first commit

This commit is contained in:
2026-10-04 11:44:56 +08:00
commit e7cbe2cdae
265 changed files with 52919 additions and 0 deletions
@@ -0,0 +1,631 @@
# 📌 第一章 概率论的基本概念 考研核心通关笔记
> 概率论的"地基"——所有随机变量、分布、期望都从这里出发
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 随机试验与样本空间
#### 一、随机试验 $E$
**定义**:满足以下三条特征的试验称为随机试验:
1. 试验**可在相同条件下重复进行**
2. 试验**所有可能结果事先已知**
3. 试验**每次具体结果事前不可预测**
- *极简例子:* 掷一颗骰子,记录点数(满足三条 → 是随机试验)
#### 二、样本空间 $\Omega$
**定义**:随机试验 $E$ 的**所有可能基本结果**组成的集合。
- *极简例子:* 掷骰子 $\Omega = \{1, 2, 3, 4, 5, 6\}$
- *极简例子:* 抛硬币两次 $\Omega = \{HH, HT, TH, TT\}$
#### 三、随机事件
**事件**:样本空间 $\Omega$ 的子集 $A \subseteq \Omega$ 称为随机事件。
- **基本事件**:单个样本点 $\omega$ 构成的集合 $\{\omega\}$
- **必然事件**:$\Omega$ 本身(一定发生)
- **不可能事件**:$\varnothing$(一定不发生)
*极简例子:* 掷骰子 $A = \{$点数为偶数$\} = \{2, 4, 6\}$,$B = \{$点数 $> 6\} = \varnothing$
---
### 1.2 事件的关系与运算
#### 一、事件的关系(重点!概念题高频)
| 关系 | 符号 | 含义 | 文氏图 |
|------|------|------|--------|
| **包含** | $A \subset B$ | $A$ 发生必导致 $B$ 发生 | $A$ 在 $B$ 内 |
| **相等** | $A = B$ | $A \subset B$ 且 $B \subset A$ | 完全重合 |
| **和(并)** | $A \cup B$($A + B$) | $A$ 或 $B$ 至少一个发生 | 合并区域 |
| **积(交)** | $A \cap B$($AB$) | $A$ 与 $B$ 同时发生 | 重叠区域 |
| **差** | $A - B$ | $A$ 发生而 $B$ 不发生 | $A$ 减去 $B$ |
| **互不相容(互斥)** | $AB = \varnothing$ | 不能同时发生 | 不重叠 |
| **对立(逆)** | $A \cup \bar{A} = \Omega$, $A \bar{A} = \varnothing$ | 必有一个且仅一个发生 | 互补 |
#### 二、事件运算律(与集合运算相同)
| 律名 | 公式 |
| ------------- | ----------------------------------------------------------------------------------------- |
| **交换律** | $A \cup B = B \cup A$; $AB = BA$ |
| **结合律** | $(A \cup B) \cup C = A \cup (B \cup C)$; $(AB)C = A(BC)$ |
| **分配律** | $A \cup (BC) = (A \cup B)(A \cup C)$;$A(B \cup C) = AB \cup AC$ |
| **德摩根律(对偶律)** | $\overline{A \cup B} = \bar{A} \cap \bar{B}$;$\overline{A \cap B} = \bar{A} \cup \bar{B}$ |
| **吸收律** | $A \cup \Omega = \Omega$; $A \cap \varnothing = \varnothing$; $A \cup A = A$ |
| | |
> 🔑 **德摩根律**:考试最高频的对偶律——"和的逆 = 逆的积";"积的逆 = 逆的和"。记忆口诀:**"长变短,$\cup$ 变 $\cap$,全加逆"**。
#### 三、完备事件组
**定义**:若事件组 $B_1, B_2, \ldots, B_n$ 满足
- 两两互斥:$B_i B_j = \varnothing$($i \neq j$)
- 穷尽性:$B_1 \cup B_2 \cup \cdots \cup B_n = \Omega$
则称 $\{B_i\}$ 为 $\Omega$ 的一个**划分(完备事件组)**。
*极简例子:* 掷骰子按奇偶划分:$B_1 = \{1,3,5\}$, $B_2 = \{2,4,6\}$,两两互斥且覆盖 $\Omega$。
---
### 1.3 频率与概率
#### 一、频率
**定义**:在 $n$ 次重复试验中,事件 $A$ 出现 $n_A$ 次,则 $f_n(A) = \dfrac{n_A}{n}$ 称为频率。
**性质**:
- $0 \le f_n(A) \le 1$
- $f_n(\Omega) = 1$
- 若 $A_1, A_2, \ldots, A_k$ 两两互斥,则 $f_n(\bigcup A_i) = \sum f_n(A_i)$
> 🔑 **频率的稳定性**:当 $n \to \infty$ 时,频率 $f_n(A)$ 会稳定到一个常数,这个常数就是**概率**——这是概率的"统计定义"的实验依据。
#### 二、概率的公理化定义(Kolmogorov, 1933)
设 $E$ 是随机试验,$\Omega$ 是样本空间,对 $\Omega$ 上的每个事件 $A$ 赋予实数 $P(A)$,满足:
**公理 1(非负性)**:$P(A) \ge 0$
**公理 2(规范性)**:$P(\Omega) = 1$
**公理 3(可列可加性)**:若 $A_1, A_2, \ldots$ 两两互斥,则 $P(\bigcup_{i=1}^{\infty} A_i) = \sum_{i=1}^{\infty} P(A_i)$
则 $P(A)$ 称为事件 $A$ 的**概率**。
#### 三、由公理推出的概率性质
| 性质 | 公式 |
| --------- | ------------------------------------------------------------ |
| **不可能事件** | $P(\varnothing) = 0$ |
| **有限可加性** | 若 $A_1, \ldots, A_n$ 互斥,$P(\bigcup A_i) = \sum P(A_i)$ |
| **逆事件** | $P(\bar{A}) = 1 - P(A)$ |
| **加法公式** | $P(A \cup B) = P(A) + P(B) - P(AB)$ |
| **差事件** | $P(A - B) = P(A) - P(AB)$(当 $B \subset A$ 时 $= P(A) - P(B)$) |
| **单调性** | 若 $A \subset B$,则 $P(A) \le P(B)$ |
| | |
*极简例子:* $P(A) = 0.6, P(B) = 0.5, P(AB) = 0.3$,则 $P(A \cup B) = 0.6 + 0.5 - 0.3 = 0.8$
---
### 1.4 等可能概型(古典概型)
#### 一、古典概型的条件
1. 样本空间 $\Omega$ 是**有限集**($|\Omega| = n$)
2. 每个基本事件发生的**可能性相等**
#### 二、计算公式
$$
P(A) = \frac{\text{事件 } A \text{ 包含的基本事件数}}{\text{样本空间 } \Omega \text{ 的基本事件总数}} = \frac{k}{n}
$$
#### 三、核心工具:排列组合
| 抽样方式 | 样本数 | 有利事件数 |
|---------|--------|----------|
| **有序抽取(排列)** | $A_n^k = \dfrac{n!}{(n-k)!}$ | 选出的 $k$ 个有序 |
| **无序抽取(组合)** | $C_n^k = \dfrac{n!}{k!(n-k)!}$ | 选出的 $k$ 个无序 |
| **重复抽样(放回)** | $n^k$ | 每位独立选择 |
> 🔑 **核心判断**:题目区分"摸到的是什么"(组合)还是"摸到的顺序"(排列)。**球是否可区分、是否放回、是否有序**是三个维度。
#### 四、典型题型
- **摸球模型**:盒中 $N$ 个球(白 $W$ 黑 $B$),求"摸出 $k$ 个有 $j$ 个白球"概率
- **不放回 + 一次取 $k$ 个**:$\dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$
- **不放回 + 逐个取 $k$ 次**:$\dfrac{C_W^j \cdot C_B^{k-j} \cdot \text{(排列系数)}}{C_N^k \cdot \text{(排列系数)}} = \dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$(组合形式相同)
- **放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{2^k} \cdot C_k^j$($\text{不放回和放回公式核心区别}$)
- **分房模型**:$n$ 个人进 $N$ 个房间(每房不限人数):总排列 $N^n$;某指定 $n$ 个房各 1 人:$n!$;至少两人同房:$1 - \dfrac{N!}{(N-n)! N^n}$(错位排列衍生)
- **随机取数模型**:$\{1, 2, \ldots, n\}$ 随机取 $k$ 个数的各种概率
*极简例子:* 5 个产品中 2 个次品,随机取 2 个,求"恰有 1 个次品"概率:
- 不放回:$\dfrac{C_2^1 C_3^1}{C_5^2} = \dfrac{6}{10} = 0.6$
- 放回:$\dfrac{C_2^1 C_3^1}{5^2} = \dfrac{6}{25}$(不同!)
---
### 1.5 几何概型
#### 一、几何概型条件
1. 样本空间 $\Omega$ 是**几何区域**(线段、平面、空间),有有限测度(长度、面积、体积)
2. 每个基本事件**等可能**落入(均匀分布)
#### 二、计算公式
$$
P(A) = \frac{\text{事件 } A \text{ 对应子区域的测度}}{\text{样本空间 } \Omega \text{ 的测度}}
$$
*极简例子:* 在 $[0, 2]$ 上随机取一点,求"该点在 $[0, 1]$ 内"的概率 $= \dfrac{1}{2}$
#### 三、与古典概型的对比
| | 古典概型 | 几何概型 |
|---|---|---|
| 样本空间 | 有限离散 | 无限连续(几何区域)|
| 等可能 | 每个基本事件 | 每个点 |
| 计算方式 | 计数 | 测度(长/面/体)|
---
### 1.6 条件概率
#### 一、条件概率定义
设 $A, B$ 是两个事件,且 $P(B) > 0$,则
$$
P(A \mid B) = \frac{P(AB)}{P(B)}
$$
称为在 $B$ 发生的条件下 $A$ 发生的概率。
*极简例子:* 掷两颗骰子,已知点数之和为 7(事件 $B$),求"其中一颗为 1"(事件 $A$)的概率:
- $B = \{(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)\}$,$|B| = 6$
- $A \cap B = \{(1,6), (6,1)\}$,$|A \cap B| = 2$
- $P(A \mid B) = 2/6 = 1/3$
> 🔑 **本质**:条件概率 $P(A|B)$ 是**缩小样本空间**(从 $\Omega$ 缩到 $B$),再求 $A$ 在 $B$ 中的比例。
#### 二、乘法公式
$$
P(AB) = P(B) \cdot P(A \mid B) = P(A) \cdot P(B \mid A)
$$
推广(链式法则):若 $P(A_1 A_2 \cdots A_{n-1}) > 0$,则
$$
P(A_1 A_2 \cdots A_n) = P(A_1) \cdot P(A_2 \mid A_1) \cdot P(A_3 \mid A_1 A_2) \cdots P(A_n \mid A_1 \cdots A_{n-1})
$$
---
### 1.7 全概率公式与贝叶斯公式 ⭐⭐⭐
#### 一、全概率公式(**考研第一热门**)
设 $\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的一个完备事件组(划分),且 $P(B_i) > 0$,则对任意事件 $A$:
$$
P(A) = \sum_{i=1}^n P(B_i) \cdot P(A \mid B_i)
$$
**直观理解**:"分阶段 → 分情况 → 求总和"
- 第一阶段(原因 $B_i$ 发生)
- 第二阶段(结果 $A$ 在 $B_i$ 下发生)
- 目标:求 $A$ 发生的总概率
*极简例子:* 三台机器生产产品,产量占比 50%/30%/20%,次品率分别为 1%/2%/3%。求随机取一件是次品的概率:
$$
P(\text{次品}) = 0.5 \times 0.01 + 0.3 \times 0.02 + 0.2 \times 0.03 = 0.005 + 0.006 + 0.006 = 0.017
$$
#### 二、贝叶斯公式(**考研必考**)
设 $\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的一个完备事件组,$P(A) > 0, P(B_i) > 0$,则
$$
P(B_i \mid A) = \frac{P(B_i) \cdot P(A \mid B_i)}{P(A)} = \frac{P(B_i) \cdot P(A \mid B_i)}{\sum_{j=1}^n P(B_j) \cdot P(A \mid B_j)}
$$
**直观理解**:"已知结果 $A$,反推原因 $B_i$ 的概率"——**由果寻因**
*极简例子:* 接上例,随机取一件发现是次品,求"它是第 2 台机器生产"的概率:
$$
P(B_2 \mid \text{次品}) = \frac{0.3 \times 0.02}{0.017} = \frac{0.006}{0.017} = \frac{6}{17} \approx 35.3\%
$$
> 🔑 **全概率 vs 贝叶斯**:
> - **全概率**:已知"原因"求"结果"——**正向**(先验 + 似然 = 边际)
> - **贝叶斯**:已知"结果"求"原因"——**逆向**(似然 × 先验 / 边际 = 后验)
---
### 1.8 事件的独立性
#### 一、两个事件的独立性
若 $P(AB) = P(A) P(B)$,则称 $A, B$ **相互独立**。
**等价条件**(当 $P(A) > 0$ 时):$A, B$ 独立 $\iff P(B \mid A) = P(B)$
#### 二、多个事件的相互独立性
事件 $A_1, A_2, \ldots, A_n$ **相互独立**:对任意子集 $\{i_1, i_2, \ldots, i_k\}$($1 \le k \le n$),都有
$$
P(A_{i_1} A_{i_2} \cdots A_{i_k}) = P(A_{i_1}) P(A_{i_2}) \cdots P(A_{i_k})
$$
**重要区分**:
- **相互独立** $\Rightarrow$ **两两独立**(反之不成立!)
- **互不相容** $\neq$ **独立**(互不相容时 $P(AB)=0 \neq P(A)P(B)$,除非 $P(A)=0$ 或 $P(B)=0$)
#### 三、独立事件的性质
| 性质 | 说明 |
|------|------|
| 独立事件的对立事件也独立 | 若 $A, B$ 独立,则 $\bar{A}, B$; $A, \bar{B}$; $\bar{A}, \bar{B}$ 均独立 |
| 独立事件的运算仍独立 | 若 $A, B, C$ 独立,则 $A \cup B$ 与 $C$ 独立等 |
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。点击链接查看详情。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 事件的关系与运算 | 文氏图 / 德摩根律 / 对偶律 | [[题型1_事件关系与运算]] |
| 2 | 古典概型(排列组合) | 有限等可能 + 计数 | [[题型2_古典概型]] |
| 3 | 几何概型 | 连续等可能 + 测度 | [[题型3_几何概型]] |
| 4 | 条件概率 + 乘法公式 | 已知部分信息,求新概率 | [[题型4_条件概率与乘法公式]] |
| 5 | 全概率公式 + 贝叶斯公式 | 多阶段问题 / 因果反推 | [[题型5_全概率与贝叶斯公式]] |
| 6 | 事件独立性判定 | $P(AB) = P(A)P(B)$ 验证 | [[题型6_事件独立性]] |
---
## 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 | 全概率公式 + 贝叶斯公式 | 12次 | 4-10分 |
| 2 | 古典概型(排列组合) | 10次 | 4分 |
| 3 | 事件独立性 | 6次 | 4分 |
| 4 | 条件概率 + 乘法公式 | 5次 | 4分 |
| 5 | 几何概型 | 3次 | 4分 |
| | | | |
### 【示例:一题多角度】
**核心概念**:同一个概率问题,三种考法层次
> **同一情境**:袋中有 5 个白球、3 个黑球。不放回地依次取出 2 个球,求"两次都取到白球"的概率。
**角度一:选择题(概念辨析)**
下列说法哪个正确?
- (A) 第一次取到白球的概率 $= 5/8$,第二次取到白球的概率也是 $5/8$ ✓/✗?
- (B) 两次都取到白球的概率 $= (5/8)^2$ ✓/✗?
- (C) 第一次取到白球后,第二次取到白球的概率 $= 4/7$ ✓/✗?
**答案**:(A) 错误——不放回,第二次少了白球;(B) 错误——独立事件公式仅适用于"放回";(C) 正确——条件概率。
**角度二:填空题(直接计算)**
$$
P(\text{两次都白}) = \frac{C_5^2 \cdot C_3^0}{C_8^2} = \frac{10}{28} = \frac{5}{14}
$$
或用乘法公式:
$$
P = P(\text{第1次白}) \cdot P(\text{第2次白} \mid \text{第1次白}) = \frac{5}{8} \cdot \frac{4}{7} = \frac{20}{56} = \frac{5}{14}
$$
**角度三:解答题(综合应用)**
若改为"放回抽样":$P = (5/8)^2 = 25/64$
若改为"第一次取到白球才取第二次":用条件概率 $P = 5/8 \cdot 4/7 = 5/14$
**启示**:
- **选择题**考"放回/不放回"的概念辨析
- **填空题**考"组合公式 vs 条件概率"两种算法的等价性
- **解答题**考"放回与不放回"的对比与综合
**核心公式速记**:
- **不放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{C_N^k}$(一次取 $k$ 个)或 $\dfrac{k(k-1)\cdots}{n(n-1)\cdots}$(逐个取)
- **放回**:$\dfrac{C_W^j \cdot C_B^{k-j}}{N^k} \cdot C_k^j$ 或 $\left(\dfrac{W}{N}\right)^j \left(\dfrac{B}{N}\right)^{k-j} \cdot C_k^j$
---
## ④ 方法论与解题通法 (Methodology)
### 方法〇:概率计算的"四步决策树"
```
概率计算题
├── 第一步:定型
│ ├── 题目条件等价且有限 → 古典概型(计数)
│ ├── 题目条件几何/连续 → 几何概型(测度)
│ ├── 题干有"已知某事件发生" → 条件概率
│ ├── 多阶段/分层问题 → 全概率公式(正向)或贝叶斯(逆向)
│ └── 题干说"独立" → 直接用 P(AB)=P(A)P(B)
├── 第二步:建模
│ ├── 古典:确定样本空间 Ω,事件 A 包含的样本数
│ ├── 几何:确定测度(长度/面积/体积)
│ ├── 条件:明确 A|B 的样本空间是 B
│ ├── 全概率:找出"原因"的完备事件组 {B_i}
│ └── 贝叶斯:先写全概率,再做比值
└── 第三步:计算 + 化简
```
### 方法一:全概率公式与贝叶斯公式的"三层判别"
**判别口诀**:
- "**已经看到结果**,求某个原因的概率" → 贝叶斯
- "**还没看到结果**,求结果的概率" → 全概率
- "**分阶段**问题:原因 → 结果" → 全概率正向
**完整套路**(以"机器生产次品"为例):
```
1. 识别"原因":三台机器 {B1, B2, B3}
2. 写先验概率:P(B1), P(B2), P(B3)(已知占比)
3. 写似然概率:P(A|Bi)(每台机器的次品率)
4. 全概率:P(A) = Σ P(Bi) P(A|Bi)
5. 贝叶斯:P(Bi|A) = P(Bi) P(A|Bi) / P(A)
```
### 方法二:古典概型中"计数"的判别技巧
**三步判别法**:
1. **是否有序?** 取出的样本需不需要考虑顺序
- 有序 → 排列 $A_n^k$
- 无序 → 组合 $C_n^k$
2. **是否放回?** 取出一个后是否归位再取
- 放回 → 各次独立,可用乘法公式
- 不放回 → 条件概率,$P(B|A)$ 的样本空间缩小
3. **是否等价?** 每个基本事件是否等可能
- 古典概型必备条件;否则不能用 $k/n$
*极简例子:*
- "从 5 个球中**有序**取 2 个" → $A_5^2 = 20$
- "从 5 个球中**无序**取 2 个" → $C_5^2 = 10$
- "从 5 个球中**放回**取 2 个" → $5^2 = 25$
- "从 5 个球中**不放回**取 2 个" → $5 \times 4 = 20$
### 方法三:条件概率的"缩域"思维
**核心**:条件概率 $P(A|B)$ 就是把样本空间从 $\Omega$ **缩小**到 $B$,再求 $A$ 在新空间中的占比。
*极简例子:* 掷两骰,已知点数和为 7,求两骰相同的概率:
- 朴素:$P(A) = 6/36 = 1/6$
- 条件:$B = \{(1,6), (2,5), (3,4), (4,3), (5,2), (6,1)\}$(6 种)
- $A = \{(1,1), (2,2), \ldots, (6,6)\}$(6 种)
- $A \cap B = \varnothing$(和为 7 时不可能相同)
- $P(A|B) = 0/6 = 0$
> "缩域"思维能避免"原始样本空间求 $P(A)$"的陷阱。
### 方法四:独立性的"三种验证法"
| 方法 | 适用情况 |
|------|---------|
| **定义法**:验证 $P(AB) = P(A)P(B)$ | 最通用 |
| **条件概率法**:$P(B\|A) = P(B)$(或 $P(A\|B) = P(A)$) | 已知条件概率 |
| **对称法**:$A$ 独立等价于 $\bar{A}$ 独立;与对立事件独立保留 | 简化问题 |
### 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 |
|---------|------------|------------|---------|
| **分类讨论(完备事件组)** | 全概率公式 | Ch04 贝叶斯决策、Ch08 参数估计 | 事件可按"原因"分类 |
| **条件概率思维** | $P(A\|B)$ | Ch02 条件分布、Ch04 条件期望 | 已知部分信息 |
| **等价变换** | $P(A \cup B)$ 拆分 | Ch02 边缘分布、Ch04 联合分布 | 复杂事件化简 |
| **独立性应用** | $P(AB)=P(A)P(B)$ | Ch02 随机变量独立、Ch03 协方差 | 多变量无关联 |
| **逆向思维(贝叶斯)** | $P(B_i \| A)$ | Ch08 假设检验、最小风险决策 | 由结果反推原因 |
### 方法六:独立性 vs 互不相容 vs 对立(辨析链)
```
互不相容 ↔ AB = ∅ (集合关系)
↓ P(AB) = 0
独立 ↔ P(AB) = P(A)P(B) (概率关系)
↓ P(A)P(B) > 0(一般情况下)
对立 ↔ A ∪ Ā = Ω, A Ā = ∅ (互不相容的特殊情况 + 穷尽)
```
**核心判别**:
- 互不相容 $\neq$ 独立(除非某事件概率为 0)
- 对立 $\Rightarrow$ 互不相容,但**不独立**(除非某事件概率为 0)
- **三个"对立事件"也两两互不相容,但不一定两两独立**(如掷骰子 $A_1=\{1\}, A_2=\{2\}, A_3=\{3,4,5,6\}$)
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:把"互不相容"和"独立"混为一谈
- **错误表现**:认为 $A, B$ 互不相容就是独立
- **正确理解**:互不相容 $\Rightarrow P(AB) = 0$,而独立要求 $P(AB) = P(A)P(B)$。两者关系:
- 若 $A, B$ 互不相容且 $P(A)P(B) > 0$,则**不独立**
- 反例:掷骰子 $A = \{1\}, B = \{2\}$ 互不相容,但不独立
**【对比示例】**:
```
❌ "A, B 不可能同时发生" → 独立
✅ "P(AB) = P(A)P(B)" → 独立
```
### ❌ 错误 2:放回/不放回公式混用
- **错误表现**:不放回抽样用了放回公式 $(W/N)^j (B/N)^{k-j}$
- **正确理解**:放回用乘法公式(独立),不放回用条件概率或组合
**【对比示例】**:
```
❌ 不放回取2球全白:P = (5/8)² = 25/64 (错!应用了独立假设)
✅ 不放回取2球全白:P = 5/8 × 4/7 = 5/14 (条件概率)
```
### ❌ 错误 3:贝叶斯公式分子分母颠倒
- **错误表现**:$P(B_i | A)$ 写成了 $P(A | B_i)$ 与 $P(B_i)$ 的商(虽然形式对,但概念上没分清)
- **正确理解**:
- **全概率**:$P(A) = \sum P(B_i) P(A | B_i)$(正向:原因 → 结果)
- **贝叶斯**:$P(B_i | A) = \dfrac{P(B_i) P(A | B_i)}{\sum P(B_j) P(A | B_j)}$(逆向:结果 → 原因)
**【对比示例】**:
```
❌ P(B_i|A) = P(A|Bi) / P(B_i) (错误对应)
✅ P(B_i|A) = P(B_i) P(A|Bi) / P(A) (贝叶斯)
```
### ❌ 错误 4:完备事件组穷尽性遗漏
- **错误表现**:写 $P(A) = \sum P(B_i) P(A|B_i)$ 时,$B_i$ 没有覆盖 $\Omega$ 全部情形
- **正确理解**:$\{B_i\}$ 必须两两互斥**且**穷尽($\bigcup B_i = \Omega$)
**【对比示例】**:
```
❌ A = {及格},B1 = {男生及格},B2 = {女生及格} → 缺"男生不及格 + 女生不及格"
✅ B1 = {男生}, B2 = {女生}(穷尽),然后 P(A|Bi) 各算一次
```
### ❌ 错误 5:德摩根律的符号方向错误
- **错误表现**:$\overline{A \cup B} = \bar{A} \cup \bar{B}$(错!)
- **正确理解**:$\overline{A \cup B} = \bar{A} \cap \bar{B}$,$\overline{A \cap B} = \bar{A} \cup \bar{B}$(**长变短**)
**【对比示例】**:
```
❌ "都不发生" 的 "或" → Ā ∪ B̄
✅ "都不发生" 的 "且" → Ā ∩ B̄ (∩和∪在德摩根律中互换)
```
### ❌ 错误 6:把"频率"和"概率"混淆
- **错误表现**:认为频率就是概率
- **正确理解**:频率是**试验统计量**(随 $n$ 变化),概率是**理论常数**。频率稳定于概率,但二者不等。
### ❌ 错误 7:条件概率分母遗忘
- **错误表现**:$P(A | B)$ 算成 $P(AB)$ 而忘了除以 $P(B)$
- **正确理解**:$P(A | B) = \dfrac{P(AB)}{P(B)}$(**分子是交,分母是条件**)
---
## 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 |
|--------|--------|-----------|------|
| 全概率 + 贝叶斯公式 | **高** | 30+ 道 | 每年必考,应用最广 |
| 古典概型(排列组合) | **高** | 25+ 道 | 计数是基本功 |
| 事件独立性 | **高** | 12 道 | 与 Ch02 随机变量独立直接关联 |
| 条件概率 + 乘法公式 | **高** | 15 道 | 全概率公式的基础 |
| 几何概型 | **中** | 6 道 | 套路固定,但近年偶有小题 |
| 事件运算 / 文氏图 | **中** | 8 道 | 概念题,常与公理化定义结合 |
| 频率 vs 概率 | **低** | 2 道 | 概念辨析,几乎不直接考 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch01) 概率论的基本概念 │
│ · 事件运算 / 概率公理 / 古典 │
│ · 条件概率 / 全概率 / 贝叶斯 │
│ · 独立性 │
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch02 随机变量 Ch03 多维随机 Ch04 数字特征 Ch05 大数定律 Ch06 数理统计
分布律↔事件概率 联合分布↔独立性 E(X)↔ΣxP(A) X̄→μ 依概率 样本→总体
F(x)=P(X≤x) 条件分布 协方差↔独立 中心极限定理 参数估计
独立性判定 协方差矩阵 相关系数 正态近似 假设检验
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:全概率公式 + 古典概型**
> 例题:甲乙两人轮流投篮,甲先投,命中即停。甲投篮命中率 0.6,乙 0.7。求"甲投篮"的概率。
>
> **解**:设 $A = $"甲投",$A_k = $"第 $k$ 次投篮轮到甲"。$P(A_k) = (1-0.6)(1-0.7) = 0.12$。
> $P(A) = \sum_{k=0}^{\infty} (0.12)^k \cdot 0.6 = 0.6 / (1 - 0.12) = 0.6/0.88 = 15/22$
>
> **考点**:全概率公式 + 等比级数求和。
**模式 2:贝叶斯公式 + 条件概率**
> 例题:保险公司给 1000 名司机承保。历史数据显示:年轻司机出险率 30%,年长司机 10%。年轻司机占 40%。现有一司机出险,求"他是年轻司机"的概率。
>
> **解**:$P(\text{年轻} | \text{出险}) = \dfrac{0.4 \times 0.3}{0.4 \times 0.3 + 0.6 \times 0.1} = \dfrac{0.12}{0.18} = 2/3$
>
> **考点**:贝叶斯公式直接应用,跨 Ch08 决策理论的基础。
**模式 3:古典概型 + 几何概型**
> 例题:在 $[0, 1]$ 上随机取两个数,求"它们之和不超过 1"的概率。
>
> **解**:设 $x, y \in [0, 1]$,样本空间是单位正方形,面积 1。事件 $A$ 是 $x + y \le 1$ 的三角形,面积 $1/2$。$P(A) = 1/2$。
>
> **考点**:几何概型 + 坐标系图示。
**模式 4:独立性 + 乘法公式**
> 例题:设 $A, B$ 独立,$P(A) = 0.4, P(B) = 0.5$。求 $P(A \cup B)$ 和 $P(\bar{A} | B)$。
>
> **解**:$P(A \cup B) = 0.4 + 0.5 - 0.4 \times 0.5 = 0.7$;$P(\bar{A} | B) = 1 - P(A | B) = 1 - P(A) = 0.6$(独立)
>
> **考点**:独立性 = 条件概率等于无条件概率。
#### 🔗 与 Ch02 随机变量的衔接(提前预告)
| 本章概念 | Ch02 对应 | 关系 |
|---------|----------|------|
| 事件 $A$ | $\{X \in I\}$ | 事件是随机变量取某值的集合 |
| $P(A)$ | $P(X \in I)$ | 概率是分布律在某个区间上的累加 |
| 独立性 $A, B$ | $X, Y$ 独立 | 随机变量独立的判定基础 |
| 全概率公式 | 混合分布 | 离散型分布的全概率推导 |
---
### 【终极母题推荐】
> **题目**:设甲袋有 3 白 2 黑,乙袋有 2 白 3 黑。先从甲袋**不放回**地任取 1 球放入乙袋,再从乙袋**不放回**地任取 1 球。求:
>
> (1) 从乙袋取到白球的概率;
> (2) 若已知从乙袋取到白球,求从甲袋放入乙袋的是白球的概率。
**此题融合**:
- 全概率公式(问题 1):完备事件组 $\{B_1, B_2\}$ = "放入白球 / 放入黑球"
- 贝叶斯公式(问题 2):在已知结果(取到白球)的条件下反推原因
- 古典概型 + 乘法公式(每步概率)
- **多阶段 + 不放回**的复合情境
**为什么这是"终极母题"**:
✅ 全概率公式 + 贝叶斯公式是考研概率论第一热点
✅ "甲→乙→再取"的多阶段结构是经典命题模板
✅ 不放回 vs 放回的概念辨析(最易出错)
✅ 涉及到的概念:事件划分、条件概率、乘法公式、独立性
**🔗 这道题的 Ch02 升级版(提前预告)**:
> 条件不变,改为"甲袋每次放入 1 球后**放回**,重复 $n$ 次,求 $n$ 次中乙袋白球数 $Y$ 的分布律"。
>
> → 这就是**随机变量的分布律**。你会发现:本章的全概率公式对应 Ch02 的"混合分布",本章的事件独立性对应 Ch02 的"随机变量独立性"。**本章是 Ch02 的"事件视角",Ch02 是本章的"变量视角",二者互为镜像。**
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch02_随机变量及其分布/Ch02_Random_Variables|Ch02 随机变量及其分布]],事件的概率将升级为随机变量的分布律。
@@ -0,0 +1,94 @@
# 题型一:事件的关系与运算
## 识别特征
- 题干出现"且/或/至少/至多/同时发生"
- 需要判断事件之间的**包含、相等、互斥、对立**关系
- 需要化简复杂事件表达式(用**德摩根律**)
## 解题流程
```mermaid
flowchart TD
A[识别:事件运算题] --> B{需要化简?}
B -->|是| C[用德摩根律: ∪↔∩ 互换]
B -->|否| D{需要画图?}
D -->|是| E[画文氏图 标注区域]
D -->|否| F[列运算律表]
C --> G[写出最终事件表达式]
E --> G
F --> G
```
## 通法步骤
### 一、事件关系判断
| 关系 | 符号 | 判断 |
|------|------|------|
| $A \subset B$ | 包含 | $A$ 发生必导致 $B$ 发生 |
| $A = B$ | 相等 | 双向包含 |
| $A \cap B = \varnothing$ | 互斥 | 不可能同时发生 |
| $A \cup \bar{A} = \Omega$, $A \bar{A} = \varnothing$ | 对立 | 必有一个且仅一个 |
| $A \cap \bar{A} = \varnothing$ | 不相容 | 包含于对立关系 |
### 二、事件运算律
**关键口诀**:**"长变短,$\cup$ 变 $\cap$,全加逆"**(德摩根律)
- $\overline{A \cup B} = \bar{A} \cap \bar{B}$
- $\overline{A \cap B} = \bar{A} \cup \bar{B}$
**分配律**:
- $A \cup (BC) = (A \cup B)(A \cup C)$
- $A(B \cup C) = AB \cup AC$
### 三、文氏图(4 大经典)
**画图套路**:
1. 长方形 = $\Omega$
2. 圆形/椭圆 = 各个事件
3. 重叠区域 = 交集
4. 空白区域 = 全集减去各事件
**4 集合文氏图**:
- 4 个圆分成 15 个非空区域(外区域、1-集合、2-交集、3-交集、4-交集)
## 常见陷阱
- 把**互斥**与**对立**混淆(对立是互斥的特殊情况,要求穷尽)
- 德摩根律用错:$\overline{A \cup B} = \bar{A} \cup \bar{B}$(错!是 $\bar{A} \cap \bar{B}$)
- 文氏图画错区域,导致 $P(A \cup B)$ 算错
## 经典母题
> **题目**:设 $A, B, C$ 是三个事件,试用 $A, B, C$ 表示下列事件:
> (1) 仅 $A$ 发生;
> (2) $A, B, C$ 都不发生;
> (3) $A, B, C$ 不都发生;
> (4) 至少两个发生。
**解析**:
(1) 仅 $A$ 发生:$A \bar{B} \bar{C}$ 或 $A - (B \cup C)$
(2) $A, B, C$ 都不发生:$\bar{A} \bar{B} \bar{C}$ 或 $\overline{A \cup B \cup C}$
(3) $A, B, C$ 不都发生:$\overline{ABC} = \bar{A} \cup \bar{B} \cup \bar{C}$(注意:"不都" ≠ "都不"!)
