概率与统计 / 英语

不管考不考，马尔可夫链你得会！丨赵礼显-高考数学

赵礼显老师 · 哔哩哔哩 · 10:17

哔哩哔哩 · 赵礼显老师原视频

选中时刻 · 1:32 · 章节点是时间参考，不表示实时播放进度。

视频中的要点

01马尔可夫链在高考概率题中的应用
02离散型随机变量分布列的规范书写
03警惕：非独立同分布下误用组合数 $C(n,k)$

来自学习笔记

E(X) = \sum x_i P(X=x_i)

离散型随机变量分布列的规范书写

选中时刻

计算 $P(X=0)$ 的状态转移分析

建议预备知识

条件概率与乘法公式
离散型随机变量及其分布列
数学期望的定义与计算
排列组合基础
数列递推关系
全概率公式
一阶线性递推数列
等比数列及其通项公式
数列求和
期望的线性性质
等比数列通项公式
数列求和的线性性质
马尔可夫链基本概率递推

阅读与收藏

把讲解展开来看。

被收藏 0

已审核学习内容 · 视频分析 · 中文

阅读完整概览

本视频片段讲解了一道以2026年央视春晚机器人为背景的高考数学概率题，核心考点为马尔可夫链。老师首先强调了该知识点在高考中的重要性，随后详细剖析了题目条件：A、B两种型号机器人的成功/失败概率不同，且下一轮使用的型号取决于当前轮的成功与否（成功沿用，失败更换）。在求解前3轮总得分X的数学期望时，老师指出必须先列出X的所有可能取值（0,1,2,3），并重点演示了如何利用状态转移规则计算 $P(X=0)$ 。对于 $P(X=1)$ ，老师特别纠正了一个常见误区：由于各轮试验并非独立同分布，不能直接使用二项分布的组合数 $C(3,1)$ 进行计算，而必须分“成功-失败-失败”、“失败-成功-失败”、“失败-失败-成功”三种具体路径进行讨论求和。本片段讲解了一道关于机器人试验的概率大题。第一问要求计算前3轮试验总得分的分布列，讲师通过枚举所有可能的成败路径（如A错B错A错等），利用乘法原理列出了详细的概率算式，并强调了此类题目计算量大、易出错的特点。第二问转向求解第n轮使用特定型号机器人的概率，讲师指出这是典型的马尔可夫链问题，即当前状态仅取决于前一状态，进而引导观众利用全概率思想建立 $P_n$ 与 $P_{n-1}$ 之间的递推关系式。本片段讲解了一道关于机器人型号选择的概率题。老师首先根据题意列出全概率公式，得到一阶线性递推关系 $P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$ 。随后，运用待定系数法，通过设 $P_n + x = \frac{3}{10}(P_{n-1} + x)$ 求出 $x = -\frac{5}{7}$ ，成功将原数列转化为等比数列。最后，结合首项 $P_1 = 1$ ，求出新数列的通项，并还原得到 $P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$ ，完成了第一问的解答。视频片段展示了老师讲解一道关于机器人试验概率的题目。重点在于解析“期望总得分”的概念，即利用全概率公式计算每一轮的期望得分，并将其化简为关于 $P_n$ 的表达式，最后求出前 n 项和 $S_n$ 的结构。本片段展示了马尔可夫链概率题的第二问解法思路。老师指出，要求前n轮试验的期望总得分 $S_n$ ，可以直接对第一问求得的概率递推公式两边求和。通过将 $S_n$ 拆解为等比数列求和与常数项求和的组合，即可得到最终表达式。

在学习检查器中查看要点和时刻，或切换阅读标签查看完整笔记。

章节

0:00马尔可夫链考点引入 0:25题目条件解析与随机变量取值 1:32计算

P(X=0)

的状态转移分析 2:15

P(X=1)

的分类讨论与易错点警示 2:30第一问：前3轮得分分布列计算 3:50考点总结：计算量与心态 4:06第二问：马尔可夫链与递推公式 5:00建立全概率递推式 5:44待定系数法构造等比数列 6:21求解通项公式 7:30引入问题：什么是期望总得分？8:00分析第 n 轮得分的概率构成 9:10推导并化简第 n 轮期望得分公式 9:50构建前 n 轮期望总得分

S_n

的表达式 10:00题目回顾与第一问结论 10:08第二问求和思路讲解 10:14总结与课后练习建议

学习解说文稿

依据视频画面与讲解整理，并非逐字语音转写。

视频开篇直接点明核心考点：马尔可夫链。老师指出该知识点在全国卷中已考查两次，强调其高频性和重要性，提醒学生不要抱有侥幸心理，必须掌握。

进入题目解析环节。老师朗读并解释了题目的背景设定：这是一个关于A、B两种型号机器人动作稳定性的测试实验。关键规则在于状态转移：若当前型号试验成功，下一轮继续使用同型号；若失败，则更换为另一种型号。同时给出了具体的概率参数：A型号成功率为 $\frac{4}{5}$ ，失败率为 $\frac{1}{5}$ ；B型号成功率和失败率均为 $\frac{1}{2}$ 。计分规则为成功记1分，失败记0分，且第1轮固定使用A型号。

针对第一问“求前3轮试验总得分 $X$ 的数学期望 $E(X)$ ”，老师首先强调了规范作答的重要性：必须明确写出随机变量 $X$ 的所有可能取值。由于共3轮试验，每轮得分非0即1，因此 $X$ 的可能取值为 $0, 1, 2, 3$ 。接着，老师开始推导 $P(X=0)$ ，即三轮全部失败的概率。

详细演示 $P(X=0)$ 的计算过程，体现马尔可夫链的特性。第1轮使用A型号，失败概率为 $\frac{1}{5}$ ；因失败，第2轮更换为B型号，失败概率为 $\frac{1}{2}$ ；因再次失败，第3轮又换回A型号，失败概率为 $\frac{1}{5}$ 。根据乘法原理， $P(X=0) = \frac{1}{5} \times \frac{1}{2} \times \frac{1}{5}$ 。

转向 $P(X=1)$ 的分析，即三轮中恰好成功一轮的情况。老师特别指出一个极易犯的错误：不能直接使用二项分布的公式 $C_3^1 p (1-p)^2$ 。原因在于，每一轮使用的机器人型号（即成功的概率 $p$ ）依赖于前一轮的结果，各轮试验并非独立同分布。正确的做法是分三种路径讨论：“成功-失败-失败”、“失败-成功-失败”、“失败-失败-成功”，分别计算每种路径下的型号转移和对应概率，最后相加。视频在此处截断，未展示完整的计算结果。

视频首先处理第一问，即求解前3轮试验总得分 $X$ 的分布列。讲师在黑板上详细拆解了 $X$ 取不同值时的具体路径。例如计算 $P(X=1)$ 时，列举了“对-错-错”、“错-对-错”等多种情形，并根据题目规则（成功沿用同型号，失败切换型号）写出对应的概率乘积，如 $\frac{4}{5} \times \frac{1}{5} \times \frac{1}{2}$ 等。

