📊 概率与统计汇总专题

📊 概率与统计：数据分析与随机模型

掌握从计数原理到概率分布，再到统计推断的完整逻辑链条。

---

🔹 计数原理与排列组合

第 22 章 计数原理

22.00 知识网络

Link to original

---

22.01 计数原理、排列与组合

🟦 计数原理、排列与组合专题

核心心法

“分类用加法，分步用乘法；有序选排列，无序选组合”。计数原理是解决“有多少种可能”的底层逻辑。排列关注的是元素的位置顺序，而组合关注的是元素的选取结果。掌握排列组合数之间的倍数关系（$A_n^m=C_n^m\cdot m!$），能帮助你理清复杂计数问题中的逻辑层次。

---

一、 计数原理 (Counting Principles)

1. 分类加法计数原理

• 定义：完成一件事有 $n$ 类办法，各步方法相互独立。
• 公式：$N=m_1+m_2+\cdots +m_n$。
• 特点：每种方法都能直接独立完成这件事。

2. 分步乘法计数原理

• 定义：完成一件事需要分成 $n$ 个必经步骤，各步相互依存。
• 公式：$N=m_1\times m_2\times \cdots \times m_n$。
• 特点：必须完成所有步骤，这件事才算完成。

---

二、 排列 (Permutation)

1. 定义与排列数

• 排列：从 $n$ 个不同元素中取出 $m$ 个，$\ast \ast 按照一定顺序\ast \ast$ 排成一列。
• 排列数：所有不同排列的个数，用 $A_n^m$ 表示。

2. 排列数公式

• 一般公式：$A_n^m=n(n-1)\dots (n-m+1)=\frac{n!}{(n-m)!}$ （$m\le n$）。
• 全排列：$A_n^n=n!$。规定 $0!=1$。

3. 排列数的性质

• ① $n\cdot A_n^n=(n+1)!-n!$
• ② $\frac{n}{(n+1)!}=\frac{1}{n!}-\frac{1}{(n+1)!}$ （常用于数列裂项求和）

---

三、 组合 (Combination)

1. 定义与组合数

• 组合：从 $n$ 个不同元素中取出 $m$ 个$\ast \ast 合成一组\ast \ast$（不考虑顺序）。
• 组合数：所有不同组合的个数，用 $C_n^m$ 表示。

2. 组合数公式

• 计算式：$C_n^m=\frac{A_n^m}{A_m^m}=\frac{n!}{m!(n-m)!}$ （$m\le n$）。
• 规定：$C_n^0=1$。

3. 组合数的性质

• ① 对称性：$C_n^m=C_n^{n-m}$。
  • 若 $C_n^x=C_n^y$，则 $x=y$ 或 $x+y=n$。
• ② 递推性 (杨辉三角基础)：$C_n^m+C_n^{m-1}=C_{n+1}^m$。

---

四、 排列数与组合数的关系

$A_n^m=C_n^m\cdot A_m^m$

• 理解：从 $n$ 个中取 $m$ 个的排列过程，可以看作先“组合”（取出 $m$ 个），再“排列”（将这 $m$ 个全排列）。

---

⚠️ 考场避坑与做题技巧

“有序”还是“无序”的判定

拿到题目先自问：“换个位置，结果变吗？”。如果换位置结果变了（如排队、发职务、组数字），用排列 $A$；如果换位置结果不变（如选代表、抽样检查、配菜），用组合 $C$。

防止重复与遗漏

分类计数时，要确保各类别之间不重不漏；分步计数时，要确保各步骤之间连续且完整。

处理排列组合的常用模型

• 相邻问题：捆绑法（将相邻元素视为一个大元素）。
• 不相邻问题：插空法（先排其他元素，再将不相邻元素插入空位）。
• 定序问题：除法倍数法（总排列数除以定序全排列）。
• 至多/至少问题：反难则易（使用间接法，总数减去不符合要求的情况）。

Link to original

---

22.02 排列组合 16 种核心解题模型与策略

🟦 排列组合 16 种核心解题模型与策略

核心心法

“结构定模型，限制定顺序”。排列组合问题的复杂性源于各种限制条件（相邻、不相邻、定序、重复等）。掌握这 16 种核心模型，本质上是掌握了将复杂计数问题“降维”为基础加乘原理的工具箱。

---

1. 特殊元素和特殊位置优先安排

• 核心思想：优先处理有特殊限制的元素（如“首位不为0”）或位置（如“末位为奇数”），消除矛盾。
• 例：0,1,2,3,4,5 组成无重复五位奇数。
  • 步1：末位 $C_3^1$；步2：首位 $C_4^1$（不为0且不为末位）；步3：余位 $A_4^3$。
  • 结论：$C_3^1\times C_4^1\times A_4^3=288$。

---

2. 相邻元素捆绑法

• 核心思想：相邻元素看作一个整体（大元素），排完后再考虑内部排列。
• 例：7人站一排，甲乙相邻且丙丁相邻。
  • 步1：整体排 $A_5^5$；步2：内部自排 $A_2^2\times A_2^2$。
  • 结论：$A_5^5\times A_2^2\times A_2^2=480$。

---

3. 不相邻问题插空法

• 核心思想：先排无限制元素，再将不相邻元素插入形成的空隙中。
• 例：4个舞蹈、2个相声、3个独唱，舞蹈不连续。
  • 步1：排余项 $A_5^5$；步2：插空位 $A_6^4$（5个元素形成6个空）。
  • 结论：$A_5^5\times A_6^4$。

---

4. 定序问题整除法

• 核心思想：先全排列，再除以定序元素的全排列数以消除顺序影响。
• 例：7人排队，甲乙丙3人顺序一定。
  • 结论：$\frac{A_7^7}{A_3^3}$。

---

5. 重排问题求幂法

• 核心思想：允许重复抽取，每一步的选择数均相等。
• 例：6名实习生分配到7个车间。
  • 结论：$7^6$。

---

6. 圆排列问题

• 核心思想：圆排列无首尾，需固定一个元素。
• 结论：$n$ 个不同元素圆排列种数为 $(n-1)!$。

---

7. 多排问题直排法

• 核心思想：将多排位置拉直成一排来处理。
• 例：8人前后两排各4人，甲乙前排，丙后排。
  • 结论：$A_4^2\times A_4^1\times A_5^5$。

---

8. 排列组合混合问题先选后排

• 核心思想：先从总体中选出符合要求的元素组，再对这组元素进行排列。
• 例：5个球装入4个盒，每盒至少一个。
  • 步1：选2球绑在一起 $C_5^2$；步2：4个元素排入4盒 $A_4^4$。
  • 结论：$C_5^2\times A_4^4$。

---

9. 小集团问题先整体后局部

• 核心思想：类似于捆绑法，但侧重于集团内外的多层次排列。
• 例：1-5组成五位数，恰有两个偶数夹在1,5之间。
  • 结论：$A_2^2\times A_2^2\times A_2^2$（整体排 $\times$ 1,5自排 $\times$ 偶数自排）。

---

10. 元素相同问题隔板法 (Star and Bars)

• 核心思想：在相同元素的空隙中插入“挡板”进行分配。
• 例：10个名额分给7个班，每班至少一个。
  • 结论：$C_9^6$。
• 模型扩展：
  • 正整数解：$x_1+\cdots +x_n=m⟹C_{m-1}^{n-1}$。
  • 非负整数解：$x_1+\cdots +x_n=m⟹C_{m+n-1}^{n-1}$。

