← 回攻坚包
数学 · 概率统计攻坚包
随机变量分布列与期望
高考概率大题的主战场:先把随机变量的每种结果列成「概率清单」(分布列),再算出它的「长期平均」(期望 E(X))和「波动大小」(方差 D(X))。二项、超几何、条件概率、正态,都是这套框架下的常客。这一页把原理讲成人话,再用动画让你「看见」分布、期望和方差。
🗣️ 期望一句话: E(X) 就是把这个随机变量「玩无数次」后的平均值——不是某一次会出的数,而是长期下来每次平均能拿到多少。
🗣️ 分布列一句话: 分布列就是一张概率清单:X 可能取的每个值,配上它出现的概率。铁律——所有概率加起来必须正好等于 1。
🗣️ 方差一句话: D(X) 衡量结果「忽大忽小」的程度,越大越不稳定;标准差 σ=√D(X) 和 X 同单位,更直观。
一、离散型随机变量与分布列:一张概率清单
离散型随机变量 X:它的取值只能是一个一个分开的数(如掷骰子点数、中奖次数)。把每个取值 xᵢ 和它的概率 pᵢ 一一列出,就是分布列。
分布列两条铁律: ① 每个概率 pᵢ ≥ 0;② 所有概率之和 Σpᵢ = p₁+p₂+…+pₙ = 1。
只要这两条满足,才是合法的分布列。求出未知概率、验算,永远先回到「Σ=1」。
🗣️ 下面的分布列构建器:自己填每个取值的概率,系统实时检验 Σpᵢ 是否 =1,并自动算出 E(X) 和 D(X)。先感受一下「清单 → 期望 → 方差」的完整流程。
Σpᵢ(概率和)—
E(X) 期望—
D(X) 方差—
上排填 X 取每个值时的概率(取值固定为 1~4,可改概率)。Σ=1 才合法;柱高 = 概率,橙色竖线 = 期望 E(X) 的位置(重心)。
例: X 的分布列为 P(X=1)=0.2, P(X=2)=0.5, P(X=3)=0.3。
检验:0.2+0.5+0.3 = 1 ✓。
E(X)=1×0.2+2×0.5+3×0.3 = 0.2+1.0+0.9 = 2.1。
D(X)=(1−2.1)²×0.2+(2−2.1)²×0.5+(3−2.1)²×0.3 = 0.242+0.005+0.243 = 0.49,σ=√0.49=0.7。
二、期望 E(X) 与方差 D(X):公式与性质
数学期望 E(X) = x₁p₁ + x₂p₂ + … + xₙpₙ = Σ xᵢpᵢ 。「取值 × 概率」逐项相加。
方差 D(X) = Σ (xᵢ − E(X))² pᵢ ,也可用简便公式 D(X) = E(X²) − [E(X)]² 。
标准差 σ = √D(X) 。
🗣️ 期望 = 重心: 把分布列想成一根杆子,每个取值处挂一块「概率重量」,E(X) 正是这根杆子的平衡点。下面这个动画让你亲眼看到期望就是重心。
线性性质(必记):
E(aX + b) = a·E(X) + b —— 期望「进得去 a、b」。
D(aX + b) = a²·D(X) —— 方差里的常数 b 消失,系数 a 要平方!
陷阱:很多人把 D(aX+b) 写成 a·D(X),漏了平方,直接丢分。
例: 已知 E(X)=2.1, D(X)=0.49,求 Y=2X+3 的期望与方差。
E(Y)=E(2X+3)=2×2.1+3 = 7.2 。
D(Y)=D(2X+3)=2²×0.49 = 4×0.49 = 1.96 (注意是 2² 不是 2)。
三、二项分布 X~B(n,p):n 次独立重复试验
🗣️ 什么时候是二项分布? 同一个试验独立重复 n 次,每次只有「成功/失败」两种结果,成功概率恒为 p,数「成功了几次」X。三个关键词:独立、重复、成功次数。
二项分布 X~B(n,p):P(X=k) = C(n,k) pᵏ (1−p)ⁿ⁻ᵏ ,k=0,1,…,n 。
期望 E(X) = np ; 方差 D(X) = np(1−p) 。(两点分布是 n=1 的特例:E=p,D=p(1−p)。)
拖动 n 和 p,看二项分布的柱形形状怎么变:p=0.5 时对称,p 偏小/偏大时倾斜;橙色竖线标出期望 E=np 的位置。
例: 射手每次命中概率 p=0.8,独立射 5 次,X=命中次数。X~B(5,0.8)。
P(X=5)=C(5,5)·0.8⁵ = 0.32768;P(X=4)=C(5,4)·0.8⁴·0.2 = 5×0.4096×0.2 = 0.4096。
