总览教材知识脉络
本册从确定性分析（导数、数列）过渡到随机性分析（概率与统计），核心是用数学工具描述、分析和预测随机现象；计数原理则是连接二者的桥梁。
| 章节 | 研究内容 | 核心工具 |
|---|---|---|
| 第六章 计数原理 | 如何"数出"随机事件结果的数量 | 分类/分步原理、排列组合、二项式定理 |
| 第七章 随机变量及其分布 | 如何描述随机现象的规律 | 分布列、期望、方差、二项分布、正态分布 |
| 第八章 成对数据的统计分析 | 如何分析两个变量之间的关系 | 散点图、相关系数、回归模型、独立性检验 |
思想核心思想：确定性 → 随机性
计数原理
核心区分"分类"（或，相加）与"分步"（且，相乘），是计算概率的基础。
随机变量
把随机结果数字化，用分布列、期望、方差从整体上刻画规律。
成对数据
数值变量用回归，分类变量用独立性检验，研究变量间关系。
6.1两大计数原理
分类加法计数原理（"或"）
完成一件事有若干类相互独立的方案，各类方法数相加：
分步乘法计数原理（"且"）
完成一件事需若干相互依存、缺一不可的步骤，各步方法数相乘：
6.2排列与组合
排列（有顺序）
从 $n$ 个不同元素取 $m$ 个按顺序排列：
全排列 $A_n^n=n!$
组合（无顺序）
从 $n$ 个不同元素取 $m$ 个作为一组：
性质 $C_n^m=C_n^{n-m}$
6.3二项式定理
通项公式（核心）：$T_{k+1}=C_n^k\,a^{\,n-k}b^{\,k}$，用于求指定项及其系数。
二项式系数和
对称性
最大项
$n$ 偶：$C_n^{n/2}$ 最大；$n$ 奇：中间两项 $C_n^{(n-1)/2}=C_n^{(n+1)/2}$ 最大且相等。
7.1条件概率与全概率公式
条件概率 & 乘法公式
在 $A$ 发生条件下 $B$ 发生的概率：
全概率 & 贝叶斯
全概率（由因索果）：$P(B)=\sum P(A_i)P(B|A_i)$，$A_i$ 为一组互斥完备事件。
贝叶斯（执果寻因）：已知 $B$ 发生，反求某原因 $A_i$ 的概率。
7.2离散型随机变量及其分布列
分布列 & 性质
取值可一一列举；$P(X=x_i)=p_i$。
两条性质（可验证分布列）：$p_i\ge0$ 且 $\sum p_i=1$。
数字特征
期望（平均水平）：
方差（离散程度）：
标准差 $\sigma(X)=\sqrt{D(X)}$
7.4二项分布与超几何分布
| 模型 | 二项分布 $X\sim B(n,p)$ | 超几何分布 $X\sim H(N,M,n)$ |
|---|---|---|
| 背景 | $n$ 次独立重复试验（每次两结果、概率不变，如有放回） | 从总量 $N$（含 $M$ 个某类）中不放回抽 $n$ 件 |
| 概率 | $P(X=k)=C_n^k p^k(1-p)^{n-k}$ | $P(X=k)=\dfrac{C_M^k\,C_{N-M}^{\,n-k}}{C_N^n}$ |
| 期望 | $E(X)=np$ | $E(X)=n\cdot\dfrac{M}{N}$ |
| 方差 | $D(X)=np(1-p)$ | 公式较复杂，记住即可 |
7.5正态分布
图象与参数
"中间高、两头低"的钟形曲线，关于 $x=\mu$ 对称。
- $\mu$（均值）：决定对称轴位置。
- $\sigma$（标准差）：决定"胖瘦"——$\sigma$ 越小越瘦高（数据集中），$\sigma$ 越大越矮胖（数据分散）。
$3\sigma$ 原则
标准化
任何正态分布 $N(\mu,\sigma^2)$ 均可经变换化为标准正态分布 $N(0,1)$，便于查表求概率。
