考研数学 · 概率统计解题主线

这张图讲什么

「考研数学 · 概率统计解题主线」是 SeekFlaw 编辑团队整理的思维导图,分 6 个一级分支:事件的概率:公式怎么选;一维随机变量:分布函数、密度与函数的分布;二维随机变量:边缘、条件、独立与函数的分布;数字特征怎么算得快;中心极限定理与抽样分布;参数估计:矩估计与最大似然估计,共 51 个节点、50 张记忆卡。

大题最常见的组合是「二维密度加函数分布」和「求估计量」,建议把第三、第六两个分支的例题动手重算一遍。基础概念和公式表见配套图:概率论期末 · 随机事件与随机变量、概率论期末 · 多维变量与数字特征、概率统计期末 · 估计与假设检验。

5 个要点

  • 事件的概率:公式怎么选——先把题目的话翻译成事件的运算,再按关键词选公式:至少一个用加法或对立事件,分两个阶段用全概率,由结果问原因用贝叶斯。
  • 一维随机变量:分布函数、密度与函数的分布——定常数靠分布函数的极限与右连续性、密度的归一性。
  • 二维随机变量:边缘、条件、独立与函数的分布——第一步永远是画出密度非零的区域,所有积分限都从图上读。
  • 数字特征怎么算得快:协方差像多项式乘法那样展开。
  • 中心极限定理与抽样分布

适用:考研备考。用法:点开任一节点先自己答,再翻面核对。

发布于

一句话:这张图把「考研数学 · 概率统计解题主线」整理成 51 个节点、50 张记忆卡;点开节点翻面就能看答案。

按考研题型串起概率统计:概率公式的选择、分布函数与密度、二维变量与函数的分布、数字特征、抽样分布、矩估计与最大似然估计,配自编例题。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。

SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。

51 个节点 · 50 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-18。

先看这 3 条

  1. 概率计算题怎么选公式:看题目里的 关键词 。
  2. 二维连续型随机变量的大题一般按什么顺序做:先 画出密度非零的区域 ,以后每一步的积分限都从图上读。
  3. 矩估计的步骤是什么:用 样本矩代替总体矩 :有几个未知参数就列几个方程。

事件的概率:公式怎么选

  • 概率计算题怎么选公式:看题目里的 关键词 。 「至少一个发生」:加法公式,或 $1-P(\text{都不发生})$; 「$A$ 发生而 $B$ 不发生」:减法公式 $P(A\bar B)=P(A)-P(AB)$; 「同时发生」:乘法公式;独立时概率相乘; 试验…
  • 已知几个概率,怎么求 $P(A\bar B)$ 和条件概率:先用加法公式求出 $P(AB)$,其余的都由它 推出来 :$P(A\bar B)=P(A)-P(AB)$,$P(\bar A\bar B)=1-P(A\cup B)$。 例 :$P(A)=0.6$,$P(B)=0.5$,$P(A\cup …
  • 互斥、对立、独立三个概念怎么区分:互斥(互不相容):$AB=\varnothing$,不能同时发生。对立:互斥且 $A\cup B=\Omega$, 必有一个发生 。独立:$P(AB)=P(A)P(B)$,一个发生与否不影响另一个的概率。 区分 :互斥、对立说的是事件本身…
  • 什么时候用全概率公式,什么时候用贝叶斯公式:试验能分成两个阶段、第一阶段有几种互斥的可能时:求第二阶段某个结果的概率用 全概率公式 ;已知这个结果发生了,反问第一阶段是哪种可能,用 贝叶斯公式 。 公式 :$A_1,\cdots,A_n$ 是完备事件组时,$P(B)=\sum_iP…
  • 条件概率满足普通概率的哪些公式:条件固定为同一个 $B$ 时,条件概率本身就是一种概率, 所有概率公式照用 :$P(\bar A|B)=1-P(A|B)$;$P(A\cup C|B)=P(A|B)+P(C|B)-P(AC|B)$。 易错 :换了条件就不行:$P(A|\b…
  • 独立重复试验里的几类概率怎么写:设每次成功的概率为 $p$,$q=1-p$,常见的四类如下。 $n$ 次中恰好成功 $k$ 次:$C_n^kp^kq^{n-k}$; 至少成功一次:$1-q^n$; 第 $k$ 次才 首次成功 :$q^{k-1}p$; 第 $r$ 次成功…
  • 概率为 0 的事件一定不发生吗:不一定。不可能事件的概率是 0,但概率为 0 的事件 未必是不可能事件 ;同样,概率为 1 的事件未必是必然事件。 例 :$X$ 服从 $(0,1)$ 上的均匀分布,$P(X=0.5)=0$,但 $X$ 恰好取到 0.5 是可能发生的。 …

