概率论与数理统计

Chapter 01

🎲 随机事件与概率

概率空间、基本公式、条件概率、全概率与贝叶斯、独立性

📐 1. 概率空间 $(\Omega, \mathcal{F}, P)$

$\Omega$（样本空间）：所有可能发生的事件的集合。
$\mathcal{F}$（事件族 / $\sigma$-代数）：
- 封闭性：若 $A \in \mathcal{F}$，则 $\bar{A} \in \mathcal{F}$
- 可列并封闭：若 $A_n \in \mathcal{F}$，则 $\bigcup_{n=1}^{\infty} A_n \in \mathcal{F}$
$P$（概率测度）：
- 非负性：$P(A) \geqslant 0$
- 规范性：$P(\Omega) = 1$
- 可列可加性：若 $A_1, A_2, \dots$ 两两互斥，则 $P\left(\bigcup_{i=1}^{\infty} A_i\right) = \sum_{i=1}^{\infty} P(A_i)$

➕ 2. 概率基本公式

加法公式（容斥原理）：
$$P\left(\bigcup_{i=1}^{n} A_i\right) = \sum_{i=1}^{n} P(A_i) - \sum_{1 \leqslant i < j \leqslant n} P(A_i \cap A_j) + \cdots + (-1)^{n+1} P(A_1 \cap \cdots \cap A_n)$$

空集概率：$P(\emptyset) = 0$
对立事件：$P(\bar{A}) = 1 - P(A)$
减法公式：若 $A \subset B$，则 $P(B \setminus A) = P(B) - P(A)$
差事件公式（重要！）：$P(A\bar{B}) = P(A) - P(AB)$

🔄 3. 条件概率与乘法公式

$$P(A \cap B) = P(A|B) \cdot P(B) = P(B|A) \cdot P(A)$$

乘法公式推广：
$$P(A_1 \cap A_2 \cap \cdots \cap A_n) = P(A_1) \cdot P(A_2|A_1) \cdot P(A_3|A_1 \cap A_2) \cdots$$

🎯 4. 全概率公式与贝叶斯公式

全概率公式：设 $\{B_i\}$ 为样本空间的一个划分
$$P(A) = \sum_{i=1}^{n} P(B_i) \cdot P(A|B_i)$$

贝叶斯公式：
$$P(B_j|A) = \frac{P(B_j) \cdot P(A|B_j)}{\sum_{i=1}^{n} P(B_i) \cdot P(A|B_i)}$$

🔓 5. 独立性

$$A \perp B \iff P(A \cap B) = P(A) \cdot P(B) \iff P(B|A) = P(B)$$

若 $A, B$ 独立，则 $A$ 与 $\bar{B}$、$\bar{A}$ 与 $B$、$\bar{A}$ 与 $\bar{B}$ 均独立
需区分"两两独立"与"相互独立"

📝 第一章 · 错题精选

容斥原理三事件概率计算 — 至少有一个发生 ▼

题目：设 $A, B, C$ 是三个事件，且 $P(A)=P(B)=P(C)=\frac{1}{4}$，$P(AB)=P(BC)=0$，$P(AC)=\frac{1}{8}$，求 $A, B, C$ 至少有一个发生的概率。

❌ 易错点

错误假设独立性：$P(AB)=0$ 说明 $A$ 和 $B$ 互斥，互斥事件一定不独立
忽略隐含条件：$ABC \subset AB$，所以 $P(ABC)=0$

✅ 正确解析

利用容斥原理：

$$P(A \cup B \cup C) = P(A)+P(B)+P(C)-P(AB)-P(BC)-P(AC)+P(ABC)$$ $$= \frac{1}{4}+\frac{1}{4}+\frac{1}{4}-0-0-\frac{1}{8}+0 = \frac{5}{8}$$

综合多事件概率计算 — 复杂集合运算 ▼

题目：已知 $P(A)=\frac{1}{2}, P(B)=\frac{1}{3}, P(C)=\frac{1}{5}, P(AB)=\frac{1}{10}, P(AC)=\frac{1}{15}, P(BC)=\frac{1}{20}, P(ABC)=\frac{1}{30}$。求 $P(\bar{A}\bar{B}C)$。

❌ 易错点

公式混淆：$P(\bar{A}\bar{B}C)$ 的集合运算逻辑混乱
通分容易出错，需要耐心

✅ 正确解析

核心思路：从 $C$ 中减去 $C$ 与 $(A \cup B)$ 的交集

$$P(\bar{A}\bar{B}C) = P(C) - P(AC \cup BC)$$ $$= P(C) - [P(AC) + P(BC) - P(ABC)]$$ $$= \frac{1}{5} - \left[\frac{1}{15}+\frac{1}{20}-\frac{1}{30}\right] = \frac{12}{60}-\frac{5}{60} = \frac{7}{60}$$