接着分析 $X=2$ 的情况，意味着三轮中有两轮成功。讲师口头列举了“对对错”、“错对对”等组合，并在板书上尝试写出对应的概率表达式，强调了需要根据每一轮的具体型号切换状态来确定成功率（是 $4/5$ 还是 $1/2$ ）。对于 $X=3$ ，则是三轮全对，且由于一直成功，始终使用A型号，概率为 $(\frac{4}{5})^3$ 。

在完成第一问的列式后，讲师暂停了具体的数值计算，转而评论此类题目的特点。他指出虽然逻辑上没有极高的思维门槛（“没有思维量”），但涉及大量的分类讨论和分数乘法，计算量极大，容易出错，提醒学生要有耐心。

进入第二问，目标是求第 $n$ 轮使用A型号机器人的概率 $P_n$ 的通项公式。讲师明确指出这是一个“马尔可夫链”模型，其核心特征是第 $n$ 次的状态仅由第 $n-1$ 次的状态决定，与更早的历史无关。

讲师开始推导递推公式。他分析道：若第 $n$ 轮使用A型号（事件发生概率为 $P_n$ ），有两种来源：一是第 $n-1$ 轮本身就用了A且成功了（概率贡献为 $P_{n-1} \times \frac{4}{5}$ ）；二是第 $n-1$ 轮用了B（概率为 $1-P_{n-1}$ ）且失败了从而切换到A（概率贡献为 $(1-P_{n-1}) \times \frac{1}{2}$ ）。由此可建立等式 $P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1-P_{n-1})$ 。

我们来分析这道概率题的第一问。题目要求求出第 n 轮使用 A 型号机器人的概率 $P_n$ 的通项公式。

根据全概率公式，第 n 次使用 A 的情况有两种：一是第 n-1 次用了 A 且第 n 次继续用 A（概率为 $\frac{4}{5}P_{n-1}$ ）；二是第 n-1 次用了 B 且第 n 次改用 A（概率为 $\frac{1}{2}(1-P_{n-1})$ ）。

将这两部分相加并化简，我们得到一阶线性递推关系： $P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$ ，注意这里 $n \ge 2$ 。

为了求解这个递推式，我们使用待定系数法。设 $P_n + x = \frac{3}{10}(P_{n-1} + x)$ ，展开后对比常数项，得到 $-\frac{7}{10}x = \frac{1}{2}$ ，解得 $x = -\frac{5}{7}$ 。

代入 $x$ 的值，原递推式转化为等比数列的形式： $P_n - \frac{5}{7} = \frac{3}{10}\left(P_{n-1} - \frac{5}{7}\right)$ 。这说明数列 $\left\{P_n - \frac{5}{7}\right\}$ 是一个公比为 $\frac{3}{10}$ 的等比数列。

接下来求首项。因为第一轮必定使用 A 型号，所以 $P_1 = 1$ 。新数列的首项为 $P_1 - \frac{5}{7} = 1 - \frac{5}{7} = \frac{2}{7}$ 。

利用等比数列通项公式，得到 $P_n - \frac{5}{7} = \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$ 。移项后即可求出 $P_n$ 的最终表达式： $P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$ ，其中 $n \in \mathbb{N}^*$ 。

这样，第一问就顺利解决了。我们成功地将一个复杂的概率问题转化为了熟悉的数列问题，并通过待定系数法找到了通项公式。

同学们好，今天我们继续来看这道关于机器人试验的概率大题。题目要求我们求出前 n 轮试验的期望总得分 $S_n$ 关于 $n$ 的表达式。很多同学看到“期望总得分”这几个字就懵了，不知道该怎么下手。其实，我们只要回归到最基本的概念，想一想 $P_n$ 代表什么？它代表第 $n$ 轮使用 A 型号机器人的概率。

那么，在第 $n$ 轮，机器人要想得分，必须满足两个条件：一是被选中使用，二是回答正确。这就需要我们用到全概率的思想了。如果第 $n$ 轮使用的是 A 型号，概率是 $P_n$ ，此时它做对的概率是 $\frac{4}{5}$ ；如果使用的是 B 型号，概率就是 $1-P_n$ ，此时它做对的概率是 $\frac{1}{2}$ 。

所以，第 $n$ 轮的期望得分，其实就是这两种情况的加权平均。也就是 $P_n \times \frac{4}{5} + (1-P_n) \times \frac{1}{2}$ 。大家看，这就是把复杂的“总得分”拆解成了每一轮的“单轮期望”。只要算出了每一轮的期望，前 $n$ 轮的总期望自然就是把它们加起来。

接下来我们来化简这个式子。展开括号得到 $\frac{4}{5}P_n + \frac{1}{2} - \frac{1}{2}P_n$ 。合并同类项， $P_n$ 的系数变成 $\frac{4}{5} - \frac{1}{2} = \frac{8}{10} - \frac{5}{10} = \frac{3}{10}$ 。所以，第 $n$ 轮的期望得分简化为 $\frac{3}{10}P_n + \frac{1}{2}$ 。这一步非常关键，它把概率 $P_n$ 和常数项分离开了。

最后，题目要求的是前 $n$ 轮的总和 $S_n$ 。根据期望的线性性质，我们可以直接把每一轮的期望加起来。 $S_n = \sum_{i=1}^n (\frac{3}{10}P_i + \frac{1}{2})$ 。把常数项 $\frac{1}{2}$ 提出来累加 $n$ 次就是 $\frac{n}{2}$ ，剩下的部分就是 $\frac{3}{10}(P_1 + P_2 + \cdots + P_n)$ 。这样，我们就成功地把 $S_n$ 转化为了关于数列 $\{P_n\}$ 求和的问题。

视频画面展示了一道关于马尔可夫链的概率题。题目已知 $P_n$ 为第 $n$ 轮试验使用 A 型号机器人的概率，第一问已求出通项公式 $P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$ ，并进一步化简为等比数列形式 $P_n - \frac{5}{7} = \frac{3}{10}(P_{n-1} - \frac{5}{7})$ 。

针对第二问求前 $n$ 轮试验的期望总得分 $S_n$ ，老师给出了求和的思路。他指出，不需要重新推导复杂的概率模型，而是直接对第一问得到的递推公式两边进行求和。

具体操作是利用求和的线性性质：等式右边的 $\frac{3}{10}P_{n-1}$ 求和后对应 $\frac{3}{10}$ 倍的数列和（涉及等比数列求和），而常数项 $\frac{1}{2}$ 求和 $n$ 次则直接得到 $\frac{n}{2}$ 。

老师表示具体的代数化简过程比较繁琐，建议学生自己课后完成计算，从而得出 $S_n$ 关于 $n$ 的最终表达式。

知识卡片

马尔可夫链在高考概率题中的应用

视频指出，当试验的下一轮状态（如使用的设备型号、成功概率）仅依赖于当前轮的结果时，这类问题属于马尔可夫链模型。在高考中，这通常表现为“成功则沿用，失败则更换”的规则。解题关键在于理清状态转移路径，不能简单套用独立重复试验（二项分布）的公式。