---

11. 正难则反总体淘汰法

• 核心思想：当正面分类过多时，用总数减去违规数。
• 结论：$N_{\text{total}}-N_{\text{illegal}}$。

---

12. 不同元素分组分配法

• 核心思想：先分组（注意均匀分组需除以 $A_k^k$），再分配。
• 均匀分组判定：若有 $k$ 组元素个数相等，需除以 $A_k^k$。

---

13. 合理分类与分步

• 核心思想：寻找“全能型”关键元素作为分类标准。

---

14. 错位排列 (Derangement)

• 核心思想：每个元素都不在对应位置。
• 常用数：$a_1=0,a_2=1,a_3=2,a_4=9,a_5=44$。

---

15. 分解与合成策略

• 例：30030 的偶因数个数。
  • 核心：必须含质因数 2，其余 5 个质因数任取。
  • 结论：$2^5-1$（即 $C_5^1+\cdots +C_5^5$）。

---

16. 特殊模型

1. 异面直线对：$3(C_n^4-m)$。
2. 圆内交点：$C_n^4$。
3. 连续号码：$C_{n-2(m-1)}^2$。
4. 传球递推：$a_n=4^{n-1}-a_{n-1}$。

---

⚠️ 考场避坑与做题技巧

隔板法的使用前提

隔板法只能用于相同元素（如名额、一样的球）分给不同对象（如班级、盒子）。如果球是不同的，必须使用分组分配法。

重复计数的重灾区

在“平均分组”问题中，如 4 人平均分成两组，如果不除以 $A_2^2$，就会将 $\{A,B\}$ 与 $\{C,D\}$ 的组合计算两次。

“至少”不一定都要用间接法

当“至少”的情况只有 1-2 类时，直接分类计算往往比总数减去反面更不容易出错。

Link to original

---

22.03 二项式定理全总结

🟦 二项式定理全总结 (Binomial Theorem)

核心心法

“通项定位置，赋值定系数”。二项式定理的核心在于对 $(a+b{)}^n$ 展开结构的把握。通项公式 $T_{k+1}$ 是解决特定项问题的钥匙；而面对复杂的系数和问题，“赋值法”则是化繁为简的神技。

---

一、 二项式定理及通项公式

1. 基本公式

$(a+b{)}^n=C_n^0{a}^n+C_n^1{a}^{n-1}b+C_n^2{a}^{n-2}{b}^2+\cdots +C_n^n{b}^n={\sum }_{k=0}^n{C}_n^k{a}^{n-k}{b}^k$

• 项数：共有 $n+1$ 项。
• 二项式系数：$C_n^0,C_n^1,\dots ,C_n^n$。

2. 通项公式 (General Term)

$T_{k+1}=C_n^k{a}^{n-k}{b}^k,k=0,1,2,\dots ,n$

• 用途：求指定项（如第 3 项）、有理项（指数为整数）、常数项等。

3. 特殊形式

• (1+x)ⁿ：$(1+x{)}^n=1+C_n^{1}x+C_n^2{x}^2+\cdots +C_n^n{x}^n$
• (a-b)ⁿ：$T_{k+1}=(-1{)}^k{C}_n^k{a}^{n-k}{b}^k$ （注意符号交替）

---

二、 二项式系数的性质

1. 对称性：$C_n^m=C_n^{n-m}$（与首末两端等距离的系数相等）。
2. 增减性与最大值：系数从两端向中间先增后减。
   • $n$ 为奇数：中间两项 $C_n^{\frac{n-1}{2}}$ 和 $C_n^{\frac{n+1}{2}}$ 相等且最大。
   • $n$ 为偶数：中间一项 $C_n^{\frac{n}{2}}$ 最大。
3. 系数和公式：
   • 全系数和：${\sum }_{k=0}^n{C}_n^k=2^n$
   • 奇/偶项系数和：$C_n^0+C_n^2+\cdots =C_n^1+C_n^3+\cdots =2^{n-1}$

---

三、 赋值法求系数和 (The Assignment Method)

设 $(ax+b{)}^n=a_0+a_{1}x+a_2{x}^2+\cdots +a_n{x}^n=f(x)$：

• 常数项：$a_0=f(0)$
• 所有项系数和：$f(1)=(a+b{)}^n$
• 正负交替和：$f(-1)=(b-a{)}^n$
• 绝对值系数和：$(|a|+|b|{)}^n$
• 进阶技巧 (导数法)： 对 $f(x)$ 求导并令 $x=1$，可求 $a_1+2a_2+3a_3+\cdots +n{a}_n$。

---

四、 系数最大（小）项的求法

设第 $k$ 项的系数为 $A_k$：

• 求最大系数项：解不等式组 $\{\begin{array}{l}{A}_k\ge A_{k-1}\\ A_k\ge A_{k+1}\end{array}$
• 求最小系数项：解不等式组 $\{\begin{array}{l}{A}_k\le A_{k-1}\\ A_k\le A_{k+1}\end{array}$

---

五、 二项式定理的其他应用

1. 整除问题：将数字拆分为 $(a+b{)}^n$，通常取 $a$ 为除数的倍数（如 $8^n=(7+1{)}^n$ 判定被 7 除的余数）。
2. 不等式证明：结合放缩法。
3. 近似计算：当 $|x|\ll 1$ 时，$(1+x{)}^n\approx 1+nx$。
4. 整数与小数部分 (共轭构造)： 利用 $(\sqrt{A}+B{)}^n$ 与 $(\sqrt{A}-B{)}^n$ 配对（对偶式），因对偶式通常在 $(0,1)$ 之间，从而锁定整数部分。

---

⚠️ 考场避坑与做题技巧

区分“二项式系数”与“项的系数”

• 二项式系数：仅指 $C_n^k$，与 $a,b$ 中的具体数值无关，永远为正。
• 项的系数：通项 $T_{k+1}$ 中除了变量之外的所有常数部分，包含正负号。

通项公式的下标陷阱

通项是 $T_{k+1}$，这意味着第 5 项对应的是 $k=4$。在计算时千万不要把 $k$ 直接当成项数。

有理项的判定

求有理项时，将 $T_{k+1}$ 化简为变量 $x$ 的 $f(k)$ 次方形式，解方程使 $f(k)\in \mathbb{Z}$，且 $0\le k\le n$。

Link to original

---

🔹 概率初步与古典概型 (第 14，15 章)

第 14 章 统计

14.00 知识网络

Link to original

---

14.01随机抽样、平均数与方差

🟦 统计学基础：随机抽样、平均数与方差 (Statistics)

核心心法

“样本推断总体，分层化繁为简”。统计学的核心是通过科学的抽样方法（如简单随机抽样、分层随机抽样）获取具有代表性的样本，并利用平均数（集中趋势）和方差（离散程度）来定量描述总体的特征。

---

一、 随机抽样 (Random Sampling)

