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