正态 |
|
||||
| ⑤ | 密度等高线是椭圆,$\rho$ 决定倾斜方向 |
|
||||
|
||||
**L3-26** `式` 二维正态的条件分布(必背,考过两次):
|
||||
$$Y\mid X=x\ \sim\ N\!\left(\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right).$$
|
||||
└ 条件期望是 $x$ 的**线性函数**(回归直线),条件方差**与 $x$ 无关**且等于 $\sigma_2^2(1-\rho^2)$ 。
|
||||
|
||||
**L3-27** `反` 边缘都正态 **不推出** 联合正态。
|
||||
└ 反例:$X\sim N(0,1)$ ,$Y=\pm X$ (等概率取号),边缘都是 $N(0,1)$ 但 $(X,Y)$ 不服从二维正态(支撑是两条线)。
|
||||
|
||||
**L3-28** `式` 二维正态的独立性判据:$\rho=0$ 。**不建议**去算 $f=f_Xf_Y$ ,太慢。
|
||||
|
||||
## 五、函数分布(9 条)
|
||||
|
||||
**L3-29** `表` 四条路线怎么选:
|
||||
|
||||
| $Z$ 的形态 | 方法 |
|
||||
|---|---|
|
||||
| $Z=X+Y$ ,$X,Y$ 独立 | 卷积公式 |
|
||||
| $Z=g(X,Y)$ 一般,或非独立 | 分布函数法(二重积分) |
|
||||
| $(U,V)=(u(X,Y),v(X,Y))$ 双向可解 | 雅可比 |
|
||||
| $Z=\max$ 或 $\min$ | 直接用 $F$ 的乘积式 |
|
||||
|
||||
**L3-30** `式` 和的卷积:$f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx$ (独立时)。
|
||||
└ **积分限由"$x$ 与 $z-x$ 同时落在各自支撑内"决定**。这一步是卷积唯一的技术活。
|
||||
|
||||
**L3-31** `式` 差的分布:$Z=X-Y$ 时 $f_Z(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx$ 。
|
||||
└ 或记成 $X+(-Y)$ 的卷积,$-Y$ 的密度是 $f_Y(-y)$ 。
|
||||
|
||||
**L3-32** `式` 商的分布:$Z=\dfrac XY$ 时
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(yz)\,f_Y(y)\,\lvert y\rvert\,\mathrm dy.$$
|
||||
└ **$\lvert y\rvert$ 不能丢**,它就是雅可比。
|
||||
|
||||
**L3-33** `式` 积的分布:$Z=XY$ 时 $f_Z(z)=\int f_X\!\left(\frac zy\right)f_Y(y)\frac{1}{\lvert y\rvert}\,\mathrm dy$ 。
|
||||
|
||||
**L3-34** `式` 雅可比变换:$f_{U,V}(u,v)=f\big(x(u,v),y(u,v)\big)\,\lvert J\rvert$ ,$J=\dfrac{\partial(x,y)}{\partial(u,v)}$ 。
|
||||
└ **$J$ 是 $(x,y)$ 对 $(u,v)$ 的,不是反过来的**。这是最高频的错。
|
||||
|
||||
**L3-35** `式` 极值分布(独立时):
|
||||
$$F_{\max}(z)=\prod_{i=1}^nF_i(z),\qquad F_{\min}(z)=1-\prod_{i=1}^n\big(1-F_i(z)\big).$$
|
||||
└ 同分布时 $F_{\max}=[F(z)]^n$ ,$F_{\min}=1-[1-F(z)]^n$ 。**先写 $F$ 再求导**,别直接背 $f$ 。
|
||||
|
||||
**L3-36** `式` 同分布时的极值密度:
|
||||
$$f_{\max}(z)=n[F(z)]^{n-1}f(z),\qquad f_{\min}(z)=n[1-F(z)]^{n-1}f(z).$$
|
||||
└ 记忆:**$n$ 倍、$n-1$ 次方、再乘原密度**。
|
||||
|
||||
**L3-37** `坑` 最值题里"第 $k$ 大"(次序统计量)的密度是
|
||||
$$f_{(k)}(z)=\frac{n!}{(k-1)!(n-k)!}[F(z)]^{k-1}[1-F(z)]^{n-k}f(z).$$
|
||||
└ 只需要会代 $k=1,n$ 两个端点,中间的靠这个式子写。
|
||||
|
||||
**L3-38** `判` 混合型(离散 $+$ 连续):先按离散变量分层,每层内用连续的全概率:
|
||||
$$F_Z(z)=\sum_ip_i\,F_{Z\mid I=i}(z).$$
|
||||
└ 2020·22 的形态。**分层权重是离散那部分的概率**。
|
||||
|
||||
## 六、坑与反(3 条)
|
||||
|
||||
**L3-39** `反` $X,Y$ 独立 $\Rightarrow$ $X+Y$ 的密度是卷积;但**反过来不成立**——卷积公式给出的结果像"独立",不能倒推独立。
|
||||
|
||||
**L3-40** `坑` 求 $P\{(X,Y)\in D\}$ 时,若 $D$ 是圆或三角形,**先画图再定限**,别急着套累次积分。定限错的方向有两种:内外层搞反、上下限写成常数。
|
||||
|
||||
**L3-41** `反` $D(X+Y)=DX+DY$ **不足以**说明独立,只说明不相关。
|
||||
└ 这条与 L4-24 合看:**协方差为零是"线性无关",不是"独立"**。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
1. 说出判断独立的三步,以及"支撑非矩形"时为什么一定不独立。
|
||||
2. 默写二维正态的条件分布(均值与方差两处)。
|
||||
3. 卷积公式的积分限怎么定——一句话说清。
|
||||
4. $Z=X/Y$ 的密度里为什么有 $\lvert y\rvert$ 。
|
||||
5. 雅可比 $J$ 是哪个方向的偏导。
|
||||
|
||||
五条全过,本讲过关。
|
||||
@@ -0,0 +1,159 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 数字特征, 协方差]
|
||||
专题: 概率论 · 第4讲 数字特征 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 36 条(式 15 / 表 3 / 判 6 / 模 2 / 反 10)
|
||||
来源: 知识点构建 18 背诵版;在学练习第4讲五点;真题库 chapter 18
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[18-背诵版-概率论-第4讲-数字特征]]"]
|
||||
---
|
||||
|
||||
# 第 4 讲 数字特征 · 专背清单
|
||||
|
||||
> 36 条。**本讲最该背的是一张表(九个分布的 $E$ 与 $D$ )和一条链(独立 → 不相关 → 不推回)**。其余全靠这两样推。表背不下来,后面每一讲都要卡。
|
||||
|