1. 调查方式

• (1) 全面调查：对调查对象全体逐一调查（如人口普查）。
• (2) 抽样调查：从总体中抽取部分个体调查，以此推断总体情况。核心是样本需具有代表性。

2. 基本概念

• 总体：调查对象的全体。
• 个体：组成总体的每一个调查对象。
• 样本：从总体中抽取的部分个体。
• 样本容量：样本中包含的个体数量。

3. 抽样方法

• 简单随机抽样：
  • 放回式：每次抽取后放回，个体概率始终相等。
  • 不放回式（常用）：每次抽取后不放回，个体概率始终相等。
• 分层随机抽样：
  • 按变量将总体划分为互不重叠的层，各层独立抽样。
  • 比例分配：每层的样本量与该层的大小成比例。

---

二、 平均数的计算 (Mean)

• 普通平均数：$\bar{x}=\frac{1}{n}{\sum }_{i=1}^n{x}_i$
• 加权平均数：$\bar{x}={\sum }_{i=1}^n{p}_i{x}_i$ （$p_i$ 为频率）
• 分层抽样的总平均数 ($\bar{w}$)：
  • 两层：$\bar{w}=\frac{m}{m+n}\bar{x}+\frac{n}{m+n}\bar{y}$
  • 三层：$\bar{w}=\frac{l}{l+m+n}\bar{x}+\frac{m}{l+m+n}\bar{y}+\frac{n}{l+m+n}\bar{z}$

---

三、 方差与标准差 (Variance & Standard Deviation)

1. 基本计算

• 普通方差：$s^2=\frac{1}{n}{\sum }_{i=1}^n(x_i-\bar{x}{)}^2=\frac{1}{n}{\sum }_{i=1}^n{x}_i^2-{\bar{x}}^2$
• 加权方差：$s^2={\sum }_{i=1}^n{p}_i(x_i-\bar{x}{)}^2$
• 标准差：$s=\sqrt{s^2}$。刻画数据的离散程度，$s$ 越大波动越大。

2. 分层抽样的方差公式

若两层样本分别为 $(m,\bar{x},s_x^2)$ 和 $(n,\bar{y},s_y^2)$，总平均数为 $\bar{w}$： $s^2=\frac{m}{m+n}\left[s_x^2+(\bar{x}-\bar{w}{)}^2\right]+\frac{n}{m+n}\left[s_y^2+(\bar{y}-\bar{w}{)}^2\right]$

🔍 证明简述： 利用方差定义式展开，通过添加项 $(\bar{x}-\bar{x})$ 进行平移，利用 $\sum (x_i-\bar{x})=0$ 的性质简化交叉项，最终合并为各层方差与各层均值偏离度的加权和。

• 三层情况： $s^2={\sum }_{layer=1}^3\frac{n_i}{n_{total}}[s_i^2+({\bar{x}}_i-\bar{w}{)}^2]$

---

四、 数据的线性变换结论 (Linear Transformation)

若新数据 $y_i=a{x}_i+b$，原数据特征为 $(\bar{x},s_x^2,x_p,x_0)$，则新特征如下：

统计量	变换公式	备注
平均数	$\bar{y}=a\bar{x}+b$	随 $a,b$ 同步平移伸缩
方差	$s_y^2=a^2{s}_x^2$	与常数 $b$ 无关
百分位数	$y_p=a{x}_p+b$	保持顺序关系
众数	$y_0=a{x}_0+b$	对应位置平移
极差	$R_y =	a

---

⚠️ 考场避坑与做题技巧

分层方差的物理意义

分层方差公式由两部分组成：层内方差（$s_x^2$）和层间方差（$(\bar{x}-\bar{w}{)}^2$）。如果各层均值差异很大，即使各层内部很稳定，总方差也会非常大。

方差计算的捷径

在手动计算方差时，优先使用公式 $s^2=\frac{1}{n}\sum x_i^2-{\bar{x}}^2$（平方的平均减去平均的平方），这通常比直接用差值平方和计算量更小。

抽样概率的公平性

无论是不放回抽样还是分层抽样，在没有任何附加信息的情况下，总体中每个个体被抽到的概率都是 $n/N$。这是判断抽样方法是否科学的核心标准。

Link to original

---

14.02 百分位数与四分位数

🟦 百分位数与四分位数 (Percentiles & Quartiles)

核心心法

“位置决定数值”。百分位数是刻画数据分布特征的重要指标，它不仅反映了数据的集中趋势，更体现了数据在整体中的相对排位。通过将数据“切片”，我们可以直观地观察到不同比例段的数据水平。

---

一、 第 $p$ 百分位数的概念

一般地，一组数据的第 $p$ 百分位数是这样一个值，它满足：

1. 这组数据中至少有 $p\%$ 的数据小于或等于这个值；
2. 且至少有 $(100-p)\%$ 的数据大于或等于这个值。

---

二、 计算步骤 (三步走法则)

对于一组包含 $n$ 个数据的样本，计算第 $p$ 百分位数的步骤如下：

• 第一步：排序 将原始数据按从小到大的顺序排列。
• 第二步：计算指数 $i$ 利用公式计算位置指数：$i=n\times p\%$。
• 第三步：判定取值
  • 情况 A：若 $i$ 不是整数，记大于 $i$ 的比邻整数为 $j$，则第 $p$ 百分位数为第 $j$ 项数据。
  • 情况 B：若 $i$ 是整数，则第 $p$ 百分位数为第 $i$ 项与第 $(i+1)$ 项数据的平均数。

---

三、 四分位数的概念 (Quartiles)

四分位数是将一组数据等分为四部分的三个数值点：

名称	百分位对应	常用简称
第一四分位数	第 25 百分位数	下四分位数 ($Q_1$)
第二四分位数	第 50 百分位数	中位数 ($Q_2/M$)
第三四分位数	第 75 百分位数	上四分位数 ($Q_3$)

---

⚠️ 考场避坑与做题技巧

整数判定是核心

很多同学在 $i$ 是整数时直接取第 $i$ 项，这是错误的。请记住：整数取均值，小数向上取。例如 $i=3.1$ 取第 4 项，$i=3$ 则取第 3、4 项的平均数。

中位数的两种求法

注意百分位数求法与传统初中中位数求法（奇数取中间，偶数取平均）在逻辑上是完全统一的。当 $p=50$ 时，套用上述三步走法则所得结果与传统中位数定义一致。

百分位数的应用背景

在大型考试（如高考、SAT）中，百分位数常用来表示考生的相对排位。如果你处在第 90 百分位数，意味着你超过了 90% 的考生。

Link to original

---

14.03 频率分布直方图中的数据计算

🟦 频率分布直方图中的数据计算 (Data Calculation in Histograms)

核心心法

“以面积代频率，以中值代区间”。在频率分布直方图中，小长方形的面积即为频率，其总和恒等于 1。处理直方图数据的关键在于“估算”：用组中值代表组内个体的平均水平，用线性插值法锁定百分位数的精确位置。

---

一、 频率分布直方图的含义

• 核心定义：频率分布直方图以面积的形式反映了数据落在各个小组的频率大小。
• 基本性质：
  • 各个小长方形的面积 $S_i=\text{组距}\times \frac{\text{频率}}{\text{组距}}=\text{该组频率}$。
  • 各个小长方形的面积总和等于 1，即样本数据落在整个区间的频率为 1。

