简介厦门大学《概率论与数理统计》期中期末复习试卷以单个PDF文件呈现主要面向正在备考厦门大学概率统计课程的学生、考研复习者及相关教学人员。包内共1个文件格式为PDF压缩包大小约1.57MB便于下载后打印或在不同设备上随时查看。目前已有326人浏览学习具有一定参考价值。试卷内容紧密围绕概率论与数理统计的核心考点展开涵盖加法取整误差的极限分布、泊松分布参数估计、样本均值无偏性与有效性比较、正态总体和与差的独立性、β分布的矩估计与极大似然估计、单侧置信下限、方差比置信区间、单样本t检验、孟德尔遗传比例的χ²拟合检验以及小麦基本苗数与有效穗数的线性回归分析等每题均配有详细解答思路有助于系统梳理知识体系、提升综合解题能力无论是期中还是期末复习都是高价值的刷题参考。1. 概率统计试卷里的题型本质是一套推断框架厦门大学这份《概率论与数理统计》期中期末复习试卷看着是几十道待解的题目实际把统计推断里最常用的工具全部串了一遍中心极限定理、矩估计与极大似然估计、无偏性判定、t 检验、F 检验、卡方拟合优度检验、一元线性回归与预测区间。我反复拆过几遍后发现这些题真正考的不是公式记忆而是能否在“随机变量 → 分布 → 检验统计量 → 决策”这条链路上快速切换。对准备考试的学生它是现成的题库对做数据分析、后端开发或算法工程的从业者它是浓缩的统计推断手册。比如第一题的计算机取整误差本质上就是浮点累加误差的模型孟德尔豌豆那题换个皮就是 A/B 实验里的分桶均匀性检验。这篇文章按“理论建模 → Python 复现 → 边界条件 → 工程映射”的顺序把核心考点重新拆一遍新手可以照着代码一步步跑通熟手可以重点看每类检验的适用条件和常见误用。2. 中心极限定理实战取整误差总和与样本量反推2.1 先把取整误差题目翻译成随机变量模型原题讲的是计算机对每个加数取整取整误差都在-0.50.5上服从均匀分布问两个问题1500 个数相加时误差总和绝对值超过 15 的概率以及要让误差总和绝对值小于 10 的概率达到 0.9需要多少个数相加。这里的关键是把取整误差看成独立同分布的随机变量序列。每个 Xi 服从 U(-0.5, 0.5)均匀分布的均值公式是 (ab)/2方差公式是 (b-a)²/12。代入可得 E(Xi) 0Var(Xi) 1/12 ≈ 0.0833。1500 个数相加总和 Sn X1 X2 … X1500它的均值仍然是 0方差因为独立性直接相加等于 1500 × 1/12 125标准差是 √125 ≈ 11.18。中心极限定理在这里的表述是当 n 足够大时标准化后的 Sn 近似服从标准正态分布。题目给的 Φ(1.342) 0.91 等数值说明出题人期望你手查标准正态分布表完成计算但用代码复现时可以直接调统计库逻辑更清楚还可以顺带验证查表精度。2.2 用 Python 复现概率计算与样本量反推import math from scipy import stats # 单个加数取整误差在 (-0.5, 0.5) 上均匀分布 mu 0.0 sigma2 1.0 / 12.0 # 第一问1500 个数误差总和绝对值超过 15 的概率 n1 1500 sigma_total math.sqrt(n1 * sigma2) # 总和标准差 sqrt(n * sigma2) z 15.0 / sigma_total # 标准化边界 p_gt_15 2 * (1 - stats.norm.cdf(z)) # 双侧尾部概率 print(f1500 个数误差总和 |Sn|15 的概率: {p_gt_15:.4f}) # 第二问反推 n使 P(|Sn|10)0.9 z_90 stats.norm.ppf(0.95) # 双侧 0.9 对应上分位点 1.645 n2 math.ceil((10.0 * math.sqrt(12.0) / z_90) ** 2) print(f需要的加法次数 n {n2}) print(f校验: 10 / sqrt(n/12) {10.0 / math.sqrt(n2 / 12.0):.4f}, 理论分位点 {z_90:.4f})第一问里 stats.norm.cdf(z) 返回的是标准正态分布从负无穷到 z 的累积概率z 15 / 11.18 ≈ 1.342cdf 约 0.91所以单侧超过 15 的概率是 0.09双侧绝对值超过 15 就是 0.18 左右。