||||
## 一、期望(7 条)
|
||||
|
||||
**L4-01** `式` 定义:连续型 $EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx$ ,离散型 $EX=\sum_kx_kp_k$ 。
|
||||
└ **前提是绝对收敛**:$\int\lvert x\rvert f<\infty$ 。不满足则期望不存在,不能写"$=\infty$ "。
|
||||
|
||||
**L4-02** `式` 函数的期望(不必先求分布):
|
||||
$$E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx\quad\text{或}\quad\sum_kg(x_k)p_k.$$
|
||||
└ 这是全讲最省时间的一条。求 $E(X^2)$ 、$E(\mathrm e^{X})$ 都直接套,**不要先求 $X^2$ 的分布**。
|
||||
|
||||
**L4-03** `式` 期望四条性质:$Ec=c$ ;$E(aX)=aEX$ ;$E(X+b)=EX+b$ ;$E(X\pm Y)=EX\pm EY$ 。
|
||||
└ **线性性无条件成立**,不需要独立。这是与"乘法"最关键的区别。
|
||||
|
||||
**L4-04** `反` $E(XY)=EX\cdot EY$ **需要独立**(或不相关),一般情形不成立。
|
||||
└ 一般式:$E(XY)=EX\,EY+\operatorname{Cov}(X,Y)$ 。
|
||||
|
||||
**L4-05** `反` 期望存在 **不保证** 二阶矩存在。
|
||||
└ 例:$t$ 分布 $t(2)$ 的期望为 0 但方差不存在;$t(1)$ (柯西)连期望都没有。
|
||||
|
||||
**L4-06** `判` 判断期望存在:算 $\int\lvert x\rvert f(x)\mathrm dx$ 是否有限。**尾部衰减慢于 $1/x^2$ 就有问题**。
|
||||
|
||||
**L4-07** `式` 独立时的两条简化:$E(XY)=EX\,EY$ ;$E[g(X)h(Y)]=E[g(X)]E[h(Y)]$ 。
|
||||
└ 第二条更常用,它允许把复杂函数拆开算。
|
||||
|
||||
## 二、方差(7 条)
|
||||
|
||||
**L4-08** `式` 计算公式(两条都要会):$DX=E(X^2)-(EX)^2$ ;$DX=E(X-EX)^2$ 。
|
||||
└ 手算优先第一条;证明题用第二条。
|
||||
|
||||
**L4-09** `式` 五条性质:$Dc=0$ ;$D(aX+b)=a^2DX$ ;$DX\ge0$ ;$D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y)$ ;独立时 $D(X\pm Y)=DX+DY$ 。
|
||||
└ **$D(aX+b)$ 里 $b$ 完全消失,$a$ 要平方**。这两处都是高频失分。
|
||||
|
||||
**L4-10** `式` 一般展开:$D\!\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j)$ 。
|
||||
└ 记法:**平方项自重,交叉项乘 2**。
|
||||
|
||||
**L4-11** `反` $D(X-Y)=DX+DY-2\operatorname{Cov}$ ,**不是** $DX-DY$ 。方差永远不为负,所以不能相减。
|
||||
|
||||
**L4-12** `式` 标准化:$X^*=\dfrac{X-EX}{\sqrt{DX}}$ ,则 $EX^*=0$ 、$DX^*=1$ 。
|
||||
└ 这是"标准化"在数字特征层面的意义,与第 5 讲的 CLT 标准化同源。
|
||||
|
||||
**L4-13** `判` 已知 $EX$ 与 $DX$ 求 $E(X^2)$ :反用 $E(X^2)=DX+(EX)^2$ 。**这是唯一方向**,别写成 $DX-(EX)^2$ 。
|
||||
|
||||
**L4-14** `坑` $\overline X$ 的方差是 $\frac{\sigma^2}{n}$ 而不是 $\sigma^2$ 。
|
||||
└ 因为 $D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\cdot n\sigma^2$ 。**漏 $n^2$ 是全书第一号计算错**。
|
||||
|
||||
## 三、九个分布的表(1 条,但要默到能反着用)
|
||||
|
||||
**L4-15** `表` 期望与方差总表:
|
||||
|
||||
| 分布 | 记号 | $EX$ | $DX$ |
|
||||
|---|---|---|---|
|
||||
| 0-1 | $B(1,p)$ | $p$ | $p(1-p)$ |
|
||||
| 二项 | $B(n,p)$ | $np$ | $np(1-p)$ |
|
||||
| 泊松 | $P(\lambda)$ | $\lambda$ | $\lambda$ |
|
||||
| 几何 | $G(p)$ | $\dfrac1p$ | $\dfrac{1-p}{p^2}$ |
|
||||
| 超几何 | $H(N,M,n)$ | $n\dfrac MN$ | $n\dfrac MN\left(1-\dfrac MN\right)\dfrac{N-n}{N-1}$ |
|
||||
| 均匀 | $U(a,b)$ | $\dfrac{a+b}{2}$ | $\dfrac{(b-a)^2}{12}$ |
|
||||
| 指数 | $E(\lambda)$ | $\dfrac1\lambda$ | $\dfrac1{\lambda^2}$ |
|
||||
| 正态 | $N(\mu,\sigma^2)$ | $\mu$ | $\sigma^2$ |
|
||||
| 卡方 | $\chi^2(n)$ | $n$ | $2n$ |
|
||||
|
||||
└ 四个记忆钩子:**泊松期望等于方差**;**指数期望等于标准差**(都是 $\frac1\lambda$ );**二项是 0-1 的 $n$ 倍**;**超几何比二项多一个有限总体修正因子 $\frac{N-n}{N-1}$ **。
|
||||
|
||||
## 四、协方差与相关系数(8 条)
|
||||
|
||||
**L4-16** `式` 协方差:$\operatorname{Cov}(X,Y)=E(XY)-EX\,EY=E[(X-EX)(Y-EY)]$ 。
|
||||
└ 手算走第一条,证明走第二条。
|
||||
|
||||
**L4-17** `式` 特例:$\operatorname{Cov}(X,X)=DX$ 。**方差是协方差的特例**。
|
||||
|
||||
**L4-18** `式` 协方差四性质:对称;$\operatorname{Cov}(X,c)=0$ ;$\operatorname{Cov}(aX+b,Y)=a\operatorname{Cov}(X,Y)$ ;对每个变量可加。
|
||||
└ 合起来:**双线性**。$\operatorname{Cov}(aX+b,\ cY+d)=ac\operatorname{Cov}(X,Y)$ 。
|
||||
|
||||
**L4-19** `式` 相关系数:$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$ 。
|
||||
