471 lines
18 KiB
Markdown
471 lines
18 KiB
Markdown
# 📌 第三章 多维随机变量及其分布 考研核心通关笔记
|
||||
|
|
|
|||
|
|
> 从一维到多维——随机变量的"组合"理论,所有联合分析的基础
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ① 本章核心知识框架 (Core Concept Map)
|
|||
|
|
|
|||
|
|
### 3.1 二维随机变量(联合分布)
|
|||
|
|
|
|||
|
|
#### 一、二维随机变量的定义
|
|||
|
|
|
|||
|
|
**定义**:设 $E$ 是随机试验,$\Omega$ 是样本空间,$X = X(\omega), Y = Y(\omega)$ 是定义在 $\Omega$ 上的两个随机变量,则 $(X, Y)$ 称为**二维随机变量**(随机向量)。
|
|||
|
|
|
|||
|
|
- *极简例子:* 随机掷一颗骰子,$X$ = 点数,$Y$ = 是否偶数 → $(X, Y)$ 是二维随机变量
|
|||
|
|
|
|||
|
|
#### 二、联合分布函数 $F(x, y)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
F(x, y) = P(X \le x, Y \le y)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**4 条性质**:
|
|||
|
|
1. **单调性**:$F$ 关于每个自变量单调不减
|
|||
|
|
2. **右连续性**:$F$ 关于每个自变量右连续
|
|||
|
|
3. **范围**:$0 \le F(x, y) \le 1$
|
|||
|
|
4. **边界**:$F(-\infty, y) = 0$,$F(x, -\infty) = 0$,$F(-\infty, -\infty) = 0$,$F(+\infty, +\infty) = 1$
|
|||
|
|
|
|||
|
|
#### 三、离散型联合分布律
|
|||
|
|
|
|||
|
|
设 $(X, Y)$ 只取有限/可列对 $(x_i, y_j)$,定义
|
|||
|
|
$$
|
|||
|
|
P(X = x_i, Y = y_j) = p_{ij} \ge 0, \quad \sum_i \sum_j p_{ij} = 1
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- *极简例子:* 摸 2 球(白 1 / 黑 2),$X$ = 白球数,$Y$ = 黑球数,$p_{ij}$ 由超几何分布给出
|
|||
|
|
|
|||
|
|
#### 四、连续型联合密度 $f(x, y)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
F(x, y) = \int_{-\infty}^x \int_{-\infty}^y f(u, v) \, du \, dv
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**2 条性质**:
|
|||
|
|
1. $f(x, y) \ge 0$
|
|||
|
|
2. $\displaystyle\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty} f(x, y) \, dx \, dy = 1$
|
|||
|
|
|
|||
|
|
> 🔑 **几何意义**:$P((X,Y) \in D) = \iint_D f(x,y) \, dx \, dy$($D$ 是平面区域)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 3.2 边缘分布(由联合推导每个变量单独的分布)
|
|||
|
|
|
|||
|
|
#### 一、边缘分布函数
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
F_X(x) = P(X \le x) = P(X \le x, Y < +\infty) = F(x, +\infty)
|
|||
|
|
$$
|
|||
|
|
$$
|
|||
|
|
F_Y(y) = F(+\infty, y)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
#### 二、离散型边缘分布律
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X = x_i) = \sum_{j} p_{ij} \quad \text{(对 $j$ 求和,"压扁" 到 $X$)}
|
|||
|
|
$$
|
|||
|
|
$$
|
|||
|
|
P(Y = y_j) = \sum_{i} p_{ij} \quad \text{(对 $i$ 求和,"压扁" 到 $Y$)}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
#### 三、连续型边缘密度
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
f_X(x) = \int_{-\infty}^{+\infty} f(x, y) \, dy \qquad
|