第二问的关键在于“绝对值小于 10 的概率为 0.9”对应的是双侧概率 0.9因此要查上分位点 0.95也就是 ppf(0.95) 1.645而不是 ppf(0.90)。很多人在这一步用错分位点导致 n 差了将近一倍。2.3 取整误差模型在生产系统里的映射生产场景对应题目要素金额拆分后各笔累加误差Xi 为单笔拆分误差Sn 为总账误差网关链路各跳时延累积Xi 为单跳时延抖动Sn 为端到端时延蒙特卡洛模拟的均值估计误差Xi 为单次采样误差Sn/n 为均值偏差传感器多次测量求平均Xi 为单次测量噪声判断均值是否落在容忍区间这类模型在生产里最常见的用途是已知单次操作的误差分布反推需要多少次操作才能让累计误差以 90% 或 95% 的概率落在指定范围内。上面表格里“金额拆分”那个场景基本就是原题的直接工程化微服务里对账系统每天处理几千笔明细单笔舍入误差累积起来是否超过告警阈值完全可以用这个框架估算告警触发概率。提示中心极限定理要求独立同分布且方差有限。均匀分布、正态分布这类轻尾分布 n 到 30 就可以近似得很好但如果是重尾分布比如帕累托分布收敛速度很慢n 可能需要几百甚至上千实际工程里可以用 Berry-Esseen 界估算近似误差。3. 参数估计专题泊松分布与无偏估计量判定3.1 泊松总体样本均值、样本方差与矩估计原题给的是总体 X 服从参数为 λ 的泊松分布X1 到 Xn 为样本要求 E(X̄)、E(S²)、D(X̄) 以及 λ 的矩估计量。泊松分布最重要的性质是均值等于方差都等于 λ。因此 X̄ 的期望是 λX̄ 的方差是 λ/n样本方差 S² 的期望也是 λ。这里顺手澄清一个易错点S² 的分母是 n-1不是 n题目里给出的样本方差定义式 S² Σ(Xi - X̄)² / (n-1) 正是无偏修正后的版本。矩估计的核心思路是“用样本矩去替换总体矩”。因为总体一阶矩 E(X) λ所以令 X̄ λ̂直接得到 λ 的矩估计量是 X̄。这道题点出了一个容易被忽略的事实在泊松分布里极大似然估计和矩估计恰好是同一个估计量都是样本均值。但这只在少数分布里成立比如正态分布的 μ 的矩估计和 MLE 相同而 σ² 的矩估计分母是 nMLE 分母也是 n但无偏估计分母是 n-1三者并不总是一致。3.2 无偏估计与有效性用方差排序原题给了两个估计量θ̂1 (X1 X2 X3) / 3θ̂2 X1/4 X2/4 X3/2要求证明它们都是总体均值 θ 的无偏估计并判断谁更有效。判断无偏只需要验证 E(θ̂1) θ、E(θ̂2) θ因为线性组合的系数相加等于 1所以两个估计量的期望都是 θ。判断有效性则是比较方差方差小的更有效。import numpy as np # 蒙特卡洛模拟以正态总体 mu10, sigma2 为例验证两个估计量方差 rng np.random.default_rng(42) mu, sigma, n 10.0, 2.0, 3 samples rng.normal(mu, sigma, (200000, n)) theta1 samples.mean(axis1) # 三个样本等权平均 theta2 samples[:, 0]/4 samples[:, 1]/4 samples[:, 2]/2 print(ftheta1 模拟方差: {theta1.var():.4f}, 理论值 sigma^2/3 {sigma**2/3:.4f}) print(ftheta2 模拟方差: {theta2.var():.4f}, 理论值 3*sigma^2/8 {3*sigma**2/8:.4f}) print(ftheta1 均值偏差: {theta1.mean() - mu:.4f}) print(ftheta2 均值偏差: {theta2.mean() - mu:.4f})代码里 samples.mean(axis1) 是对每一行三个样本求均值等价于 θ̂1θ̂2 则给第三个样本 0.5 的权重。