又到期末了每年这时候后台问得最多的就是概率论怎么复习。这门课和高等数学不太一样高数你不会写起码还能凭直觉凑个极限、求个导数概率统计要是概念没串起来拿到卷子是真的一个字都写不出来。我自己备考的时候把市面上叫得上名字的串讲视频基本都过了一遍高数叔那个“二十种题型”的系列给我的印象最深刻。不是因为讲得玄乎而是它真的把一门公式多、概念绕、题型杂的课压缩成了一张可以照着练的清单。这篇文章就围绕这套“二十种题型”的复习框架展开。我会把这个系列的底层逻辑拆开告诉你为什么题型驱动比章节驱动更适合考前突击然后把这二十种题型的识别特征、标准解法、易错点和判分陷阱逐个讲清楚。不管你是一学期没听课想抢救还是已经复习了一轮想查漏补缺这套框架都能直接拿来用。适合所有正在备考概率论与数理统计的本科生也适合准备考研数学三、数学一的同学提前建立题型意识。1. 为什么用“题型驱动”来复习概率统计很多人的复习方式是翻开目录从第一章“随机事件与概率”开始一路看到第八章“假设检验”。这种章节驱动的复习法看着很完整实际上效率极低。原因很简单概率统计的教材是按知识逻辑写的但试卷是按题型出的。你按目录复习等于拿着地图找路但考试根本不考地图只考路上那几个特定的路口。题型驱动的逻辑正好反过来。先不看教材目录而是去看过去五到十年的期末真题、考研真题统计每道题到底在考什么。统计完你会发现试卷上的题目翻来覆去就那么二十来种。比如古典概型必考一题全概率和贝叶斯必考一题二维随机变量的联合分布必考一大题矩估计和极大似然估计必考一题。这些题型出现的频率之高甚至让你怀疑出题老师是不是偷懒。为什么题型驱动能拿高分还有一个更实际的原因概率统计的题目套路化程度极高。同一道题换个数换个人名换套情境解题步骤完全一样。比如极大似然估计不管题干里是灯泡寿命、零件尺寸还是顾客到达时间写出似然函数、取对数、求导、令导数为零四步走完步骤分拿满。这种题根本不考你的数学天赋考的是你有没有见过这个流程。题型复习法训练的就是这个“见过”。当然题型驱动不是让你完全不看书。基本概念、公式定理还是得有个印象否则你看不懂题目在说什么。正确做法是把题型清单当作骨架把教材当作字典遇到不懂的概念再去查而不是从头到尾把字典背一遍。这样复习一周的效果往往比慢悠悠看书一个月更好。2. 二十种题型的完整地图与分值权重我根据高数叔系列里给出的题型框架结合自己对期末真题和考研真题的观察整理出了一张二十种题型的完整清单。这张表不仅是复习目录也是你分配时间的依据。序号题型名称核心考点出题频率掌握要求1古典概型计算排列组合、等可能事件计数高必须掌握2条件概率、全概率与贝叶斯全概率公式、贝叶斯公式很高必须掌握3事件关系与独立性判断互斥、对立、独立中必须掌握4一维分布函数与分布律分布函数性质、参数反求高必须掌握5常见离散分布0-1、二项、泊松高必须掌握6常见连续分布正态、均匀、指数很高必须掌握7密度函数与分布函数互求积分、求导、分段函数高必须掌握8随机变量函数的分布分布函数法、公式法高重点掌握9二维联合分布与边缘分布联合分布律/密度、边缘化很高必须掌握10条件分布与独立性判定条件密度、独立性验证高重点掌握11期望与方差计算定义式、性质、公式套用很高必须掌握12协方差与相关系数Cov定义、相关系数、不相关中重点掌握13切比雪夫不等式与中心极限定理不等式放缩、正态近似中重点掌握14统计量与抽样分布样本均值、样本方差、卡方分布高重点掌握15分位数与三大抽样分布上侧分位数、t/F分布查表中了解掌握16矩估计法样本矩代替总体矩很高必须掌握17极大似然估计法似然函数、取对数求导很高必须掌握18估计量评价无偏、有效期望等于参数、方差比较中重点掌握19单正态总体区间估计z区间、t区间、卡方区间高必须掌握20单正态总体假设检验拒绝域、两类错误、显著性水平高必须掌握这张表怎么看我个人的经验是先看“出题频率”和“掌握要求”两列。带“必须掌握”的题型基本覆盖了整张试卷百分之七十以上的分数。如果你时间只够做三件事那就先把1、2、6、7、9、11、16、17、19、20这十种题型练熟及格线肯定就摸到了。想冲高分再把剩下十种补齐。还有一点要提醒第3章和第4章的题型并不是完全独立的。第9题二维联合分布经常会和期望、协方差合并成一道十五分的大题第10题条件分布又可能和第19题区间估计串在一起。复习的时候要有“题型联动”的意识不能孤立地背模板这一点在后面我会结合具体题目详细说。3. 概率论部分前十种题型逐题拆解3.1 古典概型别急着套排列组合公式古典概型的标志是题干里出现“等可能”、“随机抽取”、“不放回”、“排队”这类词本质就是计数问题。核心公式就一个$P(A)\frac{事件A包含的样本点数}{样本空间总样本点数}$。听起来简单丢分往往丢在计数环节。做这种题我有一个习惯先不要急着用排列还是组合而是问自己两个问题。第一题目里有没有“顺序”的概念抽两个人当代表是有顺序还是没顺序第二抽取方式是“放回”还是“不放回”这两个问题决定了你用 $A_n^k$、$C_n^k$ 还是 $n^k$。比如经典的“袋中有5个红球3个白球不放回连取两次求两次都取到红球的概率”分母是 $8\times7$分子是 $5\times4$用排列的思维如果改成“一次取两个”分母就是 $C_8^2$分子是 $C_5^2$答案看起来差不多但计数逻辑完全不同。一个常见陷阱是“至少”型问题。比如“至少有一件次品”的概率很多同学喜欢直接分类讨论“恰好一件次品”加“恰好两件次品”这么做没问题但计算量大。更聪明的做法是用对立事件$P1-P(全是正品)$。我考试时看到“至少”两个字第一反应永远是先想对立事件能不能做通常都能省下两分钟。3.2 条件概率、全概率与贝叶斯公式三步走这组题型是概率论第一章最重要的内容基本属于必考题型而且往往不止考一题。全概率公式解决的是“结果概率”贝叶斯公式解决的是“原因概率”。很多同学会混淆我提供一个比较好记的判断方法题目问“已知某个结果发生了求它来自哪个原因”时用贝叶斯公式。做题的步骤我总结为三步。第一步找“原因集合”${A_1,A_2,\dots,A_n}$。这些原因是互斥的并且它们的并集是整个样本空间。比如“一批零件来自甲、乙、丙三台机床”、“某地区人群分为吸烟和不吸烟”这些都是天然的原因划分。第二步列出已知条件翻译成符号各个原因的概率 $P(A_i)$ 和各原因下的条件概率 $P(B|A_i)$。第三步按公式套全概率 $P(B)\sum_{i1}^n P(A_i)P(B|A_i)$贝叶斯 $P(A_i|B)\frac{P(A_i)P(B|A_i)}{\sum_{j1}^n P(A_j)P(B|A_j)}$。最容易翻车的地方是第二步的符号翻译。题目说“某产品是次品的概率为0.02”你得分清楚这是 $P(B)$ 还是 $P(B|A)$。我的做法是把所有已知数值写成带竖线的条件概率凡是有“在……下”、“当……时”、“……的产品中”这类描述的基本都是条件概率。把这个基本功练好全概率和贝叶斯就成功了一大半。3.3 事件独立性判断计算前先看题干有没有这句话独立性这个考点经常不单独出题而是嵌在别的题目里。比如二项分布的每一次试验要求相互独立比如两个随机变量如果独立那么联合分布函数的性质会有简化。判断两个事件是否独立定义是 $P(AB)P(A)P(B)$。但做题时有两类情况一类是题目直接告诉你“相互独立”这种情况你只需要在计算中使用独立性的性质比如 $P(A\cap B)P(A)P(B)$另一类是题干没有明说要你从条件去验证独立性这时候就必须老老实实计算 $P(AB)$看是否等于 $P(A)P(B)$。这里有个高频陷阱互斥和独立的区别。两个互斥事件如果概率都大于零那它们一定不独立因为 $P(AB)0$ 而 $P(A)P(B)0$。很多同学看到“互斥”就顺手写成独立这是概念没理清。我复习时会专门做一组对比题把“互斥”、“对立”、“独立”三个概念放在一道综合题里来回确认这个功夫值得花。3.4 一维随机变量的分布函数与分布律分段函数是重灾区分布函数 $F(x)P{X\le x}$ 的定义看起来简单但一到写分段函数就错误百出。常见的坑有三个第一$F(x)$ 是累积概率它的值域一定在 $[0,1]$ 之间而且随着 $x$ 增大单调不减第二$F(-\infty)0$$F(\infty)1$这两个极限可以用来验证答案对不对第三$F(x)$ 在离散型随机变量的取值点上是右连续的也就是说在跳跃点处函数值取的是右端点的值。对于离散型随机变量题目通常给你分布律表格让你写分布函数。我的方法是用“阶梯法”先标出所有取值点然后在相邻取值点之间$F(x)$ 的取值等于前面所有概率的累加和。注意区间端点的归属问题左边取开区间右边取闭区间也就是 $F(x)\sum_{x_i\le x}p_i$。这样写出来的分段函数不会漏项。反向题型也不少见给了分布函数求分布律。