按用户要求:难度略高于考研,参考真题库与张宇 1000 题。卷面照 2021—2025
格式(10 选 5 分 + 6 填 5 分 + 17 题 10 分 + 18—22 各 12 分),配比
高数 86 / 线代 32 / 概率 32;建议用时 200 分钟。
结构 8 文件(沿用卷一/卷二模具):
- 01-模拟卷:22 题纯题目,每题末尾可点击的考点跳转(22 行 / 24 条链接)
- 02a/02b:客观题 16 题、解答题 6 题分册,解答题带分步给分点
- 03—05:考点手册 H01—H12 / L01—L06 / P01—P06,共 24 条,
每条"一句话 + 判据步骤 + 坑 + 本卷题号"
- 06-考点预测与分布:十年统计、逐题来源、四条规律、空缺、三卷互补表
- README:难度三卷对照 + 命题来源声明
抬难度的两条路径(区别于卷二的"干扰项更刁 + 计算多一步"):
1. 多一步转化:欧拉方程先换元(解 17)、高斯先补面(解 20)、
二次型先定参再正交化(解 21)、均匀分布 MLE 不能求导(解 22)
2. 冷门也上桌:欧拉方程(十年仅 2021·13 一次)、切比雪夫(仅 2022·9)、
反常积分含参判敛、定积分定义(仅 2021·4)、置信区间(十年 0 次)
补卷二空缺:二次型(解 21,12 分)与参数估计(解 22,12 分)。
每题数据全部重写,无照搬;真题骨架逐题标注在 06 第三节,
张宇骨架按现行入库的 21 章标注(第 6/8/9/13/15 章、L1/L2/L4/L5/L6)。
关键数值均经 sympy 验算:2/π、-π²/3、2x+4y-z=3、π²/4、4、1-e^{-2}、
y=(1-ln x+(ln x)³/6)x²、极值 -1 与最值 7、f''(η)≤-2、2π/3、
diag(2,1/2,1/2) 与椭球面、θ²/(3n) vs θ²/(n(n+2))。
顺带修正卷二的三个过期表述(本卷 06 第一节与第四节已按实证写):
- 卷面改版是 2021 年不是 2022 年(2021 已是 10 选 + 6 填 + 6 解)
- 张宇库现有高数 15 章 + 线代 6 章,不是"只有第 1 章"
- 21 题含参需先解组数再设条件
校验:check_md_links 8 文件 73 链接 0 异常;fix_gitea_math 0 处待修;
全部文件 < 1.3 万字符(最大 9497)。
另:总览与模拟卷 README 补卷三、卷二的索引行;2027模拟卷一.md 已从磁盘
删除,两处引用同步移除。
8.5 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
第三次模拟 · 概率考点手册(P01—P06) | 2026-10-31 | 6 条考点, 每条含一句话定位、判据步骤、坑、本卷题号 |
|
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
- 把要估的事件写成
\lvert X-E(X)\rvert<\varepsilon的形状(先算中心与半径); - 半径
\varepsilon就是不等式的分母; - 代入
D(X)得上式。
本卷题 8:E(X)=2 ,事件 -1<X<5 即 \lvert X-2\rvert<3 ,\varepsilon=3 ,故下界 1-\dfrac{1}{9}=\dfrac89 。
坑
- 区间不对称时先平移:
-1<X<5的中心正好是2,半径3;若区间是(0,4)就仍是中心2半径2,\varepsilon跟着变。 - 不等号方向:
\geqslant配"落在区间内",\leqslant配"落在区间外",两个方向别写反。 - 题目问"至少",答案就是这个下界;问"不超过"则用上面那一支。
- 它是下界,不是精确值——真题选项里常放一个"看起来很准"的数做干扰。
本卷:题 8。
P02 二维离散型与相关性
一句话:离散表只做四件事——求边缘、求 E(XY) 、算 \operatorname{Cov} 、验独立。
计算顺序
- 边缘分布律:按行加、按列加;
E(X)、E(Y)用边缘算;E(XY)=\sum\sum x_iy_jp_{ij}只能用联合表算(这是与独立情形唯一的分水岭);\operatorname{Cov}=E(XY)-E(X)E(Y);\operatorname{Cov}=0称不相关。- 独立要验
p_{ij}=p_{i\cdot}p_{\cdot j}对所有(i,j)成立。
本卷题 9 的数:边缘 P\{X=-1\}=0.6 、P\{Y=0\}=0.5 ;E(X)=-0.2 、E(Y)=0.5 ;E(XY)=(-1)(1)(0.4)+(1)(1)(0.1)=-0.3 ;故 \operatorname{Cov}=-0.3-(-0.2)(0.5)=-0.2\neq0 ,相关。又 0.2\neq0.6\times0.5=0.3 ,不独立。
坑
- 把
E(XY)写成E(X)E(Y)——那是独立才成立的公式,这里不独立,用了就必错。 - 只验一格就判独立。必须每一格都对上(本题第一格就崩了)。
- 认为"相关就一定不独立、独立就一定不相关"——后半句对,前半句不完整:相关
\Rightarrow不独立,不独立\nRightarrow相关(存在不相关但不独立的例子)。 - 相互独立(选项 D)在"相关"成立时逻辑上不可能,可以直接排掉。
本卷:题 9。
P03 置信区间与分位数
一句话:置信区间 = 点估计 \pm 分位数 \times 标准误,难点全在"选哪个分位数、自由度是多少"。
三看定公式(\mu 的区间,正态总体)
| 条件 | 统计量 | 分位数 | 区间 |
|---|---|---|---|
\sigma^2 已知 |
\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1) |
u_{\alpha/2} |
\bar X\pm u_{\alpha/2}\dfrac{\sigma}{\sqrt n} |
\sigma^2 未知 |
\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1) |
t_{\alpha/2}(n-1) |
\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n} |
三条判断
\sigma^2未知\Rightarrow用t不用u;- 双侧(对称区间)
\Rightarrow用\alpha/2;单侧才用\alpha; - 自由度
=n-1(减掉一个被\bar X占掉的自由度)。
坑
- 自由度写成
n(选项 B):t分布的自由度随样本量减一,这是最高频的错误。 - 单双侧混用:置信区间一定是双侧,所以一定是
\alpha/2。若写成t_\alpha(选项 D),区间会变窄,置信度不达标。 \sigma^2未知却用u_{\alpha/2}(选项 A):大样本下近似可以,但本题n未说明,严格答案只能用t分布。- 标准误是
S/\sqrt n不是S;分母漏根号是最隐蔽的错。
本卷:题 10。
P04 指数分布的无记忆性
一句话:P\{X>s+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\{1<X\leqslant2\}}{P\{X>1\}}=\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
- 算
E(X)(含未知参数); - 令
E(X)=\bar X; - 解出参数。
最大似然
- 写
L(\theta)=\prod f(x_i;\theta); - 取对数
\ln L; - 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)。