起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。
- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
(`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0
全部经 fix_text 幂等核验;链接 28 文件 0 异常。
27 KiB
tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 更新 | 状态 | 来源 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 · 第1+2讲 随机事件与一维随机变量(合并)· 背诵版 | 2026-10-27 | 2026-11-08(v2 重构:分块排版 + 真题地图对齐 sqlite + 纯题干题单) | 背诵版 v2(考点分块完整呈现 + B 题型考点 + 31 题纯题干清单) | 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) |
|
概率论 · 第1+2讲 随机事件与一维随机变量 · 背诵版
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,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 骨架(先背这张图)
0.1 一句话与依赖链
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: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。
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。
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。
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 |
|---|---|
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 |
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。
2 概率的定义与性质
2.1 三条公理(柯尔莫哥洛夫)
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) 。
2.2 由公理推出的六条性质(必背)
| 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) |
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)。
2.3 古典概型
条件:样本点有限且等可能。则
P(A)=\frac{\#A}{\#\Omega}=\frac{\text{有利样本点数}}{\text{样本点总数}} .
三种计数法:
| 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 |
两个标准模型:
- 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。
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"。
2.4 几何概型
样本是某区域内的等可能点,则
P(A)=\frac{m(A)}{m(\Omega)}\quad(m=\text{长度、面积或体积}) .
标准动作:把"随机取点"翻译成坐标 (x,y) ,把事件写成不等式,画图求面积比。
2.5 条件概率与乘法公式
条件概率(P(B)>0 ):
P(A\mid B)=\frac{P(AB)}{P(B)} .
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) 。
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 )。
2.6 全概率公式与贝叶斯公式
设 A_1,\dots,A_n 为完备事件组,P(A_i)>0 :
P(B)=\sum_{i=1}^{n}P(A_i)P(B\mid A_i)\qquad(\text{全概率}),
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}).
| 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 |
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。
3 独立性
3.1 两个事件独立
定义:P(AB)=P(A)P(B) 。等价形式(当 P(A)>0,P(B)>0 ):
P(A\mid B)=P(A)\iff P(B\mid A)=P(B)\iff P(A\mid B)+P(\overline A\mid B)=1 .
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)。
条件:
P(A\mid B)=P(A\mid\overline B)也等价于独立,但必须要求0<P(B)<1——否则\overline B上无法定义条件概率。2017·7、2021·8 都在这个条件上设题。
3.2 多个事件:两两独立 vs 相互独立
| 概念 | 要求 |
|---|---|
| 两两独立 | 任意一对满足 P(A_iA_j)=P(A_i)P(A_j) |
| 相互独立 | 任意 k 个(2\le k\le n )都满足 P(A_{i_1}\cdots A_{i_k})=\prod P(A_{i_j}) |
两两独立 \nRightarrow 相互独立。经典反例:掷两枚硬币,A_1 =第一次正、A_2 =第二次正、A_3 =两次同面——两两独立,但 P(A_1A_2A_3)=\frac14\ne\frac18 。
3.3 n 重伯努利试验
每次只有两个结果、各次独立、成功概率恒为 p 。n 次中成功 k 次的概率 C_n^kp^k(1-p)^{n-k} 。
两类典型问法:
- "至少成功一次" ⟹ 取对立事件:
1-(1-p)^n; - "直到第
k次才成功" ⟹ 几何分布(见 §5)。
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。
4 随机变量与分布函数
4.1 定义
随机变量 X=X(\omega) 是定义在 \Omega 上的实值函数。分布函数
F(x)=P\{X\le x\},\qquad x\in\mathbb R .
4.2 三性质(充要,判断题必用)
① 单调不减:x_1<x_2\Rightarrow F(x_1)\le F(x_2) ;
② 有界:F(-\infty)=0 ,F(+\infty)=1 (即 \lim_{x\to-\infty}F=0 ,\lim_{x\to+\infty}F=1 );
③ 右连续:F(x+0)=F(x) 。
三条满足的 F 一定是某个随机变量的分布函数;反之亦然。
4.3 用 F 算四类概率(必背)
| 目标 | 用 F 表示 |
|---|---|
P\{X\le a\} |
F(a) |
P\{X<a\} |
F(a-0) (左极限) |
P\{X=a\} |
F(a)-F(a-0) (跳高) |
P\{a<X\le b\} |
F(b)-F(a) |
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<X<b\}=\int_a^bf (端点含不含都一样);③ 单点概率恒为 0:P\{X=a\}=0 。
由此,"
P\{X\le a\}=P\{X<a\}"只对连续型成立,离散型差一个跳高。
6.2 三类连续分布
| 分布 | 记号 | 密度 | 分布函数 |
|---|---|---|---|
| 均匀 | U(a,b) |
f=\dfrac1{b-a} ,a<x<b |
\dfrac{x-a}{b-a} ,a\le x<b |
| 指数 | E(\lambda) |
f=\lambda\mathrm e^{-\lambda x} ,x>0 |
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|<a\}=2\varPhi(a/\sigma)-1 。
6.3 分位点
u_\alpha 满足 P\{Z>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|<x\}=1-\alpha⟹ 两尾各\frac\alpha2⟹x=u_{\alpha/2}。(旧版把\alpha混成1-\alpha,注意下标是尾概率。)
6.4 密度与分布函数的存在性判定
| 候选密度 | 判据 | 结论 |
|---|---|---|
f(2x) |
\int f(2x)\mathrm dx=\frac12\ne1 |
✗(缺系数 2) |
2f(2x) |
全积分 =1 |
✓ |
f(2-x) |
换元后全积仍为 1(\vert x'\vert=1 ) |
✓ |
f(x^2) |
由对称性积分 \ne1 一般不对 |
✗ |
口诀:复合变换 f(g(x)) 是否仍是密度,只看 \int f(g(x))\mathrm dx 是否仍等于 1(等价于 |g'| 是否为 1,或补上 |g'| )。
6.5 对称性的两个用法
① 若 f 关于 x=c 对称,则 \int_c^{+\infty}f=\frac12=\int_{-\infty}^{c}f ;
② 已知区间上的积分反求另一段。标准例:f(1+x)=f(1-x) (关于 x=1 对称)且 \int_1^2f=0.3 ,求 F(0) 。
\int_1^{+\infty}f=\frac12\ \Rightarrow\ \int_0^1f=\int_1^2f=0.3\ \Rightarrow\ F(0)=\int_{-\infty}^{0}f=1-\int_0^{+\infty}f=1-0.3-\frac12=0.2 .