差事件差事件公式 $P(A\bar{B}) = P(A) - P(AB)$ ▼

题目：已知 $P(A)=\frac{1}{2}$。(i) 若 $A, B$ 互不相容，求 $P(A\bar{B})$。(ii) 若 $P(AB)=\frac{1}{8}$，求 $P(A\bar{B})$。

✅ 核心公式

$$P(A\bar{B}) = P(A - B) = P(A) - P(AB)$$

(i) 互不相容 $\Rightarrow P(AB)=0 \Rightarrow P(A\bar{B}) = \frac{1}{2}$

(ii) $P(A\bar{B}) = \frac{1}{2}-\frac{1}{8} = \frac{3}{8}$

古典概型商标字母脱落放回问题 ▼

题目：商标"MAXAM"中有2个字母脱落，有人捡起随意放回，求放回后仍为"MAXAM"的概率。

✅ 正确解析

总样本空间：$C_5^2 = 10$ 种

分类讨论：

脱落两个相同字母（MM或AA）：2种，放回正确概率 $1$
脱落两个不同字母：8种，放回正确概率 $\frac{1}{2}$

$$P = \frac{2 \times 1 + 8 \times \frac{1}{2}}{10} = \frac{6}{10} = \frac{3}{5}$$

贝叶斯船只运输损坏 — 贝叶斯公式应用 ▼

题目：某船只运输物品损坏情况：$A_1$: 损坏2% ($P=0.8$)，$A_2$: 损坏10% ($P=0.15$)，$A_3$: 损坏90% ($P=0.05$)。随机取3件均好（事件 $B$），求 $P(A_1|B)$。

❌ 易错点

取3件都是好品，条件概率要3次方：$P(B|A_1) = 0.98^3$
不能直接用 $0.98$ 乘

✅ 正确解析

$$P(B|A_1) = 0.98^3 \approx 0.9412, \quad P(B|A_2) = 0.9^3 = 0.729, \quad P(B|A_3) = 0.1^3 = 0.001$$ $$P(B) = 0.8 \times 0.98^3 + 0.15 \times 0.729 + 0.05 \times 0.001 \approx 0.8624$$ $$P(A_1|B) = \frac{0.8 \times 0.98^3}{0.8624} \approx \mathbf{0.8731}$$

系统可靠性桥式系统可靠性计算 ▼

题目：5个独立元件，可靠性均为 $p$，桥式连接。求系统可靠性。

✅ 正确解析（全概率公式）

按中间元件3的状态分解：

元件3正常（概率 $p$）：等效为 (1∥4) 串联 (2∥5)，$P(S|3好) = (2p-p^2)^2$
元件3失效（概率 $1-p$）：等效为 (1-2) 并联 (4-5)，$P(S|3坏) = 2p^2 - p^4$

$$R = p(2p-p^2)^2 + (1-p)(2p^2-p^4) = 2p^5 - 5p^4 + 2p^3 + 2p^2$$

💡 第一章复习要点

加法公式（容斥原理）的展开式要熟练
差事件公式 $P(A\bar{B}) = P(A) - P(AB)$ 非常关键
处理复杂事件时画文氏图最直观
$P(AB)=0$ 要立刻反应 $P(ABC)=0$
贝叶斯公式注意条件概率的幂次

Chapter 02

📊 随机变量及其分布

离散型分布（二项、泊松）、连续型分布（均匀、指数、正态）、函数变换

🎲 1. 随机变量基础

定义：$X: \Omega \to \mathbb{R}$
分布函数：$F(x) = P(X \le x)$，单调不减、右连续、$F(-\infty)=0, F(+\infty)=1$

📋 2. 离散型随机变量

分布	记号	概率质量函数
0-1 分布	$B(1,p)$	$P(X=1)=p,\; P(X=0)=1-p$
二项分布	$B(n,p)$	$P(X=k) = C_n^k p^k (1-p)^{n-k}$
泊松分布	$P(\lambda)$	$P(X=k) = \frac{\lambda^k}{k!} e^{-\lambda}$