---

二、 样本平均数的估算

在频率分布直方图中，认为每一组的数据都集中在该组的组中值上： 设 $x_i$ 为第 $i$ 组的组中值，$p_i$ 为第 $i$ 组的频率，则样本平均数 $\bar{x}$ 为： $\bar{x}=x_1{p}_1+x_2{p}_2+\cdots +x_n{p}_n={\sum }_{i=1}^n{x}_i{p}_i$

---

三、 百分位数的计算 (面积分割法)

在频率分布直方图中，通常认为数据均匀分布在各自的区间上。

1. 确定所在组

计算第 $p$ 百分位数时，先寻找第一个累积面积大于或等于 $p\%$ 的小组 $i$： $\{\begin{array}{l}{p}_1+p_2+\cdots +p_{i-1}<p\%\\ p_1+p_2+\cdots +p_{i-1}+p_i\ge p\%\end{array}$

2. 精确值求解 (线性插值)

设第 $i$ 组对应的区间为 $(a,b)$，第 $p$ 百分位数为 $x_0$，则满足： $p_1+p_2+\cdots +p_{i-1}+(x_0-a)\cdot \frac{p_i}{b-a}=p\%$

• 几何意义：直线 $x=x_0$ 左侧所有小长方形的面积之和恰好为 $p\%$。

---

四、 样本方差的估算

利用组中值和频率进行加权计算： 设 $x_i$ 为组中值，$p_i$ 为频率，$\bar{x}$ 为前述估算的平均数，则方差 $s^2$ 为： $s^2=(x_1-\bar{x}{)}^2{p}_1+(x_2-\bar{x}{)}^2{p}_2+\cdots +(x_n-\bar{x}{)}^2{p}_n={\sum }_{i=1}^n(x_i-\bar{x}{)}^2{p}_i$

---

⚠️ 考场避坑与做题技巧

纵轴的含义

频率分布直方图的纵轴是 $\frac{\text{频率}}{\text{组距}}$，而不是频率本身。计算频率时务必用纵轴高度乘以组距，这是初学者最容易忽略的细节。

百分位数的快速定位

寻找中位数（第 50 百分位数）时，如果前两组面积和为 0.3，第三组面积为 0.4，那么中位数一定在第三组内，且位于该组的前一半（因为 $0.3+0.2=0.5$）。

估算值的局限性

直方图计算出的平均数、方差和百分位数均为估算值。因为在计算过程中，我们假设了组内数据是均匀分布或全部集中在中点，这与原始数据的真实值可能存在微小偏差。

Link to original

---

第 15 章 概率

15.00 知识网络

Link to original

---

15.01 古典概型

🟦 古典概型 (Classical Probability Model)

核心心法

“有限等概，计数求比”。古典概型是概率论中最理想、最基础的模型。它的核心在于两个前提：一是可能的结果必须是有限的，二是每个结果发生的几率必须是完全公平的。解题的关键在于准确计数样本点的个数。

---

1. 古典概型的特点

一个随机试验若满足以下两个条件，则称为古典概型：

• (1) 有限性：样本空间 $\Omega$ 中的样本点只有有限个。
• (2) 等可能性：每个样本点发生的可能性完全相等。

---

2. 古典概型事件 $A$ 的概率计算

在古典概型下，事件 $A$ 发生的概率 $P(A)$ 等于事件 $A$ 所包含的样本点个数与样本空间 $\Omega$ 中样本点总数的比值：

$P(A)=\frac{n(A)}{n(\Omega )}=\frac{\text{事件 }A\text{ 包含的样本点个数}}{\text{样本空间 }\Omega \text{ 的样本点总数}}$

---

⚠️ 考场避坑与做题技巧

计数方法的选择

在古典概型中，计算样本点个数常用到以下方法：

1. 列举法：适用于样本点较少的情况。
2. 列表法：适用于涉及两个元素（如掷两枚骰子）的试验。
3. 树状图法：适用于涉及多个步骤或分阶段抽取的试验。

“等可能性”的检查

并不是所有有限样本空间的试验都是古典概型。例如，“投篮命中或不命中”虽然只有两个结果，但命中率通常不等于不命中率，因此不能直接套用古典概型公式。

有序与无序的区别

在计数时，必须保持分子（事件 $A$）与分母（样本空间 $\Omega$）在“是否有序”上的一致性。如果分母考虑了抽取的顺序，分子也必须考虑顺序，否则概率计算会出错。

Link to original

---

15.02 随机事件、关系与独立性

🟦 概率论基础：随机事件、关系与独立性 (Probability Theory)

核心心法

“样本驱动事件，逻辑决定计算”。概率论的研究始于对随机现象的观察。通过样本空间刻画所有可能结果，利用集合论语言（交、并、补）定义事件关系，并以“独立性”作为概率乘法公式的逻辑基石，从而实现从频率估算到理论概率的跃迁。

---

一、 基本概念 (Basic Concepts)

1. 随机试验 (Random Experiment)

具备以下特点的试验称为随机试验：

• ① 相同条件下可重复。
• ② 可能结果不止一个，且事先明确所有可能结果。
• ③ 试验前不能确定哪一个结果会出现。

2. 样本空间与样本点

• 样本空间 ($\Omega$)：所有可能结果组成的集合。
• 样本点 (${\omega }_i$)：样本空间的元素，即每个可能的基本结果。

3. 随机事件

• 事件：样本空间 $\Omega$ 的子集，常用 $A,B,C$ 表示。
• 基本事件：由单个样本点组成的单点集。
• 必然事件 ($\Omega$)：在每次试验中总是发生，$P(\Omega )=1$。
• 不可能事件 ($\varnothing$)：在每次试验中都不发生，$P(\varnothing )=0$。

注意

概率为 1 的事件不一定是必然事件；概率为 0 的事件不一定是不可能事件。

---

二、 事件的关系、性质及概率计算

1. 包含与相等

• 包含 ($A\subseteq B$)：若 $A$ 发生则 $B$ 必发生。性质：$P(A)\le P(B)$。
• 相等 ($A=B$)：$A\subseteq B$ 且 $B\subseteq A$。性质：$P(A)=P(B)$。

2. 并、交、互斥与对立

• 并事件 (和事件 $A\cup B$)：$A$ 与 $B$ 至少有一个发生。
  • 通用公式：$P(A\cup B)=P(A)+P(B)-P(A\cap B)$
• 交事件 (积事件 $A\cap B$)：$A$ 与 $B$ 同时发生。
• 互斥事件：$A$ 和 $B$ 不能同时发生（$A\cap B=\varnothing$）。
  • 性质：$P(A\cup B)=P(A)+P(B)$。
• 对立事件 ($\overline{A}$)：有且仅有一个发生。
  • 性质：$P(A)+P(\overline{A})=1$。

---

三、 事件的相互独立性 (Independence)

1. 定义

对于任意两个事件 $A$ 和 $B$，若满足： $P(AB)=P(A)P(B)$ 则称事件 $A$ 与 $B$ 相互独立。

2. 性质

• (1) 特殊事件：必然事件 $\Omega$ 和不可能事件 $\varnothing$ 与任意事件相互独立。
• (2) 四组独立：若 $A$ 与 $B$ 独立，则 $A$ 与 $\overline{B}$、$\overline{A}$ 与 $B$、$\overline{A}$ 与 $\overline{B}$ 也相互独立。

