From e6711c9bb1fa44b66d5c1638e883c13a8a6a417d Mon Sep 17 00:00:00 2001 From: NFC666 <2954834129@qq.com> Date: Sun, 8 Nov 2026 20:18:17 +0800 Subject: [PATCH] =?UTF-8?q?=E6=A6=82=E7=8E=87=E8=AE=BA=E8=83=8C=E8=AF=B5?= =?UTF-8?q?=E7=89=88=2016=E2=80=9320=20=E9=87=8D=E6=9E=84=EF=BC=9A?= =?UTF-8?q?=E5=88=86=E5=9D=97=E6=8E=92=E7=89=88=E3=80=81=E9=A2=98=E5=8D=95?= =?UTF-8?q?=E5=AF=B9=E9=BD=90=E7=82=B9=E5=88=86=E5=86=8C=E3=80=81sqlite=20?= =?UTF-8?q?=E7=9C=9F=E9=A2=98=E5=9C=B0=E5=9B=BE?= MIME-Version: 1.0 Content-Type: text/plain; charset=UTF-8 Content-Transfer-Encoding: 8bit - 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单 - 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题 - 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值 - 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE) - 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert --- ...-概率论-第1-2讲-随机事件与一维随机变量.md | 499 +++++++++++++----- ...诵版-概率论-第3讲-多维随机变量及其分布.md | 398 ++++++++++---- .../18-背诵版-概率论-第4讲-数字特征.md | 336 ++++++++---- ...版-概率论-第5讲-大数定律与中心极限定理.md | 262 ++++++--- .../20-背诵版-概率论-第6讲-数理统计.md | 474 +++++++++++++---- 基于考研的学习/数学一/知识点构建/README.md | 15 +- 6 files changed, 1502 insertions(+), 482 deletions(-) diff --git a/基于考研的学习/数学一/知识点构建/16-背诵版-概率论-第1-2讲-随机事件与一维随机变量.md b/基于考研的学习/数学一/知识点构建/16-背诵版-概率论-第1-2讲-随机事件与一维随机变量.md index 912b919..6f1a3a2 100644 --- a/基于考研的学习/数学一/知识点构建/16-背诵版-概率论-第1-2讲-随机事件与一维随机变量.md +++ b/基于考研的学习/数学一/知识点构建/16-背诵版-概率论-第1-2讲-随机事件与一维随机变量.md @@ -2,184 +2,447 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 随机事件, 一维随机变量] 专题: 概率论 · 第1+2讲 随机事件与一维随机变量(合并)· 背诵版 日期: 2026-10-27 -状态: 背诵版 v1(考点完整呈现 + 31 题清单,无解答) -来源: 参考仓库 Math/advanced-math 同源概率仓库(knowledge/1-random-events-and-probability + knowledge/2-random-variables-and-distribution 一维部分 + 对应 exercise)|在学练习尚无此讲 -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]]"] +更新: 2026-11-08(v2 重构:分块排版 + 真题地图对齐 sqlite + 纯题干题单) +状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 31 题纯题干清单) +来源: 参考仓库 Math/probability-theory-and-mathematical-statistics/{knowledge/1, knowledge/2 一维部分, exercise/1, exercise/2 一维}|真题库 papers/近十年真题题库/kaoyan_math1.db(chapter 15–16) +关联笔记: ["[[README]]", "[[17-背诵版-概率论-第3讲-多维随机变量及其分布]]"] --- -# 概率论 · 第1+2讲 随机事件与一维随机变量(合并)· 背诵版 +# 概率论 · 第1+2讲 随机事件与一维随机变量 · 背诵版 -> **说明**:本讲在「在学练习」尚未建讲,按用户口径「前两章合并」(知识点密度较低)。考点取自参考仓库 `probability-theory-and-mathematical-statistics/knowledge/1-random-events-and-probability` 与 `knowledge/2-random-variables-and-distribution` 的**一维部分**(多维部分见 [[07-背诵版-概率论-第3讲-多维随机变量]],不重复);题目 = 两章 knowledge 例题 12 道 + exercise/1 5 道 + exercise/2 一维部分 14 道 = 31 道。 -> **用法**:看 §0 骨架 → 闭卷回忆考点正文 → 用题目清单自测,卡住回查参考仓库对应 tex 节。 +> **范围**:参考仓库 `knowledge/1`(事件与概率)+ `knowledge/2` 的**一维部分**(多维见 [[17-背诵版-概率论-第3讲-多维随机变量及其分布|第3讲]],不重复)。 +> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干,卡住回查参考仓库对应 tex 或本专栏解析)。 -## 0. 本讲骨架(先背这张图) +## 0 骨架(先背这张图) -**一句话**:概率论 = **「事件概率(计数 + 公式)+ 一维分布(分布函数/分布律/密度 + 常见分布)」**——前半是"算概率",后半是"刻画随机变量"。 +### 0.1 一句话与依赖链 -**真题地位**:选填基础——古典概型/全概率贝叶斯、分布函数性质、常见分布参数反求、指数无记忆、正态分位点是高频;也是多维与数字特征的地基。参考仓库对应 knowledge/1、knowledge/2 与 exercise/1、exercise/2。 +**一句话**:概率论 = **「算事件的概率(计数 + 公式)」+「刻画随机变量(分布函数 → 分布律/密度 → 常见分布 → 函数分布)」**。 -**依赖链**:排列组合计数 → 事件运算 → 概率公式(条件/全概率/贝叶斯)→ 独立性/伯努利 → 随机变量(分布函数 → 离散分布律 → 连续密度 → 常见分布)→ 函数分布。**主线**:**概率三公理 + 分布函数的"归一性"是检验一切对错的锚**。 +**依赖链**:记数法 → 事件运算 → 概率公理与性质 → 条件/全概率/贝叶斯 → 独立性 → 随机变量与 $F(x)$ → 离散/连续两套语言 → 常见分布 → 函数分布。 -**考点树** +**一条锚**:任何结论都要能回到 **$F(x)=P\{X\le x\}$ 的三性质** 与 **$\sum p_i=1$ / $\int f=1$** 去自检;算出来的概率不在 $[0,1]$ 或全积不为 1,立刻回头查。 -| 节 | 考点(对应题号) | +### 0.2 十年真题地图(sqlite:概率基础章,2016–2025) + +| 年份·题号 | 考点 | 分值 | 本章归属 | +|---|---|---|---| +| 2025·16 | 独立事件 + 条件概率 | 5 | §3 独立性 | +| 2024·16 | 独立重复试验的条件概率 | 5 | §3 独立性 | +| 2024·10 | 随机变量函数的分布(指数) | 5 | §7 函数分布 | +| 2024·8 | 正态随机变量的概率等式反求参数 | 5 | §6 连续型 | +| 2023·16 | 独立随机变量(二项)求 $P\{X=Y\}$ | 5 | §5 离散型 | +| 2022·16 | 条件概率(独立 + 互斥) | 5 | §2 概率公式 | +| 2021·8 | 条件概率命题真假判断 | 5 | §2 概率公式 | +| 2020·7 | 恰有一个事件发生的概率 | 4 | §2 概率公式 | +| 2019·14 | 分布函数与期望的复合概率 | 4 | §4 分布函数 | +| 2019·7 | $P(A)=P(B)$ 的充要条件 | 4 | §1 事件运算 | +| 2018·14 | 独立 + 条件概率($BC=\varnothing$) | 4 | §3 独立性 | +| 2018·7 | 概率密度对称性 | 4 | §6 连续型 | +| 2017·7 | 条件概率不等式的充要条件 | 4 | §2 概率公式 | +| 2016·7 | 正态分布概率的单调性 | 4 | §6 连续型 | + +> **命题规律**:**选填 4–5 分,从不出解答**。高频三件事:① 独立/互斥/条件概率的**命题辨析**(2021·8、2017·7、2022·16);② **用 $F$ 或对称性反求**(2019·14、2018·7、2024·8);③ **函数分布**(2024·10 起手,大题在第 3 讲)。数字特征类(2023·8、2022·8、2021·16、2020·14、2017·14、2016·8)归 [[18-背诵版-概率论-第4讲-数字特征|第4讲]]。 + +### 0.3 考点树 + +| 节 | 考点 | 题号 | +|---|---|---| +| §1 | 样本空间、事件关系与运算、集合翻译 | 4、5 | +| §2 | 概率公理与性质、古典/几何概型、条件概率、全概率、贝叶斯 | 1–3、6–9 | +| §3 | 独立性、两两独立 vs 相互独立、$n$ 重伯努利 | 10–14 | +| §4 | 分布函数定义与三性质、用 $F$ 算概率、$F(g(x))$ 判定 | 15–19 | +| §5 | 分布律、五类离散分布、泊松定理 | 20–24 | +| §6 | 密度、三类连续分布、标准化与分位点 | 25–28 | +| §7 | 离散映射合并、分布函数法、三个常用变换 | 29–31 | + +## 1 样本空间与随机事件 + +### 1.1 四个基本概念 + +| 概念 | 定义 | 记号 | +|---|---|---| +| 随机试验 | 可重复、结果不止一个、试验前不知哪个结果 | $E$ | +| 样本空间 | 所有可能结果的集合 | $\Omega$ | +| 样本点 | $\Omega$ 的元素,即一个基本结果 | $\omega$ | +| 随机事件 | $\Omega$ 的子集;一个样本点组成**基本事件** | $A,B,\dots$ | + +必然事件 $\Omega$、不可能事件 $\varnothing$。**事件是集合**——这条决定了后面所有运算都能用集合语言。 + +### 1.2 事件的关系 + +| 关系 | 含义 | 集合语言 | +|---|---|---| +| 包含 | $A$ 发生必导致 $B$ 发生 | $A\subset B$ | +| 相等 | 互相包含 | $A=B$ | +| **互斥(互不相容)** | 不能同时发生 | $AB=\varnothing$ | +| **对立(逆)** | 必有一个发生且不能同时发生 | $A\cup\overline A=\Omega,\ A\overline A=\varnothing$ | +| **完备事件组** | 两两互斥、并为 $\Omega$ | $\sum_iA_i=\Omega,\ A_iA_j=\varnothing\ (i\ne j)$ | + +> **互斥与对立的区别**:对立一定互斥,互斥不一定对立(还差"必有一个发生")。做题时"至少一个发生"用对立,"不能同时发生"用互斥。 + +### 1.3 事件运算与运算律 + +**五种运算**:积 $AB$(同时)、和 $A\cup B$(至少一个)、差 $A-B=A\overline B$($A$ 发生而 $B$ 不发生)、逆 $\overline A$、对称差(不考)。 + +**运算律**:交换、结合、分配($A(B\cup C)=AB\cup AC$)、吸收($A\cup AB=A$)、**对偶律(德摩根)** + +$$\overline{A\cup B}=\overline A\,\overline B,\qquad \overline{AB}=\overline A\cup\overline B .$$ + +**差化积**:$A-B=A-AB=A\overline B$;由此 $P(A-B)=P(A)-P(AB)$。 + +### 1.4 集合翻译(把文字条件写成式子) + +| 文字 | 式子 | |---|---| -| §1 排列组合 | 排列/组合、捆绑/插空/插板(题1–3) | -| §2 随机事件 | 关系、运算律、完备事件组(题4) | -| §3 概率与古典概型 | 定义三版本、古典计数三法、几何概型(题5–6) | -| §4 概率公式 | 逆事件/加法/减法/条件/乘法/全概率/贝叶斯(题7–11) | -| §5 独立性 | 两两独立 vs 相互独立、独立补、$n$ 重伯努利(题12–14) | -| §6 分布函数 | 定义三性质、存在性判定、归一性换算(题15–19) | -| §7 离散型 | 分布律、0-1/二项/泊松/几何(题20–24) | -| §8 连续型 | 密度两条件、均匀/指数(无记忆)/正态(标准化)(题25–28) | -| §9 函数分布 | 离散映射合并、分布函数法(题29–31) | +| $A,B$ 至少一个发生 | $A\cup B$ | +| $A,B$ 都不发生 | $\overline A\,\overline B$ | +| 恰好一个发生 | $A\overline B\cup\overline A B$ | +| $A$ 发生而 $B$ 不发生 | $A\overline B$ | +| "$C$ 发生必然导致 $AB$ 同时发生" | $C\subset AB$ | +| $A,B$ 互不相容 | $AB=\varnothing$ | -## 1. §1 排列组合 +> **真题接口**:2019·7 考「$P(A)=P(B)$ 的充要条件」——把每个选项翻译成集合式,再用 $P(A)=P(A\overline B)+P(AB)$ 逐一比对,比硬凑概率快得多。 -**公式**:$A_n^m=\dfrac{n!}{(n-m)!}$(排列有序);$C_n^m=\dfrac{n!}{(n-m)!m!}$(组合无序)。 +## 2 概率的定义与性质 -**三种计数法(必背)**:①**捆绑法**——要求在一起:先内部排列再整体排列($A_2^2\cdot A_5^5$);②**插空法**——要求不相邻:先排不受限者,再把受限者插进空($A_6^6\cdot A_7^4$,6 个唱歌 7 个空);③**插板法**——同物分组:$n$ 个相同物 $m$ 盒至少 1 ⟹ $C_{n-1}^{m-1}$(8 球 3 盒 ⟹ $C_7^2$)。**为什么插板用组合**:板的位置选出来即完成分组,无先后次序。 +### 2.1 三条公理(柯尔莫哥洛夫) -## 2. §2 随机事件 +对样本空间 $\Omega$ 上的事件 $A$:① **非负** $P(A)\ge0$;② **规范性** $P(\Omega)=1$;③ **可列可加**:$A_1,A_2,\dots$ 两两互斥时 $P\left(\bigcup_{i}A_i\right)=\sum_iP(A_i)$。 -**基本概念**:随机试验、样本空间 $\Omega$、随机事件($\Omega$ 的子集)、基本事件、必然/不可能事件。 +### 2.2 由公理推出的六条性质(必背) -**事件关系与运算**:包含、相等;**积** $A\cap B$(同时发生)、**和** $A\cup B$(至少一个)、**差** $A-B$、**逆** $\overline A$;**互斥(不相容)**、**完备事件组**(两两互斥且并为 $\Omega$)。**运算律**:交换/结合/分配律;$A-B=A\overline B$;**对偶律(德摩根)** $\overline{A\cup B}=\overline A\cap\overline B$,$\overline{A\cap B}=\overline A\cup\overline B$。 -**集合翻译**:"事件 $C$ 必然导致 $AB$ 同时发生" ⟹ $C\subset AB$ ⟹ $\overline{AB}\subset\overline C$ ⟹ $\overline A\,\overline B\,\overline C=\overline A\,\overline B$。 +| 性质 | 公式 | 备注 | +|---|---|---| +| 不可能事件 | $P(\varnothing)=0$ | 反之不成立 | +| 有限可加 | 互斥时 $P(A\cup B)=P(A)+P(B)$ | 可推广到有限个 | +| **减法** | $P(A-B)=P(A)-P(AB)$ | 最关键,一切"差"都用它 | +| **单调性** | $A\subset B\Rightarrow P(A)\le P(B)$ | 且 $P(B-A)=P(B)-P(A)$ | +| **加法公式** | $P(A\cup B)=P(A)+P(B)-P(AB)$ | 三个事件再加 $-P(AB)-P(AC)-P(BC)+P(ABC)$ | +| 有界性 | $0\le P(A)\le1$ | $P(\overline A)=1-P(A)$ | -## 3. §3 概率与古典概型 +> **两个反直觉点**(选择题爱考): +> ① $P(A)=0$ **推不出** $A=\varnothing$(连续型单点概率为 0);$P(A)=1$ **推不出** $A=\Omega$。 +> ② **互斥 $\Rightarrow P(AB)=0$,但 $P(AB)=0$ 推不出互斥**(同上,单点概率为 0 但事件不空)。 -**概率定义三版本**:古典概型(等可能、有限样本)、几何概型(等可能、无限样本——$\frac{\text{测度之比}}{}$)、公理化定义($P(\Omega)=1$、非负、可列可加)。 +### 2.3 古典概型 -**古典概型计数三法**:①列举法;②集合对应法(乘法/加法原理、排列组合);③**倒数法**(先算样本空间总数再数有利事件数)。**典型模型**:随机分配($n$ 质点入 $N$ 容器,每质点 $N$ 种选择,总数 $N^n$)、抽样(有放回/不放回)。 +**条件**:样本点有限且等可能。则 -**几何概型**:落在区域任意位置等可能 ⟹ 概率 = 有利区域测度/总测度(面积/长度)。 +$$P(A)=\frac{\#A}{\#\Omega}=\frac{\text{有利样本点数}}{\text{样本点总数}} .$$ -## 4. §4 概率公式(必背) +**三种计数法**: -- **逆事件**:$P(\overline A)=1-P(A)$; -- **加法**:$P(A\cup B)=P(A)+P(B)-P(AB)$(互斥时 $P(AB)=0$); -- **减法**:$P(A-B)=P(A)-P(AB)$; -- **条件概率**:$P(B|A)=\dfrac{P(AB)}{P(A)}$($P(A)>0$); -- **乘法公式**:$P(AB)=P(A)P(B|A)=P(B)P(A|B)$; -- **全概率公式**:$A_1,\cdots,A_n$ 完备 ⟹ $P(B)=\sum_{i=1}^n P(A_i)P(B|A_i)$(**分情况讨论**,如"正品 + 检验误差"型); -- **贝叶斯公式**:$P(A_j|B)=\dfrac{P(A_j)P(B|A_j)}{\sum_i P(A_i)P(B|A_i)}$(**已知结果求原因**,如"两批零件"型)。 +| 方法 | 触发词 | 公式 | 例 | +|---|---|---|---| +| **捆绑** | "必须在一起" | $A_m^m\cdot A_{n-m+1}^{n-m+1}$ | 6 人排队 $AB$ 相邻:$A_2^2A_5^5$ | +| **插空** | "不相邻" | 先排无限制者,再插入空位 | 6 唱 4 舞不相邻:$A_6^6A_7^4$ | +| **插板** | "相同物分组、每组至少 1" | $C_{n-1}^{m-1}$ | 8 球入 3 盒每盒≥1:$C_7^2$ | -## 5. §5 独立性 +**两个标准模型**: -**事件独立**:$P(AB)=P(A)P(B)$(等价于 $P(B|A)=P(B)$,即**条件概率等于无条件概率**)。**定理**:$A$ 与 $B$ 独立 ⟺ $A$ 与 $\overline B$ 独立 ⟺ $\overline A$ 与 $B$ 独立 ⟺ $\overline A$ 与 $\overline B$ 独立(**补事件不破坏独立性**)。 +- **随机分配**:$n$ 个质点入 $N$ 个盒子,每质点独立选盒 ⟹ 总数 $N^n$(盒可空);若"每盒至多一个"⟹ $A_N^n$。 +- **抽样**:有放回 ⟹ 每次独立、总数 $N^n$;不放回 ⟹ 有序 $A_N^n$、无序 $C_N^n$。 -**两两独立 vs 相互独立**:$n$ 个事件**两两独立**只要求每对 $P(A_iA_j)=P(A_i)P(A_j)$;**相互独立**要求任意 $k$ 个($2\le k\le n$)都满足乘积公式——两两独立 $\not\Rightarrow$ 相互独立(掷硬币三次 $A_1A_2A_3$ 反例)。 +> **易错**:插空用**排列**(空位有先后),插板用**组合**(板无先后)。判断"是否同物"看题目是否强调"相同"。 -**$n$ 重伯努利试验**:每次只两个结果、概率恒定 $p$;$P\{X=k\}=C_n^k p^k(1-p)^{n-k}$。"至少命中一次" ⟹ 先取对立事件(全不中)再反推 $p$($1-(1-p)^n$)。 +### 2.4 几何概型 -## 6. §6 分布函数与概率密度 +样本是某区域内的**等可能点**,则 -**分布函数** $F(x)=P\{X\le x\}$:**三性质(充要)**:①单调不减;②$F(-\infty)=0,\ F(+\infty)=1$;③**右连续**。**换算**:$P\{X\le a\}=F(a)$;$P\{X0$): -## 7. §7 一维离散型 +$$P(A\mid B)=\frac{P(AB)}{P(B)} .$$ -**分布律** $p_i=P\{X=x_i\}$:$p_i\ge0$ 且 $\sum p_i=1$;$F(x)$ 为阶梯函数(跳点 $x_i$,跳高 $p_i$)。 +**乘法公式**:$P(AB)=P(B)P(A\mid B)=P(A)P(B\mid A)$;三个事件 $P(ABC)=P(A)P(B\mid A)P(C\mid AB)$。 -**四大分布(参数/分布律/用途必背)**: -- **0-1 分布** $B(1,p)$:$P\{X=k\}=p^k(1-p)^{1-k}$; -- **二项分布** $B(n,p)$:$P\{X=k\}=C_n^k p^k(1-p)^{n-k}$($n$ 重伯努利成功次数); -- **泊松分布** $P(\lambda)$:$P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda}$(稀有事件计数;**泊松定理** $n$ 大 $p$ 小二项近似泊松 $\lambda=np$);**用 $P\{X=1\}=P\{X=2\}$ 型反求 $\lambda$**; -- **几何分布** $G(p)$:$P\{X=k\}=(1-p)^{k-1}p$(**首次成功**所需次数,"直到……停止"的信号)。 +**条件概率也是概率**:对固定的 $B$,$P(\cdot\mid B)$ 满足三条公理,所以加法、减法、对立公式**全部照用**(只需在条件里补上 $B$)。 -**几何分布变形(第 $r$ 次成功)**:$P\{Y=k\}=C_{k-1}^{r-1}p^r(1-p)^{k-r}$(前 $k-1$ 次 $r-1$ 次成功 + 第 $k$ 次成功)。 +### 2.6 全概率公式与贝叶斯公式 -## 8. §8 一维连续型 +设 $A_1,\dots,A_n$ 为完备事件组,$P(A_i)>0$: -**三大分布**: -- **均匀分布** $U(a,b)$:$f=\frac1{b-a}$($a4\}=\frac12$ ⟹ $4$ 是中点;$P\{00$),$F=1-e^{-\lambda x}$;**无记忆性** $P\{X>s+t|X>s\}=P\{X>t\}$——"用了 $a$ 小时后还能再用 $b$ 小时"与没用过一样; -- **正态分布** $N(\mu,\sigma^2)$:密度以 $\mu$ 对称、拐点 $\mu\pm\sigma$;**标准化** $Z=\frac{X-\mu}{\sigma}\sim N(0,1)$,$F(x)=\varPhi(\frac{x-\mu}{\sigma})$;$P\{|X|c\}=\frac{P\{ac\}}$(指数型可用无记忆性直接写)。 +$$P(A_j\mid B)=\frac{P(A_j)P(B\mid A_j)}{\sum_{i=1}^{n}P(A_i)P(B\mid A_i)}\qquad(\text{贝叶斯}).$$ -## 9. §9 一维函数分布 +| 公式 | 触发信号 | 方向 | +|---|---|---| +| 全概率 | "分几种情况/几条来源 ⟹ 一个结果" | 由因求果 | +| 贝叶斯 | "已知结果,问来自哪个原因" | 由果溯因 | -**离散型**:$Y=g(X)$ 的可能取值 $=g(x_i)$,概率按 $x_i$ 合并(**相同的 $y$ 值概率相加**)。 +> **贝叶斯的分母永远是全概率**。写不出分母,说明完备事件组没找对。 -**连续型(分布函数法,四步)**:①$F_Y(y)=P\{g(X)\le y\}$;②解不等式 $g(X)\le y$ 得 $X$ 的范围(注意 $g$ 单调性/分段);③把 $F_Y(y)$ 写成 $X$ 的分布函数或积分;④求导得 $f_Y(y)=F_Y'(y)$。 -**常见模式**:$Y=aX+b$ ⟹ $f_Y(y)=\frac1{|a|}f(\frac{y-b}{a})$;$Y=X^2$ ⟹ $F_Y(y)=F_X(\sqrt y)-F_X(-\sqrt y)$ 再求导;$-X$ ⟹ $F_{-X}(x)=1-F(-x)$,$f_{-X}(x)=f(-x)$。 +## 3 独立性 -### §2·B 题型考点(怎么做、为什么、坑)★必背 +### 3.1 两个事件独立 -**① 计数三法的识别信号**:出现"在一起/相邻" ⟹ 捆绑;"不能相邻/不相邻" ⟹ 插空(先排无限制者,插空数 = 无限制者个数 + 1);"相同物分组、至少 1" ⟹ 插板($C_{n-1}^{m-1}$)。**坑**:插空用排列(空有先后)、插板用组合(板无先后)。 +**定义**:$P(AB)=P(A)P(B)$。等价形式(当 $P(A)>0,P(B)>0$): -**② 古典概型倒数法**(钓鱼题):"5 人钓 3 条鱼"——总数 $5^3$(每人任选一条),有利数按"选定人"组合 $C_5^2\cdot3\cdot4$ 型。**为什么**:随机分配模型每质点 $N$ 种选择,独立可乘。 +$$P(A\mid B)=P(A)\iff P(B\mid A)=P(B)\iff P(A\mid B)+P(\overline A\mid B)=1 .$$ -**③ 事件题的集合翻译**("C 必然导致 AB"型):把文字条件写成集合包含关系,再用德摩根/吸收律化简到目标事件,最后用独立性拆乘积。 +**核心定理**:$A,B$ 独立 $\iff$ $A$ 与 $\overline B$ 独立 $\iff$ $\overline A$ 与 $B$ 独立 $\iff$ $\overline A$ 与 $\overline B$ 独立(**补事件不破坏独立性**)。 -**④ 全概率与贝叶斯的识别**:题目含"多层原因 → 一个结果"(检验误差导致通过验收)⟹ 全概率(沿原因求和);"已知结果 → 问来自哪个原因"(两批零件里抽到正品问批次)⟹ 贝叶斯。**分母永远是全概率公式的式子**。 +> **条件**:$P(A\mid B)=P(A\mid\overline B)$ 也等价于独立,但**必须要求 $0s+t|X>s\}$ 直接 $=P\{X>t\}=e^{-\lambda t}$,避免积分(例:$P\{X\le a+1|X>a\}=1-e^{-1}$)。 +### 3.3 $n$ 重伯努利试验 -**⑨ 正态标准化与对称性**:任何 $N(\mu,\sigma^2)$ 概率题先标准化;$P\{|X| 编号按本讲内部顺序;A–F 组对应出处节。来源:knowledge/1 例题 8 道 + exercise/1 5 道 + knowledge/2 一维例题 4 道 + exercise/2 一维 14 道。 +> **真题接口**:2024·16(已知至少成功一次的条件下全部成功的条件概率)、2023·16(独立二项求 $P\{X=Y\}$)都是把"独立 ⟹ 乘"与"条件概率 ⟹ 除"两步拼起来。 -### A. 排列组合与古典概型(题1–4) -- **题 1 · 捆绑法(★☆☆)**【e1】:$ABCDEF$ 六人排队,要求 $AB$ 必须在一起,求排法数($A_2^2\cdot A_5^5=240$)。 -- **题 2 · 插空法(★☆☆)**【e1】:6 个唱歌节目与 4 个舞蹈节目排列,两个舞蹈节目不能相邻,求排法数($A_6^6\cdot A_7^4$)。 -- **题 3 · 插板法(★☆☆)**【e1】:将 8 个完全相同的球放入 3 个不同盒子,每盒至少一个,求放法数($C_7^2=21$)。 -- **题 4 · 古典概型·随机分配(★★☆)**【k1】:5 人各钓 1 条鱼,共 3 条鱼,求三问概率:3 条被同 1 人钓到 / 恰有 2 条被同 1 人钓到 / 3 条被不同人钓到($\frac{C_5^1}{5^3}$、$\frac{C_3^2C_5^1\cdot4}{5^3}$、$\frac{C_5^3P_3^3}{5^3}$)。 +## 4 随机变量与分布函数 -### B. 事件运算与概率公式(题5–10) -- **题 5 · 事件等式判断(★★☆)**【k1】:判断 $A-(B-C)=(A-B)\cup C$ 是否成立(不成立,左 $\subset$ 右)。 -- **题 6 · 包含关系(★★☆)**【k1】:$P(A)=0.4,P(B)=0.3$,$AB$ 同时发生则 $C$ 也必然发生,求 $P(C)$ 的下界($P(C)\ge P(AB)\ge P(A)+P(B)-1=0.2$,选 B)。 -- **题 7 · 条件概率(★★★)**【k1】:$P(\overline A)=0.3,P(B)=0.4,P(A\overline B)=0.5$,求 $P(B|A\cup\overline B)$($=\frac{0.2}{0.8}=0.25$)。 -- **题 8 · 全概率·检验误差(★★★)**【k1】:每箱 10 件,次品 0/1/2 件等可能;任取 1 件为正品则通过验收;若 1 件次品(正品 9 件)检验误判为正品的概率为 0.1,2 件次品为 0.2,求任取一箱通过验收的概率($=\frac{1}{3}\cdot1+\frac{1}{3}\cdot0.9+\frac{1}{3}\cdot0.8\cdot\cdots$,$0.887$)。 -- **题 9 · 贝叶斯·两批零件(★★★)**【k1】:一批零件 9 个正品 3 个次品,另一批 8 个正品 4 个次品,两批等可能被选,从中任取 1 件为正品,求它来自第一批的概率($=\frac{\frac12\cdot\frac34}{\frac12\cdot\frac34+\frac12\cdot\frac23}=\frac9{17}$)。 -- **题 10 · 独立事件组合(★★☆)**【e1】:$A,B$ 独立,$P(A)=a,P(B)=b$,事件 $C$ 必然导致 $AB$ 同时发生,求 $\overline A\overline B\overline C$ 的概率($=(1-a)(1-b)$)。 +### 4.1 定义 -### C. 独立性与伯努利(题11–14) -- **题 11 · 独立性充要条件(★★★)**【k1】:证明 $P(B|A)=P(B|\overline A)$($P(A)>0$)是 $A,B$ 独立的充要条件。 -- **题 12 · 两两独立≠相互独立(★★★)**【k1】:掷硬币两次,事件 $A_1$(第 1 次正面)、$A_2$(第 2 次正面)、$A_3$(两次同面),判断独立性(两两独立但非相互独立,选 C)。 -- **题 13 · 伯努利·对立事件反推(★★☆)**【e1】:射手 4 次独立射击,至少命中一次概率 $15/16$,求 4 次中至少没命中一次的概率($(1-p)^4=\frac1{16}$ ⟹ $p=\frac12$,$1-(\frac12)^4=\frac{15}{16}$)。 -- **题 14 · 独立与补事件(★★☆)**【e2 同源概念】:$P(B|A)=P(B|\overline A)$ 与 $A,B$ 独立等价(题 11 变体,正反方向各证一次)。 +随机变量 $X=X(\omega)$ 是定义在 $\Omega$ 上的实值函数。**分布函数** -### D. 分布函数与概率密度概念(题15–19) -- **题 15 · 分布函数存在性(★★★)**【e2】:$F(x)$ 是分布函数,判断 $F(ax)$、$F(x^2+1)$、$F(x^3-1)$、$F(|X|)$ 是否可作分布函数(仅 $F(x^3-1)$ 可以)。 -- **题 16 · 密度对称性换算(★★★)**【e2】:$f(x)$ 满足 $f(1+x)=f(1-x)$ 且 $\int_1^2f(x)dx=0.3$,求 $F(0)$($=0.2$)。 -- **题 17 · 概率密度存在性(★★★)**【e2】:$f(x)$ 是密度函数,判断 $f(2x)$、$f(2-x)$ 是否可作密度($f(2x)$ 否、$f(2-x)$ 可)。 -- **题 18 · $-X$ 的分布(★★☆)**【e2】:$X$ 的分布函数/密度为 $F(x),f(x)$,求 $-X$ 的分布函数与密度($1-F(-x)$,$f(-x)$)。 -- **题 19 · 离散参数与分布函数(★★★)**【k2】:$P\{X\ge2\}=\frac34$ 且 $X$ 取 $0,1,\cdots$,求 $\theta$ 与 $F(x)$($\theta=\frac12$,阶梯分布函数)。 +$$F(x)=P\{X\le x\},\qquad x\in\mathbb R .$$ -### E. 常见分布(题20–27) -- **题 20 · 二项分布(★★★)**【e2】:$X$ 密度 $f(x)=2x$($00$),独立重复观测直到第 2 个大于 3 的观测值出现停止,$Y$ 为观测次数,求 $Y$ 的分布($p=\int_3^\infty 2^{-x}\ln2\,dx=\frac18$,$P\{Y=k\}=(k-1)(\frac18)^2(\frac78)^{k-2}$)。 -- **题 24 · 均匀分布反求参数(★★★)**【e2】:$X\sim U(a,b)$($a>0$),$P\{04\}=\frac12$,求密度与 $P\{10$,求 $P\{X\le a+1|X>a\}$($=1-\frac1e$)。 -- **题 26 · 指数条件概率(★★☆)**【e2】:$X\sim E(1)$,求 $P\{3>X>2|X>1\}$($=e^{-1}-e^{-2}$)。 -- **题 27 · 正态分位点(★★★)**【e2】:$X\sim N(0,1)$,$\mu_\alpha$ 满足 $P\{X>\mu_\alpha\}=\alpha$,若 $P\{|X|a\}$ | $1-F(a)$ | + +> $F$ 的**跳点**就是单点概率非零的地方,$F$ 连续 $\iff$ 该点为单点概率 0。 + +### 4.4 $F(g(x))$ 能否仍作分布函数(存在性判定) + +只看 $g$ 把**两端送到哪里**:$x\to-\infty$ 时 $F(g(x))$ 必须 $\to0$,$x\to+\infty$ 时必须 $\to1$。 + +| 候选 | $x\to-\infty$ | $x\to+\infty$ | 结论 | +|---|---|---|---| +| $F(ax)$,$a>0$ | $F(-\infty)=0$ ✓ | $F(+\infty)=1$ ✓ | ✓(就是 $X/a$ 的分布函数) | +| $F(ax)$,$a<0$ | $F(+\infty)=1\ne0$ | $F(-\infty)=0\ne1$ | ✗(两端颠倒) | +| $F(x^2+1)$ | $F(+\infty)=1\ne0$ | $1$ | ✗ | +| $F(\vert x\vert)$ | $F(+\infty)=1\ne0$ | $1$ | ✗ | +| $F(x^3-1)$ | $F(-\infty)=0$ ✓ | $1$ ✓ | ✓(单调、右连续保住) | +| $F(\mathrm e^x)$ | $F(0)$ | $F(+\infty)=1$ | ✗(左端不是 0) | + +**口诀**:**$g$ 的值域必须覆盖整个 $\mathbb R$ 且两端方向正确**——$a>0$ 的线性变换 $ax$ 是"同向拉伸",永远合法;凡含 $x^2$、$|x|$、$\mathrm e^x$ 的,左端都被折回 $+\infty$,必错。 + +> ⚠️ **一处要自己判对**:参考仓库此处写 $\lim_{x\to+\infty}F(ax)=a\lim F(x)=a$,那是把 $aF(x)$ 与 $F(ax)$ 记混了——$F(ax)$ 里 $a$ 在**自变量**上,$x\to+\infty$ 时 $ax\to+\infty$,极限仍是 1。 + +## 5 一维离散型随机变量 + +### 5.1 分布律 + +$p_i=P\{X=x_i\}$,充要条件:$p_i\ge0$ 且 $\sum_ip_i=1$。分布函数是**阶梯函数**:跳点 $x_i$,跳高 $p_i$。 + +### 5.2 五类离散分布(参数、分布律、场景) + +| 分布 | 记号 | 分布律 | 典型场景 | +|---|---|---|---| +| 0-1 分布 | $B(1,p)$ | $P\{X=1\}=p,\ P\{X=0\}=1-p$ | 一次试验成功与否 | +| **二项** | $B(n,p)$ | $P\{X=k\}=C_n^kp^k(1-p)^{n-k}$ | $n$ 重伯努利成功次数 | +| **泊松** | $P(\lambda)$ | $P\{X=k\}=\dfrac{\lambda^k}{k!}\mathrm e^{-\lambda}$ | 稀有事件计数 | +| **几何** | $G(p)$ | $P\{X=k\}=(1-p)^{k-1}p$ | 首次成功所需次数 | +| **超几何** | $H(N,M,n)$ | $P\{X=k\}=\dfrac{C_M^kC_{N-M}^{n-k}}{C_N^n}$ | 不放回抽样中的次品数 | + +**超几何的取值**:$k=0,1,\dots,\min(M,n)$,且需 $n-k\le N-M$。 + +**三个"变形"要认识**: + +- 二项 vs 超几何:**有放回/独立 ⟹ 二项;不放回 ⟹ 超几何**($N$ 很大时超几何近似二项); +- 几何的"第 $r$ 次成功"版本:$P\{Y=k\}=C_{k-1}^{r-1}p^r(1-p)^{k-r}$(前 $k-1$ 次成功 $r-1$ 次,第 $k$ 次必成功); +- 负二项 = 几何的推广,考研只用到上式。 + +### 5.3 泊松定理(二项 → 泊松) + +$n$ 很大、$p$ 很小、$np=\lambda$ 适中时 + +$$C_n^kp^k(1-p)^{n-k}\approx\frac{\lambda^k}{k!}\mathrm e^{-\lambda},\qquad \lambda=np .$$ + +> **$\lambda$ 永远是 $np$**,不是 $n$ 也不是 $p$。近似写法:$B(n,p)\approx P(np)$。 + +### 5.4 离散题的三种反求 + +| 题型 | 做法 | +|---|---| +| 反求参数 | 用 $\sum p_i=1$ 或题给等式(如 $P\{X=1\}=P\{X=2\}$)解参数 | +| 反求分布律 | 由 $P\{X\ge a\}=1-F(a-0)$ 型等式列方程 | +| 判定是否分布律 | 逐项非负 + 求和为 1 | + +## 6 一维连续型随机变量 + +### 6.1 概率密度 + +存在 $f\ge0$ 使 $F(x)=\int_{-\infty}^{x}f(t)\,\mathrm dt$。充要条件:**$f(x)\ge0$ 且 $\int_{-\infty}^{+\infty}f(x)\,\mathrm dx=1$**。 + +**三条推论**:① 连续点处 $F'(x)=f(x)$;② $P\{a 由此,"$P\{X\le a\}=P\{X0$ | $1-\mathrm e^{-\lambda x}$,$x>0$ | +| **正态** | $N(\mu,\sigma^2)$ | $\dfrac1{\sqrt{2\pi}\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}$ | $\varPhi\!\left(\dfrac{x-\mu}{\sigma}\right)$ | + +**均匀**:区间内等可能,**概率与长度成正比**——反求参数全靠这条(如 $P\{X>4\}=\frac12$ ⟹ $4$ 是区间中点)。 + +**指数**:**无记忆性** + +$$P\{X>s+t\mid X>s\}=P\{X>t\}=\mathrm e^{-\lambda t}\quad(s,t>0).$$ + +"已经用了 $s$ 小时,还能再用 $t$ 小时"与"从新开始"一样——这是指数独有的,秒杀条件概率题。 + +**正态**:密度以 $x=\mu$ 对称,拐点 $\mu\pm\sigma$;标准化 $Z=\frac{X-\mu}{\sigma}\sim N(0,1)$,$F(x)=\varPhi\!\left(\frac{x-\mu}{\sigma}\right)$;对称性 $P\{X\le\mu-a\}=P\{X\ge\mu+a\}$,$P\{|X-\mu|u_\alpha\}=\alpha$(**上侧分位点**,$Z\sim N(0,1)$)。对称性:$u_{1-\alpha}=-u_\alpha$;常用 $u_{0.05}=1.645$、$u_{0.025}=1.96$。 + +> **读法**:$P\{|Z|0$),$f_Y(y)=\dfrac1{2\sqrt y}\left[f_X(\sqrt y)+f_X(-\sqrt y)\right]$ | +| $Y=-X$ | $F_Y(y)=1-F_X(-y)$,$f_Y(y)=f_X(-y)$ | + +**单调变换通式**($g$ 严格单调、可导、$g'\ne0$):$f_Y(y)=f_X(x(y))\cdot|x'(y)|$,即**密度乘反函数的导数绝对值**。 + +> **坑**:非单调($X^2$、$|X|$)必须分段或走分布函数法,直接套通式会漏一半概率。 + +## B 题型考点(怎么想到、为什么、坑在哪) + +- **B1 计数三法的识别**:出现"在一起/相邻"⟹ 捆绑;"不相邻"⟹ 插空(空位数 = 无限制者数 + 1);"相同物分组且每组至少一个"⟹ 插板 $C_{n-1}^{m-1}$。**坑**:插空用排列、插板用组合;"至少一个"其实是用"隔板不空"实现。 +- **B2 古典概型的倒数法**:直接数有利事件难时,先定总数(随机分配 $N^n$、抽样 $A_N^n/C_N^n$),再用"选定元素 + 剩余任排"数有利数。**为什么**:总数与有利数在同一模型下计数,才不会漏重或漏算。 +- **B3 事件题的集合翻译**:"$C$ 必然导致 $AB$ 发生"⟹ $C\subset AB$;"至少一个"⟹ 并;"恰好一个"⟹ 对称差。翻译完用德摩根化到目标事件,再套公式。 +- **B4 全概率 vs 贝叶斯的识别**:题目有"多因一果"的分层(检验误差 ⟹ 通过验收)用全概率;已知结果问来源(抽到正品问来自哪批)用贝叶斯。**分母就是全概率那一串**,写不出分母说明完备事件组错了。 +- **B5 独立性的两步验证**:先算 $P(AB)$ 与 $P(A)P(B)$ 比;再验 $P(ABC)$。选择题常用"两两独立但非相互独立"的反例,看到"三个事件"就要警觉。 +- **B6 分布函数存在性**:只看 $g$ 的两端走向($x\to-\infty$ 要 $\to-\infty$ 或至少让 $F\to0$)。**坑**:$F(x^2)$、$F(|x|)$ 在左端都取 $F(+\infty)=1$,必错。 +- **B7 密度存在性**:算全积分是否为 1。**坑**:$f(2x)$ 少个 2;$f(2-x)$ 的换元方向($|x'|=1$ 所以对)。 +- **B8 常见分布反求参数**:泊松用等式 $P\{X=k_1\}=P\{X=k_2\}$ 解 $\lambda$;均匀用"概率 = 长度比";二项/伯努利用"至少一次"取对立事件。 +- **B9 指数无记忆性秒杀**:$P\{X>s+t\mid X>s\}=P\{X>t\}$,遇到"已使用/已工作 $s$ 时间"的条件概率**直接代**,不要积分。 +- **B10 函数分布的三种出口**:单调变换 ⟹ 套 $f_Y=f_X|{\rm d}x/{\rm d}y|$;非单调 ⟹ 分布函数法分段;离散 ⟹ 映射合并。**最后一定验 $\int f_Y=1$**,防漏段。 + +## 8 题目清单(31 题,纯题干) + +> 编号沿用参考仓库例题与习题顺序;A–F 组按考点归并。**只列题干,不给答案**——自测时先说"这题考哪一节、第一步做什么"。 + +### A 组 · 计数与古典概型(题 1–4) + +- **题 1 · 捆绑法(★☆☆)**【e1】:$A,B,C,D,E,F$ 六人排成一排,要求 $A,B$ 必须相邻,求排法数。 +- **题 2 · 插空法(★☆☆)**【e1】:6 个唱歌节目与 4 个舞蹈节目排节目单,要求任意两个舞蹈节目不相邻,求排法数。 +- **题 3 · 插板法(★☆☆)**【e1】:8 个完全相同的球放入 3 个不同盒子,每盒至少一个,求放法数。 +- **题 4 · 随机分配模型(★★☆)**【k1】:5 人各钓一条鱼,共钓到 3 条鱼,求下列事件概率:(Ⅰ)3 条鱼被同一人钓到;(Ⅱ)恰有 2 条被同一人钓到;(Ⅲ)3 条分属 3 人。 + +### B 组 · 事件与概率公式(题 5–9) + +- **题 5 · 事件等式判断(★★☆)**【k1】:判断 $A-(B-C)=(A-B)\cup C$ 是否成立。 +- **题 6 · 包含关系的概率下界(★★☆)**【k1】:$P(A)=0.4$,$P(B)=0.3$,若 $AB$ 发生则 $C$ 必然发生,求 $P(C)$ 的下界。 +- **题 7 · 条件概率(★★★)**【k1】:$P(\overline A)=0.3$,$P(B)=0.4$,$P(A\overline B)=0.5$,求 $P(B\mid A\cup\overline B)$。 +- **题 8 · 全概率·检验误差(★★★)**【k1】:每箱 10 件产品,次品数为 $0,1,2$ 三情形等可能;任取一箱并从中任取一件,若是正品则通过验收。若箱内确为 1 件次品时该件被误判为正品的概率为 0.1,2 件次品时为 0.2,求任取一箱通过验收的概率。 +- **题 9 · 贝叶斯·两批零件(★★★)**【k1】:一批零件 9 正 3 次,另一批 8 正 4 次,两批等可能被选中;从中任取一件为正品,求它来自第一批的概率。 + +### C 组 · 独立性与伯努利(题 10–14) + +- **题 10 · 独立事件的组合(★★☆)**【e1】:$A$ 与 $B$ 独立,$P(A)=a$,$P(B)=b$,事件 $C$ 必然导致 $AB$ 同时发生,求 $P(\overline A\,\overline B\,\overline C)$。 +- **题 11 · 独立性的充要条件(★★★)**【k1】:设 $P(A)>0$,$P(B)>0$,证明 $P(B\mid A)=P(B\mid\overline A)$ 是 $A,B$ 相互独立的充要条件。 +- **题 12 · 两两独立 ≠ 相互独立(★★★)**【k1】:掷两枚均匀硬币,$A_1$=第一次正面,$A_2$=第二次正面,$A_3$=两次结果相同,判断三事件的独立性。 +- **题 13 · 伯努利·对立事件反推(★★☆)**【e1】:射手独立射击 4 次,至少命中 1 次的概率为 $\frac{15}{16}$,求至少有一次未命中的概率。 +- **题 14 · 独立与补事件(★★☆)**【e2】:设 $00)$,独立重复观测直到出现第 2 个大于 3 的观测值为止,$Y$ 为观测次数,求 $Y$ 的分布律。 +- **题 24 · 均匀分布反求参数(★★★)**【e2】:$X\sim U(a,b)$($a>0$),$P\{04\}=\frac12$,求 $f(x)$ 与 $P\{10$,求 $P\{X\le a+1\mid X>a\}$。 +- **题 26 · 指数·条件概率(★★☆)**【e2】:$X\sim E(1)$,求 $P\{21\}$。 +- **题 27 · 正态分位点(★★★)**【e2】:$X\sim N(0,1)$,$u_\alpha$ 满足 $P\{X>u_\alpha\}=\alpha$;若 $P\{|X| **回查入口**:参考仓库 `参考仓库/Math/advanced-math` 同源 `probability-theory-and-mathematical-statistics/knowledge/1-random-events-and-probability/random-events-and-probability.tex`、`knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex`(一维部分)、`exercise/1-…`、`exercise/2-…`。 +> **回查入口**:参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/1-random-events-and-probability/random-events-and-probability.tex`、`knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex`(§一维各节)、`exercise/1-…`、`exercise/2-…`。 diff --git a/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md b/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md index e5f0d0a..d234c20 100644 --- a/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md +++ b/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md @@ -1,137 +1,351 @@ --- tags: [数学一, 知识点构建, 背诵版, 概率论, 多维随机变量] -专题: 概率论 第3讲 · 多维随机变量及其分布 · 背诵版 +专题: 概率论 · 第3讲 多维随机变量及其分布 · 背诵版 日期: 2026-10-27 -状态: 背诵版 v1(考点完整呈现 + 19 题清单,无解答) -来源: 在学练习/概率论-第3讲-多维随机变量及其分布 | 参考仓库 Math/probability-theory-and-mathematical-statistics -关联笔记: ["[[README]]", "[[../在学练习/概率论-第3讲-多维随机变量及其分布/README]]"] +更新: 2026-11-08(v2 重构:分块排版 + 二维正态密度补全 + 真题地图对齐 sqlite + 纯题干题单) +状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 27 题纯题干清单;题单已对齐在学练习七点分册) +来源: 在学练习/概率论-第3讲-多维随机变量及其分布(七点分册 27 题)| 参考仓库 knowledge/{2 多维部分, 3}、exercise/{2, 3}|真题库 kaoyan_math1.db(chapter 17) +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]]", "[[18-背诵版-概率论-第4讲-数字特征]]"] --- -# 概率论 第3讲 · 多维随机变量及其分布 · 背诵版 +# 概率论 · 第3讲 多维随机变量及其分布 · 背诵版 -> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。 -> **题源**:旧版在学练习 `02-试题`(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;**该文件已于 2026-10 重构删除**,本页 19 题作为回忆自测清单保留(重构后的 27 题见第3讲七点分册,编号与题目均不同)。考点出处标注参考仓库 `knowledge/2`(多维章)、`knowledge/3`(二维数字特征)与 `exercise/2`、`exercise/3`。难度与真题锚点一并保留。 +> **范围**:参考仓库 `knowledge/2` 的**多维部分** + `knowledge/3` 的二维数字特征(一维部分见 [[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量|第1+2讲]],不重复)。 +> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 -## 0. 本讲骨架(先背这张图) +## 0 骨架(先背这张图) -**一句话主线**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。** +### 0.1 一句话与四条主线 -**真题地位**:真题库第 17 章,近十年 **11 题 105 分——概率各章之最**,且**年年一道 11–12 分解答题**,结构高度固定:**二维密度/分布 → 求某个函数的分布 → 顺带求协方差 / 判断独立性**。 +**一句话**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。** -**六节地图**:§1 n 维随机变量与联合分布函数 → §2 二维离散型 → §3 二维连续型 → §4 独立性 → §5 多维随机变量函数的分布(**核心,含雅可比**)→ §6 与数字特征的耦合。参考仓库:`probability-theory-and-mathematical-statistics/knowledge/{2,3}`。 +**依赖链**:联合分布函数 → 二维离散/连续 → 边缘与条件 → 独立性 → 函数分布(分布函数法 / 雅可比 / 卷积)→ 数字特征耦合。 -**核心方法三条总路线(函数分布的选择依据)** +**四条主线**(本讲所有题都落在这四条上): + +| 主线 | 动作 | 触发信号 | +|---|---|---| +| ① 降维 | 边缘:对另一变量求和/积分 | "求 $f_X$""求边缘分布" | +| ② 升级 | 函数分布:分布函数法、雅可比、卷积 | "求 $Z=g(X,Y)$ 的分布" | +| ③ 判独立 | 比 $f$ 与 $f_Xf_Y$(或看区域形状) | "是否独立" | +| ④ 算数字特征 | $E(g)$、$\operatorname{Cov}$、$D(aX\pm bY)$ | "求相关系数""求方差" | + +### 0.2 十年真题地图(sqlite:多维随机变量章,2016–2025) + +| 年份·题号 | 考点 | 分值 | 本章归属 | +|---|---|---|---| +| 2025·8 | 二维正态线性组合的方差最值 | 5 | §3.4 二维正态 | +| 2024·9 | 条件分布 + 协方差 | 5 | §3.3 条件分布 | +| 2022·10 | 条件正态分布 → 相关系数 | 5 | §3.3 + §6 | +| 2021·22 | 随机变量函数的分布与期望(分线段) | 12 | §5 函数分布 | +| 2020·22 | 混合型:$Y=X_3X_1+(1-X_3)X_2$ | 11 | §5.6 混合型 | +| 2019·22 | $Z=XY$ 的密度 + 不相关 + 独立性 | 11 | §5 + §6 | +| 2019·8 | 正态差的分布(与 $\mu$ 无关) | 4 | §5.2 差的分布 | +| 2018·22 | $\operatorname{Cov}(X,Z)$ + $Z=XY$ 的分布 | 11 | §5 + §6 | +| 2017·22 | $Z=X+Y$(一离散一连续)的密度 | 11 | §5.1 + §5.5 | +| 2016·22 | 二维均匀 + 离散化 + 独立性与函数分布 | 11 | §3.4 + §4 + §5 | + +> **命题规律**:**年年一道 11–12 分解答题**,结构高度固定:**给二维密度 ⟹ 求某个函数的分布 ⟹ 顺带问协方差或独立性**。选填则偏爱**条件分布 + 协方差/相关系数**(2024·9、2022·10)与**二维正态**(2025·8、2019·8)。近十年 10 题 86 分,是概率各章里分值最重的一章。 + +### 0.3 考点树(与在学练习七点分册一一对应) + +| 节 | 考点 | 在学练习 | 题数 | +|---|---|---|---| +| §1 | 联合分布函数与四性质、边缘分布函数 | 点 1 | 4 | +| §2 | 二维离散:联合/边缘/条件分布律、多项分布 | 点 2 | 3 | +| §3 | 二维连续:密度、边缘、条件、二维均匀、二维正态 | 点 3 | 5 | +| §4 | 独立性三等价、独立与不相关 | 点 4 | 4 | +| §5.1–5.3 | 函数分布两条路:分布函数法、雅可比 | 点 5 | 4 | +| §5.4–5.5 | 四则运算与最值:卷积、和差积商、max/min | 点 6 | 4 | +| §5.6 | 混合型与全概率 | 点 7 | 3 | +| §6 | 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关 | 点 3/6 共用 | — | + +## 1 联合分布与边缘分布(点 1) + +### 1.1 定义 + +$X,Y$ 定义在**同一样本空间** $\Omega$ 上,则 $(X,Y)$ 为二维随机变量。**联合分布函数** + +$$F(x,y)=P\{X\le x,\ Y\le y\}.$$ + +几何意义:以 $(x,y)$ 为**右上角**、向左下无限张开的无界矩形 $(-\infty,x]\times(-\infty,y]$ 上的概率。 + +### 1.2 四条性质(比一维多一条) + +① **对每个变量单调不减**;② **对每个变量右连续**;③ **有界**:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;④ **二维特有:矩形增量非负** + +$$P\{x_1 **为什么 ④ 不能省**:存在满足 ①②③ 但矩形增量为负的二元函数。考"能否作联合分布函数"时,前三条只是必要条件。 + +### 1.3 边缘分布函数 + +$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$ + +**口诀(参考仓库)**:**求谁不积谁,不积先定限;限内画条线,先交写下限,后交写上限。** + +## 2 二维离散型(点 2) + +### 2.1 联合分布律 + +$p_{ij}=P\{X=x_i,\ Y=y_j\}$,充要条件 $p_{ij}\ge0$ 且 $\sum_i\sum_jp_{ij}=1$。列表是一个**二维表**: + +| $X\backslash Y$ | $y_1$ | $y_2$ | $\cdots$ | $p_{i\cdot}$ | +|---|---|---|---|---| +| $x_1$ | $p_{11}$ | $p_{12}$ | $\cdots$ | $p_{1\cdot}$ | +| $x_2$ | $p_{21}$ | $p_{22}$ | $\cdots$ | $p_{2\cdot}$ | +| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ | + +### 2.2 边缘与条件 + +- **边缘**(行和、列和):$p_{i\cdot}=\sum_jp_{ij}=P\{X=x_i\}$,$p_{\cdot j}=\sum_ip_{ij}=P\{Y=y_j\}$; +- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$); +- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。 + +### 2.3 多项分布(真题接口 2016·8) + +$n$ 次独立试验,每次落入 $r$ 个互斥类别的概率为 $p_1,\dots,p_r$,记 $X_i$ 为落入第 $i$ 类的次数,则 + +$$P\{X_1=k_1,\dots,X_r=k_r\}=\frac{n!}{k_1!\cdots k_r!}p_1^{k_1}\cdots p_r^{k_r},\qquad \operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j).$$ + +> **负协方差的理解**:各类次数此消彼长(总数固定),故必负相关。由此可直接读相关系数 $\rho=\frac{-np_ip_j}{\sqrt{np_i(1-p_i)}\sqrt{np_j(1-p_j)}}$。 + +## 3 二维连续型与两类分布(点 3) + +### 3.1 联合概率密度 + +存在 $f\ge0$ 使 $F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du$。充要条件 + +$$f(x,y)\ge0,\qquad \iint_{\mathbb R^2}f(x,y)\,\mathrm dx\,\mathrm dy=1 .$$ + +**三条推论**:① 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$;② 区域概率 $P\{(X,Y)\in G\}=\iint_Gf$(**画图定限是全部功夫**);③ 在 $f$ 的连续点与边界上改有限个点的值不影响分布。 + +### 3.2 边缘密度 + +$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx .$$ + +> ⚠️ **联合决定边缘,边缘不决定联合**。反例:同一对边缘可以配出无数种联合。 + +### 3.3 条件概率密度 + +$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\quad(f_X(x)>0),$$ + +乘法公式 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=f_Y(y)f_{X\mid Y}(x\mid y)$。 + +**求条件密度的标准动作**:① 先求 $f_X(x)$(**这一步最容易忘**);② 把 $f(x,y)$ 中的 $x$ 当常数,除以 $f_X(x)$;③ **写清 $y$ 的条件范围**(依赖 $x$,别写成全局范围)。 + +**条件分布函数**:$F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\int_{-\infty}^{y}f_{Y\mid X}(v\mid x)\,\mathrm dv$。 + +### 3.4 两种常用的二维分布 + +**二维均匀分布**:$(X,Y)$ 在区域 $D$(面积 $S_D$)上均匀, + +$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D,\\[4pt]0,&\text{其他}.\end{cases}$$ + +概率 = 面积占比:$P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D}$(几何概型的升维)。 + +**二维正态分布** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$: + +$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.$$ + +**五条必背性质**: + +| # | 性质 | +|---|---| +| ① | 边缘仍是正态:$X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$(**与 $\rho$ 无关**) | +| ② | $\rho$ 就是相关系数:$\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ | +| ③ | 任意线性组合 $aX+bY$(不全为 0)仍服从正态 | +| ④ | 条件分布仍是正态,$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$,$D(Y\mid X=x)=\sigma_2^2(1-\rho^2)$ | +| ⑤ | **不相关 $\iff$ 独立**(二维正态的专属特权,一般情形不成立) | + +**识别技巧**:若 $F(x,y)=\varPhi(\cdot)\varPhi(\cdot)$(两个一维分布函数之积),立刻能读出两变量独立且各自正态——2025·8 的 $D(aX+bY)=a^2+b^2+2ab\rho=1+2ab\rho$($a^2+b^2=1$),在 $ab=\frac12|\sin2\theta|$ 型处取到最大值 $1+|\rho|$。 + +## 4 独立性(点 4) + +### 4.1 三等价定义 + +$$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}.$$ + +(离散用第三式,连续用第二式,$F$ 式通用。) + +### 4.2 性质 + +- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立(任意可测函数); +- 独立 ⟹ 任意子组独立; +- 独立 ⟹ $E(XY)=EX\cdot EY$,$\operatorname{Cov}(X,Y)=0$,$D(aX\pm bY)=a^2DX+b^2DY$; +- **独立同分布可加**:$B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$;$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$。 + +### 4.3 判断独立的三步 + +① 求两个边缘;② 看**取值区域是否矩形**(且 $x,y$ 的范围互不牵连);③ 比 $f$ 与 $f_Xf_Y$。 + +> **一眼判不独立的形状**:圆域、三角域($0\frac12\}=0\ne P\{Y\le\frac14\}$。 + +## 5 函数分布:两条路与四则运算(点 5–7)★ + +### 5.1 三条路线怎么选(点 5) | 路线 | 何时用 | 关键 | |---|---|---| -| ① 分布函数法(定义法) | 给联合密度、求**单个**函数分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 | -| ② 雅可比变换法 | 求**多个新变量**的联合密度 / 显式变换 | 反解 + $f_{UV}=f\cdot|J|$ | -| ③ 卷积公式 | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二维密度降成一重积分 | +| **分布函数法**(定义法) | 给联合密度、求**单个**函数 $Z=g(X,Y)$ 的分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm dx\,\mathrm dy$,再求导 | +| **雅可比变换** | 求**多个新变量**的联合密度,或变换可显式反解 | $f_{UV}=f(x(u,v),y(u,v))\cdot\vert J\vert$ | +| **卷积公式** | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二重积分降成一重 | -> **选择口诀**:**单个函数 → 定义法;多变量/显式变换 → 雅可比;独立且求和差 → 卷积分。** +**选择口诀**:**单个函数 → 定义法;多变量/显式反解 → 雅可比;独立且求和差 → 卷积。** -**考点树(按手册章节)** +### 5.2 分布函数法(点 5) -| 节 | 考点(对应题目) | -|---|---| -| §1 二维随机变量 | 联合分布函数与四性质(A2 起手) | -| §2 二维离散型 | 分布律/边缘/条件/区域概率(题1)· 多项分布 $\operatorname{Cov}(X_i,X_j)=-np_ip_j$ | -| §3 二维连续型 | 密度/边缘/条件/二维均匀/二维正态(题2–4、8、13、16) | -| §4 独立性 | 三等价定义、独立 vs 不相关(题6、11) | -| §5 函数分布 ★ | 分布函数法、雅可比、卷积、和/差/积/商/最值、混合型、混合正态(题5、7、9、10、12、15、17、18、19) | -| §6 数字特征耦合 | 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关(题13、14、16、18) | +① 写 $F_Z(z)=P\{g(X,Y)\le z\}$;② 在 $xy$ 平面上画出区域 $\{(x,y):g(x,y)\le z\}$;③ 按 $z$ 的取值**分段**积分;④ 对 $z$ 求导得 $f_Z(z)$。 -## 1. §1 二维随机变量与联合分布函数 +> **分段点是关键**:区域边界与 $D$ 的交点随 $z$ 变化,分段的临界值就是"边界扫过 $D$ 的顶点"的 $z$。 -设 $X,Y$ 定义在**同一样本空间**,$(X,Y)$ 为二维随机变量。联合分布函数 $F(x,y)=P\{X\le x,\ Y\le y\}$,几何意义:以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。**四条性质**(比一维多一条):① 对 $x$、对 $y$ 各自**单调不减**;② **右连续**;③ 有界性 $F(-\infty,y)=F(x,-\infty)=0$、$F(+\infty,+\infty)=1$;④ **非负矩形增量(二维特有)**:$P\{x_10$);区域概率 $P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。**多项分布**(🟨2016·8):$n$ 次独立试验,$\operatorname{Cov}(X_i,X_j)=-np_ip_j$($i\ne j$)。 +$$f_{UV}(u,v)=f_{XY}\big(x(u,v),y(u,v)\big)\cdot|J|,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .$$ -## 3. §3 二维连续型随机变量 +**注意**:$J$ 是**反解**(用 $u,v$ 表示 $x,y$)的行列式;写成 $\frac{\partial(u,v)}{\partial(x,y)}$ 要取倒数。 -$F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv$,充要条件 $f\ge0$、$\iint_{\mathbb R^2}f=1$(改有限个点仍是密度)。区域概率 $P\{(X,Y)\in G\}=\iint_Gf\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);连续点处 $\frac{\partial^2F}{\partial x\partial y}=f(x,y)$。边缘密度 $f_X(x)=\int f(x,y)\,\mathrm dy$、$f_Y(y)=\int f(x,y)\,\mathrm dx$。⚠️ **联合决定边缘,边缘不决定联合**:矩形域 + 密度可分离 ⟹ 一眼独立;非矩形域 ⟹ 一眼不独立。条件密度 $f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}$;乘法公式 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。**求条件密度标准动作**:① 先求 $f_X(x)$;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$;③ 写清 $y$ 的**条件范围**。二维均匀:$f=\frac1{S_D}$($(x,y)\in D$),概率 = 面积占比(几何概型升维)。 +**求单个 $Z=g(X,Y)$ 的增补变量三步**:① 增补 $V=X$(或 $Y$)凑成一一变换;② 求 $f_{UV}=f\cdot|J|$;③ 对辅助变量积分得 $f_Z$。 -**二维正态** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$($-1<\rho<1$),密度公式见手册。**五条必背性质**:① 边缘 $X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$;② $\rho=\frac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;③ **任意线性组合 $aX+bY$ 仍正态**;④ 条件分布仍是正态 $E(Y\mid X=x)=\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)$;⑤ **不相关 $\iff$ 独立(二维正态专属特权)**。识别技巧:看到「两个一维分布函数之积」$F(x,y)=\Phi(\cdot)\Phi(\cdot)$,先标准化立刻读出参数。 +**三条常用变换(把 $|J|$ 记熟)**: -## 4. §4 随机变量的相互独立性 - -**三等价**:$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}$。性质:独立 ⟹ $f(X)$ 与 $g(Y)$ 独立、任意子组独立、$E(XY)=EX\cdot EY$、$D(aX\pm bY)=a^2DX+b^2DY$;独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$、$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$、正态和正态。**判断三步**:① 求边缘;② 看取值区域是否矩形(**非矩形基本可判不独立**——圆形域、三角形域、$01\}$。 -- **题 8 · 连续型独立性(B)**:$(X,Y)$ 在单位圆 $x^2+y^2\le1$ 上均匀。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断独立(非矩形域 → 不独立)。 -- **题 9 · 积分布(B)**:$X\sim U(0,1)$、$Y\sim U(0,2)$ 独立,$Z=XY$,求 $f_Z(z)$。 -- **题 10 · 混合型·和(B)**:$P\{X=0\}=P\{X=1\}=\frac12$,$Y\sim U(0,1)$ 独立,$Z=X+Y$,求 $F_Z(z)$ 与 $f_Z(z)$(全概率 $\frac12F_Y(z)+\frac12F_Y(z-1)$)。 -- **题 11 · 不相关但不独立(B)**:$X\sim U(-1,1)$,$Y=X^2$,求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$,并判断是否独立($\operatorname{Cov}=0$ 但 $Y$ 是 $X$ 的偶函数 → 不独立)。 -- **题 12 · 最值分布(B)**:$X,Y$ 独立同参数 $\lambda$ 指数分布,$Z=\max(X,Y)$,求分布函数与密度。 -- **题 13 · 二维正态综合(B)**:$(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。 -- **题 14 · 取点分段·几何概型(B)**:$(0,1)$ 上随机取一点,较短段长度 $X$,求 $X$ 的密度。 +**标准例**:$P\{X=0\}=P\{X=1\}=\frac12$、$Y\sim U(0,1)$ 独立 ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$,求导得 $f_Z$。 -### C 组 · 拔高(★★★) -- **题 15 · 二维均匀+离散化+分布函数法(C)**【真题骨架 2016·22】:$(X,Y)$ 在三角形 $00,y>0$),$U=X+Y$、$V=\frac{X}{X+Y}$。(Ⅰ)用雅可比法求 $f_{UV}(u,v)$;(Ⅱ)判断 $U,V$ 是否独立并写各自分布(应得 $U\sim\Gamma$ 型、$V\sim U(0,1)$ 且独立)。 +**混合正态**(2020·22 型):$Y=X_3X_1+(1-X_3)X_2$,$X_3$ 取 $0/1$。用全概率按 $X_3$ 拆: + +$$F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ Y\le y\mid X_3=k\},$$ + +结论往往是"证明 $Y$ 仍服从标准正态"。 + +## 6 与数字特征的耦合(点 3 / 点 6 共用) + +| 量 | 公式 | 备注 | +| ------ | --------------------------------------------------------------------- | ------------ | +| 二维期望 | $E[g(X,Y)]=\sum\sum g\,p_{ij}$ 或 $\iint g\,f\,\mathrm dx\,\mathrm dy$ | **不必先求分布** | +| 协方差 | $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$ | 第二式最常用 | +| 相关系数 | $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}$ | 分母是**标准差**之积 | +| 线性组合方差 | $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ | 不独立必留交叉项 | +| 条件期望 | $E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy$ | 求相关时的桥梁 | +| | | | + +**条件分布求相关的标准流程**:① $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$;② 算 $EX$、$EY$($EY=\int E(Y\mid X=x)f_X\,\mathrm dx$);③ 算 $E(XY)$;④ 代 $\rho$ 公式。 + +## B 题型考点(怎么想到、为什么、坑在哪) + +- **B1 拿到二维表的固定动作**:先补边缘(行和/列和),再验 $\sum p_{ij}=1$,再判独立($p_{ij}=p_{i\cdot}p_{\cdot j}$ 逐格比)。**坑**:只比一格就下结论。 +- **B2 画图定限是二重积分的全部**:先把 $D$ 画出来,再把 $g(x,y)\le z$ 与 $D$ 求交,最后决定"先 $x$ 后 $y$"还是反过来。**坑**:不画图直接写限,几乎必错。 +- **B3 非矩形域一眼不独立**:圆、三角、$0\sqrt x$ 型,$Y$ 的范围依赖 $X$,乘积必然拆不开。**用途**:先判不独立,可省掉一整段积分。 +- **B4 函数分布三路线选择**:单个函数 ⟹ 定义法(万能但分段繁);两个新变量 ⟹ 雅可比;独立求和差 ⟹ 卷积。**选择错会多做一倍计算**。 +- **B5 雅可比的增补技巧**:求 $Z=g(X,Y)$ 时补 $V=X$ 凑成一一变换,再对 $v$ 积分。**坑**:$J$ 用了正变换而非逆变换(差一个倒数),或忘了绝对值。 +- **B6 卷积的适用边界**:卷积要求**独立**;不独立必须回到 $\int f(x,z-x)\mathrm dx$。**坑**:$U(0,1)+U(0,1)$ 的区间是 $(0,2)$,分段点 $z=1$ 不能漏。 +- **B7 最值分布**:$F_{\max}=\prod F$、$F_{\min}=1-\prod(1-F)$;独立同分布才化成 $[F]^n$、$1-[1-F]^n$。**坑**:把 $F_{\max}$ 写成 $[F]^n$ 却忘了独立性前提。 +- **B8 混合型走全概率**:一离散一连续时,把离散的每个取值作为一层,加权叠加平移后的 $F_Y$。**坑**:忘了权重之和为 1,或分段时漏掉某个取值。 +- **B9 二维正态的五性质直接调用**:边缘正态、$\rho$ 即相关系数、线性组合正态、条件期望线性、不相关⟺独立。**看到"二维正态"四个字,先写这五条**。 +- **B10 条件分布求相关的两条路**:① 先联合密度再硬算三阶矩;② 用 $E(Y\mid X=x)$ 的线性式直接读 $\rho$(二维正态专用)。**2022·10、2024·9 都是第 ① 条**。 + +## 7 题目清单(27 题,纯题干,按在学练习七点分册) + +> 编号沿用「在学练习」第3讲七点分册:`02`–`08` 对应点 1–7,每点内独立编号(题 \(k\)),第二个数字是知识点号。**只列题干,不给答案**。 + +### 点 1 联合分布与边缘分布(题 1–4) + +- **题 1 · 1.1:联合分布函数的四条性质(★☆☆)**:判断下列说法是否正确,错的举反例:(Ⅰ)若 $F(x,y)$ 对 $x$ 、对 $y$ 都单调不减,且 $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ,则 $F$ 必是某二维随机变量的分布函数;(Ⅱ)若 $(X,Y)$ 的联合分布函数为 $F$ ,则 $X$ 的分布函数为 $F(x,+\infty)$ ;(Ⅲ)若 $f(x,y)=g(x)h(y)$ 在矩形 $I\times J$ 上成立,则 $X$ 与 $Y$ 相互独立;(Ⅳ)若 $(X,Y)$ 服从二维正态分布,则 $X$ 与 $Y$ 独立当且仅当 $\rho=0$ 。 +- **题 2 · 1.1:由分布函数算矩形概率(★★☆)**:设 $(X,Y)$ 的联合分布函数为$F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)求 $A$ ;(Ⅱ)求边缘分布函数 $F_X(x)$ ,并说明 $X$ 服从什么分布;(Ⅲ)求 $P\{11\}$ 。 +- **题 3 · 1.2:由联合密度求边缘与区域概率(★★☆)**:设 $(X,Y)$ 在区域 $D=\{(x,y):00\}$ ;(Ⅲ)求条件分布 $Y\mid X=x$ ;(Ⅳ)判断 $X+Y$ 与 $X-Y$ 是否独立,并说明与"$\sigma_1=\sigma_2$ "的关系。 +- **题 5 · 3.4:矩形支撑才独立(★☆☆)**:设 $(X,Y)$ 在矩形 $D=\{(x,y):02\}$ ;(Ⅲ)说明 $f_Z$ 为什么是"梯形"而不是三角形。 +- **题 2 · 6.2:差的绝对值与"先求 F"(★★☆)**:设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,令 $Z=\lvert X-Y\rvert$ 。(Ⅰ)求 $F_Z(z)$ 与 $f_Z(z)$ ;(Ⅱ)求 $E Z$ ;(Ⅲ)若改为求 $W=X-Y$ (不带绝对值),说明它与 $Z$ 的关系。 +- **题 3 · 6.3:最值分布与期望(★★☆)**:设 $X_1,\dots,X_5$ 相互独立,都服从 $U(0,1)$ 。令 $M=\max\{X_1,\dots,X_5\}$ 、$m=\min\{X_1,\dots,X_5\}$ 。(Ⅰ)求 $f_M(z)$ 与 $f_m(z)$ ;(Ⅱ)求 $EM$ 、$Em$ ,并验证 $EM+Em=1$ ;(Ⅲ)求 $P\{M>0.9\}$ 。 +- **题 4 · 6.4:可加性四张表(★☆☆)**:(Ⅰ)设 $X\sim B(10,0.3)$ 、$Y\sim B(5,0.3)$ 独立,求 $X+Y$ 的分布;(Ⅱ)设 $X\sim P(2)$ 、$Y\sim P(3)$ 独立,求 $P\{X+Y=4\}$ ;(Ⅲ)设 $X\sim N(2,1)$ 、$Y\sim N(0,4)$ 独立,求 $P\{X1\}$ ;(Ⅲ)求 $P\{X=0\mid Y=2\}$ 。 +- **题 2 · 7.1:随机个数叠加的复合模型(★★☆)**:某设备在时间区间 $[0,T]$ 内发生故障的次数 $N\sim P(\lambda)$ ,且各次故障的发生时刻在 $[0,T]$ 上**独立且均匀分布**。记 $T_1$ 为**首次故障时刻**(若一次也没发生,规定 $T_1=+\infty$ )。(Ⅰ)求 $P\{T_1>t\}$ ($0\le t\le T$ );(Ⅱ)求 $T_1$ 在 $(0,T)$ 上的密度,并说明 $P\{T_1=+\infty\}$ 是多少;(Ⅲ)求 $P\{N=0\mid T_1>t\}$ 。 +- **题 3 · 7.2:混合正态与总方差(★★★)**:设 $X$ 等可能地取 $1$ 与 $2$ (即 $P\{X=1\}=P\{X=2\}=\frac12$ )。在 $X=k$ 的条件下 $Y\sim N(k,1)$ 。(Ⅰ)写出 $f_Y(y)$ ;(Ⅱ)求 $EY$ 与 $DY$ ;(Ⅲ)说明 $f_Y$ 不是正态密度(不必求导,用取值即可);(Ⅳ)求 $P\{Y<1.5\}$ 。 --- -> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]](2026-10 重构后共七点 27 题,即 `02` 至 `08` 七个点文件);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3}` 与 `exercise/{2,3}`。 +> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]],分册 `02`–`08` 对应点 1–7;参考仓库 `knowledge/2-random-variables-and-distribution`(§多维各节)、`knowledge/3-digital-features`、`exercise/2`、`exercise/3`。 diff --git a/基于考研的学习/数学一/知识点构建/18-背诵版-概率论-第4讲-数字特征.md b/基于考研的学习/数学一/知识点构建/18-背诵版-概率论-第4讲-数字特征.md index a5a0dd7..9ba7616 100644 --- a/基于考研的学习/数学一/知识点构建/18-背诵版-概率论-第4讲-数字特征.md +++ b/基于考研的学习/数学一/知识点构建/18-背诵版-概率论-第4讲-数字特征.md @@ -2,139 +2,293 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数字特征] 专题: 概率论 · 第4讲 随机变量的数字特征 · 背诵版 日期: 2026-10-27 -状态: 背诵版 v1(考点完整呈现 + 13 题清单,无解答) -来源: 参考仓库 Math/advanced-math 同源概率仓库(knowledge/3-digital-features + exercise/3-digital-features)|在学练习尚无此讲 -关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]"] +更新: 2026-11-08(v2 重构:分块排版 + 常用分布表补全 + 真题地图对齐 sqlite + 纯题干题单) +状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 19 题纯题干清单;题单已对齐在学练习五点分册) +来源: 在学练习/概率论-第4讲-随机变量的数字特征(五点分册 19 题)|参考仓库 knowledge/3-digital-features + exercise/3-digital-features|真题库 kaoyan_math1.db(数字特征考点) +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]]", "[[17-背诵版-概率论-第3讲-多维随机变量及其分布]]", "[[../在学练习/概率论-第4讲-随机变量的数字特征/README]]"] --- # 概率论 · 第4讲 随机变量的数字特征 · 背诵版 -> **说明**:本讲在「在学练习」尚未建讲,按用户口径「单独一讲」。考点取自参考仓库 `probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex`,题目取自该文件例题与 `exercise/3-digital-features/digital-features.tex`(切比雪夫估算题两处重复,已去重并注双出处)。 -> **用法**:看 §0 骨架 → 闭卷回忆考点正文 → 用题目清单自测,卡住回查参考仓库对应 tex 节。 +> **范围**:参考仓库 `knowledge/3-digital-features`(含 §切比雪夫不等式)+ `exercise/3`。 +> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 -## 0. 本讲骨架(先背这张图) +## 0 骨架(先背这张图) -**一句话**:数字特征 = **「期望(加权平均)+ 方差(波动)+ 协方差/相关系数(线性相关程度)+ 切比雪夫(无分布估算)」**——当分布未知或太复杂时,只用特征量说话。 +### 0.1 一句话与依赖链 -**真题地位**:**高频大题综合点**——离散/连续期望方差计算、$D(X\pm Y)$ 与协方差联动、独立与不相关的辨析、切比雪夫估算;是数理统计(09 号)与多维随机变量(07 号)的计算底座。参考仓库对应 knowledge/3 与 exercise/3。 +**一句话**:数字特征 = **期望(加权平均)+ 方差(波动)+ 协方差/相关系数(线性相关程度)+ 切比雪夫(无分布估算)**——分布未知或太复杂时,只用这几个数说话。 -**依赖链**:一维期望 → 方差($EX^2-(EX)^2$)→ 常用分布特征表 → 二维期望 → 协方差/相关系数 → 独立性与相关性 → 切比雪夫不等式。**主线**:**一切从 $EX$ 出发——$E(XY)$ 是二维题的总开关**。 +**依赖链**:一维期望 → 方差($EX^2-(EX)^2$)→ 常用分布特征表 → 二维期望 → 协方差/相关系数 → 独立与相关 → 切比雪夫。 -**考点树** +**一条锚**:**一切从 $EX$ 出发**——$E(XY)$ 是二维题的总开关,$\operatorname{Cov}=E(XY)-EX\,EY$ 是全部相关性的来源。 -| 节 | 考点(对应题号) | -|---|---| -| §1 一维期望 | 定义(离散/连续)、函数期望、性质(题1–6) | -| §2 方差 | 定义、$EX^2-(EX)^2$、性质(题7–8) | -| §3 常用分布特征 | 七分布期望方差表 | -| §4 二维数字特征 | 二维期望、协方差、相关系数、性质(题9–11) | -| §5 独立与相关 | 独立 ⟹ 不相关、不相关 ⇏ 独立、二维正态等价、判断流程(题12) | -| §6 切比雪夫 | 不等式、估算应用(题13) | +### 0.2 十年真题地图(sqlite,2016–2025) -## 1. §1 一维数学期望 - -**定义**(绝对收敛才存在):离散 $EX=\sum x_ip_i$;连续 $EX=\int_{-\infty}^{+\infty}xf(x)\,dx$。**函数期望**:$E[g(X)]=\sum g(x_i)p_i$(概率不变,只换 $x$)或 $\int g(x)f(x)\,dx$。 - -**性质**:①线性 $E\left(\sum a_iX_i\right)=\sum a_iEX_i$($Ec=c$,$E(aX+c)=aEX+c$,$E(X\pm Y)=EX\pm EY$);②**独立时** $E(XY)=EX\cdot EY$,$E[g_1(X)g_2(Y)]=E[g_1(X)]E[g_2(Y)]$(**不独立时不能拆**)。 - -**两类计算模式**:①**拟合已知分布**(分布律带 $k!$ 型 ⟹ 泊松、带 $C_n^k$ 型 ⟹ 二项),直接用已知期望;②**定义直接算**(拟合不出时逐项求和/积分)。 - -## 2. §2 方差 - -**定义**:$DX=E[(X-EX)^2]=EX^2-(EX)^2$(第二式最常用);标准差 $\sqrt{DX}$;标准化 $X^*=\frac{X-EX}{\sqrt{DX}}$($EX^*=0,DX^*=1$)。 - -**性质(必背)**:$DX\ge0$;$Dc=0$;$D(aX+b)=a^2DX$;**$D(X\pm Y)=DX+DY\pm2Cov(X,Y)$**(不独立必有交叉项);独立时 $D(aX\pm bY)=a^2DX+b^2DY$,$D(\sum a_iX_i)=\sum a_i^2DX_i$。 - -## 3. §3 常用分布数字特征(一张表背完) - -| 分布 | 期望 | 方差 | +| 年份·题号 | 考点 | 分值 | |---|---|---| -| 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 $G(p)$ | $\frac1p$ | $\frac{1-p}{p^2}$ | -| 正态 $N(\mu,\sigma^2)$ | $\mu$ | $\sigma^2$ | -| 均匀 $U(a,b)$ | $\frac{a+b}2$ | $\frac{(b-a)^2}{12}$ | -| 指数 $E(\lambda)$ | $\frac1\lambda$ | $\frac1{\lambda^2}$ | +| 2025·8 | 二维正态下 $D(aX+bY)$ 的最大值 | 5 | +| 2023·8 | 泊松分布 $E\lvert X-EX\rvert$ | 5 | +| 2022·8 | 相关系数 $-1$ 时的 $D(2X-Y+1)$ | 5 | +| 2021·16 | 两步抽球模型的相关系数 | 5 | +| 2020·14 | $\operatorname{Cov}(X,\sin X)$($X$ 均匀) | 4 | +| 2017·14 | 混合分布 $F=0.5\varPhi(x)+0.5\varPhi(\frac{x-4}{2})$ 求 $EX$ | 4 | +| 2016·8 | 多项分布相关系数 | 4 | -**可记忆规律**:泊松期望=方差;指数期望=方差的平方根;0-1/二项方差 $=np(1-p)$。 +> **命题规律**:**只出选填(4–5 分)**,且集中在三类:① **方差/协方差的代数运算**(2022·8、2025·8);② **相关系数的符号与公式**(2021·16、2016·8);③ **非常规期望**(2023·8 的 $\lvert X-EX\rvert$、2017·14 的混合分布、2020·14 的 $\operatorname{Cov}(X,\sin X)$)。真正的"算期望"大题通常藏在多维或数理统计的解答题里。 -## 4. §4 二维数字特征 +### 0.3 考点树(与在学练习五点分册一一对应) -**二维期望**:$E[g(X,Y)]=\sum_i\sum_j g(x_i,y_j)p_{ij}$ 或 $\int\!\!\int g(x,y)f(x,y)\,dxdy$(**不需要独立**)。 +| 节 | 考点 | 在学练习 | 题数 | +|---|---|---|---| +| §1 | 期望定义、函数期望、线性性质、独立可拆 | 点 1 | 4 | +| §2 | 方差定义与性质、线性组合的方差、矩 | 点 2 | 4 | +| §3 | 常用分布期望方差表 | 点 2/3 | — | +| §4.1–4.3 | 协方差、相关系数及其性质 | 点 3 | 4 | +| §4.4 | 条件期望与重期望 | 点 4 | 3 | +| §4.5 | 线性组合与最值 | 点 5 | 4 | +| §5 | 独立 ⟹ 不相关、不相关 ⇏ 独立、二维正态等价 | 点 3/5 | — | +| §6 | 切比雪夫不等式与估算 | 第5讲上、点 5 | — | -**协方差**:$Cov(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY$(第二式最常用);$Cov(X,X)=DX$。 +## 1 一维随机变量的数学期望 -**相关系数**:$\rho_{XY}=\dfrac{Cov(X,Y)}{\sqrt{DX}\sqrt{DY}}$(标准化协方差;**只描述线性相关程度**,$|\rho|\le1$,越近 1 越线性相关;$\rho=0$ 只说明不线性相关,不排除非线性关系)。 +### 1.1 定义(要求绝对收敛) -**协方差性质**:对称 $Cov(X,Y)=Cov(Y,X)$;$Cov(X,c)=0$;$Cov(aX+b,Y)=aCov(X,Y)$;$Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)$;独立 ⟹ $Cov=0$;$Y=aX+b$ 时 $\rho=\mathrm{sign}(a)$。 +| 类型 | 定义 | +|---|---| +| 离散型 | $EX=\sum_i x_ip_i$ | +| 连续型 | $EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx$ | -## 5. §5 独立性与相关性 +**存在性**:$\sum\lvert x_i\rvert p_i<\infty$ 或 $\int\lvert x\rvert f(x)\mathrm dx<\infty$——**绝对收敛才算期望存在**。柯西分布 $f=\frac1{\pi(1+x^2)}$ 是"积分条件收敛但期望不存在"的标准反例。 -**三层关系(必背)**: -- **独立 ⟹ 不相关**($P(XY)=P(X)P(Y)$ ⟹ $E(XY)=EXEY$ ⟹ $\rho=0$); -- **不相关 ⇏ 独立**($X\sim\frac12e^{-|x|}$ 与 $|X|$ 反例:$\rho=0$ 但分布不独立); -- **相关 ⟹ 不独立**($\rho\ne0$ 一定不独立); -- **二维正态**下独立 ⟺ 不相关($\rho=0$ 时 $f=f_Xf_Y$ 拆开)。 +### 1.2 随机变量函数的期望(不必先求分布) -**判断流程(先相关后独立)**:①算 $Cov=E(XY)-EXEY$;②$\ne0$ ⟹ 相关不独立;③$=0$ ⟹ 不相关,再用分布($F=f_Xf_Y$ 或 $p_{ij}=p_ip_j$)判独立与否。**等价不相关条件**:$\rho=0\iff Cov=0\iff E(XY)=EXEY\iff D(X\pm Y)=DX+DY$。 +$$E[g(X)]=\sum_i g(x_i)p_i\quad\text{或}\quad E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx .$$ -## 6. §6 切比雪夫不等式 +二维版本 $E[g(X,Y)]=\sum\sum g\,p_{ij}$ 或 $\iint g\,f\,\mathrm dx\,\mathrm dy$(**不需要独立**)。 -$P\{|X-EX|\ge\epsilon\}\le\dfrac{DX}{\epsilon^2}$(或 $P\{|X-EX|<\epsilon\}\ge1-\dfrac{DX}{\epsilon^2}$),$\epsilon>0$,$DX$ 存在。 -**用途**:①**无分布估算**概率(只知道期望方差);②证明收敛性(数理统计中的一致性);③**常构造 $Z=X-Y$** 再套($EZ=EX-EY$,$DZ=DX+DY-2Cov$)。 +> **这是"省一步"的关键**:求 $E(X^2)$、$E(\mathrm e^{X})$、$E(\lvert X-EX\rvert)$ 时,都不需要先写出 $X^2$ 的分布。 -### §4·B 题型考点(怎么做、为什么、坑)★必背 +### 1.3 期望的四条性质 -**① 分布律拟合已知分布**(题1):分布律带 $\frac{\lambda^k}{k!}$ 形式 ⟹ 化成标准泊松 $\frac{\lambda^k}{k!}e^{-\lambda}$(提系数 $\frac{\sqrt e}{\sqrt e-1}$),直接 $EX=\frac{\sqrt e}{2\sqrt e-2}$。**为什么快**:不逐项求和,用已知期望。 +| 性质 | 公式 | +|---|---| +| 常数 | $Ec=c$ | +| 线性 | $E(aX+bY+c)=aEX+bEY+c$(**无条件成立**,不需独立) | +| 独立可乘 | $X,Y$ 独立 $\Rightarrow E(XY)=EX\cdot EY$;更一般 $E[g_1(X)g_2(Y)]=E g_1(X)\cdot E g_2(Y)$ | +| 混合分布 | $F=\sum_kp_kF_k\Rightarrow EX=\sum_kp_kEX_k$(2017·14 的解法) | -**② 期望定义直算**(题2):$E(\frac1{1+X})$ 拟合不出 ⟹ $\sum\frac1{1+k}\frac{\lambda^k}{k!}e^{-\lambda}$,**凑 $\frac{\lambda^{k+1}}{(k+1)!}$ 错位**($\sum_{k=0}^\infty\frac{\lambda^k}{(k+1)!}=\frac{e^\lambda-1}{\lambda}$),结果 $1-e^{-\lambda}$。**坑**:下标 $k=0$ 起算与 $\frac1{k+1}$ 的错位要小心。 +> **最常错**:把 $E(XY)=EX\,EY$ 当无条件公式。**只有独立(或二维正态下不相关)才能拆。** -**③ 期望不存在**(题3):$f=\frac1{\pi(1+x^2)}$,$EX=\int\frac{x}{\pi(1+x^2)}dx$ 发散 ⟹ **期望不存在**(柯西分布原型)。判据:$\int|x|f(x)dx=+\infty$。 +### 1.4 两类计算模式 -**④ 分段函数期望**(题4):$E[\min\{|X|,1\}]$ ⟹ 按 $\min$ 的拐点 $x=1$ **拆积分段** $\int_0^1x+\int_1^\infty 1$,$\frac1\pi\ln2+\frac12$。 +① **拟合已知分布**:分布律里出现 $\frac{\lambda^k}{k!}$ ⟹ 泊松;出现 $C_n^k$ ⟹ 二项;出现 $\frac1{b-a}$ ⟹ 均匀。**认出分布直接查表**。 +② **定义硬算**:认不出时逐项求和/积分,配合**错位相消、配方法、拆段**三个技巧。 -**⑤ 正态配方法**(题5):$E[(X-2)^2e^{2X}]$——把 $e^{2x}$ **配进密度** $e^{2x}e^{-x^2/2}=e^2e^{-(x-2)^2/2}$,积分为 $e^2\cdot E_{\text{新正态}}(t^2)=e^2(\sigma^2+\mu^2)=e^2$。**为什么**:$e^{2x}$ 是配平方法的核心($e^{ax-\frac{x^2}2}$ 型都这么配)。 +## 2 方差 -**⑥ 抽象密度判断**(题6):$E(X)=a$ 时,$\int xf(x+a)dx\overset{t=x+a}{=}\int(t-a)f(t)dt=a-a=0$ 恒成立;但 $\int_{-\infty}^a xf(x)dx$ **上下限与期望无关**,不一定 $\frac12$。**坑**:期望是加权平均,不能与面积一半混淆。 +### 2.1 定义与计算公式 -**⑦ 方差线性组合必须先改写系数**(题7):$D(X_1-\overline X)$——**$\overline X$ 与 $X_1$ 相关**,不能直接拆 $D$;先把 $X_1-\overline X=\frac{n-1}{n}X_1-\frac1n\sum_{i=2}^nX_i$ 化成独立项,$=\frac{n-1}{n}\sigma^2$。 +$$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$ -**⑧ 乘积方差用 $E(X^2Y^2)$**(题8):$D(X_1X_2)=E(X_1^2X_2^2)-(EX_1EX_2)^2$,独立时 $=EX_1^2EX_2^2-\mu^4=(\sigma^2+\mu^2)^2-\mu^4$。 +第二式是**唯一实用公式**:先算 $E(X^2)$ 再减 $(EX)^2$。标准差 $\sqrt{DX}$。 -**⑨ 相关系数线性性**(题9):$\rho_{YZ}=\frac{a}{|a|}\rho_{XY}$ ⟹ 相等的充要条件 $a>0$。**核心**:$Cov(Y,aX+b)=aCov(X,Y)$ 与 $\sqrt{DZ}=|a|\sqrt{DX}$ 的 $a/|a|$ 符号。 +**标准化**:$X^*=\dfrac{X-EX}{\sqrt{DX}}$,则 $EX^*=0$、$DX^*=1$。 -**⑩ 独立与不相关的完整判定**(题12):证不相关用 $\rho=0$($EXY-EXEY=0$);证不独立用**分布**($P\{X\le a,|X|\le a\}\ne P\{X\le a\}P\{|X|\le a\}$)。**坑**:不相关≠独立,必须两步各证。 +### 2.2 性质(五条) -**⑪ 切比雪夫三件套**(题13):①构 $Z=X-Y$ 使 $EZ=0$;②由 $\rho=\frac{Cov}{\sqrt{DXDY}}$ 求 $Cov$($0.5=\frac{Cov}{2}$ ⟹ $Cov=1$);③$DZ=DX+DY-2Cov=3$,$\le\frac3{36}=\frac1{12}$。 +| 性质 | 公式 | 备注 | +|---|---|---| +| 非负 | $DX\ge0$ | $DX=0\iff X$ 几乎处处为常数 | +| 常数 | $Dc=0$ | | +| 平移不变 | $D(X+c)=DX$ | 加减常数不影响波动 | +| 伸缩平方 | $D(aX)=a^2DX$,$D(aX+b)=a^2DX$ | 系数**平方**出来 | +| **线性组合** | $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ | 独立/不相关时交叉项为 0 | -## 7. 题目清单(13 题) +**独立时的特例**:$D\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i$;$D(\overline X)=\frac{\sigma^2}{n}$。 -> 编号按本讲内部顺序;A–E 组对应出处节。来源:knowledge/3 例题 2 道(切比雪夫与 exercise 重复去重)+ exercise/3 11 道。 +> **坑**:$D(X-Y)=DX+DY$(**加号**),不是 $DX-DY$。也别忘了 $2ab\operatorname{Cov}$ 的符号与 $a,b$ 的正负。 -### A. 一维数学期望(题1–6) -- **题 1 · 分布律拟合泊松(★★★)**【e3】:$X$ 的分布律 $P\{X=k\}=\frac{1}{2^kk!(\sqrt e-1)}$($k=1,2,\cdots$),求 $EX$(提系数化泊松 $P(\frac12)$,$=\frac{\sqrt e}{2\sqrt e-2}$)。 -- **题 2 · 期望定义直算(★★★)**【e3】:$X\sim P(\lambda)$,求 $E(X)E\left(\frac1{1+X}\right)$(错位求和 $\sum_{i=1}^\infty\frac{\lambda^i}{i!}e^{-\lambda}=1-e^{-\lambda}$)。 -- **题 3 · 期望不存在(★★☆)**【e3】:$X$ 的密度 $f(x)=\frac1{\pi(1+x^2)}$,求 $EX$($\int\frac x{\pi(1+x^2)}dx$ 发散,期望不存在)。 -- **题 4 · 分段函数期望(★★★)**【e3】:$X$ 密度 $f(x)=\frac1{\pi(1+x^2)}$,求 $E[\min\{|X|,1\}]$(拆段积分,$=\frac1\pi\ln2+\frac12$)。 -- **题 5 · 正态配方法(★★★★)**【e3】:$X\sim N(0,1)$,求 $E[(X-2)^2e^{2X}]$($e^{2x}$ 配进密度,$=e^2$)。 -- **题 6 · 抽象密度与期望(★★★)**【e3】:$E(X)=a$,判断 $\int_{-\infty}^{+\infty}xf(x+a)dx=0$ 与 $\int_{-\infty}^a xf(x)dx=\frac12$ 是否成立(前者恒成立,后者不一定)。 +## 3 常用分布的期望与方差(一张表背完) -### B. 方差(题7–8) -- **题 7 · 方差线性组合(★★★★)**【e3】:$X_1,\cdots,X_n$ 独立同方差 $\sigma^2>0$,$\overline X=\frac1n\sum X_i$,求 $D(X_1-\overline X)$(改写系数,$=\frac{n-1}{n}\sigma^2$)。 -- **题 8 · 乘积方差(★★★)**【e3】:$X_1,X_2$ 独立且同 $N(\mu,\sigma^2)$,求 $D(X_1X_2)$($=E(X_1^2X_2^2)-(EX_1EX_2)^2=\sigma^4+2\sigma^2\mu^2$)。 +| 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 | $\chi^2(n)$ | $n$ | $2n$ | -### C. 二维数字特征(题9–11) -- **题 9 · 相关系数线性性(★★★)**【e3】:$\rho_{XY}\ne0$,$Z=aX+b$,求 $\rho_{YZ}=\rho_{XY}$ 成立的充要条件($a>0$)。 -- **题 10 · 协方差(★★☆)**【e3】:$X_1,\cdots,X_n$ 独立同分布方差 $\sigma^2$,$Y_1=\sum_{i=2}^nX_i$,$Y_2=\sum_{j=1}^{n-1}X_j$,求 $Cov(Y_1,Y_2)$(公共项系数相乘累加;参考仓库例题未给出解答)。 -- **题 11 · 相关系数综合(★★★★)**【k3】:$X$ 取 $0,1$($1/3,2/3$),$Y$ 取 $-1,0,1$(各 $1/3$),且 $P\{X^2=Y^2\}=1$,求 $(X,Y)$ 联合分布、$Z=XY$ 分布、$\rho_{XY}$(联合由 $P\{X^2\ne Y^2\}=0$ 定,$Z$ 均匀取三值,$\rho=0$)。 +**记忆钩子**:泊松"期望=方差 $=\lambda$";指数"期望=标准差 $=1/\lambda$";二项与 0-1 差一个 $n$;均匀与正态都是"中心 = 中点"。 -### D. 独立性与相关性(题12) -- **题 12 · 不相关且不独立证明(★★★★)**【k3】:$X$ 密度 $f(x)=\frac12e^{-|x|}$,证明 $X$ 与 $|X|$ 不相关且不独立($EX=0$、$EX|X|=0$ ⟹ $\rho=0$;$P\{X\le a,|X|\le a\}\ne P\{X\le a\}P\{|X|\le a\}$)。 +## 4 二维随机变量的数字特征 -### E. 切比雪夫不等式(题13) -- **题 13 · 切比雪夫估算(★★★)**【k3/e3 同题】:$EX=EY=2$,$DX=1$,$DY=4$,$\rho_{XY}=0.5$,估计 $P\{|X-Y|\ge6\}$($Z=X-Y$,$DZ=3$,$\le\frac{3}{36}=\frac1{12}$)。 +### 4.1 协方差 + +$$\operatorname{Cov}(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY .$$ + +当 $X=Y$ 时 $\operatorname{Cov}(X,X)=DX$——**方差是协方差的特例**。 + +**四条性质**: + +| 性质 | 公式 | +|---|---| +| 对称 | $\operatorname{Cov}(X,Y)=\operatorname{Cov}(Y,X)$ | +| 与常数无关 | $\operatorname{Cov}(X,c)=0$ | +| 线性 | $\operatorname{Cov}(aX+b,Y)=a\operatorname{Cov}(X,Y)$ | +| 可加 | $\operatorname{Cov}(X_1+X_2,Y)=\operatorname{Cov}(X_1,Y)+\operatorname{Cov}(X_2,Y)$ | + +### 4.2 相关系数 + +$$\rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1].$$ + +**含义**:只刻画**线性**相关程度。$\lvert\rho\rvert$ 越接近 1 越接近线性关系;$\rho=0$ 只说明**没有线性关系**,不排除非线性关系。 + +**两条极限性质**: + +- $\lvert\rho\rvert=1\iff$ 存在常数 $a\ne0,b$ 使 $P\{Y=aX+b\}=1$(**完全线性**); +- $Y=aX+b$ 时 $\rho_{XY}=\operatorname{sign}(a)$——**负相关只看 $a$ 的符号**。 + +### 4.3 $\rho$ 与线性变换 + +$$\rho_{aX+b,\,cY+d}=\operatorname{sign}(ac)\,\rho_{XY}.$$ + +2022·8 就是这条:$\rho_{XY}=-1$ ⟹ $Y$ 与 $X$ 完全负线性,$D(2X-Y+1)$ 变成 $D(3X+\text{常数})=9DX$。 + +### 4.4 条件期望与重期望(在学练习点 4) + +**条件期望**:给定 $X=x$ 时 $Y$ 的期望 + +$$E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy\quad(\text{或}\ \sum_j y_j\,P\{Y=y_j\mid X=x\}).$$ + +它是 $x$ 的**函数**;把 $x$ 换成随机变量 $X$ ,得到随机变量 $E(Y\mid X)$。 + +**两条必背结论**: + +| 结论 | 公式 | 用法 | +|---|---|---| +| **重期望(全期望)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 | +| 条件期望的线性性 | $E(aY+b\mid X)=aE(Y\mid X)+b$ | 与普通期望同形 | + +**性质清单**:$X,Y$ 独立时 $E(Y\mid X)=EY$(条件不提供信息);$E[g(X)Y\mid X]=g(X)E(Y\mid X)$(**$X$ 的函数可以当常数提出**)。 + +**全方差公式**(了解): + +$$D(Y)=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big],$$ + +即"总波动 $=$ 组内波动 + 组间波动"。 + +> **为什么重期望重要**:它把"两层随机"降成一层——$N$ 次试验、每次结果又随机(如 2025·22 的理赔模型),直接套 $E[E(\cdot\mid N)]$ 最快。 + +### 4.5 线性组合与最值(在学练习点 5) + +$D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}(X,Y)$,把 $a^2+b^2=1$ 代进去就成了一道**求最值**的二次型题。 + +**标准型(2025·8)**:$DX=DY=1$、$\rho$ 已知,$a^2+b^2=1$ 时 + +$$D(aX+bY)=1+2ab\rho,\qquad a=\cos\theta,\ b=\sin\theta\ \Rightarrow\ 1+\rho\sin2\theta\in\big[1-\lvert\rho\rvert,\ 1+\lvert\rho\rvert\big].$$ + +**一般型**:固定 $\lvert\rho\rvert$ 时,$\rho>0$ 取 $a=b=\frac1{\sqrt2}$(同向叠加最大)、取 $a=-b$ 得最小;$\rho<0$ 反之。 + +> **一句话**:**方差的最值就是"相关系数绝对值"的另一种写法**——$\max=1+\lvert\rho\rvert$、$\min=1-\lvert\rho\rvert$(标准化情形)。 +## 5 独立性与相关性 + +### 5.1 三层关系(必背) + +| 命题 | 成立? | 理由 | +|---|---|---| +| 独立 ⟹ 不相关 | ✓ | $E(XY)=EX\,EY\Rightarrow\operatorname{Cov}=0$ | +| 相关($\rho\ne0$)⟹ 不独立 | ✓ | 逆否 | +| 不相关 ⟹ 独立 | ✗ | 反例 $X\sim U(-1,1)$、$Y=X^2$ | +| 二维正态下:不相关 ⟺ 独立 | ✓ | 密度可分离 | + +### 5.2 判断流程(先相关、后独立) + +① 算 $\operatorname{Cov}=E(XY)-EX\,EY$; +② 若 $\ne0$ ⟹ 相关,必然不独立,**结束**; +③ 若 $=0$ ⟹ 不相关,再回到**分布**判独立($F=F_XF_Y$ 或 $p_{ij}=p_{i\cdot}p_{\cdot j}$)。 + +**等价的不相关条件**:$\rho=0\iff\operatorname{Cov}=0\iff E(XY)=EX\,EY\iff D(X\pm Y)=DX+DY$。 + +> **经典反例的正确证法**:$X\sim U(-1,1)$、$Y=X^2$。不相关:$E(XY)=E(X^3)=0=EX\cdot EY$;不独立:取 $a\in(0,1)$,$P\{X\le a,\ Y\le a^2\}=P\{-a\le X\le a\}=a\ne P\{X\le a\}P\{Y\le a^2\}$。 + +## 6 切比雪夫不等式 + +$EX=\mu$、$DX=\sigma^2$ 存在时,对任意 $\varepsilon>0$: + +$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Longleftrightarrow\quad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$ + +**读法**:方差越小越集中于期望;$\varepsilon$ 越大界越紧。**只给界、不给精确值**——优点是完全不依赖分布的形状。 + +**三个用途**:① **无分布估算**(只知道 $EX,DX$);② 证明大数定律(一致性);③ 常先构造 $Z=X-Y$ 再套($EZ=EX-EY$,$DZ=DX+DY-2\operatorname{Cov}$)。 + +**四种常用变形**: + +| 场景 | 结论 | +|---|---| +| 取 $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac1{k^2}$ | +| 样本均值 $\overline X$ | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$(**分母有 $n$** ) | +| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\frac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ | +| 线性组合 $Z=X-Y$ | 先算 $EZ,DZ$ 再代 | + +> **最容易错的两处**:① "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;② $\frac1n\sum Y_i$ 的方差是 $\frac1{n^2}\sum DY_i$,**漏掉 $n^2$ 必错**。 + +## B 题型考点(怎么想到、为什么、坑在哪) + +- **B1 分布律拟合已知分布**:看到 $\frac{\lambda^k}{k!}$ 就提系数化成泊松,直接查表;看到 $C_n^k$ 化成二项。**为什么快**:省掉整段求和。 +- **B2 期望定义直算**:拟合不出时硬算,靠**错位相消**($\sum_{k}\frac{\lambda^k}{(k+1)!}=\frac{\mathrm e^\lambda-1}{\lambda}$ 型)。**坑**:下标起点($k=0$ 还是 $k=1$)与分母错位。 +- **B3 期望不存在的判断**:算 $\int\lvert x\rvert f\,\mathrm dx$ 是否有限;发散就答"不存在",**不要去算 $\int xf$ 的柯西主值**。 +- **B4 分段函数期望**:按 $\min/\max$、绝对值的**拐点拆段**;$\min\{\lvert X\rvert,1\}$ 的拐点是 $\lvert x\rvert=1$。 +- **B5 正态配方法**:$E[(X-c)^2\mathrm e^{\lambda X}]$ 型——把 $\mathrm e^{\lambda x}$ 配进密度($x^2-2\lambda x$ 配方),化成新正态的矩,$\mathrm e^{\lambda\mu+\lambda^2\sigma^2/2}$ 是常用中间量。 +- **B6 抽象密度判断题**:$E(X)=a$ 只说明"加权平均是 $a$",**推不出 $\int_{-\infty}^{a}xf=\frac12$**(那要求中位数 = 期望)。