泊松近似：当 $n$ 大 $p$ 小，$\lambda = np$ 适中时，$B(n,p) \approx P(np)$

📈 3. 连续型随机变量

分布	记号	概率密度函数
均匀分布	$U(a,b)$	$f(x) = \frac{1}{b-a},\; a
指数分布	$E(\lambda)$	$f(x) = \lambda e^{-\lambda x},\; x>0$
正态分布	$N(\mu,\sigma^2)$	$f(x) = \frac{1}{\sqrt{2\pi}\sigma} e^{-\frac{(x-\mu)^2}{2\sigma^2}}$

函数变换公式：若 $y=g(x)$ 单调可导，反函数 $x=h(y)$，则
$$f_Y(y) = f_X(h(y)) \cdot |h'(y)|$$

📝 第二章 · 错题精选

超几何不放回抽样 — 超几何分布 ▼

题目：15只零件中有2只次品，取3次（不放回），$X$ 为次品数，求分布律。

✅ 正确解析

超几何分布：$N=15, M=2, n=3$

$$P(X=k) = \frac{C_M^k C_{N-M}^{n-k}}{C_N^n}$$

$X$	0	1	2
$P$	$\frac{22}{35}$	$\frac{12}{35}$	$\frac{1}{35}$

二项分布 ⚠️ 二项分布漏组合数 $C_n^k$ ▼

题目：事件 $A$ 发生概率 $p=0.3$，发生不少于3次时亮灯。做7次试验，求亮灯概率。

❌ 易错点

❌ $P(X=k) = p^k(1-p)^{n-k}$（漏了 $C_n^k$！）
✅ $P(X=k) = C_n^k p^k(1-p)^{n-k}$

✅ 正确解析

技巧：正向算项数多，用逆向 $1 - P(X \le 2)$

$$P(X \ge 3) = 1 - [C_7^0(0.7)^7 + C_7^1(0.3)(0.7)^6 + C_7^2(0.3)^2(0.7)^5] \approx \mathbf{0.3529}$$

指数分布分布函数的概率计算 ▼

题目：$X$ 服从指数分布，$F(x) = 1-e^{-0.4x}\;(x>0)$。求 $P(3 \le X \le 4)$ 和 $P(X=2.5)$。

✅ 正确解析

$$P(3 \le X \le 4) = F(4) - F(3) = e^{-1.2} - e^{-1.6}$$ $$P(X = 2.5) = 0 \quad \text{（连续型随机变量取单点概率为0）}$$

正态分布正态分布标准化计算 ▼

题目：$X \sim N(110, 12^2)$，确定最小 $x$ 使 $P(X > x) \le 0.05$。

✅ 正确解析

$$P(X > x) \le 0.05 \Rightarrow P(X \le x) \ge 0.95$$ $$\Phi\left(\frac{x-110}{12}\right) \ge 0.95 \Rightarrow \frac{x-110}{12} \ge 1.645$$ $$x \ge 110 + 12 \times 1.645 = 129.74$$

函数变换均匀分布的函数变换 $Y = -2\ln X$ ▼

题目：$X \sim U(0,1)$，求 $Y = -2\ln X$ 的概率密度。

✅ 正确解析

反函数：$x = e^{-y/2}$，$|x'| = \frac{1}{2}e^{-y/2}$，$y > 0$

$$f_Y(y) = 1 \cdot \frac{1}{2}e^{-y/2} = \frac{1}{2}e^{-y/2}, \quad y > 0$$

（这是参数为 $\frac{1}{2}$ 的指数分布）

函数变换标准正态的 $Y = 2X^2+1$ 和 $Y = |X|$ ▼

题目：$X \sim N(0,1)$，求 $Y = 2X^2+1$ 和 $Y = |X|$ 的概率密度。

✅ $Y = |X|$（分布函数法）

$$F_Y(y) = P(|X| \le y) = P(-y \le X \le y) = F_X(y) - F_X(-y)$$ $$f_Y(y) = f_X(y) + f_X(-y) = 2f_X(y) = \sqrt{\frac{2}{\pi}} e^{-y^2/2}, \quad y \ge 0$$

（半正态分布 / 折叠正态分布）

💡 第二章复习要点

二项分布千万别漏 $C_n^k$
$n$ 大 $p$ 小用泊松近似：$\lambda = np$
连续型随机变量 $P(X=x)=0$，用分布函数算区间概率
正态分布标准化 $Z = \frac{X-\mu}{\sigma}$ 是核心
函数变换：单调用公式法，非单调用分布函数法