🔍 证明（以 $A$ 与 $\overline{B}$ 为例）

$\because A=AB\cup A\overline{B}$，且 $AB$ 与 $A\overline{B}$ 互斥： $P(A)=P(AB)+P(A\overline{B})$ $P(A)=P(A)P(B)+P(A\overline{B})$ $\therefore P(A\overline{B})=P(A)-P(A)P(B)=P(A)(1-P(B))=P(A)P(\overline{B})$ 证毕。

3. 三个事件的独立性

若三个事件 $A,B,C$ 两两相互独立，需满足三个交事件的积公式。

注意：两两独立不能推出 $P(ABC)=P(A)P(B)P(C)$，反之亦然。

---

四、 频率与概率

• 频率的稳定性：随着试验次数 $n$ 的增大，频率 $f_n(A)$ 会逐渐稳定于概率 $P(A)$。
• 应用：实际应用中，可以用频率估计概率。

---

⚠️ 考场避坑与做题技巧

互斥与独立的区分 (高频错点)

• 互斥是指两个事件“能不能同时发生”（集合关系）。
• 独立是指一个事件发生与否“影不影响另一个发生的概率”（概率关系）。
• 若 $P(A)>0,P(B)>0$，互斥事件一定不独立，独立事件一定不互斥。

对立与互斥的区别

对立是互斥的加强版。互斥要求“不能同时发生”（可以都不发生），而对立要求“有且仅有一个发生”（必须发生一个）。

利用独立性简化计算

当题目出现“同时发生”、“相继发生”或“互不影响”等关键词时，优先考虑乘法公式 $P(AB)=P(A)P(B)$。对于复杂的并事件 $P(A\cup B\cup C)$，有时计算对立事件 $1-P(\overline{A}\overline{B}\overline{C})$ 会更简单。

Link to original

---

🔹 随机变量及其分布 (第 22 章)

第 22 章 概率

23.00 知识网络

Link to original

---

23.01 条件概率与乘法公式

🟦 条件概率与乘法公式专题

核心心法

“空间收缩，信息更新”。条件概率的本质是：当我们得知事件 $A$ 已经发生时，样本空间从全集 $\Omega$ 缩小到了集合 $A$。此时研究 $B$ 的概率，实际上是在研究“$A$ 发生的部分里有多少属于 $B$”。

---

一、 条件概率 (Conditional Probability)

1. 定义

设 $A,B$ 为两个随机事件，且 $P(A)>0$，则在事件 $A$ 发生的条件下，事件 $B$ 发生的条件概率定义为： $P(B|A)=\frac{n(AB)}{n(A)}=\frac{P(AB)}{P(A)}$

• $n(AB)$：积事件 $AB$ 包含的样本点个数。
• $P(AB)$：事件 $A$ 和 $B$ 同时发生的概率。

---

二、 概率的乘法公式 (Multiplication Rules)

1. 两个事件的乘法公式

若 $P(A)>0$，则： $P(AB)=P(A)P(B|A)$

• 独立性简化：若 $A$ 与 $B$ 相互独立，则 $P(B|A)=P(B)$，公式变为 $P(AB)=P(A)P(B)$。

2. 三个事件的乘法公式

当 $P(AB)>0$ 时： $P(ABC)=P(A)P(B|A)P(C|AB)$

3. $n$ 个事件的递推乘法公式

当 $P(A_1{A}_2\dots A_{n-1})>0$ 时： $P(A_1{A}_2\dots A_n)=P(A_1)P(A_2|A_1)P(A_3|A_1{A}_2)\dots P(A_n|A_1{A}_2\dots A_{n-1})$

---

三、 条件概率的性质

条件概率在已知 $A$ 发生的“新世界”里，依然服从概率公理化定义的所有基本性质：

1. 规范性：$P(\Omega |A)=1$。
2. 可列可加性：若 $B$ 与 $C$ 互斥，则 $P(B\cup C|A)=P(B|A)+P(C|A)$。
3. 对立性：$P(\bar{B}|A)=1-P(B|A)$。

---

⚠️ 考场避坑与做题技巧

“$P(AB)$”与“$P(B|A)$”的区别

• $P(AB)$：在全样本空间里，看 $A,B$ 同时发生的可能性（分母是 $n(\Omega )$）。
• $P(B|A)$：已经站在 $A$ 的地盘上了，看 $B$ 发生的可能性（分母是 $n(A)$）。 口诀：前者是“两件事都发生的概率”，后者是“已知一件事后另一件发生的概率”。

注意概率树的权重

在使用乘法公式解决连抽问题（如：不放回抽样）时，概率树的每一条路径都是通过乘法公式计算出来的。路径末端的概率等于沿途所有分支概率的乘积。

独立性的判定

很多同学容易混淆“互斥”与“独立”。

• 互斥：不能同时发生，$P(AB)=0$。
• 独立：互不影响，$P(B|A)=P(B)$。 如果 $A,B$ 独立且 $P(A),P(B)>0$，那么它们一定不互斥。

Link to original

---

23.02全概率、贝叶斯公式与马尔可夫游走模型

🟦 全概率、贝叶斯公式与马尔可夫游走模型

核心心法

“全概求果，贝叶斯溯因，游走定递推”。全概率公式是处理“多原因导致单一结果”的利器；贝叶斯公式则是在已知结果发生时，反推各原因可能性的概率罗盘；而在处理更高级的随机过程（如游走模型）时，全概率公式则化身为建立递推数列的数学工具。

---

一、 全概率公式与贝叶斯公式

1. 全概率公式 (Law of Total Probability)

• 前提：$A_1,A_2,\dots ,A_n$ 构成样本空间的一个划分（两两互斥且并集为 $\Omega$）。
• 公式：对任意事件 $B$，有 $P(B)={\sum }_{i=1}^{n}P(A_{i}B)={\sum }_{i=1}^{n}P(A_i)P(B\mid A_i)$
• 几何直观：将事件 $B$ 的概率看作是在各个“原因” $A_i$ 下发生的概率加权平均。

2. 贝叶斯公式 (Bayes’ Theorem)

• 定义：已知事件 $B$ 已经发生，推测是由某个特定原因 $A_i$ 引起的概率。
• 公式： $P(A_i\mid B)=\frac{P(A_i)P(B\mid A_i)}{P(B)}=\frac{P(A_i)P(B\mid A_i)}{{\sum }_{k=1}^{n}P(A_k)P(B\mid A_k)}$
• 意义：后延概率（执果索因）。

---

二、 递推方法与一维马尔可夫过程

1. 简单随机游走模型 (Random Walk)

• 模型设定：点在整数点移动，向左概率为 $\alpha$，向右概率为 $\beta$ ($\alpha +\beta =1$)。
• 递推式推导：记 $P_i$ 为从位置 $i$ 出发最终到达目标（如 $m$ 点）的概率。 由全概率公式，考虑第一步的去向： $P_i=\alpha \cdot P_{i-1}+\beta \cdot P_{i+1}$
• 边界条件 (吸收壁)：若 $x=0$ 和 $x=m$ 是终点，则 $P_0=0,P_m=1$。