一维随机变量:分布函数、密度与函数的分布

  • 怎么由分布函数的性质定出其中的常数:用三条:$F(-\infty)=0$,$F(+\infty)=1$, 右连续 (连续型随机变量的分布函数处处连续)。 例 :连续型随机变量 $X$ 的分布函数:$x\gt 0$ 时 $F(x)=a-be^{-2x}$,$x\le0$ 时 …
  • 怎么由概率密度的性质定常数并求概率:用 归一性 $\int_{-\infty}^{+\infty}f(x)dx=1$ 定常数(还要 $f\ge0$),再把密度在所求区间上积分得到概率。 例 :$0\lt x\lt 2$ 时 $f(x)=kx$,其它处为 0。$\int_0^…
  • 分布函数有跳跃时,怎么求取某个值的概率:取单个值的概率等于分布函数在该点的 跳跃高度 :$P(X=c)=F(c)-F(c-0)$。区间概率要注意端点:$P(c\lt X\le d)=F(d)-F(c)$,$P(c\le X\lt d)=F(d-0)-F(c-0)$。 例 :$x…
  • 看到什么样的描述,该想到哪个常见分布:按试验背景对号入座。 $n$ 次独立重复试验中成功的次数:二项分布 $B(n,p)$; 独立重复试验中 首次成功 所需的试验次数:几何分布; 一段时间或一块区域内稀有事件发生的次数:泊松分布 $P(\lambda)$; 在区间上等可能地取…
  • $Y=g(X)$ 不单调时怎么求 $Y$ 的密度:用 分布函数法 :先定 $Y$ 的取值范围,再对范围内的 $y$ 把事件 $g(X)\le y$ 解成 $X$ 的范围,算出 $F_Y(y)$,最后求导;$X$ 的密度分段时 $y$ 也要分段。 例 :$X\sim U(-1,2)$,$Y…
  • 正态分布的概率题有哪些省事的做法:三招: 标准化 $\frac{X-\mu}{\sigma}\sim N(0,1)$;利用密度关于 $x=\mu$ 对称;利用 $\Phi(-x)=1-\Phi(x)$。 例 :$X\sim N(2,\sigma^2)$,$P(2\lt X…
  • 把连续型随机变量代进自己的分布函数,得到什么分布:得到 $(0,1)$ 上的 均匀分布 :若 $X$ 的分布函数 $F$ 连续且严格单调增加,则 $Y=F(X)\sim U(0,1)$。 步骤 :对 $(0,1)$ 内的 $y$,$P(Y\le y)=P(F(X)\le y)=P\lef…
  • $Y=\min\{X,c\}$ 这类截断后的随机变量是什么分布:一般是 混合型 :在截断点 $c$ 处有一个正概率,其余部分仍然连续,要用分布函数来算。 例 :$X$ 的密度为 $e^{-x}$($x\gt 0$),$Y=\min\{X,2\}$。$y\lt0$ 时 $F_Y(y)=0$;$0\le …

