简介：厦门大学《概率论与数理统计》期中期末复习试卷，面向该校及相关专业本科生，适合考前集中复习、专题强化和查漏补缺。PDF共1份，大小约1.57MB，现已吸引326人学习阅读。试卷内容覆盖计算机加法取整误差、泊松分布、样本均值与方差的无偏性、正态分布线性组合的相关性与独立性、β分布矩估计和极大似然估计、正态总体均值置信下限、双总体方差比置信区间、单样本t检验、χ²拟合优度检验以及一元线性回归与预测区间等典型题型，每一部分都配有知识点梳理与解法说明。通过这些真题演练，读者既能掌握概率论与数理统计的核心公式和推断流程，也能加深对随机现象统计规律性的理解，为期末取得好成绩和后续课程学习打下扎实基础。
1. 概率论与数理统计的期中期末复习试卷 PDF，先从怎么用说起
期末复习周，最怕的就是手里有一份《概率论与数理统计》期中期末复习试卷 PDF，却不知道怎么用。几百页教材摆在桌上，翻哪一章都像重点；真把卷子打开，又发现选择题、填空题、计算题考点散落各处，做完订正完，心里还是没底。这份材料最好的使用方式，不是把它当模拟题一次性做完，而是当成考点地图：通过试卷反推一个学期到底考了什么，再逐项对照教材补齐。
标题里写的“概率轮”其实是“概率论”的拼音笔误，这类文件名在校园分享文档里很常见，搜索时两个写法都能命中同一类资料。这份试卷 PDF 通常包含期中、期末两套题，或者一套按题型分节的复习题。它适合三类读者：正在准备期末考的本科生，考研数学中需要系统过概率统计的考生，以及转数据方向、想快速恢复数学功底的工程师。后面所有方法都围绕同一个目标：把试卷用成查漏工具，而不是刷完就扔。
2. 按题型拆解概率论与数理统计试卷的两大考试模块
拿到复习试卷 PDF，先别急着从头做到尾。先把题目对号入座。概率论与数理统计的试卷结构多年来相当稳定：前半场考概率，后半场考统计，中间用随机变量及其分布做衔接。厦门大学这类校内流传的试卷，题量一般控制在十到十四道，选择填空占四成，剩下是计算与证明。理解了模块，你就知道哪些题是拿分保底项、哪些题是用来拉开差距的。
2.1 概率论基础：古典概型、条件概率与全概率公式
概率论部分的第一个计算点，通常是古典概型。占分不大，但决定选择题是否开门红。常见考法是袋中取球、分房问题、数字排列，问“至少一个”“不放回”“恰好第几次”这类概率。这类题唯一的难点是样本空间数清楚，用事件包含的样本点数除以总样本点数即可。真正的分水岭从条件概率开始。
条件概率、全概率公式、贝叶斯公式连在一起，是期中试卷的固定组合。难点不在公式本身，而在识别“样本空间的划分”。做题前先问自己：题目里有没有一组完备且互斥的先行事件？如果有，结果 B 的概率要考虑从各个可能原因分别到达，这就是全概率；如果题目问的是“已知结果，问来自哪个原因”，那就是贝叶斯。
全概率公式：P(B) = \sum_{i=1}^{n} P(A_i) P(B|A_i) 贝叶斯公式：P(A_k|B) = \frac{P(A_k) P(B|A_k)}{\sum_{i=1}^{n} P(A_i) P(B|A_i)}全概率公式用于“顺着时间方向”求结果，贝叶斯公式用于“逆着时间方向”找原因。很多同学把两个公式背混，看到“已知结果求原因”还去套全概率，方向反了，算式再漂亮也拿不到分。复习试卷 PDF 一般在题目旁边留了空白，建议在上面直接批注“顺推”或“逆推”。
提示：全概率是“先因后果”，贝叶斯是“知果溯因”。做题前把这句话写在草稿纸角落，能避免最廉价的方向性错误。
2.2 随机变量模块：分布函数、密度函数与期望方差
随机变量是概率论与数理统计的接口，也是试卷里题型最稳定的一部分。离散型常考二项分布、泊松分布，连续型常考均匀分布、指数分布、正态分布。判断一个函数能不能当密度函数，只看两条性质：非负，且在定义域上积分为 1。判断分布函数，则要看单调不减、右连续、极限值 0 到 1。
期望和方差的考法有两种。一种是直接代公式；另一种是先给 X 的分布，让你求 Y=g(X) 的期望，离散型用 E(Y)=Σg(x_i)P(X=x_i)，连续型换成分段积分。方差建议统一用 D(X)=E(X^2)-(EX)^2 算，比定义式少写一层积分，计算量小，出错率也低。
| 分布 | 参数与取值 | 期望 | 方差 |
|---|---|---|---|
| 二项分布 B(n,p) | P(X=k)=C_n^k p^k(1-p)^(n-k) | np | np(1-p) |