└ $\rho$ 是**无量纲**的,$\operatorname{Cov}$ 有量纲。所以比较相关程度只能看 $\rho$ 。
|
||||
|
||||
**L4-20** `式` 线性变换下的 $\rho$ :$\rho_{aX+b,\,cY+d}=\operatorname{sign}(ac)\,\rho_{XY}$ 。
|
||||
└ **只看 $a$ 与 $c$ 的符号,与 $b,d$ 无关**。2022·8 就考这条。
|
||||
|
||||
**L4-21** `式` $\lvert\rho\rvert=1\iff$ 存在 $a\ne0,b$ 使 $P\{Y=aX+b\}=1$ 。
|
||||
└ 即**完全线性相关**。注意 $a\ne0$ 是必需的($a=0$ 时 $Y$ 是常数,$DY=0$ ,$\rho$ 无定义)。
|
||||
|
||||
**L4-22** `式` 不相关四等价:$\rho=0\iff\operatorname{Cov}=0\iff E(XY)=EX\,EY\iff D(X\pm Y)=DX+DY$ 。
|
||||
└ 四个说法可以互换,做题时选最好算的那个。
|
||||
|
||||
**L4-23** `表` 三层关系(**背这张表,别背结论**):
|
||||
|
||||
| 命题 | 成立 | 理由 |
|
||||
|---|---|---|
|
||||
| 独立 $\Rightarrow$ 不相关 | ✓ | $E(XY)=EX\,EY$ |
|
||||
| 相关 $\Rightarrow$ 不独立 | ✓ | 逆否命题 |
|
||||
| 不相关 $\Rightarrow$ 独立 | ✗ | 反例见下 |
|
||||
| 二维正态下不相关 $\iff$ 独立 | ✓ | 密度可分离 |
|
||||
|
||||
## 五、条件期望(6 条)
|
||||
|
||||
**L4-24** `反` 不相关的经典反例:$X\sim U(-1,1)$ 、$Y=X^2$ 。
|
||||
└ 不相关:$E(XY)=E(X^3)=0=EX\,EY$ 。不独立:$P\{X\le a,Y\le a^2\}=P\{-a\le X\le a\}=a\ne\frac{a+1}{2}\cdot a^2$ 型。
|
||||
|
||||
**L4-25** `式` 重期望公式:$E\big[E(Y\mid X)\big]=EY$ 。
|
||||
└ **分层求期望**:先按 $X$ 分层算,再对 $X$ 加权平均。2025·22 的理赔模型就靠它。
|
||||
|
||||
**L4-26** `式` 全方差公式:$D(Y)=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big]$ 。
|
||||
└ 一句话:**总波动 = 组内波动 + 组间波动**。
|
||||
|
||||
**L4-27** `式` 两条提项性质:独立时 $E(Y\mid X)=EY$ ;$E[g(X)Y\mid X]=g(X)E(Y\mid X)$ 。
|
||||
└ 第二条:**$X$ 的函数在给定 $X$ 后可当常数提出**。这是算条件期望最常用的一步。
|
||||
|
||||
**L4-28** `式` 条件期望的线性性:$E(aY+b\mid X)=aE(Y\mid X)+b$ ;$E(Y_1+Y_2\mid X)=E(Y_1\mid X)+E(Y_2\mid X)$ 。
|
||||
└ **与普通期望同形**,不需要独立。
|
||||
|
||||
**L4-29** `判` 求 $D(aX+bY)$ 的最值:$a^2+b^2=1$ 且 $DX=DY=1$ 时
|
||||
$$D(aX+bY)=1+2ab\rho,\qquad \max=1+\lvert\rho\rvert,\ \min=1-\lvert\rho\rvert.$$
|
||||
└ 代换 $a=\cos\theta,b=\sin\theta$ ,得 $1+\rho\sin2\theta$ 。**同向叠加取最大($\rho>0$ 时)**。
|
||||
|
||||
## 六、切比雪夫与两条极值结论(5 条)
|
||||
|
||||
**L4-30** `式` 切比雪夫不等式:$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ ,等价于 $P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\dfrac{\sigma^2}{\varepsilon^2}$ 。
|
||||
└ **上界给"至少"、下界给"至多"**,方向反了整题反。
|
||||
|
||||
**L4-31** `式` 样本均值版:$P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ 。**分母有 $n$ ** 。
|
||||
|
||||
**L4-32** `式` 二项版:$P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ 。
|
||||
|
||||
**L4-33** `式` 两变量最值的期望($n=2$ 时成立):$E(\max)+E(\min)=EX_1+EX_2$ 。
|
||||
└ **只对 $n=2$ 成立**。三个变量时和为 $EX_1+EX_2+EX_3$ 的次序统计量期望对不上,别乱套。
|
||||
|
||||
**L4-34** `式` 极值的期望(同分布时):$E(\max)=\int_{-\infty}^{+\infty}z\cdot n[F(z)]^{n-1}f(z)\,\mathrm dz$ 。
|
||||
└ 直接从密度积,不必记"非负型"的积分公式。$E(\min)$ 同形,把 $F$ 换成 $1-F$ 。
|
||||
|
||||
## 七、坑(2 条)
|
||||
|
||||
**L4-35** `坑` "期望相等"推不出"分布相同";"方差相等"也推不出。**数字特征丢失了分布的全部形状信息**。
|
||||
└ 这是选填辨析的常客:$X\sim N(0,1)$ 与 $Y=\pm X$ (等概率)期望方差都相同,分布不同。
|
||||
|
||||
**L4-36** `反` $DX=0\iff P\{X=EX\}=1$ ,即 $X$ 几乎必然是常数。
|
||||
└ 推论:方差为 0 时相关系数**无定义**(分母为 0),不能说"不相关"。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
1. 默九个分布的 $E$ 与 $D$ ,说四个记忆钩子。
|
||||
2. 写出 $D(aX+bY)$ 的展开式,并说出 $a^2+b^2=1$ 时的最值。
|
||||
3. 说出"独立 / 不相关"三层关系,以及那个 $Y=X^2$ 的反例。
|
||||
4. 重期望与全方差两个公式。
|
||||
5. 切比雪夫的"至少"与"至多"各对应哪个方向。
|
||||
|
||||
五条全过,本讲过关。
|
||||
@@ -0,0 +1,127 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 大数定律, 中心极限定理]
|
||||
专题: 概率论 · 第5讲 极限定理 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 25 条(式 9 / 表 3 / 判 6 / 模 2 / 反 5)
|
||||
来源: 知识点构建 19 背诵版;在学练习第5讲上/下;真题库 chapter 19—20