补充两点分布（0-1 分布）
最简单的离散型分布，描述只有两个结果的试验（如"成功/失败"）。
定义 & 分布列
$X=\begin{cases}1,& A\text{ 发生}\\0,& \bar A\text{ 发生}\end{cases}$，其中 $P(A)=p$。
| $X$ | $1$ | $0$ |
|---|---|---|
| $P$ | $p$ | $1-p$ |
数字特征 & 关系
两点分布即 $n=1$ 的二项分布：$X\sim B(1,p)$。
8.1相关关系与相关系数
概念 & 工具
相关关系：变量间非确定性依赖（不同于函数关系）。
散点图：直观显示正相关/负相关、线性/非线性。
相关系数 $r$
$r>0$ 正相关的；$r<0$ 负相关；$|r|$ 越近 1 线性相关越强。
8.2一元线性回归模型
模型与最小二乘法
模型：$Y=bx+a+e$（$e$ 为随机误差，是回归与函数模型的关键区别）。
最小二乘法：使各样本点到回归直线的竖直距离平方和最小，求参数估计 $\hat a,\hat b$；经验回归方程 $\hat y=\hat b x+\hat a$。
残差分析
残差 $\hat e_i=y_i-\hat y_i$。残差点大致均匀分布在横轴两侧且无规律 → 拟合效果好。
决定系数 $R^2$
$R^2$ 越接近 1，模型解释变异比例越大、拟合越好。
8.3列联表与独立性检验
$2\times2$ 列联表 & $\chi^2$ 统计量
展示两个分类变量频数分布。卡方统计量：
$n$ 为样本总量，$a,b,c,d$ 为列联表四格频数。
检验步骤
- 提零假设 $H_0$：两分类变量无关联。
- 计算 $\chi^2$ 值。
- 与临界值比较（如 $3.841$，对应 $P\approx0.05$）。
- $\chi^2\ge$ 临界值 → 拒绝 $H_0$，认为有关联；否则无足够证据。
总结全书知识脉络回顾
| 章节 | 研究内容 | 核心工具 |
|---|---|---|
| 第六章 计数原理 | 数出随机事件结果的数量 | 分类/分步原理、排列组合、二项式定理 |
| 第七章 随机变量及其分布 | 描述随机现象的规律 | 分布列、期望、方差、二项分布、正态分布 |
| 第八章 成对数据统计分析 | 分析两个变量之间的关系 | 散点图、相关系数、回归模型、独立性检验 |
提醒全册易错点清单
- 计数原理：先明确"完成一件事"，分类（加）还是分步（乘），复杂问题"先分类后分步"。
- 排列 vs 组合：根本差别是"有无顺序"，先判断再选公式。
- 二项式：分清"二项式系数"（仅 $C_n^k$）与"项的系数"；求系数和令 $a=b=1$，奇偶次项令 $b=\pm1$。
- 条件概率：$P(B|A)$ 分母 $P(A)$ 要求 $P(A)>0$；乘法公式注意条件。
- 分布列：必验 $p_i\ge0$ 且 $\sum p_i=1$；期望/方差线性性质 $E(aX+b)=aE(X)+b$，$D(aX+b)=a^2D(X)$。
- 二项 vs 超几何：有放回/独立→二项；不放回/有限总体→超几何。
- 两点分布：即 $n=1$ 的二项分布 $B(1,p)$，$E=p,\;D=p(1-p)$。
- 正态分布：$\mu$ 管位置、$\sigma$ 管胖瘦；熟记 $3\sigma$ 三段概率。
- 相关系数：$r$ 只刻画线性相关强弱与方向，非线性相关 $r$ 可能近 0。
- 独立性检验：结论是概率意义下的推断，非绝对因果；先写 $H_0$ 再比临界值。
祝复习顺利 · 计数重"分类分步"，概率重"模型识别"，统计重"相关与检验" 💪