做法很简单找出 $F(x)$ 所有的跳跃点跳跃的高度就是对应点的概率。这个题型本身不难但它是后面二维随机变量联合分布函数的基础基础不牢的话后面学起来会很吃力。3.5 常见分布家族二项、泊松、正态、均匀、指数这一节说是五个分布其实是五张必须背烂的“身份证”。每个分布你需要掌握四样东西分布律或密度函数、参数含义、期望和方差、典型应用场景。我列一张对照表方便记忆。分布名称参数概率函数/密度期望方差典型场景二项分布 $B(n,p)$试验次数n成功率p$C_n^k p^k(1-p)^{n-k}$$np$$np(1-p)$n次独立重复试验成功次数泊松分布 $P(\lambda)$平均发生率λ$\frac{\lambda^k e^{-\lambda}}{k!}$$\lambda$$\lambda$稀有事件发生次数正态分布 $N(\mu,\sigma^2)$均值μ方差σ²$\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$\mu$$\sigma^2$测量误差、身高体重等均匀分布 $U(a,b)$区间端点a,b$\frac{1}{b-a}, axb$$\frac{ab}{2}$$\frac{(b-a)^2}{12}$等可能的连续取值指数分布 $Exp(\lambda)$率参数λ$\lambda e^{-\lambda x}, x0$$\frac{1}{\lambda}$$\frac{1}{\lambda^2}$寿命、等待时间这五种分布中正态分布是绝对重点。标准化公式 $Z\frac{X-\mu}{\sigma}$ 一定要形成肌肉记忆。任何正态分布的概率计算第一步都是标准化第二步才是查标准正态分布表。我见过太多同学在 $P{aXb}$ 这类题目上出错问题不是不会标准化而是忘了 $P{Zz}\Phi(z)$ 查出来的值是左侧概率右侧概率要用 $1-\Phi(z)$。泊松分布和二项分布之间还有一个关系要留意当 $n$ 很大、$p$ 很小时二项分布可以用泊松分布近似此时 $\lambdanp$。这是中心极限定理之前你接触到的第一个近似思想不仅能简化计算也经常出现在选择题的选项里。3.6 二维联合分布与边缘分布大题的绝对主力二维随机变量几乎是每份试卷的必考大题分值通常在10到15分。它之所以重要是因为它把所有概率论的核心工具都串了起来联合分布、边缘分布、条件分布、独立性、期望、协方差全都在这一道题里考察。做这类题我的流程是固定的。拿到题目后先判断是离散型还是连续型。离散型会给你一张联合分布律表格连续型会给一个联合密度函数。如果是连续型第一步永远是画积分区域。很多人觉得画图浪费时间其实画图能避免至少一半的积分上下限错误。画出区域后求边缘密度 $f_X(x)\int f(x,y)dy$ 时关键是确定 $y$ 的积分上下限这个上下限就是区域在固定 $x$ 时的纵坐标范围。边缘分布和联合分布的关系我常用一个生活化的类比理解联合分布是一张完整的学生成绩表包含语文和数学两列边缘分布就是只看数学成绩这一列把每个分数出现的次数汇总。维度降低了但信息是原表投影出来的不会凭空多出东西。所以边缘密度对每个 $x$积掉 $y$ 就行最后一定是关于 $x$ 的一元函数。这道大题最容易丢分的地方有两个。第一个是忘记验证归一性即 $\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y)dxdy1$很多题目会故意让你求联合密度中的未知常数你必须用归一性来求。第二个是求条件密度时忘记写“存在条件”$f_Y(y)\ne0$严格写法应该是 $f_{X|Y}(x|y)\frac{f(x,y)}{f_Y(y)}$且当 $f_Y(y)0$ 时条件密度为0。这些细节就是批卷时区分高分和中等分的关键。3.7 随机变量函数的分布分布函数法是万能钥匙已知 $X$ 的分布求 $Yg(X)$ 的分布这是很多同学的痛点。方法其实就两个分布函数法和公式法。我的建议是除非题目明确提示用公式法否则一律先用分布函数法。分布函数法的核心就一句话$F_Y(y)P{Y\le y}P{g(X)\le y}$然后把事件 ${g(X)\le y}$ 转化成关于 $X$ 的不等式再用 $X$ 的分布函数表示。真正让同学犯难的是“转化关于 $X$ 的不等式”这一步。当 $g$ 不是单调函数时这一步尤为复杂。比如 $YX^2$则 ${X^2\le y}$ 要分成 ${-\sqrt{y}\le X\le\sqrt{y}}$所以 $F_Y(y)F_X(\sqrt{y})-F_X(-\sqrt{y})$。这时候再对 $y$ 求导就能得到 $Y$ 的密度函数。处理这类问题的关键思路是先老老实实把范围写全再求导千万不要跳过 $F_Y$ 直接写密度。公式法适用的情况是 $g$ 严格单调且可导此时 $f_Y(y)f_X(h(y))|h(y)|$其中 $h$ 是 $g$ 的反函数。这个方法速度快但很容易忘记乘反函数导数的绝对值。我记得第一次用公式法做题时算出来的密度函数积分不为1才发现漏了绝对值。从那以后我都会用“积分是否为1”来反向验证公式法做出来的结果。3.8 期望与方差算不对,后面全得崩期望和方差是整个概率统计的计算基石。后面参数估计里要算期望假设检验里要算方差只要这里出错后面的分数基本保不住。期望的计算要分清楚离散和连续。离散型用 $E(X)\sum x_i p_i$连续型用 $E(X)\int_{-\infty}^{\infty} x f(x)dx$。这两个公式看着简单但真正的考点在性质的使用上$E(aXbYc)aE(X)bE(Y)c$这个线性性质对任何随机变量都成立不管是否独立。很多同学误以为这个是独立的条件下才成立其实期望本来就不需要独立性这一点很重要。方差的计算则不一样。方差有可加性但只在独立时才成立$D(aXbY)a^2D(X)b^2D(Y)$。如果 $X,Y$ 不独立展开时就必须加上协方差项$D(X\pm Y)D(X)D(Y)\pm2Cov(X,Y)$。这是使用频率极高的公式也是很多综合题的隐藏考点。另一个容易漏记的公式是 $D(X)E(X^2)-[E(X)]^2$。这个公式非常实用因为它可以把求方差问题转化成求两个期望的问题。尤其是题目给了 $Yg(X)$ 让你求方差时直接用定义算 $D(Y)$ 往往是灾难但先算 $E(g(X))$ 和 $E(g^2(X))$ 反而好办。3.9 协方差、相关系数警惕“不相关”和“独立”的陷阱协方差和相关系数的计算通常是二维随机变量大题的最后一问。$Cov(X,Y)E(XY)-E(X)E(Y)$相关系数 $\rho\frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}}$。解题思路没什么悬念但概念题里有一个高频陷阱随机变量独立一定不相关但不相关不一定独立。只有当 $X,Y$ 服从联合正态分布时不相关和独立是等价的。这个“联合正态分布”的特殊性几乎每年都会出现在选择题里。具体计算时我习惯把一个式子写满再代数值$E(XY)\int\int xy f(x,y)dxdy$。有些同学图省事看到 $X,Y$ 独立就写 $E(XY)E(X)E(Y)$这没问题但如果题目没说独立你就必须先准备一个联合密度表格把每个 $(x_i,y_j)$ 对应的 $x_i y_j p_{ij}$ 全列出来再求和这个步骤不能省步骤分就是靠它拿到的。还有一个实战技巧如果前面已经求出了 $E(X)$、$E(Y)$、$E(X^2)$、$E(Y^2)$那么 $D(X)$、$D(Y)$、$Cov(X,Y)$ 可以一次性算完不用重复积分。我在做二维分布的答题时会在一张草稿纸上先把所有需要的一阶矩和二阶矩整理好再做后面的计算速度至少快一倍。3.10 切比雪夫不等式与中心极限定理估计题就两条路这类题型出现的频率中等但一旦出现就是送分题。切比雪夫不等式的形式是 $P{|X-E(X)|\ge\varepsilon}\le\frac{D(X)}{\varepsilon^2}$它不需要你知道 $X$ 的具体分布只要期望和方差存在就能得到概率上界。做题时直接套公式重点是把 $E(X)$ 和 $D(X)$ 求出来。中心极限定理的题则要复杂一点。核心思想是大量独立同分布的随机变量之和标准化后近似服从标准正态分布。也就是说$\sum_{i1}^n X_i$ 近似服从 $N(n\mu,n\sigma^2)$标准化为 $\frac{\sum X_i-n\mu}{\sqrt{n}\sigma}$ 后可以查正态分布表算概率。实际应用中最常见的问法是“至少需要多少个样本才能保证误差不超过某个值的概率不低于……”这种题本质是反用中心极限定理先写出 $P{|\bar{X}-\mu|a}\approx2\Phi(\frac{a\sqrt{n}}{\sigma})-1$然后令结果大于等于给定概率解出 $n$ 的下限。