Chapter 03

🔗 多维随机变量

联合分布、边缘分布、条件分布、独立性、函数分布（卷积）

📐 1. 基础概念

联合分布函数：$F(x,y) = P\{X \le x, Y \le y\}$
边缘分布函数：$F_X(x) = F(x, +\infty)$
离散型边缘分布律：$p_{i\cdot} = \sum_j p_{ij}$
连续型边缘密度：$f_X(x) = \int_{-\infty}^{+\infty} f(x,y) dy$

🔀 2. 条件分布

离散型：$P\{X=x_i | Y=y_j\} = \frac{p_{ij}}{p_{\cdot j}}$

连续型：$f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}$

联合密度还原：$f(x,y) = f_{Y|X}(y|x) \cdot f_X(x)$

🔓 3. 独立性判定

$$X \perp Y \iff f(x,y) = f_X(x) \cdot f_Y(y)$$

注意：不相关（$\rho=0$）推不出独立，但二维正态分布中不相关等价于独立。

🔧 4. 函数分布

分布函数法：$F_Z(z) = \iint_{g(x,y) \le z} f(x,y) dx dy$，再求导

卷积公式（$Z = X+Y$）：
$$f_Z(z) = \int_{-\infty}^{+\infty} f_X(z-y) f_Y(y) dy$$

雅可比变换法（二维变换）：
$$f_{U,V}(u,v) = f_{X,Y}(h_1(u,v), h_2(u,v)) \cdot |J(u,v)|$$

📝 第三章 · 错题精选

条件密度条件概率密度与边缘密度 — 积分限确定 ▼

题目：$X \sim U(0,1)$，$f_{Y|X}(y|x) = x\;(0Y\}$。

❌ 易错点

积分限找错：忽略 $0
算概率时漏乘密度函数，只算了面积

✅ 正确解析

联合密度：$f(x,y) = x,\; 0

边缘密度 $f_Y(y)$：

$0
$y \ge 1$ 时：$f_Y(y) = \int_0^{1/y} x\,dx = \frac{1}{2y^2}$

$P\{X>Y\}$：

$$P\{X>Y\} = \int_0^1 dx \int_0^x x\,dy = \int_0^1 x^2 dx = \frac{1}{3}$$

卷积公式独立性与卷积 — 漏乘区间长度 ▼

题目：$f(x,y) = \frac{1}{2}(x+y)e^{-(x+y)}\;(x,y>0)$，判断独立性并求 $Z=X+Y$ 的密度。

❌ 易错点

独立性判定：不会算积分（分部积分技巧）
卷积计算：被积函数无 $y$ 时漏乘区间长度 $z$

✅ 正确解析

独立性：$f_X(x) = \frac{1}{2}(x+1)e^{-x}$，$f_X(x)f_Y(y) \ne f(x,y)$ → 不独立

卷积：

$$f_Z(z) = \int_0^z \frac{1}{2}z e^{-z} dy = \frac{1}{2}z e^{-z} \cdot z = \frac{1}{2}z^2 e^{-z}, \quad z>0$$

（Gamma 分布 $\Gamma(3,1)$）

💡 第三章复习要点

边缘密度的积分限是最大难点，画图确定区域
联合密度 = 条件密度 × 边缘密度
卷积公式中被积函数对积分变量是常数时，别忘了乘区间长度
独立性判定：先算边缘密度，再验证乘积是否等于联合密度

Chapter 04

📈 数字特征

期望、方差、协方差、相关系数、常见分布数字特征表

🎯 1. 数学期望

连续型：$E(X) = \int_{-\infty}^{+\infty} x f(x) dx$

函数期望：$E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx$

线性性质：$E(aX + bY + c) = aE(X) + bE(Y) + c$

📐 2. 方差

$$Var(X) = E[(X-E(X))^2] = E(X^2) - [E(X)]^2$$

$Var(aX+b) = a^2 Var(X)$
$X,Y$ 独立时：$Var(X+Y) = Var(X) + Var(Y)$

🤝 3. 协方差与相关系数

$$Cov(X,Y) = E[(X-E(X))(Y-E(Y))] = E(XY) - E(X)E(Y)$$

$$\rho_{XY} = \frac{Cov(X,Y)}{\sigma_X \sigma_Y}, \quad |\rho_{XY}| \le 1$$

$Cov(X,X) = Var(X)$
$X,Y$ 独立 $\Rightarrow Cov(X,Y)=0$（反之不成立）
$\rho = \pm 1$ 时 $X,Y$ 以概率1线性相关