三步动作:找对称轴 → 把已知区间搬到另一半 → 用 1 减去已知部分。
7 一维随机变量函数的分布
7.1 离散型:映射合并
Y=g(X) 的取值是 g(x_i) ;相同的 y 值概率相加:
P\{Y=y\}=\sum_{i:\,g(x_i)=y}p_i .
7.2 连续型:分布函数法四步(通法)
① 写 F_Y(y)=P\{g(X)\le y\} ;
② 解不等式 g(X)\le y ,得到 X 的取值集合(注意 g 单调性与分段);
③ 用 F_X 或积分表示 F_Y(y) ;
④ 求导得 f_Y(y)=F_Y'(y) ,并写清 y 的范围。
7.3 三个必背结论
| 变换 | F_Y / f_Y |
|---|---|
Y=aX+b ,a\ne0 |
f_Y(y)=\dfrac1{\vert a\vert}f_X\!\left(\dfrac{y-b}{a}\right) |
Y=X^2 |
F_Y(y)=F_X(\sqrt y)-F_X(-\sqrt y) (y>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
0<P(A)<1,0<P(B)<1,证明A,B独立\iffA与\overline B独立。
D 组 · 分布函数与密度(题 15–19)
- 题 15 · 分布函数存在性(★★★)【e2】:
F(x)是某随机变量的分布函数,a\ne0为常数,判断F(ax)、F(x^2+1)、F(x^3-1)、F(\vert x\vert)能否作分布函数。 - 题 16 · 密度对称性(★★★)【e2】:
f(x)满足f(1+x)=f(1-x),且\int_1^2f(x)\,\mathrm dx=0.3,求F(0)。 - 题 17 · 密度存在性(★★★)【e2】:
f(x)是概率密度,判断f(2x)、f(2-x)能否作概率密度。 - 题 18 ·
-X的分布(★★☆)【e2】:X的分布函数与密度为F(x),f(x),求-X的分布函数与密度。 - 题 19 · 离散参数与分布函数(★★★)【k2】:
X的分布律为P\{X=1\}=\theta^2,P\{X=2\}=2\theta(1-\theta),P\{X=3\}=(1-\theta)^2,且P\{X\ge2\}=\frac34。(Ⅰ)求\theta;(Ⅱ)求X的分布函数F(x)并画阶梯图。
E 组 · 常见分布(题 20–27)
- 题 20 · 二项分布(★★★)【e2】:
X的密度f(x)=2x\ (0<x<1),作 3 次独立重复试验,Y为事件\{X\le\frac12\}出现的次数,求P\{Y=2\}。 - 题 21 · 泊松反求参数(★★★)【e2】:某书每页印刷错误数
X\sim P(\lambda),恰有 1 个错误与恰有 2 个错误的页数相同,求抽查 4 页均无错误的概率。 - 题 22 · 几何分布(★★☆)【e2】:袋中 8 球(3 白 5 黑),任取 4 球;若恰有 2 黑 2 白则停止,否则放回重取。
X为试验次数,求P\{X=k\}。 - 题 23 · 几何分布的变形(★★★★)【e2】:
X的密度f(x)=2^{-x}\ln2\ (x>0),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\{0<X<3\}=\frac14,P\{X>4\}=\frac12,求f(x)与P\{1<X<5\}。 - 题 25 · 指数·无记忆性(★★★)【e2】:
X\sim E(1),a>0,求P\{X\le a+1\mid X>a\}。 - 题 26 · 指数·条件概率(★★☆)【e2】:
X\sim E(1),求P\{2<X<3\mid X>1\}。 - 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|<x\}=\alpha,用u表示x。
F 组 · 一维函数分布(题 28–31)
- 题 28 · 连续型函数分布(★★★)【k2】:
X的密度为三角型f_X(x)=1-|x|\ (|x|\le1),求Y=X^2+1的分布函数。 - 题 29 · 离散型函数分布(★★☆)【k2】:
X取0,1,2,3,4,5,求Y=2X+1与Z=X^2的分布律。 - 题 30 · 线性变换(★☆☆)【e2】:
X的密度为f(x),求Y=2X+3的概率密度。 - 题 31 · 平方变换(★★★)【e2】:
X\sim U(0,2),求Y=X^2在(0,4)内的概率密度。
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-…。