离散型随机变量分布列的规范书写

求解数学期望 $E(X)$ 的前提是求出分布列。视频中老师强调，第一步必须写出随机变量 $X$ 的所有可能取值（例如本题中3轮得分可能为0, 1, 2, 3）。虽然有时可以不画出完整的表格，但取值范围的声明是得分点，缺失会导致扣分。

E(X) = \sum x_i P(X=x_i)

警惕：非独立同分布下误用组合数 $C(n,k)$

这是本片段重点强调的易错点。当计算“n次试验中恰好成功k次”的概率时，如果每次试验的成功概率不同，或者试验之间存在依赖关系（如本题的型号切换），就不能使用 $C_n^k p^k (1-p)^{n-k}$ 。必须枚举所有满足条件的具体序列（如“成-败-败”、“败-成-败”等），分别计算概率后求和。

利用状态转移规则计算特定路径概率

以计算 $P(X=0)$ （三轮全败）为例，展示了如何结合题目规则推导每一步的概率。第1轮A败( $\frac{1}{5}$ ) $o$ 触发更换 $o$ 第2轮B败( $\frac{1}{2}$ ) $o$ 触发更换 $o$ 第3轮A败( $\frac{1}{5}$ )。将各步概率相乘即可得到该特定路径的概率。这种方法适用于所有基于马尔可夫链的路径计数问题。

P(X=0) = \frac{1}{5} \times \frac{1}{2} \times \frac{1}{5}

离散型随机变量分布列的计算策略

在处理多阶段试验的总得分分布时，关键在于穷举所有可能的“成功/失败”路径。每一条路径的概率等于该路径上各阶段条件概率的乘积。需注意题目中的状态转移规则（如本题中失败会改变下一阶段的参数），不能简单套用二项分布公式。

P(X=k) = \sum_{\text{paths with k successes}} \prod P(\text{step}_i)

马尔可夫链的无后效性

马尔可夫链描述了一种随机过程，其中系统在未来时刻的状态概率分布仅取决于当前时刻的状态，而与过去的历史状态无关。在解题中，这意味着我们可以只用 $P_{n-1}$ 来表示 $P_n$ ，从而将复杂的概率问题转化为数列递推问题。

P(X_{n+1}|X_n, X_{n-1}, ...) = P(X_{n+1}|X_n)

利用全概率公式建立递推关系

求解第 $n$ 次处于某状态的概率时，通常考虑第 $n-1$ 次的所有可能状态。本题中，第 $n$ 次用A型号的概率 = (第 $n-1$ 次用A且成功的概率) + (第 $n-1$ 次用B且失败的概率)。这是解决此类转移概率问题的标准建模方法。

P_n = P(A_{n-1})P(A_n|A_{n-1}) + P(B_{n-1})P(A_n|B_{n-1})

全概率公式建立递推关系

在处理多状态转移的概率问题时，常利用全概率公式建立相邻两项之间的递推关系。本题中，第 n 次的状态取决于第 n-1 次的状态，通过分类讨论上一轮使用 A 或 B 的情况，可以列出 $P_n$ 与 $P_{n-1}$ 的等式。

P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1 - P_{n-1})

待定系数法构造等比数列

对于形如 $a_n = p a_{n-1} + q$ ( $p \neq 1$ ) 的一阶线性递推数列，可以通过设 $a_n + x = p(a_{n-1} + x)$ 来求解常数 $x$ 。展开对比系数可得 $x = \frac{q}{1-p}$ ，从而将原数列转化为公比为 $p$ 的等比数列。

P_n + x = \frac{3}{10}(P_{n-1} + x) \implies x = -\frac{5}{7}

等比数列通项公式的应用

构造出等比数列后，先求出其首项和公比，利用公式 $b_n = b_1 \cdot q^{n-1}$ 写出通项，最后再还原回原数列 $a_n$ 的表达式。本题中需特别注意初始条件 $P_1=1$ 的使用。

P_n - \frac{5}{7} = \frac{2}{7}\left(\frac{3}{10}\right)^{n-1} \implies P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}

期望总得分的定义与计算思路

在本题中，“前 n 轮试验的期望总得分”并非指某一次特定试验结果的平均值，而是指每一轮试验得分期望值的累加。计算的核心在于利用全概率公式，先求出第 n 轮的单轮期望得分，再对其求和。

E_n = P_n \cdot P(A\text{Correct}) + (1-P_n) \cdot P(B\text{Correct})

第 n 轮期望得分的代数化简

将第 n 轮使用 A 型号和 B 型号的概率及其对应的做对概率代入公式后，需要进行代数化简。关键在于合并含 $P_n$ 的项，将系数通分相减，从而得到形如 $k \cdot P_n + b$ 的简洁表达式，便于后续求和。

\frac{4}{5}P_n + \frac{1}{2}(1-P_n) = \frac{3}{10}P_n + \frac{1}{2}

利用期望线性性质求前 n 项和

当求得第 i 轮的期望得分为 $\frac{3}{10}P_i + \frac{1}{2}$ 后，前 n 轮的总期望 $S_n$ 即为这 n 个式子的和。利用加法交换律和结合律，可以将常数项 $\frac{1}{2}$ 单独累加 n 次得到 $\frac{n}{2}$ ，将含 $P_i$ 的项提取公因数 $\frac{3}{10}$ 后转化为数列 $\{P_n\}$ 的前 n 项和。

S_n = \sum_{i=1}^n (\frac{3}{10}P_i + \frac{1}{2}) = \frac{3}{10}\sum_{i=1}^n P_i + \frac{n}{2}

利用递推公式求前n项和

当已知数列 $\{a_n\}$ 的递推公式形如 $a_n = k \cdot a_{n-1} + c$ 时，若要求前 $n$ 项和 $S_n$ ，可以直接对递推公式两边求和。利用求和的线性性质， $\sum a_n = k \sum a_{n-1} + \sum c$ ，从而建立 $S_n$ 与 $S_{n-1}$ 或 $S_n$ 自身的方程，结合等比数列求和公式即可解出 $S_n$ 。

S_n = \sum_{i=1}^n a_i

期望总得分的求和方法

将通项公式 $P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$ 两边对 n 求和，利用求和的线性性质，将 $S_n$ 转化为 $\frac{3}{10}S_n$ 加上常数项 $\frac{1}{2}$ 的 n 倍之和，即 $\frac{n}{2}$ 。

详细学习笔记

按知识点查看条件、步骤和证据。补充解释与视频直接内容分别标明。

符号定义 · 17

A

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本显示“A型号机器人试验成功的概率为 $4/5$ ，失败的概率为 $1/5$ ”

符号

含义

A型号机器人

适用范围

离散状态

B

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本显示“B型号机器人试验成功的概率为 $1/2$ ，失败的概率为 $1/2$ ”

符号

含义

B型号机器人

适用范围

离散状态

X

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本显示“记 X 为前 3 轮试验的总得分”
动画
观察依据
老师在白板上写出“X 可能取值 0, 1, 2, 3”

符号

含义

前3轮试验的总得分

适用范围

零、一、二、三

P

依据清楚

视频直接表达

来源依据

公式
观察依据
老师在白板上写出“ $P(X=0)$ = ...”