|||
|
|
f_Y(y) = \int_{-\infty}^{+\infty} f(x, y) \, dx
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* $f(x, y) = \dfrac{6}{(x+y+1)^4}$($x \ge 0, y \ge 0$),则
|
|||
|
|
$f_X(x) = \int_0^\infty \dfrac{6}{(x+y+1)^4} dy = \dfrac{2}{(x+1)^3}$($x \ge 0$)
|
|||
|
|
|
|||
|
|
> 🔑 **核心**:联合 $\Rightarrow$ 边缘是**单向**的(求和/积分)。反之,**两个边缘**不能唯一确定联合。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 3.3 条件分布
|
|||
|
|
|
|||
|
|
#### 一、条件分布律(离散型)
|
|||
|
|
|
|||
|
|
设 $P(Y = y_j) > 0$,则
|
|||
|
|
$$
|
|||
|
|
P(X = x_i \mid Y = y_j) = \frac{P(X = x_i, Y = y_j)}{P(Y = y_j)} = \frac{p_{ij}}{p_{\cdot j}}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
- *极简例子:* $p_{11} = 0.1, p_{12} = 0.2, p_{21} = 0.3, p_{22} = 0.4$,则 $P(X=1|Y=1) = 0.1/(0.1+0.2) = 1/3$
|
|||
|
|
|
|||
|
|
#### 二、条件密度(连续型)
|
|||
|
|
|
|||
|
|
设 $f_Y(y) > 0$,则
|
|||
|
|
$$
|
|||
|
|
f_{X|Y}(x \mid y) = \frac{f(x, y)}{f_Y(y)}, \qquad f_{Y|X}(y \mid x) = \frac{f(x, y)}{f_X(x)}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**条件分布函数**:
|
|||
|
|
$$
|
|||
|
|
F_{X|Y}(x \mid y) = \int_{-\infty}^x f_{X|Y}(u \mid y) \, du = \int_{-\infty}^x \frac{f(u, y)}{f_Y(y)} du
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
> 🔑 **本质**:条件分布 = 联合分布除以"条件事件"的密度。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 3.4 随机变量的独立性 ⭐⭐⭐
|
|||
|
|
|
|||
|
|
#### 一、离散型独立
|
|||
|
|
|
|||
|
|
$X, Y$ 独立 $\iff$ 对所有 $i, j$:
|
|||
|
|
$$
|
|||
|
|
P(X = x_i, Y = y_j) = P(X = x_i) \cdot P(Y = y_j)
|
|||
|
|
$$
|
|||
|
|
即 $p_{ij} = p_{i\cdot} \cdot p_{\cdot j}$
|
|||
|
|
|
|||
|
|
#### 二、连续型独立
|
|||
|
|
|
|||
|
|
$X, Y$ 独立 $\iff$ 对所有 $x, y$:
|
|||
|
|
$$
|
|||
|
|
f(x, y) = f_X(x) \cdot f_Y(y)
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
#### 三、独立性的判定步骤
|
|||
|
|
|
|||
|
|
1. 求联合分布(律或密度)
|
|||
|
|
2. 求边缘分布
|
|||
|
|
3. 验证乘积公式
|
|||
|
|
|
|||
|
|
#### 四、独立性的重要推论
|
|||
|
|
|
|||
|
|
| 若 $X, Y$ 独立 | 则 |
|
|||
|
|
|------------|------|
|
|||
|
|
| $f(x,y) = f_X(x) f_Y(y)$ | 联合可分解 |
|
|||
|
|
| $E(XY) = E(X) E(Y)$ | 期望可分离 |
|
|||
|
|
| $\text{Cov}(X, Y) = 0$ | 协方差为零 |
|
|||
|
|
| $D(X+Y) = D(X) + D(Y)$ | 方差可加 |
|
|||
|
|
| $X+Y$ 的分布 = 卷积 | 卷积公式简化 |
|
|||
|
|
|
|||
|
|
> ⚠️ **反例**:$f(x,y) = \dfrac{1}{2\pi \sigma_1 \sigma_2 \sqrt{1-\rho^2}} e^{-\frac{1}{2(1-\rho^2)}[\frac{(x-\mu_1)^2}{\sigma_1^2} - \frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2} + \frac{(y-\mu_2)^2}{\sigma_2^2}]}$(二维正态)
|
|||
|
|
> 当 $\rho = 0$ 时**才**独立,$\rho \ne 0$ 时不独立!