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"]
|
||||
---
|
||||
|
||||
# 第 5 讲 极限定理 · 专背清单
|
||||
|
||||
> 25 条,是六册里最短的一册。**本讲只考"条件",不考计算**。所以背诵重心是一张表(三定律的条件差别)和一条顺序(标准化四步)。
|
||||
|
||||
## 一、依概率收敛(5 条)
|
||||
|
||||
**L5-01** `式` 定义:$X_n\xrightarrow{P}X$ 指 $\forall\varepsilon>0$ ,有 $\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0$ 。
|
||||
└ **$\varepsilon$ 任意、极限为零**,两个条件缺一不可。
|
||||
|
||||
**L5-02** `判` 验证依概率收敛的唯一动作:写出 $P\{\lvert X_n-X\rvert\ge\varepsilon\}$ 并证明它趋于 0。
|
||||
└ **不能**用"$EX_n\to EX$ "或"$DX_n\to0$ "来代替(后者只在大数定律的特定条件下够用)。
|
||||
|
||||
**L5-03** `式` 三条运算性质:若 $X_n\xrightarrow{P}a$ 、$Y_n\xrightarrow{P}b$ ($a,b$ 为常数),则
|
||||
$$X_n\pm Y_n\xrightarrow{P}a\pm b,\qquad X_nY_n\xrightarrow{P}ab,\qquad \frac{X_n}{Y_n}\xrightarrow{P}\frac ab\ (b\ne0).$$
|
||||
|
||||
**L5-04** `反` 依概率收敛 **不推出** 期望收敛。
|
||||
└ 反例:$X_n$ 以概率 $\frac1n$ 取 $n$ ,以 $1-\frac1n$ 取 0。$X_n\xrightarrow{P}0$ 但 $EX_n=1\ne0$ 。
|
||||
|
||||
**L5-05** `判` 与数列极限的区别:数列极限要求"$n$ 足够大后**必然**接近",依概率收敛只要求"**大概率**接近"。
|
||||
└ 所以随机变量序列可以"偶尔跳出去一次",只要越跳越少。
|
||||
|
||||
## 二、切比雪夫与马尔可夫(4 条)
|
||||
|
||||
**L5-06** `式` 切比雪夫不等式:$EX=\mu$ 、$DX=\sigma^2$ 存在时,$\forall\varepsilon>0$ ,
|
||||
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}.$$
|
||||
|
||||
**L5-07** `式` 四种变形(背能对应场景的那一个):
|
||||
|
||||
| 场景 | 结论 |
|
||||
|---|---|
|
||||
| 取 $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
||||
| 样本均值 | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
|
||||
| 二项频率 | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
|
||||
| 线性组合 | 先算 $EZ$ 、$DZ$ 再代 |
|
||||
|
||||
**L5-08** `坑` "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$ ,"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$ 。**方向反了整题反**。
|
||||
|
||||
**L5-09** `坑` $\frac1n\sum Y_i$ 的方差是 $\frac{1}{n^2}\sum DY_i$ ,**漏掉 $n^2$ 必错**。
|
||||
|
||||
## 三、三条大数定律(7 条)
|
||||
|
||||
**L5-10** `表` 三定律条件对照(**本册最该背的一张**):
|
||||
|
||||
| 定律 | 独立性 | 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(自然独立) | 是(0-1 分布) | 存在 | 存在 |
|
||||
| **辛钦** | 相互独立 | **要求同分布** | **存在** | **不要求** |
|
||||
|
||||
└ 一句话对立:**切比雪夫看方差,辛钦看分布**。
|
||||
|
||||
**L5-11** `式` 切比雪夫大数定律:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\xrightarrow{P}0$ 。
|
||||
└ 证明只用 $\frac{1}{n^2}\sum DX_i\le\frac Cn\to0$ 加切比雪夫不等式。
|
||||
|
||||
**L5-12** `式` 伯努利大数定律:$\dfrac{\mu_n}{n}\xrightarrow{P}p$ ,$\mu_n$ 为 $n$ 次试验的成功次数。
|
||||
└ 这就是"**频率稳定于概率**"的严格表述。
|
||||
|
||||
**L5-13** `式` 辛钦大数定律:$X_i$ 独立同分布、$EX_i=\mu$ 存在,则 $\dfrac1n\sum X_i\xrightarrow{P}\mu$ 。
|
||||
|
||||
**L5-14** `反` 辛钦大数定律 **不能用切比雪夫不等式证明**(它不要求方差)。
|
||||
└ 所以它的证明在考纲之外。这一点本身就是考点——"下列哪个可用切比雪夫证明"。
|
||||
|
||||
**L5-15** `反` "期望相同"**不保证同分布**。
|
||||
└ 这是辛钦辨析题的第一号错项。同分布是更强的要求。
|
||||
|
||||
**L5-16** `反` "服从同一**类型**的分布"(如都是正态但参数不同)**不保证方差一致有界**。
|
||||
└ 所以不满足切比雪夫的条件。这是第二号错项。
|
||||
|
||||
## 四、中心极限定理(5 条)
|
||||
|
||||
**L5-17** `表` 两条定理:
|
||||
|
||||
| 定理 | 条件 | 结论 |
|
||||
|---|---|---|
|
||||
| **列维–林德伯格** | 独立同分布,$EX=\mu$ ,$DX=\sigma^2\in(0,\infty)$ | $\dfrac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1)$ |
|
||||
| **棣莫弗–拉普拉斯** | $Y_n\sim B(n,p)$ | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ |
|
||||
|
||||
└ 后者是前者在 0-1 分布上的特例,但**单独考的频率很高**。
|
||||
|
||||
**L5-18** `判` 分工:**大数定律说"均值趋于常数",中心极限定理说"围绕常数的波动趋于正态"**。
|
||||
|
||||