符号

含义

概率

适用范围

零到一

$E(X)$

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本显示“求 X 的数学期望 $E(X)$ ”

符号

$E(X)$

含义

随机变量 X 的数学期望

适用范围

实数

X

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本中定义“记 X 为前 3 轮试验的总得分”

符号

含义

前 3 轮试验的总得分

适用范围

取值集合为 {0, 1, 2, 3}

$P_n$

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本中定义“设 $P_n$ 为第 n 轮试验使用 A 型号机器人的概率”

符号

$P_n$

含义

第 n 轮试验使用 A 型号机器人的概率

适用范围

n 为正整数

$E(X)$

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本中要求求“X 的数学期望 $E(X)$ ”

符号

$E(X)$

含义

随机变量 X 的数学期望

适用范围

原文未说明。

$P_n$

依据清楚

视频直接表达

来源依据

公式
观察依据
板书及题目文本中多次出现 $P_n$ ，表示第 n 轮试验使用 A 型号机器人的概率。

符号

$P_n$

含义

第 n 轮试验使用 A 型号机器人的概率

适用范围

n 是正整数

x

依据清楚

视频直接表达

来源依据

公式
观察依据
板书在构造等比数列时引入未知数 x，写出 $P_n + x = \frac{3}{10}(P_{n-1} + x)$ 。

符号

含义

待定系数，用于将一阶线性递推式转化为等比数列形式

适用范围

实数

$P_n$

依据清楚

视频直接表达

来源依据

公式
观察依据
板书及题目文本中多次出现 $P_n$

符号

$P_n$

含义

第 n 轮试验使用 A 型号机器人的概率

适用范围

n 大于等于 1

$S_n$

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本中出现 $S_n$

符号

$S_n$

含义

前 n 轮试验的期望总得分

适用范围

n 大于等于 1

知识点 · 11

马尔可夫链

依据清楚

视频直接表达

来源依据

声音
观察依据
老师提到“马尔可夫链全国卷考过两次了”、“这道机器人概率题考的就是马尔可夫链”

定义

解释

视频中指出该题考查的核心知识点是马尔可夫链，即下一轮的状态（使用哪种型号的机器人）仅依赖于当前轮的状态和结果（成功或失败）。

公式

适用条件

下一轮状态仅与当前状态有关

离散型随机变量的分布列

依据清楚

视频直接表达

来源依据

声音
观察依据
老师说“需要注意X的可能取值，不写这句话会扣分的”、“分布列最好列上”

方法

解释

求解离散型随机变量的数学期望前，需要先确定其所有可能的取值，并计算每个取值对应的概率，从而列出分布列。

公式

适用条件

随机变量取值为有限个或可列无限个

数学期望

依据清楚

视频直接表达

来源依据

公式
观察依据
题目文本显示“求 X 的数学期望 $E(X)$ ”

定义

解释

离散型随机变量的数学期望是其所有可能取值与其对应概率乘积的总和。

公式

E(X) = \sum x_i P(X=x_i)

适用条件

级数绝对收敛

先修条目

离散型随机变量的分布列

离散型随机变量的数学期望

依据清楚

视频直接表达

来源依据

声音
观察依据
讲师提到“那 x 等于 2 是什么意思呢，就是对了 2 道题”

公式

解释

数学期望是随机变量所有可能取值与其对应概率乘积的总和。视频中讲师通过列举 X 的可能取值 0, 1, 2, 3 并计算对应概率，为后续计算 $E(X)$ 做准备。

公式

E(X) = \sum x_i P(X=x_i)

适用条件

X 为离散型随机变量

马尔可夫链的基本特征

依据清楚

视频直接表达

来源依据

声音
观察依据
讲师解释“什么叫马尔可夫链？就是第 n 次是由它前一次决定的”

定义

解释

马尔可夫链是一种随机过程，其核心特征是“无后效性”，即系统在第 n 次的状态仅依赖于第 n-1 次的状态，而与更早的历史状态无关。

公式

适用条件

系统状态转移仅依赖前一状态

一阶线性递推关系

依据清楚

视频直接表达

来源依据

公式
观察依据
板书写出 $P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1 - P_{n-1})$ ，并化简为 $P_n = \frac{3}{10}P_{n-1} + \frac{1}{2} (n \ge 2)$ 。
声音
观察依据
老师解释了当第 n-1 次使用 B 时，第 n 次使用 A 的条件概率为 $1/2$ 。

公式

解释

根据全概率公式，第 n 次使用 A 的概率等于第 n-1 次使用 A 且第 n 次继续用 A 的概率，加上第 n-1 次使用 B 且第 n 次改用 A 的概率。

公式

P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1 - P_{n-1}) = \frac{3}{10}P_{n-1} + \frac{1}{2} \quad (n \ge 2)

适用条件

n 大于或等于 2

待定系数法构造等比数列

依据清楚

视频直接表达

来源依据

公式
观察依据
板书演示了 $P_n + x = \frac{3}{10}(P_{n-1} + x)$ ，展开后对比常数项得到 - $\frac{7}{10}x = \frac{1}{2}$ ，解得 $x = -\frac{5}{7}$ 。
声音
观察依据
老师提到“不会技巧就用待定系数法，两边都加上一个 x，构造成一个等比数列”。

方法

解释

对于形如 $a_n = p a_{n-1} + q$ 的递推数列，可通过设 $a_n + x = p(a_{n-1} + x)$ 来求解 x，从而将原数列转化为等比数列。

公式

P_n + x = \frac{3}{10}(P_{n-1} + x)

适用条件

p 不等于 1

先修条目

一阶线性递推关系

等比数列通项公式

依据清楚

视频直接表达

来源依据

公式
观察依据
板书写出 $P_n - \frac{5}{7} = \frac{3}{10}(P_{n-1} - \frac{5}{7})$ ，并求出首项 $P_1 - \frac{5}{7} = \frac{2}{7}$ ，最终得出通项公式。

公式

解释

利用等比数列的通项公式 $a_n = a_1 \cdot q^{n-1}$ ，结合求出的首项和公比，得到新数列的通项，进而还原出原数列的通项。

公式

P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1} \quad (n \in \mathbb{N}^*)

适用条件

n 是正整数

先修条目

待定系数法构造等比数列

期望总得分的计算方法

依据清楚

视频直接表达

来源依据

声音
观察依据
老师讲解“期望的总得分”的含义，指出需要分情况讨论使用A型号和B型号的概率及做对的概率
公式
观察依据
板书写出 $P_n \cdot \frac{4}{5} + (1-P_n) \cdot \frac{1}{2}$