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 3.5 两个随机变量的函数的分布
|
|||
|
|
|
|||
|
|
#### 一、$Z = X + Y$ 的分布(卷积公式)
|
|||
|
|
|
|||
|
|
**离散型**:
|
|||
|
|
$$
|
|||
|
|
P(Z = z_k) = \sum_{i+j=k} P(X = x_i, Y = y_j) = \sum_i p_{i, k-i}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**连续型**(卷积公式 ⭐⭐⭐):
|
|||
|
|
$$
|
|||
|
|
f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x) \, dx = \int_{-\infty}^{+\infty} f(z-y, y) \, dy
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* $X \sim U(0,1), Y \sim U(0,1)$ 独立,则 $Z = X+Y$ 的密度:
|
|||
|
|
- $z \in [0,1]$: $f_Z(z) = z$
|
|||
|
|
- $z \in [1,2]$: $f_Z(z) = 2-z$
|
|||
|
|
- 三角形分布(梯形)
|
|||
|
|
|
|||
|
|
#### 二、$Z = \max(X, Y)$ 与 $W = \min(X, Y)$
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
F_{\max}(z) = F_X(z) F_Y(z) \qquad \text{(独立时)}
|
|||
|
|
$$
|
|||
|
|
$$
|
|||
|
|
F_{\min}(w) = 1 - (1 - F_X(w))(1 - F_Y(w)) \qquad \text{(独立时)}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
*极简例子:* 两元件寿命 $X, Y$ 独立同为指数 $E(\lambda)$,则系统串联寿命 $= \min$,$F_{\min}(t) = 1 - e^{-2\lambda t}$(即 $E(2\lambda)$);并联寿命 $= \max$,$F_{\max}(t) = (1-e^{-\lambda t})^2$。
|
|||
|
|
|
|||
|
|
#### 三、其他函数
|
|||
|
|
|
|||
|
|
| $Z = $ | 分布 |
|
|||
|
|
|--------|------|
|
|||
|
|
| $X + Y$ | 卷积 |
|
|||
|
|
| $\max(X,Y)$ | $F_X(z) F_Y(z)$ |
|
|||
|
|
| $\min(X,Y)$ | $1 - (1-F_X)(1-F_Y)$ |
|
|||
|
|
| $\dfrac{Y}{X}$ | $\int \int f(x, y) dx$ 后代换 |
|
|||
|
|
| $X^2 + Y^2$ | 极坐标变换($\chi^2$ 分布)|
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 3.6 重要特殊分布
|
|||
|
|
|
|||
|
|
#### 一、二维均匀分布
|
|||
|
|
|
|||
|
|
$D$ 是平面有界区域,面积 $S_D$,则
|
|||
|
|
$$
|
|||
|
|
f(x, y) = \begin{cases} 1/S_D, & (x,y) \in D \\ 0, & \text{其他} \end{cases}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
#### 二、二维正态分布
|
|||
|
|
|
|||
|
|
$X \sim N(\mu_1, \sigma_1^2), Y \sim N(\mu_2, \sigma_2^2)$,联合密度 $N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$。
|
|||
|
|
|
|||
|
|
**5 个核心结论**:
|
|||
|
|
1. 边缘分布 $X \sim N(\mu_1, \sigma_1^2)$, $Y \sim N(\mu_2, \sigma_2^2)$(与 $\rho$ 无关!)