**L5-19** `模` 标准化四步:① 定 $T=\sum X_i$ ;② 算 $ET=n\mu$ 、$DT=n\sigma^2$ ;③ $\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$ 并把不等式两边同步变换;④ 查 $\Phi$ 。
|
||||
└ 第③步是唯一的技术活:**两边同减 $ET$ 、同除 $\sqrt{DT}$ **,不等号方向不变。
|
||||
|
||||
**L5-20** `坑` 标准差是 $\sqrt n\,\sigma$ ,**不是 $n\sigma$ ** 。
|
||||
└ $D(\sum X_i)=n\sigma^2$ 是对的,但公式里用的是**标准差**。这是本讲第一号失分点。
|
||||
|
||||
**L5-21** `坑` **连续性修正($\pm\frac12$ )考研不需要**,加了反而算错。
|
||||
└ 直接按 $N(np,np(1-p))$ 算,不要自作聪明。
|
||||
|
||||
## 五、三近似与查表(4 条)
|
||||
|
||||
**L5-22** `表` 二项的两种近似(**看 $p$ 选**):
|
||||
|
||||
| 近似 | 条件 | 结果 |
|
||||
|---|---|---|
|
||||
| 正态(棣莫弗–拉普拉斯) | $n$ 大、$p$ 不极端($np\ge5$ 、$n(1-p)\ge5$ ) | $Y_n\approx N(np,np(1-p))$ |
|
||||
| 泊松 | $n$ 大、$p$ 很小、$\lambda=np$ 适中 | $Y_n\approx P(\lambda)$ |
|
||||
|
||||
└ 口诀:**$p$ 不极端走正态,$p$ 很小走泊松**。$\lambda$ 取 $np$ ,不是 $n$ 也不是 $p$ 。
|
||||
|
||||
**L5-23** `式` 两个常用模板:$P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)$ (泊松);$P\left\{\sum X_i\le c\right\}\approx\Phi\!\left(\dfrac{c-n\mu}{\sqrt n\sigma}\right)$ 。
|
||||
|
||||
**L5-24** `式` $\Phi$ 两恒等式:$P\{Z>z\}=1-\Phi(z)$ ;$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ 。
|
||||
└ 与第 2 讲 L2-24 是同一组,本讲只是换个场合用。
|
||||
|
||||
**L5-25** `判` 何时用不等式(切比雪夫)而非正态近似:题目**只给 $EX,DX$ 不给分布**,或者要求"对任意分布都成立"。
|
||||
└ 给了具体分布(二项、独立同分布)才走 CLT。切比雪夫的界比 CLT 松得多,但**不需要分布信息**。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
1. 三定律的条件差别,一句话说出来(切比雪夫看方差,辛钦看分布)。
|
||||
2. 切比雪夫与辛钦分别"要不要"方差?伯努利定律说的是什么事?
|
||||
3. 标准化四步,第几步最容易错,为什么是 $\sqrt n\sigma$ 。
|
||||
4. $n$ 大 $p$ 小用哪个近似,$\lambda$ 等于什么。
|
||||
5. 依概率收敛为什么不推期望收敛。
|
||||
|
||||
五条全过,本讲过关。
|
||||
@@ -0,0 +1,229 @@
|
||||
---
|
||||
tags: [数学一, 知识点构建, 专背清单, 概率论, 数理统计, 抽样分布]
|
||||
专题: 概率论 · 第6讲 数理统计 · 专背清单
|
||||
日期: 2026-11-17
|
||||
状态: 53 条(式 22 / 表 8 / 判 11 / 模 5 / 反 7)
|
||||
来源: 知识点构建 20 背诵版;专项突破 03 四件套专练;真题库 chapter 21—22
|
||||
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[20-背诵版-概率论-第6讲-数理统计]]", "[[../专项突破/03-大数定律与数理统计/02b-试题-四件套专练]]"]
|
||||
---
|
||||
|
||||
# 第 6 讲 数理统计 · 专背清单
|
||||
|
||||
> 53 条,六册里最重的一册。本讲的分值集中在**四件套**(哪个参数已知)与**四张表**(抽样分布、区间、检验、两类错误)。**这四张表背不下来,本讲等于没学**。
|
||||
|
||||
## 一、统计量与样本矩(7 条)
|
||||
|
||||
**L6-01** `判` 统计量定义:$g(X_1,\dots,X_n)$ 中**不含任何未知参数**。
|
||||
└ 口诀"**能不能用样本算出来**"——算不出来就不是。
|
||||
|
||||
**L6-02** `式` 三个基本量:$\overline X=\dfrac1n\sum X_i$ ;$S^2=\dfrac{1}{n-1}\sum(X_i-\overline X)^2$ ;$B_2=\dfrac1n\sum(X_i-\overline X)^2$ 。
|
||||
|
||||
**L6-03** `式` 恒等式:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$ 。
|
||||
└ 方差题必用。**这一步能把二阶矩和均值接起来**。
|
||||
|
||||
**L6-04** `式` 三个必背数字特征:$E\overline X=\mu$ ;$D\overline X=\dfrac{\sigma^2}{n}$ ;$ES^2=\sigma^2$ 。
|
||||
└ 前两个合起来就是"$\overline X$ 是 $\mu$ 的无偏估计,且方差随 $n$ 收缩"。
|
||||
|
||||
**L6-05** `式` $n-1$ 的来历:$E\!\left[\frac1n\sum(X_i-\overline X)^2\right]=\dfrac{n-1}{n}\sigma^2$ ,乘 $\dfrac{n}{n-1}$ 才无偏。
|
||||
└ **$n-1$ 只为无偏**。这也解释了 $\chi^2$ 自由度为何减一。
|
||||
|
||||
**L6-06** `式` 顺序统计量:$F_{(n)}=[F]^n$ ,$F_{(1)}=1-[1-F]^n$ ;$f_{(n)}=n[F]^{n-1}f$ ,$f_{(1)}=n[1-F]^{n-1}f$ 。
|
||||
|
||||
**L6-07** `表` 上限型总体的 $\max$ 期望(无偏题必背):
|
||||
|
||||
| 密度 | $EX_{(n)}$ |
|
||||
|---|---|
|
||||
| $U(0,\theta)$ :$\frac1\theta$ | $\dfrac{n}{n+1}\theta$ |
|
||||
| $\dfrac{2x}{\theta^2}$ | $\dfrac{2n}{2n+1}\theta$ |
|
||||
| $\dfrac{kx^{k-1}}{\theta^k}$ | $\dfrac{kn}{kn+1}\theta$ |
|
||||
|
||||
└ 记法:**分子是 $n$ 乘指数,分母再加 1**。要无偏就乘倒数。
|
||||
|
||||
## 二、三大抽样分布(5 条)
|
||||
|
||||