方法

解释

计算第 n 轮的期望得分时，利用全概率思想，将使用 A 型号的概率乘以其做对的概率，加上使用 B 型号的概率乘以其做对的概率。

公式

P_n \cdot \frac{4}{5} + (1-P_n) \cdot \frac{1}{2}

适用条件

已知第 n 轮使用 A 型号的概率 $P_n$
已知 A、B 型号各自做对的概率

期望总得分的求和方法

依据清楚

视频直接表达

来源依据

声音
观察依据
老师口述：“这个求和是它求和，再来一个等比数列求和，再加上一个二分之n就可以了。”
公式
观察依据
白板上写有 $\frac{3}{10}(P_1 + P_2 + \dots + P_n) + \frac{n}{2}$

方法

解释

适用条件

已知数列 { $P_n$ } 的递推关系式

等比数列求和

依据清楚

视频直接表达

来源依据

声音
观察依据
老师口述：“再来一个等比数列求和”

定义

解释

在求解 $S_n$ 的过程中，由于 { $P_n - \frac{5}{7}$ } 是公比为 $\frac{3}{10}$ 的等比数列，因此需要对等比数列的部分和进行计算。

适用条件

数列是等比数列

推导与证明 · 7

计算 $P(X=0)$ 的过程

依据清楚

视频直接表达

来源依据

声音
观察依据
老师讲解“X等于0就说明三个题都是错题...第一个是先A型号，它失败的概率是五分之一...第二个机器人那就换第二个，失败的概率也还是二分之一...下一个的话又换A了...失败的概率还是五分之一”
动画
观察依据
白板上写出算式 $P(X=0) = 1/5 \times 1/2 \times 1/5$

严格证明

步骤

公式
$X=0 \implies \text{all three rounds fail}$
解释
总得分为0意味着前三次试验全部失败。
步骤依据
题目设定成功记1分，失败记0分。
视频直接表达
公式
$\text{round one: A fails}$
解释
第一轮固定使用A型号，A失败的概率为 $1/5$ 。
步骤依据
题目已知条件。
视频直接表达
公式
$\text{round two: B fails}$
解释
因为第1轮失败，根据规则更换为B型号。B失败的概率为 $1/2$ 。
步骤依据
题目已知条件及状态转移规则。
视频直接表达
公式
$\text{round three: A fails}$
解释
因为第2轮失败，根据规则再次更换回A型号。A失败的概率为 $1/5$ 。
步骤依据
题目已知条件及状态转移规则。
视频直接表达
公式
$P(X=0) = \frac{1}{5} \times \frac{1}{2} \times \frac{1}{5}$
解释
将三轮失败的概率相乘得到总概率。
步骤依据
乘法原理（条件概率的连乘）。
视频直接表达

结论

X 等于零的概率是五十分之一

计算 $P(X=1)$ 的分类讨论思路

依据清楚

视频直接表达

来源依据

声音
观察依据
老师讲解“X等于1的话，说明你回答对了一个题...就是成功失败失败，成功失败失败，成功失败失败...你不能有C31，因为它不是独立重复的”
动画
观察依据
白板上写出 $P(X=1)$ = 以及三种情况的部分算式： $4/5 \times 1/2 \times 1/2 + 1/5 \times 1/2 \times 4/5 + 1/5 \times 1/2 \times 1/5 \times 4/5$ (注：最后一种情况老师未写完，但口述了逻辑)

待核验内容

视频在150秒截断， $P(X=1)$ 的最终计算未完成

严格证明

步骤

公式
$X=1 \implies \text{exactly one success in the three rounds}$
解释
总得分为1意味着前三次试验中恰好有一次成功，两次失败。
步骤依据
题目设定成功记1分，失败记0分。
视频直接表达
公式
$\text{case one: success, failure, failure}$
解释
第1轮A成功( $4/5$ )，第2轮继续A失败( $1/5$ )，第3轮换B失败( $1/2$ )。概率为 $4/5 \times 1/5 \times 1/2$ 。
步骤依据
状态转移规则：成功则继续使用同型号，失败则更换。
依据视频推导
公式
$\text{case two: failure, success, failure}$
解释
第1轮A失败( $1/5$ )，第2轮换B成功( $1/2$ )，第3轮继续B失败( $1/2$ )。概率为 $1/5 \times 1/2 \times 1/2$ 。
步骤依据
状态转移规则。
依据视频推导
公式
$\text{case three: failure, failure, success}$
解释
第1轮A失败( $1/5$ )，第2轮换B失败( $1/2$ )，第3轮换回A成功( $4/5$ )。概率为 $1/5 \times 1/2 \times 4/5$ 。
步骤依据
状态转移规则。
依据视频推导
公式
$P(X=1) = \sum \text{probability of each case}$
解释
将三种互斥情况的概率相加。
步骤依据
全概率公式/加法原理。
视频直接表达

结论

需分三种情况讨论并求和，不能使用组合数 $C_3^1$ 因为各轮概率不相等且状态相关。

$P_n$ 的递推关系推导

依据清楚

视频直接表达

来源依据

公式
观察依据
板书写出 $P_n = \frac{4}{5} P_{n-1} + \frac{1}{2} (1 - P_{n-1})$

严格证明

步骤

公式
$P_n = \frac{4}{5} P_{n-1} + \frac{1}{2} (1 - P_{n-1})$
解释
第 n 次使用 A 型号有两种情况：一是第 n-1 次使用了 A 且成功（概率为 $P_{n-1} \times \frac{4}{5}$ ）；二是第 n-1 次使用了 B 且失败（概率为 ( $1 - P_{n-1}$ ) $\times \frac{1}{2}$ ）。
步骤依据
全概率公式与题目给定的状态转移规则
视频直接表达

结论

$P_n$ 等于十分之三乘以 $P_{n-1}$ ，再加上二分之一。

求解数列 { $P_n$ } 的通项公式

依据清楚

视频直接表达

来源依据

公式
观察依据
完整的板书推导过程，从递推式到最终的通项公式。

严格证明

步骤

公式
$P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1 - P_{n-1})$
解释
根据题意列出全概率公式。
步骤依据
全概率公式
视频直接表达
公式
$P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$
解释
化简递推式。
步骤依据
代数运算
视频直接表达
公式
$P_n + x = \frac{3}{10}(P_{n-1} + x)$
解释
设待定系数 x，构造等比数列。
步骤依据
待定系数法
视频直接表达
公式
$-\frac{7}{10}x = \frac{1}{2} \implies x = -\frac{5}{7}$
解释
对比常数项求解 x。
步骤依据
多项式恒等
视频直接表达
公式
$P_n - \frac{5}{7} = \frac{3}{10}\left(P_{n-1} - \frac{5}{7}\right)$
解释
代入 x 的值，得到新的等比递推式。
步骤依据
代数替换
视频直接表达
公式
$P_1 = 1 \implies P_1 - \frac{5}{7} = \frac{2}{7}$
解释
计算新数列的首项。
步骤依据
题意：第一轮必定使用 A 型号
视频直接表达
公式
$P_n - \frac{5}{7} = \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$
解释
利用等比数列通项公式。
步骤依据
等比数列性质
视频直接表达
公式
$P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$
解释
移项得到 { $P_n$ } 的通项公式。
步骤依据
代数运算
视频直接表达

结论

数列 { $P_n$ } 的通项公式为 $P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1} (n \in \mathbb{N}^*)$ 。