(4) 至少两个发生:$AB \cup AC \cup BC$ 或 $AB \bar{C} \cup A \bar{B} C \cup \bar{A} BC \cup ABC$
**复盘**:
- "**不都**"对应 $\overline{ABC}$,展开后是 $\bar{A} \cup \bar{B} \cup \bar{C}$(德摩根律)
- "**至少两个**"是常见陷阱题,等于"两个都发生 + 三个都发生"的所有组合
---
> **变式**:用事件表示"事件 $A$ 发生但 $B$ 不发生":
**解**:$A \bar{B}$ 或 $A - B$ 或 $A - AB$(三种写法等价)
> **口诀速记**:
> - "**且**字用 $\cap$(或省略)"
> - "**或**字用 $\cup$"
> - "**都不**用德摩根律变成"都不的逆"
> - "**不都**是 $\overline{ABC}$,不是 $\bar{A}\bar{B}\bar{C}$"
@@ -0,0 +1,108 @@
# 题型二:古典概型(排列组合)
## 识别特征
- 样本空间**有限**且**等可能**
- 涉及**摸球、分房、抽样、取数**等计数问题
- 需要识别"有序/无序""放回/不放回"
## 解题流程
```mermaid
flowchart TD
A[识别:古典概型] --> B[判断抽样方式]
B --> C{有序/无序?}
C -->|有序| D[用排列 Aᵏₙ]
C -->|无序| E[用组合 Cᵏₙ]
B --> F{放回/不放回?}
F -->|放回| G[每次独立, 乘法公式]
F -->|不放回| H[条件概率或组合]
D --> I[计算样本总数 N]
E --> I
G --> I
H --> I
I --> J[计算有利事件数 M]
J --> K["P(A) = M/N"]
```
## 通法步骤
### 一、三种抽样模型
| 模型 | 描述 | 样本数 | 概率计算 |
| ------------- | -------- | ------- | ------------------------------------------------------------------------ |
| **一次取 $k$ 个** | 无放回,一次取出 | $C_N^k$ | $\dfrac{C_W^j C_B^{k-j}}{C_N^k}$ |
| **逐个取 $k$ 次** | 无放回,逐次取出 | $A_N^k$ | $\dfrac{C_W^j C_B^{k-j}}{C_N^k}$(分子相同!原因:组合不依赖顺序) |
| **放回取 $k$ 次** | 每次放回再取 | $N^k$ | $\dfrac{C_W^j C_B^{k-j}}{N^k} \cdot C_k^j$ 或 $(W/N)^j (B/N)^{k-j} C_k^j$ |
| | | | |
### 二、排列组合公式速查
| 公式 | 含义 |
|------|------|
| $A_n^k = \dfrac{n!}{(n-k)!}$ | 从 $n$ 个**有序**取 $k$ 个 |
| $C_n^k = \dfrac{n!}{k!(n-k)!}$ | 从 $n$ 个**无序**取 $k$ 个 |
| $C_n^k = C_n^{n-k}$ | 对称性 |
### 三、典型模型
**模型 A:摸球模型**
- 盒中 $N$ 个球($W$ 白 $B$ 黑),求"取 $k$ 个有 $j$ 个白"
- **不放回 + 一次取**:$\dfrac{C_W^j C_B^{k-j}}{C_N^k}$
- **放回**:$C_k^j \left(\dfrac{W}{N}\right)^j \left(\dfrac{B}{N}\right)^{k-j}$
**模型 B:分房模型**
- $n$ 个人进 $N$ 个房间(不限人数):$N^n$
- 某指定 $n$ 个房各 1 人:$n!$
- 至少两人同房:$1 - \dfrac{n! N!/N!}{N^n} = 1 - \dfrac{n!}{N^n}$(其中 $\dfrac{n!}{N^n}$ 用错位公式)
**模型 C:随机取数模型**
- $\{1, 2, \ldots, n\}$ 取 $k$ 个数(有序/无序)
- 求"取出的数大于/小于某值"的概率
## 常见陷阱
- 区分**有序/无序**:题目问"两次都取到白球"是有序还是无序?
- 答案:看作"取出后**不放回**",结果只关心**集合**(不关心顺序),所以用**组合**。
- 放回 vs 不放回:用 $(W/N)^j$ 还是条件概率?判断关键——"每次取后是否归位"
- **超几何分布**的识别:"从 $N$ 个产品中取 $k$ 个,次品数 $X$ 的分布"是不放回模型
## 经典母题
> **题目**:袋中有 5 个白球、3 个黑球。不放回地依次取 2 个球,求:
> (1) 两次都取到白球;
> (2) 第二次才取到白球;
> (3) 至少取到一个白球。
**解析**:
**方法 1:组合公式**(一次取 2 个)
- 总数:$C_8^2 = 28$
(1) 都取白:$\dfrac{C_5^2}{C_8^2} = \dfrac{10}{28} = \dfrac{5}{14}$
(2) 第二次才取到白(第一次黑,第二次白):$\dfrac{C_3^1 C_5^1}{C_8^2} = \dfrac{15}{28} = \dfrac{15}{28}$
(3) 至少取到一个白 $= 1 - $ 一个都取不到 $= 1 - \dfrac{C_3^2}{C_8^2} = 1 - \dfrac{3}{28} = \dfrac{25}{28}$
**方法 2:条件概率 / 乘法公式**(逐个取)
(1) $P = \dfrac{5}{8} \times \dfrac{4}{7} = \dfrac{20}{56} = \dfrac{5}{14}$ ✓
(2) $P = \dfrac{3}{8} \times \dfrac{5}{7} = \dfrac{15}{56}$(注意分母!)
> **注意**:方法 2 的分母是 $8 \times 7 = 56$,不是 $C_8^2 = 28$。因为方法 2 把"逐个取"看作**有序**,总数为 $A_8^2 = 56$。
> **结论**:分子用 $C_W^j C_B^{k-j}$ 时,分母用 $C_N^k$(组合形式相同);分母用 $A_N^k$ 时,分子用 $\dfrac{W!}{(W-j)!} \cdot \dfrac{B!}{(B-k+j)!}$(排列形式)。
**复盘**:两种方法等价,但分母选择决定了样本数。**统一用"组合形式"**最安全。
---
> **变式**:6 名男生、4 名女生,从中选 4 人,求"恰好 2 男 2 女"的概率。
**解**:$\dfrac{C_6^2 C_4^2}{C_{10}^4} = \dfrac{15 \times 6}{210} = \dfrac{90}{210} = \dfrac{3}{7}$
> **口诀速记**:
> - "**有序**用 $A$,**无序**用 $C$"
> - "**放回**用幂次,**不放回**用组合"
> - "**至少**问题:用 $1 - $ 反面"
@@ -0,0 +1,99 @@
# 题型三:几何概型
## 识别特征
- 样本空间是**连续几何区域**(线段、平面、空间)
- **等可能**落入各点(均匀分布)
- 求某几何子区域的概率
## 解题流程
```mermaid
flowchart TD
A[识别:几何概型] --> B[确定维度]
B -->|一维| C[长度比]
B -->|二维| D[面积比]
B -->|三维| E[体积比]
C --> F["P = 有利长度 / 总长度"]
D --> G["P = 有利面积 / 总面积"]
E --> H["P = 有利体积 / 总体积"]
```
## 通法步骤
### 一、核心公式
$$
P(A) = \frac{\text{事件 } A \text{ 对应子区域的测度}}{\text{样本空间 } \Omega \text{ 的测度}}
$$
### 二、典型模型
**模型 A:会面问题**
- 两人约在 $[0, T]$ 内到达,先到者等 $t$ 分钟,求两人会面概率
- 设到达时间 $x, y$,样本空间 $[0, T]^2$
- 会面条件:$|x - y| \le t$
- $P = 1 - \dfrac{(T-t)^2}{T^2} = \dfrac{2tT - t^2}{T^2}$(图形法求面积)
**模型 B:随机取数模型**
- $[0, 1]$ 上取两个数 $x, y$,求 $x + y \le c$ 的概率
- 样本空间是单位正方形,面积 1
- $x + y \le c$ 的区域:当 $c \le 1$ 是三角形面积 $c^2/2$;当 $c > 1$ 是 1 - 缺角面积
**模型 C:投针问题(Buffon)**
- 平面有等距平行线(间距 $d$),针长 $l \le d$,求针与线相交概率
- $P = \dfrac{2l}{\pi d}$(蒲丰投针)
## 常见陷阱
- **样本空间**不是 $[0,1]$,而是 $[0,1]^2$(两个变量)
- 几何概型中**均匀分布**假设必须成立
- 落入区域时**边界**(长度/面积为 0)忽略不计
## 经典母题
> **题目**:在 $[0, 1]$ 上随机取两个数 $x, y$,求:
> (1) $x + y \le 1$ 的概率;
> (2) $xy \le 1/2$ 的概率。
**解析**:
设样本空间 $\Omega = \{(x, y) : 0 \le x \le 1, 0 \le y \le 1\}$,面积 = 1。
**问题 (1)**:$x + y \le 1$ 是直角三角形(直角边长 1),面积 = $\dfrac{1}{2}$。
$P(x + y \le 1) = \dfrac{1/2}{1} = \dfrac{1}{2}$
**问题 (2)**:$xy \le 1/2$ 在单位正方形内。
- 当 $0 < x \le 1/2$:$y$ 任意都行($xy \le x/2 \le 1/4 < 1/2$)
- 当 $1/2 < x \le 1$:$y \le \dfrac{1}{2x}$,即 $y \in [0, 1/(2x)]$
有利面积:
$$
\int_0^{1/2} 1 \, dx + \int_{1/2}^1 \frac{1}{2x} dx = \frac{1}{2} + \frac{1}{2}\ln x \Big|_{1/2}^1 = \frac{1}{2} + \frac{1}{2}(0 - \ln \frac{1}{2}) = \frac{1}{2} + \frac{\ln 2}{2}
$$
$P(xy \le 1/2) = \dfrac{1 + \ln 2}{2} \approx 0.847$
**复盘**:
- 问题 (1) 用**面积比**,是简单的几何概型
- 问题 (2) 用**积分**,考察是否熟悉"几何概率 + 积分"综合题
> **陷阱**:直接写 $\dfrac{1/2}{1} = 1/2$ 来算 (2) 是错的,因为事件区域**不是**矩形。
---
> **变式**:甲在 $[0, 30]$ 分钟内等可能到达,乙在 $[10, 40]$ 分钟内等可能到达(独立),求"先到者等后到者不超过 5 分钟"的概率。
**解**:
- 样本空间:$[0, 30] \times [10, 40]$,面积 $30 \times 30 = 900$
- 设甲到达 $x \in [0, 30]$,乙到达 $y \in [10, 40]$
- 条件:$|x - y| \le 5$
- 有利区域:$(x - y)^2 \le 25$,即带状区域
- 通过作图(不规则六边形),面积 = $30 \times 30 - (25 \times 25) = 900 - 625 = 275$(减去两个不满足的三角形)
- $P = 275/900 = 11/36$
> **口诀速记**:
> - "**会面**问题:作图 → 求面积比"
> - "**随机取数**问题:积分或作图"
> - "**均匀分布** + **几何区域** = 几何概型"
@@ -0,0 +1,104 @@
# 题型四:条件概率与乘法公式
## 识别特征
- 题干出现"**已知**"、"**在 ... 条件下**"、"**如果**"
- 需要求 $P(A | B)$ 或 $P(AB)$
- 涉及"分阶段"问题
## 解题流程
```mermaid
flowchart TD
A[识别:条件概率] --> B{求什么?}
B -->|"已知B, 求A"| C["P(A|B) = P(AB)/P(B)"]
B -->|"已知A, 求B"| D["P(B|A) = P(AB)/P(A)"]
B -->|"求联合P AB"| E["P(AB) = P(B) P(A|B)"]
B --> F{多事件?}
F -->|是| G[链式法则]
F -->|否| H[用上述公式]
```
## 通法步骤
### 一、条件概率公式
$$
P(A | B) = \frac{P(AB)}{P(B)} \quad (P(B) > 0)
$$
**核心**:把 $\Omega$ 缩小到 $B$,再求 $A$ 在 $B$ 中的占比。
### 二、乘法公式
$$
P(AB) = P(B) \cdot P(A | B) = P(A) \cdot P(B | A)
$$
### 三、链式法则
$$
P(A_1 A_2 \cdots A_n) = P(A_1) \cdot P(A_2 | A_1) \cdot P(A_3 | A_1 A_2) \cdots P(A_n | A_1 \cdots A_{n-1})
$$
要求 $P(A_1 A_2 \cdots A_{n-1}) > 0$。
## 常见陷阱
- **分母搞错**:$P(A|B) = P(AB)/P(B)$,不是 $P(AB)/P(A)$
- **条件概率无对称性**:$P(A|B) \neq P(B|A)$(二者通常不等!)
- 多个条件概率连乘时,每步的"条件"必须满足**当前已知的所有事件**
- **链式法则**的分母条件:每步条件概率的条件事件必须有正概率
## 经典母题
> **题目**:设袋中有 $a$ 个白球、$b$ 个黑球。先后两次不放回地取球,求:
> (1) 已知第一次取到白球,第二次取到黑球的概率;
> (2) 两次都取到白球的概率。
**解析**:
**问题 (1)**:设 $A$ = "第一次取到白球",$B$ = "第二次取到黑球"。
$$
P(B | A) = \frac{\text{第一次取白后剩 } a-1 \text{ 白 } b \text{ 黑}}{\text{总数 } a+b-1} = \frac{b}{a+b-1}
$$
**问题 (2)**:用乘法公式。
$$
P(AB) = P(A) \cdot P(B | A) = \frac{a}{a+b} \cdot \frac{b}{a+b-1} = \frac{ab}{(a+b)(a+b-1)}
$$
也可用组合公式:
$$
P(AB) = \frac{C_a^1 C_b^1}{C_{a+b}^2} \cdot \text{(顺序系数约掉)} = \frac{a \cdot b}{(a+b)(a+b-1)}
$$
**复盘**:不放回抽样是**链式法则**最经典的应用场景。两个方法结果一致,体现了**条件概率与组合计数**的等价性。
---
> **变式**:设事件 $A, B$ 满足 $P(A) = 0.5, P(B) = 0.6, P(A \cup B) = 0.8$,求 $P(A | B)$。
**解**:
- $P(AB) = P(A) + P(B) - P(A \cup B) = 0.5 + 0.6 - 0.8 = 0.3$
- $P(A | B) = P(AB) / P(B) = 0.3 / 0.6 = 0.5 = P(A)$
> **关键观察**:$P(A | B) = P(A)$ 意味着 $A, B$ **相互独立**(见题型 6)。
---
> **变式 2**:某城市居民患肝癌的概率为 $0.04$。普查时用甲方法检验,肝癌患者检出率 $0.95$,非患者误诊率 $0.05$。求"检验为阳性者确实患肝癌"的概率。
**解**(这是贝叶斯问题):
- 设 $H$ = "患肝癌",$\bar{H}$ = "未患",$+$ = "检验阳性"
- $P(H) = 0.04, P(\bar{H}) = 0.96$
- $P(+ | H) = 0.95, P(+ | \bar{H}) = 0.05$
- $P(+) = 0.04 \times 0.95 + 0.96 \times 0.05 = 0.038 + 0.048 = 0.086$
- $P(H | +) = \dfrac{0.04 \times 0.95}{0.086} \approx 0.442$
**结论**:阳性者中仅约 44% 真患肝癌——这就是"假阳性率"问题。
> **口诀速记**:
> - "**已知B求A**:$P(A|B) = P(AB)/P(B)$"
> - "**多阶段**:链式法则(条件概率连乘)"
> - "**分母是当前的条件事件**,不是无条件概率"
@@ -0,0 +1,116 @@
# 题型五:全概率公式与贝叶斯公式 ⭐⭐⭐
## 识别特征
- **全概率**:题目有**多阶段**结构("原因 → 结果")
- 例如:3 台机器生产产品,已知产量占比和次品率,求总次品率
- **贝叶斯**:已知**结果**,求**原因**的概率
- 例如:已知产品是次品,求"它来自第几台机器"
- 题干必有**完备事件组**($B_1, B_2, \ldots, B_n$)作为"原因"
## 解题流程
```mermaid
flowchart TD
A[识别:多阶段问题] --> B{求什么?}
B -->|"原因已知, 求结果"| C[全概率公式]
B -->|"结果已知, 求原因"| D[贝叶斯公式]
C --> E[1. 识别完备事件组 Bi]
E --> F[2. 写先验 P Bi 和似然 P A|Bi]
F --> G[3. P A = Σ P Bi P A|Bi]
D --> H[1. 先用全概率求 P A]
H --> I[2. P Bi|A = P Bi P A|Bi / P A]
```
## 通法步骤
### 一、全概率公式
**前提**:$\{B_1, B_2, \ldots, B_n\}$ 是 $\Omega$ 的**完备事件组**(两两互斥 + 穷尽),$P(B_i) > 0$。
$$
P(A) = \sum_{i=1}^n P(B_i) \cdot P(A | B_i)
$$
**应用步骤**:
1. 识别**原因**:找出"原因"的完备事件组 $B_i$(往往是"按某种标准分类")
2. 写**先验**:$P(B_i)$(各原因的概率)
3. 写**似然**:$P(A | B_i)$(每种原因下结果 $A$ 的概率)
4. **加权求和**:$P(A) = \sum P(B_i) P(A | B_i)$
### 二、贝叶斯公式
$$
P(B_i | A) = \frac{P(B_i) \cdot P(A | B_i)}{P(A)} = \frac{P(B_i) \cdot P(A | B_i)}{\sum_{j=1}^n P(B_j) \cdot P(A | B_j)}
$$
**应用步骤**:
1. 先用**全概率**算 $P(A)$
2. 套**贝叶斯**公式:分子 $= P(B_i) P(A | B_i)$,分母 $= P(A)$
## 常见陷阱
- **完备事件组漏项**:$B_1, B_2, \ldots, B_n$ 必须**穷尽** $\Omega$
- **混淆全概率和贝叶斯**:前者正向(原因→结果),后者逆向(结果→原因)
- 贝叶斯公式的**分子分母不对应**:分母是 $P(A)$(全概率公式的结果),不是某个 $P(A|B_j)$
- 多阶段问题(嵌套):每层都需识别完备事件组
## 经典母题
> **题目**:某厂有三台机床生产同种产品,产量分别占 $45\%$、$35\%$、$20\%$。各机床的次品率分别为 $4\%$、$2\%$、3\%$。现随机取一件产品,
>
> (1) 求它是次品的概率;
> (2) 若发现是次品,求它最有可能是哪台机床生产的。
**解析**:
设 $B_i = $"第 $i$ 台机床生产"($i=1,2,3$),$A = $"次品"。
- 先验:$P(B_1) = 0.45, P(B_2) = 0.35, P(B_3) = 0.20$
- 似然:$P(A | B_1) = 0.04, P(A | B_2) = 0.02, P(A | B_3) = 0.03$
**(1) 全概率公式**:
$$
P(A) = 0.45 \times 0.04 + 0.35 \times 0.02 + 0.20 \times 0.03 = 0.018 + 0.007 + 0.006 = 0.031
$$
**(2) 贝叶斯公式**(比较三个 $P(B_i | A)$):
$$
P(B_1 | A) = \frac{0.018}{0.031} \approx 0.581, \quad
P(B_2 | A) = \frac{0.007}{0.031} \approx 0.226, \quad
P(B_3 | A) = \frac{0.006}{0.031} \approx 0.194
$$
**结论**:
- 次品率 $P(A) = 3.1\%$
- 次品最可能来自第 1 台机床(58.1%)
**复盘**:本题完整演示了"全概率 → 贝叶斯"的两步流程。**核心要义**:先算"边际概率"(全概率),再做"后验推断"(贝叶斯)。
---
> **变式 1**:假设工厂每天生产的次品来自白天或夜班。白天产量 60%,次品率 1%;夜班产量 40%,次品率 2%。求随机取一件为次品的概率,以及该次品来自白天的概率。
**解**:
- $P(\text{白天}) = 0.6, P(\text{夜班}) = 0.4$
- $P(\text{次品} | \text{白天}) = 0.01, P(\text{次品} | \text{夜班}) = 0.02$
- 全概率:$P(\text{次品}) = 0.6 \times 0.01 + 0.4 \times 0.02 = 0.006 + 0.008 = 0.014$
- 贝叶斯:$P(\text{白天} | \text{次品}) = 0.006 / 0.014 \approx 0.429$
---
> **变式 2**:选择题(概念辨析)
设 $B_1, B_2$ 是 $\Omega$ 的完备事件组,$P(B_1) = 0.6, P(A | B_1) = 0.1, P(A | B_2) = 0.3$。下列哪个是 $P(B_2 | A)$?
(A) $\dfrac{0.4 \times 0.3}{0.6 \times 0.1 + 0.4 \times 0.3}$ (正确)
(B) $\dfrac{0.6 \times 0.1}{0.6 \times 0.1 + 0.4 \times 0.3}$
(C) $\dfrac{0.4 \times 0.3}{0.6 + 0.4 \times 0.3}$
(D) $\dfrac{0.6 \times 0.1}{0.4 \times 0.3}$
**答案**:(A)。**常见错选 (D)**——分子分母搞反。
> **口诀速记**:
> - "**先原因,后结果** → 全概率"
> - "**先结果,后原因** → 贝叶斯"
> - "贝叶斯公式 = 分子 / 分母(分母是全概率公式结果)"
@@ -0,0 +1,115 @@
# 题型六:事件独立性
## 识别特征
- 题干出现"**独立**"、"**相互独立**"、"**两两独立**"
- 需要验证 $P(AB) = P(A)P(B)$
- 需要利用独立性计算概率
## 解题流程
```mermaid
flowchart TD
A[识别:独立性] --> B{几个事件?}
B -->|2 个| C["P(AB) = P(A)P(B) 验证"]
B -->|3 个以上| D[验证所有子集满足乘积公式]
C --> E[利用独立性计算概率]
D --> E
```
## 通法步骤
### 一、两个事件独立
**定义**:若 $P(AB) = P(A) P(B)$,则 $A, B$ 相互独立。
**等价条件**($P(A) > 0, P(B) > 0$ 时):
- $P(B | A) = P(B)$
- $P(A | B) = P(A)$
- $P(\bar{A} | B) = P(\bar{A})$
- $A$ 与 $\bar{B}$ 独立、$\bar{A}$ 与 $B$ 独立、$\bar{A}$ 与 $\bar{B}$ 独立
### 二、多个事件独立
事件 $A_1, A_2, \ldots, A_n$ 相互独立:对**任意子集** $\{i_1, i_2, \ldots, i_k\}$($1 \le k \le n$):
$$
P(A_{i_1} A_{i_2} \cdots A_{i_k}) = P(A_{i_1}) P(A_{i_2}) \cdots P(A_{i_k})
$$
### 三、关键判别
| 概念 | 关系 |
|------|------|
| 互不相容(互斥) | $P(AB) = 0$ |
| 独立 | $P(AB) = P(A)P(B)$ |
| 互不相容 + 独立 | 仅当 $P(A)=0$ 或 $P(B)=0$ |
> ⚠️ **核心警示**:互不相容**不蕴含**独立(反之亦然)。
## 常见陷阱
- 把**互斥**与**独立**混淆(最常见错误)
- "**两两独立** $\neq$ **相互独立**"(三事件时区别显现)
- 独立性的判定必须基于**已知分布**,不能凭直觉
- 利用独立性计算概率时,**乘法公式**的 $P(A|B) = P(A)$ 简化要记牢
## 经典母题
> **题目**:设 $A, B$ 相互独立,$P(A) = 0.4, P(B) = 0.5$。求:
> (1) $P(A \cup B)$;
> (2) $P(\bar{A} | B)$;
> (3) $P(A | \bar{B})$。
**解析**:
**(1)** $P(A \cup B) = P(A) + P(B) - P(AB) = 0.4 + 0.5 - 0.4 \times 0.5 = 0.7$
**(2)** $\bar{A}$ 与 $B$ 独立(独立的对立事件也独立):
$P(\bar{A} | B) = P(\bar{A}) = 1 - P(A) = 0.6$
**(3)** $A$ 与 $\bar{B}$ 独立:
$P(A | \bar{B}) = P(A) = 0.4$
**复盘**:独立性下,条件概率等于无条件概率——这是判断独立性的"条件概率法"核心。
---
> **变式 1**:设 $A, B, C$ 三事件满足 $P(A) = P(B) = P(C) = 1/4, P(AB) = P(BC) = 1/8, P(AC) = 0, P(ABC) = 0$。
>
> 验证:(1) $A, B, C$ 两两独立吗?(2) $A, B, C$ 相互独立吗?
**解析**:
**(1)** 两两独立:
- $P(AB) = 1/8 = P(A)P(B) = 1/4 \times 1/4 = 1/16$?❌($1/8 \neq 1/16$)
- **结论**:$A, B$ 不两两独立(更谈不上相互独立)
> 此题说明:**两两独立**和**相互独立**是有区别的。
**(2) 反例**:四枚硬币的经典反例。设 $\Omega$ 含 4 个等可能基本事件,定义:
- $A = $ "第 1, 2 枚为正面"(2/4)
- $B = $ "第 2, 3 枚为正面"(2/4)
- $C = $ "第 1, 3 枚为正面"(2/4)
- 两两独立(任意两事件交集都是 1/4)
- $P(ABC) = 1/4 \neq P(A)P(B)P(C) = 1/8$
**结论**:$A, B, C$ 两两独立但**不**相互独立。
---
> **变式 2**:设 $A, B$ 独立,$P(A) = 0.5, P(\bar{A}B) = 0.3$。求 $P(B)$。
**解**:
- $\bar{A}$ 与 $B$ 独立(独立的对立事件独立)
- $P(\bar{A}B) = P(\bar{A}) P(B) = 0.5 \cdot P(B) = 0.3$
- $P(B) = 0.6$
---
> **跨章节预告**:独立性的概念在 Ch02 升级为"随机变量独立"——对任意 Borel 集 $A, B$,$P(X \in A, Y \in B) = P(X \in A) P(Y \in B)$。事件独立性是随机变量独立性的特例。
> **口诀速记**:
> - "**独立** = 乘积公式成立"
> - "**条件概率** = **无条件概率**(独立时)"
> - "**对立事件**也独立(独立的对偶性)"
> - "**互斥 ≠ 独立**(除非有零概率事件)"
@@ -0,0 +1,618 @@
# 📌 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。
@@ -0,0 +1,132 @@
# 题型一:分布律与分布函数的关系
## 识别特征
- 题目给出**离散型分布律**,要求画 $F(x)$ 或求某点 $F(a)$
- 题目给出**阶梯型 $F(x)$**,要求还原**分布律**(即找跳跃点和跳跃高度)
- 题目问"$P(X \le a)$" 或 "$P(X > a)$",要求用 $F(x)$ 表达
- 题干含"分布律"、"分布函数"、"阶梯函数"等关键字
## 解题流程
```mermaid
flowchart TD
A[已知条件] --> B{离散型?}
B -->|是| C[1. 列出 X 的取值 x1<x2<...<xn]
C --> D[2. F x = Σ pk, 其中 xk ≤ x]
D --> E[3. 分段表达: 每段写常数]
B -->|否| F[题目给 F x, 求分布律]
F --> G[1. 找 F 的所有跳跃点 = xk]
G --> H[2. 跳跃高度 = P X=xk]
H --> I[3. 验证 Σ pk = 1]
```
## 通法步骤
### 一、由分布律画 $F(x)$(**离散 → 阶梯函数**)
**步骤**:
1. 把 $x_k$ 按**从小到大**排列
2. 在每个 $x_k$ 处画一个**跳**,高度 $= p_k$
3. 在 $x_1$ 之前 $F(x) = 0$,在 $x_n$ 之后 $F(x) = 1$
4. 跳跃点取**右极限**(右连续!)