注意这里一定要把 $2\Phi(\cdot)-1$ 写对因为这是双侧区间很多人查表时容易忽略才是左侧面积。4. 数理统计部分后十种题型逐题拆解4.1 统计量与抽样分布先把符号规范好进入数理统计之前统计量的概念要先过关。教材里给了一堆符号样本均值 $\bar{X}\frac{1}{n}\sum_{i1}^n X_i$、样本方差 $S^2\frac{1}{n-1}\sum_{i1}^n (X_i-\bar{X})^2$。这里最反直觉的就是样本方差为什么除以 $n-1$ 而不是 $n$。一句话解释如果用 $n$ 做分母算出来的样本方差在期望上会小于总体方差也就是有偏换成 $n-1$ 后 $E(S^2)\sigma^2$无偏。这就是自由度概念最朴素的理解。这类题型的计算并不难难在“独立同分布”的意识。当题目说“设 $X_1,X_2,\dots,X_n$ 是来自正态总体 $N(\mu,\sigma^2)$ 的简单随机样本”时你要自动识别出三层信息第一每个 $X_i$ 都服从同一个正态分布第二$X_i$ 之间相互独立第三因此 $\bar{X}$ 服从 $N(\mu,\sigma^2/n)$。这个 $\bar{X}$ 的方差公式后面区间估计和假设检验都要反复用。我自己在复习时吃过一个亏把样本方差和总体方差都记成 $S^2$导致后面算抽样分布时经常把统计量搞混。现在我的做法是凡是在草稿纸上看到 $\bar{X}$、$S^2$、$\sigma^2$ 这三个符号先标注是“样本的还是总体的、已知的还是未知的”再动笔。符号规范了思路不会乱。4.2 分位数与三大抽样分布记住三句话卡方分布、$t$ 分布、$F$ 分布合称三大抽样分布。很多同学看到这里就头大。我记它们的思路是三句话。第一句标准正态变量的平方和服从卡方分布。具体来说若 $X_1,\dots,X_n$ 独立同分布服从 $N(0,1)$则 $\sum_{i1}^n X_i^2\sim\chi^2(n)$。这是卡方分布的核心来源。第二句标准正态变量除以独立的卡方变量除以自由度后的平方根服从 $t$ 分布形式是 $T\frac{X}{\sqrt{Y/n}}$其中 $X\sim N(0,1)$$Y\sim\chi^2(n)$。第三句两个独立的卡方变量各自除以自由度后的比值服从 $F$ 分布。记住这三条来源比硬背分布密度函数管用得多。考试通常不会让你背三大分布的密度表达式而是考两个点一是根据题目构造符合上述结构的统计量二是通过查表求分位数。查表时要特别注意$t$ 分布和 $F$ 分布表格里通常只给上侧小概率的分位数而且自由度的位置要看清$F$ 分布的分子和分母自由度顺序不能互换不然查出来的值差得很远。做题时还有一个细节$\chi^2$ 分布只取非负值所以求 $P{\chi^2a}$ 时直接把 $a$ 当作分位数查表即可不需要像正态分布那样做标准化。这一点很多同学会惯性出错尝试把卡方值标准化结果查不到数。记住卡方、$t$、$F$ 的分布与正态不同它们的分位数就是原值不做标准化。4.3 矩估计法样本矩替总体矩一句话搞定矩估计是所有参数估计里最容易上手的方法原理就一句话用样本矩替换总体矩。具体操作是设总体有未知参数 $\theta$根据总体的期望公式写出 $E(X)\int xf(x;\theta)dx$这个式子通常包含 $\theta$。然后把总体一阶矩 $E(X)$ 换成样本一阶矩 $\bar{X}$解方程得到 $\hat{\theta}$。在很多情况下一阶矩就够了。但有些分布比如均匀分布 $U(0,\theta)$其期望是 $\theta/2$令 $\bar{X}\theta/2$解出 $\hat{\theta}2\bar{X}$这也是一阶矩估计。如果一阶矩里不含参数比如某些两参数分布那就得用二阶矩$\frac{1}{n}\sum X_i^2E(X^2)D(X)[E(X)]^2$解二元方程组。这里想提醒一个细节用二阶矩时很多同学会误写成“用样本方差替换总体方差”这并不符合矩估计的标准流程。矩估计的标准做法是替换总体原点矩而不是中心矩。当然在某些对称分布下结果一致但严谨的考试步骤还是按原点矩来写比较稳。4.4 极大似然估计法四步走高分大题到手极大似然估计是数理统计部分最“良心”的送分大题因为它几乎不考技巧只考流程熟练度。只要把步骤写清楚步骤分就能拿到手。流程如下。第一步写出似然函数。样本独立时$L(\theta)\prod_{i1}^n f(x_i;\theta)$。注意连续型用密度函数离散型用分布律。第二步取对数。$\ln L(\theta)\sum_{i1}^n \ln f(x_i;\theta)$取对数的目的是把连乘变成累加便于求导。第三步对 $\theta$ 求导并令其等于零解出 $\hat{\theta}$。第四步如果题目要求验证二阶导小于零确认是极大值点。我在批改同学作业时发现最常见的错误是第一步就写错了似然函数。比如题干给出的是正态总体密度函数带 $\pi$ 和指数很多同学会把指数里的平方项丢掉或者忘掉 $\frac{1}{\sqrt{2\pi}\sigma}$ 前面的连乘号。其实似然函数就是每个样本点密度函数的连乘积老老实实把 $x_i$ 一个一个代入乘起来即可不要跳步。另一个容易丢分的地方是当似然方程无解时比如均匀分布 $U(0,\theta)$似然函数对 $\theta$ 在区间内是单调递减的你不能求导而要直接根据“似然函数越大越好”的原则取 $\hat{\theta}\max{x_1,\dots,x_n}$。这个“边界情况”几乎每年都会在真题或模拟题里出现如果你只背了求导步骤遇到这种情况就会卡住。4.5 无偏性与有效性两个小判断决定估计量的优劣参数估计除了“怎么估计”还要考“估得怎么样”。估计量本身是样本的函数也是随机变量它的好坏需要标准。两个最常考的标准无偏性和有效性。无偏性要求 $E(\hat{\theta})\theta$也就是说估计量在平均意义下没有系统偏差。这通常是一个计算期望的题难点在于把 $\hat{\theta}$ 写成样本 $X_i$ 的线性组合后用期望的线性性质拆开。例如 $\hat{\theta}c\sum X_i$那么 $E(\hat{\theta})c\sum E(X_i)cn\mu$令其等于 $\theta$ 就能解出 $c$。有效性是在多个无偏估计量中比较方差方差越小越好。比较方差的方法有两种直接计算各自的方差并比较大小或者使用有效性的定义看一个估计量的方差是否不超过另一个。这类题目的计算核心还是方差的性质注意$X_i$的独立性是前提不能随便拆方差。还有一个高频概念是“均方误差”$MSE(\hat{\theta})E[(\hat{\theta}-\theta)^2]D(\hat{\theta})[E(\hat{\theta})-\theta]^2$。这个公式把无偏性和有效性统一起来。有些有偏估计量的均方误差反而更小考试里可以出多选题理解这个概念之后就不担心被绕进去了。4.6 单正态总体的区间估计分清已知与未知区间估计是数理统计应用题的大头核心逻辑就是构造一个枢轴量让它服从一个不依赖未知参数的分布然后反解出参数的置信区间。题型可以分成三类。第一类方差已知估计均值 $\mu$。选用枢轴量 $Z\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1)$置信区间为 $\bar{X}\pm z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$其中 $z_{\alpha/2}$ 是标准正态分布的上侧 $\alpha/2$ 分位数。第二类方差未知估计均值 $\mu$。这时用样本方差 $S^2$ 替换总体方差枢轴量变为 $t\frac{\bar{X}-\mu}{S/\sqrt{n}}\sim t(n-1)$置信区间为 $\bar{X}\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt{n}}$。注意自由度是 $n-1$。第三类估计方差 $\sigma^2$。以样本方差为基础枢轴量 $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$置信区间为 $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$。我见过太多同学把三种情况搞混。我的口诀是是否是未知方差决定查正态表还是查 $t$ 表估计均值还是方差决定用 $Z/t$ 还是用 $\chi^2$。