| 泊松分布 P(λ) | P(X=k)=e^(-λ)λ^k/k! | λ | λ |
| 均匀分布 U(a,b) | f(x)=1/(b-a) | (a+b)/2 | (b-a)^2/12 |
| 指数分布 Exp(λ) | f(x)=λe^(-λx) | 1/λ | 1/λ^2 |
| 正态分布 N(μ,σ²) | f(x)=(1/√(2π)σ)e^(-(x-μ)^2/2σ^2) | μ | σ² |
这张表考前最好能默写。试卷一般不附常用分布表，考试时靠的是肌肉记忆。不要只记答案，最好每个分布把密度函数写一遍，再推导一遍期望和方差，推导中暴露的问题比背答案更多。
2.3 数理统计模块：抽样分布、矩估计与极大似然估计
数理统计部分的第一件事，是分清总体、样本、统计量。试卷里常见的问题是：给定总体分布，写出样本均值 X̄ 的期望和方差。正态总体下 X̄ 服从 N(μ, σ²/n)，这个结论几乎每年都在选择或填空出现。接着是三大分布：标准正态变量的平方和服从卡方分布；t 分布是标准正态除以一个独立的卡方变量与自由度之比的平方根；F 分布是两个独立卡方变量分别除以自由度后取比值。这三个分布不需要死记，只要能从统计量的构造里认出自由度就行。
参数估计是统计模块的硬核计算。矩估计的核心思想是用样本矩代替总体矩。你需要写出 E(X) 或 E(X²) 的表达式，令其等于样本均值或样本二阶矩，再解方程。极大似然估计则固定三步：写出似然函数，取对数，求导并令导数为零。离散型把概率函数连乘，连续型把密度函数连乘，注意不要漏掉连乘符号。
L(\theta)=\prod_{i=1}^{n} f(x_i;\theta) \ell(\theta)=\ln L(\theta)=\sum_{i=1}^{n} \ln f(x_i;\theta) \text{令 } \frac{d\ell(\theta)}{d\theta}=0求导后如果方程无解，别怀疑自己算错。这种情形常见于参数出现在区间端点的情况，比如均匀分布 U(0,θ)，似然函数在 θ<max(x_i) 时取值为零，极大似然估计直接取最大次序统计量。这类问题是期末压轴的常客，也是靠死记公式应付不来的点。
2.4 区间估计与假设检验：期末试卷的压轴组合
区间估计的固定套路是找枢轴量。正态总体均值 μ 的置信区间，方差已知用正态分布，方差未知用 t 分布。判断标准就一句话：构造出的量包含待估参数，但分布与参数无关。下表是三个最常用的场景，考前最好亲手各推导一遍。
| 场景 | 枢轴量 | 置信区间 |
|---|---|---|
| σ² 已知，估计 μ | (X̄-μ)/(σ/√n) ~ N(0,1) | X̄ ± z_(α/2) σ/√n |
| σ² 未知，估计 μ | (X̄-μ)/(S/√n) ~ t(n-1) | X̄ ± t_(α/2)(n-1) S/√n |
| μ 未知，估计 σ² | (n-1)S²/σ² ~ χ²(n-1) | 卡方分位点 |
假设检验与区间估计是同一个数学底子，区别只在逻辑。先写出原假设 H0 和备择假设 H1，再根据样本计算检验统计量，看是否落入拒绝域。试卷里最常见的坑是单尾双尾混淆：备择假设写成 μ≠μ0 是双尾，写成 μ>μ0 或 μ<μ0 是单尾；检验统计量相同，拒绝域分位点却不同。期末试卷如果标了回忆版，题目数值可能有偏差，重点看题型和步骤，不要纠结具体数字。
3. 用一份可复现的刷题流程，把复习试卷变成查漏清单
试卷最好用的方式不是整张刷，而是拆开用。我的习惯：第一遍把试卷当题库，不看时间，逐题打考点标签；第二遍只重做错题；第三遍把错题的同类变式从课本习题中找出来再练。这套流程不需要专门的刷题软件，一个 CSV 加十几行 Python 就能跑通，对复习进度的掌控比盲目做题清楚得多。
3.1 先按考点给题目打标签，而不是按试卷题号顺序刷
题号顺序属于出题人的排版逻辑，前半简单后半难。按考点归类比按题号刷更符合复习逻辑：同一考点在期中、期末、选择、计算题里反复出现，聚在一起才能看出考查深度。给题目打标签时，标签要能对上教材章节，命名格式统一，机器才好统计。
3.1.1 一套可以直接沿用的考点标签
这套标签覆盖概率论与数理统计最常见的十个考点，可以直接复制使用：
