🎯 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！