还有一个容易忽略的细节查 $t$ 表和 $\chi^2$ 表时题目可能只给了部分分位数你要学会用对称性补出缺失的那个分位数值。比如 $t_{0.95}(n)-t_{0.05}(n)$这个负号关系必须记住。4.7 假设检验拒绝域写对整个题就稳了假设检验是数理统计的收尾大题也是很多人的心理阴影。其实它和区间估计有很强的对称关系。区间估计是给定置信水平划出参数可能存在的区间假设检验是给定显著性水平判断某个假设是否合理。两者的核心都是那个枢轴量。做假设检验题的流程是固定的六步。第一步写出原假设 $H_0$ 和备择假设 $H_1$。注意原假设必须包含等号。第二步确定显著性水平 $\alpha$通常是0.05或0.01。第三步选择检验统计量。方差已知时用 $Z$ 统计量方差未知时用 $t$ 统计量。第四步写出拒绝域。双边检验时拒绝域是 $|Z|z_{\alpha/2}$单边检验时左单边是 $Z-z_\alpha$右单边是 $Zz_\alpha$。第五步代入样本数据计算统计量的值。第六步判断是否落入拒绝域给出结论。最让同学头疼的是第一步怎么设 $H_0$ 和 $H_1$。我的经验是把题目想要“证明”的那个结论放在备择假设 $H_1$ 里。比如题目问“这批产品的平均寿命是否显著大于1000小时”你想证明“大于1000小时”那就设 $H_1:\mu1000$原假设 $H_0:\mu\le1000$。实际操作时原假设通常写成 $\mu\mu_0$ 的形式因为检验统计量的计算是在原假设成立前提下进行的。这个设定一错后面全错所以每次动笔前先问自己我想证明什么把它放 $H_1$。两类错误的概念也经常考。第一类错误是“原假设为真时拒绝了它”概率记为 $\alpha$第二类错误是“原假设为假时接受了它”概率记为 $\beta$。在样本量固定时$\alpha$ 和 $\beta$ 是此消彼长的想同时减小就必须增大样本量。理解了这层关系理解和记忆显著性水平的含义就不会再混淆。5. 复习实操时间安排、错题法与资源配合5.1 一周速成版的三轮安排如果你离考试只剩一周不要慌。按题型框架走一周时间是够的。我的建议是把七天切成三轮。第一轮用两天时间过题型1到10。每天看四到五个题型的视频课和例题讲解看完立刻动手做一到两道配套题不要光看。这轮的目标不是全对而是建立起“看到题干特征就能对应到题型编号”的条件反射。比如看到“不放回取球”就想到题型1看到“有两台机器生产零件”就想题型2这部分反应速度决定你后面做题的顺畅度。第二轮用两天时间过题型11到20。这一轮的重点是数理统计部分的计算流程尤其是矩估计、极大似然估计、区间估计和假设检验。这四个题型的特点是套路死板但计算量大你要在纸上完整写出每一步而不是在脑子里过一遍。我常和同学说计算题在纸上过和在脑子里过考试时的效果差很多因为手写能帮你提前暴露符号写错、上下限写反这类低级失误。第三轮最后三天用来做真题套卷。每天一套限时两小时。做完以后不急着对答案先把能靠回忆和翻笔记改出来的题改掉再对着解析补漏。套卷的作用不只是练题而是练时间分配。我的做题顺序一般是先做计算大题的框架和步骤再做选择题和填空题最后回来补计算细节。这样能保证即使时间不够每一步的步骤分也是稳的。5.2 错题本的正确打开方式我不赞成把错题本做成“抄题抄答案”的陈列馆那只会感动自己。我的错题本按题型编号来归档每道错题记录四列信息题目来源、错误原因、对应题型编号、正确思路的一句话总结。举个例子我当年错得最多的是题型9二维连续型的积分上下限。每次翻错题本看到“错误原因积分区域画错$y$ 的上下限取反”这句话就能立刻把问题定位到“画图”这一个动作上。下次做题时我会在草稿纸上先花三十秒把积分区域画出来不再凭感觉写上下限。这种“一句话正确思路”比抄一整页解析有用得多因为每次翻看都相当于一次快速复盘而不是从头到尾重新读题。错题本还有一个用法考前两小时不要做新题只翻错题本。看到一道错题先回忆它的题型编号和正确思路想不起来的再去翻教材。这个环节相当于把最薄弱的地方重新过一遍比盲目刷十道新题提分更快。5.3 视频课资源与题目怎么配合高数叔这套“二十种题型”系列的好处是它把每类题型都浓缩在十几分钟的讲解里配合典型例题。但我得说句实话看视频和会做题之间还隔着一次“自己动手”的距离。我的用法是“三段式”。第一段先做题再看视频。遇到一个题型先凭记忆做一遍例题卡住再去看解析。这样做的好处是你会发现自己卡在哪个具体环节看视频时注意力会更集中。第二段看完视频立刻盖住答案重新独立做一遍例题。这遍如果还能做出来说明真的吸收了做不出来说明只是眼睛会了。第三段做教材或题库里的变式题。变式题不需要多每个题型两三道就够关键是要能识别出“换汤不换药”的部分。资源不用贪多。同一类题型的思路你看三个不同老师讲十遍不如自己动手做三遍来得深刻。我的建议是选定一个系列作为主线比如高数叔这套配套教材和真题作为刷题工具遇到某个题型实在绕不过去时再去搜针对性的单个讲解视频补充。碎片化补充没问题但主线必须稳定不然你光切换老师风格就浪费大量时间。6. 高频失分点诊断与抢救技巧6.1 拿到卷子先干这三件事第一个动作是浏览全卷把每道大题对应的题型编号写在题目旁边。比如第一道大题看到“两台机器生产零件”标注“全概率/贝叶斯”第三道大题看到“二维联合密度”标注“题型9”。这个过程不超过两分钟却能让你对全卷难度和熟悉度心里有数。第二个动作是先把所有“见过”的题目的得分公式写在草稿纸上。比如你看到极大似然估计题先把 $L(\theta)$ 的一般形式写好看到区间估计题先把 $\bar{X}\pm z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$ 写出来。这样你的草稿纸就成了一个公式速查表后面做题时不用频繁翻书也不容易因为紧张忘公式。第三个动作也是最重要的一步先做自己最熟悉的题型。考试时间有限性价比优先。我见过太多同学从选择填空开始做结果在某道卡了两分钟的选择题上耗掉了二十分大题的思考时间。概率统计卷子的计算大题流程固定按步骤写就能拿分而选择题里的概念辨析一个不留神还要扣分。先拿稳的大题分数再回头啃小题这是我一直以来的策略。6.2 答题时的失分点清单总结这些年见过的卷子概率统计的失分几乎集中在这几个地方。第一分布函数和分布律的符号混用。写 $F(x)$ 还是 $f(x)$、$p_i$ 还是 $f(x_i)$这些符号每年都在扣分。我的建议是答大题时先写“设 $F(x)$ 为分布函数$f(x)$ 为密度函数”给阅卷老师一个清晰的符号约定。第二积分上下限错误。连续型随机变量的边缘密度、期望、协方差计算都依赖积分的正确性。检查的最好办法是求完积分后看一下结果是否非负是否关于某个变量单调合理。如果算出来密度函数出现负数那一定是积分区域或上下限写错了。第三假设检验的原假设符号写错。前面强调过原假设必须带等号。很多同学喜欢把题目想证明的结论写成 $H_0$导致拒绝域方向全反。记住那条原则想证明什么就把它放在 $H_1$。第四置信区间和假设检验的“显著性水平”没分清楚。置信水平是 $1-\alpha$显著性水平是 $\alpha$。查表时区间估计用 $\alpha/2$ 的双侧分位数假设检验用 $\alpha$ 的分位数。这个细节一错整道题的分值基本清零。第五忘写结论。最后一步的文字结论比如“拒绝 $H_0$认为平均寿命显著大于1000小时”往往占一到两分。很多同学算出统计量值后就直接交卷白白丢分。每次做完假设检验我都要强迫自己在最后写一句完整的结论句。6.3 最后三天的抢救顺序如果只剩三天不要再从头看教材。排序应该是第一天过一遍题型1到10的错题本和典型例题第二天过一遍题型11到20的错题本和典型例题第三天做一套完整的真题模拟严格按照考试时间然后只复盘错题。这三天不要碰新题难题。概率统计这门课基础题型拿到分基本就能到良好水平那些偏难怪题即使花半小时做出来对总分的贡献也有限。把精力花在确保“会做的题不丢分”上性价比最高。这也是我给身边所有备考同学的建议。考前最后一晚把常用公式默写一遍尤其要写熟正态分布标准化、极大似然估计四步、置信区间三种形式然后早点睡。我自己当年就是用这套题型框架复习的。说实话概率统计这门课本身不难难的是在有限时间里把零散的概念织成一张网。二十种题型的最大价值就是帮你把这张网的每一个结点都标好名字你只需要顺着结点一个个确认过去就行。真正到了考场上你看到的不是一道道陌生的题目而是一个个熟悉的题型这种掌控感本身就是稳定发挥的前提。最后再分享一个小技巧复习到后期可以自己尝试“出题”。拿一张白纸按照题型清单的序号每个题型出一道你认为最可能考到的题目然后自己作答。这个过程会逼着你站在出题人的角度思考哪里容易设陷阱、哪里是得分要点做完一遍之后你对这套体系的把握会上一个新台阶。
概率论与数理统计期末复习：二十种必考题型全拆解