**通式**:
$$
F(x) = \sum_{x_k \le x} p_k = \begin{cases} 0, & x < x_1 \\ \sum_{i=1}^k p_i, & x_k \le x < x_{k+1} \\ 1, & x \ge x_n \end{cases}
$$
*极简例子:* $X$ 取值 $\{0, 1, 2\}$,概率 $\{1/4, 1/2, 1/4\}$。
$$
F(x) = \begin{cases} 0, & x < 0 \\ 1/4, & 0 \le x < 1 \\ 3/4, & 1 \le x < 2 \\ 1, & x \ge 2 \end{cases}
$$
> 🔑 **右连续规则**:$F(0) = 1/4$(取右极限),$F(0^-) = 0$(取左极限)。**离散型 $F$ 必有跳跃,跳跃点为取值点**。
### 二、由 $F(x)$ 还原分布律(**阶梯 → 离散**)
**步骤**:
1. 找 $F$ 的**所有跳跃点** $\Rightarrow$ 即 $X$ 的取值
2. 计算**跳跃高度** $P(X = x_k) = F(x_k) - F(x_k^-)$
3. 验证 $\sum p_k = 1$
*极简例子:* 已知
$$
F(x) = \begin{cases} 0, & x < 1 \\ 1/3, & 1 \le x < 2 \\ 5/6, & 2 \le x < 3 \\ 1, & x \ge 3 \end{cases}
$$
- 跳跃点:$1, 2, 3$
- $P(X=1) = 1/3 - 0 = 1/3$
- $P(X=2) = 5/6 - 1/3 = 1/2$
- $P(X=3) = 1 - 5/6 = 1/6$
- 验证:$1/3 + 1/2 + 1/6 = 1$ ✓
### 三、用 $F(x)$ 求概率
$$
P(X \le a) = F(a), \quad P(X > a) = 1 - F(a), \quad P(a < X \le b) = F(b) - F(a)
$$
> ⚠️ 注意开闭区间:$P(X < a) = F(a^-)$,$P(X = a) = F(a) - F(a^-)$
## 常见陷阱
- **左开右闭 vs 左闭右开**:$P(a \le X \le b) = F(b) - F(a^-)$,而 $P(a < X \le b) = F(b) - F(a)$
- **右连续写错**:$F(x_k)$ 应为 $F(x_k^+)$(右极限),而不是 $F(x_k^-)$
- **分布律不归一**:还原分布律后必须验证 $\sum p_k = 1$,否则 $F$ 不构成合法分布函数
- **混淆连续和离散**:连续型 $F$ 一定连续(没有跳跃),离散型 $F$ 必有跳跃
## 经典母题
> **题目 1(由分布律求 $F(x)$)**:设 $X$ 的分布律为 $P(X = k) = \dfrac{1}{2^k}$,$k = 1, 2, 3, \ldots$。求 $F(x)$。
**解析**:
**第一步**:验证归一性:$\sum_{k=1}^{\infty} \dfrac{1}{2^k} = 1$ ✓
**第二步**:分段写 $F(x)$:
- $x < 1$:$F(x) = 0$
- $1 \le x < 2$:$F(x) = P(X=1) = 1/2$
- $2 \le x < 3$:$F(x) = P(X \le 2) = 1/2 + 1/4 = 3/4$
- $k \le x < k+1$:$F(x) = \sum_{i=1}^k \dfrac{1}{2^i} = 1 - \dfrac{1}{2^k}$
**通式**:
$$
F(x) = \begin{cases} 0, & x < 1 \\ 1 - \dfrac{1}{2^k}, & k \le x < k+1, \, k = 1, 2, \ldots \\ 1, & x \ge \infty \end{cases}
$$
**复盘**:本题关键是发现几何级数求和:$\sum_{i=1}^k \dfrac{1}{2^i} = 1 - \dfrac{1}{2^k}$。
---
> **题目 2(由 $F(x)$ 还原分布律)**:设随机变量 $X$ 的分布函数为
> $$
> F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 1 \\ 7/10, & 1 \le x < 2 \\ 1, & x \ge 2 \end{cases}
> $$
> 求 $X$ 的分布律。
**解析**:
**第一步**:找跳跃点 $0, 1, 2$。
**第二步**:计算跳跃高度:
- $P(X = 0) = F(0) - F(0^-) = 1/2 - 0 = 1/2$
- $P(X = 1) = F(1) - F(1^-) = 7/10 - 1/2 = 2/10 = 1/5$
- $P(X = 2) = F(2) - F(2^-) = 1 - 7/10 = 3/10$
**第三步**:验证 $\sum p_k = 1/2 + 1/5 + 3/10 = 5/10 + 2/10 + 3/10 = 1$ ✓
**分布律**:
| $X$ | 0 | 1 | 2 |
|-----|---|---|---|
| $P$ | $1/2$ | $1/5$ | $3/10$ |
**复盘**:核心就是 $F$ 在每个跳跃点的"左右极限之差"。**一定要记得 $F(0) = 1/2$(不是 $0$),因为离散型 $F$ 是右连续的**。
---
> **变式(连续型对比)**:若 $X \sim U(0,1)$,则
> $$F(x) = \begin{cases} 0, & x < 0 \\ x, & 0 \le x \le 1 \\ 1, & x > 1 \end{cases}$$
> **无跳跃点**(连续型 $F$ 无跳跃)→ **不存在 $P(X = a) > 0$**。这是判断连续 vs 离散的核心特征。
@@ -0,0 +1,195 @@
# 题型二:常见离散分布 ⭐⭐⭐
## 识别特征
- 题干出现"**独立重复** $n$ 次" → 二项分布 $B(n,p)$
- 题干出现"**单位时间/面积/体积内事件数**" → 泊松分布 $P(\lambda)$
- 题干出现"**首次成功**所需次数" → 几何分布 $G(p)$
- 题干出现"**不放回抽样**" → 超几何分布 $H(N,M,n)$
- 题干出现"**成功/失败**"两类结果 → 0-1 分布 $B(1,p)$
## 解题流程
```mermaid
flowchart TD
A[识别场景] --> B{两类结果?}
B -->|单次| C[0-1 分布 B 1,p]
B -->|n次独立重复| D[二项分布 B n,p]
B -->|不放回抽样| E[超几何 H N,M,n]
A --> F{单位时间/空间事件数?}
F -->|是| G[泊松分布 P λ]
A --> H{首次成功次数?}
H -->|是| I[几何分布 G p]
D --> J[1. 写公式 pk = Cnk pk 1-p^n-k]
E --> K[1. 写公式 pk = CMk CN-M n-k / CNn]
G --> L[1. 写公式 pk = λk/k! e^(-λ)]
I --> M[1. 写公式 pk = 1-p^k-1 p]
```
## 通法步骤
### 一、0-1 分布 $B(1, p)$
$$
P(X = k) = p^k (1-p)^{1-k}, \quad k \in \{0, 1\}
$$
**识别**:单次伯努利试验(成功/失败)
### 二、二项分布 $B(n, p)$ ⭐⭐⭐(考研核心)
$$
P(X = k) = \binom{n}{k} p^k (1-p)^{n-k}, \quad k = 0, 1, \ldots, n
$$
**识别**:
- "**独立**" + "**重复**" + "$n$ **次**" + "每次成功概率 $p$"
- 求"成功次数"的概率
**步骤**:
1. 验证独立 + 重复(关键!)
2. 写公式,$k$ 是成功次数
3. 用组合公式展开
4. 计算数值或保留组合形式
*极简例子:* $X \sim B(3, 0.5)$,$P(X = 2) = C_3^2 (0.5)^2 (0.5) = 3 \times 1/8 = 3/8$
> 🔑 **判断独立 + 重复的提问**:
> - "**每次抽完放回**" ✓ 独立
> - "**每次抽完不放回**" ✗ 不独立(若 $n \ll N$ 可视为二项近似)
> - "**有放回地抽取**" ✓ 独立
### 三、泊松分布 $P(\lambda)$ ⭐⭐⭐(考研核心)
$$
P(X = k) = \frac{\lambda^k}{k!} e^{-\lambda}, \quad k = 0, 1, 2, \ldots
$$
**识别**:
- "**单位时间**(/面积/体积)内事件发生次数"
- 事件"稀疏、独立"(稀疏事件流)
- 平均速率 $\lambda$
**步骤**:
1. 确定 $\lambda$(单位时间/面积/体积的平均数)
2. 写公式,$k$ 是实际发生次数
3. 算 $\lambda^k / k!$ 和 $e^{-\lambda}$
*极简例子:* 商店平均每小时来 5 个顾客,$X \sim P(5)$,$P(X = 3) = \dfrac{5^3}{3!} e^{-5} = \dfrac{125}{6} e^{-5} \approx 0.1404$
> 🔑 **泊松定理**(重要近似):
> 当 $n \to \infty, p \to 0, np = \lambda$ 时,$B(n,p) \to P(\lambda)$
> **应用场景**:$n$ 很大,$p$ 很小("稀疏事件")
### 四、几何分布 $G(p)$ ⭐⭐
$$
P(X = k) = (1-p)^{k-1} p, \quad k = 1, 2, \ldots
$$
**识别**:
- "**首次成功**所需的**次数**"
- 独立重复试验,每次成功概率 $p$
**关键性质**:**无记忆性**
$$
P(X > m + n \mid X > m) = P(X > n)
$$
*极简例子:* 射击命中率 $p = 0.3$,$P(X = 2) = 0.7 \times 0.3 = 0.21$
### 五、超几何分布 $H(N, M, n)$
$$
P(X = k) = \frac{\binom{M}{k} \binom{N - M}{n - k}}{\binom{N}{n}}, \quad \max(0, n - (N-M)) \le k \le \min(n, M)
$$
**识别**:
- $N$ 件物品中 $M$ 件是"特殊"(次品/正品)
- **不放回**抽取 $n$ 件
- 求"特殊物品数" $X$
**步骤**:
1. 识别三参数:$N$(总数), $M$(特殊数), $n$(抽取数)
2. 写公式:分子 $C_M^k C_{N-M}^{n-k}$,分母 $C_N^n$
*极简例子:* $N=5, M=2, n=2$,$P(X = 1) = \dfrac{C_2^1 C_3^1}{C_5^2} = \dfrac{6}{10} = 0.6$
> 🔑 **超几何 vs 二项**:
> - **不放回**:超几何
> - **放回**:二项
> - 当 $n \ll N$ 时,超几何 $\approx$ 二项 $B(n, M/N)$
### 六、常见分布速查表
| 分布 | 符号 | 参数 | $E(X)$ | $D(X)$ | 关键场景 |
|------|------|------|--------|--------|---------|
| 0-1 | $B(1,p)$ | $p$ | $p$ | $p(1-p)$ | 单次试验 |
| 二项 | $B(n,p)$ | $n, p$ | $np$ | $np(1-p)$ | 独立重复 $n$ 次 |
| 泊松 | $P(\lambda)$ | $\lambda$ | $\lambda$ | $\lambda$ | 稀疏事件流 |
| 几何 | $G(p)$ | $p$ | $1/p$ | $(1-p)/p^2$ | 首次成功 |
| 超几何 | $H(N,M,n)$ | $N,M,n$ | $nM/N$ | $nM(N-M)(N-n)/(N^2(N-1))$ | 不放回抽样 |
## 常见陷阱
- **泊松 $\lambda$ 是"速率"**:题目要仔细看是"每小时 $\lambda$"还是"每天 $\lambda$",要先**统一单位**
- **泊松 vs 二项**:泊松是"事件数"(无穷多可能 $k$),二项是"$n$ 次中成功次数"($k = 0, \ldots, n$)
- **超几何 vs 二项**:放回才能用二项;不放回必须用超几何(或当 $n \ll N$ 时近似为二项)
- **几何分布无记忆性的误用**:仅适用于"**首次**成功",不适用于"等待时间"
- **0-1 分布公式的常见错**:$P(X = 0) = p$,$P(X = 1) = 1 - p$(不是反过来!)
## 经典母题
> **题目**:某车间有 5 台机床,每台机床的"开动率"为 0.7(即开动概率 0.7,且相互独立)。求:
> (1) 5 台机床中恰好 2 台开动的概率;
> (2) 5 台机床中至少 2 台开动的概率;
> (3) 1 小时内平均有 3 台机床开动时(其他参数不变),求恰有 5 台开动的概率。
**解析**:
设 $X$ = "5 台中开动的机床数"。
**(1)** 5 台独立,每台开动 $p = 0.7$,$X \sim B(5, 0.7)$:
$$
P(X = 2) = \binom{5}{2} (0.7)^2 (0.3)^3 = 10 \times 0.49 \times 0.027 \approx 0.1323
$$
**(2)** $P(X \ge 2) = 1 - P(X = 0) - P(X = 1)$
$$
P(X = 0) = (0.3)^5 = 0.00243, \quad P(X = 1) = 5 \times 0.7 \times (0.3)^4 = 0.02835
$$
$$
P(X \ge 2) = 1 - 0.00243 - 0.02835 \approx 0.9692
$$
**(3)** 1 小时内平均开动 3 台 → $X \sim P(3)$:
$$
P(X = 5) = \frac{3^5}{5!} e^{-3} = \frac{243}{120} e^{-3} = \frac{81}{40} e^{-3} \approx 0.1008
$$
**复盘**:
- (1)(2) 用二项分布(独立 + 重复 + 次数固定)
- (3) 用泊松分布(单位时间内事件数)
---
> **变式 1(不放回抽样)**:100 件产品有 5 件次品,不放回抽 3 件,求次品数 $X$ 的分布。
**解**:$X \sim H(100, 5, 3)$
$$
P(X = k) = \frac{\binom{5}{k} \binom{95}{3-k}}{\binom{100}{3}}, \quad k = 0, 1, 2, 3
$$
**注意**:**不放回** → 必用超几何,不能用二项!
---
> **变式 2(无记忆性)**:某元件寿命 $X \sim G(p)$,求 $P(X > m + n \mid X > m)$。
**解**:由无记忆性,$P(X > m + n \mid X > m) = P(X > n) = (1-p)^n$。
> 口诀速记:
> - "**独立重复 $n$ 次**" → 二项
> - "**单位时间事件数**" → 泊松
> - "**不放回抽样**" → 超几何
> - "**首次成功次数**" → 几何
@@ -0,0 +1,179 @@
# 题型三:分布函数的性质与求解
## 识别特征
- 题目给一个函数 $F(x)$,问"它**能否**作为某随机变量的分布函数"
- 题目给 $F(x)$,要求"**求概率** $P(a < X \le b)$"
- 题目给密度 $f(x)$,要求"**求分布函数** $F(x)$"
- 题干含"验证"、"判断"、"$\lim$"、"右连续"、"单调"等关键词
## 解题流程
```mermaid
flowchart TD
A[题目要求] --> B{验证 F 是合法分布函数?}
B -->|验证| C[1. 单调非减: F x1 ≤ F x2 if x1 < x2]
C --> D[2. 有界: 0 ≤ F ≤ 1, F -∞ = 0, F +∞ = 1]
D --> E[3. 右连续: F x+ = F x]
E --> F[是: 合法 / 否: 不合法]
A --> G{已知 f x 求 F x?}
G --> H[F x = ∫ -∞ to x f t dt, 分段计算]
A --> I{已知 F x 求 P?}
I --> J[P a < X ≤ b = F b - F a]
I --> K[P X = a = F a - F a-]
I --> L[P X > a = 1 - F a]
```
## 通法步骤
### 一、分布函数的**4 条核心性质**
| # | 性质 | 公式 | 几何含义 |
|---|------|------|---------|
| 1 | **单调非减** | $x_1 < x_2 \Rightarrow F(x_1) \le F(x_2)$ | 不会"倒退" |
| 2 | **有界** | $0 \le F(x) \le 1$ | 上下界 |
| 3 | **极限** | $F(-\infty) = 0, F(+\infty) = 1$ | 渐近线 |
| 4 | **右连续** | $F(x_0^+) = F(x_0)$ | 跳跃点在 $x_0$,但 $F(x_0)$ 取右极限 |
> 🔑 **4 条性质必须同时满足**,缺一不可!
### 二、判断 $F(x)$ 是否合法(**考研常见选择题**)
**步骤**:
1. **有界性**:$\lim_{x \to -\infty} F(x) = 0$ 且 $\lim_{x \to +\infty} F(x) = 1$
2. **单调性**:$F(x_1) \le F(x_2)$(当 $x_1 < x_2$)
3. **右连续**:$F(x_0) = \lim_{x \to x_0^+} F(x)$
*极简例子:* 设 $F(x) = \dfrac{1}{1 + x^2}$,能否作为分布函数?
- $F(-\infty) = 0$ ✓
- $F(+\infty) = 0$ ✗(应为 1)→ **不合法**!
### 三、由 $F(x)$ 求概率
$$
P(a < X \le b) = F(b) - F(a)
$$
**特殊情况**:
$$
P(X = a) = F(a) - F(a^-) \quad \text{(跳跃高度)}
$$
$$
P(X > a) = 1 - F(a) \quad \text{(右尾)}
$$
$$
P(X \le a) = F(a) \quad \text{(左尾)}
$$
$$
P(X < a) = F(a^-) \quad \text{(左极限)}
$$
*极简例子:* $X \sim B(3, 0.5)$,求 $P(1 < X \le 3)$。
- $P(X = 0) = 1/8, P(X = 1) = 3/8, P(X = 2) = 3/8, P(X = 3) = 1/8$
- $P(1 < X \le 3) = P(X = 2) + P(X = 3) = 3/8 + 1/8 = 1/2$
或用 $F$:$F(3) = 1, F(1) = 4/8 = 1/2$
- $P(1 < X \le 3) = F(3) - F(1) = 1 - 1/2 = 1/2$ ✓
### 四、由密度 $f(x)$ 求 $F(x)$
$$
F(x) = \int_{-\infty}^x f(t)\, dt
$$
**步骤**:
1. 确定 $f(t)$ 的非零区间
2. 分段积分:$x$ 在不同区间时,积分上下限不同
3. 化简
*极简例子:* $f(x) = \begin{cases} x/2, & 0 \le x \le 2 \\ 0, & \text{其他} \end{cases}$
$$
F(x) = \begin{cases} 0, & x < 0 \\ \int_0^x t/2\, dt = x^2/4, & 0 \le x < 2 \\ 1, & x \ge 2 \end{cases}
$$
## 常见陷阱
- **"非负性"vs"单调性"**:$F$ 一定单调非减,但**可以有平台(导数为 0)**,只是不能"下降"
- **$F(-\infty) = 0, F(+\infty) = 1$ 必须同时验证**:很多题目只验证一个
- **左开 vs 右闭**:$P(a < X \le b) = F(b) - F(a)$ 而**不是** $F(b) - F(a^-)$
- **离散型 $F$ 必有跳跃**:跳跃点对应 $X$ 的取值,连续型 $F$ 无跳跃
- **$F(x)$ 是分段函数时**:必须每段验证性质(特别是右连续)
## 经典母题
> **题目 1(验证合法性)**:下列哪个函数能作为随机变量的分布函数?
>
> (A) $F(x) = \dfrac{1}{1 + x^2}$,$x \in \mathbb{R}$
>
> (B) $F(x) = \begin{cases} 0, & x < 0 \\ x/2, & 0 \le x < 2 \\ 1, & x \ge 2 \end{cases}$
>
> (C) $F(x) = \begin{cases} 0, & x < 0 \\ \sin x, & 0 \le x < \pi \\ 1, & x \ge \pi \end{cases}$
**解析**:
**(A) 验证**:
- $F(-\infty) = 0$ ✓
- $F(+\infty) = 0 \ne 1$ ✗ → **不合法**
**(B) 验证**:
- 单调非减 ✓($0 \to 2$ 递增,$x \ge 2$ 恒为 1)
- $F(-\infty) = 0, F(+\infty) = 1$ ✓
- 右连续 ✓(在 $x=0$ 和 $x=2$ 处均右连续)
- → **合法**
**(C) 验证**:
- 单调性:在 $[0, \pi/2]$ 上 $\sin x$ 递增;在 $[\pi/2, \pi]$ 上 $\sin x$ 递减 → **不单调** ✗
- → **不合法**
**答案**:(B)。
---
> **题目 2(由 $F$ 求概率)**:已知 $X$ 的分布函数为
> $$F(x) = \begin{cases} 0, & x < 0 \\ x/2, & 0 \le x < 1 \\ 1/2, & 1 \le x < 2 \\ 1, & x \ge 2 \end{cases}$$
> 求 $P(X = 1)$, $P(0.5 < X \le 1.5)$, $P(X > 2)$。
**解析**:
- **$P(X = 1)$**:跳跃高度
$$P(X = 1) = F(1) - F(1^-) = 1/2 - 1/2 = 0$$
> ⚠️ 注意:$F(1^-) = \lim_{x \to 1^-} x/2 = 1/2$,$F(1) = 1/2$。**$X$ 在 $1$ 处无取值!**
- **$P(0.5 < X \le 1.5)$**:
$$P(0.5 < X \le 1.5) = F(1.5) - F(0.5) = 1/2 - 1/4 = 1/4$$
- **$P(X > 2)$**:
$$P(X > 2) = 1 - F(2) = 1 - 1 = 0$$
**复盘**:
- $F$ 在 $x = 1$ 处是**平台**(导数为 0),不是跳跃 → $X$ 不取 $1$
- $X$ 的实际取值点:$0, 2$(看 $F$ 的跳跃点)
- $P(X = 0) = F(0) - F(0^-) = 0 - 0 = 0$?等等!
**修正**:仔细看 $F$:
- $x < 0$:$F = 0$
- $0 \le x < 1$:$F = x/2$(在 $0$ 处跳到 $0$,在 $1^-$ 处为 $1/2$)
所以 $P(X = 0) = F(0) - F(0^-) = 0 - 0 = 0$?但 $F(0^-) = 0, F(0) = 0$……
**正确解读**:
- $F(0^-) = 0$,$F(0) = 0/2 = 0$ → $P(X = 0) = 0$
- $F(1^-) = 1/2$,$F(1) = 1/2$ → $P(X = 1) = 0$
- $F(2^-) = 1/2$,$F(2) = 1$ → $P(X = 2) = 1/2$
那 $1/2$ 的概率去哪了?哦,$X$ 在 $(0, 1)$ 内有**连续分布**!
> 这种情况就是**混合型**:$X$ 在 $x = 2$ 处有 $1/2$ 的概率,其余 $(0, 1)$ 上是连续的。$f(x) = F'(x) = 1/2$,$x \in (0, 1)$。
---
> **变式(已知 $f$ 求 $F$)**:设 $X$ 的密度为
> $$f(x) = \begin{cases} 2x, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
> 求 $F(x)$。
**解**:
$$
F(x) = \begin{cases} 0, & x < 0 \\ \int_0^x 2t\, dt = x^2, & 0 \le x < 1 \\ 1, & x \ge 1 \end{cases}
$$
@@ -0,0 +1,188 @@
# 题型四:连续型分布与密度函数 ⭐⭐⭐
## 识别特征
- 题干出现"**均匀分布**"、区间 $[a,b]$ 上的等可能 → $U(a,b)$
- 题干出现"**指数分布**"、寿命/等待时间、失效率 $\lambda$ → $E(\lambda)$
- 题干出现"**正态分布**"、钟形曲线、$N(\mu, \sigma^2)$ → 标准正态化
- 题目要求**求密度**(已知 $F$ 求 $f$)或**求概率**(已知 $f$ 求 $P$)
- 题目要求**求参数**(已知 $\int f = 1$)
## 解题流程
```mermaid
flowchart TD
A[连续型问题] --> B{已知什么?}
B -->|已知密度 f x| C[1. 验证归一性 ∫f dx=1]
C --> D[2. 求概率 P a<X<b = ∫ f dx]
B -->|已知 F x| E[1. f x = F' x 在 F 可导处]
B -->|已知类型 U/E/N| F[1. 套公式]
F --> G[均匀: f=1/b-a]
F --> H[指数: f=λe^(-λx), x≥0]
F --> I[正态: f 钟形曲线]
B --> J{求什么?}
J -->|求参数| K[用 ∫f dx=1 解方程]
J -->|求概率| L[积分或标准化]
J -->|求 F x| M[F x = ∫ -∞ to x f t dt]
```
## 通法步骤
### 一、均匀分布 $U(a, b)$ ⭐⭐
$$
f(x) = \begin{cases} \dfrac{1}{b-a}, & a \le x \le b \\ 0, & \text{其他} \end{cases}
$$
**特征**:"在 $[a,b]$ 上**等可能**" → 密度为常数。
**分布函数**:
$$
F(x) = \begin{cases} 0, & x < a \\ \dfrac{x-a}{b-a}, & a \le x \le b \\ 1, & x > b \end{cases}
$$
**关键性质**:$X \sim U(a,b)$,则 $P(c \le X \le d) = \dfrac{d - c}{b - a}$(区间长度比)
*极简例子:* $X \sim U(0, 2)$,求 $P(0.5 < X < 1.5)$
$$
P = \frac{1.5 - 0.5}{2 - 0} = \frac{1}{2}
$$
### 二、指数分布 $E(\lambda)$ ⭐⭐⭐
$$
f(x) = \begin{cases} \lambda e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}
$$
**特征**:
- $x \ge 0$(**非负**)
- 衰减曲线
- 失效率 / 寿命 / 等待时间
**分布函数**:
$$
F(x) = \begin{cases} 1 - e^{-\lambda x}, & x \ge 0 \\ 0, & x < 0 \end{cases}
$$
**关键性质**:**无记忆性**
$$
P(X > s + t \mid X > s) = P(X > t) = e^{-\lambda t}
$$
*极简例子:* 元件寿命 $X \sim E(0.01)$(平均寿命 $100$ 小时),求 $P(X > 200)$
$$
P(X > 200) = 1 - F(200) = e^{-0.01 \times 200} = e^{-2} \approx 0.1353
$$
### 三、正态分布 $N(\mu, \sigma^2)$ ⭐⭐⭐(详见 题型 5)
**特征**:
- 钟形对称曲线
- 关于 $x = \mu$ 对称
- $\sigma$ 越大曲线越"扁"
- $\mu = 0, \sigma = 1$ 为标准正态 $N(0,1)$
**核心公式**:
$$
f(x) = \frac{1}{\sqrt{2\pi} \sigma} e^{-\frac{(x - \mu)^2}{2\sigma^2}}
$$
### 四、求密度函数的标准流程
**已知 $f(x)$ 求参数**:
1. 写出归一性 $\int f(x) dx = 1$
2. 列出方程,求未知参数
**已知 $F(x)$ 求 $f(x)$**:
1. 在 $F$ 可导处,$f(x) = F'(x)$
2. 在 $F$ 不可导处(连续点),$f(x) = 0$
3. 注意:连续型 $F$ 连续可导(除去有限个点)
*极简例子:* 设 $f(x) = \begin{cases} kx^2, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$,求 $k$。
$$
1 = \int_0^1 kx^2 dx = \frac{k}{3} \Rightarrow k = 3
$$
### 五、求概率的标准流程
$$
P(a \le X \le b) = \int_a^b f(x) dx
$$
**分段积分**:$f$ 在不同区间表达式不同时,积分要分段。
*极简例子:* $f(x) = \begin{cases} 2x, & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$,求 $P(0.3 < X < 0.7)$
$$
P = \int_{0.3}^{0.7} 2x\, dx = x^2 \Big|_{0.3}^{0.7} = 0.49 - 0.09 = 0.40
$$
### 六、三大分布对照表
| 分布 | 密度形状 | 取值范围 | 关键参数 | 关键性质 |
|------|---------|---------|---------|---------|
| $U(a,b)$ | 矩形 | $[a,b]$ | $a, b$ | 区间内常数 |
| $E(\lambda)$ | 衰减曲线 | $[0, +\infty)$ | $\lambda$ | 无记忆性 |
| $N(\mu, \sigma^2)$ | 钟形对称 | $(-\infty, +\infty)$ | $\mu, \sigma$ | 标准化 |
## 常见陷阱
- **均匀分布"开闭区间"**:$f$ 在 $a, b$ 处的取值($1/(b-a)$ 或 $0$)不影响概率(单点概率为 0)
- **指数分布 $x \ge 0$ 限制**:$f(x) = \lambda e^{-\lambda x}$ 仅在 $x \ge 0$ 时成立,$x < 0$ 时 $f = 0$
- **正态参数识别**:$N(\mu, \sigma^2)$ 中**方差是 $\sigma^2$**(不是 $\sigma$!),$\sigma$ 是标准差
- **求密度时漏写"其他 = 0"**:必须明确写分段,$f(x)$ 在范围外是 0
- **分段积分的边界**:积分上下限要严格对应 $f$ 的非零区间
## 经典母题
> **题目**:设 $X$ 的密度函数为
> $$f(x) = \begin{cases} cx^2, & 1 \le x \le 2 \\ 0, & \text{其他} \end{cases}$$
>
> (1) 求常数 $c$;
> (2) 求 $X$ 的分布函数 $F(x)$;
> (3) 求 $P(1.5 < X < 1.8)$。
**解析**:
**(1) 用归一性求 $c$**:
$$
1 = \int_1^2 cx^2 dx = c \cdot \frac{x^3}{3}\Big|_1^2 = c \left(\frac{8}{3} - \frac{1}{3}\right) = \frac{7c}{3}
$$
$$
\Rightarrow c = \frac{3}{7}
$$
**(2) 分段求 $F(x)$**:
- $x < 1$:$F(x) = 0$
- $1 \le x < 2$:
$$F(x) = \int_1^x \frac{3}{7} t^2 dt = \frac{t^3}{7}\Big|_1^x = \frac{x^3 - 1}{7}$$
- $x \ge 2$:$F(x) = 1$
**(3) 求概率**:
$$
P(1.5 < X < 1.8) = F(1.8) - F(1.5) = \frac{1.8^3 - 1}{7} - \frac{1.5^3 - 1}{7} = \frac{5.832 - 2.375}{7} = \frac{3.457}{7} \approx 0.494
$$
或直接积分:
$$
P = \int_{1.5}^{1.8} \frac{3}{7} x^2 dx = \frac{x^3}{7}\Big|_{1.5}^{1.8} = \frac{5.832 - 3.375}{7} = \frac{2.457}{7} \approx 0.351
$$
**复盘**:
- 第 (1) 步用归一性 $\int f = 1$ → 方程 → 解 $c$
- 第 (2) 步分段积分:每个区间单独写公式
- 第 (3) 步两种方法等价:积分 or 用 $F$
---
> **变式(混合型)**:设
> $$f(x) = \begin{cases} c(1 - x), & 0 \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
> 求 $c$ 和 $P(X > 0.5)$。
**解**:
$$
1 = \int_0^1 c(1 - x) dx = c \left[x - \frac{x^2}{2}\right]_0^1 = c \cdot \frac{1}{2} \Rightarrow c = 2
$$
$$
P(X > 0.5) = \int_{0.5}^1 2(1 - x) dx = 2 \left[x - \frac{x^2}{2}\right]_{0.5}^1 = 2(0.5 - 0.375) = 0.25
$$
@@ -0,0 +1,190 @@
# 题型五:正态分布的计算 ⭐⭐⭐
## 识别特征
- 题干出现"**正态分布**"、"**高斯分布**"、$N(\mu, \sigma^2)$
- 题目要求**求概率** $P(a < X < b)$
- 题目要求**求分位数**(已知 $P(X > a) = \alpha$,求 $a$)
- 题干出现"$\Phi$"、"标准化"、"查表"
- 题目涉及"区间估计"、"假设检验"(衔接 Ch06)
## 解题流程
```mermaid
flowchart TD
A[正态分布问题] --> B{已知 N μ σ²}
B --> C[1. 标准化 Z = X-μ/σ]
C --> D[2. P a<X<b = Φ b-μ/σ - Φ a-μ/σ]
D --> E[3. Φ -x = 1 - Φ x 处理负号]
E --> F[4. 查 Φ 表得数值]
A --> G{已知 P X > a = α}
G --> H[1. P X > a = 1 - Φ a-μ/σ = α]
H --> I[2. Φ a-μ/σ = 1-α]
I --> J[3. 查 Φ 表反查分位数]
```
## 通法步骤
### 一、标准正态分布 $N(0, 1)$ 的三大性质 ⭐⭐⭐
**密度**:$\varphi(x) = \dfrac{1}{\sqrt{2\pi}} e^{-x^2/2}$
**分布**:$\Phi(x) = \displaystyle\int_{-\infty}^x \varphi(t) dt$
**性质**:
1. **$\varphi(-x) = \varphi(x)$**(**偶函数**)
2. **$\Phi(-x) = 1 - \Phi(x)$**(**反对称性**——最重要!)