理论上方差分别是 σ²/3 ≈ 1.333 和 3σ²/8 ≈ 1.5模拟结果会非常接近。这说明在同样无偏的前提下等权平均比把权重压在单个样本上更稳定。线性无偏估计的结论在更高维度上就是 Gauss-Markov 定理误差等方差且不相关时最小二乘估计在所有线性无偏估计里方差最小。3.3 t 分布平方通往 F 分布容易被略过的分布关系原题里有一道证明题已知 X ~ t(n)求证 X² ~ F(1, n)。这个推导并不复杂关键是理解 t 分布的定义t Z / √(V/n)其中 Z 是标准正态变量V 是服从 χ²(n) 的卡方变量且 Z 与 V 独立。两边平方得到 X² Z² / (V/n)。由卡方分布的定义Z² 服从 χ²(1)所以分子是 χ²(1) / 1分母是 χ²(n) / n比值为 F(1, n)。这个结论在回归分析里经常被悄悄使用一元线性回归中回归系数的 t 检验统计量平方后恰好等价于回归方程的 F 检验统计量。比如 statsmodels 输出回归结果时同时给出系数的 t 值和整体的 F 值如果只用一个指标判断显著性两者结论总是一致的原因就在这条分布关系里。理解这个等价性排错时能少走弯路。注意t 分布关于 0 对称所以 t 可以是负数平方后映射到 F(1, n) 时丢掉符号信息。实际判断时若 t 的绝对值显著说明回归系数显著不为 0而 F 检验只告诉方程整体是否显著两者方向一致但含义并不完全相同。4. 假设检验全流程t 检验、F 检验与卡方拟合优度4.1 单样本 t 检验70 分假设该怎么判原题给的是 36 位考生平均成绩 66.5 分样本标准差 15 分要在显著性水平 0.05 下检验“全体考生平均成绩为 70 分”是否成立。这是一个典型的双尾单样本 t 检验。已知样本量 n 36样本均值 x̄ 66.5样本标准差 s 15原假设 μ0 70t 统计量为 (x̄ - μ0) / (s / √n)代入得 t -1.4。import numpy as np from scipy import stats n 36 xbar, s, mu0 66.5, 15.0, 70.0 t_stat (xbar - mu0) / (s / np.sqrt(n)) p_value 2 * stats.t.sf(abs(t_stat), dfn - 1) t_crit stats.t.ppf(0.975, dfn - 1) print(ft 统计量 {t_stat:.4f}) print(f双尾 p 值 {p_value:.4f}) print(f临界值 t(35, 0.025) {t_crit:.4f}) print(结论:, 拒绝 H0 if p_value 0.05 else 不拒绝 H0没有充分证据认为平均成绩不是 70 分)代码中 stats.t.sf 是 t 分布的生存函数也就是上尾概率乘以 2 得到双尾 p 值。使用 sf 而不是 1 - cdf是因为 sf 在尾部概率极小时数值稳定性更好。p 值约 0.17大于 0.05因此不拒绝原假设。这里要注意决策语言的准确表达p 值大于显著性水平只能说明“证据不足以拒绝”不能说成“证明了平均成绩就是 70 分”这是假设检验里最容易犯的表述错误。4.2 双样本方差比 F 检验与置信区间原题给出两个独立正态总体的样本容量分别 25 和 15样本方差 6.38 和 5.15求方差比 σ1²/σ2² 的 90% 置信区间。构造置信区间用的是 F 分布统计量 (S1² / S2²) / (σ1² / σ2²) 服从 F(n1-1, n2-1)。样本方差比是 6.38 / 5.15 ≈ 1.2388区间的下限用 S1²/S2² 除以 F0.05(24, 14)上限用 S1²/S2² 除以 F0.95(24, 14)。