又到期末了每年这时候后台问得最多的就是概率论怎么复习。这门课和高等数学不太一样高数你不会写起码还能凭直觉凑个极限、求个导数概率统计要是概念没串起来拿到卷子是真的一个字都写不出来。我自己备考的时候把市面上叫得上名字的串讲视频基本都过了一遍高数叔那个“二十种题型”的系列给我的印象最深刻。不是因为讲得玄乎而是它真的把一门公式多、概念绕、题型杂的课压缩成了一张可以照着练的清单。这篇文章就围绕这套“二十种题型”的复习框架展开。我会把这个系列的底层逻辑拆开告诉你为什么题型驱动比章节驱动更适合考前突击然后把这二十种题型的识别特征、标准解法、易错点和判分陷阱逐个讲清楚。不管你是一学期没听课想抢救还是已经复习了一轮想查漏补缺这套框架都能直接拿来用。适合所有正在备考概率论与数理统计的本科生也适合准备考研数学三、数学一的同学提前建立题型意识。1. 为什么用“题型驱动”来复习概率统计很多人的复习方式是翻开目录从第一章“随机事件与概率”开始一路看到第八章“假设检验”。这种章节驱动的复习法看着很完整实际上效率极低。原因很简单概率统计的教材是按知识逻辑写的但试卷是按题型出的。你按目录复习等于拿着地图找路但考试根本不考地图只考路上那几个特定的路口。题型驱动的逻辑正好反过来。先不看教材目录而是去看过去五到十年的期末真题、考研真题统计每道题到底在考什么。统计完你会发现试卷上的题目翻来覆去就那么二十来种。比如古典概型必考一题全概率和贝叶斯必考一题二维随机变量的联合分布必考一大题矩估计和极大似然估计必考一题。这些题型出现的频率之高甚至让你怀疑出题老师是不是偷懒。为什么题型驱动能拿高分还有一个更实际的原因概率统计的题目套路化程度极高。同一道题换个数换个人名换套情境解题步骤完全一样。比如极大似然估计不管题干里是灯泡寿命、零件尺寸还是顾客到达时间写出似然函数、取对数、求导、令导数为零四步走完步骤分拿满。这种题根本不考你的数学天赋考的是你有没有见过这个流程。题型复习法训练的就是这个“见过”。当然题型驱动不是让你完全不看书。基本概念、公式定理还是得有个印象否则你看不懂题目在说什么。正确做法是把题型清单当作骨架把教材当作字典遇到不懂的概念再去查而不是从头到尾把字典背一遍。这样复习一周的效果往往比慢悠悠看书一个月更好。2. 二十种题型的完整地图与分值权重我根据高数叔系列里给出的题型框架结合自己对期末真题和考研真题的观察整理出了一张二十种题型的完整清单。这张表不仅是复习目录也是你分配时间的依据。序号题型名称核心考点出题频率掌握要求1古典概型计算排列组合、等可能事件计数高必须掌握2条件概率、全概率与贝叶斯全概率公式、贝叶斯公式很高必须掌握3事件关系与独立性判断互斥、对立、独立中必须掌握4一维分布函数与分布律分布函数性质、参数反求高必须掌握5常见离散分布0-1、二项、泊松高必须掌握6常见连续分布正态、均匀、指数很高必须掌握7密度函数与分布函数互求积分、求导、分段函数高必须掌握8随机变量函数的分布分布函数法、公式法高重点掌握9二维联合分布与边缘分布联合分布律/密度、边缘化很高必须掌握10条件分布与独立性判定条件密度、独立性验证高重点掌握11期望与方差计算定义式、性质、公式套用很高必须掌握12协方差与相关系数Cov定义、相关系数、不相关中重点掌握13切比雪夫不等式与中心极限定理不等式放缩、正态近似中重点掌握14统计量与抽样分布样本均值、样本方差、卡方分布高重点掌握15分位数与三大抽样分布上侧分位数、t/F分布查表中了解掌握16矩估计法样本矩代替总体矩很高必须掌握17极大似然估计法似然函数、取对数求导很高必须掌握18估计量评价无偏、有效期望等于参数、方差比较中重点掌握19单正态总体区间估计z区间、t区间、卡方区间高必须掌握20单正态总体假设检验拒绝域、两类错误、显著性水平高必须掌握这张表怎么看我个人的经验是先看“出题频率”和“掌握要求”两列。带“必须掌握”的题型基本覆盖了整张试卷百分之七十以上的分数。如果你时间只够做三件事那就先把1、2、6、7、9、11、16、17、19、20这十种题型练熟及格线肯定就摸到了。想冲高分再把剩下十种补齐。还有一点要提醒第3章和第4章的题型并不是完全独立的。第9题二维联合分布经常会和期望、协方差合并成一道十五分的大题第10题条件分布又可能和第19题区间估计串在一起。复习的时候要有“题型联动”的意识不能孤立地背模板这一点在后面我会结合具体题目详细说。3. 概率论部分前十种题型逐题拆解3.1 古典概型别急着套排列组合公式古典概型的标志是题干里出现“等可能”、“随机抽取”、“不放回”、“排队”这类词本质就是计数问题。核心公式就一个$P(A)\frac{事件A包含的样本点数}{样本空间总样本点数}$。听起来简单丢分往往丢在计数环节。做这种题我有一个习惯先不要急着用排列还是组合而是问自己两个问题。第一题目里有没有“顺序”的概念抽两个人当代表是有顺序还是没顺序第二抽取方式是“放回”还是“不放回”这两个问题决定了你用 $A_n^k$、$C_n^k$ 还是 $n^k$。比如经典的“袋中有5个红球3个白球不放回连取两次求两次都取到红球的概率”分母是 $8\times7$分子是 $5\times4$用排列的思维如果改成“一次取两个”分母就是 $C_8^2$分子是 $C_5^2$答案看起来差不多但计数逻辑完全不同。一个常见陷阱是“至少”型问题。比如“至少有一件次品”的概率很多同学喜欢直接分类讨论“恰好一件次品”加“恰好两件次品”这么做没问题但计算量大。更聪明的做法是用对立事件$P1-P(全是正品)$。我考试时看到“至少”两个字第一反应永远是先想对立事件能不能做通常都能省下两分钟。3.2 条件概率、全概率与贝叶斯公式三步走这组题型是概率论第一章最重要的内容基本属于必考题型而且往往不止考一题。全概率公式解决的是“结果概率”贝叶斯公式解决的是“原因概率”。很多同学会混淆我提供一个比较好记的判断方法题目问“已知某个结果发生了求它来自哪个原因”时用贝叶斯公式。做题的步骤我总结为三步。第一步找“原因集合”${A_1,A_2,\dots,A_n}$。这些原因是互斥的并且它们的并集是整个样本空间。比如“一批零件来自甲、乙、丙三台机床”、“某地区人群分为吸烟和不吸烟”这些都是天然的原因划分。第二步列出已知条件翻译成符号各个原因的概率 $P(A_i)$ 和各原因下的条件概率 $P(B|A_i)$。第三步按公式套全概率 $P(B)\sum_{i1}^n P(A_i)P(B|A_i)$贝叶斯 $P(A_i|B)\frac{P(A_i)P(B|A_i)}{\sum_{j1}^n P(A_j)P(B|A_j)}$。最容易翻车的地方是第二步的符号翻译。题目说“某产品是次品的概率为0.02”你得分清楚这是 $P(B)$ 还是 $P(B|A)$。我的做法是把所有已知数值写成带竖线的条件概率凡是有“在……下”、“当……时”、“……的产品中”这类描述的基本都是条件概率。把这个基本功练好全概率和贝叶斯就成功了一大半。3.3 事件独立性判断计算前先看题干有没有这句话独立性这个考点经常不单独出题而是嵌在别的题目里。比如二项分布的每一次试验要求相互独立比如两个随机变量如果独立那么联合分布函数的性质会有简化。判断两个事件是否独立定义是 $P(AB)P(A)P(B)$。但做题时有两类情况一类是题目直接告诉你“相互独立”这种情况你只需要在计算中使用独立性的性质比如 $P(A\cap B)P(A)P(B)$另一类是题干没有明说要你从条件去验证独立性这时候就必须老老实实计算 $P(AB)$看是否等于 $P(A)P(B)$。这里有个高频陷阱互斥和独立的区别。两个互斥事件如果概率都大于零那它们一定不独立因为 $P(AB)0$ 而 $P(A)P(B)0$。很多同学看到“互斥”就顺手写成独立这是概念没理清。我复习时会专门做一组对比题把“互斥”、“对立”、“独立”三个概念放在一道综合题里来回确认这个功夫值得花。3.4 一维随机变量的分布函数与分布律分段函数是重灾区分布函数 $F(x)P{X\le x}$ 的定义看起来简单但一到写分段函数就错误百出。常见的坑有三个第一$F(x)$ 是累积概率它的值域一定在 $[0,1]$ 之间而且随着 $x$ 增大单调不减第二$F(-\infty)0$$F(\infty)1$这两个极限可以用来验证答案对不对第三$F(x)$ 在离散型随机变量的取值点上是右连续的也就是说在跳跃点处函数值取的是右端点的值。对于离散型随机变量题目通常给你分布律表格让你写分布函数。我的方法是用“阶梯法”先标出所有取值点然后在相邻取值点之间$F(x)$ 的取值等于前面所有概率的累加和。注意区间端点的归属问题左边取开区间右边取闭区间也就是 $F(x)\sum_{x_i\le x}p_i$。这样写出来的分段函数不会漏项。反向题型也不少见给了分布函数求分布律。