二维随机变量:边缘、条件、独立与函数的分布

  • 二维连续型随机变量的大题一般按什么顺序做:先 画出密度非零的区域 ,以后每一步的积分限都从图上读。常见的问法和做法如下。 定常数:密度在全平面上的积分为 1; 边缘密度:对另一个变量积分; 条件密度:联合密度除以边缘密度; 独立性:看联合密度是否等于两个边缘密度的乘积; 概率 $…
  • 非矩形区域上的边缘密度和条件密度怎么求:求 $f_X(x)$ 时固定 $x$,沿 $y$ 方向穿过非零区域来定积分限;条件密度 $f_{Y|X}(y|x)=\frac{f(x,y)}{f_X(x)}$, 必须写明范围 。 例 :$0\lt x\lt y$ 时 $f(x,y)=e…
  • 怎么快速判断二维连续型随机变量是否独立:独立当且仅当联合密度在全平面上能写成「只含 $x$ 的函数」乘「只含 $y$ 的函数」。这要求密度非零的区域是 乘积形状 :常见题里就是边平行于坐标轴的矩形(可以无界);区域是三角形、圆这类形状时,$x$ 的范围牵制着 $y$ 的范围,一…
  • 一个离散、一个连续的两个独立随机变量,和的分布怎么求:对离散的那个变量用 全概率公式 分情况,每种情况下只剩连续变量。 例 :$P(X=0)=\frac13$,$P(X=1)=\frac23$,$Y\sim U(0,1)$,$X$ 与 $Y$ 独立,$Z=X+Y$。$F_Z(z)=\frac…
  • 一般的 $Z=g(X,Y)$ 怎么求分布:用分布函数法:$F_Z(z)=P(g(X,Y)\le z)=\iint_{g(x,y)\le z}f(x,y)dxdy$。在图上画出区域 $g(x,y)\le z$ 与密度非零区域的 公共部分 ,按 $z$ 的不同范围分段积分,再求导。 …
  • 两个独立的指数分布变量,谁更小的概率怎么算:设 $X$、$Y$ 独立,密度分别为 $\lambda_1e^{-\lambda_1x}$($x\gt 0$)、$\lambda_2e^{-\lambda_2y}$($y\gt 0$),则 $P(X\lt Y)=\frac{\lambda…
  • 关于正态分布与独立性,哪些结论不能想当然:记住下面三条。 $X$、$Y$ 各自服从正态分布,$(X,Y)$ 不一定 服从二维正态分布,$X+Y$ 也不一定服从正态分布; 不相关一般推不出独立;$(X,Y)$ 服从二维正态分布时,不相关与独立才等价; $X$、$Y$ 独立且都服从正…
  • 二维均匀分布的概率怎么算:$(X,Y)$ 在区域 $D$ 上均匀分布时,密度是 $D$ 的面积的倒数,所以 $(X,Y)$ 落在 $G$ 内的概率等于 $G$ 与 $D$ 公共部分的面积除以 $D$ 的面积, 算面积 就行。 例 :$(X,Y)$ 在三角形 $D$…
  • 二维离散型的分布律缺了几格,怎么用独立性补全:独立时每一格的概率等于它所在 行的和乘列的和 ,再加上全表概率之和为 1,就能列方程解出缺的格。 例 :$X$、$Y$ 独立,都只取 0 和 1。已知 $P(X=0,Y=0)=0.1$,$P(X=1,Y=0)=0.3$,另两格 $P(X=…

数字特征怎么算得快

  • 求期望和方差有哪些路子,怎么选:按从省事到费事的顺序试。 能认出是常见分布:直接 套现成结果 ; 求 $E[g(X)]$:用 $\int g(x)f(x)dx$ 或 $\sum g(x_i)p_i$,不必先求 $g(X)$ 的分布; 能拆成和:用期望的线性性;独立时方差…
  • 怎么从密度的形状认出正态分布并读出参数:密度的指数部分是 $x$ 的 二次式 (二次项系数为负)就是正态分布:把指数配方成 $-\frac{(x-\mu)^2}{2\sigma^2}$,读出 $\mu$ 和 $\sigma^2$。 例 :$f(x)=\frac{1}{\sqrt…
  • 已知分布,怎么快速求 $E(X^2)$ 这类量:用 $E(X^2)=D(X)+[E(X)]^2$,更一般地 $E[(X-c)^2]=D(X)+[E(X)-c]^2$, 不必积分 。 例 :$X$ 服从参数为 2 的泊松分布:$E(X^2)=2+2^2=6$。 例 :$X\sim N(1…
  • 协方差和线性组合的方差怎么展开:协方差对两个位置都是线性的,像 多项式乘法 那样展开:$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,D(X)+(ad+bc)\operatorname{Cov}(X,Y)+bd\,D(Y)$。特别地 $D(…
  • 相关系数等于 1 或 -1 说明什么:说明 $X$、$Y$ 之间以概率 1 有 线性关系 $Y=aX+b$:$a\gt 0$ 时 $\rho=1$,$a$ 为负时 $\rho=-1$。相关系数衡量的只是线性关系的强弱,总有 $|\rho|\le1$。 例 :掷一枚硬币 $n$…
  • 两个随机变量的最大值、最小值的期望怎么求:两个办法:先求最大值、最小值的分布再求期望;或者用恒等式 $\max\{X,Y\}+\min\{X,Y\}=X+Y$,$\max\{X,Y\}-\min\{X,Y\}=|X-Y|$ 互相推 。 例 :${X,Y}$ 独立,都服从 $U(0…
  • 二维随机变量函数的期望和协方差怎么算:直接用 $E[g(X,Y)]=\iint g(x,y)f(x,y)dxdy$, 不必先求边缘密度 ;协方差用 $\operatorname{Cov}(X,Y)=E(XY)-E(X)E(Y)$。 例 :$f(x,y)=2$($0\lt x\…