01_古典概型 02_条件概率与全概率 03_随机变量分布 04_期望与方差 05_大数定律与中心极限定理 06_抽样分布 07_矩估计 08_极大似然估计 09_置信区间 10_假设检验前五个属于概率论，后五个属于数理统计。打标签时遇到题目跨两个考点，取主要考点即可，不要纠结细分，否则后面统计时注意力会被分薄。
3.2 用 Python 统计错题考点分布，定位薄弱模块
把每道题录入 CSV，字段建议包含：题号、考点标签、状态、错误原因、用时。状态用三值：对、错、半对。半对专指“思路正确但计算错误”的题目，这类题目最容易在复习中被忽略。
import csv from collections import Counter, defaultdict def load_records(csv_path): with open(csv_path, newline="", encoding="utf-8-sig") as f: return list(csv.DictReader(f)) def analyze(records): wrong_counter = Counter() status_groups = defaultdict(list) for r in records: tag = r["考点标签"] status = r["状态"] status_groups[status].append(r["题号"]) if status in ("错", "半对"): wrong_counter[tag] += 1 return wrong_counter, status_groups def main(): records = load_records("概率统计试卷标签.csv") wrong_counter, status_groups = analyze(records) print("错题集中考点 Top5：") for tag, cnt in wrong_counter.most_common(5): print(f" {tag}: {cnt} 题") print("状态分布:", dict(status_groups)) if __name__ == "__main__": main()代码逻辑：load_records 用 DictReader 按表头读取 CSV，表头字段名要与代码一致；analyze 遍历记录，错题和半对题计入 wrong_counter，同时把所有题号按状态分组；main 里打印错题考点频率和状态分布。运行后你会得到一张薄弱的考点排序，而不是模糊的“感觉哪里不太会”。
如果不会写 Python，也可以用表格软件的透视表：行放考点标签，列放状态，统计行合计。能用工具就行，关键不是脚本本身，而是每天都把做过的题更新进去，让数据随复习进度增长。
提示：CSV 文件用 Excel 保存时，读取用 utf-8-sig 编码可以避免中文乱码；如果发现字段对不上，先检查表头有没有隐藏空格。
3.3 把统计结果映射回教材章节，再决定下一步动作
统计结果出来以后，要做一次从考点到动作的映射。下面是我常用的映射表，把十个考点对应到复习动作，避免出现“我知道哪章薄弱，但不知道干什么”的停滞。
| 考点标签 | 对应教材章节 | 复习动作 |
|---|---|---|
| 02 条件概率与全概率 | 条件概率、全概率公式 | 重做课本例题，整理样本空间划分 |
| 04 期望与方差 | 随机变量的数字特征 | 默写常用分布期望方差表 |
| 08 极大似然估计 | 参数估计 | 手写三遍似然函数求导全过程 |
| 09 置信区间 | 区间估计 | 重写枢轴量表，推导一遍临界值 |
映射完成后，按先理解、再默写、后做题的顺序推进。每三天做一轮，第二轮只做错题的同类变式题。这样一份期中期末复习试卷会被用两遍以上，而且每遍的任务各不相同：第一次是定位，第二次是补缺，第三次是确认自己真的能独立算出来。
4. 概率论与数理统计试卷里最容易丢分的 5 个计算细节
很多同学分数提不上去，不是公式不会背，而是细节反复扣分。以下五个点几乎在每份试卷里都会出现，把它们单独拎出来考前过一遍，比盲目刷新题更有效。
4.1 分布函数右连续，端点归属别含糊