from scipy import stats n1, n2 25, 15 s1_sq, s2_sq 6.38, 5.15 ratio s1_sq / s2_sq f_upper stats.f.ppf(0.95, dfnn1-1, dfdn2-1) # F0.05(24,14) f_lower stats.f.ppf(0.05, dfnn1-1, dfdn2-1) # F0.95(24,14)下侧分位点 ci_low ratio / f_upper ci_high ratio / f_lower print(f样本方差比 {ratio:.4f}) print(fF 上分位点 {f_upper:.4f}, F 下分位点 {f_lower:.4f}) print(f90% 置信区间 [{ci_low:.4f}, {ci_high:.4f}])注意这里 f.ppf(0.05) 求的是下侧分位点也就是 F 分布 5% 分位数它对应置信区间的上限分母。区间 [0.527, 2.639] 包含 1说明在 90% 置信水平下没有证据表明两个总体的方差有显著差异。这个结论本身就构成一个方差齐性检验置信区间不包含 1就等价于在 0.10 显著性水平下拒绝方差相等。F 检验对正态性假设比较敏感实际工程里可以先做 Shapiro-Wilk 检验或画 Q-Q 图再决定是否采用 Levene 检验替代。4.3 卡方拟合优度检验孟德尔的豌豆数据孟德尔豌豆杂交实验的经典比例是 9:3:3:1原题观测频数为 120、30、42、15总样本量 207。卡方拟合优度检验的思路是先按理论比例算出期望频数再比较观测频数与期望频数的偏离程度。期望频数分别是 207 × 9/16 ≈ 116.44、38.81、38.81、12.94统计量 χ² Σ(O - E)² / E。from scipy import stats observed [120, 30, 42, 15] total sum(observed) ratio [9, 3, 3, 1] ratio_sum sum(ratio) expected [total * r / ratio_sum for r in ratio] chi2_stat, p_value stats.chisquare(observed, f_expexpected) print(f期望频数: {[round(e, 2) for e in expected]}) print(f卡方统计量 {chi2_stat:.4f}) print(fp 值 {p_value:.4f}) crit stats.chi2.ppf(0.95, df3) print(f临界值 chi2(3, 0.05) {crit:.4f})卡方统计量约 2.70小于临界值 7.815p 值约 0.44不拒绝原假设即观测数据与孟德尔遗传学说一致。代码里 stats.chisquare 的 f_exp 参数传入的是期望频数而不是比例这是常见的使用错误。如果直接传 [9, 3, 3, 1]卡方库会按长度对齐做错误的检验。另一个适用的先决条件是期望频数不宜小于 5本数据最小期望 12.94满足要求如果某个类别的期望频数小于 5通常需要合并相邻类别。4.4 三类检验的决策对照表检验类型检验对象检验统计量零分布拒绝条件单样本 t 检验总体均值(x̄ - μ0) / (s/√n)t(n-1)|t| t_{α/2}(n-1)双样本方差比 F 检验两个总体方差S1² / S2²F(n1-1, n2-1)统计量落在置信区间外卡方拟合优度检验分类比例Σ(O - E)² / Eχ²(k-1-r)χ² χ²_α(k-1-r)三个检验共用同一条决策逻辑在原假设成立的前提下构造一个已知分布的统计量计算观测值出现的概率概率足够小就拒绝原假设。区别只在于统计量的构造方式和零分布类型。这个对照表在考试时可以帮助快速定位题型在实际项目中则是一个自查清单拿到数据先确认样本独立性、正态性、方差齐性是否满足再决定选用哪个检验。5. 一元线性回归手算、预测区间与残差诊断5.1 最小二乘推导从五个数据点手算回归系数原题给的是小麦基本苗数与有效穗数的五组观测数据已知 x 的合计 151.8y 的合计 215.6Σx² 为 5101.56Σy² 为 9352.02Σxy 为 6689.76。