E(X)=np=5×0.8=4 次;D(X)=np(1−p)=5×0.8×0.2=0.8。
四、超几何分布:不放回抽样(和二项的分水岭)
🗣️ 超几何 vs 二项,一句话分清: 每次抽完放回去(每次成功概率不变)→ 二项;抽完不放回(抽走一个,剩下的比例就变了)→ 超几何。考试里「一次性摸出 k 个」「不放回连抽」几乎都是超几何。
超几何分布: 共 N 件,其中次品(或目标)M 件,不放回取 n 件,X=取到的目标件数。
P(X=k) = C(M,k)·C(N−M,n−k) / C(N,n) 。
期望 E(X) = n·(M/N) 。(注意:期望公式和二项 np「长得像」,因为 p=M/N;但方差不同,超几何还要乘一个修正因子。)
点播放,看「放回」和「不放回」两种抽法的区别:放回时袋中比例始终不变(二项),不放回时每抽一次比例都在变(超几何)。
袋中 5 个红球、5 个蓝球。放回:每次抽完放回,红球概率永远 5/10;不放回:抽走就少一个,概率随之改变。
例: 10 件产品含 3 件次品,不放回抽 4 件,X=次品数。X 服从超几何分布(N=10,M=3,n=4)。
P(X=0)=C(3,0)C(7,4)/C(10,4)=35/210=1/6;P(X=2)=C(3,2)C(7,2)/C(10,4)=3×21/210=63/210=3/10。
E(X)=n·M/N=4×3/10=1.2 件。⚠ 若改成「每次抽完放回」再抽 4 次,X 就变成二项 B(4, 0.3),E 仍是 1.2,但方差算法不同。
五、条件概率与全概率公式
🗣️ 条件概率 P(B|A): 「已经知道 A 发生了」的前提下,B 还会发生的概率。关键是——分母从「全部」缩小成了「A 这一块」。
条件概率 P(B|A) = P(AB) / P(A) (要求 P(A) > 0)。分母是「条件 A」的概率,分子是「A 和 B 同时发生」的概率。
乘法公式: P(AB) = P(A)·P(B|A) 。
全概率公式: 若 A₁,A₂,…,Aₙ 把样本空间分成互不重叠的几块,则 P(B) = Σ P(Aᵢ)·P(B|Aᵢ) 。「先分类,各类的概率 × 各类里 B 的条件概率,再相加」。
下面的韦恩图:点按钮高亮不同区域,直观看到条件概率 P(B|A) 就是「把视野缩到 A 圈内,B 占了多少」。
全集共 20 个点。A 圈内 8 个,其中同时在 B 内(交集)3 个 → P(B|A)=3/8。
例: 一批产品,合格率 P(A)=0.9;在合格的前提下优等的概率 P(B|A)=0.6。求随机取一件既合格又优等的概率。
P(AB)=P(A)·P(B|A)=0.9×0.6=0.54 。
全概率例: 甲厂供货 60%、次品率 2%,乙厂供货 40%、次品率 5%。任取一件是次品的概率 = 0.6×0.02+0.4×0.05 = 0.012+0.02 = 0.032。
六、正态分布:对称的钟形曲线
🗣️ 正态分布 N(μ, σ²): 身高、体重、考试分数这类「中间多、两头少」的量,都近似正态。曲线是一口对称的钟:对称轴在 x=μ(均值,也是期望),σ 决定胖瘦——σ 越大越矮胖(越分散),越小越高瘦(越集中)。
正态分布 X~N(μ, σ²) 三要点:
① 曲线关于直线 x=μ 对称,故 P(X<μ)=P(X>μ)=0.5 ,E(X)=μ,D(X)=σ²。
② 3σ 原则(68-95-99.7): P(μ−σ < X < μ+σ)≈0.6827;P(μ−2σ < X < μ+2σ)≈0.9545;P(μ−3σ < X < μ+3σ)≈0.9973。
③ 求区间概率靠对称性拆:如 P(X > μ+σ) = (1 − 0.6827)/2 ≈ 0.1587。
拖动 μ 让曲线左右平移,拖动 σ 让它变胖变瘦。阴影显示 ±1σ / ±2σ / ±3σ 覆盖的面积,验证 68 / 95 / 99.7 法则。
例: 某次考试成绩 X~N(100, 15²),即 μ=100,σ=15。
P(85 < X < 115) = P(μ−σ < X < μ+σ) ≈ 0.6827。
P(X > 130) = P(X > μ+2σ) = (1 − 0.9545)/2 ≈ 0.0228。
P(X > 100)=0.5(对称轴处)。
七、用期望做决策:两方案怎么选