第 n 轮期望得分表达式化简

依据清楚

视频直接表达

来源依据

声音
观察依据
老师口述“五分之四减去个二分之一，十分之八减去十分之五，十分之三个 $P_n$ ”
公式
观察依据
板书写出化简过程

严格证明

步骤

公式
$P_n \cdot \frac{4}{5} + (1-P_n) \cdot \frac{1}{2}$
解释
列出第 n 轮期望得分的原始表达式
步骤依据
全概率公式的应用
视频直接表达
公式
$\frac{4}{5}P_n + \frac{1}{2} - \frac{1}{2}P_n$
解释
展开括号
步骤依据
乘法分配律
视频直接表达
公式
$(\frac{4}{5} - \frac{1}{2})P_n + \frac{1}{2}$
解释
合并同类项
步骤依据
代数运算法则
视频直接表达
公式
$\frac{3}{10}P_n + \frac{1}{2}$
解释
计算系数得出最终化简结果
步骤依据
分数减法运算
视频直接表达

结论

第 n 轮的期望得分为 $\frac{3}{10}P_n + \frac{1}{2}$

前 n 轮期望总得分 $S_n$ 的求和

依据清楚

视频直接表达

来源依据

声音
观察依据
老师口述“前 n 项和的话就得求它的和，也就是十分之三乘一个 $P_1$ 再加上一个 $P_2$ 再加上一个 $P_n$ ，然后再加上一个二分之 n”
公式
观察依据
板书写出求和表达式

严格证明

步骤

公式
$S_n = \sum_{i=1}^n (\frac{3}{10}P_i + \frac{1}{2})$
解释
将前 n 轮的期望得分相加
步骤依据
期望的线性性质
依据视频推导
公式
$S_n = \frac{3}{10}(P_1 + P_2 + \cdots + P_n) + \frac{n}{2}$
解释
分离常数项与含 $P_i$ 的项
步骤依据
加法交换律与结合律
视频直接表达

结论

$S_n$ 等于十分之三乘以从 i 等于 1 到 n 的 $P_i$ 的和，再加上 n 的一半

$S_n$ 的表达式推导

依据清楚

视频直接表达

来源依据

声音
观察依据
老师口述讲解求和步骤
公式
观察依据
白板右侧展示了求和后的表达式

严格证明

步骤

公式
$P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$
解释
写出第 n 项的概率递推公式
步骤依据
视频白板已有内容
视频直接表达
公式
$\sum_{i=1}^n P_i = \frac{3}{10}\sum_{i=1}^{n-1} P_i + \sum_{i=1}^n \frac{1}{2}$
解释
对等式两边同时从 1 到 n 求和
步骤依据
求和的线性性质
依据视频推导
公式
$S_n = \frac{3}{10}(S_n - P_n) + \frac{n}{2}$
解释
将求和符号替换为 $S_n$ 的形式
步骤依据
$S_n$ 的定义
依据视频推导

结论

通过求和将 $S_n$ 与 $P_n$ 联系起来，进而可以解出 $S_n$ 关于 n 的表达式。

例题详解 · 3

2026年央视春晚机器人概率题

依据清楚

视频直接表达

来源依据

公式
观察依据
屏幕展示了完整的题目文本，包括背景、规则、概率和两问。

题目

某实验室为测试A、B两种型号机器人的动作稳定性，设计如下试验：每次独立执行一个动作，若某型号机器人试验成功，则下一轮继续使用该型号机器人进行试验；若试验失败，则下一轮更换另外一种型号的机器人进行试验。已知A型号机器人试验成功的概率为 $4/5$ ，失败的概率为 $1/5$ ；B型号机器人试验成功的概率为 $1/2$ ，失败的概率为 $1/2$ 。试验成功记1分，失败记0分，且第1轮使用A型号机器人。(1) 记 X 为前3轮试验的总得分，求 X 的数学期望 $E(X)$ ；(2) 设 $P_n$ 为第 n 轮试验使用A型号机器人的概率。①求数列 { $P_n$ } 的通项公式；②记 $S_n$ 为前 n 轮试验的期望总得分，求 $S_n$ 关于 n 的表达式。

已知条件

A成功概率 $4/5$ ，失败概率 $1/5$
B成功概率 $1/2$ ，失败概率 $1/2$
成功记1分，失败记0分
第1轮使用A型号
状态转移规则：成功沿用，失败更换

目标

求前3轮总得分 X 的数学期望 $E(X)$ （视频主要讲解第一问的思路）

步骤

公式
$X \in \{0, 1, 2, 3\}$
解释
确定随机变量 X 的所有可能取值。
步骤依据
3轮试验，每轮0或1分。
视频直接表达
公式
$P(X=0) = \frac{1}{5} \times \frac{1}{2} \times \frac{1}{5}$
解释
计算三轮均失败的概率。
步骤依据
根据状态转移规则推导各轮型号及失败概率。
视频直接表达
公式
$P(X=1) = P(\text{success, failure, failure}) + P(\text{failure, success, failure}) + P(\text{failure, failure, success})$
解释
计算恰有一轮成功的概率，需分三种情况讨论。
步骤依据
各轮概率不同且状态相关，不能用二项分布公式。
视频直接表达

结果

视频未给出最终数值答案，仅展示了计算 $P(X=0)$ 的算式和 $P(X=1)$ 的分类讨论框架。

检验

通过列举所有可能的状态转移路径（如 A->A->A, A->B->B 等）来验证概率计算是否完备。

机器人试验得分概率计算

依据清楚

视频直接表达

来源依据

公式
观察依据
板书展示了 $P(X=0)$ , $P(X=1)$ , $P(X=2)$ , $P(X=3)$ 的详细计算过程

题目

已知 A 型号成功率为 $4/5$ ，B 型号成功率为 $1/2$ 。失败则更换型号，成功则继续。第一轮用 A。求前 3 轮总得分 X 的分布列。

已知条件

P(A成功)= $4/5$ , P(A失败)= $1/5$
P(B成功)= $1/2$ , P(B失败)= $1/2$
初始状态为 A

目标

计算 $P(X=k)$ , $k=0$ ,1,2,3

步骤

公式
$P(X=0) = \frac{1}{5} \times \frac{1}{2} \times \frac{1}{2}$
解释
三轮全错：A错( $1/5$ ) -> 换B -> B错( $1/2$ ) -> 换A -> A错( $1/5$ )。注：视频板书此处最后一步写成了 $1/5$ ，但语音逻辑是换回A后A错，应为 $1/5 * 1/2 * 1/5$ 。视频板书写的是 $1/5 * 1/2 * 1/2$ ，可能是笔误或特定理解，此处忠实记录板书。
步骤依据
乘法原理
视频直接表达
公式
$P(X=3) = \frac{4}{5} \times \frac{4}{5} \times \frac{4}{5}$
解释
三轮全对：一直用A且都成功。
步骤依据
乘法原理
视频直接表达

