618 lines
24 KiB
Markdown
618 lines
24 KiB
Markdown
# 📌 第二章 随机变量及其分布 考研核心通关笔记
|
||||
|
|
|
|||
|
|
> 把"事件的语言"升级为"变量的语言"——概率论的核心抽象一步
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ① 本章核心知识框架 (Core Concept Map)
|
|||
|
|
|
|||
|
|
### 2.1 随机变量的定义与分类
|
|||
|
|
|
|||
|
|
#### 一、随机变量 $X$ 的定义
|
|||
|
|
|
|||
|
|
**定义**:设 $\Omega$ 是某随机试验的样本空间,若对 $\Omega$ 中**每个基本结果** $\omega$ 都唯一对应一个**实数** $X(\omega)$,则称 $X$ 为**随机变量**。
|
|||
|
|
|
|||
|
|
> 直观理解:随机变量是把"样本点"映射为"实数"的**函数** $X: \Omega \to \mathbb{R}$。
|
|||
|
|
|
|||
|
|
- *极简例子:* 掷一颗骰子,$X$ = "出现的点数",则 $X(\omega_1) = 1, X(\omega_2) = 2, \ldots, X(\omega_6) = 6$
|
|||
|
|
|
|||
|
|
> 🔑 **本质**:随机变量不是"变化的量",而是定义在样本空间上的**函数**。一旦引入 $X$,事件就转化为 $\{X \in I\}$($I$ 为某区间或集合)。
|
|||
|
|
|
|||
|
|
#### 二、随机变量的分类
|
|||
|
|
|
|||
|
|
| 类型 | 性质 | 描述方式 | 例子 |
|
|||
|
|
|------|------|---------|------|
|
|||
|
|
| **离散型** | 取值为**可数个**(有限或可列) | 分布律 $P(X = x_k)$ | 掷骰子点数 $X \in \{1,\ldots,6\}$ |
|
|||
|
|
| **连续型** | 取值**充满一个区间**,存在概率密度 $f(x)$ | 密度函数 $f(x)$ | 身高 $X \sim N(170, 5^2)$ |
|
|||
|
|
| **混合型** | 既有离散取值,又有连续部分 | 离散点 + 连续密度 | $P(X = 0) = 1/2$,其余均匀 |
|
|||
|
|
|
|||
|
|
> *极简例子:* $X$ = "射击命中环数"(离散),$Y$ = "电池寿命"(连续)。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 2.2 离散型随机变量及其分布律
|
|||
|
|
|
|||
|
|
#### 一、分布律
|
|||
|
|
|
|||
|
|
**定义**:离散型随机变量 $X$ 取每个可能值 $x_k$ 的概率 $P(X = x_k)$ 排成的表格:
|
|||
|
|
|
|||
|
|
| $X$ | $x_1$ | $x_2$ | $\cdots$ | $x_n$ | $\cdots$ |
|
|||
|
|
|-----|-------|-------|---------|-------|---------|
|
|||
|
|
| $P$ | $p_1$ | $p_2$ | $\cdots$ | $p_n$ | $\cdots$ |
|
|||
|
|
|
|||
|
|
**归一性**:$\sum_k p_k = 1$(必有一个发生)
|
|||
|
|
|
|||
|
|
> *极简例子:* 掷一枚公平硬币,令 $X = 1$(正面)/ $0$(反面)。分布律:$P(X=1) = P(X=0) = 1/2$。
|
|||
|
|
|
|||
|
|
#### 二、常见的离散型分布 ⭐⭐⭐
|
|||
|
|
|
|||
|
|
##### 1. **0-1 分布** $B(1,p)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = k) = p^k (1-p)^{1-k}, \quad k \in \{0, 1\}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$p \in (0,1)$(成功概率)
|
|||
|
|
- **均值/方差**:$E(X) = p$,$D(X) = p(1-p)$
|
|||
|
|
- *极简例子:* 一次伯努利试验:抛硬币正面 $p=0.5$
|
|||
|
|
|
|||
|
|
##### 2. **二项分布** $B(n, p)$ ⭐⭐⭐
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}, \quad k = 0, 1, \ldots, n
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$n$(独立重复次数),$p$(每次成功概率)
|
|||
|
|
- **均值/方差**:$E(X) = np$,$D(X) = np(1-p)$
|
|||
|
|
- **本质**:$n$ 次独立 0-1 试验中成功次数之和
|
|||
|
|
- *极简例子:* 抛 10 次硬币,正面次数 $X \sim B(10, 0.5)$
|
|||
|
|
|
|||
|
|
##### 3. **泊松分布** $P(\lambda)$ ⭐⭐⭐
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = k) = \frac{\lambda^k}{k!} e^{-\lambda}, \quad k = 0, 1, 2, \ldots
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$\lambda > 0$(单位时间/面积内平均事件数)
|
|||
|
|
- **均值/方差**:$E(X) = D(X) = \lambda$(**均值 = 方差**!)
