概率论与数理统计题型分类大纲

1.1 随机事件及其运算

样本空间与事件的关系及运算

• 利用文氏图（Venn图）将复杂事件的交、并、补转化为互斥事件的并集进行化简
• 运用对偶律（De Morgan定律）对立事件进行等价转化以简化概率计算

1.2 概率的定义与基本性质

概率的公理化性质与加法公式

• 利用容斥原理（加法公式）计算多事件并集的概率
• 利用单调性与差事件公式 $P(A-B)=P(A)-P(AB)$ 求解差集概率

1.3 古典概型与几何概型

古典概型计数模型

• 建立排列组合分步/分类模型求解等可能事件概率
• 利用“捆绑法”或“插空法”解决元素相邻或不相邻的组合概率问题

几何概型测度计算

• 构建平面直角坐标系将时间/长度约束条件转化为面积比求解概率
• 利用定积分计算非规则几何区域的测度比

1.4 条件概率与事件的独立性

条件概率与乘法公式

• 采用缩减样本空间法直接在条件背景下计算概率
• 利用乘法公式降阶展开时间序列/步骤相依事件的交集概率

全概率公式与贝叶斯公式

• 根据“完备事件组”对复杂系统进行正向路径划分求解全概率
• 识别“执果索因”题型，利用贝叶斯公式逆向计算后验概率

独立性判定与伯努利概型

• 验证 $P(AB)=P(A)P(B)$ 判定独立性并拆解多事件交集概率
• 套用二项概率公式计算 $n$ 重独立重复试验中特定事件发生 $k$ 次的概率

2.1 随机变量与分布函数

分布函数 $F(x)$ 的分析性质

• 利用右连续性、单调不减性及规范性（$F(-\infty)=0, F(+\infty)=1$）建立方程求解未知参数
• 利用 $P(x_1

2.2 离散型随机变量

分布律及其归一性

• 利用 $\sum p_i=1$ 求解分布律表格或表达式中的未知常数

常见离散型分布

• 根据“有放回/无放回”抽样场景物理特征区分二项分布与超几何分布并代入公式
• 建立泊松分布模型 $P(X=k)=\frac{\lambda^k e^{-\lambda}}{k!}$ 直接计算时间/空间区间内稀有事件的发生概率
• 当 $n$ 较大、$p$ 较小且 $np$ 适中时，利用泊松定理作为二项分布的近似计算工具
• 运用几何分布的“无记忆性”化简 $P(X>s+t|X>s)=P(X>t)$ 类型的条件概率

2.3 连续型随机变量

概率密度函数 $f(x)$

• 利用积分归一性 $\int_{-\infty}^{+\infty}f(x)dx=1$ 求解密度函数中的未知常数
• 利用变上限积分由 $f(x)$ 求解 $F(x)$ 并在分段处保证连续性

常见连续型分布

• 提取均匀分布 $U(a,b)$ 的概率密度特性，将特定区间内的概率计算转化为线段长度比
• 运用指数分布的“无记忆性”化简寿命类型的条件概率计算
• 对一般正态分布 $N(\mu,\sigma^2)$ 提取参数进行标准化 $Z=\frac{X-\mu}{\sigma}$ 并查表求概率
• 利用正态分布密度曲线关于 $x=\mu$ 的对称性快速求解区间概率或积分

2.4 一维随机变量函数的分布

离散型函数分布

• 列表法穷举自变量与因变量映射关系，合并相同函数值对应的概率得出新分布律

连续型函数分布

• 分布函数法：写出 $F_Y(y)=P(g(X) \le y)$，转化为 $X$ 的积分域再对 $y$ 求导获取 $f_Y(y)$
• 公式法：针对严格单调函数，直接代入反函数及导数绝对值公式 $f_Y(y)=f_X(h(y))|h'(y)|$ 求解

3.1 二维随机变量与联合分布

联合分布函数与联合密度

• 利用二重积分的归一性 $\iint f(x,y)dxdy=1$ 求解二维密度中的未知参数
• 结合解析几何画出积分区域 $D$，利用二重积分计算事件概率 $P((X,Y) \in D)$