3. **$\Phi(0) = 0.5$**
### 二、标准化(任何 $N(\mu, \sigma^2)$ → $N(0,1)$)
$$
X \sim N(\mu, \sigma^2) \Rightarrow Z = \frac{X - \mu}{\sigma} \sim N(0, 1)
$$
$$
P(a < X < b) = \Phi\!\left(\frac{b - \mu}{\sigma}\right) - \Phi\!\left(\frac{a - \mu}{\sigma}\right)
$$
> 🔑 **核心口诀**:"**减均值,除以标准差**"
*极简例子:* $X \sim N(10, 4)$,求 $P(8 < X < 14)$
$$
P = \Phi\!\left(\frac{14-10}{2}\right) - \Phi\!\left(\frac{8-10}{2}\right) = \Phi(2) - \Phi(-1)
$$
$$
= \Phi(2) - (1 - \Phi(1)) = \Phi(2) + \Phi(1) - 1 \approx 0.9772 + 0.8413 - 1 = 0.8185
$$
### 三、必背的 $\Phi$ 表值(速算关键)
| $x$ | $\Phi(x)$ | $1 - \Phi(x)$ | 应用 |
|-----|-----------|---------------|------|
| 0 | 0.5000 | 0.5000 | 中位数 |
| 1 | 0.8413 | 0.1587 | 68.27% 分位 |
| 1.5 | 0.9332 | 0.0668 | 86.64% 分位 |
| 1.96 | 0.9750 | 0.0250 | **95% 置信** |
| 2 | 0.9772 | 0.0228 | 95.45% 分位 |
| 2.58 | 0.9950 | 0.0050 | **99% 置信** |
| 3 | 0.9987 | 0.0013 | 99.73% 分位 |
> 口诀:"**1.96 是 95%,2.58 是 99%**"——置信区间核心点
### 四、对称区间概率速算(**重要模板**)
$$
P(|X - \mu| < k\sigma) = 2\Phi(k) - 1
$$
| $k$ | $P(\|X - \mu\| < k\sigma)$ |
|-----|---------------------------|
| 1 | $2\Phi(1) - 1 \approx 0.6826$ |
| 2 | $2\Phi(2) - 1 \approx 0.9544$ |
| 3 | $2\Phi(3) - 1 \approx 0.9974$ |
| 1.96 | $2\Phi(1.96) - 1 = 0.95$ |
> 这就是 **"68-95-99.7 法则"**(经验法则)
### 五、求分位数(已知概率反查 $x$)
**题型**:已知 $P(X > a) = \alpha$,求 $a$。
**步骤**:
1. $1 - \Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = \alpha$
2. $\Phi\!\left(\dfrac{a - \mu}{\sigma}\right) = 1 - \alpha$
3. 查 $\Phi$ 表反查 $z_\alpha = \Phi^{-1}(1 - \alpha)$
4. $\dfrac{a - \mu}{\sigma} = z_\alpha \Rightarrow a = \mu + z_\alpha \sigma$
*极简例子:* $X \sim N(10, 4)$,求 $a$ 使得 $P(X > a) = 0.05$。
- $\Phi\!\left(\dfrac{a - 10}{2}\right) = 1 - 0.05 = 0.95$
- $\dfrac{a - 10}{2} = 1.645$(查表 $\Phi(1.645) = 0.95$)
- $a = 10 + 1.645 \times 2 = 13.29$
### 六、正态分布的线性变换(**重要性质**)
若 $X \sim N(\mu, \sigma^2)$,则对任意常数 $a \ne 0, b$:
$$
Y = aX + b \sim N(a\mu + b, a^2 \sigma^2)
$$
> **核心**:**正态的线性变换仍是正态**,均值和方差按线性变换规则计算。
*极简例子:* $X \sim N(2, 9)$,求 $Y = 3X + 5$ 的分布。
- $Y \sim N(3 \times 2 + 5, 3^2 \times 9) = N(11, 81)$
### 七、$3\sigma$ 原则(**应用题高频**)
> 在 $N(\mu, \sigma^2)$ 中:
> - $P(|X - \mu| < \sigma) \approx 68.27\%$
> - $P(|X - \mu| < 2\sigma) \approx 95.45\%$
> - $P(|X - \mu| < 3\sigma) \approx 99.73\%$
**应用**:产品质量控制($3\sigma$ 原则),超出 $3\sigma$ 的概率 $< 0.3\%$,视为异常。
## 常见陷阱
- **标准化忘除 $\sigma$**:必须除以 $\sigma$,不是除以 $\sigma^2$!
- **$\Phi(-x) = 1 - \Phi(x)$ 的反向误用**:$\Phi(-x) \ne \Phi(x)$!
- **方差 vs 标准差**:$N(\mu, \sigma^2)$ 中是**方差**,标准差要开方
- **查表的方向**:$\Phi$ 表是**正数表**,负数要转换为 $1 - \Phi(|x|)$
- **分位数查表反查**:要确认是 $\Phi^{-1}(\alpha)$ 还是 $\Phi^{-1}(1 - \alpha)$
- **"上 $\alpha$ 分位数" $z_\alpha$ 的定义**:$\alpha = P(X > z_\alpha)$,即 $\Phi(z_\alpha) = 1 - \alpha$
## 经典母题
> **题目 1(直接求概率)**:设 $X \sim N(10, 4)$,求 $P(|X - 10| < 4)$。
**解析**:
$$
P(|X - 10| < 4) = P(6 < X < 14) = \Phi\!\left(\frac{14-10}{2}\right) - \Phi\!\left(\frac{6-10}{2}\right)
$$
$$
= \Phi(2) - \Phi(-2) = \Phi(2) - (1 - \Phi(2)) = 2\Phi(2) - 1
$$
$$
\approx 2 \times 0.9772 - 1 = 0.9544
$$
**结论**:约 95.44% 的概率 $X$ 落在 $\mu \pm 2\sigma$ 内。
---
> **题目 2(求分位数)**:某厂生产零件长度 $X \sim N(50, 0.6^2)$。按质量标准,不合格率为 $5\%$。求合格品的下限 $L$(即 $P(X < L) = 5\%$ 时 $L$ 的值)。
**解析**:
- $P(X < L) = \Phi\!\left(\dfrac{L - 50}{0.6}\right) = 0.05$
- $\dfrac{L - 50}{0.6} = \Phi^{-1}(0.05) = -1.645$
- $L = 50 - 1.645 \times 0.6 = 50 - 0.987 = 49.013$
**结论**:长度小于 $49.013$ 的零件占 $5\%$。
---
> **题目 3(线性变换)**:设 $X \sim N(\mu, \sigma^2)$,求 $Y = \dfrac{X - \mu}{\sigma}$ 的分布。
**解析**:
- $Y = \dfrac{1}{\sigma} X - \dfrac{\mu}{\sigma}$
- $Y \sim N\!\left(\dfrac{\mu}{\sigma} - \dfrac{\mu}{\sigma}, \left(\dfrac{1}{\sigma}\right)^2 \sigma^2\right) = N(0, 1)$
**结论**:**任何正态分布都能标准化为标准正态**。
---
> **变式(混合题)**:设 $X \sim N(0, 1)$,求 $P(X > 0), P(X > 1), P(X > 2), P(X > 3)$。
**答案**:
- $P(X > 0) = 0.5$
- $P(X > 1) = 1 - \Phi(1) = 0.1587$
- $P(X > 2) = 1 - \Phi(2) = 0.0228$
- $P(X > 3) = 1 - \Phi(3) \approx 0.0013$
> **3σ 原则的应用**:超出 $\pm 3\sigma$ 的概率 $< 0.3\%$,视为小概率事件。
---
> **口诀速记**:
> - "**减均值,除标准差**" → 标准化
> - "**$\Phi(-x) = 1 - \Phi(x)$**" → 对称性
> - "**2Φ(k) - 1**" → 对称区间概率
> - "**1.96 对应 95%**" → 置信区间
@@ -0,0 +1,188 @@
# 题型六:随机变量函数的分布(离散) ⭐⭐
## 识别特征
- $X$ 是**离散型**随机变量,已知 $X$ 的分布律
- 求 $Y = g(X)$ 的分布律($g$ 是某个函数)
- 题目形如"$Y = aX + b$"、"$Y = X^2$"、"$Y = |X - a|$"
## 解题流程
```mermaid
flowchart TD
A[已知 X 离散分布律] --> B[1. 列出 X 的取值 x1, x2, ..., xn]
B --> C[2. 计算 Y 的取值 yk = g xk]
C --> D{是否有多个 X 对应同一 Y?}
D -->|否| E[直接写出 Y 的分布律]
D -->|是| F[3. 合并: P Y=yk = Σ P X=xi, g xi=yk]
F --> E
E --> G[4. 验证 Σ P Y = 1]
```
## 通法步骤
### 一、"列取值 → 合并"的标准化流程
**步骤**:
1. 列出 $X$ 的所有可能取值 $x_1, x_2, \ldots, x_n$ 及对应概率 $p_k$
2. 计算每个 $x_k$ 对应的 $y_k = g(x_k)$
3. **关键步骤**:**合并**相同的 $y$ 值(因为不同的 $x$ 可能映射到同一个 $y$)
4. 写出 $Y$ 的分布律
5. 验证 $\sum P(Y = y_k) = 1$
### 二、$Y = aX + b$(线性变换)
设 $X$ 取值 $\{x_1, \ldots, x_n\}$,概率 $\{p_1, \ldots, p_n\}$。
$Y = aX + b$ 的取值 $\{ax_1 + b, \ldots, ax_n + b\}$,对应概率 $\{p_1, \ldots, p_n\}$。
*极简例子:* $X$ 取值 $\{0, 1, 2\}$,概率 $\{0.2, 0.5, 0.3\}$,$Y = 2X + 1$。
| $X$ | 0 | 1 | 2 |
|-----|---|---|---|
| $Y = 2X+1$ | 1 | 3 | 5 |
| $P$ | 0.2 | 0.5 | 0.3 |
### 三、$Y = X^2$(非线性,需合并)
*极简例子:* $X$ 取值 $\{-2, -1, 0, 1, 2\}$,概率 $\{0.1, 0.2, 0.4, 0.2, 0.1\}$,$Y = X^2$。
- $g(-2) = g(2) = 4$,$g(-1) = g(1) = 1$,$g(0) = 0$
- $P(Y = 0) = 0.4$
- $P(Y = 1) = 0.2 + 0.2 = 0.4$
- $P(Y = 4) = 0.1 + 0.1 = 0.2$
| $Y$ | 0 | 1 | 4 |
|-----|---|---|---|
| $P$ | 0.4 | 0.4 | 0.2 |
### 四、$Y = |X|$(取绝对值,需合并正负)
*极简例子:* $X$ 取值 $\{-2, -1, 0, 1, 3\}$,$Y = |X|$。
- $P(Y = 0) = P(X = 0)$
- $P(Y = 1) = P(X = 1) + P(X = -1)$
- $P(Y = 2) = P(X = 2) + P(X = -2)$
- $P(Y = 3) = P(X = 3) + P(X = -3)$
### 五、求 $Y$ 的期望(预览 Ch04)
$$
E(Y) = \sum_k g(x_k) p_k
$$
> 这就是 Ch04 期望的定义 $E(Y) = \sum y_k P(Y = y_k)$。
## 常见陷阱
- **忘记合并**:$g$ 不是单射时(如 $X^2, |X|$),必须合并相同 $y$ 值
- **$g$ 的值域有限**:$Y$ 的取值只来自 $g$ 的值域,超出 $g$ 范围的 $P(Y) = 0$
- **不变函数**:若 $g(X) = c$(常数),则 $P(Y = c) = 1$(退化分布)
- **符号错误**:$Y = -X$ 时,$Y$ 的取值是 $X$ 取值的相反数
- **混淆"分布律"和"分布函数"**:本题求的是分布律(表格),不是分布函数 $F_Y(y)$
## 经典母题
> **题目 1(线性变换)**:设 $X$ 的分布律为
| $X$ | -1 | 0 | 1 | 2 |
|-----|----|----|----|----|
| $P$ | 0.2 | 0.3 | 0.4 | 0.1 |
求 $Y = 2X + 3$ 的分布律。
**解析**:
**第一步**:列出 $X$ 取值及 $Y = 2X + 3$ 的值。
| $X$ | -1 | 0 | 1 | 2 |
|-----|----|----|----|----|
| $Y = 2X+3$ | 1 | 3 | 5 | 7 |
| $P$ | 0.2 | 0.3 | 0.4 | 0.1 |
**第二步**:检查 $Y$ 各取值是否相同——都不同,无需合并。
**$Y$ 的分布律**:
| $Y$ | 1 | 3 | 5 | 7 |
|-----|---|---|---|---|
| $P$ | 0.2 | 0.3 | 0.4 | 0.1 |
**验证**:$0.2 + 0.3 + 0.4 + 0.1 = 1$ ✓
---
> **题目 2($X^2$ 需合并)**:设 $X \sim B(2, 0.5)$,求 $Y = X^2$ 的分布律。
**解析**:
**第一步**:$X \sim B(2, 0.5)$ 的分布律:
| $X$ | 0 | 1 | 2 |
|-----|---|---|---|
| $P$ | 1/4 | 1/2 | 1/4 |
**第二步**:计算 $Y = X^2$:
| $X$ | 0 | 1 | 2 |
|-----|---|---|---|
| $Y$ | 0 | 1 | 4 |
| $P$ | 1/4 | 1/2 | 1/4 |
**第三步**:检查合并——$Y$ 各值都不同,无需合并!
**$Y$ 的分布律**:
| $Y$ | 0 | 1 | 4 |
|-----|---|---|---|
| $P$ | 1/4 | 1/2 | 1/4 |
**验证**:$1/4 + 1/2 + 1/4 = 1$ ✓
---
> **题目 3($|X|$ 需合并)**:设 $X$ 取值 $\{-2, -1, 0, 1, 2\}$,概率 $\{1/8, 1/4, 1/4, 1/4, 1/8\}$,求 $Y = |X|$ 的分布律。
**解析**:
**第一步**:列出 $Y = |X|$ 的值。
| $X$ | -2 | -1 | 0 | 1 | 2 |
|-----|----|----|----|----|----|
| $Y = \|X\|$ | 2 | 1 | 0 | 1 | 2 |
| $P$ | 1/8 | 1/4 | 1/4 | 1/4 | 1/8 |
**第二步**:合并相同 $Y$ 值:
- $P(Y = 0) = P(X = 0) = 1/4$
- $P(Y = 1) = P(X = -1) + P(X = 1) = 1/4 + 1/4 = 1/2$
- $P(Y = 2) = P(X = -2) + P(X = 2) = 1/8 + 1/8 = 1/4$
**$Y$ 的分布律**:
| $Y$ | 0 | 1 | 2 |
|-----|---|---|---|
| $P$ | 1/4 | 1/2 | 1/4 |
**验证**:$1/4 + 1/2 + 1/4 = 1$ ✓
---
> **变式(更复杂的函数)**:设 $X$ 的分布律为 $P(X = k) = \dfrac{1}{5}$,$k = 0, 1, 2, 3, 4$。求 $Y = (X - 2)^2$ 的分布律。
**解**:
| $X$ | 0 | 1 | 2 | 3 | 4 |
|-----|---|---|---|---|---|
| $Y = (X-2)²$ | 4 | 1 | 0 | 1 | 4 |
| $P$ | 1/5 | 1/5 | 1/5 | 1/5 | 1/5 |
**合并**:
- $P(Y = 0) = 1/5$
- $P(Y = 1) = 1/5 + 1/5 = 2/5$
- $P(Y = 4) = 1/5 + 1/5 = 2/5$
**$Y$ 的分布律**:
| $Y$ | 0 | 1 | 4 |
|-----|---|---|---|
| $P$ | 1/5 | 2/5 | 2/5 |
@@ -0,0 +1,189 @@
# 题型七:随机变量函数的分布(连续) ⭐⭐⭐
## 识别特征
- $X$ 是**连续型**随机变量,已知 $X$ 的密度 $f_X(x)$
- 求 $Y = g(X)$ 的密度 $f_Y(y)$
- 题目形如"$Y = aX + b$"、"$Y = X^2$"、"$Y = e^X$"、"$Y = -\ln X$"
- 题目形如"$Z = X + Y$"(**卷积**——与 Ch03 衔接)
## 解题流程
```mermaid
flowchart TD
A[已知 X 连续 + g] --> B{g 单调可逆?}
B -->|是| C[1. 单调公式]
C --> D[反函数 x = h y]
D --> E[2. fY y = fX h y · |h' y|]
B -->|否| F[1. 分布函数法]
F --> G[FY y = P g X ≤ y = P X ∈ ...]
G --> H[2. fY y = FY' y]
A --> I{Z = X + Y?}
I -->|是| J[卷积公式]
J --> K[fZ z = ∫ fX x · fY z-x dx]
```
## 通法步骤
### 一、**单调函数公式** ⭐⭐⭐(首选技法)
**条件**:$g(x)$ 在 $X$ 取值范围内**严格单调**,反函数 $g^{-1}(y)$ 有连续导数。
**公式**:
$$
f_Y(y) = \begin{cases} f_X(g^{-1}(y)) \cdot |(g^{-1})'(y)|, & y \in g(\mathcal{X}) \\ 0, & \text{其他} \end{cases}
$$
**步骤**:
1. 判断 $g$ 是否严格单调(严格递增或递减)
2. 求反函数 $x = g^{-1}(y)$,并求导 $(g^{-1})'(y)$
3. 代入 $f_X(g^{-1}(y)) \cdot |(g^{-1})'(y)|$
4. 确定 $y$ 的取值范围($y \in g$ 的值域)
5. 写出 $f_Y(y)$ 的分段表达式
> 🔑 **核心**:单调公式**直接求密度**,避免分布函数的积分。
### 二、**分布函数法**(万能但繁琐)
**步骤**:
1. 写 $F_Y(y) = P(Y \le y) = P(g(X) \le y) = P(X \in \{x: g(x) \le y\})$
2. 化简 $\{x: g(x) \le y\}$ 为关于 $x$ 的区间
3. 利用 $f_X(x)$ 求 $P(X \in \text{区间})$
4. 对 $y$ 求导:$f_Y(y) = F_Y'(y)$
### 三、**卷积公式**($Z = X + Y$)
$$
f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z - x)\, dx = \int_{-\infty}^{+\infty} f_X(z - y) f_Y(y)\, dy
$$
> 此公式将在 Ch03 中详细推导(涉及二维联合分布),本章先建立概念。
### 四、典型函数举例
##### 例 1:$Y = aX + b$($a \ne 0$)
**反函数**:$x = \dfrac{y - b}{a}$,$(g^{-1})'(y) = \dfrac{1}{a}$
$$
f_Y(y) = \frac{1}{|a|} f_X\!\left(\frac{y - b}{a}\right)
$$
> **特例**:若 $X \sim N(\mu, \sigma^2)$,则 $Y = aX + b \sim N(a\mu + b, a^2 \sigma^2)$
##### 例 2:$Y = X^2$($X$ 关于原点对称)
$$
f_Y(y) = \frac{1}{2\sqrt{y}} \left[ f_X(\sqrt{y}) + f_X(-\sqrt{y}) \right], \quad y > 0
$$
##### 例 3:$Y = e^X$($X$ 取任意实数)
**反函数**:$x = \ln y$($y > 0$),$(g^{-1})'(y) = \dfrac{1}{y}$
$$
f_Y(y) = \frac{1}{y} f_X(\ln y), \quad y > 0
$$
##### 例 4:$Y = -\ln X$($X > 0$)
**反函数**:$x = e^{-y}$($y > 0$),$(g^{-1})'(y) = -e^{-y}$
$$
f_Y(y) = f_X(e^{-y}) \cdot e^{-y}, \quad y > 0
$$
### 五、关键公式速记表
| 函数 $Y = g(X)$ | $f_Y(y)$ | 取值范围 |
|------------------|---------|---------|
| $aX + b$($a \ne 0$) | $\dfrac{1}{\lvert a \rvert} f_X\!\left(\dfrac{y-b}{a}\right)$ | $y \in g$ 值域 |
| $X^2$($X$ 对称) | $\dfrac{f_X(\sqrt{y}) + f_X(-\sqrt{y})}{2\sqrt{y}}$ | $y > 0$ |
| $e^X$($X$ 实数) | $\dfrac{1}{y} f_X(\ln y)$ | $y > 0$ |
| $-\ln X$($X > 0$) | $f_X(e^{-y}) \cdot e^{-y}$ | $y > 0$ |
| $X + Y$ | $\int f_X(x) f_Y(z-x) dx$ | $z$ 范围 |
## 常见陷阱
- **单调公式的**适用前提:**严格单调** + **反函数可导**!否则只能用分布函数法
- **忘记绝对值**:$(g^{-1})'(y)$ 必须取**绝对值** $|...|$
- **取值范围缺失**:$f_Y(y)$ 必须明确 $y$ 的取值范围,否则为 0
- **$Y = X^2$ 的双向合并**:$y > 0$ 时有 $x = \sqrt{y}$ 和 $x = -\sqrt{y}$ 两个原像
- **卷积积分限**:要根据 $f_X, f_Y$ 的非零区间确定积分范围
- **不单调函数**:如 $Y = X^2$($X$ 在 $(-\infty, +\infty)$),**严格单调只在一段成立**,需用分布函数法
## 经典母题
> **题目 1(单调公式 - 指数变换)**:设 $X \sim U(0, 1)$(即 $f_X(x) = 1$,$0 \le x \le 1$),求 $Y = -\ln X$ 的密度 $f_Y(y)$。
**解析**:
**第一步**:$Y = -\ln X$ 在 $(0,1)$ 上严格递减。
**第二步**:求反函数:
- $y = -\ln x \Rightarrow x = e^{-y}$
- $(g^{-1})'(y) = -e^{-y}$
- $|(g^{-1})'(y)| = e^{-y}$
**第三步**:确定 $y$ 的范围:
- $x \in (0, 1)$,$y = -\ln x \in (0, +\infty)$($x \to 0^+$, $y \to +\infty$;$x \to 1^-$, $y \to 0^+$)
**第四步**:套单调公式:
$$
f_Y(y) = f_X(e^{-y}) \cdot |(g^{-1})'(y)| = 1 \cdot e^{-y} = e^{-y}, \quad y > 0
$$
**结论**:$Y \sim E(1)$(指数分布!)
> 这是一个经典结果:**[0,1] 均匀分布的 $-\ln X$ 变换生成标准指数分布**。这是模拟方法的核心。
---
> **题目 2(线性变换 - 正态)**:设 $X \sim N(\mu, \sigma^2)$,求 $Y = aX + b$($a \ne 0$)的密度。
**解析**:
**反函数**:$x = \dfrac{y - b}{a}$,$(g^{-1})'(y) = \dfrac{1}{a}$,$|...| = \dfrac{1}{|a|}$
$$
f_Y(y) = \frac{1}{|a|} \cdot \frac{1}{\sqrt{2\pi} \sigma} e^{-\frac{((y-b)/a - \mu)^2}{2\sigma^2}} = \frac{1}{\sqrt{2\pi} |a| \sigma} e^{-\frac{(y - a\mu - b)^2}{2 a^2 \sigma^2}}
$$
**结论**:$Y \sim N(a\mu + b, a^2 \sigma^2)$(**正态的线性变换仍是正态!**)
---
> **题目 3($X^2$ 变换)**:设 $X \sim N(0, 1)$,求 $Y = X^2$ 的密度 $f_Y(y)$。
**解析**:
**第一步**:$f_X(x) = \dfrac{1}{\sqrt{2\pi}} e^{-x^2/2}$
**第二步**:$Y = X^2 \ge 0$。$X = \pm\sqrt{Y}$,所以 $f_Y(y) = \dfrac{f_X(\sqrt{y}) + f_X(-\sqrt{y})}{2\sqrt{y}}$。
**第三步**:因 $f_X$ 偶对称,$f_X(\sqrt{y}) = f_X(-\sqrt{y})$:
$$
f_Y(y) = \frac{2 \cdot \frac{1}{\sqrt{2\pi}} e^{-y/2}}{2\sqrt{y}} = \frac{1}{\sqrt{2\pi y}} e^{-y/2}, \quad y > 0
$$
**结论**:$Y \sim \chi^2(1)$(**卡方分布**自由度 1)。
---
> **变式(卷积公式 - 简单例子)**:设 $X, Y$ 独立同分布,都服从 $U(0,1)$。求 $Z = X + Y$ 的密度。
**解**:
- $f_X(x) = f_Y(y) = 1$,$x, y \in [0,1]$
- 卷积:$f_Z(z) = \int_0^1 f_X(x) f_Y(z - x) dx$
- $z \in [0,1]$:$f_Z(z) = \int_0^z 1 \cdot 1\, dx = z$
- $z \in [1,2]$:$f_Z(z) = \int_{z-1}^1 1 \cdot 1\, dx = 2 - z$
- $f_Z(z) = \begin{cases} z, & 0 \le z < 1 \\ 2 - z, & 1 \le z < 2 \\ 0, & \text{其他} \end{cases}$
> 这是著名的**三角分布**($X_1 + X_2$ 的卷积)。
---
> **口诀速记**:
> - "**单调就用公式**"(直接套 $f_Y(y) = f_X(h(y)) \cdot |h'(y)|$)
> - "**不单调用分布函数法**"(先求 $F_Y$ 再求导)
> - "**加法用卷积**"($Z = X + Y$ 时)
@@ -0,0 +1,196 @@
# 题型八:混合型分布律 ⭐⭐
## 识别特征
- 题目说 $X$ 在某些点有**离散取值**,在某个区间有**连续分布**
- 分布函数 $F(x)$ 既有**跳跃**(离散部分),又有**连续上升段**(连续部分)
- 题目求混合分布的**期望**或**方差**(衔接 Ch04)
- 题干含"以 $1/2$ 概率取 $0$...,其余均匀..."等表述
## 解题流程
```mermaid
flowchart TD
A[混合型随机变量 X] --> B[1. 识别离散部分: P X = xk]
B --> C[2. 识别连续部分: 密度 f x 或分布函数]
C --> D[3. 验证总概率 = 1: Σ pk + ∫f dx = 1]
D --> E{求什么?}
E -->|求 P| F[分情况: 离散点直接用 pk, 区间用积分]
E -->|求 F x| G[分段: 跳跃 + 连续段]
E -->|求 E X| H[Ch04: E X = Σ xk pk + ∫x f x dx]
E -->|求 D X| I[Ch04: D X = E X² - E X²]
```
## 通法步骤
### 一、混合型随机变量的定义
**定义**:若 $X$ 在某些点 $\{a_1, a_2, \ldots\}$ 上有**离散概率**,同时在某个区间 $[c, d]$ 上有**连续分布**,且离散部分与连续部分的概率之和为 1,则 $X$ 为**混合型随机变量**。
**典型形式**:
$$
F(x) = p \cdot I(x \ge 0) + (1-p) \cdot \tilde{F}(x)
$$
其中 $\tilde{F}$ 是某个连续分布函数(如均匀、正态等)。
### 二、混合型分布函数的特点
- **既有跳跃**(在 $a_k$ 处跳 $p_k$)
- **又有连续上升段**(在某区间上严格递增)
- **总概率 $= 1$**
### 三、混合型分布函数 $F(x)$ 的构造
**步骤**:
1. **离散部分**:$P(X = a_k) = p_k$,$F$ 在 $a_k$ 处跳 $p_k$
2. **连续部分**:在某区间上 $F$ 连续上升(导数 > 0)
3. 离散部分总概率 + 连续部分总概率 = 1
### 四、典型混合分布示例
##### 示例 1:$X$ 以 $1/2$ 概率取 0,其余为 $U(0,1)$
$$
F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 1 \\ 1, & x \ge 1 \end{cases}
$$
> ⚠️ 注意:在 $0 \le x < 1$ 上 $F$ **不变**(平台),不是连续上升!