|
|||
|
|
- **极限**:$\lim_{n \to \infty, np = \lambda} \binom{n}{k} p^k (1-p)^{n-k} = \dfrac{\lambda^k}{k!} e^{-\lambda}$(**Poisson 定理**)
|
|||
|
|
- *极简例子:* 单位时间内到达商店的顾客数 $X \sim P(5)$
|
|||
|
|
|
|||
|
|
##### 4. **几何分布** $G(p)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = k) = (1-p)^{k-1} p, \quad k = 1, 2, \ldots
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$p \in (0,1)$
|
|||
|
|
- **均值/方差**:$E(X) = \dfrac{1}{p}$,$D(X) = \dfrac{1-p}{p^2}$
|
|||
|
|
- **无记忆性**:$P(X > m + n \mid X > m) = P(X > n)$(重要性质)
|
|||
|
|
- *极简例子:* 首次命中目标所需的射击次数 $X$
|
|||
|
|
|
|||
|
|
##### 5. **超几何分布** $H(N, M, n)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = k) = \frac{\binom{M}{k} \binom{N-M}{n-k}}{\binom{N}{n}}, \quad \max(0, n - (N-M)) \le k \le \min(n, M)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$N$(总数),$M$(其中特殊元素数),$n$(抽取数)
|
|||
|
|
- **本质**:**不放回抽样**中特殊元素出现的次数
|
|||
|
|
- *极简例子:* 5 件产品 3 件正品,从中取 2 件,正品数 $X \sim H(5,3,2)$
|
|||
|
|
|
|||
|
|
> 🔑 **离散型分布识别口诀**:
|
|||
|
|
> - "**独立重复 $n$ 次**" → **二项分布** $B(n,p)$
|
|||
|
|
> - "**单位时间/面积内事件数**" → **泊松分布** $P(\lambda)$
|
|||
|
|
> - "**首次成功次数**" → **几何分布** $G(p)$
|
|||
|
|
> - "**不放回抽样**" → **超几何分布** $H(N,M,n)$
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 2.3 随机变量的分布函数 $F(x)$ ⭐⭐⭐
|
|||
|
|
|
|||
|
|
#### 一、定义
|
|||
|
|
|
|||
|
|
**分布函数**:$X$ 的取值 $\le x$ 的概率:
|
|||
|
|
$$
|
|||
|
|
F(x) = P(X \le x), \quad x \in \mathbb{R}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- 是**统一描述离散和连续随机变量**的工具
|
|||
|
|
- *极简例子:* 掷骰子 $X$,$F(2.5) = P(X \le 2.5) = P(X \in \{1,2\}) = 2/6 = 1/3$
|
|||
|
|
|
|||
|
|
#### 二、分布函数的**4 条核心性质**
|
|||
|
|
|
|||
|
|
| # | 性质 | 公式 | 含义 |
|
|||
|
|
|---|------|------|------|
|
|||
|
|
| 1 | **单调非减** | $x_1 < x_2 \Rightarrow F(x_1) \le F(x_2)$ | 不会"倒退" |
|
|||
|
|
| 2 | **有界性** | $0 \le F(x) \le 1$,$F(-\infty) = 0$,$F(+\infty) = 1$ | 渐近线 |
|
|||
|
|
| 3 | **右连续** | $F(x^+) = F(x)$(左极限 $\ge$ 函数值) | 阶梯函数跳跃点在 $x_k$,但 $F(x_k)$ 用右极限 |
|
|||
|
|
| 4 | **概率还原** | $P(x_1 < X \le x_2) = F(x_2) - F(x_1)$ | 区间概率 |
|
|||
|
|
|
|||
|
|
> 🔑 **右连续是阶梯函数的本质**:$F(x)$ 在 $x_k$ 处跳跃,跳跃高度 $= P(X = x_k)$。**离散型分布函数必然右连续**。
|
|||
|
|
|
|||
|
|
#### 三、由 $F(x)$ 求 $P$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X > a) = 1 - F(a), \quad P(X < a) = F(a^-), \quad P(a < X \le b) = F(b) - F(a)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* $F(x)$ 已知,$P(X = 2) = F(2) - F(2^-) = F(2) - \lim_{x \to 2^-} F(x)$
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 2.4 连续型随机变量与概率密度 $f(x)$ ⭐⭐⭐
|
|||
|
|
|
|||
|
|
#### 一、概率密度定义
|
|||
|
|
|
|||
|
|
**定义**:若 $F(x) = \displaystyle\int_{-\infty}^x f(t)\, dt$,则 $X$ 为连续型随机变量,$f(x)$ 为概率密度。
|
|||
|
|
|
|||
|
|
**性质**:
|
|||
|
|
1. **非负性**:$f(x) \ge 0$
|
|||
|
|
2. **归一性**:$\displaystyle\int_{-\infty}^{+\infty} f(x)\, dx = 1$
|
|||
|
|
3. $P(a \le X \le b) = \displaystyle\int_a^b f(x)\, dx$
|
|||
|
|
4. **关键**:$P(X = a) = 0$(连续型单点概率为 0!)