二维正态分布 $N(\mu_1,\mu_2,\sigma_1^2,\sigma_2^2,\rho)$

• 运用二维正态分布中“不相关等价于独立（$\rho=0$）”的充要条件化简联合概率与期望计算
• 利用降维特性直接写出二维正态分布的边缘分布（均为一维正态分布）
• 利用线性组合的封闭性，直接配凑参数求解 $aX+bY$ 服从的新正态分布

3.2 边缘分布

边缘分布律与边缘密度

• 对离散型联合分布律按行或列求和降维提取边缘分布律
• 确定单一变量的积分上下限，对联合密度函数积掉另一变量得出边缘密度

3.3 条件分布

条件分布律与条件密度

• 利用联合分布律除以边缘分布律精确计算特定条件下的离散型条件分布
• 利用公式 $f_{X|Y}(x|y)=\frac{f(x,y)}{f_Y(y)}$ 求解连续型条件密度并在计算后标注定义域

3.4 随机变量的独立性

独立性的判定

• 验证所有联合概率等于边缘概率乘积判定离散型独立性
• 验证联合密度几乎处处等于边缘密度乘积，或通过分离变量法快速判断连续型独立性

3.5 二维随机变量函数的分布

连续型二维函数分布

• 利用卷积公式计算独立连续型变量的和分布密度 $f_{X+Y}(z)$
• 利用分布函数法计算带绝对值或分段的非规则二维变量组合（如 $X-Y, XY, X/Y$）的分布

极值分布

• 运用 $F_{\max}(z)=F_X(z)F_Y(z)$ 计算独立变量最大值的分布函数
• 运用 $F_{\min}(z)=1-(1-F_X(z))(1-F_Y(z))$ 计算独立变量最小值的分布函数

4.1 数学期望

期望的定义与计算

• 结合级数求和技巧或广义积分直接代入定义计算离散型/连续型随机变量期望
• 利用LOTUS定理（无意识统计学家法则）直接由 $X$ 的分布求 $g(X)$ 的期望而无需先求 $g(X)$ 分布

期望的性质

• 利用线性性质 $E(aX+bY)=aE(X)+bE(Y)$ 拆解复杂组合变量期望（无需独立条件）
• 结合独立性条件利用 $E(XY)=E(X)E(Y)$ 化简多变量乘积的期望

4.2 方差与标准差

方差的计算与性质

• 优先利用计算公式 $D(X)=E(X^2)-[E(X)]^2$ 代入求解方差
• 利用性质 $D(aX+b)=a^2D(X)$ 及独立下的 $D(X \pm Y)=D(X)+D(Y)$ 快速降维计算

4.3 协方差与相关系数

协方差 $Cov(X,Y)$

• 利用展开公式 $Cov(X,Y)=E(XY)-E(X)E(Y)$ 结合期望计算求解协方差
• 利用双线性性质 $Cov(aX+bY,cZ+dW)$ 将复杂多变量组合的协方差拆解为基础协方差之和

相关系数 $\rho_{XY}$ 与不相关性

• 代入标准化公式 $\rho_{XY}=\frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$ 计算线性相关度
• 识别“不相关”等价于 $\rho=0$ 或 $Cov=0$，并区分其与独立性的关系（正反例证明）

5.1 切比雪夫不等式

切比雪夫不等式的概率估算

• 在仅已知均值和方差的情况下，利用 $P(|X-\mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}$ 估算偏离概率的上界

5.2 大数定律

依概率收敛的判定

• 提取序列特征区分切比雪夫、辛钦或伯努利大数定律的适用条件（如：独立同分布、方差存在限制）

5.3 中心极限定理

极限正态近似计算

• 根据列维-林德伯格定理对大量独立同分布随机变量之和进行正态近似 $N(n\mu,n\sigma^2)$ 并查表计算
• 利用棣莫弗-拉普拉斯定理对大样本离散型二项分布进行正态近似并引入连续性修正
• 当题干出现“独立同分布”且涉及“求和的概率”时，强制触发中心极限定理模块，忽略原分布形态直接作正态标准化计算