反例:右偏分布。 +- **B7 方差线性组合先"解相关"**:$D(X_1-\overline X)$ 中 $X_1$ 与 $\overline X$ **相关**,不能直接拆;先写成 $X_1-\overline X=\frac{n-1}{n}X_1-\frac1n\sum_{i=2}^nX_i$ 的独立项再算。 +- **B8 乘积的方差**:$D(XY)=E(X^2Y^2)-(EXY)^2$;独立时 $=EX^2EY^2-(EX)^2(EY)^2$。**坑**:不能写 $D(XY)=DX\cdot DY$。 +- **B9 相关系数的线性性**:$\rho_{aX+b,\,Y}=\operatorname{sign}(a)\rho_{XY}$;由 $\rho_{YZ}=\rho_{XY}$ 反求 $a$ 的范围时,抓住 $\frac{a}{\lvert a\rvert}$。 +- **B10 独立与不相关的两步证法**:不相关用 $\rho=0$(代数);不独立用**分布反例**(取一个区域验证乘积不成立)。两问必须分开写。 +- **B11 切比雪夫三件套**:① 构造 $Z$ 使 $EZ$ 好算(常取 $X-Y$);② 由 $\rho=\frac{\operatorname{Cov}}{\sqrt{DX}\sqrt{DY}}$ 反解 $\operatorname{Cov}$;③ 代 $DZ$ 套不等式。 + +## 7 题目清单(19 题,纯题干,按在学练习五点分册) + +> 编号沿用「在学练习」第4讲五点分册:`02`–`06` 对应点 1–5。**只列题干,不给答案**。 + +### 点 1 数学期望(题 1–4) + +- **题 1 · 1.1:由分布律算期望与函数期望(★☆☆)**:设 $X$ 的分布律为 $P\{X=-1\}=0.2$,$P\{X=0\}=0.3$,$P\{X=1\}=0.3$,$P\{X=2\}=0.2$。求 $EX$ 、$E X^2$ 、$DX$ 、$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 。 +- **题 2 · 1.2:连续型上的函数期望(★★☆)**:设 $X$ 的概率密度为 $f(x)=2x$ ($0 **回查入口**:参考仓库 `参考仓库/Math/advanced-math` 同源 `probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex`、`exercise/3-digital-features/digital-features.tex`。 +> **回查入口**:在学练习 [[../在学练习/概率论-第4讲-随机变量的数字特征/README|第4讲 README]]、[[../在学练习/概率论-第4讲-随机变量的数字特征/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第4讲-随机变量的数字特征/07-速查卡|速查卡]],分册 `02`–`06` 对应点 1–5;参考仓库 `knowledge/3-digital-features/digital-features.tex`、`exercise/3-digital-features/digital-features.tex`;切比雪夫的应用见 [[19-背诵版-概率论-第5讲-大数定律与中心极限定理|第5讲]]。 diff --git a/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md b/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md index 6a2e503..6c15e0f 100644 --- a/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md +++ b/基于考研的学习/数学一/知识点构建/19-背诵版-概率论-第5讲-大数定律与中心极限定理.md @@ -1,123 +1,233 @@ --- tags: [数学一, 知识点构建, 背诵版, 概率论, 大数定律, 中心极限定理] -专题: 概率论 第5讲 · 大数定律与中心极限定理 · 背诵版 +专题: 概率论 · 第5讲 大数定律与中心极限定理 · 背诵版 日期: 2026-10-27 -状态: 背诵版 v1(考点完整呈现 + 16 题清单,无解答) -来源: 在学练习/概率论-第5讲上-大数定律、概率论-第5讲下-中心极限定理 | 参考仓库 Math/probability-theory-and-mathematical-statistics -关联笔记: ["[[README]]", "[[../在学练习/概率论-第5讲上-大数定律/README]]", "[[../在学练习/概率论-第5讲下-中心极限定理/README]]"] +更新: 2026-11-08(v2 重构:分块排版 + 真题数字按 sqlite 校正 + 纯题干题单) +状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 21 题纯题干清单;题单已对齐在学练习上/下两讲分册) +来源: 在学练习/概率论-第5讲上-大数定律(14 题)+ 第5讲下-中心极限定理(7 题)|参考仓库 knowledge/4 + exercise/4 + knowledge/3 §切比雪夫|真题库 kaoyan_math1.db(chapter 19) +关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[../在学练习/概率论-第5讲上-大数定律/README]]", "[[../在学练习/概率论-第5讲下-中心极限定理/README]]"] --- -# 概率论 第5讲 · 大数定律与中心极限定理 · 背诵版 +# 概率论 · 第5讲 大数定律与中心极限定理 · 背诵版 -> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。 -> **题源**:在学练习 `02-试题`(16 题:A 组 1–6 / B 组 7–12 / C 组 13–16),编号沿用原题号;考点出处标注参考仓库 `knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。难度与真题锚点一并保留。 +> **范围**:参考仓库 `knowledge/4-law-of-large-numbers-and-central-limit-theorem` + `exercise/4`;切比雪夫不等式见 [[18-背诵版-概率论-第4讲-数字特征|第4讲 §6]]。 +> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 -## 0. 本讲骨架(先背这张图) +## 0 骨架(先背这张图) -**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。 +### 0.1 一句话与三个开关 -**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 / 泊松)。 +**一句话**:**大数定律管"均值稳定",中心极限定理管"和的分布趋正态",切比雪夫不等式是证明前者的工具。** -**全讲三个「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藏在这三点里。 +**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 / 泊松)。 -**真题地位**: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**,且**只出单选(4–5 分)、每 4–5 年一轮**。**大数定律考条件、中心极限定理考计算。** +**三个开关**(绝大多数概念题的答案藏在里头): -**考点树** +| 开关 | 问什么 | 影响哪条定律 | +|---|---|---| +| ① 独立? | 相互独立 / 两两不相关 / 不要求 | 三条定律都要 | +| ② 期望存在? | $\lvert E X\rvert<\infty$ | 辛钦**必需要**;切比雪夫也要 | +| ③ 方差存在且一致有界? | $\sup DX_i<\infty$ | **只有切比雪夫要求**,辛钦不要求 | -| 节 | 考点(对应题目) | -|---|---| -| §1 依概率收敛 | 定义、与数列极限区别(题1) | -| §2 切比雪夫不等式 ★ | 不等式与变形表(题2、3、7、8、12)· 使用三步 | -| §3 大数定律 | 切比雪夫 / 伯努利 / 辛钦 三定律对照(题4、5、13、14、16) | -| §4 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯、标准化四步(题6、9、10、15、16) | -| §5 三种近似 | 正态近似 vs 泊松近似(题11) | +### 0.2 十年真题地图(sqlite,2016–2025) -## 1. §1 依概率收敛 +| 年份·题号 | 考点 | 分值 | 关键一步 | +|---|---|---|---| +| 2025·9 | 泊松近似:$X_i\sim B(1,0.1)$,$T=\sum_{1}^{20}X_i$ | 5 | $\lambda=np=2$,$P\{T\le1\}=\mathrm e^{-2}(1+2)$ | +| 2022·9 | 切比雪夫:$Y_i=X_i^2$,已知 $\mu_2,\mu_4$ | 5 | $DY_i=\mu_4-\mu_2^2$,界 $=\frac{\mu_4-\mu_2^2}{n\varepsilon^2}$ | +| 2020·8 | 中心极限:$n=100$,$P\{X=0\}=P\{X=1\}=\frac12$ | 4 | $ET=50$、$DT=25$,$P\{\sum\le55\}\approx\varPhi(1)$ | -$X_n\overset{P}{\longrightarrow}X$:对**任意** $\varepsilon>0$,$\lim_{n\to\infty}P\{|X_n-X|\ge\varepsilon\}=0$(等价 $\lim P\{|X_n-X|<\varepsilon\}=1$)。**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**。⚠️ **依概率收敛 ⇏ 期望收敛**(经典反例:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$,则 $X_n\overset{P}{\longrightarrow}0$ 但 $EX_n\to1$)。推论:$X_n\overset{P}{\longrightarrow}c$(常数)则 $X_n^2\overset{P}{\longrightarrow}c^2$、连续 $g$ 有 $g(X_n)\overset{P}{\longrightarrow}g(c)$;依概率收敛是**一致性**的统一语言。 +> **命题规律**:**冷门但几乎年年有选填**(4–5 分,只出单选)。考法极窄:① **切比雪夫估算**(换变量 $Y=X^2$ 是唯一变化);② **中心极限标准化**(算 $ET,DT$ 后查 $\varPhi$);③ **泊松近似**($\lambda=np$ 算 $P\{T\le1\}$)。**大数定律本身只考"条件对不对"**,从不要求证明。 -## 2. §2 切比雪夫不等式(核心工具) +### 0.3 考点树(与在学练习上/下两讲分册一一对应) -$EX=\mu$、$DX=\sigma^2$ **存在**时,对任意 $\varepsilon>0$: +| 节 | 考点 | 在学练习 | 题数 | +|---|---|---|---| +| §1 | 依概率收敛的定义、与数列极限的区别 | 第5讲上·点 1 | 3 | +| §2 | 切比雪夫不等式与四种变形 | 第5讲上·点 2 | 5 | +| §3 | 切比雪夫 / 伯努利 / 辛钦三条定律 | 第5讲上·点 3 | 6 | +| §4 | 列维–林德伯格、棣莫弗–拉普拉斯、标准化四步 | 第5讲下·点 1–2 | 5 | +| §5 | 正态近似 vs 泊松近似 | 第5讲下·点 3 | 2 | -$$P\{|X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\qquad\text{等价}\qquad P\{|X-\mu|<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$ +## 1 依概率收敛 -**读法**:方差越小越「集中」在期望附近;$\varepsilon$ 越大界越紧。**只给界、不给精确值**,优点是不依赖具体分布。 +### 1.1 定义 -**常用变形表** +$$X_n\xrightarrow{P}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0 .$$ + +等价写法:$\lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$。 + +### 1.2 与数列极限的区别 + +| | 数列极限 | 依概率收敛 | +|---|---|---| +| 要求 | 从某一项起,**每一项**都落在邻域内 | 落在邻域外的**概率**趋于 0 | +| 允许 | 无例外 | **允许个别项"跑飞"**,只要它们出现的概率越来越小 | + +### 1.3 三条运算性质 + +① 若 $X_n\xrightarrow{P}a$(常数),则 $X_n^2\xrightarrow{P}a^2$; +② 若 $g$ 在 $a$ 处连续,则 $g(X_n)\xrightarrow{P}g(a)$; +③ 若 $X_n\xrightarrow{P}a$、$Y_n\xrightarrow{P}b$,则 $X_n\pm Y_n\xrightarrow{P}a\pm b$、$X_nY_n\xrightarrow{P}ab$。 + +> ⚠️ **依概率收敛 ⇏ 期望收敛**。标准反例:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$,则 $X_n\xrightarrow{P}0$,但 $EX_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n\to1\ne0$。 + +## 2 切比雪夫不等式 + +$EX=\mu$、$DX=\sigma^2$ 存在,则对任意 $\varepsilon>0$: + +$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Longleftrightarrow\quad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$ + +**只对"构造出来的那个变量"成立**——所以用之前先明确"要估计的是谁",算出它的 $E$ 与 $D$。 + +### 2.1 四种变形 | 场景 | 结论 | |---|---| -| 取 $\varepsilon=k\sigma$($k>0$) | $P\{|X-\mu|\ge k\sigma\}\le\frac1{k^2}$ | -| 样本均值 $\bar X$ | $D\bar X=\frac{\sigma^2}{n}\ \Rightarrow\ P\{|\bar X-\mu|\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ | -| 二项 $X\sim B(n,p)$ | $P\{|\frac Xn-p|\ge\varepsilon\}\le\frac{p(1-p)}{n\varepsilon^2}$(**方差是 $np(1-p)$ 不是 $np$**) | -| 线性组合 $Z=X-Y$ | 先算 $EZ,DZ$(要用 $\operatorname{Cov}$)再代 | +| $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\frac1{k^2}$ | +| 样本均值 | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{n\varepsilon^2}$ | +| 二项 | $P\left\{\left\lvert\frac Xn-p\right\rvert\ge\varepsilon\right\}\le\frac{p(1-p)}{n\varepsilon^2}$ | +| 线性组合 | 先算 $EZ,DZ$(含 $\operatorname{Cov}$)再代 | -**使用三步**:① 锁定被估计的 $Y$,算 $EY,DY$(不给就自己求);② 目标概率写成 $P\{|Y-EY|\ge\varepsilon\}$(偏离大→上界)或 $P\{|Y-EY|<\varepsilon\}$(落在附近→下界);③ 代入。「至少」写下界 $1-\cdots$,「至多」写上界。**方向搞反是头号陷阱**;$\frac1n\sum Y_i$ 的方差 = $\frac1{n^2}\sum DY_i$(独立/不相关时才可加),漏除 $n^2$ 必错。 +### 2.2 使用三步 -## 3. §3 大数定律 +① 锁定被估计的变量 $Y$,算出 $EY,DY$(题目不给就自己求); +② 把目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(要**上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(要**下界**); +③ 代入不等式。 -**共同形式**:在一定条件下 $\frac1n\sum X_i\overset{P}{\longrightarrow}\frac1n\sum EX_i$(即 $\bar X\overset{P}{\longrightarrow}E\bar X$)。**几乎不考计算,只考「定律成立的条件」与「结论是否正确」**。 +> **两个致命错**:① "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$、"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$——**写反了等于答错**;② $D\left(\frac1n\sum Y_i\right)=\frac1{n^2}\sum DY_i$,**漏 $n^2$ 必错**。 -### 三条定律对照(高频辨析,背表) +## 3 大数定律 -| 定律 | 独立/相关 | 同分布 | 期望 | 方差 | +### 3.1 共同形式 + +在一定条件下 + +$$\frac1n\sum_{i=1}^nX_i\xrightarrow{P}\frac1n\sum_{i=1}^nEX_i\quad\left(\text{即 }\overline X\xrightarrow{P}E\overline X\right).$$ + +**只考"定律成立的条件",不考计算**。 + +### 3.2 三条定律对照(高频辨析,背表) + +| 定律 | 独立性要求 | 同分布要求 | 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**($\exists C$ 使 $DX_i\le C$) | -| **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** | +| **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** $\exists C,\ DX_i\le C$ | +| **伯努利** | 伯努利试验(自然独立) | 是(0-1 分布) | 存在 | 存在($p(1-p)$) | +| **辛钦** | 相互独立 | **要求同分布** | **存在** | **不要求** | -- **切比雪夫大数定律**结论:$\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|<\varepsilon\}=1$;证明用切比雪夫 + 夹逼($D(\frac1n\sum X_i)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$)。 -- **伯努利大数定律**:$\frac{\mu_n}{n}\overset{P}{\longrightarrow}p$——「**频率稳定于概率**」的严格表述。 -- **辛钦大数定律**:$\frac1n\sum X_i\overset{P}{\longrightarrow}\mu$。**与切比雪夫互补**:「切比雪夫看方差、辛钦看分布」——辛钦要求同分布但不要求方差,因此**不能用切比雪夫不等式证明**。 -- **陷阱**:B/D 选项「服从同一类型分布」不保证期望存在;A「期望相同」不保证同分布;只有「同一泊松分布」既同分布又期望存在。 +**三条结论**: -## 4. §4 中心极限定理 +- **切比雪夫大数定律**:$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}=1$。证明靠 $\frac1{n^2}\sum DX_i\le\frac Cn\to0$; +- **伯努利大数定律**:$\frac{\mu_n}{n}\xrightarrow{P}p$——"**频率稳定于概率**"的严格表述($\mu_n$ 为 $n$ 次试验中成功的次数); +- **辛钦大数定律**:$\frac1n\sum X_i\xrightarrow{P}\mu$($\mu$ 为公共期望)。 -**共同形式**:$X_i$ 独立同分布(或近似)时,**和**的分布趋于正态:$\sum X_i\overset{\text{近似}}{\sim}N(n\mu,\ n\sigma^2)$($n$ 充分大,一般 $n\ge30$)。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「围绕常数的波动趋于正态」。 +> **互补关系**:「**切比雪夫看方差,辛钦看分布**」。辛钦不要求方差,所以**不能用切比雪夫不等式证明**;这也解释了为什么辛钦的证明在考纲外。 -- **列维–林德伯格**(独立同分布版):$EX_i=\mu$、$DX_i=\sigma^2>0$ 存在,则 $\frac{\sum X_i-n\mu}{\sqrt n\sigma}\overset{\text{近似}}{\sim}N(0,1)$。 -- **棣莫弗–拉普拉斯**(二项版):$Y_n\sim B(n,p)$,$\frac{Y_n-np}{\sqrt{np(1-p)}}\overset{\text{近似}}{\sim}N(0,1)$,$Y_n\overset{\text{近似}}{\sim}N(np,np(1-p))$($n$ 大且 $np$、$n(1-p)$ 都不太小)。 +### 3.3 条件辨析的三个陷阱 -**标准化四步模板(考场流程)**:① 定 $T=\sum X_i$(或 $Y_n$);② 算 $ET=n\mu$、$DT=n\sigma^2$(二项:$np$、$np(1-p)$);③ 标准化 $\frac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减同除;④ 查 $\Phi$:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{|Z|\le z\}=2\Phi(z)-1$。**方差别忘 $n$ 倍**:$D(\sum X_i)=n\sigma^2$,标准差 $\sqrt n\sigma$。 +① "期望相同"**不保证同分布**(A 选项陷阱); +② "服从同一类型分布"(如都是正态但参数不同)**不保证方差一致有界**(B/D 陷阱); +③ 只有"**服从同一分布且期望存在**"才满足辛钦——"同一泊松分布"是标准正确项。 -## 5. §5 三种「近似」辨析(正态近似 / 泊松近似) +## 4 中心极限定理 -二项分布 $B(n,p)$ 两种近似,**用哪个取决于 $p$**: +### 4.1 两条定理 -| 近似 | 适用条件 | 结果 | 典型题 | +| 定理 | 条件 | 结论 | +|---|---|---| +| **列维–林德伯格** | $X_i$ 独立同分布,$EX_i=\mu$,$DX_i=\sigma^2\in(0,\infty)$ | $\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\xrightarrow{\text{近似}}N(0,1)$ | +| **棣莫弗–拉普拉斯** | $Y_n\sim B(n,p)$ | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\xrightarrow{\text{近似}}N(0,1)$,即 $Y_n\approx N(np,\ np(1-p))$ | + +**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"**围绕常数的波动趋于正态**"。 + +### 4.2 标准化四步(考场流程) + +① 定 $T=\sum X_i$(或 $Y_n$); +② 算 $ET=n\mu$、$DT=n\sigma^2$(二项:$np$、$np(1-p)$); +③ 标准化 $\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,不等式两边同减 $ET$、同除 $\sqrt{DT}$; +④ 查 $\varPhi$:$P\{Z\le z\}=\varPhi(z)$,$P\{Z>z\}=1-\varPhi(z)$,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$。 + +> **两个必错点**:① $D(\sum X_i)=n\sigma^2$,**标准差是 $\sqrt n\sigma$ 而不是 $n\sigma$**;② 连续性修正($\pm\frac12$)考研**不需要**,用了反而多算。 + +## 5 三种"近似"的辨析 + +二项分布 $B(n,p)$ 有两种近似,**用哪个取决于 $p$**: + +| 近似 | 适用条件 | 结果 | 真题 | |---|---|---|---| -| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ 不太小也不太大(经验 $np\ge5,\ n(1-p)\ge5$) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 2020·8 | -| **泊松近似** | $n$ 大,$p$ 很小($np=\lambda$ 适中) | $Y_n\approx P(\lambda)$,$\lambda=np$ | 2025·9 | +| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大且 $p$ 不极端(经验 $np\ge5$、$n(1-p)\ge5$) | $\frac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 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**」。泊松近似模板:$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-\lambda}(1+\lambda)$。**$\lambda=np$(不是 $n$ 也不是 $p$)**。 +**口诀**:**$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。** -**十年真题地图**:2020·8 中心极限(0–1 变量求和,标准化+查 $\Phi$);2022·9 切比雪夫(换 $Y_i=X_i^2$,$DY_i=\mu_4-\mu_2^2$);2025·9 泊松近似($P\{T\le1\}=e^{-\lambda}(1+\lambda)$)。 +**两个模板**: -## 6. 题目清单(16 题) +$$P\{T\le1\}\approx\mathrm e^{-\lambda}(1+\lambda)\qquad(\text{泊松,}\lambda=np);$$ -### A 组 · 基础(★☆☆) -- **题 1 · 依概率收敛(A)**:$P\{X_n=\frac1n\}=1-\frac1n$、$P\{X_n=n\}=\frac1n$。(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;(Ⅱ)求 $EX_n$ 并说明是否收敛于 0,由此得什么结论(**依概率收敛 ⇏ 期望收敛**)。 -- **题 2 · 切比雪夫不等式(A)**:$EX=5$、$DX=2$。(Ⅰ)估计 $P\{|X-5|\ge4\}$ 的上界($\frac{2}{16}=\frac18$);(Ⅱ)估计 $P\{|X-5|<4\}$ 的下界($\frac78$)。 -- **题 3 · 二项+切比雪夫(A)**:$X\sim B(1000,0.5)$,估计 $P\{4500.977($\Phi(2)=0.977$;$\frac{1000-10n}{0.5\sqrt n}\ge2\Rightarrow n\approx$ 约 98)。 -- **题 10 · 中心极限【真题骨架 2020·8】(B)**:$X_1,\dots,X_{400}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\frac12$,求 $P\{\sum X_i\le210\}$ 的近似值($ET=200$、$DT=100$,$\Phi(1)$)。 -- **题 11 · 泊松近似【真题骨架 2025·9】(B)**:$X_1,\dots,X_{300}\sim B(1,0.01)$,$T=\sum X_i$,用泊松近似求 $P\{T\le1\}$($\lambda=3$,$4e^{-3}$)。 -- **题 12 · 切比雪夫+协方差(B)**:$EX=EY$,$DX=DY=1$,$\rho=\frac12$,估计 $P\{|X-Y|\ge4\}$ 的上界($D(X-Y)=1$,$\frac{1}{16}$)。 +> **$\lambda$ 的取值**:$2025\cdot9$ 的 $20\times0.1=2$(**不是 $20$,也不是 $0.1$**)。同理 $2020\cdot8$ 的 $n=100$、$p=\frac12$ ⟹ $ET=50$、$DT=25$、$\sqrt{DT}=5$。 -### C 组 · 拔高(★★★) -- **题 13 · 切比雪夫大数定律的条件辨析(C)**:$\{X_n\}$ 独立,$X_n\sim E(n)$,下列**不**服从切比雪夫大数定律的是( )。