|
|||
|
|
|
|||
|
|
#### 二、常见的连续型分布 ⭐⭐⭐
|
|||
|
|
|
|||
|
|
##### 1. **均匀分布** $U(a,b)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f(x) = \begin{cases} \dfrac{1}{b-a}, & a \le x \le b \\ 0, & \text{其他} \end{cases}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **分布函数**:$F(x) = \begin{cases} 0, & x < a \\ \dfrac{x-a}{b-a}, & a \le x < b \\ 1, & x \ge b \end{cases}$
|
|||
|
|
- **均值/方差**:$E(X) = \dfrac{a+b}{2}$,$D(X) = \dfrac{(b-a)^2}{12}$
|
|||
|
|
- *极简例子:* 在 $[0, 1]$ 上随机取一点 $X \sim U(0,1)$
|
|||
|
|
|
|||
|
|
##### 2. **指数分布** $E(\lambda)$ ⭐⭐
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **分布函数**:$F(x) = \begin{cases} 1 - e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}$
|
|||
|
|
- **均值/方差**:$E(X) = \dfrac{1}{\lambda}$,$D(X) = \dfrac{1}{\lambda^2}$
|
|||
|
|
- **无记忆性**:$P(X > s + t \mid X > s) = P(X > t)$(与几何分布对偶)
|
|||
|
|
- *极简例子:* 电子元件寿命 $X \sim E(\lambda)$($\lambda$ 为失效率)
|
|||
|
|
|
|||
|
|
##### 3. **正态分布** $N(\mu, \sigma^2)$ ⭐⭐⭐(每年必考!)
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f(x) = \frac{1}{\sqrt{2\pi} \sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}}, \quad x \in \mathbb{R}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- **参数**:$\mu$(均值,位置参数),$\sigma^2$(方差,尺度参数)
|
|||
|
|
- **均值/方差**:$E(X) = \mu$,$D(X) = \sigma^2$
|
|||
|
|
- **分布函数**:$F(x) = \Phi\!\left(\dfrac{x - \mu}{\sigma}\right)$(标准化后查表)
|
|||
|
|
|
|||
|
|
##### 4. **标准正态** $N(0,1)$ ⭐⭐⭐
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
\varphi(x) = \frac{1}{\sqrt{2\pi}} e^{-x^2/2}, \quad \Phi(x) = \int_{-\infty}^x \varphi(t)\, dt
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**三大性质**:
|
|||
|
|
- **密度偶函数**:$\varphi(-x) = \varphi(x)$
|
|||
|
|
- **分布奇函数**:$\Phi(-x) = 1 - \Phi(x)$(**对称性**)
|
|||
|
|
- **$\Phi(0) = 0.5$**
|
|||
|
|
|
|||
|
|
##### 5. **一般正态 → 标准正态** ⭐⭐⭐(核心技法)
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
X \sim N(\mu, \sigma^2) \Rightarrow Z = \frac{X - \mu}{\sigma} \sim N(0, 1)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(a < X < b) = \Phi\!\left(\frac{b - \mu}{\sigma}\right) - \Phi\!\left(\frac{a - \mu}{\sigma}\right)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* $X \sim N(10, 4)$,求 $P(X > 12) = P(Z > 1) = 1 - \Phi(1) \approx 1 - 0.8413 = 0.1587$
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 2.5 随机变量函数的分布 ⭐⭐⭐
|
|||
|
|
|
|||
|
|
#### 一、$Y = g(X)$:离散 → 离散
|
|||
|
|
|
|||
|
|
**方法**:列出 $X$ 的可能取值 → 计算 $Y$ 的取值 → 用 $Y = g(X)$ 找概率对应关系。
|
|||
|
|
|
|||
|
|
*极简例子:* $X \sim B(2, 0.5)$($P(0) = 1/4, P(1) = 1/2, P(2) = 1/4$),$Y = X^2$。
|
|||
|
|
|
|||
|
|
| $X$ | 0 | 1 | 2 |
|
|||
|
|
|-----|---|---|---|
|
|||
|
|
| $Y=X^2$ | 0 | 1 | 4 |
|
|||
|
|
| $P$ | 1/4 | 1/2 | 1/4 |
|
|||
|
|
|
|||
|
|
合并相同 $Y$ 值:$P(Y=0) = 1/4, P(Y=1) = 1/2, P(Y=4) = 1/4$。
|
|||
|
|
|
|||
|
|
#### 二、$Y = g(X)$:连续 → 连续(**分布函数法**)
|
|||
|
|
|
|||
|
|
**两步骤**:
|
|||
|
|
1. 求 $F_Y(y) = P(Y \le y) = P(g(X) \le y) = P(X \in \{x: g(x) \le y\})$
|
|||
|
|
2. 对 $y$ 求导:$f_Y(y) = F'_Y(y)$
|
|||
|
|
|
|||
|
|
#### 三、**单调函数公式** ⭐⭐⭐
|
|||
|
|
|
|||
|
|
若 $g(x)$ 在 $X$ 取值范围内**严格单调**,且反函数 $g^{-1}(y)$ 有连续导数:
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f_Y(y) = \begin{cases} f_X(g^{-1}(y)) \cdot |(g^{-1})'(y)|, & y \in g(\mathcal{X}) \\ 0, & \text{其他} \end{cases}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* $X \sim U(0, 1)$,$Y = -\ln X$。
|
|||
|
|
|
|||
|
|
- $g^{-1}(y) = e^{-y}$,$(g^{-1})'(y) = -e^{-y}$
|
|||
|
|
- $f_Y(y) = 1 \cdot |-e^{-y}| = e^{-y}$($y > 0$),即 $Y \sim E(1)$!