最小二乘估计的核心是让残差平方和 Σ(yi - β0 - β1xi)² 最小对 β0 和 β1 求偏导并令其等于 0得到正规方程组β̂1 (nΣxy - Σx Σy) / (nΣx² - (Σx)²) (5×6689.76 - 151.8×215.6) / (5×5101.56 - 151.8²) ≈ 720.72 / 2464.56 ≈ 0.2924β̂0 ȳ - β̂1x̄ ≈ 43.12 - 0.2924×30.36 ≈ 34.24所以经验回归方程为 ŷ 34.24 0.2924x。这个方程的实际含义是基本苗数每增加 1 万/亩有效穗数平均增加约 0.29 万/亩。注意截距 34.24 表示 x 0 时的预测值在这个农业场景里只是数学上的截距没有实际解释意义不能外推到 x 远离样本范围的地方。5.2 预测区间计算比置信区间多一个个体波动项import numpy as np from scipy import stats x np.array([15.0, 25.8, 30.0, 36.6, 44.4]) y np.array([39.4, 42.9, 41.0, 43.1, 49.2]) n len(x) xbar, ybar x.mean(), y.mean() Sxx (x ** 2).sum() - n * xbar ** 2 Sxy (x * y).sum() - n * xbar * ybar beta1 Sxy / Sxx beta0 ybar - beta1 * xbar yhat beta0 beta1 * x resid y - yhat s2 (resid ** 2).sum() / (n - 2) x0 26.0 y0 beta0 beta1 * x0 se_pred np.sqrt(s2 * (1 1/n (x0 - xbar) ** 2 / Sxx)) t_val stats.t.ppf(0.95, dfn - 2) print(f回归方程: y {beta0:.3f} {beta1:.3f}x) print(f残差方差 s2 {s2:.3f}, t(3, 0.05) {t_val:.3f}) print(fx026 时预测值 y0 {y0:.2f}) print(f90% 预测区间 [{y0 - t_val * se_pred:.2f}, {y0 t_val * se_pred:.2f}])预测区间公式里的 se_pred 包含三部分残差方差 σ²、样本量修正项 1/n、以及 x0 离样本均值距离的修正项 (x0 - x̄)² / Sxx。最后一项说明预测区间在样本均值处最窄越往样本两端走区间越宽。这是手算和调库最大的区别statsmodels 一键输出结果但并不直观展示区间宽度随 x0 变化的规律。把 x0 从 26 依次替换成 20、30、40观察区间宽度变化就能理解为什么回归模型不适合做远离样本范围的预测。5.3 残差诊断的两个快速验证技巧回归模型有三个基本假设误差独立、同方差、正态分布。验证方法不复杂出结果后先画残差对拟合值的散点图如果残差点在零线附近随机分布且带宽均匀说明同方差性基本成立如果呈现漏斗形或喇叭形说明方差不稳定通常需要对 y 取对数或使用加权最小二乘。另一个是 Q-Q 图把残差排序后与标准正态分位数对比点大致落在直线上说明正态性假设可接受样本量很小时这个检验作用有限但至少能暴露明显的重尾或离群值。在这份试卷的回归题里数据点只有 5 个诊断图几乎看不出明显模式这时更实用的做法是直接看残差的具体数值和符号。残差正负交替频繁通常说明模型结构合理连续多个正或连续多个负则提示可能存在遗漏的变量或非线性趋势。换到实验环境里如果你想观察置信水平对预测区间的影响把代码里的 alpha 从 0.05 改成 0.1t 分位点从 2.353 换成 1.638对比两组区间宽度就能直观量化置信度与区间宽度的权衡关系。本文还有配套的精品资源点击获取