结果

视频未给出最终数值结果，停留在列式阶段

检验

原文未展示验证步骤。

机器人型号选择概率问题

依据清楚

视频直接表达

来源依据

公式
观察依据
屏幕上方显示了完整的题目背景，涉及 A、B 两种型号机器人的状态转移概率。

题目

设 $P_n$ 为第 n 轮试验使用 A 型号机器人的概率，求 { $P_n$ } 的通项公式。

已知条件

A 型号成功概率 $4/5$ ，失败概率 $1/5$
B 型号成功概率 $1/2$ ，失败概率 $1/2$
成功则下一轮继续用该型号，失败则下一轮换另一型号
第 1 轮使用 A 型号

目标

求 $P_n$ 关于 n 的表达式

步骤

公式
$P_n = \frac{4}{5}P_{n-1} + \frac{1}{2}(1 - P_{n-1})$
解释
根据全概率公式建立递推关系。
步骤依据
题目给定的状态转移规则
视频直接表达
公式
$P_n = \frac{3}{10}P_{n-1} + \frac{1}{2}$
解释
化简递推式。
步骤依据
代数运算
视频直接表达
公式
$P_n - \frac{5}{7} = \frac{3}{10}\left(P_{n-1} - \frac{5}{7}\right)$
解释
使用待定系数法构造等比数列。
步骤依据
待定系数法
视频直接表达
公式
$P_n = \frac{5}{7} + \frac{2}{7}\left(\frac{3}{10}\right)^{n-1}$
解释
结合首项 $P_1=1$ 求出通项公式。
步骤依据
等比数列通项公式
视频直接表达

结果

Pₙ 等于七分之五加上七分之二乘以十分之三的 n 减一次方，其中 n 是正整数

检验

当 $n=1$ 时， $P_1 = 5/7 + 2/7 = 1$ ，符合题意。

图示与动画 · 5

白板手写解题过程

依据清楚

视频直接表达

来源依据

动画
观察依据
老师在屏幕右侧的白板区域手写解题过程，包括“X 可能取值 0, 1, 2, 3”、“ $P(X=0) = 1/5 \times 1/2 \times 1/5$ ”以及“ $P(X=1)$ = ...”的部分算式。

图中对象

白板
手写文字
数学公式

变化过程

老师边讲解边书写公式
展示分类讨论的逻辑

不变量

题目文本始终显示在屏幕左侧

数学含义

直观展示了离散型随机变量分布列的求解步骤，特别是如何利用马尔可夫链的状态转移特性计算特定事件的概率。

白板书写过程

依据清楚

视频直接表达

来源依据

动画
观察依据
讲师在电子白板上实时书写概率计算公式和递推式

图中对象

题目文本
手写公式

变化过程

公式逐步展开
红圈标注重点符号

不变量

题目背景文本不变

数学含义

通过动态书写展示解题思路的推进过程

红笔标注概率项

依据清楚

视频直接表达

来源依据

动画
观察依据
老师用红笔圈出了 $P_{n-1}$ 和 ( $1-P_{n-1}$ )，并用箭头指示它们分别代表第 n-1 次使用 A 和 B 的概率。

图中对象

P 下标 n 减一
一减去 P 下标 n 减一

变化过程

添加红色圆圈和箭头

不变量

公式本身的数学含义不变

数学含义

强调全概率公式中各项的物理意义，即上一轮使用不同型号的概率。

白板推导过程展示

依据清楚

视频直接表达

来源依据

图示
观察依据
屏幕右侧显示完整的题目文本和手写推导过程，左侧为老师半身像

图中对象

题目文本
手写公式
老师头像

变化过程

随着讲解进度，白板上逐步添加新的推导公式和圈注

不变量

题目文本始终可见
老师头像位置固定

数学含义

通过实时书写展示数学推导的逻辑链条，帮助观众理解从概率到期望再到求和的过程。

板书推导过程

依据清楚

视频直接表达

来源依据

动画
观察依据
老师在白板上用红笔圈出 $P_n$ 的通项公式，并在旁边书写求和相关的算式

图中对象

白板
红笔字迹
题目文本

变化过程

红笔圈出关键公式
添加求和算式

不变量

题目文本保持不变
左侧人物画面保持不变

数学含义

视觉展示了从通项公式到求和表达式的思维过程。

易错点 · 4

误用二项分布组合数

依据清楚

视频直接表达

来源依据

声音
观察依据
老师强调“你不能有C31，因为它不是独立重复的”

误区

认为3次试验中成功1次的概率可以直接用 $C_3^1 p (1-p)^2$ 计算。

说明

由于每次试验使用的机器人型号（即成功概率）依赖于前一次的结果，各次试验不是独立同分布的，因此必须分情况讨论具体的成功/失败序列。

忽视计算量导致心态崩盘

依据清楚

视频直接表达

来源依据

声音
观察依据
讲师吐槽“做完题之后就是想骂人...这几年高考题的计算量还是挺大的”

误区

认为题目逻辑简单就轻视计算过程

说明

虽然马尔可夫链逻辑清晰，但具体概率分布的计算涉及大量分数乘法，需保持耐心仔细计算

递推式的适用范围

依据清楚

视频直接表达

来源依据

声音
观察依据
老师特意强调“你可以写个 n 大于等于 2”。
公式
观察依据
板书在递推式后标注了 ( $n \ge 2$ )。

误区

忽略递推式中 n 的取值范围，误以为对所有正整数都成立。

说明

由于递推式依赖于前一项 $P_{n-1}$ ，因此必须满足 $n \ge 2$ 。

对“期望总得分”概念的误解

依据清楚

视频直接表达

来源依据

声音
观察依据
老师反复提问“总得分是啥意思？”、“你想一想 $P_n$ 它表示的是什么意思”

误区

学生可能误以为“总得分”只是简单的分数相加，而忽略了其背后的概率加权过程。

说明

“期望总得分”是指每一轮得分的期望值的累加，每一轮的得分期望需要根据该轮使用不同型号机器人的概率进行加权计算。

概念关系 · 6

马尔可夫链 → 离散型随机变量的分布列

依据清楚

视频直接表达

来源依据

声音
观察依据
老师指出题目考查马尔可夫链，并在解题中应用了状态转移规则。

应用

解释

马尔可夫链的状态转移特性被应用于计算离散型随机变量（总得分）在各个取值上的概率。

马尔可夫链的基本特征 → $P_n$ 的递推关系推导

依据清楚

依据视频推导

来源依据

声音
观察依据
讲师指出该题是马尔可夫链，并列出 $P_n$ 与 $P_{n-1}$ 的关系

应用

解释

利用马尔可夫链的无后效性建立数列递推关系

一阶线性递推关系 → 机器人型号选择概率问题

依据清楚

补充解释

来源依据

公式
观察依据
题目背景是典型的马尔可夫链状态转移，板书将其转化为一阶线性递推数列。

应用

解释

一阶线性递推关系是解决此类马尔可夫链概率问题的核心数学工具。

待定系数法构造等比数列 → 等比数列通项公式

依据清楚

视频直接表达

来源依据

声音
观察依据
老师说“这地方就构造成一个等比数列”。

应用

解释

待定系数法是将一般的一阶线性递推数列转化为等比数列的关键技巧。

期望总得分的计算方法 → 第 n 轮期望得分表达式化简

依据清楚

视频直接表达

来源依据

声音
观察依据
老师讲解如何利用 $P_n$ 计算期望得分
公式
观察依据
板书展示了从概率 $P_n$ 到期望表达式的转换

应用

解释

期望总得分的计算方法（全概率思想）被应用于推导第 n 轮的具体期望表达式。

期望总得分的求和方法 → 等比数列求和

依据清楚

视频直接表达

来源依据

声音
观察依据
老师提到“等比数列求和”