📊 4. 常见分布数字特征表

分布	记号	$E(X)$	$Var(X)$
二项分布	$B(n,p)$	$np$	$np(1-p)$
泊松分布	$P(\lambda)$	$\lambda$	$\lambda$
均匀分布	$U(a,b)$	$\frac{a+b}{2}$	$\frac{(b-a)^2}{12}$
指数分布	$E(\lambda)$	$\frac{1}{\lambda}$	$\frac{1}{\lambda^2}$
正态分布	$N(\mu,\sigma^2)$	$\mu$	$\sigma^2$

🧮 5. 协方差矩阵

$$\Sigma = \begin{pmatrix} \sigma_X^2 & \rho\sigma_X\sigma_Y \\ \rho\sigma_X\sigma_Y & \sigma_Y^2 \end{pmatrix}$$

线性变换 $Y = AX + B$ 的协方差矩阵：$\Sigma_Y = A \Sigma_X A^T$

📝 第四章 · 错题精选

对称性利用对称性秒杀 $E(Y)$ 和 $Cov(X,Y)$ ▼

题目：$f(x,y) = 1\;(|y|

❌ 易错点

积分区域搞错，$E(X)$ 算成 $\frac{1}{2}$（正确为 $\frac{2}{3}$）
不会利用对称性简化计算

✅ 正确解析

区域 $D$：$0 $$E(X) = \int_0^1 x \cdot 2x\,dx = \frac{2}{3}$$ $$E(Y) = 0 \quad \text{（奇函数在对称区间）}$$ $$E(XY) = 0 \quad \text{（同理）}$$ $$Cov(X,Y) = 0 - \frac{2}{3} \times 0 = 0$$

综合期望最小化 — 配方求极值 ▼

题目：$W=(aX+3Y)^2$，$E(X)=E(Y)=0$，$D(X)=4$，$D(Y)=16$，$\rho_{XY}=-0.5$。求 $a$ 使 $E(W)$ 最小。

✅ 正确解析

准备数据：$E(X^2)=4$，$E(Y^2)=16$，$E(XY)=\rho\sqrt{D(X)D(Y)}=-4$

$$E(W) = a^2 \cdot 4 + 6a \cdot (-4) + 9 \cdot 16 = 4a^2 - 24a + 144$$

对称轴：$a = \frac{24}{8} = 3$

$$E(W)_{\min} = 4(9) - 24(3) + 144 = \mathbf{108}$$

💡 第四章复习要点

方差公式 $Var(X) = E(X^2) - [E(X)]^2$ 是计算主力
$E(X)=0$ 时 $Cov(X,Y) = E(XY)$，简化计算
对称区域上奇函数积分为零，善用对称性
相关系数 $\rho$ 的公式要倒背如流
常见分布的期望方差表要牢记

🧮 公式速查表

加法公式（容斥原理）

乘法公式

全概率公式

贝叶斯公式

二项分布 $B(n,p)$

泊松分布 $P(\lambda)$

正态分布 $N(\mu, \sigma^2)$

标准化公式

期望定义（连续型）

方差计算公式

协方差

相关系数

卷积公式

条件概率密度

随机变量函数变换

独立判定（连续型）

🎲 概率论与数理统计

🎲 随机事件与概率

📐 1. 概率空间 $(\Omega, \mathcal{F}, P)$

➕ 2. 概率基本公式

🔄 3. 条件概率与乘法公式

🎯 4. 全概率公式与贝叶斯公式

🔓 5. 独立性

📝 第一章 · 错题精选

❌ 易错点

✅ 正确解析

❌ 易错点

✅ 正确解析

✅ 核心公式

✅ 正确解析

❌ 易错点

✅ 正确解析

✅ 正确解析（全概率公式）

💡 第一章复习要点

📊 随机变量及其分布

🎲 1. 随机变量基础

📋 2. 离散型随机变量

📈 3. 连续型随机变量

📝 第二章 · 错题精选

✅ 正确解析

❌ 易错点

✅ 正确解析

✅ 正确解析

✅ 正确解析

✅ 正确解析

✅ $Y = |X|$（分布函数法）

💡 第二章复习要点

🔗 多维随机变量

📐 1. 基础概念

🔀 2. 条件分布

🔓 3. 独立性判定

🔧 4. 函数分布

📝 第三章 · 错题精选

❌ 易错点

✅ 正确解析

❌ 易错点

✅ 正确解析

💡 第三章复习要点

📈 数字特征

🎯 1. 数学期望

📐 2. 方差

🤝 3. 协方差与相关系数

📊 4. 常见分布数字特征表

🧮 5. 协方差矩阵

📝 第四章 · 错题精选

❌ 易错点

✅ 正确解析

✅ 正确解析

💡 第四章复习要点