|
|||
|
|
|
|||
|
|
#### 四、**卷积公式**($Z = X + Y$,连续型)
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f_Z(z) = \int_{-\infty}^{+\infty} f(x, z - x)\, dx
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
> 这是 Ch03 多维随机变量中 $X+Y$ 分布的核心,本章先建立"卷积"概念。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ② 必考题型分类索引
|
|||
|
|
|
|||
|
|
> 每个题型独立成文,包含完整 mermaid 解题流程图、通法步骤、陷阱和母题。点击链接查看详情。
|
|||
|
|
|
|||
|
|
| # | 题型 | 核心判据 | 详细笔记 |
|
|||
|
|
|---|------|---------|---------|
|
|||
|
|
| 1 | 分布律 ↔ 分布函数 | 离散型阶梯函数 $F(x)$ 的绘制与还原 | [[题型1_分布律与分布函数的关系]] |
|
|||
|
|
| 2 | 常见离散分布 | $B(n,p), P(\lambda), G(p), H(N,M,n)$ 的识别与计算 | [[题型2_常见离散分布]] |
|
|||
|
|
| 3 | 分布函数性质与求解 | $F(x)$ 的 4 条性质验证、由 $F$ 求 $P$ | [[题型3_分布函数的性质与求解]] |
|
|||
|
|
| 4 | 连续型分布与密度函数 | 均匀、指数、正态的密度与计算 | [[题型4_连续型分布与密度函数]] |
|
|||
|
|
| 5 | 正态分布的计算 | 标准化 $Z = (X-\mu)/\sigma$ + 查表 | [[题型5_正态分布的计算]] |
|
|||
|
|
| 6 | 随机变量函数(离散) | $Y = g(X)$($X$ 离散) | [[题型6_随机变量函数的分布(离散)]] |
|
|||
|
|
| 7 | 随机变量函数(连续) | $Y = g(X)$($X$ 连续):单调公式 / 卷积 | [[题型7_随机变量函数的分布(连续)]] |
|
|||
|
|
| 8 | 混合型分布律 | 离散 + 连续部分共存的随机变量 | [[题型8_混合型分布律]] |
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ③ 高频考点与多维变换
|
|||
|
|
|
|||
|
|
### Top 5 高频考点
|
|||
|
|
|
|||
|
|
| 排名 | 考点 | 近15年考频 | 典型分值 |
|
|||
|
|
|------|------|-----------|---------|
|
|||
|
|
| 1 | 正态分布的计算(标准化 + 查表 + 对称性) | 14次 | 4-10分 |
|
|||
|
|
| 2 | $Y = g(X)$ 函数的分布(连续型 + 单调公式) | 12次 | 6-12分 |
|
|||
|
|
| 3 | 常见离散分布的识别(二项 / 泊松 / 几何 / 超几何) | 10次 | 4-8分 |
|
|||
|
|
| 4 | 分布函数 $F(x)$ 的性质与还原 | 8次 | 4-6分 |
|
|||
|
|
| 5 | 均匀分布、指数分布的密度与性质 | 6次 | 4分 |
|
|||
|
|
|
|||
|
|
### 【示例:一题多角度】
|
|||
|
|
|
|||
|
|
**核心情境**:$X \sim N(\mu, \sigma^2)$,同一分布,三种考法层次
|
|||
|
|
|
|||
|
|
**角度一:选择题(概念辨析)**
|
|||
|
|
|
|||
|
|
> 设 $X \sim N(0, 1)$,则 $\Phi(-1.5) = ?$
|
|||
|
|
> - (A) $\Phi(1.5)$
|
|||
|
|
> - (B) $1 - \Phi(1.5)$
|
|||
|
|
> - (C) $1 + \Phi(1.5)$
|
|||
|
|
> - (D) $2\Phi(1.5)$
|
|||
|
|
|
|||
|
|
**答案**:(B) — 由 $\Phi(-x) = 1 - \Phi(x)$。
|
|||
|
|
|
|||
|
|
**角度二:填空题(直接计算)**
|
|||
|
|
|
|||
|
|
> $X \sim N(10, 4)$,求 $P(X > 14)$。
|
|||
|
|
> $$
|
|||
|
|
> P(X > 14) = 1 - \Phi\!\left(\frac{14 - 10}{2}\right) = 1 - \Phi(2) \approx 1 - 0.9772 = 0.0228
|
|||
|
|
> $$
|
|||
|
|
|
|||
|
|
**角度三:解答题(综合应用)**
|
|||
|
|
|
|||
|
|
> 设 $X \sim N(\mu, \sigma^2)$,求 $P(|X - \mu| < 2\sigma)$。
|
|||
|
|
> $$
|
|||
|
|
> P(|X - \mu| < 2\sigma) = P(-2\sigma < X - \mu < 2\sigma) = \Phi(2) - \Phi(-2) = 2\Phi(2) - 1
|
|||
|
|
> $$
|
|||
|
|
> $$
|
|||
|
|
> \approx 2 \times 0.9772 - 1 = 0.9544
|
|||
|
|
> $$
|
|||
|
|
|
|||
