代码学习极客

结合提供的核心考点、高性价比突击榜单以及课程讲义，为您整理出排名前五的“高性价比题型通关榜单”。这些题型步骤固定、套路明显，只要熟记以下的一般形式、关键词、公式和思路，即可在考试中像写“八股文”一样直接拿分。

---

🏆 榜单 Top 1：参数估计（矩估计与极大似然估计）

性价比系数：极高（分值高，步骤完全固定） [1, 2]

• 一般形式：已知总体 $X$ 的概率密度函数 $f(x, \theta)$（或离散型分布律），其中 $\theta$ 为未知参数。$X_1, X_2...X_n$ 为来自总体的简单随机样本 [3]。
• 关键词出现形式：“设总体...”、“为样本”、“求参数 $\theta$ 的矩估计量和最大似然估计量” [3]。
• 核心解题套路和公式：
  • 矩估计：令样本一阶原点矩等于总体一阶矩（期望），即 $E(X) = \overline{X}$ [2, 4]。
  • 极大似然估计：似然函数 $L(\theta) = \prod_{i=1}^n f(x_i, \theta)$，对数似然求导 $\frac{d}{d\theta}\ln L(\theta) = 0$ [2, 4]。
• 完整思路和过程：
  • 【矩估计三步法】
    1. 算期望：先求出总体期望 $E(X)$。连续型算积分 $\int x f(x)dx$ [3]；离散型算求和 $\sum x_i p_i$。结果通常包含参数 $\theta$。
    2. 列等式：令 $E(X) = \overline{X}$ [2, 4]。
    3. 解方程：将 $\theta$ 作为未知数，从上述等式中反解出来，加上“帽子”即得 $\hat{\theta}$ [2, 4]。
  • 【极大似然估计四步法】
    1. 写似然函数：将 $n$ 个样本的密度函数相乘 $L(\theta) = f(x_1, \theta) \cdot f(x_2, \theta) \cdots f(x_n, \theta)$ [3, 4]。
    2. 取对数：两边取自然对数 $\ln L(\theta) = \sum_{i=1}^n \ln f(x_i, \theta)$，利用对数性质将乘法化为加法，将指数化为系数 [2, 4]。
    3. 求导并令为零：对未知参数 $\theta$ 求导数，令 $\frac{d}{d\theta}\ln L(\theta) = 0$ [2, 4]。
    4. 解出参数：解此方程得到 $\theta$ 的值，即为极大似然估计量 $\hat{\theta}$ [2, 4]。

---

🏆 榜单 Top 2：正态分布与中心极限定理

性价比系数：很高（期末必考大题，标准化查表步骤雷同率90%以上） [1, 5]

• 一般形式：某变量服从正态分布，求某个区间的概率；或大量独立同分布的事件（如装箱重量、组装时间、灯泡寿命），求总量落在某区间的概率 [6, 7]。
• 关键词出现形式：“$X \sim N(\mu, \sigma^2)$”、“独立同分布”、“求...的概率”、“近似计算”、“已知 $\Phi(x)=...$” [6-8]。
• 核心解题套路和公式：
  • 正态标准化：$X \sim N(\mu, \sigma^2)$，则 $\frac{X-\mu}{\sigma} \sim N(0,1)$ [6]。
  • 中心极限定理：独立同分布变量之和 $Y = \sum_{i=1}^n X_i$，近似服从 $N(n\mu, n\sigma^2)$ [5, 7]。
  • 二项分布近似：$X \sim B(n, p)$ 近似于 $N(np, np(1-p))$ [8]。
• 完整思路和过程：
  1. 梳理单体特征：找出单个变量的期望 $\mu$ 和方差 $\sigma^2$（注意题目给的是方差还是标准差）。
  2. 确定整体分布：若是求 $n$ 个变量的和 $Y$，直接判定 $Y \sim N(n\mu, n\sigma^2)$ [7]。
  3. 列不等式与标准化：写出所求概率 $P(a < Y < b)$，各项同时减去均值、除以标准差进行“标准化变形” [6, 7]。
     $P{a < Y < b} = P{\frac{a-n\mu}{\sqrt{n}\sigma} < \frac{Y-n\mu}{\sqrt{n}\sigma} < \frac{b-n\mu}{\sqrt{n}\sigma}}$。
  4. 查表计算：转化为标准正态分布函数 $\Phi(x)$ 相减：$\Phi(\text{上限}) - \Phi(\text{下限})$ [6]。切记对称性性质：$\Phi(-x) = 1 - \Phi(x)$ [6]。

---

🏆 榜单 Top 3：二维连续型随机变量（联合、边缘分布）

性价比系数：高（大题重灾区，本质是二重积分，题型极度公式化） [1, 5]

