--- tags: [数学一, 模拟卷, 考点手册, 概率论与数理统计] 专题: 第三次模拟 · 概率考点手册(P01—P06) 日期: 2026-10-31 状态: 6 条考点, 每条含一句话定位、判据步骤、坑、本卷题号 关联笔记: ["[[README]]", "[[01-模拟卷]]", "[[02a-答案与解析-客观题]]", "[[02b-答案与解析-解答题]]"] --- # 概率考点手册(P01—P06) 概率的小题失分集中在两处:**"不相关"与"独立"混用**,以及**统计量分位数用错自由度**。本卷这两处各占一题,做完务必对一遍。 ## P01 切比雪夫不等式 **一句话**:不知道分布、只知道期望方差时,它是唯一能给出**概率下界**的工具。 **公式** $$P\big\{\lvert X-E(X)\rvert\geqslant\varepsilon\big\}\leqslant\frac{D(X)}{\varepsilon^2},\qquad\text{等价地}\quad P\big\{\lvert X-E(X)\rvert<\varepsilon\big\}\geqslant1-\frac{D(X)}{\varepsilon^2}.$$ **用法三步** 1. 把要估的事件写成 $\lvert X-E(X)\rvert<\varepsilon$ 的形状(**先算中心与半径**); 2. 半径 $\varepsilon$ 就是不等式的分母; 3. 代入 $D(X)$ 得上式。 **本卷题 8**:$E(X)=2$ ,事件 $-1s+t\mid X>s\}=P\{X>t\}$ ——**已经等过的部分,一笔勾销**。 **推导(也是解法)** $$P\{X>s+t\mid X>s\}=\frac{P\{X>s+t\}}{P\{X>s\}}=\frac{\mathrm{e}^{-\lambda(s+t)}}{\mathrm{e}^{-\lambda s}}=\mathrm{e}^{-\lambda t}=P\{X>t\}.$$ **本卷题 16**:$P\{X>1\}=\mathrm{e}^{-\lambda}=\mathrm{e}^{-2}$ ,故 $\lambda=2$ 。所求 $$P\{X\leqslant2\mid X>1\}=1-P\{X>1\mid X>1\}=\ldots$$ 更直接:条件在 $X>1$ 上,等价于从 $1$ 重新开始计时,所求即 $P\{X\leqslant1\}=1-\mathrm{e}^{-2}$ 。 **坑** - 直接算 $\dfrac{P\{11\}}=\dfrac{\mathrm{e}^{-2}-\mathrm{e}^{-4}}{\mathrm{e}^{-2}}=1-\mathrm{e}^{-2}$ ——**两条路都要走通**,前者快,后者稳。 - 把"无记忆"用错方向:$P\{X\leqslant2\mid X>1\}$ 不等于 $P\{X\leqslant2\}$ (那是无条件概率,值不同)。 - 只有指数分布(和几何分布)有无记忆性,均匀分布、正态分布**都没有**。 - 先由 $P\{X>1\}$ 反解 $\lambda$ 这一步不要跳,题目可能给的是 $P\{X<2\}$ 之类。 **本卷**:题 16。 ## P05 矩估计与最大似然估计 **一句话**:矩估计**让样本矩等于总体矩**;最大似然**让似然函数最大**。两者的方程完全不同,别混用。 **矩估计** 1. 算 $E(X)$ (含未知参数); 2. 令 $E(X)=\bar X$ ; 3. 解出参数。 **最大似然** 1. 写 $L(\theta)=\prod f(x_i;\theta)$ ; 2. 取对数 $\ln L$ ; 3. 求导令零,解出 $\hat\theta$ 。 **本卷题 22(Ⅰ)(Ⅱ)**:$X\sim U(0,\theta)$ 。 - 矩估计:$E(X)=\dfrac\theta2$ ,令 $\dfrac\theta2=\bar X$ ,得 $\hat\theta_1=2\bar X$ 。 - 最大似然:$L=\theta^{-n}$ (要求**所有** $x_i\in(0,\theta)$ ),$\ln L=-n\ln\theta$ 关于 $\theta$ **单调递减**,故 $L$ 在 $\theta$ 取**最小可能值**时最大。约束是所有 $x_i<\theta$ ,即 $\theta>\max x_i$ ,于是 $\hat\theta_2=X_{(n)}=\max\{x_i\}$ 。 **坑** - **均匀分布的 MLE 不能用求导**:$\dfrac{\partial\ln L}{\partial\theta}=-\dfrac n\theta\neq0$ 永远不为零,写"令导数为零"就卡死了。这是本卷最想考的一步——**似然函数单调时,极值在约束边界上**。 - 忘了支撑集约束 $x_i\in(0,\theta)$ ,把 $\hat\theta$ 写成 $\bar X$ 或 $2\bar X$ 。 - 矩估计与 MLE 结果不同是常态(均匀分布就是最常见的例子),不要以为算错。 - 写 MLE 时要注明"$\theta\geqslant x_{(n)}$ 时 $L>0$ ,否则 $L=0$ ",否则不严谨。 **本卷**:题 22(Ⅰ)(Ⅱ)。 ## P06 估计量的无偏性与方差比较 **一句话**:无偏看**期望**,有效看**方差**,两件事分开算、分开说。 **判据** - 无偏:$E(\hat\theta)=\theta$ 。 - 有偏就修正:若 $E(\hat\theta)=k\theta$ ($k$ 为常数),则 $\dfrac{1}{k}\hat\theta$ 无偏。 - 有效性:同为无偏时,方差小的更有效。 **本卷题 22(Ⅲ)(Ⅳ)**: - $E(\hat\theta_1)=E(2\bar X)=2\cdot\dfrac\theta2=\theta$ ,**无偏**。 - $E(\hat\theta_2)=E\big(X_{(n)}\big)=\dfrac{n\theta}{n+1}\neq\theta$ ,**有偏**;修正 $\tilde\theta=\dfrac{n+1}{n}X_{(n)}$ 无偏。 - 方差:$D(\hat\theta_1)=4\cdot\dfrac{\theta^2}{12n}=\dfrac{\theta^2}{3n}$ ;$D(\tilde\theta)=\Big(\dfrac{n+1}{n}\Big)^2\cdot\dfrac{n\theta^2}{(n+1)^2(n+2)}=\dfrac{\theta^2}{n(n+2)}$ 。 - 比较:$n(n+2)\geqslant3n\iff n\geqslant1$ ,故 $n\geqslant2$ 时 $\tilde\theta$ 的方差更小,**修正后的 MLE 比矩估计更有效**。 **必须记住的两个期望** $$E\big(X_{(n)}\big)=\frac{n\theta}{n+1},\qquad D\big(X_{(n)}\big)=\frac{n\theta^2}{(n+1)^2(n+2)} .$$ **坑** - 判断无偏只算 $E(\hat\theta)$ ,却把"相合""有效"的结论一并写上——三者是不同概念。 - 修正时乘错方向:$E(\hat\theta_2)=\frac{n}{n+1}\theta<\theta$ 是**偏小**,修正要乘 $\frac{n+1}{n}>1$ ,不是乘 $\frac{n}{n+1}$ 。 - 比较方差时忘了平方:$D(cX)=c^2D(X)$ ,$\frac{n+1}{n}$ 的平方漏掉,结论会反转。 - $n=1$ 时两者方差相等(都等于 $\theta^2/3$ ),题目限定 $n\geqslant2$ 就是为了避开这个退化点。 **本卷**:题 22(Ⅲ)(Ⅳ)。