|
|||
|
|
2. 条件分布 $Y|X \sim N\left(\mu_2 + \rho \frac{\sigma_2}{\sigma_1}(X-\mu_1), \sigma_2^2(1-\rho^2)\right)$
|
|||
|
|
3. $aX + bY \sim N(a\mu_1 + b\mu_2, a^2\sigma_1^2 + b^2\sigma_2^2 + 2ab\rho\sigma_1\sigma_2)$
|
|||
|
|
4. $X, Y$ 独立 $\iff \rho = 0$(二维正态下的充要条件)
|
|||
|
|
5. 协方差矩阵正定
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ② 必考题型分类索引
|
|||
|
|
|
|||
|
|
| # | 题型 | 核心判据 | 详细笔记 |
|
|||
|
|
|---|------|---------|---------|
|
|||
|
|
| 1 | 联合分布律与边缘分布 | 离散型 $(X,Y)$ 的联合 → 边缘 | [[题型1_联合分布律与边缘分布]] |
|
|||
|
|
| 2 | 联合密度与边缘密度 | 连续型 $f(x,y)$ → $f_X(x)$ | [[题型2_联合密度与边缘密度]] |
|
|||
|
|
| 3 | 条件分布的计算 | 条件分布律 / 条件密度 | [[题型3_条件分布的计算]] |
|
|||
|
|
| 4 | 独立性判定 | $p_{ij} = p_{i\cdot}p_{\cdot j}$ / $f(x,y) = f_X(x) f_Y(y)$ | [[题型4_随机变量的独立性判定]] |
|
|||
|
|
| 5 | 二维均匀分布与正态分布 | 特殊分布的 5 个核心结论 | [[题型5_二维均匀分布与正态分布]] |
|
|||
|
|
| 6 | 两个随机变量和的分布 | 卷积公式 | [[题型6_两个随机变量和的分布]] |
|
|||
|
|
| 7 | 最大最小值的分布 | $\max/\min$ 的 $F$ | [[题型7_最大最小值的分布]] |
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 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 | 卷积公式(和的分布) | 10次 | 4-10分 |
|
|||
|
|
| 2 | 独立性的判定与应用 | 8次 | 4分 |
|
|||
|
|
| 3 | 边缘分布的求解 | 6次 | 4分 |
|
|||
|
|
| 4 | 二维正态分布 | 5次 | 4分 |
|
|||
|
|
| 5 | 条件分布 | 4次 | 4分 |
|
|||
|
|
|
|||
|
|
### 【示例:一题多角度】
|
|||
|
|
|
|||
|
|
**核心概念**:二维均匀分布的独立性判定
|
|||
|
|
|
|||
|
|
> **同一情境**:$(X, Y)$ 在区域 $D: 0 \le x \le 1, 0 \le y \le 1$ 上均匀分布,求 $X+Y > 1$ 的概率。
|
|||
|
|
|
|||
|
|
**角度一:选择题(概念辨析)**
|
|||
|
|
|
|||
|
|
下列命题哪个正确?
|
|||
|
|
- (A) $X, Y$ 独立 ✓/✗?
|
|||
|
|
- (B) $X+Y \sim U(0, 2)$ ✓/✗?
|
|||
|
|
- (C) $f_X(x) = 1$($x \in [0,1]$)✓/✗?