(A)$X_1,\frac12X_2,\dots,\frac1nX_n$(B)$X_1,X_2,\dots$(C)$X_1,2X_2,\dots,nX_n$(D)$X_1,2^2X_2,\dots,n^2X_n$ → **D**($DX_n=\frac1{n^2}$,四项方差 $\frac1{n^4},\frac1{n^2},1,n^2$,仅 D 无界)。 -- **题 14 · 切比雪夫大数定律的证明(C)**:$\{X_n\}$ 两两不相关,$DX_i\le C$,证明 $\lim P\{|\frac1n\sum X_i-\frac1n\sum EX_i|\ge\varepsilon\}=0$(不相关消协方差 → $D\le\frac Cn\to0$ → 切比雪夫+夹逼)。 -- **题 15 · 中心极限·反解 $n$(C)**:零件寿命平均 100 小时、标准差 10 小时,求最小 $n$ 使 $P\{\sum_{i=1}^nX_i\ge10000\}\ge0.95$($\Phi(1.645)=0.95$;$-\frac{0.1n}{10\sqrt n}\ge-1.645$ 或等价反解)。 -- **题 16 · 综合辨析(C)**:$X_i$ 独立同分布,$EX_i=\mu$、$DX_i=\sigma^2$,$\bar X=\frac1n\sum X_i$。(Ⅰ)用切比雪夫证 $\bar X\overset{P}{\longrightarrow}\mu$;(Ⅱ)用中心极限写 $P\{|\bar X-\mu|<\varepsilon\}$ 的近似($\Phi$ 表示),并说明 $n\to\infty$ 趋于 1;(Ⅲ)比较两种估计谁更精确、各需什么条件(中心极限精确、需方差存在;切比雪夫只需方差存在给界)。 +## B 题型考点(怎么想到、为什么、坑在哪) + +- **B1 依概率收敛题的唯一动作**:验证 $\forall\varepsilon$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**不要**用"$EX_n\to EX$"代替。 +- **B2 切比雪夫的方向**:先问"题目要上界还是下界"——"至多/不小于某数"⟹ 上界;"至少"⟹ 下界。**方向反了整题反**。 +- **B3 换变量再切比雪夫**:$2022\cdot9$ 型——目标量是 $\frac1n\sum X_i^2$,令 $Y_i=X_i^2$,则 $EY_i=\mu_2$、$DY_i=\mu_4-\mu_2^2$。**为什么**:切比雪夫只认"被估计变量的期望方差"。 +- **B4 样本均值的方差**:$D\overline X=\frac{\sigma^2}{n}$,代进切比雪夫时分母是 $n\varepsilon^2$。**坑**:漏 $n$,或把 $D\overline X$ 写成 $\sigma^2$。 +- **B5 反解样本量**:由 $1-\frac{\sigma^2}{n\varepsilon^2}\ge$ 目标值反解 $n\ge\frac{\sigma^2}{\varepsilon^2(1-\text{目标})}$,**上取整**。 +- **B6 三大定律的条件辨析**:逐条核对"独立?同分布?期望存在?方差有界?"四格表,缺一不可。**坑**:把"独立"当成"同分布"。 +- **B7 切比雪夫大数定律的证明模板**:不相关 ⟹ $D\left(\frac1n\sum X_i\right)=\frac1{n^2}\sum DX_i\le\frac Cn\to0$,再套不等式 + 夹逼。**这是唯一可能考证明的地方**。 +- **B8 中心极限的"和"与"均值"互化**:$\overline X=\frac1n\sum X_i$,$\overline X\approx N\left(\mu,\frac{\sigma^2}{n}\right)$——题目问 $\overline X$ 时别忘除 $n$。 +- **B9 $\varPhi$ 的三条恒等式**:$\varPhi(-z)=1-\varPhi(z)$,$P\{Z>z\}=1-\varPhi(z)$,$P\{\lvert Z\rvert\le z\}=2\varPhi(z)-1$。**查表题几乎全靠这三条**。 +- **B10 正态近似 vs 泊松近似的选择**:先看 $p$——$p\le0.1$ 且 $np$ 适中选泊松;$p$ 居中选正态。**选错方向会算出一个"看起来对"的错答案**。 + +## 6 题目清单(21 题,纯题干,按在学练习上/下两讲分册) + +> 编号沿用「在学练习」:第5讲上(`02`–`04` 对应点 1–3,14 题)与第5讲下(`02`–`04` 对应点 1–3,7 题)。**只列题干,不给答案**。 + +### 上篇 · 大数定律(14 题) + +#### 点 1 依概率收敛(题 1–3) + +- **题 1 · 1.1:按定义验证依概率收敛(★☆☆)**: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 $EX_n$ ,判断它是否趋于 $0$ ;(Ⅲ)由(Ⅰ)(Ⅱ)能得出什么结论? +- **题 2 · 1.2:只控制概率、不控制数值(★★☆)**:设随机变量序列 $\{X_n\}$ 满足$P\left\{X_n=n^2\right\}=\frac1n,\qquad P\{X_n=0\}=1-\frac1n\quad(n=1,2,\cdots).$(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;(Ⅱ)求 $EX_n$ ,判断它是否收敛;(Ⅲ)把 $n^2$ 换成 $n$ 后 $EX_n$ 又如何?据此说明依概率收敛"管得住什么、管不住什么"。 +- **题 3 · 1.3:四则运算与连续映射(★★☆)**:设 $X_n\overset{P}{\longrightarrow}2$ 、$Y_n\overset{P}{\longrightarrow}-1$ 。写出下列各式依概率收敛的极限,并指出哪些需要额外条件才成立:(Ⅰ)$X_n+Y_n$ ;(Ⅱ)$X_nY_n$ ;(Ⅲ)$\dfrac{X_n}{Y_n}$ ;(Ⅳ)$\sqrt{X_n}$ ;(Ⅴ)$\ln X_n$ 。 + +#### 点 2 切比雪夫不等式(题 1–5) + +- **题 1 · 2.1:直接套式与两个方向(★☆☆)**:设随机变量 $X$ 满足 $EX=5$ 、$DX=2$ 。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;(Ⅲ)若想使 $P\{\lvert X-5\rvert\ge\varepsilon\}\le0.05$ ,$\varepsilon$ 至少取多少? +- **题 2 · 2.1:二项分布上的估计(★★☆)**:设 $X\sim B(1000,\ 0.5)$ 。用切比雪夫不等式估计 $P\{4500$ ,用切比雪夫不等式给出$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}$的上界。 +- **题 5 · 2.2:两个变量的差(★★☆)**:设 $X,Y$ 满足 $EX=EY$ 、$DX=DY=1$ 、$\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。 + +#### 点 3 三条大数定律(题 1–6) + +- **题 1 · 3.1:三个平均值都收敛到自己的期望(★☆☆)**:设 $X_1,X_2,\cdots,X_n$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2$ 。又设 $A$ 在每次试验中发生的概率为 $p$ ,$\nu_n$ 为 $n$ 次试验中 $A$ 发生的次数。写出下列三个量的依概率极限,并各自说明依据:(Ⅰ)$\dfrac1n\sum\limits_{i=1}^{n}X_i$ ;(Ⅱ)$\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ ;(Ⅲ)$\dfrac{\nu_n}{n}$ 。 +- **题 2 · 3.2:切比雪夫大数定律的证明(★★★)**:设随机变量序列 $X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ ,使 $DX_i\le C$ ($i=1,2,\cdots$ )。证明:对任意 $\varepsilon>0$ ,$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$ +- **题 3 · 3.2:条件辨析,谁不满足(★★★)**:设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立,且 $X_n\sim E(n)$ (参数为 $n$ 的指数分布)。下列随机变量序列中,**不**满足切比雪夫大数定律条件的是( )。(A)$X_1,\ \dfrac12X_2,\ \cdots,\ \dfrac1nX_n,\ \cdots$(B)$X_1,\ X_2,\ \cdots,\ X_n,\ \cdots$(C)$X_1,\ 2X_2,\ \cdots,\ nX_n,\ \cdots$(D)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$ +- **题 4 · 3.3:用伯努利定律反解试验次数(★★☆)**:反复抛一枚均匀硬币,记 $\nu_n$ 为 $n$ 次中出现正面的次数。问 $n$ **至少**取多少,才能用切比雪夫不等式保证$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$ +- **题 5 · 3.4:辛钦定律的条件够不够(★☆☆)**:将一枚均匀骰子独立重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。(Ⅰ)$\bar X$ 依概率收敛于何值?依据哪条定律?条件是否满足?(Ⅱ)若改为考察 $\dfrac1n\sum\limits_{i=1}^{n}X_i^2$ ,它收敛于何值? +- **题 6 · 3.5:三条定律的条件对照(★★☆)**:(Ⅰ)设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^{n}X_i$ 依概率收敛于其数学期望,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(Ⅱ)说明(A)(B)(D)为什么都不够,各举一个反例。 + +### 下篇 · 中心极限定理(7 题) + +#### 点 1 列维-林德伯格定理(题 1–3) + +- **题 1 · 1.1:和的正态近似(★☆☆)**:设 $X_1,X_2,\cdots,X_{900}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{900}X_i\le465\right\}$ 的近似值(用 $\Phi$ 表示)。 +- **题 2 · 1.2:四个步骤与两个方向(★★☆)**:设 $X_1,X_2,\cdots,X_{48}$ 独立同分布,均服从 $U(0,1)$ 。(Ⅰ)求 $E\left(\sum X_i\right)$ 、$D\left(\sum X_i\right)$ 与 $\sigma_{\sum}$ ;(Ⅱ)用中心极限定理求 $P\left\{22<\sum\limits_{i=1}^{48}X_i<26\right\}$ 的近似值;(Ⅲ)求 $P\left\{\sum\limits_{i=1}^{48}X_i>27\right\}$ 的近似值。 +- **题 3 · 1.3:反解样本量(★★★)**:某型号零件的寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}\ge0.95 .$(已知 $\Phi(1.645)=0.95$ ) + +#### 点 2 棣莫弗-拉普拉斯定理(题 1–2) + +- **题 1 · 2.1:把二项装进四步模板(★★☆)**:设 $X\sim B(600,\ 0.4)$ 。用棣莫弗-拉普拉斯定理求:(Ⅰ)$P\{X\le252\}$ 的近似值;(Ⅱ)$P\{228\le X\le252\}$ 的近似值;(Ⅲ)说明 $P\{X\le252\}$ 与"$600$ 个 $B(1,0.4)$ 之和 $\le252$ "的列维-林德伯格近似为什么必然相同。 +- **题 2 · 2.2:修正前后差多少(★★☆)**:设 $X\sim B(30,\ 0.4)$ 。(Ⅰ)不作连续性修正,用棣莫弗-拉普拉斯定理估计 $P\{X\le15\}$ ;(Ⅱ)作连续性修正后重新估计;(Ⅲ)已知精确值 $P\{X\le15\}=0.9029$ ,比较两种近似,并说明 $n$ 多大时可以不修正。 + +#### 点 3 三种近似辨析(题 1–2) + +- **题 1 · 3.1:四个场景,各选一种近似(★★☆)**:下列四个问题,分别指出该用哪一种近似(正态 / 泊松 / 都不适用),并写出判据:(Ⅰ)$X\sim B(600,\ 0.4)$ ,求 $P\{X\le252\}$ ;(Ⅱ)$T\sim B(20,\ 0.1)$ ,求 $P\{T\le1\}$ ;(Ⅲ)$T\sim B(200,\ 0.02)$ ,求 $P\{T\ge3\}$ ;(Ⅳ)$X\sim E(1)$ ,求 $P\{X>5\}$ 。 +- **题 2 · 3.2:泊松近似与正态近似的正面比较(★★☆)**:设 $X_1,X_2,\cdots,X_{20}$ 独立同分布,均服从 $B(1,\ 0.1)$ ,令 $T=\sum\limits_{i=1}^{20}X_i$ 。(Ⅰ)用泊松近似求 $P\{T\le1\}$ ;(Ⅱ)若改用正态近似(作连续性修正),结果是多少?(Ⅲ)已知精确值 $P\{T\le1\}=0.3917$ ,比较两者并说明原因。 --- -> **回查入口**:在学练习 [第5讲上 大数定律](../在学练习/概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../在学练习/概率论-第5讲下-中心极限定理/README.md)(CLT / 棣莫弗-拉普拉斯 / 三种近似);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。 +> **回查入口**:在学练习 [第5讲上 大数定律](../在学练习/概率论-第5讲上-大数定律/README.md)(依概率收敛 / 切比雪夫 / 三条大数定律)、[第5讲下 中心极限定理](../在学练习/概率论-第5讲下-中心极限定理/README.md)(CLT / 棣莫弗-拉普拉斯 / 三种近似);参考仓库 `knowledge/4-law-of-large-numbers-and-central-limit-theorem`、`exercise/4`、`knowledge/3 §切比雪夫不等式`。 diff --git a/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md b/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md index 95dbf69..8c77cbb 100644 --- a/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md +++ b/基于考研的学习/数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md @@ -1,180 +1,456 @@ --- tags: [数学一, 知识点构建, 背诵版, 概率论, 数理统计] -专题: 概率论 第6讲 · 数理统计 · 背诵版 +专题: 概率论 · 第6讲 数理统计 · 背诵版 日期: 2026-10-27 -状态: 背诵版 v1(考点完整呈现 + 18 题清单,无解答);**待重出**:在学练习第 6 讲已于 2026-11-07 重构为 26 题,本页题目清单仍是旧 18 题 -来源: 在学练习/概率论-第6讲-数理统计 | 参考仓库 Math/probability-theory-and-mathematical-statistics -关联笔记: ["[[README]]", "[[../在学练习/概率论-第6讲-数理统计/README]]"] +更新: 2026-11-08(v2 重构:分块排版 + 置信区间/检验表统一符号 + 真题地图对齐 sqlite + 纯题干题单) +状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 26 题纯题干清单;题单已对齐在学练习八点分册) +来源: 在学练习/概率论-第6讲-数理统计(八点分册 26 题)| 参考仓库 knowledge/5-mathematical-statistics + exercise/5|真题库 kaoyan_math1.db(chapter 20/21/22) +关联笔记: ["[[README]]", "[[18-背诵版-概率论-第4讲-数字特征]]", "[[19-背诵版-概率论-第5讲-大数定律与中心极限定理]]"] --- -# 概率论 第6讲 · 数理统计 · 背诵版 +# 概率论 · 第6讲 数理统计 · 背诵版 -> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。 -> **题源**:旧版在学练习 `02-试题`(18 题:A 组 1–6 / B 组 7–14 / C 组 15–18),编号沿用原题号。**该文件已于 2026-11-07 重构删除**,下表的 18 题作为回忆自测清单保留;重构后的 26 题(八点分册)见在学练习第 6 讲各点文件,编号体系不同、题目也不重合。考点出处标注参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。 +> **范围**:参考仓库 `knowledge/5-mathematical-statistics`(总体与样本、统计量、三大分布、点估计、区间估计、假设检验、两类错误)+ `exercise/5`。 +> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 -## 0. 本讲骨架(先背这张图) +## 0 骨架(先背这张图) -**一句话概括**:**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**),再用工具反推总体未知参数(**点估计 → 区间估计 → 假设检验**)。 +### 0.1 一句话与六节地图 -**三条主线**:① **独立性**(简单随机样本 = i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。 +**一句话**:**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**),再用工具反推总体参数(**点估计 → 区间估计 → 假设检验**)。 -**真题地位**:真题库第 20/21/22 章合计 **15 题、116 分**;其中**参数估计(第 21 章)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**(10 题里 8 题涉及 MLE)。区间估计、假设检验、两类错误**仅数学一**考,且只出选填。**「铁打的 22 题」**:每年解答题第 22(23)题基本固定考参数估计。 +**六节地图**: -**六节地图**:§1 总体与样本(冷门)→ §2 统计量及其分布(三大分布 + 正态抽样分布,隔年选填)→ §3 **参数的点估计(年年必考解答题)**→ §4 区间估计(仅数一)→ §5 假设检验(仅数一)→ §6 两类错误(仅数一)。 +| 节 | 内容 | 分量 | +|---|---|---| +| §1 | 总体、样本、经验分布 | 冷门(只作起手) | +| §2 | 统计量与抽样分布(三大分布 + 正态总体) | 选填常客 | +| §3 | **参数点估计**(矩估计、MLE、评价标准) | **年年解答题,本讲命脉** | +| §4 | 区间估计(仅数一) | 选填 | +| §5 | 假设检验(仅数一) | 选填 | +| §6 | 两类错误(仅数一) | 选填 | -**考点树** +**三条主线**:① **独立性**(简单随机样本 $=$ i.i.d.);② **标准化**(拼 $\chi^2/t/F$);③ **矩替换**($\frac1n\sum X_i^k$ 换 $EX^k$)。 -| 节 | 考点(对应题目) | +**符号约定**(本讲统一): + +| 记号 | 含义 | |---|---| -| §1 总体与样本 | 简单随机样本、联合分布连乘、经验分布函数(题1 起手) | -| §2 统计量及其分布 ★ | 统计量定义、常用统计量、$\bar X/S^2$ 数字特征、$\chi^2/t/F$ 三大分布、单/两正态抽样分布、顺序统计量(题1–3、8、14) | -| §3 参数的点估计 ★★★ | 矩估计、MLE(可微/不可微/不变性)、无偏/有效/一致/MSE(题4–8、12、13、15–17) | -| §4 区间估计 | 枢轴变量法、单总体四大表、两总体两类(题9) | -| §5 假设检验 | 四步、三类拒绝域、单总体六大表、两总体三类(题10、18) | -| §6 两类错误 | $\alpha$/$\beta$ 定义与计算、$\alpha\beta$ 关系(题11、18) | +| $u_\alpha$ | 标准正态**上侧** $\alpha$ 分位点:$P\{Z>u_\alpha\}=\alpha$ | +| $\chi^2_\alpha(n)$、$t_\alpha(n)$、$F_\alpha(n_1,n_2)$ | 同为**上侧**分位点 | +| $\overline X$、$S^2$ | 样本均值、样本方差($S^2=\frac1{n-1}\sum(X_i-\overline X)^2$) | +| $B_2$ | 二阶中心矩 $\frac1n\sum(X_i-\overline X)^2$(**有偏**) | -## 1. §1 总体与样本 +### 0.2 十年真题地图(sqlite,2016–2025) -总体 = 研究对象全体(数学上是一个随机变量 $X$);个体 = 每个元素;**简单随机样本 = $n$ 个相互独立且与总体同分布**的 $(X_1,\dots,X_n)$——「概率论里的 i.i.d.」即「数理统计里的简单随机样本」。**样本联合分布(核心)**:$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)$(离散同理)——独立性使 $n$ 维联合分布 = 一维分布连乘,这是 MLE 的根。经验分布函数 $\hat F_n(x)=\frac{\text{样本中}\le x\text{的个数}}n$(了解);格利文科定理:$\sup_x|\hat F_n(x)-F(x)|\xrightarrow{\text{a.s.}}0$。 +| 年份·题号 | 考点 | 分值 | 归属 | +|---|---|---|---| +| 2025·22 | 复合分布 + 泊松分解(理赔模型) | 12 | §2/§3 综合 | +| 2025·10 | 单侧假设检验的拒绝域 | 5 | §5 | +| 2024·22 | 次序统计量无偏 + MSE 最小 | 12 | §3.3 | +| 2023·10 | 无偏估计反定常数 | 5 | §3.3 | +| 2023·9 | 两正态总体方差比的 $F$ 分布 | 5 | §2.5 | +| 2022·22 | 两样本泊松的 MLE 与 $D(\hat\theta)$ | 12 | §3.2 | +| 2021·10 | 第二类错误概率 | 5 | §6 | +| 2021·9 | 无偏性 + $D(\hat\theta)$(二元正态) | 5 | §3.3 | +| 2020·23 | 威布尔型 $F(t)$ 的无记忆性 + MLE | 11 | §3.2 | +| 2019·23 | 半正态密度求常数 + MLE | 11 | §3.2 | +| 2018·23 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | 11 | §3.2 | +| 2018·8 | 显著性水平与拒绝/接受的关系 | 4 | §5/§6 | +| 2017·23 | 绝对误差的矩估计 + MLE | 11 | §3.1/§3.2 | +| 2017·8 | $\chi^2$ 分布的四个结论辨析 | 4 | §2.4 | +| 2016·23 | 次序统计量 $T=\max$ + 无偏定 $a$ | 11 | §2.6/§3.3 | +| 2016·14 | 置信区间(给上限反求下限) | 4 | §4 | -## 2. §2 统计量及其分布 +> **命题规律**:**"铁打的 22 题"**——每年解答题第 22(或 23)题基本固定围绕参数估计:**近十年 8 道解答题,5 道直接考 MLE**(2017、2018、2019、2020、2022),另 3 道考无偏与 MSE(2016、2024)或复合分布(2025)。选填则轮流考:$F$ 分布(2023·9)、无偏定常数(2023·10)、两类错误(2021·10)、拒绝域(2025·10)。**MLE 是必须拿满分的一块**。 -### 2.1 统计量定义(判断题高频) +### 0.3 考点树(与在学练习八点分册一一对应) -$g(X_1,\dots,X_n)$ 中**不含任何未知参数**($\mu$、$\sigma$)才是统计量。判断口诀:**「能不能算出来」**。例:$\sum X_i$、$\max X_i$ 是;$\sum(X_i-\mu)^2$、$\frac{X_1-\mu}{\sigma}$ 不是。 +| 节 | 考点 | 在学练习 | 题数 | +|---|---|---|---| +| §1 | 总体与样本、统计量定义、常用统计量、经验分布 | 点 1 | 3 | +| §2.4 | 三大抽样分布 $\chi^2/t/F$ | 点 2 | 3 | +| §2.5 | 正态总体的抽样分布(单/两总体) | 点 3 | 3 | +| §3.1 | 矩估计 | 点 4 | 2 | +| §3.2 | 极大似然估计(含不可微与两样本) | 点 5 | 4 | +| §3.3 | 评价标准:无偏 / 有效 / 一致 / MSE | 点 6 | 4 | +| §4 | 区间估计(枢轴变量法、四表) | 点 7 | 3 | +| §5–§6 | 假设检验与两类错误 | 点 8 | 4 | -### 2.2 常用统计量与恒等式 +## 1 总体、样本与统计量(点 1) -样本均值 $\bar X=\frac1n\sum X_i$;样本方差 $S^2=\frac1{n-1}\sum(X_i-\bar X)^2$;样本 $k$ 阶原点矩 $A_k=\frac1n\sum X_i^k$、中心矩 $B_k=\frac1n\sum(X_i-\bar X)^k$。**恒等式**:$\sum(X_i-\bar X)^2=\sum X_i^2-n\bar X^2$。 +### 1.1 基本概念 -### 2.3 $\bar X$ 与 $S^2$ 的数字特征(必背) +| 概念 | 定义 | +|---|---| +| 总体 | 研究对象的全体;**数学上就是一个随机变量 $X$** | +| 个体 | 总体的每个元素 | +| 简单随机样本 | $n$ 个**相互独立且与总体同分布**的 $X_1,\dots,X_n$ | +| 样本值 | 一次具体观测得到的一组数 $x_1,\dots,x_n$ | -$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2.$$ +**一句话**:**"概率论里的 i.i.d." $=$ "数理统计里的简单随机样本"**。 -**为什么除以 $n-1$**:用 $\bar X$ 代替 $\mu$ 损失 1 个自由度,$E[\frac1n\sum(X_i-\bar X)^2]=\frac{n-1}{n}\sigma^2$(有偏)——**$n-1$ 是为了无偏性**(也解释了 $\chi^2$ 里 $n-1$)。 +### 1.2 样本的联合分布(MLE 的根基) + +$$f(x_1,\dots,x_n)=\prod_{i=1}^nf(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^np(x_i).$$ + +独立性把 $n$ 维联合分布化成一维连乘——**所有似然函数都长这样**。 + +### 1.3 经验分布函数 + +$\hat F_n(x)=\dfrac{\#\{i:X_i\le x\}}{n}$。格利文科定理:$\sup_x\lvert\hat F_n(x)-F(x)\rvert\to0$(几乎必然)。**了解即可**,考研不单独考。 + +## 2 三大抽样分布与正态总体抽样(点 2–3) + +### 2.1 统计量的定义(判断题高频) + +$g(X_1,\dots,X_n)$ 是统计量 $\iff$ **表达式中不含任何未知参数**。 + +| 例子 | 是否统计量 | +|---|---| +| $\sum X_i$、$\overline X$、$S^2$、$\max X_i$ | ✓ | +| $\sum(X_i-\mu)^2$($\mu$ 未知) | ✗ | +| $\frac{X_1-\mu}{\sigma}$($\mu,\sigma$ 未知) | ✗ | + +**判断口诀**:**"能不能用样本算出来"**——算不出来就不是。 + +### 2.2 常用统计量 + +| 名称 | 公式 | +|---|---| +| 样本均值 | $\overline X=\dfrac1n\sum_{i=1}^nX_i$ | +| 样本方差 | $S^2=\dfrac1{n-1}\sum_{i=1}^n(X_i-\overline X)^2$ | +| 样本 $k$ 阶原点矩 | $A_k=\dfrac1n\sum X_i^k$ | +| 样本 $k$ 阶中心矩 | $B_k=\dfrac1n\sum(X_i-\overline X)^k$ | + +**恒等式**:$\sum(X_i-\overline X)^2=\sum X_i^2-n\overline X^2$(方差题必用)。 + +### 2.3 $\overline X$ 与 $S^2$ 的数字特征(必背) + +$$E\overline X=\mu,\qquad D\overline X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$ + +**为什么除以 $n-1$**:$E\left[\frac1n\sum(X_i-\overline X)^2\right]=\frac{n-1}{n}\sigma^2$(有偏),故乘 $\frac{n}{n-1}$ 才无偏——**$n-1$ 是为了无偏性**,这也解释了 $\chi^2$ 的自由度为何是 $n-1$。 ### 2.4 三大抽样分布 -- **$\chi^2$**:$X_1,\dots,X_n$ 独立 $\sim N(0,1)$ ⟹ $\chi^2=\sum X_i^2\sim\chi^2(n)$。性质:可加性(独立 $\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$);$E\chi^2(n)=n$、$D\chi^2(n)=2n$;**分布不对称**,上下分位点分别查。 -- **$t$**:$X\sim N(0,1)$、$Y\sim\chi^2(n)$ 独立 ⟹ $t=\frac{X}{\sqrt{Y/n}}\sim t(n)$。性质:密度**偶函数、关于 $y$ 轴对称、比标准正态矮胖(尾厚)**;$n$ 大近似 $N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$。用途:$\sigma$ 未知时用 $S$ 代替。 -- **$F$**:$U\sim\chi^2(n_1)$、$V\sim\chi^2(n_2)$ 独立 ⟹ $F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2)$。性质:$\frac1F\sim F(n_2,n_1)$;$F_{1-\alpha}(n_1,n_2)=\frac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**($n_1$ 分子、$n_2$ 分母)。 +| 分布 | 构造 | 期望 / 方差 | 关键性质 | +|---|---|---|---| +| $\chi^2(n)$ | $X_1,\dots,X_n$ 独立 $\sim N(0,1)$,$\chi^2=\sum X_i^2$ | $n$ / $2n$ | **可加**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$;**不对称**,上下分位点分别查 | +| $t(n)$ | $X\sim N(0,1)$,$Y\sim\chi^2(n)$ 独立,$t=\dfrac{X}{\sqrt{Y/n}}$ | $0$ / $\frac{n}{n-2}$ | 密度**偶函数**、比标准正态**尾厚**;$n$ 大时 $\approx N(0,1)$;$t_{1-\alpha}(n)=-t_\alpha(n)$;$t^2\sim F(1,n)$ | +| $F(n_1,n_2)$ | $U\sim\chi^2(n_1)$,$V\sim\chi^2(n_2)$ 独立,$F=\dfrac{U/n_1}{V/n_2}$ | — | $\frac1F\sim F(n_2,n_1)$,$F_{1-\alpha}(n_1,n_2)=\dfrac1{F_\alpha(n_2,n_1)}$;**两个自由度顺序不能反**(分子在前) | ### 2.5 正态总体下的抽样分布(本节最重要) -**(一)单个正态总体(四条定理,$\bar X$、$S^2$ 来自 $N(\mu,\sigma^2)$)** +**(一)单个正态总体** $X_1,\dots,X_n\sim N(\mu,\sigma^2)$: -① $\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$;② $\frac1{\sigma^2}\sum(X_i-\mu)^2\sim\chi^2(n)$($\mu$ 已知);③ $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$($\mu$ 未知);④ $\bar X$ 与 $S^2$ **相互独立**,且 $\frac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$($\sigma$ 未知);⑤ $\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,n-1)$。 +| # | 统计量 | 分布 | 前提 | +|---|---|---|---| +| ① | $\dfrac{\overline X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ | $\sigma$ 已知 | +| ② | $\dfrac1{\sigma^2}\sum(X_i-\mu)^2$ | $\chi^2(n)$ | **$\mu$ 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 | -口诀:**②→③「$\mu$ 换成 $\bar X$,自由度减一」**;**①→④「$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$」**。④ 的独立性是**正态总体独有**(一般总体不成立),必须记住。 +**两句口诀**:②→③「**$\mu$ 换成 $\overline X$,自由度减一**」;①→④「**$\sigma$ 换成 $S$,正态换 $t$,自由度 $n-1$**」。 -**(二)两个正态总体($X_1,\dots,X_m\sim N(\mu_1,\sigma_1^2)$、$Y_1,\dots,Y_n\sim N(\mu_2,\sigma_2^2)$ 独立)** +> **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),也是拼 $t$ 分布的前提。 -① $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$;② $\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$(🟨2023·9 考点);③ $\sigma_1^2=\sigma_2^2$ 时 $\frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$,合并方差 $S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。 +**(二)两个正态总体**($X\sim N(\mu_1,\sigma_1^2)$ 取 $m$ 个,$Y\sim N(\mu_2,\sigma_2^2)$ 取 $n$ 个,相互独立): -**(三)拼装三大分布三步法**: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($\chi^2$ 加、$t$ 除根号、$F$ 上下除各自自由度)。**三个恒定陷阱**:忘标准化就平方(系数不对不是 $\chi^2$);分子分母共用同一 $X_i$ 不独立;自由度算错。 +| # | 统计量 | 分布 | +|---|---|---| +| ① | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ | +| ② | $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}$ | $F(m-1,n-1)$ | +| ③ | $\dfrac{(\overline X-\overline Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/m+1/n}}$($\sigma_1^2=\sigma_2^2$) | $t(m+n-2)$ | + +合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$。 + +**(三)拼装三大分布的三步法**:① 算线性组合的均值与方差;② 标准化得 $N(0,1)$,平方得 $\chi^2(1)$;③ 按定义拼($\chi^2$ 相加、$t$ 除根号、$F$ 上下除各自自由度)。 + +**三个恒定陷阱**:忘标准化就平方(系数不对,不是 $\chi^2$)|分子分母共用同一个 $X_i$(不独立,拼不出 $t$ 或 $F$)|自由度算错。 ### 2.6 顺序统计量 -$X_{(1)}=\min$、$X_{(n)}=\max$。**最值分布(背下来)**:$F_{(n)}(x)=[F(x)]^n$、$f_{(n)}(x)=n[F(x)]^{n-1}f(x)$;$F_{(1)}(x)=1-[1-F(x)]^n$、$f_{(1)}(x)=n[1-F(x)]^{n-1}f(x)$。**常用期望**(上限型分布):$X\sim U(0,\theta)$ 时 $EX_{(n)}=\frac{n}{n+1}\theta$、$EX_{(n)}^2=\frac{n}{n+2}\theta^2$;$f(x)=\frac{2x}{\theta^2}$ 时 $EX_{(n)}=\frac{2n}{2n+1}\theta$、$EX_{(n)}^2=\frac{2n}{2n+2}\theta^2$;一般式:$f(x)=\frac{kx^{k-1}}{\theta^k}$ 时 $EX_{(n)}=\frac{kn}{kn+1}\theta$。 +$X_{(1)}=\min\{X_i\}$,$X_{(n)}=\max\{X_i\}$。设总体分布函数 $F$、密度 $f$: -## 3. §3 参数的点估计(分值最重) +$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x),$$ -> **点估计 = 造统计量 $\hat\theta(X_1,\dots,X_n)$ 去「顶替」未知参数 $\theta$**。两种造法:矩估计与极大似然。 +$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$ + +**上限型分布的 $\max$ 期望**(无偏题必背): + +| 总体密度 | $E X_{(n)}$ | +|---|---| +| $U(0,\theta)$:$f=\frac1\theta$ | $\dfrac{n}{n+1}\theta$ | +| $f=\dfrac{2x}{\theta^2}$($0 **点估计 = 造一个统计量 $\hat\theta(X_1,\dots,X_n)$ 去"顶替"未知参数 $\theta$**。两种造法:矩估计、极大似然。 ### 3.1 矩估计法 -**思想**:用样本矩替换总体矩(大数定律保证)。步骤:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶、两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。两参数模板:$\hat\mu=\bar X$、$\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2$。⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$——只有 $S^2$ 无偏**。 +**思想**:用样本矩替换总体矩(大数定律保证)。 + +**三步**:① 写含 $\theta$ 的总体矩 $EX^k$(一个参数用一阶,两个参数用一、二阶);② 令 $EX^k=A_k=\frac1n\sum X_i^k$;③ 解出 $\hat\theta$。 + +**两参数模板**:$\hat\mu=\overline X$,$\hat\sigma^2=B_2=\frac1n\sum(X_i-\overline X)^2$。 + +> ⚠️ **矩估计的方差是 $B_2$(除以 $n$),不是 $S^2$**——只有 $S^2$ 无偏。 ### 3.2 最大似然估计(MLE) -**思想**:选让这组样本出现概率最大的 $\theta$。**常规可微四步**:① 写似然 $L(\theta)=\prod f(x_i;\theta)$(离散用 $\prod p$);② 取对数(连乘变连加,$\ln$ 单调不减保极值点);③ 求导令零;④ 解出并写大写 $\hat\theta(X_1,\dots,X_n)$。 +**思想**:选让这组样本**出现概率最大**的 $\theta$。 -**不可微/单调情形(每年必有一道)**:$L$ 关于 $\theta$ 单调(支撑集含 $\theta$)时 $\hat\theta$ 是**取值边界**:$X\sim U(0,\theta)$ ⟹ $\hat\theta=X_{(n)}=\max X_i$;$U(\theta_1,\theta_2)$ ⟹ $\hat\theta_1=X_{(1)}$、$\hat\theta_2=X_{(n)}$。口诀:**「能求导就求导;不能求导看单调,往边界上找。」** +**常规可微四步**: -**三类高频载体(记住结果)**:拉普拉斯 $\frac1{2\lambda}e^{-|x|/\lambda}$:矩估计 = MLE = $\frac1n\sum|X_i|$;均匀 $U(0,\theta)$:矩估计 $=2\bar X$、MLE $=X_{(n)}$;幂型 $f=\theta x^{\theta-1}$($0\theta$) | 支撑要求 $\theta<\min X_i$,$L=\theta^n/\prod x_i^2$ 随 $\theta$ 递增 ⟹ $\hat\theta=X_{(1)}$ | -### 3.3 评价标准 +**口诀**:**"能求导就求导;不能求导看单调,往边界上找。"** -- **无偏性**(考得最多):$E\hat\theta=\theta$。传播法则 $E(a\hat\theta+b)=a\theta+b$。常见:$E\bar X=\mu$、$ES^2=\sigma^2$ 无偏;$B_2$ 有偏。 -- **有效性**:都无偏时方差越小越有效($D\hat\theta_1 ⚠️ **无偏性没有不变性**:$E\hat\theta=\theta$ 推不出 $E[g(\hat\theta)]=g(\theta)$(例:$S=\sqrt{S^2}$ 不是 $\sigma$ 的无偏估计)。**"MLE 有不变性、无偏性没有"是常考辨析。** + +### 3.3 评价估计量的四个标准 + +| 标准 | 定义 | 速记 | +|---|---|---| +| **无偏性** | $E\hat\theta=\theta$ | 管"准不准"(没有系统偏差) | +| **有效性** | 都无偏时,$D\hat\theta$ 越小越有效 | 管"稳不稳"(波动小) | +| **一致性(相合)** | $\hat\theta\xrightarrow{P}\theta$ | 管"样本多了会不会靠近" | +| **均方误差 MSE** | $h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2$ | 方差 + 偏差² | + +**无偏的四个常用结论**:$E\overline X=\mu$、$ES^2=\sigma^2$、$E B_2=\frac{n-1}{n}\sigma^2$(有偏)、$E(X_{(n)})=\frac{n}{n+1}\theta$(对 $U(0,\theta)$)。 + +**"定常数使无偏"的标准做法**:写出 $E(\text{统计量})=c\cdot\theta$,令 $c=1$ 反解常数。 + +**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,比的是 MSE(MSE 更小的有偏估计可能更好,2024·22 后半问就考这个)。 + +**MSE 最小的求法**:把 $h(c)$ 展开成 $c$ 的二次函数,求顶点 + +$$c^*=\frac{\theta\,E X_{(n)}}{E X_{(n)}^2},$$ + +**它一般不等于使无偏的 $\frac{n+1}{n}$**——这正是 2024·22 的考点。 + +## 4 区间估计(点 7,仅数学一) + +### 4.1 概念与正确理解 + +$$P\{\underline\theta<\theta<\overline\theta\}=1-\alpha .$$ + +$1-\alpha$ 为**置信度**,$\alpha$ 为**显著性水平**。 + +> **正确理解**:不是"$\theta$ 落在区间内的概率"($\theta$ 是常数,不是随机变量),而是"**反复抽样时,平均有 $100(1-\alpha)\%$ 的区间能盖住 $\theta$**"。 + +### 4.2 枢轴变量法(万能套路) + +① 找点估计($\overline X$、$S^2$ 或 MLE);② 造**枢轴量**(含未知参数,但分布已知且**与参数无关**:$N(0,1)$、$\chi^2$、$t$、$F$);③ 定分位点(双侧取 $\alpha/2$ 与 $1-\alpha/2$);④ 解不等式得区间。 + +### 4.3 单总体四大区间(必背表) | 待估参数 | 条件 | 枢轴量 | 置信区间 | |---|---|---|---| -| $\mu$ | $\sigma$ 已知 | $U=\frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm u_{\alpha/2}\frac{\sigma}{\sqrt n}$ | -| $\mu$ | $\sigma$ 未知 | $T=\frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n}$ | -| $\sigma^2$ | $\mu$ 已知 | $\frac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ | -| $\sigma^2$ | $\mu$ 未知 | $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ | +| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\overline X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ | +| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\overline X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ | +| $\sigma^2$ | $\mu$ 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 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ | -⚠️ **$\chi^2$ 区间两端分位点「反着放」**($\sigma^2$ 在分母且 $\chi^2$ 不对称:上分位点配下限、下分位点配上限)——最易抄错。读法:$\sigma$ 已知 → $U$;$\sigma$ 未知 → $t(n-1)$;$\mu$ 已知 → $\chi^2(n)$;$\mu$ 未知 → $\chi^2(n-1)$。 +**读法**:$\sigma$ 已知用 $U$,$\sigma$ 未知用 $t(n-1)$;$\mu$ 已知用 $\chi^2(n)$,$\mu$ 未知用 $\chi^2(n-1)$。 -**单侧置信区间**:单侧用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。🟨2016·14 考法:给 $\bar X$ 与置信上限反求下限——**「上限 + 下限 = $2\bar X$」(仅均值对称区间成立)**。 +> ⚠️ **$\chi^2$ 区间两端"反着放"**:因为 $\chi^2$ 不对称且 $\sigma^2$ 在分母——**大分位点配下限、小分位点配上限**。这是最易抄错的一处。 -**两总体区间估计(数一大纲要求、十年未考的高性价比冷门)**:均值差 $\mu_1-\mu_2$:方差已知用 $U$(半宽 $u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$,**两项都要**)、等方差未知用 $t(m+n-2)$($S_w\sqrt{\frac1m+\frac1n}$);方差比 $\frac{\sigma_1^2}{\sigma_2^2}$ 用 $F(m-1,n-1)$,**两端反着放**(大分位点配下限)。 +**单侧区间**:用 $u_\alpha$(不是 $u_{\alpha/2}$);同一置信度下单侧半宽更小。 +**2016·14 的速算**: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)。 -## 5. §5 假设检验(仅数学一) +### 4.4 两总体(数一要求,十年未考,性价比高) -**基本思想**:**小概率事件在一次试验中不应发生**——$H_0$ 成立时观测到小概率事件则拒绝 $H_0$。**四步**:① 提假设(「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 $U/T/\chi^2/F$);③ 定拒绝域($P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$);④ 算观测值下结论。 +| 对象 | 条件 | 枢轴量 | 区间 | +|---|---|---|---| +| $\mu_1-\mu_2$ | 方差已知 | $U$ | $(\overline X-\overline Y)\pm u_{\alpha/2}\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}$(**两项都要**) | +| $\mu_1-\mu_2$ | 等方差未知 | $t(m+n-2)$ | $(\overline X-\overline Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\frac1m+\frac1n}$ | +| $\frac{\sigma_1^2}{\sigma_2^2}$ | — | $F(m-1,n-1)$ | 两端反着放(大分位点配下限) | -**三类拒绝域方向**:双侧 $|\cdot|\ge$;右侧 $\ge$($H_1:\theta>\theta_0$);左侧 $\le$。口诀:**拒绝域跟着 $H_1$ 跑**。 +## 5 假设检验(点 8,仅数学一) -**单总体六大检验(速查表核心)**:$\mu$ 且 $\sigma$ 已知 → $U=\frac{\bar X-\mu_0}{\sigma_0/\sqrt n}$(拒绝域 $|u|\ge u_{\alpha/2}$ / $u\ge u_\alpha$ / $u\le-u_\alpha$);$\mu$ 且 $\sigma$ 未知 → $T=\frac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$;$\sigma^2$ 且 $\mu$ 已知 → $\chi^2=\frac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$;$\sigma^2$ 且 $\mu$ 未知 → $\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$($\chi^2$ 双侧拒绝域左尾右尾分别查,**不是对称写法**)。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:$\sigma^2=2$ 时标准差是 $\sqrt2$,别把方差当代入分母。 +### 5.1 基本思想 -**区间估计与假设检验的对偶**:置信度 $1-\alpha$ 的双侧置信区间 ⟺ 显著性水平 $\alpha$ 的双侧检验的接受域;**$\mu_0$ 落在区间内 ⟺ 不拒绝 $H_0$**。 +**小概率事件在一次试验中不应发生**:若 $H_0$ 成立时观测到的小概率事件发生了,就拒绝 $H_0$。 -**两总体检验(数一大纲要求)**:均值差 $\mu_1=\mu_2$:方差已知 $U=\frac{\bar X-\bar Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$、等方差未知 $T=\frac{\bar X-\bar Y}{S_w\sqrt{1/m+1/n}}\sim t(m+n-2)$;方差比 $\frac{\sigma_1^2}{\sigma_2^2}$:$F=\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$(**分子方差配 $m-1$、分母配 $n-1$,顺序别反**;$F$ 双侧两端分别查)。 +### 5.2 四步 -## 6. §6 两类错误(仅数学一) +① **提假设**:把"想否定的、需要保护的结论"放在 $H_0$(等号在 $H_0$ 里); +② **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U/T/\chi^2/F$; +③ **定拒绝域**:使 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$; +④ **算观测值、下结论**。 -**定义**:$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}$(**第一类错误·弃真**);$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}$(**第二类错误·存伪**)。一句话:**「拒真 = 第一类,纳伪 = 第二类」;$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算**。$H_1$ 通常是范围,$\beta$ 是关于 $\mu$ 的函数,**必须给定具体 $\mu$ 值才能算**(🟨2021·10)。 +### 5.3 拒绝域的方向(跟着 $H_1$ 跑) -**计算 $\beta$ 四步**:① 写拒绝域 $W$;② 写接受域 $\bar W$;③ **把分布换成 $H_1$ 下的分布**(均值/方差要换——$\beta$ 与 $\alpha$ 的本质区别);④ $\beta=P\{\text{统计量}\in\bar W\mid H_1\}$。模板:$W=\{\bar X\ge c\}$、$\mu=\mu_1$ 时 $\beta=\Phi(\frac{c-\mu_1}{\sigma/\sqrt n})$。 +| $H_1$ | 拒绝域形式 | +|---|---| +| $\theta\ne\theta_0$(双侧) | $\lvert\text{统计量}\rvert\ge$ 上侧 $\alpha/2$ 分位点 | +| $\theta>\theta_0$(右侧) | $\text{统计量}\ge$ 上侧 $\alpha$ 分位点(如 $u\ge u_\alpha$) | +| $\theta<\theta_0$(左侧) | $\text{统计量}\le$ 上侧 $\alpha$ 分位点的相反数(如 $u\le-u_\alpha$;$\chi^2\le\chi^2_{1-\alpha}$) | -**$\alpha$ 与 $\beta$ 的关系(必考辨析,🟨2018·8)**:样本量固定时 $\alpha\downarrow\Rightarrow\beta\uparrow$(此消彼长);**同时减小只能增大 $n$**;$\alpha$ 越小 ⟹ 临界值越远离 $\mu_0$ ⟹ 拒绝域越小。不等式记忆:$\alpha_1<\alpha_2$ 时拒绝域 $W(\alpha_1)\subset W(\alpha_2)$、接受域反之。**「小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。」** 显著性检验 = 只控制第一类错误(给定 $\alpha$,不控制 $\beta$)。 +### 5.4 单总体四种检验 -## 7. 十年真题地图(速览) +| 检验对象 | 条件 | 统计量 | 分布 | +|---|---|---|---| +| $\mu$ | $\sigma$ 已知 | $U=\dfrac{\overline X-\mu_0}{\sigma_0/\sqrt n}$ | $N(0,1)$ | +| $\mu$ | $\sigma$ 未知 | $T=\dfrac{\overline X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ | +| $\sigma^2$ | $\mu$ 已知 | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}$ | $\chi^2(n)$ | +| $\sigma^2$ | $\mu$ 未知 | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ | -第 20 章:2017·8($\chi^2$ 辨析)、2023·9($F$ 分布方差比)各 4–5 分选填。第 21 章(93 分,全章最重):2016·14 置信区间、2016·23 次序统计量+无偏、2017·23 绝对误差矩估计+MLE、2018·23 拉普拉斯 MLE、2019·23 半正态、2020·23 威布尔无记忆性+MLE、2021·9 无偏+D 方差、2022·22 两样本泊松 MLE、2023·10 无偏定常数、2024·22 $X_{(n)}$ 无偏 c+MSE 最小 c。第 22 章:2018·8 显著性水平关系、2021·10 第二类错误、2025·10 单侧拒绝域。**命题规律**:参数估计「铁打的 22 题」、MLE 统治(8/10 题)、无偏四年四道、假设检验三年一轮只考方向判断与概念。 +**口诀**:**$\sigma$ 知用 $U$、$\sigma$ 不知用 $T$;$\mu$ 知用 $\chi^2(n)$、$\mu$ 不知用 $\chi^2(n-1)$。** -## 8. 题目清单(18 题) +> 🟨 **2025·10 的坑**:题给的是**方差** $\sigma^2=2$,而 $U$ 的公式分母是**标准差** $\sqrt2$。把 2 直接当代入是本题唯一失分点。 -### A 组 · 基础(★☆☆) -- **题 1 · 统计量与常用统计量(A)**:样本观测值 $2,3,5,6,9$。(Ⅰ)求 $\bar X$、$S^2$、$B_2$;(Ⅱ)$\mu,\sigma^2$ 均未知时判断哪些是统计量:$\bar X+\mu$;$S^2$;$X_1+X_2-\mu$;$\max\{X_1,\dots,X_5\}$;$\sum(X_i-\mu)^2$(**含未知参数者不是**)。 -- **题 2 · 三大分布辨析与构造(A)**:$X_1,\dots,X_6\sim N(0,4)$,判断(Ⅰ)$Y_1=\frac14\sum X_i^2$($\chi^2(6)$);(Ⅱ)$Y_2=\frac{(X_1+X_2+X_3)^2}{12}$($\chi^2(1)$);(Ⅲ)$Y_3=\frac{\sqrt3X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$($t(3)$);(Ⅳ)$Y_4=2(X_1-X_2)^2$($\chi^2(1)$)各服从什么分布;不服从的说明理由。 -- **题 3 · 样本均值与样本方差的数字特征(A)**:(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;(Ⅱ)说明 $S^2$ 为何除 $n-1$ 而非 $n$(无偏性)。 -- **题 4 · 矩估计(A)**:$P\{X=-1\}=2\theta$、$P\{X=0\}=\theta$、$P\{X=1\}=1-3\theta$,求 $\theta$ 的矩估计量($EX=-2\theta+(1-3\theta)=1-5\theta=\bar X\Rightarrow\hat\theta=\frac{1-\bar X}{5}$)。 -- **题 5 · 极大似然估计(A)**:$f(x;\theta)=\theta x^{\theta-1}$($0 ⚠️ **$\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 $\lvert\cdot\rvert\ge$**。 -### B 组 · 中等(★★☆) -- **题 7 · 拉普拉斯分布 MLE+数字特征(B)**【真题骨架 2018·23】:$f(x;\lambda)=\frac1{2\lambda}e^{-|x|/\lambda}$。(Ⅰ)求 $\hat\lambda$($=\frac1n\sum|X_i|$);(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。 -- **题 8 · 次序统计量·最大值分布+无偏(B)**【真题骨架 2016·23】:$f(x;\theta)=\frac{2x}{\theta^2}$($02$。(Ⅰ)写拒绝域($\bar X\ge2+Z_\alpha\sqrt3/\sqrt n$);(Ⅱ)$n=12$、$\alpha=0.05$、$Z_{0.05}=1.645$ 求临界值 $c$。 -- **题 11 · 两类错误(B)**【真题骨架 2021·10】:$n=25$、$N(\mu,9)$,$H_0:\mu\le5$、$H_1:\mu>5$,$W=\{\bar X\ge6\}$。(Ⅰ)求第一类错误概率($\alpha=P\{\bar X\ge6\mid\mu=5\}=1-\Phi(\frac{6-5}{3/5})=1-\Phi(\frac53)$);(Ⅱ)$\mu=6.6$ 时求第二类错误概率($\beta=\Phi(\frac{6-6.6}{0.6})=\Phi(-1)$)。 -- **题 12 · 无偏性与有效性(B)**:$\hat\theta_1=\frac13(X_1+X_2+X_3)$、$\hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3$、$\hat\theta_3=\frac12X_1+\frac12X_2$。(Ⅰ)验证都无偏;(Ⅱ)比较有效性($D\hat\theta_1=\frac{\sigma^2}{3}$、$D\hat\theta_2=(\frac14+\frac19+\frac1{36})\sigma^2=\frac{7}{18}\sigma^2$、$D\hat\theta_3=\frac{\sigma^2}{2}$,$\hat\theta_1$ 最有效)。 -- **题 13 · 两样本泊松 MLE(B)**【真题骨架 2022·22】:$X_1,\dots,X_5\sim P(\lambda)$、$Y_1,\dots,Y_4\sim P(2\lambda)$ 独立,观测值 $(3,2,4,1,5)$、$(5,3,7,9)$。(Ⅰ)求 $\hat\lambda$($\frac{15+24}{5+8}=\frac{39}{13}=3$);(Ⅱ)写 $D(\hat\lambda)$ 表达式($\frac{\lambda}{n+2m}=\frac{\lambda}{13}$)。 -- **题 14 · 两正态总体方差比 F 分布(B)**【真题骨架 2023·9】:$X_i\sim N(\mu_1,\sigma^2)$、$Y_j\sim N(\mu_2,3\sigma^2)$,求 $c$ 使 $c\frac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ 并写自由度($\frac{S_1^2/\sigma^2}{S_2^2/3\sigma^2}\sim F$,故 $c=3$,$F(m-1,n-1)$)。 +### 5.5 区间估计与假设检验的对偶 -### C 组 · 拔高(★★★) -- **题 15 · 半正态分布·求常数+MLE(C)**【真题骨架 2019·23】:$f(x;\sigma)=\frac{A}{\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$($x\ge\mu$),$\mu$ 已知。(Ⅰ)求 $A$($\int_\mu^\infty$ 积分 = 标准正态半区 $\Rightarrow A=\sqrt{2/\pi}$);(Ⅱ)求 $\sigma^2$ 的 MLE。 -- **题 16 · 威布尔分布·无记忆性+MLE(C)**【真题骨架 2020·23】:$F(t)=1-e^{-(t/\theta)^m}$($t\ge0$)。(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$(**无记忆性**);(Ⅱ)$m$ 已知,求 $\theta$ 的 MLE。 -- **题 17 · 无偏+均方误差最小(C)**【真题骨架 2024·22】:$X\sim U(0,\theta)$,$T_c=cX_{(n)}$。(Ⅰ)求 $c$ 使 $T_c$ 无偏($\frac{n+1}{n}$);(Ⅱ)$h(c)=E(T_c-\theta)^2$,求 $c$ 使 $h(c)$ 最小(展开二次函数求顶点,**≠ 无偏的 $c$**)。 -- **题 18 · 假设检验概念综合(C)**【真题骨架 2018·8】:$H_0:\mu=\mu_0$、$H_1:\mu\ne\mu_0$,$W=\{|\bar X-\mu_0|\ge c\}$。(Ⅰ)判断(A)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必拒绝(**错**);(B)$\alpha=0.05$ 拒绝则 $\alpha=0.01$ 必接受(**错**);(C)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必拒绝(**错**);(D)$\alpha=0.05$ 接受则 $\alpha=0.01$ 必接受(**对**——大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受);(Ⅱ)$n=16$、$\sigma=2$、$\alpha=0.05$ 写拒绝域具体形式,并求 $\mu=\mu_0+1$ 时的第二类错误概率($\Phi$ 表示)。 +置信度 $1-\alpha$ 的双侧置信区间 $\iff$ 显著性水平 $\alpha$ 的双侧检验的**接受域**。 + +**一句话**:**$\mu_0$ 落在置信区间内 $\iff$ 不拒绝 $H_0$。** + +### 5.6 两总体检验(数一要求) + +| 对象 | 条件 | 统计量 | 分布 | +|---|---|---|---| +| $\mu_1=\mu_2$ | 方差已知 | $U=\dfrac{\overline X-\overline Y}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}$ | $N(0,1)$ | +| $\mu_1=\mu_2$ | 等方差未知 | $T=\dfrac{\overline X-\overline Y}{S_w\sqrt{1/m+1/n}}$ | $t(m+n-2)$ | +| $\sigma_1^2=\sigma_2^2$ | — | $F=\dfrac{S_1^2}{S_2^2}$ | $F(m-1,n-1)$ | + +> **顺序不能反**:分子方差配 $m-1$、分母配 $n-1$;$F$ 双侧两端分别查。 + +## 6 两类错误(点 8,仅数学一) + +### 6.1 定义 + +$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\}\quad(\text{第一类错误·弃真}),$$ + +$$\beta=P\{\text{接受}H_0\mid H_1\text{为真}\}\quad(\text{第二类错误·存伪}).$$ + +**一句话**:**"拒真 = 第一类,纳伪 = 第二类";$\alpha$ 在 $H_0$ 为真的世界里算,$\beta$ 在 $H_1$ 为真的世界里算。** + +> $H_1$ 通常是一个**范围**(如 $\mu>10$),所以 $\beta$ 是 $\mu$ 的函数——**必须给定具体的 $\mu$ 值才能算出 $\beta$**(2021·10 给了 $\mu=11.5$)。 + +### 6.2 计算 $\beta$ 的四步 + +① 写出拒绝域 $W$;② 写出接受域 $\overline W$;③ **把分布换成 $H_1$ 下的分布**(均值、方差都要换)——这是 $\beta$ 与 $\alpha$ 的本质区别;④ $\beta=P\{\text{统计量}\in\overline W\mid H_1\}$。 + +**模板**:$W=\{\overline X\ge c\}$,$H_1$ 下真值取 $\mu_1$ 时 + +$$\beta=P\{\overline X 编号沿用「在学练习」第6讲八点分册:`02`–`09` 对应点 1–8。**只列题干,不给答案**。 + +### 点 1 总体、样本与统计量(题 1–3) + +- **题 1 · 1.1:联合分布与两个词的用处(★☆☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;(Ⅱ)指出"独立"与"同分布"各自用在哪一步;(Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗? +- **题 2 · 1.2:统计量的三个基本期望(★★☆)**:设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$(Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;(Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;(Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量? +- **题 3 · 1.3:最大次序统计量(★★☆)**:设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。(Ⅰ)求 $X_{(n)}$ 的分布函数与密度;(Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;(Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。 + +### 点 2 三大抽样分布(题 1–3) + +- **题 1 · 2.1:平方和就是卡方(★☆☆)**:设 $X_1,\dots,X_5$ 独立同分布于 $N(0,1)$ 。记 $Q_1=\sum\limits_{i=1}^{5}X_i^{2}$ 。已知 $\chi^2_{0.05}(5)=11.07$ 、$\chi^2_{0.05}(10)=18.31$ 。(Ⅰ)指出 $Q_1$ 的分布,并求 $EQ_1$ 与 $DQ_1$ ;(Ⅱ)求 $P\{Q_1>11.07\}$ ;(Ⅲ)若 $X_6,\dots,X_{10}$ 也独立同分布于 $N(0,1)$ 且与前 5 个独立,指出 $Q_2=\sum\limits_{i=1}^{10}X_i^{2}$ 的分布,并说明 $Q_1$ 与 $Q_2-Q_1$ 是否独立。 +- **题 2 · 2.2:t 的构造与对称性(★★☆)**:设 $X\sim N(0,1)$ 、$Y\sim\chi^{2}(9)$ ,且 $X$ 与 $Y$ 相互独立。记 $T=\dfrac{X}{\sqrt{Y/9}}$ ,已知 $t_{0.025}(9)=2.262$ 。(Ⅰ)指出 $T$ 的分布;(Ⅱ)求 $P\{\lvert T\rvert>2.262\}$ 与 $P\{T>2.262\}$ ;(Ⅲ)指出 $T^{2}$ 的分布。 +- **题 3 · 2.3:F 的两个自由度与倒数互换(★★☆)**:设 $U\sim\chi^{2}(8)$ 、$V\sim\chi^{2}(12)$ ,且 $U$ 与 $V$ 相互独立。记 $F=\dfrac{U/8}{V/12}$ 。已知 $F_{0.05}(8,12)=2.85$ 、$F_{0.05}(12,8)=3.28$ 。(Ⅰ)指出 $F$ 的分布;(Ⅱ)求 $P\{F>2.85\}$ ,并写出用 $F_{0.95}(12,8)$ 表示 $F_{0.05}(8,12)$ 的关系式、算出 $F_{0.95}(12,8)$ 的值;(Ⅲ)若 $T\sim t(12)$ ,指出 $T^{2}$ 的分布,并与(Ⅰ)对照。 + +### 点 3 正态总体的抽样分布(题 1–3) + +- **题 1 · 3.1:四选一找错(★★☆)**:设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。(A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$(B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$(C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$(D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$ +- **题 2 · 3.1:用卡方算样本方差的概率(★★☆)**:设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求(Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;(Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;(Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。 +- **题 3 · 3.2:两总体的方差比(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。(Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?(Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?(Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。 + +### 点 4 矩估计(题 1–2) + +- **题 1 · 4.1:一阶矩就够的情形(★☆☆)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0-1 .$$X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。 +- **题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)**:(Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。(Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。 + +### 点 5 最大似然估计(题 1–4) + +- **题 1 · 5.1:指数分布与不变性(★★☆)**:设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。(Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;(Ⅱ)求 $P\{X>t\}$ 的最大似然估计;(Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同? +- **题 2 · 5.1:两组不同参数的泊松(★★☆)**:设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)判断 $\hat\theta$ 是否无偏;(Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么? +- **题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;(Ⅱ)求 $\theta$ 的最大似然估计;(Ⅲ)该估计量是否无偏?若无偏请修正。 +- **题 4 · 5.2:平方型密度与无偏修正(★★★)**:设总体 $X$ 的概率密度为$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 00\ \text{未知}.$$X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。(Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;(Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;(Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同? + +### 点 6 估计量的评价标准(题 1–4) + +- **题 1 · 6.1:无偏性反解系数(★★☆)**:设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。(Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;(Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?(Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。 +- **题 2 · 6.2:三个均值型估计谁更有效(★★☆)**:设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$(Ⅰ)验证三者都无偏;(Ⅱ)比较有效性,指出最有效的一个;(Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么? +- **题 3 · 6.3:相合性的证明与反例(★★☆)**:(Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。(Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。(Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。 +- **题 4 · 6.4:无偏不一定最好(★★★)**:设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$(Ⅰ)求使 $T_c$ 无偏的 $c$ ;(Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;(Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。 + +### 点 7 区间估计(题 1–3) + +- **题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)**:设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )(Ⅰ)求 $0.95$ 双侧置信区间的下限;(Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;(Ⅲ)说明为什么置信度降低时区间变窄。 +- **题 2 · 7.2:单总体的三种区间(★★☆)**:设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。(Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);(Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?(Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。 +- **题 3 · 7.3:两总体的均值差与方差比(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。(Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;(Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。 + +### 点 8 假设检验与两类错误(题 1–4) + +- **题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)**:设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验$H_0:\mu\le10,\qquad H_1:\mu>10,$拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。(Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;(Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;(Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;(Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。 +- **题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)**:(Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。(Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?(Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:(A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。 +- **题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)**:某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。(Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;(Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;(Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。 +- **题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)**:两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。(Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;(Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;(Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。 --- -> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]];八点分册见同目录 `02`—`09`(总体与统计量 / 三大分布 / 正态总体抽样分布 / 矩估计 / 最大似然 / 评价标准 / 区间估计 / 假设检验)。参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics` 与 `exercise/5-mathematical-statistics`。 +> **回查入口**:在学练习 [[../在学练习/概率论-第6讲-数理统计/README|第6讲 README]]、[[../在学练习/概率论-第6讲-数理统计/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第6讲-数理统计/10-速查卡|速查卡]],分册 `02`–`09` 对应点 1–8;参考仓库 `knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`。 diff --git a/基于考研的学习/数学一/知识点构建/README.md b/基于考研的学习/数学一/知识点构建/README.md index ea5c675..eb3482f 100644 --- a/基于考研的学习/数学一/知识点构建/README.md +++ b/基于考研的学习/数学一/知识点构建/README.md @@ -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 9/20 份) +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) 关联笔记: ["[[总览]]", "[[../在学练习/README]]"] --- @@ -77,7 +77,7 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC] | 8 无穷级数 | `knowledge/8-infinite-series`、`exercise/8-infinite-series` | [[08-背诵版-高等数学-无穷级数]] | ✅ 已出(42 题) | | 9 微分方程 | `knowledge/9-differential-equation`、`exercise/9-differential-equation` | [[09-背诵版-高等数学-微分方程]] | ✅ 已出(25 题) | -> 进度口径:已产出 **9/9 章**,高数补全完成。剩余主线任务为题型考点补全(08、11–13、15、17–20 待补)与在学练习后续讲次的跟随。 +> 进度口径:已产出 **9/9 章**,高数补全完成。剩余主线任务为题型考点补全(08、11–13、15 待补)与在学练习后续讲次的跟随。 ## 四·三、题型考点补全进度 @@ -95,9 +95,12 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC] | 09 | 微分方程 | 方程题型考点(一阶识别决策树、线性公式口诀、ln 正负号、设特解 k 判定、反推方程、隐含信息、几何建模) | ✅ 已补 | | 07 | 多元函数积分学 | 积分题型考点(选坐标系决策、换序触发信号、对称性三件套、二重极限三把刀、一重化二重、三重选系、格林挖洞、高斯补面、奇偶性反转) | ✅ 已补 | | 10 | 行列式 | 行列式题型考点(转三角、爪形消1、行列和为定值、伪范德蒙德、递推、代数余子式回填) | ✅ 已补 | -| 16 | 随机事件与一维随机变量 | 概率题型考点(计数三法识别、集合翻译、全概率/贝叶斯识别、分布函数存在性判定、参数反求、无记忆性、函数分布法) | ✅ 已补 | -| 18 | 数字特征 | 特征题型考点(分布律拟合、期望直算、期望不存在、正态配方法、方差改写系数、相关系数线性性、切比雪夫三件套) | ✅ 已补 | -| 08、11–13、15、17、19–20 | 无穷级数/矩阵/向量/线性方程组/二次型/多维随机变量/大数定律/数理统计 | 待审视(需重读在学练习速查卡与解析后补区块) | ⬜ 待补 | +| 16 | 随机事件与一维随机变量 | 概率题型考点(计数三法识别、集合翻译、全概率/贝叶斯识别、分布函数存在性判定、参数反求、无记忆性、函数分布法) | ✅ 已补(v2) | +| 17 | 多维随机变量及其分布 | 多维题型考点(联合表三步、画图定限、非矩形域判不独立、三路线选择、雅可比增补、卷积边界、最值、混合型全概率、二维正态五性质、条件分布求相关) | ✅ 已补(v2) | +| 18 | 数字特征 | 特征题型考点(分布律拟合、期望直算、期望不存在、正态配方法、方差改写系数、相关系数线性性、切比雪夫三件套) | ✅ 已补(v2) | +| 19 | 大数定律与中心极限定理 | 极限题型考点(依概率收敛判定、切比雪夫方向、换变量再套、样本量反解、三定律条件辨析、证明模板、Φ 三恒等式、正态/泊松近似选择) | ✅ 已补(v2) | +| 20 | 数理统计 | 统计题型考点(MLE 四载体、似然常数、定常数通法、MSE 与无偏分离、拼装三大分布、自由度速查、四选一区间、给上限反求下限、拒绝域方向、β 换世界、区间-检验对偶) | ✅ 已补(v2) | +| 08、11–13、15 | 无穷级数/矩阵/向量/线性方程组/二次型 | 待审视(需重读在学练习速查卡与解析后补区块) | ⬜ 待补 | > 待补批次按用户要求「先重读参考仓库与在学练习再落笔」,一次一批。 @@ -111,7 +114,7 @@ tags: [数学一, 知识点构建, 背诵版, README, MOC] | 线代 | 1 行列式 / 2 矩阵 / 3 向量 / 4 线性方程组 / 5 特征值 / 6 二次型 | 10 / 11 / 12 / 13 / 14 / 15 | ✅ 6/6 | | 概率 | 1+2 随机事件与一维随机变量(合并) / 3 多维随机变量 / 4 数字特征 / 5 大数定律 / 6 数理统计 | 16 / 17 / 18 / 19 / 20 | ✅ 6/6(讲次口径) | -**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、17、19–20 待补,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。 +**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。 ## 五、与在学练习 / 参考仓库的关系