做法很简单找出 $F(x)$ 所有的跳跃点跳跃的高度就是对应点的概率。这个题型本身不难但它是后面二维随机变量联合分布函数的基础基础不牢的话后面学起来会很吃力。3.5 常见分布家族二项、泊松、正态、均匀、指数这一节说是五个分布其实是五张必须背烂的“身份证”。每个分布你需要掌握四样东西分布律或密度函数、参数含义、期望和方差、典型应用场景。我列一张对照表方便记忆。分布名称参数概率函数/密度期望方差典型场景二项分布 $B(n,p)$试验次数n成功率p$C_n^k p^k(1-p)^{n-k}$$np$$np(1-p)$n次独立重复试验成功次数泊松分布 $P(\lambda)$平均发生率λ$\frac{\lambda^k e^{-\lambda}}{k!}$$\lambda$$\lambda$稀有事件发生次数正态分布 $N(\mu,\sigma^2)$均值μ方差σ²$\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}$$\mu$$\sigma^2$测量误差、身高体重等均匀分布 $U(a,b)$区间端点a,b$\frac{1}{b-a}, axb$$\frac{ab}{2}$$\frac{(b-a)^2}{12}$等可能的连续取值指数分布 $Exp(\lambda)$率参数λ$\lambda e^{-\lambda x}, x0$$\frac{1}{\lambda}$$\frac{1}{\lambda^2}$寿命、等待时间这五种分布中正态分布是绝对重点。标准化公式 $Z\frac{X-\mu}{\sigma}$ 一定要形成肌肉记忆。任何正态分布的概率计算第一步都是标准化第二步才是查标准正态分布表。我见过太多同学在 $P{aXb}$ 这类题目上出错问题不是不会标准化而是忘了 $P{Zz}\Phi(z)$ 查出来的值是左侧概率右侧概率要用 $1-\Phi(z)$。泊松分布和二项分布之间还有一个关系要留意当 $n$ 很大、$p$ 很小时二项分布可以用泊松分布近似此时 $\lambdanp$。这是中心极限定理之前你接触到的第一个近似思想不仅能简化计算也经常出现在选择题的选项里。3.6 二维联合分布与边缘分布大题的绝对主力二维随机变量几乎是每份试卷的必考大题分值通常在10到15分。它之所以重要是因为它把所有概率论的核心工具都串了起来联合分布、边缘分布、条件分布、独立性、期望、协方差全都在这一道题里考察。做这类题我的流程是固定的。拿到题目后先判断是离散型还是连续型。离散型会给你一张联合分布律表格连续型会给一个联合密度函数。如果是连续型第一步永远是画积分区域。很多人觉得画图浪费时间其实画图能避免至少一半的积分上下限错误。画出区域后求边缘密度 $f_X(x)\int f(x,y)dy$ 时关键是确定 $y$ 的积分上下限这个上下限就是区域在固定 $x$ 时的纵坐标范围。边缘分布和联合分布的关系我常用一个生活化的类比理解联合分布是一张完整的学生成绩表包含语文和数学两列边缘分布就是只看数学成绩这一列把每个分数出现的次数汇总。维度降低了但信息是原表投影出来的不会凭空多出东西。所以边缘密度对每个 $x$积掉 $y$ 就行最后一定是关于 $x$ 的一元函数。这道大题最容易丢分的地方有两个。第一个是忘记验证归一性即 $\int_{-\infty}^{\infty}\int_{-\infty}^{\infty}f(x,y)dxdy1$很多题目会故意让你求联合密度中的未知常数你必须用归一性来求。第二个是求条件密度时忘记写“存在条件”$f_Y(y)\ne0$严格写法应该是 $f_{X|Y}(x|y)\frac{f(x,y)}{f_Y(y)}$且当 $f_Y(y)0$ 时条件密度为0。这些细节就是批卷时区分高分和中等分的关键。3.7 随机变量函数的分布分布函数法是万能钥匙已知 $X$ 的分布求 $Yg(X)$ 的分布这是很多同学的痛点。方法其实就两个分布函数法和公式法。我的建议是除非题目明确提示用公式法否则一律先用分布函数法。分布函数法的核心就一句话$F_Y(y)P{Y\le y}P{g(X)\le y}$然后把事件 ${g(X)\le y}$ 转化成关于 $X$ 的不等式再用 $X$ 的分布函数表示。真正让同学犯难的是“转化关于 $X$ 的不等式”这一步。当 $g$ 不是单调函数时这一步尤为复杂。比如 $YX^2$则 ${X^2\le y}$ 要分成 ${-\sqrt{y}\le X\le\sqrt{y}}$所以 $F_Y(y)F_X(\sqrt{y})-F_X(-\sqrt{y})$。这时候再对 $y$ 求导就能得到 $Y$ 的密度函数。处理这类问题的关键思路是先老老实实把范围写全再求导千万不要跳过 $F_Y$ 直接写密度。公式法适用的情况是 $g$ 严格单调且可导此时 $f_Y(y)f_X(h(y))|h(y)|$其中 $h$ 是 $g$ 的反函数。这个方法速度快但很容易忘记乘反函数导数的绝对值。我记得第一次用公式法做题时算出来的密度函数积分不为1才发现漏了绝对值。从那以后我都会用“积分是否为1”来反向验证公式法做出来的结果。3.8 期望与方差算不对,后面全得崩期望和方差是整个概率统计的计算基石。后面参数估计里要算期望假设检验里要算方差只要这里出错后面的分数基本保不住。期望的计算要分清楚离散和连续。离散型用 $E(X)\sum x_i p_i$连续型用 $E(X)\int_{-\infty}^{\infty} x f(x)dx$。这两个公式看着简单但真正的考点在性质的使用上$E(aXbYc)aE(X)bE(Y)c$这个线性性质对任何随机变量都成立不管是否独立。很多同学误以为这个是独立的条件下才成立其实期望本来就不需要独立性这一点很重要。方差的计算则不一样。方差有可加性但只在独立时才成立$D(aXbY)a^2D(X)b^2D(Y)$。如果 $X,Y$ 不独立展开时就必须加上协方差项$D(X\pm Y)D(X)D(Y)\pm2Cov(X,Y)$。这是使用频率极高的公式也是很多综合题的隐藏考点。另一个容易漏记的公式是 $D(X)E(X^2)-[E(X)]^2$。这个公式非常实用因为它可以把求方差问题转化成求两个期望的问题。尤其是题目给了 $Yg(X)$ 让你求方差时直接用定义算 $D(Y)$ 往往是灾难但先算 $E(g(X))$ 和 $E(g^2(X))$ 反而好办。3.9 协方差、相关系数警惕“不相关”和“独立”的陷阱协方差和相关系数的计算通常是二维随机变量大题的最后一问。$Cov(X,Y)E(XY)-E(X)E(Y)$相关系数 $\rho\frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}}$。解题思路没什么悬念但概念题里有一个高频陷阱随机变量独立一定不相关但不相关不一定独立。只有当 $X,Y$ 服从联合正态分布时不相关和独立是等价的。这个“联合正态分布”的特殊性几乎每年都会出现在选择题里。具体计算时我习惯把一个式子写满再代数值$E(XY)\int\int xy f(x,y)dxdy$。有些同学图省事看到 $X,Y$ 独立就写 $E(XY)E(X)E(Y)$这没问题但如果题目没说独立你就必须先准备一个联合密度表格把每个 $(x_i,y_j)$ 对应的 $x_i y_j p_{ij}$ 全列出来再求和这个步骤不能省步骤分就是靠它拿到的。还有一个实战技巧如果前面已经求出了 $E(X)$、$E(Y)$、$E(X^2)$、$E(Y^2)$那么 $D(X)$、$D(Y)$、$Cov(X,Y)$ 可以一次性算完不用重复积分。我在做二维分布的答题时会在一张草稿纸上先把所有需要的一阶矩和二阶矩整理好再做后面的计算速度至少快一倍。3.10 切比雪夫不等式与中心极限定理估计题就两条路这类题型出现的频率中等但一旦出现就是送分题。切比雪夫不等式的形式是 $P{|X-E(X)|\ge\varepsilon}\le\frac{D(X)}{\varepsilon^2}$它不需要你知道 $X$ 的具体分布只要期望和方差存在就能得到概率上界。做题时直接套公式重点是把 $E(X)$ 和 $D(X)$ 求出来。中心极限定理的题则要复杂一点。核心思想是大量独立同分布的随机变量之和标准化后近似服从标准正态分布。也就是说$\sum_{i1}^n X_i$ 近似服从 $N(n\mu,n\sigma^2)$标准化为 $\frac{\sum X_i-n\mu}{\sqrt{n}\sigma}$ 后可以查正态分布表算概率。实际应用中最常见的问法是“至少需要多少个样本才能保证误差不超过某个值的概率不低于……”这种题本质是反用中心极限定理先写出 $P{|\bar{X}-\mu|a}\approx2\Phi(\frac{a\sqrt{n}}{\sigma})-1$然后令结果大于等于给定概率解出 $n$ 的下限。