##### 示例 2:$X$ 以 $1/2$ 概率取 0,其余为 $U(0,2)$ 的混合
$$
P(X = 0) = 1/2, \quad X \mid X > 0 \sim U(0, 2)
$$
- 离散部分:$P(X = 0) = 1/2$
- 连续部分:$P(0 < X \le x) = 1/2 \cdot \dfrac{x}{2} = \dfrac{x}{4}$($0 < x < 2$)
$$
F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 2 \\ 1, & x \ge 2 \end{cases}
$$
> 注意:$F$ 在 $(0, 2)$ 上**不变**(平台),因为连续部分的概率密度集中在 $0 < x < 2$ 内,但 $F$ 是按 $X \le x$ 的累积。
### 五、求混合分布的期望(**Ch04 衔接**)
$$
E(X) = \sum_k a_k \cdot p_k + \int_a^b x f(x)\, dx
$$
*极简例子:* 上例中 $P(X = 0) = 1/2$,其余 $U(0,2)$:
$$
E(X) = 0 \cdot \frac{1}{2} + \int_0^2 x \cdot \frac{1/2}{2}\, dx = \frac{1}{4} \cdot \frac{x^2}{2}\Big|_0^2 = \frac{1}{4} \cdot 2 = \frac{1}{2}
$$
### 六、求混合分布的概率
$$
P(X \in I) = \sum_{a_k \in I} p_k + \int_{I \cap \mathcal{C}} f(x)\, dx
$$
其中 $\mathcal{C}$ 是连续部分的支撑区间。
## 常见陷阱
- **混淆"混合型"和"分段连续型"**:混合型必须有**真正的离散点**($P(X = a_k) > 0$);如果只是分段连续的 $F$,仍属于纯连续型
- **平台 vs 上升段**:$F$ 在连续部分的支撑区间内应该是**平台**(因为 $X \le x$ 累积这部分"瞬时"概率)
- **总概率验证**:$\sum p_k + \int f = 1$ 是关键检查点
- **离散点不能漏**:求 $P(X > 0)$ 时,离散点 $0$ 处的概率不能漏
- **$F$ 在跳跃点是否含连续部分**:要仔细看 $F$ 在 $a_k$ 处的跳跃高度是否包含连续部分贡献
## 经典母题
> **题目 1**:设随机变量 $X$ 以 $1/2$ 的概率取 $0$,以 $1/2$ 的概率在 $[1, 3]$ 上均匀分布。求:
> (1) $X$ 的分布函数 $F(x)$;
> (2) $P(0 < X \le 2)$,$P(1 < X < 3)$。
**解析**:
**(1)** 分布函数:
- $x < 0$:$F(x) = 0$
- $0 \le x < 1$:$F(x) = P(X = 0) = 1/2$(连续部分概率全部"瞬时"贡献在 $X \le x$,但因 $x < 1$,连续部分 $\Pr(0 < X \le x) = 0$,所以 $F$ 平台)
- $1 \le x < 3$:$F(x) = 1/2 + \dfrac{1}{2} \cdot \dfrac{x - 1}{3 - 1} = \dfrac{1}{2} + \dfrac{x - 1}{4} = \dfrac{x + 1}{4}$
- $x \ge 3$:$F(x) = 1$
$$
F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 1 \\ \dfrac{x + 1}{4}, & 1 \le x < 3 \\ 1, & x \ge 3 \end{cases}
$$
**(2)** 概率:
- $P(0 < X \le 2)$:$F(2) - F(0^+) = F(2) - F(0) = \dfrac{2 + 1}{4} - \dfrac{1}{2} = \dfrac{3}{4} - \dfrac{2}{4} = \dfrac{1}{4}$
> ⚠️ 注意:$F(0^+) = F(0) = 1/2$(**右连续**!),$F(0^-) = 0$
- $P(1 < X < 3)$:$F(3^-) - F(1) = 1 - \dfrac{1 + 1}{4} = \dfrac{3}{4}$
> ⚠️ 注意:$P(X = 3) = F(3) - F(3^-) = 1 - 1 = 0$(连续部分端点无离散概率)
**结论**:
- $F$ 在 $0$ 处跳跃 $1/2$
- $F$ 在 $[1, 3]$ 上连续上升
- $F$ 在 $3$ 处无跳跃(连续型端点)
---
> **题目 2**:设
> $$F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 1 \\ 1, & x \ge 1 \end{cases}$$
> 问 $X$ 是否混合型?求 $X$ 的分布律。
**解析**:
**第一步**:分析 $F$
- $F$ 在 $0$ 处跳跃:$P(X = 0) = F(0) - F(0^-) = 1/2 - 0 = 1/2$
- $F$ 在 $[0, 1)$ 上平台:在 $(0, 1)$ 上 $F(x) = 1/2$,所以 $F$ 没有连续上升段
- $F$ 在 $1$ 处跳跃:$P(X = 1) = F(1) - F(1^-) = 1 - 1/2 = 1/2$
**结论**:这是**纯离散型**,不是混合型!
**$X$ 的分布律**:
| $X$ | 0 | 1 |
|-----|---|---|
| $P$ | 1/2 | 1/2 |
> **关键判断**:$F$ 在某区间上连续上升(导数 > 0)才是混合型;如果 $F$ 是阶梯跳跃(纯离散),那就是离散型。
---
> **题目 3(混合分布的期望,Ch04 衔接)**:设
> $$F(x) = \begin{cases} 0, & x < 0 \\ 1/2, & 0 \le x < 1 \\ 1, & x \ge 1 \end{cases}$$
> 求 $E(X)$。
**解析**:
这是**纯离散型**:$P(X = 0) = P(X = 1) = 1/2$。
$$
E(X) = 0 \times \frac{1}{2} + 1 \times \frac{1}{2} = \frac{1}{2}
$$
---
> **变式(识别混合型)**:设
> $$F(x) = \begin{cases} 0, & x < 0 \\ 1/3, & 0 \le x < 2 \\ 1/3 + \dfrac{x - 2}{6}, & 2 \le x < 5 \\ 1, & x \ge 5 \end{cases}$$
> 问 $X$ 的类型,并求 $P(1 < X \le 4)$。
**解析**:
- $F$ 在 $0$ 处跳 $1/3$ → $P(X = 0) = 1/3$
- $F$ 在 $[0, 2)$ 上平台 → 离散点无连续部分
- $F$ 在 $[2, 5]$ 上连续上升 → 连续部分(密度 $1/6$)
- $F$ 在 $5$ 处无跳跃 → 连续部分端点
**$X$ 是混合型**!离散部分 $P(X = 0) = 1/3$,连续部分 $X \mid X > 0$ 在 $[2, 5]$ 上均匀(密度 $1/6$)。
$P(1 < X \le 4) = F(4) - F(1)$
- $F(4) = 1/3 + (4 - 2)/6 = 1/3 + 1/3 = 2/3$
- $F(1) = 1/3$
- $P(1 < X \le 4) = 2/3 - 1/3 = 1/3$
---
> **口诀速记**:
> - "**$F$ 有跳 + 有升**" → **混合型**
> - "**$F$ 只跳不升**" → **离散型**
> - "**$F$ 只升不跳**" → **连续型**
@@ -0,0 +1,471 @@
# 📌 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。
@@ -0,0 +1,74 @@
# 题型一:联合分布律与边缘分布(离散型)
## 识别特征
- $(X, Y)$ 只取**有限/可列**对值(离散型)
- 已知联合分布律 $p_{ij}$ 或条件信息求 $p_{ij}$
- 求**边缘分布律**(单个变量的分布)
## 解题流程
```mermaid
flowchart TD
A[识别:离散型联合] --> B{已知联合 pᵢⱼ?}
B -->|是| C[直接求边缘: 行和/列和]
B -->|否| D[用独立性或条件信息构造]
C --> E[验证归一性: ΣΣpᵢⱼ = 1]
D --> F[求每个 pᵢⱼ]
F --> E
```
## 通法步骤
### 一、由联合求边缘
- $P(X = x_i) = p_{i\cdot} = \sum_j p_{ij}$(**沿行求和**)
- $P(Y = y_j) = p_{\cdot j} = \sum_i p_{ij}$(**沿列求和**)
### 二、由条件信息构造联合
若 $P(X = x_i) = a_i$, $P(Y = y_j) = b_j$ **独立**,则 $p_{ij} = a_i b_j$
若已知 $P(X=x_i)$ 和 $P(Y=y_j|X=x_i)$,则 $p_{ij} = P(X=x_i) P(Y=y_j|X=x_i)$(乘法公式)
## 常见陷阱
- 求边缘时漏掉某些 $(x_i, y_j)$ 对
- 不归一化($\sum\sum p_{ij} \ne 1$)
- 独立性与"互不相容"混淆(Ch01 错误)
## 经典母题
> **题目**:设 $(X, Y)$ 的联合分布律为
| X\Y | 0 | 1 | 2 |
|-----|---|---|---|
| 0 | 0.1 | 0.2 | 0.1 |
| 1 | 0.2 | 0.3 | 0.1 |
求:(1) 边缘分布律;(2) $P(X=Y)$;(3) $X, Y$ 是否独立?
**解析**:
**(1) 边缘分布律**(行和、列和):
- $P(X=0) = 0.1+0.2+0.1 = 0.4$
- $P(X=1) = 0.2+0.3+0.1 = 0.6$
- $P(Y=0) = 0.1+0.2 = 0.3$
- $P(Y=1) = 0.2+0.3 = 0.5$
- $P(Y=2) = 0.1+0.1 = 0.2$
**(2)** $P(X=Y) = P(X=0,Y=0) + P(X=1,Y=1) = 0.1 + 0.3 = 0.4$
**(3)** 独立性判定:$p_{00} = 0.1$,$P(X=0)P(Y=0) = 0.4 \times 0.3 = 0.12 \ne 0.1$
→ **不独立**
**复盘**:独立性判定是离散型的标准操作——找**任意一组** $(i, j)$ 使 $p_{ij} \ne p_{i\cdot} p_{\cdot j}$ 即可否定独立。
---
> **变式**:已知 $P(X=i) = \frac{1}{2^i}$($i = 1, 2, \ldots$),$Y \sim B(3, 0.5)$,$X, Y$ 独立。求 $P(X+Y=5)$。
**解**:$P(X+Y=5) = \sum_{i+j=5} P(X=i)P(Y=j) = P(X=2)P(Y=3) + P(X=3)P(Y=2)$
$= \frac{1}{4} \cdot \frac{1}{8} + \frac{1}{8} \cdot \frac{3}{8} = \frac{1}{32} + \frac{3}{64} = \frac{5}{64}$
> **口诀**:**"行求和得 $X$,列求和得 $Y$"**
@@ -0,0 +1,94 @@
# 题型二:联合密度与边缘密度(连续型)
## 识别特征
- 已知联合密度 $f(x, y)$(连续型)
- 求**边缘密度** $f_X(x)$, $f_Y(y)$
- 求**条件密度** $f_{X|Y}(x|y)$
- 求**概率** $P((X, Y) \in D)$
## 解题流程
```mermaid
flowchart TD
A[识别:连续型联合] --> B[求边缘: 对另一变量积分]
B --> C[求条件: 联合/边缘]
C --> D{求什么?}
D -->|独立性| E[验证 f x,y = f_X f_Y]
D -->|区域概率| F[二重积分]
```
## 通法步骤
### 一、边缘密度
$$
f_X(x) = \int_{-\infty}^{+\infty} f(x, y) \, dy, \qquad f_Y(y) = \int_{-\infty}^{+\infty} f(x, y) \, dx
$$
### 二、概率计算
$$
P((X,Y) \in D) = \iint_D f(x, y) \, dx \, dy
$$
### 三、条件密度
$$
f_{X|Y}(x | y) = \frac{f(x, y)}{f_Y(y)}, \quad \text{要求 } f_Y(y) > 0
$$
## 常见陷阱
- 积分限错误(忘记考虑 $f$ 的支撑集)
- 边缘密度归一性 $\int f_X(x) dx = 1$ 不验证
- 条件密度方向错误(分子分母颠倒)
## 经典母题
> **题目**:$(X, Y)$ 的联合密度 $f(x, y) = \begin{cases} 2(x+y), & 0 \le x \le y \le 1 \\ 0, & \text{其他} \end{cases}$
>
> 求:(1) 边缘密度 $f_X(x), f_Y(y)$;(2) 条件密度 $f_{X|Y}(x|y)$;(3) $P(X+Y \le 1)$。
**解析**:
**(1) 边缘密度**
$f_X(x) = \int_{-\infty}^{+\infty} f(x, y) dy$
- $0 \le x \le 1$:积分区间 $y \in [x, 1]$
$$f_X(x) = \int_x^1 2(x+y) dy = 2[xy + y^2/2]_x^1 = 2[x + 1/2 - x^2 - x^2/2] = 1 + 2x - 3x^2$$
$f_Y(y) = \int_0^y 2(x+y) dx = [x^2 + 2xy]_0^y = y^2 + 2y^2 = 3y^2$($0 \le y \le 1$)
**(2) 条件密度**
$f_{X|Y}(x|y) = \dfrac{f(x,y)}{f_Y(y)} = \dfrac{2(x+y)}{3y^2}$($0 \le x \le y$)
**(3) $P(X+Y \le 1)$**
区域 $D$: $0 \le x \le y \le 1$ 与 $x+y \le 1$ 的交集。
由 $x \le y$ 和 $x+y \le 1$ 得 $x \le 1/2$(否则 $y \ge x > 1/2$ 但 $x+y > 1$)。
$P = \int_0^{1/2} \int_x^{1-x} 2(x+y) dy dx = \int_0^{1/2} 2[xy + y^2/2]_x^{1-x} dx$
$= \int_0^{1/2} 2[x(1-2x) + (1-x)^2/2 - x^2/2] dx$
$= \int_0^{1/2} 2[x - 2x^2 + (1-2x+x^2)/2 - x^2/2] dx$
$= \int_0^{1/2} 2[x - 2x^2 + 1/2 - x + x^2/2 - x^2/2] dx$
$= \int_0^{1/2} 2[1/2 - 2x^2] dx = \int_0^{1/2} (1 - 4x^2) dx = [x - 4x^3/3]_0^{1/2}$
$= 1/2 - 4(1/8)/3 = 1/2 - 1/6 = 1/3$
**复盘**:
- 积分域不规则时,先**画图**确定积分限
- 联合密度积分 $\iint f = 1$ 可用于验证正确性
---
> **变式**:$f(x, y) = \dfrac{1}{2\pi \sigma_1 \sigma_2 \sqrt{1-\rho^2}} \exp\left(-\dfrac{1}{2(1-\rho^2)}\left[\dfrac{(x-\mu_1)^2}{\sigma_1^2} - \dfrac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2} + \dfrac{(y-\mu_2)^2}{\sigma_2^2}\right]\right)$
>
> 求 $f_X(x)$。
**解**:利用矩阵化或配方技巧可得 $f_X(x) = \dfrac{1}{\sqrt{2\pi}\sigma_1} e^{-(x-\mu_1)^2/(2\sigma_1^2)}$(正态 $N(\mu_1, \sigma_1^2)$)
> **口诀速记**:
> - "**求边缘**:对另一变量积分到无穷"
> - "**求条件**:联合除以边缘"
> - "**求概率**:在区域上二重积分"
@@ -0,0 +1,83 @@
# 题型三:条件分布的计算
## 识别特征
- 已知**联合分布** + 已知**条件事件** $Y = y_j$ 或 $X \in [a, b]$
- 求**条件分布律** $P(X = x_i | Y = y_j)$ 或**条件密度** $f_{X|Y}(x|y)$
## 解题流程
```mermaid
flowchart TD
A[识别:条件分布] --> B[求联合分布 f 或 pᵢⱼ]
B --> C[求边缘 f_Y 或 p_ⱼ]
C --> D["条件 = 联合/边缘"]
D --> E{离散还是连续?}
E -->|离散| F["P(X=xᵢ|Y=yⱼ) = pᵢⱼ/p_ⱼ"]
E -->|连续| G["f_{X|Y}(x|y) = f(x,y)/f_Y(y)"]
```
## 通法步骤
### 一、离散型条件分布律
$$
P(X = x_i | Y = y_j) = \frac{p_{ij}}{p_{\cdot j}} = \frac{P(X=x_i, Y=y_j)}{P(Y=y_j)}
$$
### 二、连续型条件密度
$$
f_{X|Y}(x | y) = \frac{f(x, y)}{f_Y(y)}
$$
### 三、条件分布函数
$$
F_{X|Y}(x | y) = P(X \le x | Y = y) = \int_{-\infty}^x f_{X|Y}(u | y) \, du
$$
## 常见陷阱
- 条件方向错误($X|Y$ vs $Y|X$)
- 条件事件概率为 0 时公式失效
- 离散型中 $P(Y = y_j) = 0$ 的点不能用条件概率
## 经典母题
> **题目**:$(X, Y)$ 联合密度 $f(x, y) = \begin{cases} 4xy, & 0 \le x \le 1, 0 \le y \le 1 \\ 0, & \text{其他} \end{cases}$
>
> 求:(1) $f_{X|Y}(x|y)$;(2) $P(X \le 1/2 | Y = 1/2)$。
**解析**:
**(1) 条件密度**
先求 $f_Y(y) = \int_0^1 4xy \, dx = 2y$($0 \le y \le 1$)
$$f_{X|Y}(x|y) = \frac{4xy}{2y} = 2x, \quad 0 \le x \le 1$$
**(2) 条件概率**
$$P(X \le 1/2 | Y = 1/2) = \int_0^{1/2} 2x \, dx = x^2 \Big|_0^{1/2} = 1/4$$
**复盘**:本题中 $f_{X|Y}(x|y) = 2x$ **与 $y$ 无关** → 暗示 $X, Y$ 实际独立!可验证:$f_X(x) = \int_0^1 4xy \, dy = 2x$(与 $f_{X|Y}$ 一致)。
---
> **变式**:离散型。$(X, Y)$ 的联合分布律:
| X\Y | 0 | 1 |
|-----|---|---|
| 0 | 1/4 | 1/4 |
| 1 | 1/4 | 1/4 |
求 $P(X = 0 | Y = 1)$。
**解**:$P(X=0|Y=1) = (1/4)/(1/4+1/4) = 1/2$
> **跨章节衔接**:条件分布是 Ch04 条件期望 $E(X|Y)$ 的基础,公式为 $E(X|Y=y) = \int x f_{X|Y}(x|y) dx$。
> **口诀速记**:
> - "**条件分布 = 联合 / 条件边缘**"
> - "**条件方向**:分子分母按条件方向配对"
@@ -0,0 +1,84 @@
# 题型四:随机变量的独立性判定
## 识别特征
- 已知联合分布(律或密度)
- 问 $X, Y$ 是否独立
- 验证 $p_{ij} = p_{i\cdot} p_{\cdot j}$ 或 $f(x, y) = f_X(x) f_Y(y)$
## 解法决策
| 情形 | 判定方法 |
|------|---------|
| 已知联合密度 $f(x,y)$ | 求边缘后验证乘积 |
| 已知联合分布律 $p_{ij}$ | 求边缘后验证乘积 |
| 已知"独立"信息 | 直接用 $f(x,y) = f_X f_Y$ |
| 二维正态 | 检查 $\rho$ |
## 通法步骤
### 一、连续型
1. 求 $f_X(x), f_Y(y)$
2. 计算 $f_X(x) f_Y(y)$
3. 比较 $f(x,y) \stackrel{?}{=} f_X(x) f_Y(y)$(**所有 $(x,y)$ 处**)
### 二、离散型
1. 求 $p_{i\cdot}, p_{\cdot j}$
2. 检查 $p_{ij} = p_{i\cdot} p_{\cdot j}$(**所有 $(i,j)$ 处**)
> **快捷判定**:只需找一个 $(i, j)$ 使 $p_{ij} \ne p_{i\cdot} p_{\cdot j}$(或一个 $(x, y)$ 使 $f \ne f_X f_Y$)即可否定独立。
## 经典母题
> **题目 1**:$f(x, y) = \begin{cases} 6 e^{-(2x+3y)}, & x \ge 0, y \ge 0 \\ 0, & \text{其他} \end{cases}$。判定 $X, Y$ 独立性。
**解析**:
- $f_X(x) = \int_0^\infty 6 e^{-(2x+3y)} dy = 6 e^{-2x} \cdot \frac{1}{3} = 2 e^{-2x}$($x \ge 0$)
- $f_Y(y) = 3 e^{-3y}$($y \ge 0$)
- $f_X(x) f_Y(y) = 6 e^{-(2x+3y)} = f(x, y)$ ✓
- **结论:$X, Y$ 独立**
---
> **题目 2**:$f(x, y) = \begin{cases} \frac{1}{2\pi} e^{-\sqrt{x^2+y^2}/2}, & \text{其他} \\ 0, & \text{其他} \end{cases}$(二维拉普拉斯型)。
判定 $X, Y$ 独立性。
**解析**:
- 该密度是圆对称的 $f(r) = \frac{r}{2\pi} e^{-r/2}$ 的扩展形式
- 因密度不能分离为 $f_X(x) f_Y(y)$ → **$X, Y$ 不独立**
> **常见错误**:以为"圆对称 = 独立"是错的!实际上二维正态的圆对称情形才独立。
---
> **题目 3**:$(X, Y)$ 的联合分布律
| X\Y | 1 | 2 |
|-----|---|
| 1 | 1/6 | 1/3 |
| 2 | 1/3 | 1/6 |
判定 $X, Y$ 独立性。
**解析**:
- $P(X=1) = 1/6 + 1/3 = 1/2$
- $P(Y=1) = 1/6 + 1/3 = 1/2$
- $P(X=1)P(Y=1) = 1/4$
- $p_{11} = 1/6 \ne 1/4$
- **结论:$X, Y$ 不独立**
---
> **题目 4**:二维正态 $(X, Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$。求 $X, Y$ 独立的充要条件。
**答案**:$\rho = 0$
> **跨章节衔接**:独立性的概念贯穿全章。它是 Ch04 协方差 $\text{Cov} = 0$ 的充分条件,是 Ch05 中心极限定理中"独立同分布"的前提。
> **口诀速记**:
> - "**独立 = 联合可分解为边缘之积**"
> - "**二维正态独立 $\iff \rho = 0$**"
> - "**否定独立只需一个反例**"
@@ -0,0 +1,90 @@
# 题型五:二维均匀分布与正态分布
## 识别特征
- 涉及**二维均匀分布**(区域 $D$ 上的均匀分布)
- 涉及**二维正态分布** $N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$
- 涉及二维正态的**条件分布**或**线性组合**
## 通法步骤
### 一、二维均匀分布
设 $(X, Y)$ 在区域 $D$(面积 $S_D$)上均匀分布:
$$
f(x, y) = \begin{cases} 1/S_D, & (x, y) \in D \\ 0, & \text{其他} \end{cases}
$$
**核心结论**:
- 边缘分布**不一定是均匀**(取决于 $D$ 的形状)
- 独立 $\iff$ 联合密度可分解为 $f_X(x) f_Y(y)$
- $P((X, Y) \in E) = \dfrac{S_{E \cap D}}{S_D}$
### 二、二维正态分布
$(X, Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,联合密度:
$$
f(x, y) = \frac{1}{2\pi \sigma_1 \sigma_2 \sqrt{1-\rho^2}} \exp\left(-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2} - \frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2} + \frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right)
$$
**5 个核心结论**:
| # | 结论 |
|---|------|
| 1 | **边缘**:$X \sim N(\mu_1, \sigma_1^2)$, $Y \sim N(\mu_2, \sigma_2^2)$(与 $\rho$ 无关!)|
| 2 | **条件**:$Y|X \sim N\left(\mu_2 + \rho \frac{\sigma_2}{\sigma_1}(X-\mu_1), \sigma_2^2(1-\rho^2)\right)$ |
| 3 | **线性组合**:$aX + bY \sim N(a\mu_1 + b\mu_2, a^2\sigma_1^2 + b^2\sigma_2^2 + 2ab\rho\sigma_1\sigma_2)$ |
| 4 | **独立**:$X, Y$ 独立 $\iff \rho = 0$(充要条件) |
| 5 | **不相关等价独立**:仅在二维正态下 $\rho = 0 \iff$ 独立 |
## 经典母题
> **题目**:设 $(X, Y) \sim N(0, 0, 1, 1, 0.5)$。求:
> (1) $f_X(x), f_Y(y)$;
> (2) $X, Y$ 是否独立?
> (3) $U = X + Y$ 的分布;
> (4) $V = X - Y$ 的分布;
> (5) $U, V$ 是否独立?
**解析**:
**(1)** $X \sim N(0, 1)$, $Y \sim N(0, 1)$(标准正态)
**(2)** $\rho = 0.5 \ne 0$ → **不独立**
**(3)** $U = X+Y$:
- $E(U) = 0$
- $D(U) = 1 + 1 + 2 \cdot 0.5 \cdot 1 \cdot 1 = 3$
- $U \sim N(0, 3)$
**(4)** $V = X-Y$:
- $E(V) = 0$
- $D(V) = 1 + 1 - 2 \cdot 0.5 = 1$
- $V \sim N(0, 1)$
**(5)** $U, V$ 是否独立?计算 $\text{Cov}(U, V) = \text{Cov}(X+Y, X-Y) = D(X) - D(Y) + \text{Cov}(Y,X) - \text{Cov}(X,Y) = 1 - 1 = 0$
对二维正态而言,$\text{Cov} = 0 \iff$ 独立。但 $(U, V)$ 是否是二维正态?
实际上 $(U, V)$ 是 $(X, Y)$ 的线性变换,仍服从二维正态:$(U, V) \sim N(0, 0, 3, 1, 0)$($\rho' = \text{Cov}(U,V)/\sqrt{D(U)D(V)} = 0$)。
→ **$U, V$ 独立**
**复盘**:二维正态的线性变换仍是二维正态,且新相关系数 $\rho' = \dfrac{a_1 a_2 \sigma_1^2 + b_1 b_2 \sigma_2^2 + (a_1 b_2 + a_2 b_1)\rho\sigma_1\sigma_2}{\sqrt{D(U)D(V)}}$。
---
> **变式**:$(X, Y)$ 在区域 $D: 0 \le x \le 1, x \le y \le 2x$ 上均匀分布。求 $f_X(x), f_Y(y)$,并判定独立性。
**解**:
- $S_D = \int_0^1 (2x - x) dx = \int_0^1 x \, dx = 1/2$
- $f(x, y) = 2$,$(x, y) \in D$
- $f_X(x) = \int_x^{2x} 2 dy = 2x$($0 \le x \le 1$)
- $f_Y(y) = ?$:固定 $y$,$x$ 的范围分两段
- $y \in [0, 1]$:$x \in [y/2, y]$
- $y \in [1, 2]$:$x \in [y/2, 1]$
- 不独立(联合不等于边缘之积)
> **口诀速记**:
> - "**二维正态独立 $\iff \rho = 0$**"
> - "**二维正态的线性变换仍是二维正态**"
> - "**二维均匀独立 $\iff$ 区域是矩形**"
@@ -0,0 +1,91 @@
# 题型六:两个随机变量和的分布(卷积公式)
## 识别特征
- 求 $Z = X + Y$ 的分布(律或密度)
- $X, Y$ 已知分布,可能独立或不独立
- **卷积公式**应用
## 解题流程
```mermaid
flowchart TD
A[识别:X+Y的分布] --> B{X,Y类型?}
B -->|都是离散| C["P(Z=zₖ)=Σᵢp(xᵢ, zₖ-xᵢ)"]
B -->|都是连续| D["f_Z(z)=∫f(x, z-x)dx"]
B -->|混合| E[分情况讨论]
D --> F{独立?}
F -->|是| G["f_Z(z)=∫f_X(x)f_Y(z-x)dx"]
F -->|否| H[用联合密度]
```
## 通法步骤
### 一、离散型
$$
P(Z = z_k) = \sum_{x_i + y_j = z_k} p_{ij}
$$
### 二、连续型(卷积公式 ⭐)
**通用版**:
$$
f_Z(z) = \int_{-\infty}^{+\infty} f(x, z-x) \, dx
$$
**独立版**:
$$
f_Z(z) = \int_{-\infty}^{+\infty} f_X(x) f_Y(z-x) \, dx
$$
**三步法**:
1. **换元**:把 $y$ 换为 $z-x$
2. **定限**:找到 $f_X(x) f_Y(z-x) \ne 0$ 的 $x$ 范围
3. **积分**:在该范围内积分
## 经典母题
> **题目**:$X, Y$ 独立,$X \sim U(0,1)$, $Y \sim U(0,1)$。求 $Z = X+Y$ 的密度。
**解析**:
$f_X(x) = 1$($0 \le x \le 1$), $f_Y(y) = 1$($0 \le y \le 1$)
$f_Z(z) = \int_0^1 f_X(x) f_Y(z-x) dx = \int_0^1 f_Y(z-x) dx$
$f_Y(z-x) \ne 0$ 需要 $0 \le z-x \le 1$,即 $z-1 \le x \le z$。
结合 $0 \le x \le 1$,得积分限 $\max(0, z-1) \le x \le \min(1, z)$:
**情形 1**:$0 \le z \le 1$($\min(1, z) = z$, $\max(0, z-1) = 0$)
$$f_Z(z) = \int_0^z 1 \, dx = z$$
**情形 2**:$1 \le z \le 2$($\min(1, z) = 1$, $\max(0, z-1) = z-1$)
$$f_Z(z) = \int_{z-1}^1 1 \, dx = 2-z$$
**情形 3**:其他,$f_Z(z) = 0$
**结论**:$Z$ 是三角形分布($z \in [0, 2]$)。
**复盘**:本题演示卷积公式的**分段讨论**——积分限依赖 $z$ 的范围。这是卷积公式的核心难点。
---
> **变式 1**:$X, Y$ 独立,$X \sim E(\lambda)$, $Y \sim E(\lambda)$(相同参数指数)。求 $Z = X+Y$ 的分布。
**解**:
- $f_X(x) = \lambda e^{-\lambda x}$($x > 0$), $f_Y(y) = \lambda e^{-\lambda y}$($y > 0$)
- $f_Z(z) = \int_0^z \lambda e^{-\lambda x} \lambda e^{-\lambda(z-x)} dx = \int_0^z \lambda^2 e^{-\lambda z} dx = \lambda^2 z e^{-\lambda z}$($z > 0$)
- 这是 **Gamma 分布** $Ga(2, \lambda)$
> **变式 2**:$X, Y$ 独立,$X \sim N(\mu_1, \sigma_1^2)$, $Y \sim N(\mu_2, \sigma_2^2)$。求 $Z = X+Y$ 的分布。
