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。

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：$P=1-P(全是正品)$。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 $P(B)=\sum_{i=1}^n P(A_i)P(B|A_i)$，贝叶斯 $P(A_i|B)=\frac{P(A_i)P(B|A_i)}{\sum_{j=1}^n P(A_j)P(B|A_j)}$。

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。

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 $P{a<X<b}$ 这类题目上出错，问题不是不会标准化，而是忘了 $P{Z<z}=\Phi(z)$ 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 $\lambda=np$。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 $\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}f(x,y)dxdy=1$，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 $Y=g(X)$ 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 $Y=X^2$，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：$E(aX+bY+c)=aE(X)+bE(Y)+c$，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：$D(aX+bY)=a^2D(X)+b^2D(Y)$。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 $Y=g(X)$ 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，$\sum_{i=1}^n X_i$ 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 $\bar{X}=\frac{1}{n}\sum_{i=1}^n X_i$、样本方差 $S^2=\frac{1}{n-1}\sum_{i=1}^n (X_i-\bar{X})^2$。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 $\sum_{i=1}^n X_i^2\sim\chi^2(n)$。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 $P{\chi^2>a}$ 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：$\frac{1}{n}\sum X_i^2=E(X^2)=D(X)+[E(X)]^2$，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，$L(\theta)=\prod_{i=1}^n f(x_i;\theta)$。注意连续型用密度函数，离散型用分布律。第二步，取对数。$\ln L(\theta)=\sum_{i=1}^n \ln f(x_i;\theta)$，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 $Z>z_\alpha$。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 $H_1:\mu>1000$，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。