注意这里一定要把 $2\Phi(\cdot)-1$ 写对因为这是双侧区间很多人查表时容易忽略才是左侧面积。4. 数理统计部分后十种题型逐题拆解4.1 统计量与抽样分布先把符号规范好进入数理统计之前统计量的概念要先过关。教材里给了一堆符号样本均值 $\bar{X}\frac{1}{n}\sum_{i1}^n X_i$、样本方差 $S^2\frac{1}{n-1}\sum_{i1}^n (X_i-\bar{X})^2$。这里最反直觉的就是样本方差为什么除以 $n-1$ 而不是 $n$。一句话解释如果用 $n$ 做分母算出来的样本方差在期望上会小于总体方差也就是有偏换成 $n-1$ 后 $E(S^2)\sigma^2$无偏。这就是自由度概念最朴素的理解。这类题型的计算并不难难在“独立同分布”的意识。当题目说“设 $X_1,X_2,\dots,X_n$ 是来自正态总体 $N(\mu,\sigma^2)$ 的简单随机样本”时你要自动识别出三层信息第一每个 $X_i$ 都服从同一个正态分布第二$X_i$ 之间相互独立第三因此 $\bar{X}$ 服从 $N(\mu,\sigma^2/n)$。这个 $\bar{X}$ 的方差公式后面区间估计和假设检验都要反复用。我自己在复习时吃过一个亏把样本方差和总体方差都记成 $S^2$导致后面算抽样分布时经常把统计量搞混。现在我的做法是凡是在草稿纸上看到 $\bar{X}$、$S^2$、$\sigma^2$ 这三个符号先标注是“样本的还是总体的、已知的还是未知的”再动笔。符号规范了思路不会乱。4.2 分位数与三大抽样分布记住三句话卡方分布、$t$ 分布、$F$ 分布合称三大抽样分布。很多同学看到这里就头大。我记它们的思路是三句话。第一句标准正态变量的平方和服从卡方分布。具体来说若 $X_1,\dots,X_n$ 独立同分布服从 $N(0,1)$则 $\sum_{i1}^n X_i^2\sim\chi^2(n)$。这是卡方分布的核心来源。第二句标准正态变量除以独立的卡方变量除以自由度后的平方根服从 $t$ 分布形式是 $T\frac{X}{\sqrt{Y/n}}$其中 $X\sim N(0,1)$$Y\sim\chi^2(n)$。第三句两个独立的卡方变量各自除以自由度后的比值服从 $F$ 分布。记住这三条来源比硬背分布密度函数管用得多。考试通常不会让你背三大分布的密度表达式而是考两个点一是根据题目构造符合上述结构的统计量二是通过查表求分位数。查表时要特别注意$t$ 分布和 $F$ 分布表格里通常只给上侧小概率的分位数而且自由度的位置要看清$F$ 分布的分子和分母自由度顺序不能互换不然查出来的值差得很远。做题时还有一个细节$\chi^2$ 分布只取非负值所以求 $P{\chi^2a}$ 时直接把 $a$ 当作分位数查表即可不需要像正态分布那样做标准化。这一点很多同学会惯性出错尝试把卡方值标准化结果查不到数。记住卡方、$t$、$F$ 的分布与正态不同它们的分位数就是原值不做标准化。4.3 矩估计法样本矩替总体矩一句话搞定矩估计是所有参数估计里最容易上手的方法原理就一句话用样本矩替换总体矩。具体操作是设总体有未知参数 $\theta$根据总体的期望公式写出 $E(X)\int xf(x;\theta)dx$这个式子通常包含 $\theta$。然后把总体一阶矩 $E(X)$ 换成样本一阶矩 $\bar{X}$解方程得到 $\hat{\theta}$。在很多情况下一阶矩就够了。但有些分布比如均匀分布 $U(0,\theta)$其期望是 $\theta/2$令 $\bar{X}\theta/2$解出 $\hat{\theta}2\bar{X}$这也是一阶矩估计。如果一阶矩里不含参数比如某些两参数分布那就得用二阶矩$\frac{1}{n}\sum X_i^2E(X^2)D(X)[E(X)]^2$解二元方程组。这里想提醒一个细节用二阶矩时很多同学会误写成“用样本方差替换总体方差”这并不符合矩估计的标准流程。矩估计的标准做法是替换总体原点矩而不是中心矩。当然在某些对称分布下结果一致但严谨的考试步骤还是按原点矩来写比较稳。4.4 极大似然估计法四步走高分大题到手极大似然估计是数理统计部分最“良心”的送分大题因为它几乎不考技巧只考流程熟练度。只要把步骤写清楚步骤分就能拿到手。流程如下。第一步写出似然函数。样本独立时$L(\theta)\prod_{i1}^n f(x_i;\theta)$。注意连续型用密度函数离散型用分布律。第二步取对数。$\ln L(\theta)\sum_{i1}^n \ln f(x_i;\theta)$取对数的目的是把连乘变成累加便于求导。第三步对 $\theta$ 求导并令其等于零解出 $\hat{\theta}$。第四步如果题目要求验证二阶导小于零确认是极大值点。我在批改同学作业时发现最常见的错误是第一步就写错了似然函数。比如题干给出的是正态总体密度函数带 $\pi$ 和指数很多同学会把指数里的平方项丢掉或者忘掉 $\frac{1}{\sqrt{2\pi}\sigma}$ 前面的连乘号。其实似然函数就是每个样本点密度函数的连乘积老老实实把 $x_i$ 一个一个代入乘起来即可不要跳步。另一个容易丢分的地方是当似然方程无解时比如均匀分布 $U(0,\theta)$似然函数对 $\theta$ 在区间内是单调递减的你不能求导而要直接根据“似然函数越大越好”的原则取 $\hat{\theta}\max{x_1,\dots,x_n}$。这个“边界情况”几乎每年都会在真题或模拟题里出现如果你只背了求导步骤遇到这种情况就会卡住。4.5 无偏性与有效性两个小判断决定估计量的优劣参数估计除了“怎么估计”还要考“估得怎么样”。估计量本身是样本的函数也是随机变量它的好坏需要标准。两个最常考的标准无偏性和有效性。无偏性要求 $E(\hat{\theta})\theta$也就是说估计量在平均意义下没有系统偏差。这通常是一个计算期望的题难点在于把 $\hat{\theta}$ 写成样本 $X_i$ 的线性组合后用期望的线性性质拆开。例如 $\hat{\theta}c\sum X_i$那么 $E(\hat{\theta})c\sum E(X_i)cn\mu$令其等于 $\theta$ 就能解出 $c$。有效性是在多个无偏估计量中比较方差方差越小越好。比较方差的方法有两种直接计算各自的方差并比较大小或者使用有效性的定义看一个估计量的方差是否不超过另一个。这类题目的计算核心还是方差的性质注意$X_i$的独立性是前提不能随便拆方差。还有一个高频概念是“均方误差”$MSE(\hat{\theta})E[(\hat{\theta}-\theta)^2]D(\hat{\theta})[E(\hat{\theta})-\theta]^2$。这个公式把无偏性和有效性统一起来。有些有偏估计量的均方误差反而更小考试里可以出多选题理解这个概念之后就不担心被绕进去了。4.6 单正态总体的区间估计分清已知与未知区间估计是数理统计应用题的大头核心逻辑就是构造一个枢轴量让它服从一个不依赖未知参数的分布然后反解出参数的置信区间。题型可以分成三类。第一类方差已知估计均值 $\mu$。选用枢轴量 $Z\frac{\bar{X}-\mu}{\sigma/\sqrt{n}}\sim N(0,1)$置信区间为 $\bar{X}\pm z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$其中 $z_{\alpha/2}$ 是标准正态分布的上侧 $\alpha/2$ 分位数。第二类方差未知估计均值 $\mu$。这时用样本方差 $S^2$ 替换总体方差枢轴量变为 $t\frac{\bar{X}-\mu}{S/\sqrt{n}}\sim t(n-1)$置信区间为 $\bar{X}\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt{n}}$。注意自由度是 $n-1$。第三类估计方差 $\sigma^2$。以样本方差为基础枢轴量 $\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$置信区间为 $\left[\frac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\frac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$。我见过太多同学把三种情况搞混。