**解**:$Z \sim N(\mu_1 + \mu_2, \sigma_1^2 + \sigma_2^2)$(正态分布的可加性,无需卷积!)
> **跨章节衔接**:卷积公式在 Ch05 中心极限定理中用于推导"独立同分布的极限是正态"。
> **口诀速记**:
> - "**卷积三步法**:换元 → 定限 → 积分"
> - "**分段讨论**:积分限随 $z$ 变化"
> - "**特殊情形速记**:均匀 + 均匀 = 三角形;指数 + 指数 = Gamma;正态 + 正态 = 正态"
@@ -0,0 +1,103 @@
# 题型七:最大最小值的分布
## 识别特征
- 求 $M = \max(X, Y)$ 或 $N = \min(X, Y)$ 的分布
- **系统可靠性**问题(串联 = min,并联 = max)
- **顺序统计量**雏形
## 解题流程
```mermaid
flowchart TD
A[识别:max/min] --> B{独立?}
B -->|是| C[Fmax = F_X F_Y, Fmin = 1-(1-F_X)(1-F_Y)]
B -->|否| D["Fmax = P(X≤z, Y≤z) 二重积分"]
D --> E[用联合密度积分]
```
## 通法步骤
### 一、$M = \max(X, Y)$(独立时)
$$
F_M(z) = P(\max(X, Y) \le z) = P(X \le z, Y \le z) = F_X(z) \cdot F_Y(z)
$$
$$
f_M(z) = F_X'(z) F_Y(z) + F_X(z) F_Y'(z) = f_X(z) F_Y(z) + F_X(z) f_Y(z)
$$
### 二、$N = \min(X, Y)$(独立时)
$$
F_N(z) = P(\min(X, Y) \le z) = 1 - P(X > z, Y > z) = 1 - (1 - F_X(z))(1 - F_Y(z))
$$
$$
f_N(z) = f_X(z)(1 - F_Y(z)) + (1 - F_X(z)) f_Y(z)
$$
### 三、不独立时
$$
F_M(z) = P(X \le z, Y \le z) = \iint_{x \le z, y \le z} f(x, y) \, dx \, dy
$$
## 常见陷阱
- max/min 公式要求 $X, Y$ **独立**!不独立时不能用
- "**串联系统寿命** = min"(一个失效则整个失效)
- "**并联系统寿命** = max"(全部失效则整个失效)
## 经典母题
> **题目**:两元件寿命 $X, Y$ 独立,均服从指数分布 $E(\lambda)$。求:
> (1) 串联系统(min)的寿命分布;
> (2) 并联系统(max)的寿命分布。
**解析**:
$F_X(z) = F_Y(z) = 1 - e^{-\lambda z}$($z \ge 0$)
**(1) 串联 = min**:
$$F_N(z) = 1 - (1-F_X(z))(1-F_Y(z)) = 1 - e^{-2\lambda z}$$
→ $N \sim E(2\lambda)$(参数翻倍的指数分布)
**(2) 并联 = max**:
$$F_M(z) = F_X(z) F_Y(z) = (1 - e^{-\lambda z})^2$$
$$f_M(z) = 2(1 - e^{-\lambda z}) \cdot \lambda e^{-\lambda z} = 2\lambda e^{-\lambda z}(1 - e^{-\lambda z})$$($z \ge 0$)
**复盘**:这是**系统可靠性**问题的标准模板。
- 串联 = 各部件"谁先坏" → min
- 并联 = 各部件"谁最后坏" → max
---
> **变式 1**:$X \sim U(0, 1)$, $Y \sim U(0, 2)$ 独立。求 $M = \max(X, Y)$ 的密度。
**解**:
- $F_X(x) = x$($0 \le x \le 1$), $F_Y(y) = y/2$($0 \le y \le 2$)
- $F_M(z)$ 分段:
- $z \in [0, 1]$:$F_M(z) = z \cdot (z/2) = z^2/2$
- $z \in [1, 2]$:$F_M(z) = 1 \cdot (z/2) = z/2$
- $z \ge 2$:$F_M(z) = 1$
- $f_M(z)$:
- $z \in [0, 1]$:$f_M(z) = z$
- $z \in [1, 2]$:$f_M(z) = 1/2$
- 其他:$0$
---
> **变式 2**:$X, Y$ 独立同为 $U(0, 1)$。求 $M = \max$, $N = \min$ 的密度。
**解**:
- $F_M(z) = z^2$($0 \le z \le 1$),$f_M(z) = 2z$
- $F_N(z) = 1 - (1-z)^2 = 2z - z^2$,$f_N(z) = 2 - 2z = 2(1-z)$
> **跨章节衔接**:顺序统计量在 Ch06 参数估计中是核心(样本中位数 = 第二个顺序统计量)。
> **口诀速记**:
> - "**max/min 公式仅适用于独立情形**"
> - "**串联 = min,并联 = max**"
> - "**指数 + 指数,串联参数翻倍**"
@@ -0,0 +1,566 @@
# 📌 第四章 随机变量的数字特征 考研核心通关笔记
> 数字特征是随机变量的"画像"——用少数几个数(期望、方差、相关系数)刻画分布的核心信息
---
## ① 本章核心知识框架 (Core Concept Map)
### 1.1 数学期望(均值)$E(X)$
#### 一、定义
**离散型**:若 $\sum_{i} |x_i| p_i < \infty$,则
$$
E(X) = \sum_{i} x_i p_i
$$
**连续型**:若 $\int_{-\infty}^{+\infty} |x| f(x) dx < \infty$,则
$$
E(X) = \int_{-\infty}^{+\infty} x f(x) dx
$$
> *极简例子:* 掷骰子 $P(X=k)=1/6, k=1,\ldots,6$,则 $E(X) = \frac{1+2+3+4+5+6}{6} = 3.5$
#### 二、随机变量函数的期望(重要公式 ⭐)
**一维情形**:
$$
E[g(X)] = \sum_i g(x_i) p_i \quad \text{(离散)}
$$
$$
E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx \quad \text{(连续)}
$$
**二维情形**(**不必**求出 $Z=g(X,Y)$ 的分布!):
$$
E[g(X,Y)] = \iint_{\mathbb{R}^2} g(x,y) f(x,y) dxdy
$$
> *极简例子:* $X \sim U(0,1)$,则 $E(X^2) = \int_0^1 x^2 dx = 1/3$(不必求 $Y=X^2$ 的密度)
#### 三、期望的性质
| 性质 | 公式 |
|------|------|
| **常数** | $E(C) = C$ |
| **线性** | $E(aX+b) = aE(X)+b$ |
| **线性可加** | $E(X+Y) = E(X)+E(Y)$(**无需独立**!) |
| **推广** | $E\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n E(X_i)$ |
| **独立可乘** | 若 $X,Y$ **独立**,则 $E(XY) = E(X) E(Y)$ |
#### 四、常见分布的期望(速查)
| 分布 | 符号 | $E(X)$ |
|------|------|--------|
| 0-1 分布 | $B(1,p)$ | $p$ |
| 二项分布 | $B(n,p)$ | $np$ |
| 泊松分布 | $P(\lambda)$ | $\lambda$ |
| 几何分布 | $G(p)$ | $1/p$ |
| 均匀分布 | $U(a,b)$ | $(a+b)/2$ |
| 指数分布 | $E(\lambda)$ | $1/\lambda$ |
| 正态分布 | $N(\mu,\sigma^2)$ | $\mu$ |
> *极简例子:* $X \sim B(10, 0.3)$,则 $E(X) = 10 \times 0.3 = 3$
---
### 1.2 方差 $D(X)$
#### 一、定义
$$
D(X) = E[(X - E(X))^2]
$$
**等价公式**(**计算常用**):
$$
D(X) = E(X^2) - E^2(X)
$$
**标准差**:$\sigma(X) = \sqrt{D(X)}$
> *极简例子:* 掷骰子 $E(X)=3.5$,$E(X^2) = 91/6$,故 $D(X) = 91/6 - 49/4 = 35/12$
#### 二、方差的性质
| 性质 | 公式 |
|------|------|
| **常数** | $D(C) = 0$ |
| **平移不变** | $D(X + C) = D(X)$ |
| **伸缩** | $D(aX + b) = a^2 D(X)$ |
| **一般和** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
| **独立和** | 若 $X,Y$ 独立,则 $D(X \pm Y) = D(X)+D(Y)$ |
> ⚠️ **关键警示**:$D(X+Y) = D(X) + D(Y)$ **仅当独立时**成立!一般情形必须用协方差修正。
#### 三、常见分布的方差(速查)
| 分布 | 符号 | $D(X)$ |
|------|------|--------|
| 0-1 分布 | $B(1,p)$ | $p(1-p)$ |
| 二项分布 | $B(n,p)$ | $np(1-p)$ |
| 泊松分布 | $P(\lambda)$ | $\lambda$ |
| 几何分布 | $G(p)$ | $(1-p)/p^2$ |
| 均匀分布 | $U(a,b)$ | $(b-a)^2/12$ |
| 指数分布 | $E(\lambda)$ | $1/\lambda^2$ |
| 正态分布 | $N(\mu,\sigma^2)$ | $\sigma^2$ |
> *极简例子:* $X \sim B(10, 0.3)$,则 $D(X) = 10 \times 0.3 \times 0.7 = 2.1$
#### 四、标准化变量
$$
X^* = \frac{X - E(X)}{\sqrt{D(X)}}
$$
则 $E(X^*) = 0$,$D(X^*) = 1$。**任何**随机变量都可以标准化(不要求正态!)。
#### 五、切比雪夫不等式 ⭐
对任意随机变量 $X$,若 $E(X) = \mu, D(X) = \sigma^2$,则对 $\forall \varepsilon > 0$:
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
等价形式:
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
> *极简例子:* 若 $\mu=0, \sigma^2=4$,则 $P(|X|\ge 4) \le 4/16 = 1/4$
> 🔑 **本质**:切比雪夫不等式只用 $E(X), D(X)$ 两个数就能给出概率的"粗糙上界"——无需知道分布!
---
### 1.3 协方差与相关系数
#### 一、协方差 $\text{Cov}(X,Y)$
**定义**:
$$
\text{Cov}(X,Y) = E[(X - E(X))(Y - E(Y))]
$$
**等价公式**(**计算常用**):
$$
\text{Cov}(X,Y) = E(XY) - E(X) E(Y)
$$
> *极简例子:* 若 $X, Y$ 独立,则 $\text{Cov}(X,Y) = 0$
#### 二、相关系数 $\rho_{XY}$(**标准化协方差**)
$$
\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}
$$
**性质**:
- $-1 \le \rho_{XY} \le 1$
- $\rho_{XY} = \pm 1 \iff X$ 与 $Y$ 之间**几乎处处**线性相关
- $|\rho_{XY}| = 1 \iff \exists a, b$($a \ne 0$)使得 $P(Y = aX+b) = 1$
> *极简例子:* $Y = aX + b$ 时 $\rho_{XY} = \text{sgn}(a)$
#### 三、协方差的性质
| 性质 | 公式 |
|------|------|
| **自身** | $\text{Cov}(X,X) = D(X)$ |
| **对称** | $\text{Cov}(X,Y) = \text{Cov}(Y,X)$ |
| **线性** | $\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$ |
| **分配律** | $\text{Cov}(X_1+X_2, Y) = \text{Cov}(X_1,Y) + \text{Cov}(X_2,Y)$ |
| **与方差** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
#### 四、不相关性 ⭐⭐⭐(概念题必考)
**定义**:若 $\text{Cov}(X,Y) = 0$(等价于 $\rho_{XY}=0$),则称 $X,Y$ **不相关**。
**核心定理**:
$$
X, Y \text{ 独立} \Rightarrow X, Y \text{ 不相关}
$$
**反之不成立**(独立 $\not\Rightarrow$ 不相关除外)
> ⚠️ **重要例外**:若 $(X,Y) \sim$ **二维正态**,则
> $$X, Y \text{ 独立} \iff X, Y \text{ 不相关}$$
> 此时两个概念等价。
*反例*:$X \sim U(-1,1)$,$Y = X^2$,则 $Y$ 完全由 $X$ 决定,**不独立**;但可证 $\text{Cov}(X,Y)=0$,**不相关**。
---
### 1.4 矩与协方差矩阵
#### 一、原点矩与中心矩
**$k$ 阶原点矩**:$\mu_k = E(X^k)$
**$k$ 阶中心矩**:$\nu_k = E[(X - E(X))^k]$
> *极简例子:* $\mu_1 = E(X)$,$\nu_2 = D(X)$
#### 二、协方差矩阵
对于 $n$ 维随机变量 $(X_1, X_2, \ldots, X_n)$,其**协方差矩阵**为
$$
\Sigma =
\begin{pmatrix}
\text{Cov}(X_1,X_1) & \text{Cov}(X_1,X_2) & \cdots & \text{Cov}(X_1,X_n) \\
\text{Cov}(X_2,X_1) & \text{Cov}(X_2,X_2) & \cdots & \text{Cov}(X_2,X_n) \\
\vdots & \vdots & \ddots & \vdots \\
\text{Cov}(X_n,X_1) & \text{Cov}(X_n,X_2) & \cdots & \text{Cov}(X_n,X_n)
\end{pmatrix}
$$
**关键性质**:
- 对角线元素是各变量的**方差**($\ge 0$)
- 矩阵是**对称**的
- **半正定**:$x^T \Sigma x \ge 0$($\forall x \in \mathbb{R}^n$)
> *极简例子:* 二维情形 $\Sigma = \begin{pmatrix} \sigma_1^2 & \text{Cov}(X_1,X_2) \\ \text{Cov}(X_2,X_1) & \sigma_2^2 \end{pmatrix}$
#### 三、二元正态分布的关键结论 ⭐
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
| 结论 | 公式 |
|------|------|
| **边缘分布** | $X \sim N(\mu_1, \sigma_1^2)$,$Y \sim N(\mu_2, \sigma_2^2)$ |
| **线性组合** | 任意线性组合仍服从正态 |
| **独立 ⇔ 不相关** | $\rho = 0 \iff X, Y$ 独立 |
| **条件分布** | $X\|Y=y \sim N\left(\mu_1 + \rho \frac{\sigma_1}{\sigma_2}(y-\mu_2), \sigma_1^2(1-\rho^2)\right)$ |
> 🔑 **核心**:二维正态下,独立与不相关等价——这是 Ch02 与本章交汇的核心考点!
---
## ② 必考题型分类索引
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 数学期望的计算 | $E(X) = \sum x_i p_i$ 或 $\int x f(x) dx$ | [[题型1_数学期望的计算]] |
| 2 | 随机变量函数的期望 | $E[g(X)]$、$E[g(X,Y)]$ 公式 | [[题型2_随机变量函数的期望]] |
| 3 | 常见分布的期望与方差 | 速查表(0-1、二项、泊松、几何、超几何、均匀、指数、正态) | [[题型3_常见分布的期望与方差]] |
| 4 | 方差的计算与性质 | $D(X) = E(X^2) - E^2(X)$、$D(aX+b) = a^2 D(X)$ | [[题型4_方差的计算与性质]] |
| 5 | 协方差与相关系数 | $\text{Cov}(X,Y)$、$\rho_{XY}$ 的计算与性质 | [[题型5_协方差与相关系数]] |
| 6 | 独立与不相关 | 独立 $\Rightarrow$ 不相关;反例:$X$ 与 $X^2$ | [[题型6_独立与不相关]] |
| 7 | 切比雪夫不等式 | 估计概率 $P(\|X - \mu\| \ge \varepsilon) \le \sigma^2/\varepsilon^2$ | [[题型7_切比雪夫不等式]] |
| 8 | 协方差矩阵与多元统计 | 多元正态、相关矩阵 | [[题型8_协方差矩阵与多元统计]] |
---
## 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 | 数学期望的计算(含函数期望) | 13次 | 4-12分 |
| 2 | 方差的计算与性质 | 11次 | 4-10分 |
| 3 | 协方差/相关系数 | 10次 | 4-8分 |
| 4 | 独立与不相关辨析 | 6次 | 4分 |
| 5 | 切比雪夫不等式 | 5次 | 4-6分 |
### 【示例:一题多角度】
**核心概念**:同一随机变量 $X$,考"期望"、"方差"、"协方差"三个数字特征
> **同一情境**:设 $(X,Y)$ 的联合密度为
> $$f(x,y) = \begin{cases} 2, & 0 \le y \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
> 设 $Z = X + Y$,求 $E(Z)$、$D(Z)$、$\text{Cov}(X,Y)$。
**角度一:选择题(期望计算)**
$E(X) = \int_0^1 x \cdot 2x \, dx = 2/3$
$E(Y) = \int_0^1 2y \cdot (1-y) \, dy = 1/3$
$E(X+Y) = E(X) + E(Y) = 2/3 + 1/3 = 1$
**角度二:填空题(方差与协方差)**
$E(XY) = \int_0^1 \int_0^x 2xy \, dy \, dx = \int_0^1 x \cdot x^2 \, dx = 1/4$
$\text{Cov}(X,Y) = E(XY) - E(X)E(Y) = 1/4 - 2/9 = 1/36$
$D(X) = E(X^2) - E^2(X) = 1/2 - 4/9 = 1/18$
$D(Y) = E(Y^2) - E^2(Y) = 1/6 - 1/9 = 1/18$
$D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y) = 1/18 + 1/18 + 2/36 = 1/6$
**角度三:解答题(综合——二维正态的反演)**
若 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,求:
- $E(X+Y), D(X+Y)$:利用上述公式
- $\rho_{XY}$ 是否为 0:决定 $X+Y$ 是否仍正态(若是,则 $X+Y \sim N(\mu_1+\mu_2, \sigma_1^2+\sigma_2^2+2\rho\sigma_1\sigma_2)$)
**启示**:
- **选择题**考"期望的线性可加性"(无论独立与否)
- **填空题**考"$\text{Cov}=E(XY)-E(X)E(Y)$"公式
- **解答题**考"二维正态下独立 ⇔ 不相关"的等价条件
**核心公式速记**:
- **期望线性**:$E(X+Y)=E(X)+E(Y)$(**无需独立**)
- **方差展开**:$D(X+Y)=D(X)+D(Y)+2\text{Cov}(X,Y)$(**不可漏协方差**)
- **协方差计算**:$\text{Cov}(X,Y)=E(XY)-E(X)E(Y)$
---
## ④ 方法论与解题通法 (Methodology)
### 方法一:期望计算的"两条路径"
```
E(X) 计算
├── 路径 A:直接法(先求 X 的分布律/密度)
│ ├── 离散:E(X) = Σ x_i p_i
│ └── 连续:E(X) = ∫ x f(x) dx
└── 路径 B:函数期望公式 E[g(X)] = ∫ g(x) f(x) dx
├── 优点:不需先求 Y = g(X) 的分布
└── 注意:积分变量仍是 x,不是 y = g(x)
```
### 方法二:方差计算的"等价变形"
**核心公式**(**首选**):
$$
D(X) = E(X^2) - E^2(X)
$$
**计算套路**:
1. 用定义/函数期望公式求 $E(X)$
2. 用函数期望公式求 $E(X^2)$
3. 相减得 $D(X)$
**避开**:直接用 $E[(X-E(X))^2]$ 展开(计算量大)
> *口诀*:"**先算二次,再减一次的平方**"——E(X²) − E²(X)
### 方法三:协方差与相关系数的"公式族"
| 公式 | 适用场景 |
|------|---------|
| $\text{Cov}(X,Y) = E(XY) - E(X)E(Y)$ | 已知联合密度/分布律 |
| $\text{Cov}(X,Y) = E[(X-\mu_X)(Y-\mu_Y)]$ | 已知边缘但无联合(难以直接用)|
| $\rho_{XY} = \text{Cov}(X,Y) / (\sigma_X \sigma_Y)$ | 求相关系数 |
| $D(X \pm Y) = D(X)+D(Y) \pm 2\text{Cov}(X,Y)$ | 求 $X \pm Y$ 的方差 |
### 方法四:独立与不相关的"判定三连"
```
第一步:先算 Cov(X,Y) = E(XY) - E(X)E(Y)
├── = 0 → X, Y 不相关
└── ≠ 0 → X, Y 相关
第二步:是否独立?
├── 二维正态:独立 ⇔ 不相关(重要等价)
└── 一般情形:独立 ⇒ 不相关,反之不成立
第三步:特殊反例
└── X ~ U(-1,1), Y = X²:相关但独立?不!Y 被 X 决定
⇒ 实际是不独立、不相关
```
### 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 |
|---------|------------|------------|---------|
| **线性可加(无需独立)** | $E(X+Y) = E(X)+E(Y)$ | Ch05 中心极限定理、Ch08 样本均值 | 求多变量和的均值 |
| **方差分解** | $D(X)=E(X^2)-E^2(X)$ | Ch05 切比雪夫大数定律 | 简化方差计算 |
| **协方差判定独立** | $\rho_{XY} = 0$ | Ch05 相合性、Ch08 估计效率 | 多元相关性 |
| **标准化变换** | $X^* = (X-\mu)/\sigma$ | Ch05 中心极限定理(标准化) | 不同分布间的可比性 |
| **切比雪夫不等式** | $P(\|X-\mu\|\ge\varepsilon) \le \sigma^2/\varepsilon^2$ | Ch05 大数定律证明 | 仅知均值方差时估计概率 |
| **分布函数积分** | $E(X)=\int x f(x) dx$ | Ch02 连续型分布 | 已知密度直接积分 |
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:把"独立"和"不相关"等同
- **错误表现**:认为 $X, Y$ 不相关 $\Rightarrow$ $X, Y$ 独立
- **正确理解**:
- **独立 $\Rightarrow$ 不相关**(反之不成立)
- **反例**:$X \sim U(-1,1), Y = X^2$,则 $Y$ 完全由 $X$ 决定,但 $\text{Cov}(X,Y) = 0$
- **唯一例外**:$(X,Y) \sim$ 二维正态时,独立 $\iff$ 不相关
**【对比示例】**:
```
❌ "不相关 ⇒ 独立" (错误!反例:X ~ U(-1,1), Y = X²)
✅ "独立 ⇒ 不相关" (永远成立)
✅ "二维正态时:独立 ⇔ 不相关" (特殊情形)
```
### ❌ 错误 2:$D(X+Y) = D(X) + D(Y)$ 误用
- **错误表现**:用 $D(X+Y) = D(X) + D(Y)$ 计算任意两个 $X, Y$ 的和方差
- **正确理解**:$D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y)$,仅当 $X, Y$ **独立**(或 $\text{Cov}=0$)时才能略去协方差项
**【对比示例】**:
```
❌ D(X+Y) = D(X) + D(Y) (没说明独立,错了)
✅ D(X+Y) = D(X) + D(Y) + 2Cov(X,Y) (一般情形)
✅ X,Y 独立时:D(X+Y) = D(X) + D(Y) (独立才成立)
```
### ❌ 错误 3:$E(XY) = E(X)E(Y)$ 误用
- **错误表现**:写 $E(XY) = E(X) E(Y)$ 而忘记"独立"前提
- **正确理解**:$E(XY) = E(X) E(Y)$ **仅在 $X,Y$ 独立时**成立;非独立时必须用联合密度求 $E(XY) = \iint xy f(x,y) dxdy$
### ❌ 错误 4:函数期望 $E[g(X,Y)]$ 误用变量
- **错误表现**:$E[g(X,Y)] = \int g(x) f(x) dx$ 或 $E[g(X,Y)] = \int g(y) f_Y(y) dy$
- **正确理解**:必须用**联合密度 $f(x,y)$** 对二维积分,**不能**只用边缘密度
**【对比示例】**:
```
❌ E(X+Y) = ∫ (x+y) f_X(x) dx (错!只用边缘密度)
✅ E(X+Y) = ∬ (x+y) f(x,y) dxdy (用联合密度)
✅ 或:E(X+Y) = E(X) + E(Y) (线性可加,无需独立)
```
### ❌ 错误 5:切比雪夫不等式反向误用
- **错误表现**:看到题中给 $\mu, \sigma^2$ 想反求 $\varepsilon$
- **正确理解**:切比雪夫不等式给出的是**概率的上界**(不需知道分布);不是精确概率,更不能用来反求参数
### ❌ 错误 6:$\rho_{XY}$ 与"因果关系"混淆
- **错误表现**:$\rho_{XY} = 0.9$ 就认为 "$X$ 影响 $Y$"
- **正确理解**:$\rho_{XY}$ 只衡量**线性关系**的强度;$|\rho_{XY}| = 1$ 时才存在严格的线性关系;$0.9$ 仅说明线性趋势强,不代表因果
### ❌ 错误 7:协方差矩阵的非负定性遗忘
- **错误表现**:构造"协方差矩阵"时忘记矩阵必须是**对称半正定**
- **正确理解**:任意**对称半正定**矩阵 $\Sigma$ 都是某个随机向量 $\mathbf{X}$ 的协方差矩阵
---
## 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 |
|--------|--------|-----------|------|
| 期望的计算(含函数期望) | **高** | 30+ 道 | 每年必考,应用最广 |
| 方差的计算与性质 | **高** | 25+ 道 | 数字特征的核心 |
| 协方差与相关系数 | **高** | 20+ 道 | 与独立判定直接关联 |
| 独立 vs 不相关 | **高** | 15 道 | 概念题高频陷阱 |
| 常见分布的期望方差 | **高** | 10 道 | 速查表必须背熟 |
| 切比雪夫不等式 | **中** | 8 道 | 大数定律前置 |
| 协方差矩阵 | **中** | 6 道 | 多元正态的载体 |
| 矩 | **低** | 3 道 | 了解即可 |
### 跨章节连接
```
┌─────────────────────────────────┐
│ Ch02 随机变量及其分布 │
│ · 离散/连续分布律/密度 │
│ · 分布函数 F(x) │
│ · 二维分布 │
└───────────────┬─────────────────┘
│
┌───────────────┼───────────────┐
↓ ↓ ↓
┌───────────────────────────────────────────┐
│ Ch04 随机变量的数字特征 ← 本章 │
│ · E(X)、D(X) │
│ · Cov(X,Y)、ρ_XY │
│ · 独立 vs 不相关 │
│ · 协方差矩阵 │
└──────┬─────────────────────┬──────────────┘
│ │
┌──────────────┴──────┐ ┌─────────┴──────────┐
↓ ↓ ↓ ↓
Ch05 大数定律 Ch06 数理统计 Ch07 参数估计
X̄→μ 依概率 样本均值/方差 估计量评价
切比雪夫不等式 三大分布 有效估计
中心极限定理 充分统计量 UMVUE
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:函数期望 + 切比雪夫不等式**
> 例题:$X \sim E(\lambda)$(指数分布),$Y = X^2$,求 $E(Y)$,并用切比雪夫不等式估计 $P(|Y - E(Y)| \ge 2)$。
>
> **解**:$E(X) = 1/\lambda, D(X) = 1/\lambda^2$;$E(Y) = E(X^2) = D(X) + E^2(X) = 2/\lambda^2$;$D(Y) = E(X^4) - E^2(X^2)$;由切比雪夫不等式:$P(|Y-E(Y)|\ge 2) \le D(Y)/4$。
>
> **考点**:函数期望 + 切比雪夫不等式 + 分布的高阶矩。
**模式 2:协方差 + 二维正态**
> 例题:$(X,Y) \sim N(0,0,1,1,\rho)$,求 $D(X+Y)$ 和 $D(X-Y)$,并判断 $X+Y$ 与 $X-Y$ 的独立性。
>
> **解**:$D(X+Y) = 1 + 1 + 2\rho = 2(1+\rho)$;$D(X-Y) = 2(1-\rho)$;当 $\rho = 0$ 时 $D(X+Y)=D(X-Y)=2$,且 $X+Y, X-Y$ 独立(正态性质)。
>
> **考点**:协方差 + 二维正态的独立判定 + 线性变换。
**模式 3:独立与不相关辨析**
> 例题:$X \sim U(-1,1)$,$Y = X^2$,判断 $X, Y$ 是否独立?是否不相关?
>
> **解**:
> - **独立否**:$Y$ 完全由 $X$ 决定,$X = 0 \Rightarrow Y = 0$,$X = 0.5 \Rightarrow Y = 0.25$,所以不独立。
> - **不相关是**:$\text{Cov}(X,Y) = E(X^3) - E(X)E(X^2) = 0 - 0 \cdot 1/3 = 0$(奇函数积分 + $E(X) = 0$)。
>
> **考点**:构造独立 vs 不相关的反例。
**模式 4:常见分布期望方差的"逆问题"**
> 例题:$E(X) = 2, D(X) = 4$,$X$ 服从什么常见分布?
>
> **解**:$\sigma = 2$,$\mu = 2$。若 $X \sim N(\mu, \sigma^2)$,则 $X \sim N(2, 4)$。
>
> **考点**:从数字特征反推分布。
#### 🔗 与 Ch05 大数定律的衔接
| 本章概念 | Ch05 对应 | 关系 |
|---------|----------|------|
| 期望 $E(X)$ | 依概率收敛的极限 | $\bar{X_n} \xrightarrow{P} E(X)$ |
| 方差 $D(X)$ | 切比雪夫不等式 | 直接用 $D(X)$ 估计偏离 |
| 切比雪夫不等式 | 大数定律证明 | 核心工具 |
| 独立 | 切比雪夫大数定律的前提 | 必须独立 |
#### 🔗 与 Ch06 数理统计的衔接
| 本章概念 | Ch06 对应 | 关系 |
|---------|----------|------|
| $E(X), D(X)$ | 总体均值 $\mu$,总体方差 $\sigma^2$ | 数字特征 = 总体参数 |
| 协方差矩阵 | 多元正态的协方差矩阵 | 数理统计的多元推广 |
---
### 【终极母题推荐】
> **题目**:设二维随机变量 $(X,Y)$ 的联合密度为
> $$f(x,y) = \begin{cases} \dfrac{1}{8}(x+y), & 0 \le x \le 2, 0 \le y \le 2 \\ 0, & \text{其他} \end{cases}$$
>
> 求:(1) $E(X), E(Y)$;(2) $D(X), D(Y)$;(3) $\text{Cov}(X,Y), \rho_{XY}$;(4) $D(X+Y)$;(5) 判断 $X, Y$ 是否独立?
**此题融合**:
- 期望的计算(一重积分,**用边缘密度**)
- 方差的计算($E(X^2) - E^2(X)$)
- 协方差与相关系数(公式法)
- 方差展开(用协方差修正)
- 独立 vs 不相关(用 $\rho_{XY}$ 判定)
**标准答案**(部分):
- 边缘密度 $f_X(x) = \int_0^2 \frac{1}{8}(x+y) dy = \frac{1}{4}(x+1)$
- $E(X) = \int_0^2 x \cdot \frac{1}{4}(x+1) dx = \frac{1}{4}(\frac{8}{3}+2) = \frac{7}{6}$
- $E(X^2) = \int_0^2 x^2 \cdot \frac{1}{4}(x+1) dx = \frac{1}{4}(\frac{16}{4}+\frac{8}{3}) = \frac{5}{3}$
- $D(X) = \frac{5}{3} - (\frac{7}{6})^2 = \frac{5}{3} - \frac{49}{36} = \frac{60-49}{36} = \frac{11}{36}$
**为什么这是"终极母题"**:
✅ 期望/方差/协方差/相关系数**全考点覆盖**
✅ 用函数期望公式 + 边缘密度计算(一类通用方法)
✅ 独立 vs 不相关的完整判定流程
✅ $D(X+Y)$ 的展开公式
✅ 与 Ch02 二维分布的衔接(已知联合密度求边缘)
**🔗 这道题的 Ch05 升级版(预告)**:
> 若 $X_1, X_2, \ldots, X_n$ 独立同分布于 $(X,Y)$ 中的 $X$,求 $\bar{X_n}$ 的均值与方差。这正是 Ch05 大数定律的研究对象:**样本均值 $\bar{X_n}$ 依概率收敛到 $\mu$**。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 Ch05 大数定律与中心极限定理,数字特征将升级为"依概率收敛"与"依分布收敛"。
@@ -0,0 +1,143 @@
# 题型一:数学期望的计算
## 识别特征
- 题干给出随机变量的**分布律**(离散)或**密度函数**(连续)
- 要求计算 $E(X)$
- 可能涉及**分段函数**的期望(如 $X \sim U(0,2)$ 求 $E(|X-1|)$)
## 解题流程
```mermaid
flowchart TD
A[识别:求 E X] --> B{什么类型?}
B -->|离散型| C[列出分布律: P X = x_i = p_i]
B -->|连续型| D[写出密度 f x]
C --> E["E X = Σ x_i p_i"]
D --> F["E X = ∫ x f x dx"]
E --> G[检查级数/积分收敛]
F --> G
G --> H{绝对收敛?}
H -->|否| I[E X 不存在]
H -->|是| J[得出 E X]
```
## 通法步骤
### 一、离散型期望
$$
E(X) = \sum_{i} x_i p_i, \quad \text{前提: } \sum_i |x_i| p_i < \infty
$$
### 二、连续型期望
$$
E(X) = \int_{-\infty}^{+\infty} x f(x) dx, \quad \text{前提: } \int_{-\infty}^{+\infty} |x| f(x) dx < \infty
$$
### 三、特殊情形的处理
| 情形 | 处理方式 |
|------|---------|
| **分段定义** | 拆分区间,分别积分再求和 |
| **绝对值** | $E(\|X-a\|) = \int \|x-a\| f(x) dx$ |
| **指示变量** | $E(I_A) = P(A)$,可用此性质简化计算 |
| **$\max$/$\min$** | $E(\max(X,Y)) = \int (x+y-\|x-y\|)/2 \cdot f(x,y) dxdy$ |
### 四、计算公式与速查
| 分布 | $E(X)$ |
|------|--------|
| 0-1 分布 $B(1,p)$ | $p$ |
| 二项 $B(n,p)$ | $np$ |
| 泊松 $P(\lambda)$ | $\lambda$ |
| 几何 $G(p)$ | $1/p$ |
| 均匀 $U(a,b)$ | $(a+b)/2$ |
| 指数 $E(\lambda)$ | $1/\lambda$ |
| 正态 $N(\mu, \sigma^2)$ | $\mu$ |
## 常见陷阱
- **绝对收敛遗忘**:级数 $\sum x_i p_i$ 必须**绝对收敛**才能求期望,否则 $E(X)$ 不存在(如 Cauchy 分布的均值不存在)
- **积分上下限错误**:连续型必须写 $-\infty$ 到 $+\infty$,或对应密度的非零区间
- **符号错误**:$x$ 是积分变量,不能用 $y$ 替换(最终结果应是常数)
- **分段函数遗漏**:分段定义的密度,每段都要积分
## 经典母题
> **题目 1**(离散):设 $X$ 的分布律为 $P(X=k) = \dfrac{1}{2^k}, k = 1, 2, \ldots$。求 $E(X)$。
**解析**:
这是几何分布($p = 1/2$):
$$
E(X) = \sum_{k=1}^{\infty} k \cdot \frac{1}{2^k}
$$
利用**级数技巧**:令 $S = \sum_{k=1}^\infty x^k = \dfrac{x}{1-x}$($|x|<1$),对 $x$ 求导:
$$
\sum_{k=1}^\infty k x^{k-1} = \frac{1}{(1-x)^2}
$$
代入 $x = 1/2$:
$$
E(X) = \sum_{k=1}^\infty k \left(\frac{1}{2}\right)^k = \frac{1/2}{(1-1/2)^2} = \frac{1/2}{1/4} = 2
$$
**复盘**:几何分布期望公式 $E(G(p)) = 1/p$,代入 $p=1/2$ 得 $E(X)=2$ ✓
---
> **题目 2**(连续):设 $X$ 的密度为 $f(x) = \dfrac{1}{2} e^{-|x|}$(**双指数分布 / Laplace 分布**)。求 $E(X)$。
**解析**:
$$
E(X) = \int_{-\infty}^{+\infty} x \cdot \frac{1}{2} e^{-|x|} dx
$$
由于 $x \cdot e^{-|x|}$ 是**奇函数**,在 $(-\infty, +\infty)$ 上积分为 $0$:
$$
E(X) = 0
$$
**复盘**:双指数分布关于 $0$ 对称,故均值为 $0$。
---
> **题目 3**(分段函数):设 $X \sim U(0, 2)$,求 $E(|X - 1|)$。
**解析**:
$|X-1|$ 是关于 $X=1$ 对称的分段函数:
- 当 $0 \le x \le 1$ 时,$|x-1| = 1-x$
- 当 $1 < x \le 2$ 时,$|x-1| = x-1$
$$
E(|X-1|) = \int_0^1 (1-x) \cdot \frac{1}{2} dx + \int_1^2 (x-1) \cdot \frac{1}{2} dx
$$
分别计算:
$$
= \frac{1}{2} \left[ x - \frac{x^2}{2} \right]_0^1 + \frac{1}{2} \left[ \frac{x^2}{2} - x \right]_1^2 = \frac{1}{2} \cdot \frac{1}{2} + \frac{1}{2} \cdot \frac{1}{2} = \frac{1}{2}
$$
**复盘**:分段绝对值 → 分段积分。对称情形可简化(如本例左右相等,故 $1/2$)。
---
> **变式 1**:$X \sim P(\lambda)$(泊松),求 $E(X)$。
>
> **解**:$E(X) = \sum_{k=0}^\infty k \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \lambda \sum_{k=1}^\infty \frac{\lambda^{k-1}}{(k-1)!} = e^{-\lambda} \lambda \cdot e^{\lambda} = \lambda$。
> **变式 2**:设 $X$ 的密度 $f(x) = \dfrac{1}{\pi} \cdot \dfrac{1}{1+x^2}$(Cauchy 分布)。证明 $E(X)$ 不存在。
>
> **解**:$\int_{-\infty}^{+\infty} |x| \cdot \frac{1}{\pi(1+x^2)} dx = \frac{2}{\pi} \int_0^{+\infty} \frac{x}{1+x^2} dx = \frac{1}{\pi} \ln(1+x^2) \Big|_0^{+\infty} = \infty$(不绝对收敛)。
---
> **口诀速记**:
> - "**离散**:$\sum x_i p_i$;**连续**:$\int x f(x) dx$"
> - "**必须绝对收敛**"
> - "**常见分布**:二项 $np$,泊松 $\lambda$,均匀中点,指数 $1/\lambda$,正态 $\mu$"
@@ -0,0 +1,177 @@
# 题型二:随机变量函数的期望
## 识别特征
- 题干给出 $Y = g(X)$ 或 $Z = g(X,Y)$,**直接求 $E(Y)$ 或 $E(Z)$**
- **不必先求 $Y$(或 $Z$)的分布**
- 关键公式:$E[g(X)] = \int g(x) f(x) dx$(连续);$E[g(X,Y)] = \iint g(x,y) f(x,y) dxdy$(二维)
## 解题流程
```mermaid
flowchart TD
A[识别:求 E g X 或 E g X,Y] --> B{几维?}
B -->|一维| C[写出 X 的密度 f x]
B -->|二维| D[写出联合密度 f x,y]
C --> E["E g X = ∫ g x f x dx"]
D --> F["E g X,Y = ∬ g x,y f x,y dxdy"]
E --> G[计算积分]
F --> G
G --> H{已知联合?}
H -->|是| I[直接计算]
H -->|否| J[先用全概率/边缘求密度]
```
## 通法步骤
### 一、一维随机变量函数期望
**离散**:
$$
E[g(X)] = \sum_i g(x_i) p_i
$$
**连续**:
$$
E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx
$$
> **核心**:积分变量仍是 $x$,**不是** $y=g(x)$——不必求出 $Y=g(X)$ 的密度!