|
|
**启示**:
|
|||
|
|
- **选择题** 考"$\Phi$ 对称性"公式
|
|||
|
|
- **填空题** 考"标准化 + 查表"流程
|
|||
|
|
- **解答题** 考"区间概率 + 对称性 + 数字特征"综合
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ④ 方法论与解题通法 (Methodology)
|
|||
|
|
|
|||
|
|
### 方法〇:随机变量问题的"五步决策树"
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
随机变量问题
|
|||
|
|
├── 第一步:识别类型
|
|||
|
|
│ ├── 离散型(取值可数)→ 分布律
|
|||
|
|
│ ├── 连续型(取值连续)→ 密度函数
|
|||
|
|
│ └── 混合型(两者并存)→ 分段讨论
|
|||
|
|
├── 第二步:确认已知分布
|
|||
|
|
│ ├── 0-1 / 二项 / 泊松 / 几何 / 超几何
|
|||
|
|
│ └── 均匀 / 指数 / 正态
|
|||
|
|
├── 第三步:所求目标
|
|||
|
|
│ ├── 求概率 → P(X ∈ I) = Σ P(X=xk) 或 ∫ f(x)dx
|
|||
|
|
│ ├── 求 F(x) → F(x) = P(X≤x)
|
|||
|
|
│ ├── 求 P(X=a) → 离散非0, 连续为0
|
|||
|
|
│ └── 求 Y=g(X) → 列取值 / 单调公式 / 卷积
|
|||
|
|
├── 第四步:套公式
|
|||
|
|
│ ├── 离散:Σ pk = 1 验证
|
|||
|
|
│ ├── 连续:∫ f(x)dx = 1 验证
|
|||
|
|
│ └── 正态:标准化 Z = (X-μ)/σ
|
|||
|
|
└── 第五步:化简 / 查表
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 方法一:离散型分布的"识别三问"
|
|||
|
|
|
|||
|
|
**第一问**:是否独立重复?次数固定? → **二项分布** $B(n,p)$
|
|||
|
|
**第二问**:单位时间/面积事件数?是否稀疏? → **泊松分布** $P(\lambda)$
|
|||
|
|
**第三问**:是否"首次成功"? → **几何分布** $G(p)$
|
|||
|
|
|
|||
|
|
> **不放回** → 超几何分布;**放回** → 二项分布
|
|||
|
|
|
|||
|
|
*极简例子:* "100 件产品中有 5 件次品,每次取 1 件**放回**取 3 次" → $B(3, 0.05)$;"**不放回**取 3 件" → $H(100, 5, 3)$
|
|||
|
|
|
|||
|
|
### 方法二:连续型分布的"形态判别"
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
密度函数 f(x)
|
|||
|
|
├── 区间内常数 → 均匀分布 U(a,b)
|
|||
|
|
├── x≥0 时 λe^(-λx) → 指数分布 E(λ)
|
|||
|
|
└── 钟形对称曲线 → 正态分布 N(μ, σ²)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 方法三:正态分布的"标准化四步法"
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
任何 N(μ, σ²) 问题
|
|||
|
|
├── 第1步:写 Z = (X-μ)/σ
|
|||
|
|
├── 第2步:P(a<X<b) = Φ((b-μ)/σ) - Φ((a-μ)/σ)
|
|||
|
|
├── 第3步:Φ(-x) = 1 - Φ(x) 处理负号
|
|||
|
|
└── 第4步:查 Φ 表
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
**常用表值**(必记):
|
|||
|
|
- $\Phi(0) = 0.5$
|
|||
|
|
- $\Phi(1) = 0.8413$
|
|||
|
|
- $\Phi(1.96) = 0.975$
|
|||
|
|
- $\Phi(2) = 0.9772$
|
|||
|
|
- $\Phi(3) \approx 0.9987$
|
|||
|
|
|
|||
|
|
> 口诀:"**1.96 是 95%,2.58 是 99%**"(区间估计核心点)
|
|||
|
|
|
|||
|
|
### 方法四:$Y = g(X)$ 函数的"三策略"
|
|||
|
|
|
|||
|
|
| 策略 | 适用场景 | 关键公式 |
|
|||
|
|
|------|---------|---------|
|
|||
|
|
| **列取值法** | $X$ 离散 | $P(Y = g(x_k)) = p_k$,合并相同值 |
|
|||
|
|
| **分布函数法** | $X$ 连续,$g$ 复杂 | $F_Y(y) = P(g(X) \le y)$,再求导 |
|
|||
|
|
| **单调公式** | $X$ 连续,$g$ 严格单调可导 | $f_Y(y) = f_X(g^{-1}(y)) \cdot |(g^{-1})'(y)|$ |
|
|||
|
|
|
|||
|
|
### 方法五:跨章节通法速查表
|
|||
|
|
|
|||
|
|
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|