我的口诀是是否是未知方差决定查正态表还是查 $t$ 表估计均值还是方差决定用 $Z/t$ 还是用 $\chi^2$。还有一个容易忽略的细节查 $t$ 表和 $\chi^2$ 表时题目可能只给了部分分位数你要学会用对称性补出缺失的那个分位数值。比如 $t_{0.95}(n)-t_{0.05}(n)$这个负号关系必须记住。4.7 假设检验拒绝域写对整个题就稳了假设检验是数理统计的收尾大题也是很多人的心理阴影。其实它和区间估计有很强的对称关系。区间估计是给定置信水平划出参数可能存在的区间假设检验是给定显著性水平判断某个假设是否合理。两者的核心都是那个枢轴量。做假设检验题的流程是固定的六步。第一步写出原假设 $H_0$ 和备择假设 $H_1$。注意原假设必须包含等号。第二步确定显著性水平 $\alpha$通常是0.05或0.01。第三步选择检验统计量。方差已知时用 $Z$ 统计量方差未知时用 $t$ 统计量。第四步写出拒绝域。双边检验时拒绝域是 $|Z|z_{\alpha/2}$单边检验时左单边是 $Z-z_\alpha$右单边是 $Zz_\alpha$。第五步代入样本数据计算统计量的值。第六步判断是否落入拒绝域给出结论。最让同学头疼的是第一步怎么设 $H_0$ 和 $H_1$。我的经验是把题目想要“证明”的那个结论放在备择假设 $H_1$ 里。比如题目问“这批产品的平均寿命是否显著大于1000小时”你想证明“大于1000小时”那就设 $H_1:\mu1000$原假设 $H_0:\mu\le1000$。实际操作时原假设通常写成 $\mu\mu_0$ 的形式因为检验统计量的计算是在原假设成立前提下进行的。这个设定一错后面全错所以每次动笔前先问自己我想证明什么把它放 $H_1$。两类错误的概念也经常考。第一类错误是“原假设为真时拒绝了它”概率记为 $\alpha$第二类错误是“原假设为假时接受了它”概率记为 $\beta$。在样本量固定时$\alpha$ 和 $\beta$ 是此消彼长的想同时减小就必须增大样本量。理解了这层关系理解和记忆显著性水平的含义就不会再混淆。5. 复习实操时间安排、错题法与资源配合5.1 一周速成版的三轮安排如果你离考试只剩一周不要慌。按题型框架走一周时间是够的。我的建议是把七天切成三轮。第一轮用两天时间过题型1到10。每天看四到五个题型的视频课和例题讲解看完立刻动手做一到两道配套题不要光看。这轮的目标不是全对而是建立起“看到题干特征就能对应到题型编号”的条件反射。比如看到“不放回取球”就想到题型1看到“有两台机器生产零件”就想题型2这部分反应速度决定你后面做题的顺畅度。第二轮用两天时间过题型11到20。这一轮的重点是数理统计部分的计算流程尤其是矩估计、极大似然估计、区间估计和假设检验。这四个题型的特点是套路死板但计算量大你要在纸上完整写出每一步而不是在脑子里过一遍。我常和同学说计算题在纸上过和在脑子里过考试时的效果差很多因为手写能帮你提前暴露符号写错、上下限写反这类低级失误。第三轮最后三天用来做真题套卷。每天一套限时两小时。做完以后不急着对答案先把能靠回忆和翻笔记改出来的题改掉再对着解析补漏。套卷的作用不只是练题而是练时间分配。我的做题顺序一般是先做计算大题的框架和步骤再做选择题和填空题最后回来补计算细节。这样能保证即使时间不够每一步的步骤分也是稳的。5.2 错题本的正确打开方式我不赞成把错题本做成“抄题抄答案”的陈列馆那只会感动自己。我的错题本按题型编号来归档每道错题记录四列信息题目来源、错误原因、对应题型编号、正确思路的一句话总结。举个例子我当年错得最多的是题型9二维连续型的积分上下限。每次翻错题本看到“错误原因积分区域画错$y$ 的上下限取反”这句话就能立刻把问题定位到“画图”这一个动作上。下次做题时我会在草稿纸上先花三十秒把积分区域画出来不再凭感觉写上下限。这种“一句话正确思路”比抄一整页解析有用得多因为每次翻看都相当于一次快速复盘而不是从头到尾重新读题。错题本还有一个用法考前两小时不要做新题只翻错题本。看到一道错题先回忆它的题型编号和正确思路想不起来的再去翻教材。这个环节相当于把最薄弱的地方重新过一遍比盲目刷十道新题提分更快。5.3 视频课资源与题目怎么配合高数叔这套“二十种题型”系列的好处是它把每类题型都浓缩在十几分钟的讲解里配合典型例题。但我得说句实话看视频和会做题之间还隔着一次“自己动手”的距离。我的用法是“三段式”。第一段先做题再看视频。遇到一个题型先凭记忆做一遍例题卡住再去看解析。这样做的好处是你会发现自己卡在哪个具体环节看视频时注意力会更集中。第二段看完视频立刻盖住答案重新独立做一遍例题。这遍如果还能做出来说明真的吸收了做不出来说明只是眼睛会了。第三段做教材或题库里的变式题。变式题不需要多每个题型两三道就够关键是要能识别出“换汤不换药”的部分。资源不用贪多。同一类题型的思路你看三个不同老师讲十遍不如自己动手做三遍来得深刻。我的建议是选定一个系列作为主线比如高数叔这套配套教材和真题作为刷题工具遇到某个题型实在绕不过去时再去搜针对性的单个讲解视频补充。碎片化补充没问题但主线必须稳定不然你光切换老师风格就浪费大量时间。6. 高频失分点诊断与抢救技巧6.1 拿到卷子先干这三件事第一个动作是浏览全卷把每道大题对应的题型编号写在题目旁边。比如第一道大题看到“两台机器生产零件”标注“全概率/贝叶斯”第三道大题看到“二维联合密度”标注“题型9”。这个过程不超过两分钟却能让你对全卷难度和熟悉度心里有数。第二个动作是先把所有“见过”的题目的得分公式写在草稿纸上。比如你看到极大似然估计题先把 $L(\theta)$ 的一般形式写好看到区间估计题先把 $\bar{X}\pm z_{\alpha/2}\frac{\sigma}{\sqrt{n}}$ 写出来。这样你的草稿纸就成了一个公式速查表后面做题时不用频繁翻书也不容易因为紧张忘公式。第三个动作也是最重要的一步先做自己最熟悉的题型。考试时间有限性价比优先。我见过太多同学从选择填空开始做结果在某道卡了两分钟的选择题上耗掉了二十分大题的思考时间。概率统计卷子的计算大题流程固定按步骤写就能拿分而选择题里的概念辨析一个不留神还要扣分。先拿稳的大题分数再回头啃小题这是我一直以来的策略。6.2 答题时的失分点清单总结这些年见过的卷子概率统计的失分几乎集中在这几个地方。第一分布函数和分布律的符号混用。写 $F(x)$ 还是 $f(x)$、$p_i$ 还是 $f(x_i)$这些符号每年都在扣分。我的建议是答大题时先写“设 $F(x)$ 为分布函数$f(x)$ 为密度函数”给阅卷老师一个清晰的符号约定。第二积分上下限错误。连续型随机变量的边缘密度、期望、协方差计算都依赖积分的正确性。检查的最好办法是求完积分后看一下结果是否非负是否关于某个变量单调合理。如果算出来密度函数出现负数那一定是积分区域或上下限写错了。第三假设检验的原假设符号写错。前面强调过原假设必须带等号。很多同学喜欢把题目想证明的结论写成 $H_0$导致拒绝域方向全反。记住那条原则想证明什么就把它放在 $H_1$。第四置信区间和假设检验的“显著性水平”没分清楚。置信水平是 $1-\alpha$显著性水平是 $\alpha$。查表时区间估计用 $\alpha/2$ 的双侧分位数假设检验用 $\alpha$ 的分位数。这个细节一错整道题的分值基本清零。第五忘写结论。最后一步的文字结论比如“拒绝 $H_0$认为平均寿命显著大于1000小时”往往占一到两分。很多同学算出统计量值后就直接交卷白白丢分。每次做完假设检验我都要强迫自己在最后写一句完整的结论句。6.3 最后三天的抢救顺序如果只剩三天不要再从头看教材。排序应该是第一天过一遍题型1到10的错题本和典型例题第二天过一遍题型11到20的错题本和典型例题第三天做一套完整的真题模拟严格按照考试时间然后只复盘错题。这三天不要碰新题难题。概率统计这门课基础题型拿到分基本就能到良好水平那些偏难怪题即使花半小时做出来对总分的贡献也有限。把精力花在确保“会做的题不丢分”上性价比最高。这也是我给身边所有备考同学的建议。考前最后一晚把常用公式默写一遍尤其要写熟正态分布标准化、极大似然估计四步、置信区间三种形式然后早点睡。我自己当年就是用这套题型框架复习的。说实话概率统计这门课本身不难难的是在有限时间里把零散的概念织成一张网。二十种题型的最大价值就是帮你把这张网的每一个结点都标好名字你只需要顺着结点一个个确认过去就行。真正到了考场上你看到的不是一道道陌生的题目而是一个个熟悉的题型这种掌控感本身就是稳定发挥的前提。最后再分享一个小技巧复习到后期可以自己尝试“出题”。拿一张白纸按照题型清单的序号每个题型出一道你认为最可能考到的题目然后自己作答。这个过程会逼着你站在出题人的角度思考哪里容易设陷阱、哪里是得分要点做完一遍之后你对这套体系的把握会上一个新台阶。