### 二、二维随机变量函数期望 ⭐⭐⭐
**离散**:
$$
E[g(X,Y)] = \sum_i \sum_j g(x_i, y_j) p_{ij}
$$
**连续**:
$$
E[g(X,Y)] = \iint_{\mathbb{R}^2} g(x,y) f(x,y) dxdy
$$
> ⚠️ **必须用联合密度**!不能用 $\int g(x) f_X(x) dx$ 或 $\int g(y) f_Y(y) dy$!
### 三、常用技巧
| 技巧 | 适用情形 |
|------|---------|
| **$E(I_A) = P(A)$** | 涉及事件指示变量 |
| **$E(\|X\|) = 2\int_0^\infty x f(x) dx$** | 非负或对称分布 |
| **$E[\max(X,Y)] = E(X) + E(Y) - E[\min(X,Y)]$** | 最大/最小值 |
| **对称性** | 奇函数 $\Rightarrow$ 积分为 $0$ |
### 四、特殊情形的简便公式
- $E(aX+b) = aE(X) + b$
- $E(X+Y) = E(X) + E(Y)$(**无需独立**)
- $E(XY) = E(X) E(Y)$(**必须独立**)
## 常见陷阱
- **二维情形错用边缘密度**:$E[g(X,Y)] = \int g(x,y) f_X(x) f_Y(y) dxdy$ 仅在**独立时**成立;非独立必须用联合密度
- **积分变量错位**:把 $y=g(x)$ 当成新变量代入,反而要求 $g$ 的反函数(**错误路径**!)
- **绝对值/分段函数遗忘**:分段定义必须分段积分
- **独立性假设**:当用 $E(XY) = E(X) E(Y)$ 时必须验证独立
## 经典母题
> **题目 1**:设 $X \sim U(0, 1)$,$Y = e^X$,求 $E(Y)$。
**解析**:
不必求 $Y$ 的密度,直接用函数期望公式:
$$
E(Y) = E(e^X) = \int_0^1 e^x \cdot 1 \, dx = e^x \Big|_0^1 = e - 1
$$
**复盘**:函数期望的核心优势——**不必先求 $Y$ 的分布**!
---
> **题目 2**:设 $(X,Y)$ 联合密度为 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $E(XY)$ 和 $E(X+Y)$。
**解析**:
**求 $E(XY)$**(用联合密度):
$$
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) \, dy \, dx
$$
先对 $y$ 积分:
$$
\int_0^2 xy \cdot \frac{1}{8}(x+y) dy = \frac{1}{8} \int_0^2 (x^2 y + xy^2) dy = \frac{1}{8} \left( 2x^2 + \frac{8x}{3} \right) = \frac{x^2}{4} + \frac{x}{3}
$$
再对 $x$ 积分:
$$
E(XY) = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) dx = \frac{1}{4} \cdot \frac{8}{3} + \frac{1}{3} \cdot 2 = \frac{2}{3} + \frac{2}{3} = \frac{4}{3}
$$
**求 $E(X+Y)$**(两种方法):
方法 1:函数期望公式
$$
E(X+Y) = \iint (x+y) \cdot \frac{1}{8}(x+y) dxdy = \int_0^2 \int_0^2 \frac{1}{8}(x+y)^2 dxdy
$$
方法 2:**线性可加**
$$
E(X+Y) = E(X) + E(Y) = \frac{7}{6} + \frac{7}{6} = \frac{7}{3}
$$
**复盘**:
- **求 $E(XY)$**:必须用联合密度(不独立!)
- **求 $E(X+Y)$**:直接用线性可加,无需独立
---
> **题目 3**:设 $X_1, X_2, \ldots, X_n$ **独立同分布**于 $U(0,1)$,$Y = \max(X_1, \ldots, X_n)$。求 $E(Y)$。
**解析**:
$Y$ 的分布函数:$F_Y(y) = y^n$($0 \le y \le 1$),密度 $f_Y(y) = ny^{n-1}$。
方法 1(函数期望公式):
$$
E(Y) = \int_0^1 y \cdot ny^{n-1} dy = \frac{n}{n+1}
$$
**复盘**:连续型函数期望公式的标准应用——求出 $Y$ 的密度后直接积分。
---
> **题目 4**:设 $X, Y$ 独立,$X \sim U(0,1), Y \sim E(1)$(指数)。求 $E(X^2 Y)$。
**解析**:
独立时函数可分离:
$$
E(X^2 Y) = E(X^2) \cdot E(Y)
$$
其中:
- $E(X^2) = \int_0^1 x^2 dx = 1/3$
- $E(Y) = 1/\lambda = 1$
故 $E(X^2 Y) = 1/3$。
**复盘**:**独立时**,$E(g(X) h(Y)) = E(g(X)) \cdot E(h(Y))$——这是 Ch05 大数定律的重要工具。
---
> **变式 1**:$X \sim P(\lambda)$,求 $E(e^{2X})$。
>
> **解**:$E(e^{2X}) = \sum_{k=0}^\infty e^{2k} \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \sum_{k=0}^\infty \frac{(\lambda e^2)^k}{k!} = e^{-\lambda} \cdot e^{\lambda e^2} = e^{\lambda(e^2-1)}$(**矩母函数**)
> **变式 2**:$X \sim N(\mu, \sigma^2)$,求 $E(e^X)$。
>
> **解**:$E(e^X) = e^{\mu + \sigma^2/2}$(**矩母函数**,常用于期权定价)
---
> **口诀速记**:
> - "**不必先求 $Y$ 的分布**"
> - "**积分变量仍是原变量**(不是 $y=g(x)$)"
> - "**二维必须用联合密度**"
> - "**独立时可分离** $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"
@@ -0,0 +1,154 @@
# 题型三:常见分布的期望与方差
## 识别特征
- 题干直接给出或可识别为**常见分布**(二项、泊松、几何、超几何、均匀、指数、正态等)
- 要求计算期望 $E(X)$ 或方差 $D(X)$
- 或者已知 $E(X), D(X)$,**反推分布**
## 解题流程
```mermaid
flowchart TD
A[识别:常见分布的 E X / D X] --> B{已知分布?}
B -->|是| C[查速查表直接得结果]
B -->|否| D[判断属于哪类分布]
D --> E{离散 or 连续?}
E -->|离散| F[判断: 二项/泊松/几何/超几何/0-1]
E -->|连续| G[判断: 均匀/指数/正态]
F --> H[代入参数计算]
G --> H
```
## 通法步骤
### 一、八大分布速查表 ⭐⭐⭐(必背)
| 分布 | 记号 | 参数 | $E(X)$ | $D(X)$ |
|------|------|------|--------|--------|
| **0-1 分布** | $B(1,p)$ | $p \in (0,1)$ | $p$ | $p(1-p)$ |
| **二项分布** | $B(n,p)$ | $n \ge 1, p \in (0,1)$ | $np$ | $np(1-p)$ |
| **泊松分布** | $P(\lambda)$ | $\lambda > 0$ | $\lambda$ | $\lambda$ |
| **几何分布** | $G(p)$ | $p \in (0,1)$ | $1/p$ | $(1-p)/p^2$ |
| **超几何分布** | $H(N, M, n)$ | $N, M, n$ | $nM/N$ | $nM(N-M)(N-n)/(N^2(N-1))$ |
| **均匀分布** | $U(a,b)$ | $a < b$ | $(a+b)/2$ | $(b-a)^2/12$ |
| **指数分布** | $E(\lambda)$ | $\lambda > 0$ | $1/\lambda$ | $1/\lambda^2$ |
| **正态分布** | $N(\mu, \sigma^2)$ | $\mu, \sigma > 0$ | $\mu$ | $\sigma^2$ |
> 🔑 **核心记忆口诀**:
> - 二项:"**$E=np$,$D=np(1-p)$**"
> - 泊松:"**$E=D=\lambda$**"
> - 均匀:"**$E$ 中点,$D = (b-a)^2/12$**"
> - 指数:"**$E=1/\lambda$,$D=1/\lambda^2$**"
> - 正态:"**$E=\mu$,$D=\sigma^2$**"
### 二、利用已知结论推导
**二项 $B(n,p)$**:$X = \sum_{i=1}^n X_i$,$X_i \sim B(1,p)$ 独立同分布
$$
E(X) = \sum E(X_i) = np, \quad D(X) = \sum D(X_i) = np(1-p)
$$
**泊松 $P(\lambda)$**:通过定义展开或特征函数
$$
E(X) = \sum k \cdot \frac{\lambda^k}{k!} e^{-\lambda} = \lambda
$$
**指数 $E(\lambda)$**:密度 $f(x) = \lambda e^{-\lambda x}$($x \ge 0$)
$$
E(X) = \int_0^\infty x \lambda e^{-\lambda x} dx = \frac{1}{\lambda}, \quad D(X) = \frac{1}{\lambda^2}
$$
### 三、逆向应用:从 $E, D$ 反推分布
| 已知 | 推断 |
|------|------|
| $E = np, D = np(1-p)$ | $X \sim B(n,p)$,$n$ 已知求 $p$ |
| $E = D = \lambda$ | $X \sim P(\lambda)$,$\lambda$ 已知 |
| $E = 1/p, D = (1-p)/p^2$ | $X \sim G(p)$,可由 $E, D$ 求 $p$ |
| $E = (a+b)/2, D = (b-a)^2/12$ | $X \sim U(a,b)$,可由 $E, D$ 求 $a, b$ |
| $E = 1/\lambda, D = 1/\lambda^2$ | $X \sim E(\lambda)$,$\lambda$ 已知 |
| $E = \mu, D = \sigma^2$ | $X \sim N(\mu, \sigma^2)$ |
## 常见陷阱
- **正态的参数顺序**:$N(\mu, \sigma^2)$,第二个是**方差**(不是标准差!);标准差是 $\sigma$
- **泊松的"双胞胎"**:$E(X) = D(X) = \lambda$(独一无二的性质!)
- **指数 vs 泊松**:指数是**连续**,泊松是**离散**;指数的 $\lambda$ 是"率"(单位时间事件数),与泊松的 $\lambda$ 在排队论中意义相同
- **超几何 vs 二项**:超几何**不放回**($D$ 公式复杂),二项**放回**(或独立)
## 经典母题
> **题目 1**:设 $X \sim B(10, 0.4)$。求 $E(X), D(X)$。
**解析**:
直接代入公式:
- $E(X) = np = 10 \times 0.4 = 4$
- $D(X) = np(1-p) = 10 \times 0.4 \times 0.6 = 2.4$
**复盘**:二项分布的数字特征必须熟练背诵。
---
> **题目 2**:设 $X \sim P(3)$。求 $E(2X+1), D(2X+1)$。
**解析**:
$E(X) = D(X) = 3$(泊松"双胞胎")。
- $E(2X+1) = 2 E(X) + 1 = 2 \times 3 + 1 = 7$
- $D(2X+1) = 4 D(X) = 4 \times 3 = 12$
**复盘**:方差的伸缩公式 $D(aX+b) = a^2 D(X)$(常数项不影响方差)。
---
> **题目 3**:设 $X \sim N(2, 9)$。求 $E(X), D(X)$,并写出标准化变量 $X^*$ 的分布。
**解析**:
- $E(X) = \mu = 2$
- $D(X) = \sigma^2 = 9$,$\sigma = 3$
- 标准化:$X^* = \dfrac{X - 2}{3} \sim N(0, 1)$
**复盘**:正态标准化 → 标准正态 $N(0,1)$。
---
> **题目 4**:已知某离散分布 $E(X) = 2, D(X) = 2$,判断可能是什么分布。
**解析**:
- 二项 $B(n,p)$:$np=2, np(1-p)=2 \Rightarrow 1-p=1 \Rightarrow p=0$(不合题意,$p=0$ 无意义)
- 泊松 $P(\lambda)$:$E=D=\lambda=2$ ✓ → $X \sim P(2)$
**复盘**:$E = D$ 是泊松分布的**独有特征**,可作为"签名"。
---
> **题目 5**:设 $X \sim U(0, \theta)$,$\theta$ 未知。现有 $n$ 个样本 $X_1, \ldots, X_n$,用矩估计求 $\theta$ 的估计量。
**解析**:
$E(X) = \theta/2$,令样本均值 $\bar{X} = \theta/2$,解出 $\hat{\theta} = 2\bar{X}$。
**复盘**:常见分布的期望是**矩估计**(Ch07)的基础。
---
> **变式 1**:$X \sim G(p)$,$E(X) = 5$,求 $p$ 和 $D(X)$。
>
> **解**:$1/p = 5 \Rightarrow p = 0.2$;$D(X) = (1-p)/p^2 = 0.8/0.04 = 20$。
> **变式 2**:$X \sim H(N, M, n)$,$N=100, M=20, n=10$,求 $E(X), D(X)$。
>
> **解**:$E = nM/N = 10 \times 20/100 = 2$;$D = \dfrac{10 \times 20 \times 80 \times 90}{100^2 \times 99} = \dfrac{1440000}{990000} \approx 1.45$。
---
> **口诀速记**:
> - "**二项 $np$,$np(1-p)$**"
> - "**泊松 $E=D=\lambda$**"
> - "**均匀 $(a+b)/2$,$(b-a)^2/12$**"
> - "**指数 $1/\lambda$,$1/\lambda^2$**"
> - "**正态 $\mu$,$\sigma^2$**"
@@ -0,0 +1,189 @@
# 题型四:方差的计算与性质
## 识别特征
- 题干要求计算 $D(X)$
- 涉及 $D(aX+b)$ 的伸缩与平移
- 涉及 $D(X+Y)$ 或 $D(X-Y)$(需要协方差修正或独立条件)
## 解题流程
```mermaid
flowchart TD
A[识别:求 D X] --> B{X 类型?}
B -->|已知分布| C["查速查表: 二项 np1-p, 泊松 λ..."]
B -->|已知分布律/密度| D["用 D X = E X² - E² X"]
B -->|一般随机变量| E[先求 E X, E(X²) 再用公式]
D --> F[计算 E X²: 函数期望公式]
F --> G[D X = E X² - E² X]
E --> G
G --> H{多变量?}
H -->|是| I["D X+Y = D X + D Y + 2Cov X,Y"]
H -->|否| J[结果]
```
## 通法步骤
### 一、方差的定义与等价公式
**定义**:
$$
D(X) = E[(X - E(X))^2]
$$
**等价公式**(**计算常用**):
$$
\boxed{D(X) = E(X^2) - E^2(X)}
$$
> ⚠️ **首选等价公式**:直接计算量小,只需 $E(X), E(X^2)$。
### 二、方差的性质 ⭐
| 性质 | 公式 | 说明 |
|------|------|------|
| **常数** | $D(C) = 0$ | 常数无波动 |
| **伸缩** | $D(aX) = a^2 D(X)$ | 系数平方 |
| **平移** | $D(X + b) = D(X)$ | 平移不影响方差 |
| **一般** | $D(aX + b) = a^2 D(X)$ | 伸缩+平移 |
| **和**(一般) | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ | 不可漏协方差 |
| **和**(独立) | $D(X \pm Y) = D(X) + D(Y)$ | 独立时成立 |
| **独立可加** | $D(\sum X_i) = \sum D(X_i)$ | $X_i$ 两两独立 |
### 三、计算步骤(标准套路)
**情形 1**:已知 $X$ 的分布律或密度
$$
E(X) = \int x f(x) dx \quad \text{或} \quad \sum x_i p_i
$$
$$
E(X^2) = \int x^2 f(x) dx \quad \text{或} \quad \sum x_i^2 p_i
$$
$$
D(X) = E(X^2) - E^2(X)
$$
**情形 2**:已知 $Y = g(X)$
$$
E(Y) = E[g(X)] = \int g(x) f(x) dx
$$
$$
E(Y^2) = E[g^2(X)] = \int g^2(x) f(x) dx
$$
$$
D(Y) = E(Y^2) - E^2(Y)
$$
### 四、$D(X+Y)$ 的展开公式(重要!)
$$
D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X, Y)
$$
**关键情形**:
- $X, Y$ **独立**:$D(X \pm Y) = D(X) + D(Y)$
- $X, Y$ **不相关**($\text{Cov}=0$):$D(X \pm Y) = D(X) + D(Y)$
- 一般情形:**必须**用协方差修正
## 常见陷阱
- **$D(X+Y) = D(X) + D(Y)$ 误用**:默认独立!非独立必须加 $2\text{Cov}(X,Y)$
- **$D(aX+b) = a D(X) + b$**:错!正确是 $D(aX+b) = a^2 D(X)$(系数**平方**,常数**消失**)
- **$D(X^2) = D^2(X)$**:错!$D(X^2) = E(X^4) - E^2(X^2)$
- **$E(X^2) = E^2(X)$**:错!只有在 $D(X)=0$($X$ 是常数)时成立
- **正态参数颠倒**:$N(\mu, \sigma^2)$ 的 $D(X) = \sigma^2$(**方差**而非标准差!)
## 经典母题
> **题目 1**:掷骰子 $X$ 的期望 $E(X) = 3.5$。$E(X^2) = 91/6$。求 $D(X)$。
**解析**:
$$
D(X) = E(X^2) - E^2(X) = \frac{91}{6} - \left(\frac{7}{2}\right)^2 = \frac{91}{6} - \frac{49}{4} = \frac{182 - 147}{12} = \frac{35}{12}
$$
**复盘**:标准方差计算流程。
---
> **题目 2**:设 $X \sim B(n,p)$,求 $D(X)$。
**解析**:
**方法 1**:直接公式 $D(X) = np(1-p)$(背)
**方法 2**:分解为 $n$ 个独立 0-1 变量之和
- $X = \sum_{i=1}^n X_i$,$X_i \sim B(1,p)$
- $E(X_i) = p, D(X_i) = p(1-p)$
- $D(X) = \sum D(X_i) = np(1-p)$
**复盘**:分解为独立和是计算方差的**通用技巧**。
---
> **题目 3**:设 $X \sim N(0, 4)$,$Y = 3X + 1$。求 $D(Y)$。
**解析**:
$$
D(Y) = D(3X + 1) = 9 D(X) = 9 \times 4 = 36
$$
**复盘**:方差的伸缩公式 $D(aX+b) = a^2 D(X)$。
---
> **题目 4**:$X, Y$ 独立,$D(X) = 4, D(Y) = 9$。求 $D(2X - 3Y + 5)$。
**解析**:
$$
D(2X - 3Y + 5) = 4 D(X) + 9 D(Y) = 4 \times 4 + 9 \times 9 = 16 + 81 = 97
$$
(常数项 $5$ 不影响;独立时可分离;$X, Y$ 各自的线性系数平方后保留)
**复盘**:独立情形下,$D(\sum a_i X_i) = \sum a_i^2 D(X_i)$。
---
> **题目 5**:$X, Y$ 不独立,$D(X) = 1, D(Y) = 2, \text{Cov}(X,Y) = -0.5$。求 $D(X-Y)$。
**解析**:
$$
D(X-Y) = D(X) + D(Y) - 2\text{Cov}(X,Y) = 1 + 2 - 2(-0.5) = 3 + 1 = 4
$$
**复盘**:注意协方差前的**符号**——减号对应 $-2\text{Cov}$(因为 $D(X-Y) = D(X) + D(Y) - 2\text{Cov}$)。
---
> **题目 6**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2$。求 $\bar{X} = \frac{1}{n}\sum X_i$ 的方差。
**解析**:
$$
D(\bar{X}) = D\left(\frac{1}{n} \sum X_i\right) = \frac{1}{n^2} \sum D(X_i) = \frac{1}{n^2} \cdot n\sigma^2 = \frac{\sigma^2}{n}
$$
**复盘**:样本均值的方差 = 总体方差 / $n$——这是 Ch05 大数定律的核心。
---
> **变式 1**:$X \sim P(\lambda)$,$Y = 2X + 3$,求 $D(Y)$。
>
> **解**:$D(X) = \lambda$,$D(Y) = 4\lambda$。
> **变式 2**:$X \sim U(0, 2)$,$Y = X^2$,求 $D(Y)$。
>
> **解**:$E(Y) = \int_0^2 x^2 \cdot 0.5 dx = 4/3$;$E(Y^2) = \int_0^2 x^4 \cdot 0.5 dx = 16/5$;$D(Y) = 16/5 - 16/9 = 64/45$。
---
> **口诀速记**:
> - "**$D = E(X^2) - E^2(X)$**(首选公式)"
> - "**$D(aX+b) = a^2 D(X)$**(常数消失,系数平方)"
> - "**$D(X \pm Y) = D(X)+D(Y) \pm 2\text{Cov}$**(一般情形)"
> - "**独立时**:$D(X \pm Y) = D(X)+D(Y)$"
@@ -0,0 +1,195 @@
# 题型五:协方差与相关系数
## 识别特征
- 题干涉及 $\text{Cov}(X,Y)$ 或 $\rho_{XY}$
- 要求**计算**协方差或相关系数
- 利用性质:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$
## 解题流程
```mermaid
flowchart TD
A[识别:Cov 或 ρ] --> B{已知联合密度?}
B -->|是| C["Cov X,Y = ∬ x-E X y-E Y f x,y dxdy"]
B -->|否| D["Cov X,Y = E XY - E X E Y"]
C --> E[计算 E XY 和 E X E Y]
D --> E
E --> F{求相关系数?}
F -->|是| G["ρ = Cov / σ_X σ_Y"]
F -->|否| H[得 Cov X,Y]
```
## 通法步骤
### 一、协方差的定义与等价公式
**定义**:
$$
\text{Cov}(X,Y) = E[(X - E(X))(Y - E(Y))]
$$
**等价公式**(**计算首选**):
$$
\boxed{\text{Cov}(X,Y) = E(XY) - E(X) E(Y)}
$$
> *极简例子:* $X, Y$ 独立时 $E(XY) = E(X)E(Y)$,故 $\text{Cov}=0$
### 二、相关系数 $\rho_{XY}$
**定义**(标准化协方差):
$$
\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}
$$
**性质**:
- $-1 \le \rho_{XY} \le 1$(Cauchy-Schwarz 不等式)
- $\rho_{XY} = 0$ $\iff$ $X, Y$ **不相关**
- $|\rho_{XY}| = 1$ $\iff$ $\exists a \ne 0, b$ 使得 $P(Y = aX+b) = 1$
- $|\rho_{XY}|$ 越大,$X, Y$ **线性关系**越强
### 三、协方差的性质 ⭐
| 性质 | 公式 |
|------|------|
| **自身** | $\text{Cov}(X,X) = D(X)$ |
| **对称** | $\text{Cov}(X,Y) = \text{Cov}(Y,X)$ |
| **伸缩** | $\text{Cov}(aX, bY) = ab \cdot \text{Cov}(X,Y)$ |
| **平移** | $\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$(常数消失) |
| **分配律** | $\text{Cov}(X_1+X_2, Y) = \text{Cov}(X_1,Y) + \text{Cov}(X_2,Y)$ |
| **与方差** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
### 四、计算路径
**路径 A**:已知联合密度 $f(x,y)$
$$
\text{Cov}(X,Y) = \iint (x-\mu_X)(y-\mu_Y) f(x,y) dxdy
$$
**路径 B**(**更常用**):先求 $E(X), E(Y), E(XY)$
$$
\text{Cov}(X,Y) = E(XY) - E(X) E(Y)
$$
**路径 C**:利用性质分解
$$
\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)
$$
### 五、相关系数的计算
求 $\rho_{XY}$ 需先算:
1. $\text{Cov}(X,Y)$(用上述路径)
2. $D(X) = E(X^2) - E^2(X)$
3. $D(Y) = E(Y^2) - E^2(Y)$
4. $\rho_{XY} = \text{Cov}(X,Y) / \sqrt{D(X) D(Y)}$
## 常见陷阱
- **$\rho_{XY}=0$ 不等价独立**:除二维正态外,独立是不相关的**充分非必要**条件
- **正态分布的 $\rho$**:$(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$ 的 $\rho$ 就是 $\rho_{XY}$
- **$\rho$ 只测线性**:$Y = X^2$($X \sim U(-1,1)$)的 $\rho_{XY}=0$,但有强非线性关系
- **$\text{Cov}$ 的伸缩**:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$,**不要忘了系数相乘**
- **$D(X \pm Y)$ 中的协方差符号**:减法对应 $-2\text{Cov}(X,Y)$
## 经典母题
> **题目 1**:$(X,Y)$ 联合密度 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $\text{Cov}(X,Y)$ 和 $\rho_{XY}$。
**解析**:
由对称性 $E(X) = E(Y)$。
**求 $E(X)$**:边缘密度 $f_X(x) = \int_0^2 \frac{1}{8}(x+y) dy = \frac{x+1}{4}$
$$
E(X) = \int_0^2 x \cdot \frac{x+1}{4} dx = \frac{1}{4} \left[ \frac{x^3}{3} + \frac{x^2}{2} \right]_0^2 = \frac{1}{4} \left( \frac{8}{3} + 2 \right) = \frac{7}{6}
$$
**求 $E(XY)$**:
$$
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx
$$
先算内层:$\int_0^2 y(x+y) dy = x \cdot 2 + 8/3 = 2x + 8/3$(再乘 $\frac{1}{8}$,得 $\frac{x}{4} + \frac{1}{3}$)
外层:$\int_0^2 xy \cdot \frac{1}{8}(x+y) dx = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) x dx = \int_0^2 \left( \frac{x^3}{4} + \frac{x^2}{3} \right) dx$
$$
= \frac{1}{4} \cdot 4 + \frac{1}{3} \cdot \frac{8}{3} = 1 + \frac{8}{9} = \frac{17}{9}
$$
Wait, redo carefully:
$$
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx = \frac{1}{8} \int_0^2 \int_0^2 (x^2 y + xy^2) dy dx
$$
外层对 $x$:$\int_0^2 (x^2 y + xy^2) dx = \frac{8y}{3} + 2y^2$
再对 $y$:$\int_0^2 \left(\frac{8y}{3} + 2y^2\right) dy = \frac{16}{3} + \frac{16}{3} = \frac{32}{3}$
故 $E(XY) = \frac{1}{8} \cdot \frac{32}{3} = \frac{4}{3}$
**协方差**:
$$
\text{Cov}(X,Y) = E(XY) - E(X)E(Y) = \frac{4}{3} - \frac{7}{6} \cdot \frac{7}{6} = \frac{4}{3} - \frac{49}{36} = \frac{48 - 49}{36} = -\frac{1}{36}
$$
**复盘**:$\text{Cov}<0$ 说明 $X, Y$ 负相关。
---
> **题目 2**:设 $X \sim N(0,1), Y = X^2$。求 $\rho_{XY}$。
**解析**:
- $E(X) = 0, D(X) = 1$
- $E(Y) = E(X^2) = 1, D(Y) = E(X^4) - 1 = 3 - 1 = 2$
- $E(XY) = E(X^3) = 0$(正态的奇数阶原点矩为 0)
- $\text{Cov}(X,Y) = 0 - 0 \cdot 1 = 0$
- $\rho_{XY} = 0$
**复盘**:$\rho_{XY} = 0$ 但 $Y = X^2$($Y$ 完全由 $X$ 决定)——**不相关但不独立**的经典反例!
---
> **题目 3**:$D(X) = 4, D(Y) = 9, \rho_{XY} = 0.5$。求 $\text{Cov}(X,Y)$ 和 $D(X+Y)$。
**解析**:
$$
\text{Cov}(X,Y) = \rho_{XY} \sigma_X \sigma_Y = 0.5 \times 2 \times 3 = 3
$$
$$
D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y) = 4 + 9 + 2 \times 3 = 19
$$
**复盘**:$\rho$ 是"标准化协方差",已知 $\rho$ 和 $\sigma$ 可还原 $\text{Cov}$。
---
> **题目 4**:设 $(X,Y) \sim N(0, 0, 1, 1, \rho)$。$Z = X + Y$,$W = X - Y$。求 $\rho_{ZW}$。
**解析**:
- $\text{Cov}(Z,W) = \text{Cov}(X+Y, X-Y) = \text{Cov}(X,X) - \text{Cov}(X,Y) + \text{Cov}(Y,X) - \text{Cov}(Y,Y)$
- $= D(X) - D(Y) = 1 - 1 = 0$
**复盘**:$\text{Cov}(Z,W) = 0 \Rightarrow Z, W$ **不相关**;二维正态下进一步 ⇒ $Z, W$ **独立**。
---
> **变式 1**:$X, Y$ 独立,$\text{Cov}(2X+3, 4Y-5) = ?$
>
> **解**:$\text{Cov}(2X+3, 4Y-5) = 2 \times 4 \cdot \text{Cov}(X,Y) = 8 \times 0 = 0$。
> **变式 2**:$D(X) = D(Y) = 4, \rho_{XY} = -0.8$,求 $D(2X+3Y)$。
>
> **解**:$D(2X+3Y) = 4 D(X) + 9 D(Y) + 12 \text{Cov}(X,Y) = 16 + 36 + 12 \times (-0.8) \times 2 \times 2 = 52 - 38.4 = 13.6$。
---
> **口诀速记**:
> - "**$\text{Cov}(X,Y) = E(XY) - E(X)E(Y)$**"
> - "**$\rho = \text{Cov} / (\sigma_X \sigma_Y)$**"
> - "**$|\rho| \le 1$**,$|\rho|=1$ ⇔ 线性"
> - "**$\rho=0$ 不相关,独立 ⇐ 不相关(一般),独立 ⇔ 不相关(二维正态)**"
@@ -0,0 +1,190 @@
# 题型六:独立与不相关
## 识别特征
- 题干问"$X, Y$ 是否独立?" 或 "是否不相关?"