**L6-08** `式` $\chi^2(n)$ :$n$ 个独立 $N(0,1)$ 的平方和。$E=n$ 、$D=2n$ ,**可加**。
|
||||
└ 不对称,上下分位点要分别查。
|
||||
|
||||
**L6-09** `式` $t(n)=\dfrac{X}{\sqrt{Y/n}}$ ,$X\sim N(0,1)$ 、$Y\sim\chi^2(n)$ 独立。$E=0$ ($n>1$ )。
|
||||
└ 密度偶函数、尾比正态厚;$t_{1-\alpha}(n)=-t_\alpha(n)$ ;$t^2\sim F(1,n)$ 。
|
||||
|
||||
**L6-10** `式` $F(n_1,n_2)=\dfrac{U/n_1}{V/n_2}$ ,$U,V$ 独立卡方。**两个自由度分子在前**。
|
||||
└ $\dfrac1F\sim F(n_2,n_1)$ ,故 $F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)}$ 。查不到小分位点时用它。
|
||||
|
||||
**L6-11** `判` 分位点约定:下标是**上侧面积**。$P\{T>t_\alpha(n)\}=\alpha$ ,$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ 。
|
||||
└ 与 $z_\alpha$ 一致(第 2 讲 L2-26)。混用"累积面积"会整体错位。
|
||||
|
||||
**L6-12** `判` 拼装三步:① 算线性组合的均值方差;② 标准化得 $N(0,1)$ ,平方得 $\chi^2(1)$ ;③ 按定义拼(卡方相加、$t$ 除根号、$F$ 上下各除自由度)。
|
||||
|
||||
## 三、四件套(本讲核心,6 条)
|
||||
|
||||
**L6-13** `表` 单正态总体五条($X_i\sim N(\mu,\sigma^2)$ ):
|
||||
|
||||
| # | 统计量 | 分布 | 前提 |
|
||||
|---|---|---|---|
|
||||
| ① | $\dfrac{\overline X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ | $\sigma$ **已知** |
|
||||
| ② | $\dfrac{1}{\sigma^2}\sum(X_i-\mu)^2$ | $\chi^2(n)$ | $\mu$ **已知** |
|
||||
| ③ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ | $\mu$ **未知** |
|
||||
| ④ | $\dfrac{\sqrt n(\overline X-\mu)}{S}$ | $t(n-1)$ | $\sigma$ **未知** |
|
||||
| ⑤ | $\dfrac{n(\overline X-\mu)^2}{S^2}$ | $F(1,n-1)$ | $\sigma$ 未知 |
|
||||
|
||||
**L6-14** `式` 两句口诀:**$\mu$ 换成 $\overline X$ ,自由度减一**(②→③);**$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度 $n-1$ **(①→④)。
|
||||
└ 这两句覆盖了四件套的全部变化,**不要背四个孤立公式**。
|
||||
|
||||
**L6-15** `判` 四件套的选择只看两件事:**估的是 $\mu$ 还是 $\sigma^2$ **;**另一个参数已知还是未知**。
|
||||
└ 两行两列,一共四格。$\mu$ 已知那格用 $\chi^2(n)$ ,**这一格真题十年没考过**,最可能第一次出现。
|
||||
|
||||
**L6-16** `反` ④ 里藏着一条独立结论:正态总体下 $\overline X$ 与 $S^2$ **相互独立**。
|
||||
└ 这是**正态总体独有**的,一般总体不成立。它是拼 $t$ 分布的前提,也是判断题常考项。
|
||||
|
||||
**L6-17** `坑` ① 的分母是 $\sigma/\sqrt n$ ,不是 $\sigma$ ;④ 的分子是 $\sqrt n(\overline X-\mu)$ ,与 $\dfrac{\overline X-\mu}{S/\sqrt n}$ 同值。**两种写法都要认**。
|
||||
|
||||
**L6-18** `坑` 题目给"方差 $\sigma^2=2$ ",代进 ① 时分母要用 $\sqrt2$ 。
|
||||
└ 2025·10 的唯一失分点就在这。
|
||||
|
||||
## 四、两正态总体(4 条)
|
||||
|
||||
**L6-19** `式` 均值差(方差已知):$\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ 。
|
||||
└ **两项方差都要除各自样本量,再相加**,别漏。
|
||||
|
||||
**L6-20** `式` 方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
|
||||
|
||||
**L6-21** `式` 均值差(等方差未知):$\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$ 。
|
||||
|
||||
**L6-22** `式` 合并方差:$S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
|
||||
└ 分母 $m+n-2$ = 两组各估一个均值。**自由度账本的第三个例子**。
|
||||
|
||||
## 五、点估计(8 条)
|
||||
|
||||
**L6-23** `模` 矩估计三步:① 写含 $\theta$ 的总体矩 $EX^k$ ;② 令 $EX^k=A_k$ ;③ 解出 $\hat\theta$ 。
|
||||
└ 一个参数用一阶矩,两个参数用一、二阶矩联立。
|
||||
|
||||
**L6-24** `式` 两参数模板:$\hat\mu=\overline X$ ,$\hat\sigma^2=B_2=\dfrac1n\sum(X_i-\overline X)^2$ 。
|
||||
└ **矩估计的方差是 $B_2$ (除 $n$ )不是 $S^2$ **。这是矩估计唯一的坑。
|
||||
|
||||
**L6-25** `模` MLE 四步:① 写 $L=\prod f(x_i;\theta)$ ;② 取 $\ln L$ ;③ 求导令零(多参数解方程组);④ 写成统计量。
|
||||
└ 第④步别漏——答案必须是 $X_i$ 的表达式,不能留 $\theta$ 。
|
||||
|
||||
**L6-26** `式` 边界情形的口诀:**能求导就求导;不能求导看单调,往边界上找**。
|
||||
|
||||
**L6-27** `表` 三个高频载体(记结果):
|
||||
|
||||
| 分布 | 矩估计 | MLE |
|
||||
|---|---|---|
|
||||
| 拉普拉斯 $\frac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\frac1n\sum\lvert X_i\rvert$ | 同左 |
|
||||
| 均匀 $U(0,\theta)$ | $2\overline X$ | $X_{(n)}$ |
|
||||