|
|||
|
|
|
|||
|
|
**答案**:(A) 正确;(B) 错误——$X+Y$ 是三角形分布(卷积结果);(C) 正确——边缘密度是均匀。
|
|||
|
|
|
|||
|
|
**角度二:填空题(直接计算)**
|
|||
|
|
|
|||
|
|
$$
|
|||
|
|
P(X+Y > 1) = \iint_{x+y>1, 0 \le x,y \le 1} 1 \, dx \, dy = 1 - \frac{1}{2} = \frac{1}{2}
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**角度三:解答题(卷积公式)**
|
|||
|
|
|
|||
|
|
$f_Z(z) = \int_0^1 f(x, z-x) dx = \int_{\max(0, z-1)}^{\min(1, z)} 1 \, dx$
|
|||
|
|
- $z \in [0,1]$: $f_Z(z) = z$
|
|||
|
|
- $z \in [1,2]$: $f_Z(z) = 2-z$
|
|||
|
|
|
|||
|
|
**启示**:二维均匀分布是学习联合分布、独立性、卷积的"标本模型"。它的所有性质应烂熟于心。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ④ 方法论与解题通法 (Methodology)
|
|||
|
|
|
|||
|
|
### 方法〇:多维随机变量的"五层决策树"
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
联合分布题
|
|||
|
|
├── 第〇步:定型(离散/连续)
|
|||
|
|
├── 第一步:求联合分布(律或密度)
|
|||
|
|
│ ├── 已知 → 直接用
|
|||
|
|
│ ├── 已知边缘 + 独立 → 联合 = 边缘之积
|
|||
|
|
│ └── 已知密度 + 条件 → 联合 = 边缘 × 条件
|
|||
|
|
├── 第二步:求边缘分布
|
|||
|
|
│ ├── 离散:求和(按行/列加)
|
|||
|
|
│ └── 连续:积分(对另一变量积分)
|
|||
|
|
├── 第三步:判定/应用独立性
|
|||
|
|
│ ├── 验证 $p_{ij} = p_{i·} p_{·j}$ / $f(x,y) = f_X f_Y$
|
|||
|
|
│ └── 应用独立性的推论
|
|||
|
|
├── 第四步:求函数分布
|
|||
|
|
│ ├── 和 → 卷积
|
|||
|
|
│ ├── max/min → 公式
|
|||
|
|
│ └── 一般函数 → 分布函数法
|
|||
|
|
└── 第五步:求数字特征(Ch04)
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### 方法一:卷积公式的"换元 + 定限"三步法
|
|||
|
|
|
|||
|
|
**核心公式**:
|
|||
|
|
$$
|
|||
|
|
f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x) \, dx
|
|||
|
|
$$
|
|||
|
|
|
|||
|
|
**三步**:
|
|||
|
|
1. **换元**:把 $y$ 换为 $z-x$(因 $z = x + y$)
|
|||
|
|
2. **定限**:找到 $f(x, z-x) \ne 0$ 的 $x$ 范围
|
|||
|
|
3. **积分**:对 $x$ 在有效范围内积分
|
|||
|
|
|
|||
|
|
*极简例子:* $f(x, y) = e^{-(x+y)}$($x, y > 0$),求 $f_Z(z)$:
|
|||
|
|
- $f_Z(z) = \int_0^z e^{-x} e^{-(z-x)} dx = \int_0^z e^{-z} dx = z e^{-z}$($z > 0$)
|
|||
|
|
|
|||
|
|
### 方法二:二维正态分布的"5 句话速记"
|
|||
|
|
|
|||
|
|
| # | 结论 |
|
|||
|
|
|---|------|
|
|||
|
|
| 1 | 边缘分布与 $\rho$ 无关 |
|
|||
|
|
| 2 | 条件分布是正态 $N(\mu_2 + \rho\frac{\sigma_2}{\sigma_1}(X-\mu_1), \sigma_2^2(1-\rho^2))$ |
|
|||
|
|
| 3 | $aX + bY$ 仍服从正态,方差含 $2ab\rho\sigma_1\sigma_2$ 项 |
|
|||
|
|