分布函数定义是 F(x)=P(X≤x)，这意味着它右连续。离散型分布中，F(x) 在概率跳跃点处取到“≤”对应的值，判断题经常在这里设错。连续型随机变量在任何单点的概率为零，所以端点归属不影响概率值，但影响分布函数的写法。做题时先看变量类型，再决定某个端点归到哪一侧。复习时可以专门找 3 道含端点取等的题目练手，把 F(x) 在跳跃点处的值写清楚。这一步基础打牢，后面连续型变量的计算才会稳。
4.2 条件概率的 A 和 B 方向别颠倒
贝叶斯公式里最廉价的错误，是把 P(A|B) 与 P(B|A) 混为一谈。比如题目给检测方法的灵敏度 P(检出|患病)，让你求体检阳性的人确实患病的概率 P(患病|检出)，这是两个完全不同的条件概率。看到题目先圈出“在……条件下”这几个字，再动笔写公式，能挡住一半方向性错误。这类题多数以选择或填空出现，计算量不大，但区分度很高。如果你在试卷里连续错两个以上条件概率题，建议把全概率、贝叶斯的例题重做一遍。
4.3 中心极限定理的标准化分母别漏根号
中心极限定理的标准形式是 n 个独立同分布随机变量之和的标准化近似标准正态：
P\left(\sum_{i=1}^{n} X_i \le x\right) \approx \Phi\left(\frac{x - n\mu}{\sqrt{n}\sigma}\right)分子是“和”减去“和的期望”，分母是“和的标准差”。很多同学只写了 σ，忘了 √n，结果标准化后差出一个数量级。如果题目问的是样本均值的概率，标准化分母还要变成 σ/√n，分子也用 X̄ 而不是 ΣXi。考前把和的版本与均值版本各推导一遍，比盯着公式看更有用。
4.4 区间估计与假设检验：先分清单尾还是双尾
假设检验中 H1 决定拒绝域的形状。把几个常见情形放在一起对比：
| 备择假设 H1 | 拒绝域 | 分位点 |
|---|---|---|
| μ ≠ μ0 | 双侧 | z_(α/2) 或 t_(α/2)(n-1) |
| μ > μ0 | 右侧单尾 | z_α 或 t_α(n-1) |
| μ < μ0 | 左侧单尾 | -z_α 或 -t_α(n-1) |
置信水平 1-α 与显著性水平 α 也要分清。双尾在两侧各分配 α/2，单尾把 α 集中在一侧。做题时先写 H1，再看拒绝域方向，最后才是代入统计量。顺序错一步，整套计算全盘作废。
4.5 矩估计与极大似然估计的初始步骤别混
矩估计第一步写总体矩表达式，比如 E(X)，令它等于样本均值，再解参数；极大似然估计第一步写似然函数，取对数，再求导。两者最容易被暗算的地方是方差估计的分母：矩估计在无偏修正时用 n-1，极大似然估计从导数方程解出来的通常带有 n，因为它的目标是最大化样本出现概率，而不是无偏。考试时看清题目问的是“估计量”还是“无偏估计量”。如果题干给了一组样本并要求“估计未知参数”，默认矩估计和极大似然估计都要写，分别给出结果；如果只要求一种，看题干关键词。这个题不复杂，但顺序错了会连带算错。
5. 把 PDF 试卷用成错题本：标注、回归、二轮重测
试卷 PDF 不建议打印一摞，用阅读器就能完成三层标注。第一层，用高亮标出做错的题；第二层，在题号旁批注考点标签；第三层，把有价值的错题截图归档到按考点命名的笔记里。归档文件名直接采用“年份+学期+题号+考点+状态”的组合，复习时能按关键词过滤：
# 归档命名示例 2024秋_期中_T02_条件概率_错.md 2024秋_期末_T05_极大似然_半对.md 2024秋_期末_T09_置信区间_错.md这样命名的好处有三个：按考点搜索时，所有年份的同类题一次拉出；状态词能提醒你当时卡在哪里；合并到同一目录后，错题本会自动形成一份考点频率表，越积越准。
第二轮重测的具体做法是：打开 PDF，遮住第一轮标注的答案和批注，只看题目重新做。做对了，把状态从“错”改成“已掌握”；仍未做对，翻看错误原因，判断是公式记忆问题还是计算问题。一套期中期末复习试卷用三遍以后，考点覆盖率会明显高于只刷一遍。
如果阅读器支持书签，还可以给每道错题加一个书签，书签名直接写考点标签。这样连笔记文件都不用建，翻书签等于翻错题索引，对数字密集的计算题尤其好用。
最后提一个容易被忽略的动作：把试卷最后几道大题的空白草稿区用起来。很多人在电脑前看 PDF，遇到计算题只在脑子里过步骤，这是效率最低的方式。哪怕题目已经会做，也要坚持在纸上把检验统计量、置信区间端点算一遍，这类计算的手感只能靠书写保持，浏览代替不了。
本文还有配套的精品资源，点击获取