🗣️ 决策题套路: 两个方案各自算出期望 E(X)。谁的期望大(收益题)或谁的期望小(损失/成本题)就选谁;若期望相同,再比方差——方差小 = 更稳定,通常更优。
下面对比两个投资方案 A、B 的期望收益。拖动概率看两条「期望柱」谁高谁低,系统给出决策建议。
例: 方案A 有 60% 概率赚 100 元、40% 亏 20 元;方案B 确定赚 40 元。
E(A)=100×0.6 + (−20)×0.4 = 60 − 8 = 52 元;E(B)=40 元。
E(A) > E(B) → 从期望看选 A。但 A 有亏损风险(方差大),若追求稳健可选 B——这正是「期望 + 方差」双维度决策。
八、全题型地图(触发信号 → 标准动作 → 陷阱)
| 题型 | 触发信号 | 标准动作 |
|---|
| 写分布列求期望方差 | 「求 X 的分布列」「求 E(X)、D(X)」 | 列出所有取值→逐个算概率→验 Σ=1→E=Σxᵢpᵢ→D=Σ(xᵢ−E)²pᵢ |
| 二项分布 | 「独立重复」「每次都放回」「n 次成功几次」 | 确认 X~B(n,p),直接套 E=np、D=np(1−p) |
| 超几何分布 | 「不放回」「一次摸出 k 个」「从…中取…」 | 套 P=C(M,k)C(N−M,n−k)/C(N,n),E=nM/N |
| 条件概率 | 「已知…求…」「在…的条件下」 | P(B|A)=P(AB)/P(A);注意分母是条件的概率 |
| 全概率 | 「来自不同来源」「分几种情况到同一结果」 | 先分类,Σ P(Aᵢ)P(B|Aᵢ) |
| 正态对称求概率 | 「X~N(μ,σ²)」「求 P(a<X<b)」 | 用 μ 对称 + 68/95/99.7 法则拆区间 |
| 决策比较期望 | 「哪种方案更好」「是否值得」 | 各方案算 E;收益取大、成本取小;等则比 D |
| 期望方差性质 | 出现 Y=aX+b | E(Y)=aE(X)+b;D(Y)=a²D(X)(a 平方!) |
九、易错集(高频丢分点)
⚠ ① 分布列概率之和必须 = 1。求未知概率、验算，永远回到 Σpᵢ=1;算完 E、D 前先检查这一条,否则全错。
⚠ ② 超几何 ≠ 二项。判断标准只有一个:放回(二项) / 不放回(超几何)。别看到「成功次数」就默认二项。
⚠ ③ 条件概率分母搞反。P(B|A)=P(AB)/P(A),分母是条件 A 的概率,不是全集,也不是 B。
⚠ ④ D(aX+b)=a²D(X),系数要平方,常数 b 不影响方差。写成 a·D(X) 或加上 b 都是错的。
⚠ ⑤ 正态求概率忘了「一半」。P(X>μ+σ) 不是 1−0.6827,而是 (1−0.6827)/2,因为两侧对称各占一半。
⚠ ⑥ 混淆方差 D(X) 与标准差 σ。σ=√D(X),题目问哪个别答错;比较稳定性两者都行,但单位不同。
⚠ ⑦ 期望不是「最可能出现的值」。E(X) 是长期平均,可能根本不是 X 的某个取值(如骰子期望 3.5)。
十、尖子生拔高视角
① 期望的线性性质是神器: 求「若干个随机变量之和」的期望,不必先求联合分布——E(X₁+X₂+…)=E(X₁)+E(X₂)+…无条件成立(哪怕不独立)。很多复杂计数期望用「拆成指示变量求和」秒解。
② 二项与超几何的深层关系: 当总数 N 很大、抽取比例很小时,超几何近似为二项(不放回≈放回)。两者期望都是 n·(M/N),但超几何方差多一个修正因子 (N−n)/(N−1),体现「不放回更集中」。
③ 用简便公式 D(X)=E(X²)−[E(X)]²: 取值多、或先已求出 E(X²) 时,比逐项 (xᵢ−E)² 更快、更不易错。
④ 正态标准化视角: 令 Z=(X−μ)/σ,则 Z~N(0,1)。任何正态问题都能化到标准正态,再查表/用对称性。3σ 法则本质就是标准化后的固定面积。
⑤ 决策题的「风险」维度: 期望相等时比方差;实际问题里还要看题目倾向——追求稳健选方差小的,能承担风险博高收益选期望略低但上限高的。答题时点出「若考虑风险则…」是加分点。
⑥ 条件概率与独立的区分: A、B 独立 ⇔ P(B|A)=P(B) ⇔ P(AB)=P(A)P(B)。别把「互斥」和「独立」混为一谈——互斥(不能同时发生)通常反而不独立。
十一、自测(先想,再点开)
thebest2dan · 概率统计攻坚包 · 下一块:统计与线性回归 / 独立性检验