• 一般形式：给出二维概率密度函数 $f(x,y)$，一般是分段函数（包含未知参数 $c$ 或 $A$），定义域常常是某直线和坐标轴围成的区域 [9]。
• 关键词出现形式：“二维随机变量”、“概率密度为 $f(x,y)=...$”、“求常数 c”、“求边缘概率密度”、“判断 X 和 Y 是否独立” [9]。
• 核心解题套路和公式：
  • 规范性：$\iint_{-\infty}^{+\infty} f(x,y)dxdy = 1$ [9]。
  • 求边缘密度（求谁不积谁）：$f_X(x) = \int_{-\infty}^{+\infty} f(x,y)dy$，$f_Y(y) = \int_{-\infty}^{+\infty} f(x,y)dx$ [9]。
  • 独立性判断：$f(x,y) \equiv f_X(x) \cdot f_Y(y)$ [5, 9]。
• 完整思路和过程：
  1. 画图定限（最关键）：根据题目给出的 $0<x<1, 0<y<x$ 等条件，画出积分区域 $D$。确定是X型区域还是Y型区域，写出确切的积分上下限 [9-11]。
  2. 求常数：利用 $\iint_D f(x,y)dxdy = 1$ 列方程。代入上下限算二重积分，解出未知系数 $c$ [9]。
  3. 求边缘密度：
     • 求 $f_X(x)$：固定 $x$，看积分区域内 $y$ 的范围作为积分上下限，对 $y$ 积分 [9]。注意写结果时一定要带上分段的定义域区间 [12]。
     • 求 $f_Y(y)$：固定 $y$，看 $x$ 的范围，对 $x$ 积分 [9]。
  4. 判断独立性：将求得的 $f_X(x)$ 和 $f_Y(y)$ 相乘，看是否在所有区间上都绝对等于 $f(x,y)$。只要有一处不相等，或者非零定义域不是矩形（有关联），则不独立 [9, 13]。

---

🏆 榜单 Top 4：全概率公式与贝叶斯公式

性价比系数：中高（经典“次品”背景，模型极易识别） [1, 5]

• 一般形式：一个最终结果（如发现次品、出事故）由多个并列的原因（如三个不同车间生产、不同类型的人）导致 [5, 14, 15]。
• 关键词出现形式：“甲乙丙三个厂”、“分别占...”、“次品率/事故率分别为...”、“现抽取一个是次品的概率”、“已知是次品，求是某厂生产的概率” [2, 14]。
• 核心解题套路和公式：
  • 全概率公式（由因求果）：$P(A) = \sum P(B_i)P(A|B_i)$ [14]。
  • 贝叶斯公式（执果索因）：$P(B_k|A) = \frac{P(B_k)P(A|B_k)}{P(A)}$ [2, 14]。
• 完整思路和过程：
  1. 设立事件：用字母清晰定义事件。例如，令 $A$ = “抽到次品”，$B_1, B_2, B_3$ 分别为“甲、乙、丙厂生产” [14]。
  2. 提取数据：从题干中直接摘录并写出所有已知概率：
     • 原因概率（占比）：$P(B_1), P(B_2), P(B_3)$。
     • 条件概率（各厂次品率）：$P(A|B_1), P(A|B_2), P(A|B_3)$ [14]。
  3. 算全概率：求 $P(A)$，即将对应路线的“占比 $\times$ 次品率”全部加起来求和 [14]。
  4. 算贝叶斯：若题目问“已知抽到次品，求它是乙厂生产的”，即求 $P(B_2|A)$。分子放乙厂产生次品的概率（$P(B_2)P(A|B_2)$），分母放刚才算出的全概率 $P(A)$，相除即得最终答案 [14]。

---

🏆 榜单 Top 5：数字特征综合计算（期望、方差、协方差）

性价比系数：中（全卷分值占比最高15%-30%，需熟记公式与五大分布结论） [1, 5]

• 一般形式：给定一维或二维分布（离散型给表格，连续型给密度函数），要求计算变量或其线性组合的期望、方差、协方差等 [16, 17]。
• 关键词出现形式：“求 $E(X), D(X)$”、“求 $Cov(X,Y)$”、“求 $E(3X-2Y)$”、“$X$ 与 $Y$ 相互独立” [16-18]。
• 核心解题套路和公式：
  • 基础公式：方差 $D(X) = E(X^2) - [E(X)]^2$ [16, 19]；协方差 $Cov(X,Y) = E(XY) - E(X)E(Y)$ [17]。
  • 运算性质：$E(aX+b) = aE(X)+b$；若 $X,Y$ 独立，$D(aX\pm bY) = a^2D(X) + b^2D(Y)$，且 $Cov(X,Y)=0$ [16-18]。
  • 五大重要分布背记：如 $X \sim B(n,p)$ 则 $E(X)=np, D(X)=np(1-p)$；$X \sim E(\lambda)$ 则 $E(X)=1/\lambda, D(X)=1/\lambda^2$；$X \sim U(a,b)$ 则 $E(X)=(a+b)/2, D(X)=(b-a)^2/12$ [5, 20]。
• 完整思路和过程：
  1. 判断分布类型：如果是“五大分布”之一（如题目直说服从指数分布、均匀分布），不要傻算积分，直接默写背过的 $E(X)$ 和 $D(X)$ 公式代入拿分 [5, 20, 21]。
  2. 非标准分布计算：
     • 离散型：求期望列式 $E(X) = \sum x_i p_i$；求方差先算 $E(X^2) = \sum x_i^2 p_i$，再套用方差化简公式 [16]。二维求 $E(XY)$ 则是将表格中所有的 $x_i \cdot y_j \cdot P(X=x_i, Y=y_j)$ 相加 [17]。
     • 连续型：套积分公式 $E(X) = \int x f(x)dx$