中心极限定理与抽样分布

  • 什么样的题用中心极限定理,怎么用:求 大量独立同分布随机变量之和 (或平均值)落在某个范围的概率时用。做法:把和标准化,$\frac{\sum X_i-n\mu}{\sqrt n\,\sigma}$ 近似服从 $N(0,1)$。 例 :每袋重量独立同分布,均值为 50、标…
  • 给出一个统计量,怎么判断它服从卡方、t 还是 F 分布:三步:把每一块 标准化 成标准正态变量;确认各块相互独立;对照构造定义。 $\chi^2(n)$:$n$ 个独立的标准正态变量的平方和; $t(n)$:$\frac{U}{\sqrt{V/n}}$,其中 $U\sim N(0,1)$,$V…
  • t 分布和 F 分布之间有什么关系:两条:若 $T\sim t(n)$,则 $T^2\sim F(1,n)$;若 $F\sim F(m,n)$,则 $\frac1F\sim F(n,m)$。 步骤 :$T=\frac{U}{\sqrt{V/n}}$,$T^2=\frac{U…
  • 正态总体的样本均值和样本方差有哪些结论:有四条。设 $X_1,\cdots,X_n$ 是来自 $N(\mu,\sigma^2)$ 的样本,$\bar X$ 为样本均值,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$。 $\bar X\sim N\le…
  • 总体不是正态分布时,样本均值和样本方差的期望还成立吗:成立。只要总体的期望 $\mu$、方差 $\sigma^2$ 存在,就有 $E(\bar X)=\mu$,$D(\bar X)=\frac{\sigma^2}{n}$,$E(S^2)=\sigma^2$, 与总体是什么分布无关 。 例 :…
  • 怎么用卡方分布求正态变量平方和的期望和方差:把平方和化成卡方变量的倍数,再用 $E[\chi^2(n)]=n$,$D[\chi^2(n)]=2n$。 例 :$X_1,\cdots,X_n$ 独立,都服从 $N(0,\sigma^2)$,$Y=\sum X_i^2$。因 $\frac…

参数估计:矩估计与最大似然估计

  • 矩估计的步骤是什么:用 样本矩代替总体矩 :有几个未知参数就列几个方程。只有一个参数时:算出 $E(X)=g(\theta)$,令 $g(\theta)=\bar X$,解出 $\hat\theta$。 例 :总体密度为 $f(x)=\theta x^{\t…
  • 最大似然估计的步骤是什么:四步:写似然函数 $L(\theta)=\prod f(x_i;\theta)$; 取对数 ;对 $\theta$ 求导并令导数为零;解出 $\hat\theta$。 例 :总体密度为 $f(x)=\theta x^{\theta-1}$…
  • 似然函数对参数单调、求导解不出来时怎么办:不要硬令导数为零。先由「每个样本值都要落在密度非零的范围内」得出参数的 取值范围 ,再在这个范围的端点处取最大值。 例 :总体密度为 $f(x)=e^{-(x-\theta)}$($x\ge\theta$),其它处为 0。$L(\thet…
  • 离散总体的最大似然估计怎么写似然函数:似然函数就是样本恰好取到这组观测值的 概率 :把每个观测值对应的概率乘起来。 例 :总体 $X$ 取 0,1,2 的概率依次为 $\theta^2$、$2\theta(1-\theta)$、$(1-\theta)^2$,样本观测值为 0,…
  • 参数的函数的最大似然估计怎么求:用 不变性 :若 $\hat\theta$ 是 $\theta$ 的最大似然估计,则 $g(\theta)$ 的最大似然估计是 $g(\hat\theta)$。 例 :总体密度为 $f(x)=\lambda e^{-\lambda x}$…
  • 均值和方差两个参数的矩估计是什么:不论总体是什么分布,只要均值 $\mu$、方差 $\sigma^2$ 都未知,矩估计就是 $\hat\mu=\bar X$,$\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2$。 步骤 :列两个方程:$E(X)…
  • 怎么判断估计量是否无偏,不无偏怎么修正:算估计量的期望:$E(\hat\theta)=\theta$ 就是无偏的。若 $E(\hat\theta)=c\theta$($c$ 是不等于 1 的已知常数),则 $\frac{\hat\theta}{c}$ 是无偏估计。估计量含最大值…

本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。

打开这张导图:点节点翻面看答案 →