| 4 | 独立 $\iff \rho = 0$(充要条件)|
|
|||
|
|
| 5 | $X, Y$ 不相关 $\iff$ 独立(仅二维正态下成立)|
|
|||
|
|
|
|||
|
|
### 方法三:独立性的四种验证法
|
|||
|
|
|
|||
|
|
1. **联合可分解**:$f(x,y) = f_X(x) f_Y(y)$
|
|||
|
|
2. **联合分布律**:$p_{ij} = p_{i\cdot} p_{\cdot j}$
|
|||
|
|
3. **混合验证**:$P(X \in A, Y \in B) = P(X \in A) P(Y \in B)$
|
|||
|
|
4. **反证法**:找一个 $(x_0, y_0)$ 使 $P(X=x_0, Y=y_0) \neq P(X=x_0) P(Y=y_0)$
|
|||
|
|
|
|||
|
|
### 方法四: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 |
|
|||
|
|
|---------|------------|------------|---------|
|
|||
|
|
| **边缘化(求和/积分)** | 联合 → 边缘 | Ch04 期望 $E(X) = \sum x_i p_{i\cdot}$ | 已知联合求单个 |
|
|||
|
|
| **条件分布** | $f_{X\|Y}(x\|y) = f/f_Y$ | Ch04 条件期望 $E(X\|Y=y)$ | 给定部分信息 |
|
|||
|
|
| **独立性分解** | $f(x,y) = f_X f_Y$ | Ch04 独立 $\Rightarrow E(XY) = E(X) E(Y)$ | 多变量无关联 |
|
|||
|
|
| **卷积公式** | $Z = X+Y$ | Ch05 中心极限定理 | 多变量求和 |
|
|||
|
|
| **最大值最小值** | $\max/\min$ 的 $F$ | Ch06 顺序统计量 | 系统可靠性 |
|
|||
|
|
|
|||
|
|
### 方法五:连续 → 离散化的"配方法"思路
|
|||
|
|
|
|||
|
|
对 $f(x, y) = f_X(x) f_Y(y)$ 配凑为
|
|||
|
|
$$
|
|||
|
|
f(x, y) = f_X(x) f_Y(y) \cdot 1
|
|||
|
|
$$
|
|||
|
|
若可分离,则 $X, Y$ 独立。**关键技巧**:把密度函数配方为两个一元函数的乘积。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## ⑤ 易错点红黑榜 (The Pitfall List)
|
|||
|
|
|
|||
|
|
### ❌ 错误 1:两个边缘分布不能唯一确定联合分布
|
|||
|
|
|
|||
|
|
- **错误表现**:已知 $X \sim U(0,1), Y \sim U(0,1)$ 就断言 $(X,Y)$ 在单位正方形上均匀
|
|||
|
|
- **正确理解**:同样的两个边缘分布可以对应**无穷多个**不同的联合分布。需附加条件(如独立性)才能确定。
|
|||
|
|
|
|||
|
|
**【对比示例】**:
|
|||
|
|
```
|
|||
|
|
❌ 已知 X~U(0,1), Y~U(0,1) → 联合是均匀分布
|
|||
|
|
✅ 还需要"独立"或具体 f(x,y) 才能确定联合
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
### ❌ 错误 2:二维正态独立 $\neq$ 任意分布独立
|
|||
|
|
|
|||
|
|
- **错误表现**:看到 $\text{Cov}(X, Y) = 0$ 就断言独立
|
|||
|
|
- **正确理解**:仅二维正态分布下,$\rho = 0 \iff$ 独立。其他分布不相关 $\neq$ 独立。
|
|||
|
|
|
|||
|
|
### ❌ 错误 3:卷积公式的积分限写错
|
|||
|
|
|
|||
|
|
- **错误表现**:$f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x) dx$ 中没有考虑 $f$ 的非零区域
|
|||
|
|
- **正确理解**:$f(x, z-x)$ 在 $f$ 的支撑集外为 0。需结合 $x$ 的范围与 $z-x$ 的范围取交集。
|
|||
|
|
|
|||
|
|
### ❌ 错误 4:条件分布的条件方向
|
|||
|
|
|
|||
|
|
- **错误表现**:$f_{X|Y}(x|y) = f_Y(y) / f(x,y)$(反了!)