|||
|
|
|---------|------------|------------|---------|
|
|||
|
|
| **离散型识别** | $B, P, G, H$ 四大分布 | Ch03 多维离散分布(联合 + 边缘)| 取值可数 |
|
|||
|
|
| **连续型积分** | $\int f(x) dx = 1$ | Ch03 二维正态联合密度 | 归一性 |
|
|||
|
|
| **标准化变换** | $Z = (X-\mu)/\sigma$ | Ch04 正态样本均值 $\bar{X}$ | 正态化归一 |
|
|||
|
|
| **单调函数公式** | $f_Y(y) = f_X(x) / |g'(x)|$ | Ch03 极坐标变换 | $g$ 单调可逆 |
|
|||
|
|
| **卷积公式** | $f_Z(z) = \int f(x) f(z-x) dx$ | Ch03 $X+Y$ 分布 | 加法运算 |
|
|||
|
|
| **条件概率思维** | $F(x) = P(X \le x)$ | Ch03 条件分布 $F(x \mid y)$ | 已知部分信息 |
|
|||
|
|
|
|||
|
|
### 方法六:分布函数 $F(x)$ 与密度 $f(x)$ 的"双向转换"
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
已知 f(x) → 求 F(x)
|
|||
|
|
└── F(x) = ∫_{-∞}^x f(t) dt(积分下限 -∞)
|
|||
|
|
|
|||
|
|
已知 F(x) → 求 f(x)
|
|||
|
|
└── f(x) = F'(x) 在 F 可导处(连续点)
|
|||
|
|
└── F 的跳跃高度 = 该点的概率质量
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
> 注意:连续型 $F$ 一定连续;离散型 $F$ 必有跳跃点(跳跃点 = 取值点)。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ⑤ 易错点红黑榜 (The Pitfall List)
|
|||
|
|
|
|||
|
|
### ❌ 错误 1:连续型 $P(X = a) \neq 0$ 的误判
|
|||
|
|
|
|||
|
|
- **错误表现**:认为 $P(X = a)$ 一定等于 0
|
|||
|
|
- **正确理解**:仅当 $X$ 是**连续型**时,$P(X = a) = 0$;离散型 $P(X = a) > 0$
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ "X ~ U(0,1), 求 P(X = 0.5)" → 0.5 (错!)
|
|||
|
|
✅ "X ~ U(0,1), P(X = 0.5) = 0" (单点长度为 0)
|
|||
|
|
✅ "X ~ B(5, 0.3), P(X = 2) = C₅² × 0.3² × 0.7³" (离散型非 0)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 2:分布律不归一($\sum p_k \neq 1$)
|
|||
|
|
|
|||
|
|
- **错误表现**:写出分布律但忘了 $\sum p_k = 1$,求参数时漏掉这个方程
|
|||
|
|
- **正确理解**:离散型分布律**必须满足归一性**——这是求未知参数的核心方程
|
|||
|
|
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ 已知 P(X=0)=a, P(X=1)=2a, P(X=2)=3a,求 a → a = 1/2(忘了归一)
|
|||
|
|
✅ a + 2a + 3a = 1 → 6a = 1 → a = 1/6
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 3:正态标准化忘除 $\sigma$
|
|||
|
|
|
|||
|
|
- **错误表现**:$X \sim N(\mu, \sigma^2)$,求 $P(X < b)$ 时直接写成 $\Phi(b - \mu)$
|
|||
|
|
- **正确理解**:必须除以 $\sigma$:$Z = \dfrac{X - \mu}{\sigma} \sim N(0,1)$
|
|||
|
|
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ X ~ N(10, 4), P(X < 14) = Φ(14 - 10) = Φ(4) ≈ 1 (错!概率不应是 1)
|
|||
|
|
✅ P(X < 14) = Φ((14 - 10)/2) = Φ(2) ≈ 0.9772
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 4:$\Phi(x)$ 对称性写反
|
|||
|
|
|
|||
|
|
- **错误表现**:$\Phi(-x) = \Phi(x)$
|
|||
|
|
- **正确理解**:$\varphi(-x) = \varphi(x)$(**密度偶对称**),但 $\Phi(-x) = 1 - \Phi(x)$(**分布反对称**)
|
|||
|
|
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ φ(-1) ≠ φ(1) (错!φ 是偶函数)
|
|||
|
|
❌ Φ(-1) = Φ(1) (错!)