应用

解释

在求解期望总得分 $S_n$ 的求和方法中，需要应用到等比数列求和的知识。

问题定位 · 7

高考数学中马尔可夫链的考查频率和题型是什么？

依据清楚

视频直接表达

来源依据

声音
观察依据
老师提到“马尔可夫链全国卷考过两次了”

涉及知识点

马尔可夫链

为什么在状态相关的概率题中不能使用二项分布的组合数公式？

依据清楚

视频直接表达

来源依据

声音
观察依据
老师解释为什么不能用 $C_3^1$

涉及知识点

误用二项分布组合数
计算 $P(X=1)$ 的分类讨论思路

如何根据马尔可夫链性质求第 n 轮使用某型号的概率递推公式？

依据清楚

视频直接表达

来源依据

声音
观察依据
讲师讲解如何求 $P_n$ 通项公式

涉及知识点

马尔可夫链的基本特征
$P_n$ 的递推关系推导

如何利用待定系数法将一阶线性递推数列转化为等比数列求通项？

依据清楚

补充解释

来源依据

公式
观察依据
整个片段都在推导 $P_n$ 的通项公式。

涉及知识点

一阶线性递推关系
待定系数法构造等比数列
等比数列通项公式

如何理解题目中“前 n 轮试验的期望总得分”的含义？

依据清楚

视频直接表达

来源依据

声音
观察依据
老师提问“总得分是啥意思”

涉及知识点

期望总得分的计算方法
对“期望总得分”概念的误解

如何将第 n 轮的期望得分表达式化简并求前 n 项和？

依据清楚

视频直接表达

来源依据

公式
观察依据
板书展示了化简和求和过程

涉及知识点

第 n 轮期望得分表达式化简
前 n 轮期望总得分 $S_n$ 的求和

如何利用递推公式求数列的前n项和？

依据清楚

视频直接表达

来源依据

声音
观察依据
老师讲解如何对递推式求和

涉及知识点

期望总得分的求和方法
$S_n$ 的表达式推导

覆盖情况与待核验内容

已覆盖 · 引入马尔可夫链考点及题目背景

已覆盖 · 阅读题目条件，确定随机变量X的取值

已覆盖 · 计算 $P(X=0)$ 的具体过程

已覆盖 · 分析 $P(X=1)$ 的分类讨论思路及易错点

已覆盖 · 第一问：计算前3轮得分X的分布列，讲师详细列举了各种情况的概率乘法算式。

已覆盖 · 第二问：引入马尔可夫链概念，推导 $P_n$ 的递推公式。

已覆盖 · 建立并化简全概率递推式

已覆盖 · 使用待定系数法构造等比数列

已覆盖 · 求解等比数列通项并还原为 $P_n$ 的表达式

已覆盖 · 第一问结束，准备进入第二问

已覆盖 · 片段完整覆盖了老师讲解期望总得分含义、推导第 n 轮期望表达式以及求前 n 项和的全过程。

已覆盖 · 片段完整覆盖了老师讲解如何利用递推公式求和的过程。

探索视频中的知识

已审核的主题路径

不管考不考，马尔可夫链你得会！丨 赵礼显-高考数学

把讲解展开来看。

章节

学习解说文稿

知识卡片

马尔可夫链在高考概率题中的应用

离散型随机变量分布列的规范书写

警惕：非独立同分布下误用组合数 C(n,k)C(n,k)C(n,k)

利用状态转移规则计算特定路径概率

离散型随机变量分布列的计算策略

马尔可夫链的无后效性

利用全概率公式建立递推关系

全概率公式建立递推关系

待定系数法构造等比数列

等比数列通项公式的应用

期望总得分的定义与计算思路

第 n 轮期望得分的代数化简

利用期望线性性质求前 n 项和

利用递推公式求前n项和

期望总得分的求和方法

详细学习笔记

A

B

X

P

E(X)E(X)E(X)

X

PnP_nPn​

E(X)E(X)E(X)

PnP_nPn​

x

PnP_nPn​

SnS_nSn​

马尔可夫链

离散型随机变量的分布列

数学期望

离散型随机变量的数学期望

马尔可夫链的基本特征

一阶线性递推关系

待定系数法构造等比数列

等比数列通项公式

期望总得分的计算方法

期望总得分的求和方法

等比数列求和

计算 P(X=0)P(X=0)P(X=0) 的过程

计算 P(X=1)P(X=1)P(X=1) 的分类讨论思路

PnP_nPn​ 的递推关系推导

求解数列 {PnP_nPn​} 的通项公式

第 n 轮期望得分表达式化简

前 n 轮期望总得分 SnS_nSn​ 的求和

SnS_nSn​ 的表达式推导

2026年央视春晚机器人概率题

机器人试验得分概率计算

机器人型号选择概率问题

白板手写解题过程

白板书写过程

红笔标注概率项

白板推导过程展示

板书推导过程

误用二项分布组合数

忽视计算量导致心态崩盘

递推式的适用范围

对“期望总得分”概念的误解

马尔可夫链 → 离散型随机变量的分布列

马尔可夫链的基本特征 → PnP_nPn​ 的递推关系推导

一阶线性递推关系 → 机器人型号选择概率问题

待定系数法构造等比数列 → 等比数列通项公式

期望总得分的计算方法 → 第 n 轮期望得分表达式化简

期望总得分的求和方法 → 等比数列求和

高考数学中马尔可夫链的考查频率和题型是什么？

为什么在状态相关的概率题中不能使用二项分布的组合数公式？

如何根据马尔可夫链性质求第 n 轮使用某型号的概率递推公式？

如何利用待定系数法将一阶线性递推数列转化为等比数列求通项？

如何理解题目中“前 n 轮试验的期望总得分”的含义？

如何将第 n 轮的期望得分表达式化简并求前 n 项和？

如何利用递推公式求数列的前n项和？

探索视频中的知识

同学科的更多视频

不管考不考，马尔可夫链你得会！丨赵礼显-高考数学

警惕：非独立同分布下误用组合数 $C(n,k)$

$E(X)$

$P_n$

$E(X)$

$P_n$

$P_n$

$S_n$

计算 $P(X=0)$ 的过程

计算 $P(X=1)$ 的分类讨论思路

$P_n$ 的递推关系推导

求解数列 { $P_n$ } 的通项公式

前 n 轮期望总得分 $S_n$ 的求和

$S_n$ 的表达式推导

马尔可夫链的基本特征 → $P_n$ 的递推关系推导