|
|||
|
|
- **正确理解**:$f_{X|Y}(x|y) = f(x,y) / f_Y(y)$,**分子是联合,分母是条件的边缘**
|
|||
|
|
|
|||
|
|
### ❌ 错误 5:离散 vs 连续的混淆
|
|||
|
|
|
|||
|
|
- **错误表现**:对连续型用 $P(X = x_i, Y = y_j)$(连续型中 $P(X = x_i) = 0$)
|
|||
|
|
- **正确理解**:连续型谈密度 $f(x,y)$,离散型谈分布律 $p_{ij}$。
|
|||
|
|
|
|||
|
|
### ❌ 错误 6:max/min 公式仅适用于独立
|
|||
|
|
|
|||
|
|
- **错误表现**:$F_{\max}(z) = F_X(z) F_Y(z)$ 在 $X, Y$ 不独立时也用
|
|||
|
|
- **正确理解**:该公式要求 $X, Y$ **独立**。不独立时 $F_{\max}(z) = P(X \le z, Y \le z)$,需用联合密度。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 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 |
|
|||
|
|
|--------|--------|-----------|------|
|
|||
|
|
| 卷积公式(和的分布) | **高** | 25+ 道 | 每年 1-2 题,分值大 |
|
|||
|
|
| 独立性判定 | **高** | 15 道 | 概念辨析 + 计算 |
|
|||
|
|
| 边缘分布 | **高** | 12 道 | 求和/积分基本功 |
|
|||
|
|
| 二维正态 | **高** | 10 道 | 5 个核心结论必背 |
|
|||
|
|
| 条件分布 | **中** | 8 道 | 与 Ch04 条件期望衔接 |
|
|||
|
|
| max/min | **中** | 6 道 | 系统可靠性问题 |
|
|||
|
|
| 一般函数分布 | **中** | 8 道 | 分布函数法 |
|
|||
|
|
|
|||
|
|
### 跨章节连接
|
|||
|
|
|
|||
|
|
```
|
|||
|
|
┌─────────────────────────────────┐
|
|||
|
|
│ 本章 (Ch03) 多维随机变量 │
|
|||
|
|
│ · 联合 ↔ 边缘 ↔ 条件 ↔ 独立 │
|
|||
|
|
│ · 卷积 / max / min │
|
|||
|
|
└───────────────┬─────────────────┘
|
|||
|
|
│
|
|||
|
|
┌───────────────┬───────────────┼───────────────┬───────────────┐
|
|||
|
|
↓ ↓ ↓ ↓ ↓
|
|||
|
|
Ch02 一维 Ch04 数字特征 Ch05 大数定律 Ch06 区间估计 Ch07 假设检验
|
|||
|
|
边缘与 Ch02 一致 E(X+Y)=E(X)+E(Y) ΣXᵢ~N(nμ,nσ²) X̄~N(μ,σ²/n) 联合分布
|
|||
|
|
独立可分 D(X+Y)含协方差 独立同分布 CLT t分布/卡方/F 充分统计量
|
|||
|
|
```
|
|||
|
|
|
|||
|
|
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
|
|||
|
|
|
|||
|
|
**模式 1:卷积公式 + 独立性**
|
|||
|
|
> 例题:$X \sim U(0,1), Y \sim U(0,1)$ 独立,求 $Z = X+Y$ 的分布。
|
|||
|
|
>
|
|||
|
|
> **解**:$f_Z(z) = \int_0^1 f(x, z-x) dx$,积分区间为 $[\max(0, z-1), \min(1, z)]$:
|
|||
|
|
> - $z \in [0,1]$: $f_Z(z) = z$
|
|||
|
|
> - $z \in [1,2]$: $f_Z(z) = 2-z$
|
|||
|
|
>
|
|||
|
|
> **考点**:独立性的使用 + 卷积公式的分段讨论。
|
|||
|
|
|
|||
|
|
**模式 2:二维正态 + 独立性 + 线性组合**
|
|||
|
|