6.1 总体、样本与统计量

经验分布函数

• 对样本观测值排序构建阶梯状经验分布函数 $F_n(x)$，并结合格里文科定理处理依概率收敛的极限选择题

常见统计量与样本矩

• 利用恒等式 $\sum(X_i-\bar{X})^2=\sum X_i^2-n\bar{X}^2$ 加速样本方差数值化简
• 结合期望与方差性质推导统计量的数字特征（如证明 $S^2$ 为总体方差的无偏估计）

6.2 抽样分布

$\chi^2$分布、t分布、F分布

• 依据分布定义（如独立标准正态平方和）构造统计量以判断其服从的抽样分布类型
• 运用分位数的定义结合 $\chi^2$ 的非对称性、t 分布的对称性及 F 分布的倒数性质查表

正态总体的抽样分布定理

• 提取 $\bar{X} \sim N(\mu,\sigma^2/n)$ 与 $\frac{(n-1)S^2}{\sigma^2} \sim \chi^2(n-1)$ 构造基础枢轴量
• 运用 $\bar{X}$ 与 $S^2$ 的独立性构造学生化 t 分布统计量 $T=\frac{\bar{X}-\mu}{S/\sqrt{n}} \sim t(n-1)$

7.1 点估计

矩估计法

• 建立总体一阶/二阶矩等于样本一阶/二阶矩的方程组，反解得出未知参数的矩估计量

极大似然估计法

• 针对离散型分布律或连续型密度函数构造似然函数 $L(\theta)=\prod f(x_i;\theta)$
• 常规问题对数似然函数求导置零解方程寻找驻点得出估计值（对数求导法）
• 边界约束问题（参数在定义域边界）利用次序统计量直接确定使似然函数最大的边界值（边界最大值法）

7.2 估计量的评选标准

无偏性与有效性

• 求解估计量的数学期望验证是否等于待估参数 $\theta$ 以判定无偏性
• 计算两个无偏估计量的方差并进行大小比较以判定有效性

相合性（一致性）

• 结合切比雪夫不等式或辛钦大数定律，证明估计量依概率收敛于待估参数 $\theta$ 以判定相合性

7.3 区间估计 【考研数一专属】

单个正态总体参数的置信区间

• 方差已知时利用 $Z$ 枢轴量，方差未知时利用 $t$ 枢轴量反解求出均值的双侧置信区间
• 利用 $\chi^2$ 枢轴量与分位数反解求出方差的双侧置信区间

两个正态总体参数的置信区间

• 运用双样本均值差及合并方差构造枢轴量，求解均值差的置信区间
• 运用方差比构造 $F$ 枢轴量，求解方差比的置信区间

单侧置信区间

• 针对“最高不高于/最低不低于”的需求，利用枢轴量与单侧分位数（$\alpha$而非$\alpha/2$）反解单侧置信区间界限

8.1 假设检验的基本思想

原假设、备择假设与两类错误

• 提取题干中“需要强烈证据支持的论断”置于备择假设 $H_1$，保护对象置于原假设 $H_0$（等号放 $H_0$）
• 根据条件概率分别建立积分/求和模型计算第一类错误（弃真）与第二类错误（存伪）的概率

8.2 正态总体的假设检验

单个正态总体检验

• 识别均值检验场景，运用 $Z$-检验法（方差已知）或 $t$-检验法（方差未知）比对检验统计量与拒绝域临界值
• 识别方差检验场景，运用 $\chi^2$-检验法计算检验统计量进行判断

两个正态总体检验

• 构造双样本 $t$-检验统计量判定两总体均值是否存在显著差异
• 构造双样本 $F$-检验统计量判定两总体方差是否存在显著差异

单侧假设检验

• 识别题干中“提高、变大、降低”等带方向性的工程诉求，构建右侧或左侧备择假设，并将拒绝域临界值调整为单侧分位数（如 $z_\alpha, t_\alpha$）