| 幂型 $\theta x^{\theta-1}$ ($0<x<1$ ) | $\dfrac{\overline X}{1-\overline X}$ | $-\dfrac{n}{\sum\ln X_i}$ |
|
||||
|
||||
└ 均匀那一格是**必考**:矩估计与 MLE 结果不同,且只有 MLE 可修正为无偏(乘 $\frac{n+1}{n}$ )。
|
||||
|
||||
**L6-28** `式` 两样本同参数($X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):
|
||||
$$\hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m},\qquad D(\hat\lambda)=\frac{\lambda}{n+2m}.$$
|
||||
└ 分母 $n+2m$ 的来历:$Y$ 组每个样本携带 $2\lambda$ 的信息。
|
||||
|
||||
**L6-29** `式` 不变性:$\widehat{g(\theta)}=g(\hat\theta)$ 。用于 $\hat\sigma_{\text{MLE}}=\sqrt{\hat\sigma^2_{\text{MLE}}}$ 。
|
||||
|
||||
**L6-30** `反` **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$ 。
|
||||
└ 反例:$\sqrt{S^2}=S$ 不是 $\sigma$ 的无偏估计($E S<\sigma$ ,Jensen)。**"MLE 有不变性、无偏性没有"是常考辨析**。
|
||||
|
||||
## 六、评价标准(6 条)
|
||||
|
||||
**L6-31** `表` 四标准:
|
||||
|
||||
| 标准 | 定义 | 管什么 |
|
||||
|---|---|---|
|
||||
| 无偏 | $E\hat\theta=\theta$ | 准不准(无系统偏差) |
|
||||
| 有效 | 都无偏时 $D\hat\theta$ 更小 | 稳不稳 |
|
||||
| 相合(一致) | $\hat\theta\xrightarrow{P}\theta$ | 样本多了会不会靠近 |
|
||||
| MSE | $E(\hat\theta-\theta)^2=D\hat\theta+(E\hat\theta-\theta)^2$ | 方差 $+$ 偏差² |
|
||||
|
||||
**L6-32** `式` 四个无偏结论:$E\overline X=\mu$ ;$ES^2=\sigma^2$ ;$EB_2=\frac{n-1}{n}\sigma^2$ (**有偏**);$EX_{(n)}=\frac{n}{n+1}\theta$ (对 $U(0,\theta)$ )。
|
||||
|
||||
**L6-33** `模` 定常数使无偏:写出 $E(\text{统计量})=c\,\theta$ ,令 $c=1$ 反解。
|
||||
└ 标准动作,几乎每道无偏题都要走一遍。
|
||||
|
||||
**L6-34** `判` 有效性**必须先过无偏关**:两个都无偏才比方差;一个无偏一个有偏,要比 MSE。
|
||||
|
||||
**L6-35** `式` MSE 最小的常数:$h(c)$ 展开成 $c$ 的二次函数,顶点
|
||||
$$c^*=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.$$
|
||||
└ **它一般不等于使无偏的 $\frac{n+1}{n}$ **——2024·22 就考这个"小偏差换大方差"。
|
||||
|
||||
**L6-36** `反` 有偏的估计量**可以**更好(MSE 更小),所以"有偏就不用"是错的。
|
||||
|
||||
## 七、区间估计(6 条)
|
||||
|
||||
**L6-37** `模` 枢轴法四步:① 找点估计;② 造枢轴量(含参数但分布已知且与参数无关);③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$ );④ 解不等式。
|
||||
|
||||
**L6-38** `表` 单总体四大区间:
|
||||
|
||||
| 待估 | 条件 | 枢轴量 | 区间 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma$ 已知 | $N(0,1)$ | $\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
|
||||
| $\mu$ | $\sigma$ 未知 | $t(n-1)$ | $\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
|
||||
| $\sigma^2$ | $\mu$ 已知 | $\chi^2(n)$ | 两端反放(见下条) |
|
||||
| $\sigma^2$ | $\mu$ 未知 | $\chi^2(n-1)$ | 两端反放 |
|
||||
|
||||
**L6-39** `式` 方差区间的写法(**最容易抄错的一处**):
|
||||
$$\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right].$$
|
||||
└ **大分位点配下限、小分位点配上限**。因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母。
|
||||
|
||||
**L6-40** `判` 单侧区间用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同一置信度下单侧半宽更小。
|
||||
|
||||
**L6-41** `式` 2016·14 速算:给 $\overline X$ 与置信上限反求下限——**上限 $+$ 下限 $=2\overline X$ **(仅均值对称区间成立)。
|
||||
|
||||
**L6-42** `式` 两总体三格:均值差(方差已知)用 $U$ ;等方差未知用 $t(m+n-2)$ ,标准误 $S_w\sqrt{1/m+1/n}$ ;方差比用 $F(m-1,n-1)$ 且两端反放。
|
||||
|
||||
## 八、假设检验(7 条)
|
||||
|
||||
**L6-43** `模` 四步:① 提假设(**等号放 $H_0$ **);② 选统计量(按四件套);③ 定拒绝域使 $\alpha$ 成立;④ 算观测值下结论。
|
||||
|
||||
**L6-44** `表` 拒绝域方向(**跟着 $H_1$ 跑**):
|
||||
|
||||
| $H_1$ | 拒绝域 |
|
||||
|---|---|
|
||||
| $\theta\ne\theta_0$ | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 |
|
||||
| $\theta>\theta_0$ | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点 |
|
||||
| $\theta<\theta_0$ | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数 |
|
||||
|
||||
**L6-45** `表` 单总体四种检验(与四件套一一对应):
|
||||