> 例题:$(X, Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,求 $U = X+Y, V = X-Y$ 的分布。
|
|||
|
|
>
|
|||
|
|
> **解**:$U, V$ 都是正态的线性组合,仍服从正态。$E(U) = \mu_1 + \mu_2, D(U) = \sigma_1^2 + \sigma_2^2 + 2\rho\sigma_1\sigma_2$。
|
|||
|
|
>
|
|||
|
|
> **考点**:二维正态下"线性组合仍是正态" + 协方差矩阵变换。
|
|||
|
|
|
|||
|
|
**模式 3:联合 → 边缘 → 独立 → 期望**
|
|||
|
|
> 例题:$(X, Y)$ 的联合密度 $f(x,y) = \begin{cases} 6 e^{-(2x+3y)}, & x,y \ge 0 \\ 0, & \text{其他} \end{cases}$
|
|||
|
|
>
|
|||
|
|
> 问:(1) 求 $f_X(x), f_Y(y)$;(2) 判定 $X, Y$ 独立性;(3) 求 $E(X+Y), D(X+Y)$。
|
|||
|
|
>
|
|||
|
|
> **解**:(1) $f_X(x) = 2 e^{-2x}$(指数),$f_Y(y) = 3 e^{-3y}$(指数)。(2) 因 $f(x,y) = f_X(x) f_Y(y)$ → 独立。(3) $E(X+Y) = 1/2 + 1/3 = 5/6$,$D(X+Y) = D(X) + D(Y) = 1/4 + 1/9 = 13/36$。
|
|||
|
|
>
|
|||
|
|
> **考点**:本章 + Ch04 综合。
|
|||
|
|
|
|||
|
|
### 【终极母题推荐】
|
|||
|
|
|
|||
|
|
> **题目**:设 $(X, Y)$ 的联合密度为 $f(x, y) = \begin{cases} c x y, & 0 \le x \le 1, 0 \le y \le 1 \\ 0, & \text{其他} \end{cases}$
|
|||
|
|
>
|
|||
|
|
> 求:(1) 常数 $c$;(2) 边缘密度 $f_X(x), f_Y(y)$;(3) $X, Y$ 是否独立?(4) $P(X + Y < 1)$。
|
|||
|
|
|
|||
|
|
**此题融合**:
|
|||
|
|
- **归一性**求 $c$:$\int_0^1\int_0^1 cxy \, dx dy = c/4 = 1 \Rightarrow c = 4$
|
|||
|
|
- **边缘密度**:$f_X(x) = \int_0^1 4xy \, dy = 2x$($0 \le x \le 1$);类似 $f_Y(y) = 2y$
|
|||
|
|
- **独立性判定**:$f_X(x) f_Y(y) = 4xy = f(x,y)$ ✓ → **独立**
|
|||
|
|
- **概率计算**:$P(X+Y<1) = \int_0^1\int_0^{1-x} 4xy \, dy dx = \int_0^1 2x(1-x)^2 dx = 2 \int_0^1 (x - 2x^2 + x^3) dx = 2 \cdot [1/2 - 2/3 + 1/4] = 2 \cdot 1/12 = 1/6$
|
|||
|
|
|
|||
|
|
**为什么这是"终极母题"**:
|
|||
|
|
✅ 联合 → 边缘 → 独立 → 概率的完整链路
|
|||
|
|
✅ 积分、归一性、判定、计算的复合
|
|||
|
|
✅ 一题覆盖本章 4 大核心题型
|
|||
|
|
|
|||
|
|
**🔗 这道题的 Ch04 升级版(提前预告)**:
|
|||
|
|
> 在此基础上求 $E(X), E(Y), D(X), D(Y), \text{Cov}(X, Y), \rho_{XY}$。
|
|||
|
|
>
|
|||
|
|
> → 这就是**数字特征**。你会发现:独立 $\Rightarrow \text{Cov} = 0, \rho = 0$,二维均匀与二维分布的桥梁在 Ch04 数字特征。
|
|||
|
|
|
|||
|
|
**这道题做完且理解透彻 → 本章"通关"。**
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
> **下一步**:完成后可进入 [[Ch04_随机变量的数字特征/Ch04_Numerical_Characteristics|Ch04 随机变量的数字特征]],期望、方差、协方差将在本章的联合分布基础上系统展开。
|