🎯 核心考点速览
根据复习卷，我整理了以下高频考点和解题要点：
一、全概率公式 & 贝叶斯公式（必考大题）
全概率公式：
适用场景：给出一个复杂事件B，它可以通过"原因"$A_i$分解
贝叶斯公式：
适用场景：已知结果B发生了，反推是哪个"原因"$A_k$导致
⚠️ 关键技巧： 题目中遇到"已知……求……"且过程有先后因果关系 → 马上想到全概率+贝叶斯
二、常见分布（选择填空高频）
| 分布名称 | 记号 | 概率函数/密度 | 期望$E(X)$ | 方差$D(X)$ | 适用场景 |
|---|---|---|---|---|---|
| 二项分布 | $X\sim B(n,p)$ | $P(X=k)=C_n^k p^k (1-p)^{n-k}$ | $np$ | $np(1-p)$ | n次独立重复试验 |
| 泊松分布 | $X\sim P(\lambda)$ | $P(X=k)=\frac{\lambda^k}{k!}e^{-\lambda}$ | $\lambda$ | $\lambda$ | 稀有事件发生次数 |
| 均匀分布 | $X\sim U(a,b)$ | $f(x)=\frac{1}{b-a}$ | $\frac{a+b}{2}$ | $\frac{(b-a)^2}{12}$ | 区间内等可能 |
| 指数分布 | $X\sim Exp(\lambda)$ | $f(x)=\lambda e^{-\lambda x}$ | $\frac{1}{\lambda}$ | $\frac{1}{\lambda^2}$ | 寿命/等待时间 |
| 正态分布 | $X\sim N(\mu,\sigma^2)$ | 标准正态查表 | $\mu$ | $\sigma^2$ | 中心极限定理的基础 |
⚠️ 正态分布记住"3σ原则"： $P(|X-\mu|< \sigma)\approx 0.6826$，$< 2\sigma \approx 0.9544$，$< 3\sigma \approx 0.9974$
三、多维随机变量 & 数字特征（计算大题重灾区）
协方差与相关系数公式链：
- $Cov(X,Y) = E(XY) - E(X)E(Y)$
- $\rho_{XY} = \frac{Cov(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$
- $D(X\pm Y) = D(X) + D(Y) \pm 2Cov(X,Y)$
- 若$X,Y$独立 → $Cov(X,Y)=0$，$E(XY)=E(X)E(Y)$，$D(X\pm Y) = D(X) + D(Y)$
记住这组公式，能解决80%的数字特征题目！
四、大数定律 & 中心极限定理
切比雪夫不等式（会背直接用）：
独立同分布中心极限定理（大题常考）：
✅ 解题套路： 遇到"许多独立随机变量之和" → 标准化 → 用标准正态分布查表求概率
五、参数估计（大概率出大题）
矩估计法步骤：
- 求总体期望 $E(X)$（用参数表示）
- 令样本均值 $\bar{X} = \frac{1}{n}\sum X_i$ 等于 $E(X)$
- 解方程得参数的矩估计量
极大似然估计法步骤：
- 写出似然函数 $L(\theta) = \prod_{i=1}^n f(x_i;\theta)$
- 取对数 $\ln L(\theta)$
- 对 $\theta$ 求导 = 0，解方程
核心建议： 重点攻克全概率/贝叶斯公式、数字特征计算、中心极限定理这三个板块，这是概率论大题最集中的区域！
扫一扫
1884
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