|
|||
|
|
✅ φ(-1) = φ(1) ≈ 0.2420
|
|||
|
|
✅ Φ(-1) = 1 - Φ(1) ≈ 0.1587
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 5:$Y = g(X)$ 漏写"$y \in g(\mathcal{X})$" 的取值范围
|
|||
|
|
|
|||
|
|
- **错误表现**:写出 $f_Y(y)$ 公式但忘了标注 $y$ 的取值范围
|
|||
|
|
- **正确理解**:$f_Y(y)$ 必须明确分段($y \in$ 取值范围时成立,否则为 0)
|
|||
|
|
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ fY(y) = 1/2√y, y > 0 (范围模糊)
|
|||
|
|
✅ fY(y) = 1/2√y, y ∈ (0, 1);0,其他 (明确分段)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 6:泊松分布与二项分布混淆
|
|||
|
|
|
|||
|
|
- **错误表现**:题目说"每小时平均到达 2 人"误用二项公式 $C_n^k p^k (1-p)^{n-k}$
|
|||
|
|
- **正确理解**:
|
|||
|
|
- **离散单位时间内事件数** → 泊松 $P(\lambda)$
|
|||
|
|
- **$n$ 次独立 0-1 试验中成功次数** → 二项 $B(n, p)$
|
|||
|
|
- $n$ 大 $p$ 小时,二项 $\to$ 泊松(极限)
|
|||
|
|
|
|||
|
|
### ❌ 错误 7:超几何 vs 二项混用(放回 vs 不放回)
|
|||
|
|
|
|||
|
|
- **错误表现**:"从 $N$ 件产品中取 $n$ 件"一律用 $B(n, p)$
|
|||
|
|
- **正确理解**:**不放回抽样**用超几何 $H(N, M, n)$;**放回抽样**才能用二项 $B(n, p)$
|
|||
|
|
|
|||
|
|
- **【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ "10 件产品有 2 件次品,不放回取 3 件,求正品数" → B(3, 0.8)
|
|||
|
|
✅ "不放回取 3 件" → H(10, 8, 3) 或 二项近似当 n/N 小
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ⑥ 考研导向复习策略 (Exam Strategy)
|
|||
|
|
|
|||
|
|
### 优先级与建议题量
|
|||
|
|
|
|||
|
|
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|
|||
|
|
|--------|--------|-----------|------|
|
|||
|
|
| 正态分布的计算 | **高** | 25+ 道 | 每年必考 4-10 分 |
|
|||
|
|
| $Y = g(X)$ 连续函数分布 | **高** | 30+ 道 | 12 分大题主力 |
|
|||
|
|
| 二项 / 泊松的识别与计算 | **高** | 20 道 | 与 Ch04 大数定律直接关联 |
|
|||
|
|
| 分布函数 $F(x)$ 性质 | **中** | 10 道 | 概念题与小填空 |
|
|||
|
|
| 离散型 vs 连续型辨析 | **中** | 8 道 | 概念辨析高频 |
|
|||
|
|
| 均匀分布、指数分布 | **中** | 8 道 | 套路固定 |
|
|||
|
|
| 几何、超几何分布 | **低** | 4 道 | 偶考小题 |
|
|||
|
|
|
|||
|
|
### 跨章节连接
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
┌─────────────────────────────────┐
|
|||
|
|
│ 本章 (Ch02) 随机变量及其分布 │
|
|||
|
|
│ · 随机变量(离散/连续/混合) │
|
|||
|
|
│ · 常见分布(B/P/G/H/U/E/N) │
|
|||
|
|
│ · 分布函数 F(x) │
|
|||
|
|
│ · Y = g(X) 函数的分布 │
|
|||
|
|
└───────────────┬─────────────────┘
|
|||
|
|
│
|
|||
|
|
┌───────────────┬───────────────┼───────────────┬───────────────┐
|
|||
|
|
↓ ↓ ↓ ↓ ↓
|
|||
|
|
Ch01 概率概念 Ch03 多维随机 Ch04 数字特征 Ch05 大数定律 Ch06 数理统计
|
|||
|
|
P(A) ↔ P(X∈I) 联合分布↔独立 E(X)=∫xf(x)dx X̄→μ 依概率 样本→总体
|
|||
|
|
全概率↔混合型 边缘分布F(x) D(X)=∫(x-μ)²f 中心极限定理 参数估计
|
|||
|
|
独立性↔X⊥Y 条件分布F(x|y) 协方差/相关系数 正态近似泊松 假设检验
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
#### 🔥 跨章节综合题命题模式
|
|||
|
|
|
|||
|
|
**模式 1:正态分布 + 数字特征**
|
|||
|
|
> 例题:$X \sim N(\mu, \sigma^2)$,求 $Y = aX + b$ 的分布。
|
|||
|
|
> **解**:$Y \sim N(a\mu + b, a^2 \sigma^2)$(**正态的线性变换仍正态**)
|
|||
|
|
> **考点**:正态性质 + 期望方差的线性性。
|
|||
|
|
|
|||
|
|
**模式 2:$Y = g(X)$ + 期望**
|
|||
|
|
> 例题:$X \sim E(\lambda)$,求 $Y = X^2$ 的密度和 $E(Y)$。
|
|||
|
|
> **解**:单调公式 $f_Y(y) = f_X(\sqrt{y}) \cdot \dfrac{1}{2\sqrt{y}} = \lambda e^{-\lambda \sqrt{y}} \cdot \dfrac{1}{2\sqrt{y}}$