2. 含原地不动的随机游走模型

• 模型设定：向左（概率 $a$）、原地不动（概率 $b$）、向右（概率 $c$），且 $a+b+c=1$。
• 递推方程： $P_i=a{P}_{i-1}+b{P}_i+c{P}_{i+1}$
• 处理技巧：通常将 $b{P}_i$ 项移至左侧，转化为 $(1-b)P_i=a{P}_{i-1}+c{P}_{i+1}$，进而利用特征方程解递推数列。

---

⚠️ 考场避坑与做题技巧

全概率公式的“树状图”法

面对多阶段概率问题，画出概率树。第一层的分支即为 $P(A_i)$，第二层的分支即为条件概率 $P(B|A_i)$。所有到达目标 $B$ 的路径末端乘积之和，即为 $P(B)$。

贝叶斯公式的“先验”与“后验”

• 先验概率 $P(A_i)$：在实验前已知的原因概率。
• 后验概率 $P(A_i|B)$：在得知结果 $B$ 后，修正后的原因概率。 审题时若看到“已知…发生，求是…的概率”，必用贝叶斯。

递推式的“算术性”

在随机游走中，若 $\alpha =\beta =0.5$，则递推式 $P_i=\frac{1}{2}(P_{i-1}+P_{i+1})$ 表明 $\{P_i\}$ 是一个等差数列。结合边界条件可以极速求出各点概率。

Link to original

---

23.03 离散型随机变量及其数字特征

🟦 离散型随机变量及其数字特征

核心心法

“分布定全局，期望定中心，方差定波动”。离散型随机变量的分布列是其灵魂，它完整描述了所有可能结果及其发生的概率；而数学期望和方差则是描述这一随机现象的两大核心指标。掌握线性变换下的数字特征变化规律（$aE(X)+b$ 与 $a^{2}D(X)$），是快速处理复杂统计问题的关键。

---

一、 离散型随机变量及其分布列

1. 随机变量 (Random Variable)

• 概念：对样本空间 $\Omega$ 中每个样本点 $\omega$，都有唯一实数 $X(\omega )$ 对应。
• 分类：
  • 离散型：取值可以一一列举（如：投掷骰子的点数）。
  • 连续型：取值无法列举，充满一个区间（如：摄入卡路里数值）。

2. 分布列 (Probability Distribution)

对于离散型随机变量 $X$，其取值 $x_i$ 对应的概率 $P(X=x_i)=p_i$：

$X$	$x_1$	$x_2$	$\dots$	$x_i$	$\dots$	$x_n$
$P$	$p_1$	$p_2$	$\dots$	$p_i$	$\dots$	$p_n$

• 性质：
  1. 非负性：$p_i\ge 0$。
  2. 规范性：${\sum }_{i=1}^n{p}_i=1$。

---

二、 离散型随机变量的数字特征

1. 数学期望 (Mathematical Expectation)

• 定义：反映 $X$ 取值的平均水平。 $E(X)={\sum }_{i=1}^n{x}_i{p}_i=x_1{p}_1+x_2{p}_2+\cdots +x_n{p}_n$
• 线性变换：若 $Y=aX+b$，则： $E(aX+b)=aE(X)+b$

2. 方差与标准差 (Variance & Standard Deviation)

• 方差定义：反映 $X$ 偏离均值的波动程度。 $D(X)={\sum }_{i=1}^n(x_i-E(X){)}^2{p}_i$
• 标准差：$\sigma (X)=\sqrt{D(X)}$。
• 线性变换： $D(aX+b)=a^{2}D(X)$

---

🚀 深度拓展：方差的简化计算公式

在实际计算中，直接使用定义式往往计算量巨大，通常使用简化公式： $D(X)=E(X^2)-[E(X){]}^2$

🔍 公式证明：

D(X) &= \sum_{i=1}^{n}(x_i-E(X))^2p_i \\ &= \sum_{i=1}^{n}[x_i^2 - 2x_iE(X) + E^2(X)]p_i \\ &= \sum_{i=1}^{n}x_i^2p_i - 2E(X)\sum_{i=1}^{n}x_ip_i + E^2(X)\sum_{i=1}^{n}p_i \\ &= E(X^2) - 2E(X) \cdot E(X) + E^2(X) \cdot 1 \\ &= E(X^2) - E^2(X) \end{align*}$$ --- ## ⚠️ 考场避坑与做题技巧 > [!TIP] **期望与算术平均值的区别** > > 算术平均值是实验后的样本统计量，而数学期望是实验前的理论预测值。但在实验次数 $n \to \infty$ 时，样本平均值会趋近于期望值。 > [!CAUTION] **方差计算中的“平移不变性”** > > 注意到 $D(aX+b) = a^2D(X)$。这意味着给随机变量加上一个常数 $b$，其方差**保持不变**。因为平移不会改变数据的波动结构，只有伸缩变换（乘 $a$）会改变波动。 > [!IMPORTANT] **$E(X^2)$ 的含义** > > 在简化公式中，$E(X^2)$ 是指取值的平方与其对应概率的乘积之和，即 $\sum x_i^2 p_i$。千万不要把它误认为是 $(E(X))^2$。Link to original

---

23.04 二项分布与超几何分布

🟦 二项分布与超几何分布核心考点专题

核心心法

“放回独立二项式，不放组合超几何”。判定模型的关键在于：每一轮抽样是否会改变下一轮的概率。若概率恒定且相互独立，则是二项分布；若样本总量有限且不放回，则是超几何分布。在计算期望时，二项分布的 $np$ 与超几何分布的 $n\cdot \frac{M}{N}$ 在形式上具有高度的统一性（均是次数乘以单次成功的概率）。

---

一、 两点分布 (Bernoulli Distribution)

作为所有复杂分布的基石，两点分布描述的是只有两个结果（成功/失败）的单次试验：

$X$	0	1
$P$	$1-p$	$p$

---

二、 二项分布 (Binomial Distribution)

1. $n$ 重伯努利试验

• 定义：同一个伯努利试验独立地重复进行 $n$ 次。
• 特征：每次试验结果相互独立，且成功概率 $p$ 保持不变（通常对应“有放回”抽取）。

2. 概念与分布列

若 $X$ 表示事件 $A$ 发生的次数，则 $X\sim B(n,p)$： $P(X=k)=C_n^k{p}^k(1-p{)}^{n-k},k=0,1,\dots ,n$

3. 期望与方差

• 期望：$E(X)=np$
• 方差：$D(X)=np(1-p)$

期望公式的推导核心

利用组合数恒等式 $k{C}_n^k=n{C}_{n-1}^{k-1}$，将求和式转化为二项式展开的逆过程，最终得到 $np(p+q{)}^{n-1}=np$。

---

三、 超几何分布 (Hypergeometric Distribution)

1. 概念 (不放回抽取)

产品总量 $N$，次品量 $M$，不放回抽取 $n$ 件。$X$ 为抽得的次品数： $P(X=k)=\frac{C_M^k{C}_{N-M}^{n-k}}{C_N^n}$ 其中 $k$ 的范围受限于 $\max \{0,n-N+M\}\le k\le \min \{n,M\}$。

2. 期望与方差

• 期望：$E(X)=\frac{nM}{N}$
• 方差：$D(X)=\frac{nM(N-M)(N-n)}{N^2(N-1)}$ （注：解答题中不可直接使用）

---

四、 深度拓展：类超几何分布 (顺序抽样)

