考试内容全景图：4大模块+12项核心能力
概率论：统计学的“地基”，决定你的天花板高度
近3年真题中，概率论占卷面分值约35%（50-55分），虽基础但陷阱密集：
核心考点精析
- 随机变量与分布：常见分布（二项、泊松、正态、指数）的数字特征、可加性、极限定理（中心极限定理应用频率达87%）
- 多维分布：联合分布→边缘分布→条件分布推导（2023年某985高校考题：已知f(x,y)=kxy(0
- 数字特征：协方差矩阵计算、相关系数与独立性辨析（高频陷阱：“不相关≠独立”）
- 大数定律与中心极限定理：辨析适用条件（如独立同分布、李雅普诺夫条件）、近似计算步骤
典型例题演示
例题：设X₁,X₂,…,Xₙ独立同分布于Exp(λ)，令Yₙ=min(X₁,…,Xₙ)，求E(Yₙ)和D(Yₙ)。
解题思路：① 求Yₙ分布函数FY(y)=1-[1-FX(y)]ⁿ=1-e-nλy → Yₙ~Exp(nλ)；② 直接得E(Yₙ)=1/(nλ), D(Yₙ)=1/(n²λ²)
易错点：误认为min仍为Exp(λ)；忽略n的指数放大效应
数理统计：公式密集区，计算能力的“试金石”
占分约30%，是拉开差距的关键模块。考生普遍反馈“公式太多记不住”，实则掌握推导逻辑即可：
核心概念图谱
- 统计量与抽样分布：χ²、t、F分布的定义、自由度、期望方差（如：若X~t(n)，则D(X)=n/(n-2) (n>2)）
- 点估计：矩估计（MOM）、最大似然估计（MLE）的求解步骤与性质（无偏性、有效性、相合性）
- 区间估计：单/双正态总体均值、方差的置信区间（注意单侧/双侧、方差已知/未知的组合）
易混淆点对比表
| 对比项 | 矩估计(MOM) | 最大似然估计(MLE) |
|---|---|---|
| 原理 | 用样本矩替换总体矩 | 使似然函数最大 |
| 适用场景 | 分布未知或矩不存在时 | 分布已知且似然可导 |
| 计算难度 | 低（解方程组） | 高（常需求导、解非线性方程） |
2024年高频预警：Beta分布的MLE求解（需用数值方法，但可考步骤）
统计推断：假设检验的“主战场”，应用题核心来源
占分约25%，90%的应用题出自本模块。需掌握：方法选择→步骤书写→结论解读三重能力
高频检验方法速查
- Z检验：大样本均值（n≥30）或正态总体+σ已知
- T检验：正态总体+σ未知+小样本（n<30）
- 卡方检验：方差检验、拟合优度、独立性检验
- F检验：两正态总体方差齐性检验
假设检验全流程模板
1. 设定假设：H₀: θ=θ₀ vs H₁: θ≠θ₀（或单侧）
2. 选检验统计量：如t=(X̄-μ₀)/(S/√n) ~ t(n-1)
3. 确定拒绝域：|t|>tα/2(n-1)
4. 计算统计量：代入样本数据
5. 作出决策：落在拒绝域→拒绝H₀
经典案例：某药企宣称新药治愈率≥90%，抽样100人治愈85人，α=0.05检验是否达标？
解：H₀:p=0.9 vs H₁:p<0.9；Z=(0.85-0.9)/√(0.9×0.1/100)=-1.67；Z0.05=-1.645 → -1.67<-1.645 → 拒绝H₀（需注意：这是单侧检验！）
数据分析应用：从“做题”到“解决问题”的跃迁
占分约10%，但日益重要！2023年多校新增“案例分析题”，考察：问题识别→方法选择→软件实现→结论阐释
核心应用场景
- 回归分析：一元/多元线性回归建模、参数解释、假设检验（F检验、t检验）、诊断（残差图、多重共线性）
- 方差分析：单因素/双因素方差分析（平衡/非平衡设计）、多重比较（LSD、Tukey）
- 时间序列：ARIMA模型识别（ACF/PACF图）、参数估计、预测
- 分类方法：判别分析（Fisher、Bayes）、聚类（K-means步骤）
实战案例：消费者满意度影响因素分析
问题：调查200名用户，变量：满意度(Y)、价格(X₁)、质量(X₂)、服务(X₃)，建立回归模型。
步骤：① 散点图观察线性关系；② 拟合Y=β₀+β₁X₁+β₂X₂+β₃X₃+ε；③ 检验β₂显著性（p<0.001）→ 质量是关键因子；④ 残差图显示异方差→ 加权最小二乘修正；⑤ 结论：提升质量对满意度影响最大（β₂=0.42）