|
|||
|
|
> **考点**:函数分布 + Ch04 期望计算。
|
|||
|
|
|
|||
|
|
**模式 3:二项 + 大数定律 / 中心极限定理**
|
|||
|
|
> 例题:$X_i \sim B(1, p)$ 独立,求 $\bar{X}_n = \dfrac{1}{n} \sum X_i$ 的极限分布。
|
|||
|
|
> **解**:$\bar{X}_n \xrightarrow{d} N(p, p(1-p)/n)$
|
|||
|
|
> **考点**:Ch05 中心极限定理,二项分布的标准化。
|
|||
|
|
|
|||
|
|
**模式 4:指数分布 + 无记忆性**
|
|||
|
|
> 例题:电子元件寿命 $X \sim E(\lambda)$,求 $P(X > 100 \mid X > 50)$。
|
|||
|
|
> **解**:$P(X > 100 \mid X > 50) = P(X > 50) = e^{-50\lambda}$(无记忆性)
|
|||
|
|
> **考点**:指数分布无记忆性 + 条件概率。
|
|||
|
|
|
|||
|
|
#### 🔗 与其他章节的衔接
|
|||
|
|
|
|||
|
|
| 本章概念 | Ch03 对应 | Ch04 对应 | Ch05 对应 |
|
|||
|
|
|---------|----------|----------|----------|
|
|||
|
|
| 分布律 $P(X=x_k)$ | 联合分布律 $P(X=x, Y=y)$ | $E(X) = \sum x_k p_k$ | 大数定律 |
|
|||
|
|
| 密度 $f(x)$ | 联合密度 $f(x,y)$ | $E(X) = \int xf(x) dx$ | 中心极限定理 |
|
|||
|
|
| 分布函数 $F(x)$ | 边缘 $F_X(x) = F(x, +\infty)$ | $F$ 与数字特征 | 经验分布 |
|
|||
|
|
| 标准化 $Z=(X-\mu)/\sigma$ | 二维正态标准化 | $\bar{X}$ 的标准化 | CLT 标准形式 |
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 【终极母题推荐】
|
|||
|
|
|
|||
|
|
> **题目**:设随机变量 $X$ 的密度函数为
|
|||
|
|
> $$f(x) = \begin{cases} cx, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
|
|||
|
|
>
|
|||
|
|
> (1) 求常数 $c$;
|
|||
|
|
> (2) 求 $X$ 的分布函数 $F(x)$;
|
|||
|
|
> (3) 求 $Y = -\ln X$ 的密度函数 $f_Y(y)$。
|
|||
|
|
|
|||
|
|
**此题融合**:
|
|||
|
|
- **连续型密度的归一性**(求 $c$)
|
|||
|
|
- **分布函数 $F(x)$** 的分段计算
|
|||
|
|
- **$Y = g(X)$ 单调函数公式**($Y = -\ln X$ 是严格单调递减)
|
|||
|
|
- **概率论三大核心技法**(积分 / 分段 / 变量替换)
|
|||
|
|
|
|||
|
|
**标准解法**:
|
|||
|
|
|
|||
|
|
(1) **归一性**求 $c$:
|
|||
|
|
$$
|
|||
|
|
1 = \int_0^1 cx\, dx = \frac{c}{2} \Rightarrow c = 2
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
(2) **分布函数**(分段):
|
|||
|
|
$$
|
|||
|
|
F(x) = \begin{cases} 0, & x < 0 \\ x^2, & 0 \le x < 1 \\ 1, & x \ge 1 \end{cases}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
(3) **单调公式**:$Y = -\ln X$ 在 $(0,1)$ 上严格递减。
|
|||
|
|
- $y \ge 0$(因 $X \in (0,1)$,$-\ln X \in (0, +\infty)$)
|
|||
|
|
- 反函数:$x = e^{-y}$,$(g^{-1})'(y) = -e^{-y}$
|
|||
|
|
$$
|
|||
|
|
f_Y(y) = f_X(e^{-y}) \cdot |-e^{-y}| = 2 e^{-y} \cdot e^{-y} = 2 e^{-2y}, \quad y > 0
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**结论**:$Y \sim E(2)$(指数分布)。
|
|||
|
|
|
|||
|
|
**为什么这是"终极母题"**:
|
|||
|
|
✅ 连续型密度的**归一性** → 求参数
|
|||
|
|
✅ **分布函数** $F(x)$ 的**分段构造** → 本章核心
|
|||
|
|
✅ **单调函数公式** → $Y = g(X)$ 章节核心
|
|||
|
|
✅ 综合了"积分 → 分段 → 变量替换"三大技法
|
|||
|
|
|
|||
|
|
**🔗 这道题的延伸方向**:
|
|||
|
|
- Ch04:求 $E(X), D(X), E(Y), D(Y)$
|
|||
|
|
- Ch05:$X_1, \ldots, X_n$ i.i.d. 求 $\bar{X}$ 的渐近分布
|
|||
|
|
- Ch08:估计参数 $c$ 的最大似然估计
|
|||
|
|
|
|||
|
|
**这道题做完且理解透彻 → 本章"通关"。**
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
> **下一步**:完成后可进入 [[Ch03_多维随机变量及其分布/Ch03_Multivariate_Random_Variables|Ch03 多维随机变量及其分布]],单变量将升级为联合分布、边缘分布和条件分布。
|