当题目要求“一次一次抽取直到某条件停止”时，考虑顺序：

例题：9球（3红6白），不放回每次取1个，直到取出3个红球停止，求第4次停止的概率。 解析：

• 意味着前3次中恰有2个红球，且第4次必取到红球。
• 计算式：$P=\frac{C_3^2{C}_6^1\cdot A_3^3\cdot C_1^1}{A_9^4}$（或利用组合思想分步计算）。
• 通用策略：将相同球视为不同球，分子分母统一带顺序。

---

⚠️ 考场避坑与做题技巧

二项分布与超几何分布的“近似”转化

当产品总量 $N$ 非常大且抽取的样本 $n$ 相对很小时（如 $N>100n$），不放回抽样可以近似看作有放回抽样。此时超几何分布可以用二项分布来近似计算。

计算量的控制

超几何分布的计算涉及大量组合数，容易算错。建议先化简分母 $C_N^n$，利用对称性 $C_n^k=C_n^{n-k}$ 来减小运算压力。

期望的“直觉”检验

无论是 $np$ 还是 $n\cdot \frac{M}{N}$，本质上都是“抽样次数 $\times$ 成功的胜率”。如果算出来的期望值超出了抽样总数 $n$ 或成功总数 $M$，那一定是公式记反了。

Link to original

---

23.05 正态分布

🟦 正态分布性质与 $3\sigma$ 原则专题

核心心法

“均值定位置，方差定形状，对称求概率”。正态分布 $N(\mu ,{\sigma }^2)$ 的灵魂在于其对称轴 $x=\mu$。无论曲线如何“矮胖”或“瘦高”，其总面积恒为 1。掌握标准正态化公式 $\eta =\frac{\xi -\mu }{\sigma }$，是将一般正态分布转化为可查表的标准正态分布 $N(0,1)$ 的万能钥匙。

1. 正态分布的概念 若连续型随机变量 $\xi$ 的概率密度函数为： $f(x)=\frac{1}{\sigma \sqrt{2\pi }}{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}},x\in (-\infty ,+\infty )$ 其中 $\sigma ,\mu$ 为常数，且 $\sigma >0$，则称 $x$ 服从正态分布，简记为 $X\sim N(\mu ,{\sigma }^2)$，$f(x)$ 的图象称为正态曲线。

2. 正态分布的期望与方差 若 $\xi \sim N(\mu ,{\sigma }^2)$，则： $E(\xi )=\mu ,D(\xi )={\sigma }^2$

3. 正态曲线的性质

① 曲线在 $x$ 轴的上方，与 $x$ 轴不相交；

② 曲线关于直线 $x=\mu$ 对称；

③ 曲线在 $x=\mu$ 时达到峰值 $\frac{1}{\sigma \sqrt{2\pi }}$；

④ 曲线与 $x$ 轴之间的面积为 $1$；

⑤ 当 $x<\mu$ 时，曲线上升；当 $x>\mu$ 时，曲线下降。并且当曲线向左右两边无限延伸时，以 $x$ 轴为渐近线，向它无限靠近；

⑥ 曲线的形状由 $\sigma$ 确定： - $\sigma$ 越大，峰值 $\frac{1}{\sigma \sqrt{2\pi }}$ 越小，曲线越“矮胖”，表示总体的分布越分散； - $\sigma$ 越小，峰值 $\frac{1}{\sigma \sqrt{2\pi }}$ 越大，曲线越“瘦高”，表示总体的分布越集中。

4. 正态分布的概率含义 若 $X\sim N(\mu ,{\sigma }^2)$，则： - $X$ 取值不超过 $x$ 的概率 $P(X\le x)$ 为曲线下 $(-\infty ,x]$ 区域的面积； - $P(a\le X\le b)$ 为曲线下 $[a,b]$ 区域的面积。

5. 3σ原则 假设 $X\sim N(\mu ,{\sigma }^2)$，对于给定的 $k\in N^{\ast }$，$P(\mu -k\sigma <x\le \mu +k\sigma )$ 是一个只与 $k$ 有关的定值。

特别地： \begin{align*} P(\mu - \sigma < x \leq \mu + \sigma) &= 0.6827 \\ P(\mu - 2\sigma < x \leq \mu + 2\sigma) &= 0.9545 \\ P(\mu - 3\sigma < x \leq \mu + 3\sigma) &= 0.9973 \end{align*} 在实际应用中，通常认为服从于正态分布 $N(\mu ,{\sigma }^2)$ 的随机变量只取 $(\mu -3\sigma ,\mu +3\sigma )$ 之间的值，并简称之为 3σ 原则。 -

6. 标准正态分布

① 在标准正态分布表中，相应于 $x_0$ 的值 $\Phi (x_0)$ 是指总体取值小于 $x_0$ 的概率，即 $\Phi (x_0)=P(x<x_0)$。 - $x_0\ge 0$ 时，$\Phi (x_0)$ 的值可在标准正态分布表中查到； - $x_0<0$ 时，可利用其图象的对称性获得 $\Phi (x_0)=1-\Phi (-x_0)$ 来求出。 区间概率计算： $P(x_1<\xi <x_2)=P(\xi <x_2)-P(\xi <x_1)=\Phi (x_2)-\Phi (x_1)$

② $N(\mu ,{\sigma }^2)$ 与 $N(0,1)$ 的关系：

(i) 若 $\xi \sim N(\mu ,{\sigma }^2)$，则 $\eta =\frac{\xi -\mu }{\sigma }\sim N(0,1)$，有 $P(\xi <x_0)=F(x_0)=\Phi \left(\frac{x_0-\mu }{\sigma }\right)$；

(ii) 若 $\xi \sim N(\mu ,{\sigma }^2)$，则 $P(x_1<x<x_2)=\Phi \left(\frac{x_2-\mu }{\sigma }\right)-\Phi \left(\frac{x_1-\mu }{\sigma }\right)$。

⚠️ 考场避坑与做题技巧

利用对称性解题的“黄金法则”

在填空选择题中，若已知 $P(X<a)=p$，求 $P(X>2\mu -a)$ 或类似区间，务必画出草图。利用 $P(X<\mu )=0.5$ 以及关于 $\mu$ 对称的等面积特性，可以快速得出结论。

参数是 $\sigma$ 还是 ${\sigma }^2$？

题目给出 $X\sim N(1,4)$ 时，意味着 $\mu =1,\sigma =2$。计算 $3\sigma$ 区域时一定要先开方，很多同学会直接用 4 进行计算，导致结果偏差巨大。

“小概率事件”的判定

根据 $3\sigma$ 原则，数值落在 $(\mu -3\sigma ,\mu +3\sigma )$ 之外的概率仅为 $0.0027$。在质量检测等实际问题中，如果出现此类数值，通常认为发生了异常，即“小概率事件在一次实验中发生了”，从而判定生产过程失控。

Link to original

---

第 24 章 统计

24.00 知识网络

Link to original

---

24.01回归分析与线性拟合

🟦 回归分析与线性拟合

核心心法

“散点定趋势，系数定强弱，方程定预测”。回归分析的本质是寻找一条“最优”直线，使得所有样本点到该直线的距离平方和最小。通过相关系数 $r$ 判定线性相关的紧密程度，通过决定系数 $R^2$ 评估模型的拟合优度，而回归方程 $\hat{y}=bx+a$ 则是实现数据外推预测的数学载体。