|
||||
| 对象 | 条件 | 统计量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma$ 已知 | $\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n}$ | $N(0,1)$ |
|
||||
| $\mu$ | $\sigma$ 未知 | $\dfrac{\overline X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ 已知 | $\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ |
|
||||
| $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
|
||||
|
||||
**L6-46** `反` $\chi^2$ 双侧检验的拒绝域**不对称**:左右两尾分别查 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$ ,**不能写成绝对值**。
|
||||
|
||||
**L6-47** `式` 对偶:$\mu_0$ 落在 $1-\alpha$ 置信区间内 $\iff$ 不拒绝 $H_0$ 。
|
||||
|
||||
**L6-48** `判` 两总体检验:均值差用 $U$ 或 $T$ (同 L6-19、L6-21);方差比用 $F=\dfrac{S_1^2}{S_2^2}$ ,**分子配 $m-1$ **。
|
||||
|
||||
**L6-49** `坑` 检验题里"$\sigma_0^2$ "与"$\sigma_0$ "要看清楚:$U$ 与 $T$ 的分母是标准差,$\chi^2$ 的分母是方差。
|
||||
|
||||
## 九、两类错误(4 条)
|
||||
|
||||
**L6-50** `表` 两类错误与两个水平:
|
||||
|
||||
| 名 | 符号 | 含义 |
|
||||
|---|---|---|
|
||||
| 弃真(第一类) | $\alpha$ | $P\{\text{拒绝}H_0\mid H_0\text{真}\}$ |
|
||||
| 取伪(第二类) | $\beta$ | $P\{\text{接受}H_0\mid H_0\text{假}\}$ |
|
||||
| 置信度 | $1-\alpha$ | 与 $\alpha$ 同源 |
|
||||
|
||||
**L6-51** `模` 算 $\beta$ 四步:① 由 $\alpha$ 定拒绝域临界值;② **换世界**——用真实参数算统计量分布;③ 求"落在接受域"的概率;④ 得 $\beta$ 。
|
||||
|
||||
**L6-52** `反` $\alpha$ 与 $\beta$ **不能同时减小**($n$ 固定时)。唯一办法是**增大 $n$ **。
|
||||
|
||||
**L6-53** `式` $\alpha$ 减小 $\Rightarrow$ 拒绝域缩小 $\Rightarrow$ 接受域变大 $\Rightarrow$ $\beta$ 增大。**方向是反的**。
|
||||
|
||||
## 十秒自检
|
||||
|
||||
1. 默写四件套五条(①—⑤),说出两句口诀。
|
||||
2. 方差区间为什么两端反放。
|
||||
3. 矩估计的方差为什么是 $B_2$ 而不是 $S^2$ 。
|
||||
4. 均匀分布的矩估计与 MLE 各是什么,哪个能修正为无偏。
|
||||
5. $\alpha$ 与 $\beta$ 的关系,怎么同时减小。
|
||||
6. $\chi^2(n)$ 与 $\chi^2(n-1)$ 分别什么时候用。
|
||||
|
||||
六条全过,本讲过关。
|
||||
@@ -2,7 +2,7 @@
|
||||
tags: [数学一, 知识点构建, 背诵版, README, MOC]
|
||||
专题: 知识点构建专栏 · 背诵版
|
||||
日期: 2026-10-27
|
||||
状态: 已建(20 份 ✅;高数 9/9 章 + 线代 6/6 章 + 概率 6/6 讲全覆盖;题型考点补全 15/20 份;概率 5 份已 v2 重构)
|
||||
状态: 已建(背诵版 20 份 ✅ + 概率专背清单 6 册 231 条 ✅;高数 9/9 + 线代 6/6 + 概率 6/6;题型考点补全 15/20)
|
||||
关联笔记: ["[[总览]]", "[[../在学练习/README]]"]
|
||||
---
|
||||
|
||||
@@ -116,6 +116,29 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC]
|
||||
|
||||
**剩余任务(非知识点覆盖缺口)**:①题型考点区块补全(**08、11–13、15** 待补,概率 16–20 已完成 v2,见四·三);②在学练习后续新讲次的跟随;③概率 17 号多维讲已含仓库 2/3 章多维部分,16 号注明不重复。
|
||||
|
||||
## 四·五、概率专背清单(21—27,2026-11-17 建)
|
||||
|
||||
背诵版 01—20 是**讲义态**:一讲 1.2—2.3 万字符,性质、推导、定理条件全在,读一遍收获大,但一次复习要 40 分钟以上。
|
||||
概率的知识点密度最高,用户反馈"不是不理解,是背的东西太多,靠逻辑推演速度太慢"——所以另做一套**记忆态**的口袋卡。
|
||||
|
||||
| 序号 | 清单 | 条目 | 单刷用时 |
|
||||
|---|---|---|---|
|
||||
| 21 | [[21-专背清单-概率论-00-总纲与跨讲对照]] | 六张跨讲对照 | 5 分钟 |
|
||||
| 22 | [[22-专背清单-概率论-第1讲-事件与概率]] | 32 | 4 分钟 |
|
||||
| 23 | [[23-专背清单-概率论-第2讲-一维随机变量]] | 44 | 6 分钟 |
|
||||
| 24 | [[24-专背清单-概率论-第3讲-多维随机变量]] | 41 | 6 分钟 |
|
||||
| 25 | [[25-专背清单-概率论-第4讲-数字特征]] | 36 | 5 分钟 |
|
||||
| 26 | [[26-专背清单-概率论-第5讲-极限定理]] | 25 | 3 分钟 |
|
||||
| 27 | [[27-专背清单-概率论-第6讲-数理统计]] | 53 | 8 分钟 |
|
||||
|
||||
**合计 231 条,全刷一遍 32 分钟。**
|
||||
|
||||
**收录标准**:只收"推不出、或推起来超过十秒"的。能一行推出来的(如 $D(aX+b)=a^2DX$ )一律不收——理解了就够,背了反而占内存。判据一句话:**考场上你愿不愿意现场推**。
|
||||
|
||||
**五型标签**:`式` 默写形式 | `表` 整表回忆 | `判` 判别顺序 | `模` 步骤骨架 | `反` 不成立断言与反例。考前三天只看**反**与**表**。
|
||||
|
||||
**与背诵版的分工**:清单卡住 → 背诵版查全 → 在学练习看推导。不要反过来。
|
||||
|
||||
## 五、与在学练习 / 参考仓库的关系
|
||||
|
||||
- **上游**:在学练习(学习态,含全部解答与讲解)→ 背诵版(回忆态,考点 + 题干)。
|
||||
|
||||
Reference in New Issue
Block a user