---

一、 变量间的相关关系

1. 关系分类：
   • 函数关系：确定性的关系（如 $y=2x$）。
   • 相关关系：非确定性的关系（如身高与体重）。
2. 散点图与正负相关：
   • 正相关：点群从左下向右上延伸。
   • 负相关：点群从左上向右下延伸。

---

二、 相关系数 $r$ (Correlation Coefficient)

用于衡量两个变量 $x$ 与 $y$ 之间线性相关程度的量： $r=\frac{{\sum }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}}$

1. $r$ 的性质

• 符号判定：$r>0$ 为正相关，$r<0$ 为负相关。
• 程度判定：$|r|$ 越接近 1，相关性越强；$|r|$ 越接近 0，相关性越弱。
• 强相关标准：通常 $|r|>0.75$ 即可认为具有很强的线性相关关系。

---

三、 线性回归方程 $\hat{y}=bx+a$

1. 最小二乘法系数公式

$\{\begin{array}{l}b=\frac{{\sum }_{i=1}^n(x_i-\bar{x})(y_i-\bar{y})}{{\sum }_{i=1}^n(x_i-\bar{x}{)}^2}=\frac{{\sum }_{i=1}^n{x}_i{y}_i-n\bar{x}\bar{y}}{{\sum }_{i=1}^n{x}_i^2-n{\bar{x}}^2}\\ a=\bar{y}-b\bar{x}\end{array}$

2. 核心性质

样本中心点

回归直线 $\hat{y}=bx+a$ 一定经过样本点的中心 $(\bar{x},\bar{y})$。这是求解截距 $a$ 的关键依据。

---

四、 拟合效果的评估：残差与决定系数 $R^2$

1. 残差 (Residual)：${\hat{e}}_i=y_i-{\hat{y}}_i$。实际观测值与模型估计值的偏差。
2. 残差平方和 $Q$：$\sum (y_i-{\hat{y}}_i{)}^2$。$Q$ 越小，拟合效果越好。
3. 决定系数 $R^2$ (Coefficient of Determination)： $R^2=1-\frac{{\sum }_{i=1}^n(y_i-{\hat{y}}_i{)}^2}{{\sum }_{i=1}^n(y_i-\bar{y}{)}^2}$
   • 物理意义：$x$ 对 $y$ 变化的贡献率。
   • 判定：$R^2$ 越接近 1，模型拟合效果越好。

---

五、 非线性回归的线性化转化

当散点图呈现曲线特征时，通过变量代换将其转化为线性回归：

原非线性方程	变量代换方法	转化后的线性形式
指数型 $y=c_1{e}^{c_{2}x}$	两边取对数，令 $z=\ln y$	$z=bx+a$ ($a=\ln c_1,b=c_2$)
幂函数型 $y=c_3{x}^2+c_4$	令 $t=x^2$	$y=c_{3}t+c_4$

---

⚠️ 考场避坑与做题技巧

公式选择的“偷懒”法则

• 如果题目给了一堆散点坐标，先算 $\bar{x},\bar{y}$，用第一组减法公式。
• 如果题目给出了 $\sum x_i{y}_i$ 这种整体和，直接套用第二组乘法公式。

相关性不代表因果性

统计学上的相关关系只能说明两个变量在数值上有同步趋势，并不代表 $x$ 是 $y$ 的原因。在描述结论时，要用“相关”而非“因为”。

$R^2$ 与 $r$ 的联系

在简单线性回归中，$R^2$ 实际上等于相关系数 $r$ 的平方。所以如果 $|r|$ 很大，$R^2$ 自然也会接近 1。

Link to original

---

24.02 独立性检验与 2X2 列联表

🟦 独立性检验与 $2\times 2$ 列联表

核心心法

“假设无关，卡方验证，查表定论”。独立性检验的本质是考察观测频数与理论频数的偏离程度。卡方值 ${\chi }^2$ 越大，说明观测数据与“无关假设”的偏离越严重，我们就越有信心认为两个分类变量之间存在相关性。

---

一、 核心流程与列联表结构

Step 1. 完善 $2\times 2$ 列联表

首先将实验数据填入下表，并计算行列合计：

	$y_1$	$y_2$	总计
$x_1$	$a$	$b$	$a+b$
$x_2$	$c$	$d$	$c+d$
总计	$a+c$	$b+d$	$n=a+b+c+d$

---

二、 假设与计算

Step 2. 提出零假设 $H_0$

• 假设内容：$H_0$：变量 $X$ 和 $Y$ 相互独立（或：$X$ 与 $Y$ 无关、无差异）。

Step 3. 计算卡方统计量 ${\chi }^2$

利用公式计算偏离程度： ${\chi }^2=\frac{n(ad-bc{)}^2}{(a+b)(c+d)(a+c)(b+d)}$

• 其中 $n$ 为总样本容量。

---

三、 查表与判定结论

Step 4. 查对临界值表 (Critical Values)

根据题目给定的小概率值 $\alpha$，找到对应的临界值 $x_{\alpha }$：

$\alpha$	0.10	0.05	0.025	0.010	0.001
$x_{\alpha }$	2.706	3.841	5.024	6.635	10.828

Step 5. 下结论

1. 若 ${\chi }^2>x_{\alpha }$： 在小概率值 $\alpha$ 的独立性检验下，拒绝 $H_0$。即认为变量 $X$ 和 $Y$ 有关，且该判断犯错的概率不超过 $\alpha$。
2. 若 ${\chi }^2\le x_{\alpha }$： 没有充分证据证明 $H_0$ 不成立，可以认为 $H_0$ 成立。即认为变量 $X$ 和 $Y$ 无关。

---

🚀 深度拓展：卡方公式的结构逻辑

• $(ad-bc)$ 的意义： 若 $X$ 与 $Y$ 完全独立，则应满足比例相等 $a/b=c/d$，即 $ad=bc$。因此 $(ad-bc)$ 的差值越大，说明独立性越差，相关性越强。
• 分母的作用： 分母是四个边际合计的乘积，起到了标准化的作用，使不同样本规模下的数据具有可比性。

---

⚠️ 考场避坑与做题技巧

结论描述的专业性

在书写大题结论时，必须带上前提：“根据小概率值 $\alpha =\dots$ 的独立性检验…”。这体现了统计推断的严谨性，即结论是在概率意义下成立的，而非绝对确定。

计算精确度控制

计算 ${\chi }^2$ 时，中间步骤尽量保留分数或多位小数。尤其是分母的四个数相乘通常很大，若提前四舍五入，最终得到的卡方值可能会由于跨过临界值而导致结论完全相反。

独立性不代表因果性

即使 ${\chi }^2$ 很大，判定 $X$ 与 $Y$ 有关，也仅说明它们在统计上存在相关性，并不能直接推断出 $X$ 是导致 $Y$ 的根本原因。

Link to original

---

备考逻辑

1. 计数要严谨：排列组合题目务必检查是否“重”或“漏”，优先使用特殊元素/位置优先法。
2. 模型要准确：区分放回抽样（二项分布）与不放回抽样（超几何分布）。
3. 数据要客观：在统计大题中，计算回归方程时务必细心，关注 $\hat{a}$ 和 $\hat{b}$ 的实际含义。