- 需要构造或识别"独立但不相关" 或 "不相关但不独立" 的反例
- 涉及二维正态时,需用 $\rho=0$ 等价判定
## 解题流程
```mermaid
flowchart TD
A[识别:独立 vs 不相关] --> B{给定分布?}
B -->|二维正态| C["独立 ⇔ 不相关 ⇔ ρ = 0"]
B -->|其他分布| D["独立 ⇒ 不相关 (反之不成立)"]
D --> E[计算 Cov X,Y = E XY - E X E Y]
E --> F{Cov = 0?}
F -->|是| G[不相关; 独立待验证]
F -->|否| H[相关 ⇒ 不独立]
G --> I{独立性?}
I -->|构造反例| J[可证不独立: 给出 X=x 时 Y 的分布]
I -->|计算验证| K[用 P XY = P X P Y 验证]
```
## 通法步骤
### 一、核心定理
$$
X, Y \text{ 独立} \Rightarrow X, Y \text{ 不相关}
$$
> **反之不成立**(除特殊情形)
### 二、唯一的"等价"情形:二维正态 ⭐⭐⭐
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
$$
X, Y \text{ 独立} \iff X, Y \text{ 不相关} \iff \rho = 0
$$
> 这是考研**高频考点**:考到二维正态时,必须联想到这个等价条件!
### 三、不相关但独立的反例
**经典构造 1**:$X \sim U(-1, 1)$,$Y = X^2$
- $Y$ 完全由 $X$ 决定 → **不独立**
- $\text{Cov}(X,Y) = E(X^3) - E(X)E(X^2) = 0 - 0 \cdot 1/3 = 0$ → **不相关**
**经典构造 2**:$(X,Y)$ 联合分布为 $\{(0,0), (1,1), (2,0)\}$ 各概率 $1/3$
- $E(X) = 1, E(Y) = 1/3, E(XY) = 1/3$
- $\text{Cov} = 1/3 - 1 \cdot 1/3 = 0$ → 不相关
- $P(X=0, Y=0) = 1/3$,但 $P(X=0)P(Y=0) = 1/3 \cdot 1/3 = 1/9$ → **不独立**
### 四、独立但不相关的反例(不存在)
**事实**:独立 ⇒ 不相关,所以"独立但不相关"**不存在**。
> *极简例子:* $X, Y$ 独立 $\Rightarrow \text{Cov}(X,Y)=0$ 永远成立
### 五、独立性的验证
| 方法 | 公式 |
|------|------|
| **定义** | $P(X \in A, Y \in B) = P(X \in A) P(Y \in B)$($\forall A, B$) |
| **密度**(连续) | $f(x,y) = f_X(x) f_Y(y)$(几乎处处) |
| **分布律**(离散) | $p_{ij} = p_{i \cdot} p_{\cdot j}$(所有 $i, j$) |
| **二维正态** | $\rho = 0$(最简便) |
| **不相关**(一般) | 不等价独立,需进一步验证 |
## 常见陷阱
- **"不相关 ⇒ 独立"**:错!这是最常见的错误
- **"独立 ⇔ 不相关"**:仅对**二维正态**成立
- **$Y = X^2$ 的反例**:$X \sim U(-1,1)$ 时 $\text{Cov}(X,Y)=0$,但 $Y$ 完全由 $X$ 决定 → 不独立
- **相关系数 $0$**:只反映**线性关系**,非线性关系(如 $Y = X^2$)$\rho$ 也是 $0$
- **$\rho_{XY} = 0$ vs 不相关**:是充要条件,但和独立**不**等价
## 经典母题
> **题目 1**:$X \sim U(-1,1)$,$Y = X^2$。判断 $X, Y$ 是否独立?是否不相关?
**解析**:
**判断独立**:若 $X, Y$ 独立,则 $X$ 的取值不影响 $Y$ 的分布。但 $Y = X^2$ 表明 $X = 0 \Rightarrow Y = 0$,$X = 0.5 \Rightarrow Y = 0.25$——$Y$ 完全由 $X$ 决定,**不独立**。
**判断不相关**:
$$
\text{Cov}(X, Y) = E(XY) - E(X)E(Y) = E(X \cdot X^2) - E(X) E(X^2) = E(X^3) - 0 \cdot E(X^2)
$$
$E(X^3) = \int_{-1}^1 x^3 \cdot \frac{1}{2} dx = 0$(奇函数)
故 $\text{Cov}(X,Y) = 0$ → **不相关**
**结论**:**不相关但不独立**——经典反例!
**复盘**:构造不相关 + 不独立的反例,最简单方法是用 $Y = g(X)$(确定性函数)。
---
> **题目 2**:设 $(X,Y) \sim N(0, 0, 1, 1, \rho)$,$Z = X + Y$,$W = X - Y$。
> (1) 求 $\text{Cov}(Z,W)$;
> (2) 判断 $Z, W$ 是否独立。
**解析**:
**(1)**:
$$
\text{Cov}(Z,W) = \text{Cov}(X+Y, X-Y) = D(X) - \text{Cov}(X,Y) + \text{Cov}(Y,X) - D(Y)
$$
$$
= 1 - 0 = 1 - 1 = 0
$$
**(2)**:因为 $(X,Y)$ 是二维正态,$(Z,W)$ 也是 $(X,Y)$ 的线性变换,仍服从二维正态。
- $\text{Cov}(Z,W) = 0$ ⇒ $Z, W$ 不相关
- 二维正态下:**独立 ⇔ 不相关** ⇒ $Z, W$ 独立
**复盘**:二维正态下,独立和不相关的等价性 + 线性变换仍保持正态。
---
> **题目 3**:设 $X, Y$ 满足 $P(X=1) = P(X=-1) = 1/2$,$Y = X^2$。判断独立与不相关。
**解析**:
**$X, Y$ 的取值**:
- $X = 1 \Rightarrow Y = 1$
- $X = -1 \Rightarrow Y = 1$
- 即 $Y \equiv 1$
**判断独立**:$Y$ 完全由 $X$ 决定($X$ 任意,$Y = 1$)→ **不独立**
**判断不相关**:
$$
E(X) = 0, \quad E(Y) = E(X^2) = 1
$$
$$
E(XY) = E(X \cdot X^2) = E(X^3) = 0
$$
$$
\text{Cov}(X,Y) = 0 - 0 \cdot 1 = 0 \Rightarrow \text{不相关}
$$
**结论**:**不相关但不独立**。
---
> **题目 4**:设 $X \sim B(1, 0.5), Y \sim B(1, 0.5)$,$X, Y$ 独立。判断独立与不相关。
**解析**:
- 独立 ⇒ 不相关(永远成立)
- 直接验证:$E(X) = E(Y) = 0.5, D(X) = D(Y) = 0.25$
- $\text{Cov}(X,Y) = 0$(独立)→ 不相关
**结论**:**独立 ⇒ 不相关**(但**不**蕴含反过来成立)
---
> **题目 5**:$X, Y$ 独立且 $E(X) = 2, E(Y) = 3$。设 $Z = X + Y$,判断 $X$ 与 $Z$ 是否独立?是否不相关?
**解析**:
**不相关**:$\text{Cov}(X, X+Y) = D(X) + \text{Cov}(X,Y) = D(X) \ne 0$(一般情形下)→ **相关**
**不独立**:$X$ 与 $X+Y$ 显然不独立($Z$ 包含 $X$)。
**结论**:**既不独立,也不相关**(除了平凡情形)。
---
> **变式 1**:设 $X \sim E(\lambda)$,$Y \sim E(\lambda)$,$X, Y$ 独立。判断 $X, Y$ 的独立与不相关。
>
> **解**:独立 → 不相关。
> **变式 2**:设 $(X,Y)$ 服从单位圆内的均匀分布,$f(x,y) = \frac{1}{\pi}, x^2+y^2 \le 1$。判断独立与不相关。
>
> **解**:
> - **独立否**:$f(x,y) \ne f_X(x) f_Y(y)$
> - **不相关是**:由对称性 $E(X) = E(Y) = E(XY) = 0 \Rightarrow \text{Cov} = 0$
---
> **口诀速记**:
> - "**独立 ⇒ 不相关**(一般)"
> - "**独立 ⇔ 不相关**(二维正态)"
> - "**$Y = X^2$,$X \sim U(-1,1)$:不相关但不独立**(经典反例)"
> - "**$\rho=0$ ⇔ 不相关,不等价独立**"
@@ -0,0 +1,173 @@
# 题型七:切比雪夫不等式
## 识别特征
- 题干要求用切比雪夫不等式**估计**概率 $P(|X-\mu| \ge \varepsilon)$
- 已知 $E(X) = \mu, D(X) = \sigma^2$(不需知道 $X$ 的分布)
- 大数定律证明中的核心工具
## 解题流程
```mermaid
flowchart TD
A[识别:切比雪夫不等式] --> B[提取 E X = μ, D X = σ²]
B --> C{已知 ε?}
C -->|是| D[代入 P|X-μ|≥ε ≤ σ²/ε²]
C -->|否| E[由 P 的范围反求 ε]
D --> F[得概率上界]
E --> F
```
## 通法步骤
### 一、切比雪夫不等式的两种形式
**形式 1**($\ge$):
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
**形式 2**($<$):
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
其中 $\varepsilon > 0$,$\mu = E(X)$,$\sigma^2 = D(X)$。
### 二、应用步骤
1. 识别 $X$ 的均值 $\mu$ 和方差 $\sigma^2$(题目直接给出或可计算)
2. 给定 $\varepsilon$,代入公式得概率**上界**
3. (逆问题)已知 $P(|X-\mu| < \varepsilon)$ 的下界,反求 $\varepsilon$
### 三、关键性质
| 性质 | 含义 |
|------|------|
| **分布无关** | 不需要知道 $X$ 的分布,仅用 $\mu, \sigma^2$ |
| **粗估** | 给的是上界,不是精确概率 |
| **$\varepsilon$ 越大** | 概率上界越小(合理) |
| **$\sigma^2$ 越大** | 概率上界越大(合理) |
### 四、典型应用场景
1. **直接估计**:已知 $\mu, \sigma^2, \varepsilon$,求概率上界
2. **大数定律证明**:用切比雪夫不等式证明 $\bar{X_n} \xrightarrow{P} \mu$
3. **逆问题**:给定概率下界,反求 $\varepsilon$
### 五、切比雪夫不等式在大数定律中的应用
**切比雪夫大数定律**:$X_1, X_2, \ldots$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则
$$
\bar{X_n} = \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{P} \mu
$$
**证明核心**:
$$
P(|\bar{X_n} - \mu| \ge \varepsilon) = P\left(\left|\sum (X_i - \mu)\right| \ge n\varepsilon\right) \le \frac{\sum D(X_i)}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2} \to 0
$$
## 常见陷阱
- **方向错误**:$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$(**不等式右边**是上界)
- **$\sigma^2/\varepsilon^2$ 超过 1**:表示上界没有信息(如 $\sigma^2 = 1, \varepsilon = 0.5$ 时上界是 4,没意义)
- **混淆形式**:$P(|X-\mu| < \varepsilon) \ge 1 - \sigma^2/\varepsilon^2$(不是 $\le$!)
- **逆问题方向**:给定概率 $p$,求 $\varepsilon$ 时 $\varepsilon = \sigma/\sqrt{1-p}$
- **不能用来反求参数**:只知道 $E, D$ 不能反推分布,故不能精确计算概率
## 经典母题
> **题目 1**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,用切比雪夫不等式估计 $P(|X-\mu| \ge 3\sigma)$。
**解析**:
直接代入 $\varepsilon = 3\sigma$:
$$
P(|X-\mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9}
$$
**对比正态**:若 $X \sim N(\mu, \sigma^2)$,则 $P(|X-\mu| \ge 3\sigma) \approx 0.0027$(远小于 $1/9$)
**复盘**:切比雪夫上界比较粗糙,但**适用于任意分布**。
---
> **题目 2**:设 $X_1, X_2, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) = 4$。用切比雪夫不等式估计 $P(|\bar{X_n} - \mu| \ge \varepsilon)$。
**解析**:
$E(\bar{X_n}) = \mu$,$D(\bar{X_n}) = D(X_i)/n = 4/n$。
$$
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{4}{n\varepsilon^2}
$$
**复盘**:$\bar{X_n}$ 的方差是单变量方差的 $1/n$——大数定律的核心。
---
> **题目 3**:设 $X \sim E(1)$(指数),$E(X) = 1, D(X) = 1$。估计 $P(|X - 1| \ge 2)$,并与精确值比较。
**解析**:
**切比雪夫估计**:
$$
P(|X-1| \ge 2) \le \frac{1}{4}
$$
**精确值**(指数分布):
$$
P(X \ge 3) = e^{-3}, \quad P(X \le -1) = 0
$$
故精确值 $= e^{-3} \approx 0.0498$,远小于 $0.25$。
**复盘**:切比雪夫是**上界**,实际值通常小得多。
---
> **题目 4**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,估计使 $P(|X-\mu| < \varepsilon) \ge 0.9$ 的 $\varepsilon$。
**解析**:
由切比雪夫:$P(|X-\mu| < \varepsilon) \ge 1 - \dfrac{\sigma^2}{\varepsilon^2} \ge 0.9$
$$
\Rightarrow \frac{\sigma^2}{\varepsilon^2} \le 0.1 \Rightarrow \varepsilon^2 \ge 10\sigma^2 \Rightarrow \varepsilon \ge \sqrt{10} \cdot \sigma
$$
**复盘**:逆问题用 $\varepsilon \ge \sigma/\sqrt{1-p}$ 公式。
---
> **题目 5**:证明切比雪夫大数定律:$X_1, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则 $\bar{X_n} \xrightarrow{P} \mu$。
**解析**:
由切比雪夫不等式:
$$
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{\sum D(X_i)/n^2}{\varepsilon^2} \le \frac{nC}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2}
$$
当 $n \to \infty$ 时,$\dfrac{C}{n\varepsilon^2} \to 0$。
故 $\bar{X_n} \xrightarrow{P} \mu$。
**复盘**:切比雪夫大数定律是切比雪夫不等式的直接推论——Ch05 重点内容。
---
> **变式 1**:$X$ 的 $E(X) = 10, D(X) = 0.04$,估计 $P(9 < X < 11)$。
>
> **解**:$P(|X-10| < 1) \ge 1 - 0.04/1 = 0.96$,故 $P(9 < X < 11) \ge 0.96$。
> **变式 2**:$X$ 的 $E(X) = \mu$,要使 $P(|X-\mu| < 2) \ge 0.95$,$D(X)$ 最大是多少?
>
> **解**:$1 - D(X)/4 \ge 0.95 \Rightarrow D(X) \le 0.2$。
---
> **口诀速记**:
> - "**$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$**"
> - "**只需 $\mu, \sigma^2$,不需分布**"
> - "**给的是上界,不是精确值**"
> - "**大数定律的工具**:$\bar{X_n} \xrightarrow{P} \mu$"
@@ -0,0 +1,200 @@
# 题型八:协方差矩阵与多元统计
## 识别特征
- 题干涉及 $n$ 维随机向量 $(X_1, \ldots, X_n)$ 的**协方差矩阵**
- 涉及**多元正态分布** $N(\boldsymbol{\mu}, \Sigma)$
- 涉及线性变换下协方差矩阵的计算
## 解题流程
```mermaid
flowchart TD
A[识别:协方差矩阵 / 多元正态] --> B{已知分布?}
B -->|多元正态| C[查 N μ, Σ 直接写]
B -->|一般向量| D[计算各 Cov X_i,X_j 构造 Σ]
C --> E{做线性变换?}
B -->|否| E
D --> E
E -->|是| F["Σ_Y = A Σ_X A^T"]
E -->|否| G[验证半正定性等性质]
```
## 通法步骤
### 一、协方差矩阵的定义
对 $n$ 维随机向量 $\mathbf{X} = (X_1, X_2, \ldots, X_n)^T$,**协方差矩阵**为:
$$
\Sigma = E[(\mathbf{X} - \boldsymbol{\mu})(\mathbf{X} - \boldsymbol{\mu})^T]
$$
**显式形式**:
$$
\Sigma =
\begin{pmatrix}
\text{Cov}(X_1,X_1) & \text{Cov}(X_1,X_2) & \cdots & \text{Cov}(X_1,X_n) \\
\text{Cov}(X_2,X_1) & \text{Cov}(X_2,X_2) & \cdots & \text{Cov}(X_2,X_n) \\
\vdots & \vdots & \ddots & \vdots \\
\text{Cov}(X_n,X_1) & \text{Cov}(X_n,X_2) & \cdots & \text{Cov}(X_n,X_n)
\end{pmatrix}
$$
**关键性质**:
- 对角元素:$\Sigma_{ii} = D(X_i)$
- 对称:$\Sigma^T = \Sigma$
- **半正定**:$\mathbf{x}^T \Sigma \mathbf{x} \ge 0$($\forall \mathbf{x}$)
### 二、多元正态分布 $N(\boldsymbol{\mu}, \Sigma)$
密度($n=2$ 情形):
$$
f(x,y) = \frac{1}{2\pi \sqrt{|\Sigma|}} \exp\left(-\frac{1}{2}(\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu})\right)
$$
**核心结论**:
| 结论 | 公式 |
|------|------|
| **边缘分布** | $X_i \sim N(\mu_i, \sigma_i^2)$,其中 $\sigma_i^2 = \Sigma_{ii}$ |
| **独立 ⇔ 不相关** | $\Sigma_{ij} = 0$($i \ne j$)时,$X_i, X_j$ 独立 |
| **线性变换** | $A\mathbf{X} + \mathbf{b} \sim N(A\boldsymbol{\mu} + \mathbf{b}, A\Sigma A^T)$ |
| **条件分布** | $X_1 \| X_2 = \mathbf{x}_2 \sim N(\mu_1 + \Sigma_{12}\Sigma_{22}^{-1}(\mathbf{x}_2 - \boldsymbol{\mu}_2), \Sigma_{11} - \Sigma_{12}\Sigma_{22}^{-1}\Sigma_{21})$ |
### 三、二元正态的关键公式
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
$$
\Sigma = \begin{pmatrix} \sigma_1^2 & \rho\sigma_1\sigma_2 \\ \rho\sigma_1\sigma_2 & \sigma_2^2 \end{pmatrix}, \quad |\Sigma| = \sigma_1^2 \sigma_2^2 (1-\rho^2)
$$
$$
\Sigma^{-1} = \frac{1}{\sigma_1^2 \sigma_2^2 (1-\rho^2)} \begin{pmatrix} \sigma_2^2 & -\rho\sigma_1\sigma_2 \\ -\rho\sigma_1\sigma_2 & \sigma_1^2 \end{pmatrix}
$$
### 四、相关矩阵
**标准化协方差矩阵**(对角线为 1):
$$
R = \begin{pmatrix} 1 & \rho_{12} & \cdots & \rho_{1n} \\ \rho_{21} & 1 & \cdots & \rho_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ \rho_{n1} & \rho_{n2} & \cdots & 1 \end{pmatrix}
$$
其中 $\rho_{ij} = \text{Cov}(X_i, X_j) / \sqrt{D(X_i) D(X_j)}$。
### 五、线性变换公式 ⭐
设 $\mathbf{Y} = A\mathbf{X} + \mathbf{b}$,则:
$$
E(\mathbf{Y}) = A\boldsymbol{\mu} + \mathbf{b}, \quad \Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T
$$
**多元正态下**:
$$
\mathbf{Y} = A\mathbf{X} + \mathbf{b} \sim N(A\boldsymbol{\mu} + \mathbf{b}, A\Sigma_{\mathbf{X}} A^T)
$$
## 常见陷阱
- **半正定遗漏**:协方差矩阵必须半正定;任意对称半正定矩阵都是某随机向量的 $\Sigma$
- **$\Sigma$ vs $R$ 混淆**:$\Sigma$ 是协方差矩阵(含方差),$R$ 是相关矩阵(对角线为 1)
- **正态假设**:独立 ⇔ 不相关的等价只在多元正态下成立
- **矩阵大小写**:$\Sigma$ 是 $n \times n$ 矩阵;$\mathbf{x}^T \Sigma \mathbf{x}$ 是标量
- **线性变换公式**:$\Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T$(**不是** $A\Sigma_{\mathbf{X}} A^{-1}$!)
## 经典母题
> **题目 1**:设 $(X_1, X_2)$ 的协方差矩阵为
> $$\Sigma = \begin{pmatrix} 4 & 1 \\ 1 & 9 \end{pmatrix}$$
>
> 求:(1) $D(X_1), D(X_2), \text{Cov}(X_1, X_2)$;(2) 相关系数 $\rho_{12}$;(3) $\Sigma$ 是否半正定?
**解析**:
**(1)** 直接读对角线和元素:
- $D(X_1) = 4, D(X_2) = 9$
- $\text{Cov}(X_1, X_2) = 1$
**(2)** $\rho_{12} = \dfrac{1}{\sqrt{4 \times 9}} = \dfrac{1}{6}$
**(3)** 验证半正定:任意 $\mathbf{x} = (x_1, x_2)^T$:
$$
\mathbf{x}^T \Sigma \mathbf{x} = 4x_1^2 + 2x_1 x_2 + 9x_2^2 = 3x_1^2 + (x_1+x_2)^2 + 5x_2^2 \ge 0
$$
或计算特征值:$\det(\Sigma - \lambda I) = (4-\lambda)(9-\lambda) - 1 = \lambda^2 - 13\lambda + 35 = 0$
$$
\lambda = \frac{13 \pm \sqrt{169 - 140}}{2} = \frac{13 \pm \sqrt{29}}{2} \approx 11.19, 1.81 > 0
$$
**结论**:特征值都 $>0$ → $\Sigma$ 正定(半正定的加强)。
**复盘**:验证半正定 = 所有特征值 $\ge 0$ 或主子式都 $\ge 0$。
---
> **题目 2**:设 $(X_1, X_2)^T \sim N(\boldsymbol{\mu}, \Sigma)$,$\Sigma = \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix}$。求 $Y_1 = X_1 + X_2, Y_2 = X_1 - X_2$ 的协方差矩阵。
**解析**:
线性变换 $\mathbf{Y} = A\mathbf{X}$,其中 $A = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$
$$
\Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}
$$
**计算**:
- $A\Sigma = \begin{pmatrix} 1+\rho & 1+\rho \\ 1-\rho & \rho-1 \end{pmatrix}$
- $\Sigma_{\mathbf{Y}} = A\Sigma A^T = \begin{pmatrix} 1+\rho & 1+\rho \\ 1-\rho & \rho-1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} = \begin{pmatrix} 2+2\rho & 0 \\ 0 & 2-2\rho \end{pmatrix}$
**结论**:$\Sigma_{\mathbf{Y}} = \begin{pmatrix} 2(1+\rho) & 0 \\ 0 & 2(1-\rho) \end{pmatrix}$
$\text{Cov}(Y_1, Y_2) = 0$ ⇒ $Y_1, Y_2$ 不相关;多元正态下 ⇒ **独立**!
**复盘**:当 $\rho = 0$ 时 $\Sigma_{\mathbf{Y}} = \begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix}$ → $Y_1, Y_2$ 独立。
---
> **题目 3**:设 $\mathbf{X} = (X_1, X_2, X_3)^T$ 的协方差矩阵为
> $$\Sigma = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 2 & 1 \\ 0 & 1 & 2 \end{pmatrix}$$
>
> 求 $X_1$ 与 $(X_2 + X_3)$ 的协方差。
**解析**:
$$
\text{Cov}(X_1, X_2 + X_3) = \text{Cov}(X_1, X_2) + \text{Cov}(X_1, X_3) = 0 + 0 = 0
$$
**复盘**:协方差的线性(分配律)。
---
> **题目 4**:设 $\mathbf{X} \sim N(\boldsymbol{\mu}, \Sigma)$,$\Sigma = \sigma^2 I$(球对称)。证明 $\mathbf{X}$ 的各分量独立。
**解析**:
$\Sigma = \sigma^2 I$ 是对角矩阵 ⇒ $\text{Cov}(X_i, X_j) = 0$($i \ne j$)⇒ 不相关。
多元正态下:独立 ⇔ 不相关 ⇒ $X_1, X_2, \ldots, X_n$ 相互独立。
**复盘**:球对称多元正态 $\Rightarrow$ 各分量独立。
---
> **变式 1**:$(X,Y) \sim N(0, 0, 1, 1, 0.5)$。求 $\Sigma$ 和 $D(X+Y)$。
>
> **解**:$\Sigma = \begin{pmatrix} 1 & 0.5 \\ 0.5 & 1 \end{pmatrix}$;$D(X+Y) = 1 + 1 + 2 \times 0.5 = 3$。
> **变式 2**:$\mathbf{X} \sim N(\mathbf{0}, \Sigma)$,$\Sigma = \begin{pmatrix} 1 & 2 \\ 2 & 9 \end{pmatrix}$。$\Sigma$ 是合法协方差矩阵吗?
>
> **解**:特征值 $\lambda^2 - 10\lambda + 5 = 0 \Rightarrow \lambda = 5 \pm \sqrt{20} > 0$ → 半正定 → 合法。
---
> **口诀速记**:
> - "**$\Sigma$ = 对称 + 半正定**"
> - "**$\Sigma_{ii} = D(X_i)$**"
> - "**线性变换**:$\Sigma_{\mathbf{Y}} = A\Sigma A^T$"
> - "**多元正态**:独立 ⇔ 不相关 ⇔ $\Sigma$ 对角"
> - "**球对称** $\Sigma = \sigma^2 I$ ⇒ 各分量独立"
@@ -0,0 +1,530 @@
# 📌 第五章 大数定律与中心极限定理 考研核心通关笔记
> 概率论的"极限理论"——揭示大量随机现象的统计规律性,是联系概率论与数理统计的桥梁
---
## ① 本章核心知识框架 (Core Concept Map)
### 5.1 切比雪夫不等式(Chebyshev's Inequality)⭐⭐
#### 一、概率不等式的地位
切比雪夫不等式是**用方差估计概率**的核心工具,无需知道分布的具体形式,只需知道均值 $\mu$ 和方差 $\sigma^2$。
*极简例子:* 任何方差有限的随机变量,距离均值超过 $k$ 倍标准差的概率不超过 $1/k^2$——这是**"方差的概率意义"**。
#### 二、切比雪夫不等式
设随机变量 $X$ 的期望 $E(X) = \mu$,方差 $D(X) = \sigma^2$ 存在,则对任意 $\varepsilon > 0$:
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
等价形式(取补集):
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
*极简例子:* 若 $E(X) = 0, D(X) = 1$,则 $P(|X| \ge 3) \le 1/9$;$P(|X| < 2) \ge 3/4$。
> 🔑 **核心解读**:
> - 不等式**只与 $\mu$ 和 $\sigma^2$ 有关**,与 $X$ 的具体分布无关
> - $\varepsilon$ 越大,$P(|X-\mu|\ge\varepsilon)$ 上界越小
> - $\sigma^2$ 越大,分布越分散,超过 $\varepsilon$ 的可能性越大
#### 三、推导思想(截尾法 / 单调收敛)
$$
\begin{aligned}
\sigma^2 &= E[(X-\mu)^2] = \int_{-\infty}^{+\infty}(x-\mu)^2 f(x)\,dx \\
&\ge \int_{|x-\mu|\ge\varepsilon}(x-\mu)^2 f(x)\,dx \\
&\ge \varepsilon^2 \int_{|x-\mu|\ge\varepsilon} f(x)\,dx = \varepsilon^2 P(|X-\mu|\ge\varepsilon)
\end{aligned}
$$
整理即得。
#### 四、重要特例
| 情况 | 结论 |
|------|------|
| $E(X) = \mu, D(X) = 0$ | $P(X = \mu) = 1$(退化分布)|
| $\mu = 0, \varepsilon = k\sigma$ | $P(\|X\| \ge k\sigma) \le 1/k^2$(" $3\sigma$ 原则" 的理论依据)|
---
### 5.2 大数定律(Law of Large Numbers, LLN)
#### 一、依概率收敛
设 $\{X_n\}$ 是一随机变量序列,$X$ 是随机变量,若对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P(|X_n - X| \ge \varepsilon) = 0
$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作 $X_n \xrightarrow{P} X$。
*极简例子:* 频率 $f_n(A) \xrightarrow{P} P(A)$——这是"频率稳定于概率"的严格化。
> 🔑 **注意**:依概率收敛 $\neq$ 几乎必然收敛(后者要求更强的 $P(\lim X_n = X) = 1$)。
#### 二、切比雪夫大数定律 ⭐
设 $\{X_n\}$ **两两不相关**,$E(X_n) = \mu_n, D(X_n) = \sigma_n^2$,且 $\sigma_n^2$ **一致有上界**($\exists C, \sigma_n^2 \le C$),则
$$
\frac{1}{n}\sum_{i=1}^n (X_i - \mu_i) \xrightarrow{P} 0
$$
**特例**:若 $\{X_n\}$ **独立同分布**(i.i.d.),$E(X_i) = \mu, D(X_i) = \sigma^2$,则
$$
\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu
$$
*极简例子:* 独立掷 10000 次骰子,平均点数 $\bar{X}$ 几乎肯定接近 3.5。
> 🔑 **条件对比**:
> - 切比雪夫 LLN:**只要求两两不相关 + 方差有界**(比独立弱)
> - 辛钦 LLN:要求**独立同分布** + 期望存在
> - 伯努利 LLN:要求**独立 + 同 $0$-$1$ 分布**
#### 三、伯努利大数定律(Bernoulli LLN)⭐
设 $n_A$ 是 $n$ 次独立重复试验中事件 $A$ 发生的次数,$p = P(A)$,则对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P\left(\left|\frac{n_A}{n} - p\right| \ge \varepsilon\right) = 0
$$
即频率 $f_n(A) = n_A/n \xrightarrow{P} p$。
*极简例子:* 抛 10000 次硬币,正面频率几乎肯定接近 0.5。
> 🔑 **统计意义**:为**频率稳定于概率**提供了严格的数学证明。
#### 四、辛钦大数定律(Khinchin LLN)⭐
设 $\{X_n\}$ **独立同分布**,且 $E(X_n) = \mu$ 存在,则
$$
\bar{X} = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu
$$
*极简例子:* 某厂生产零件,尺寸独立同分布 $X_i \sim N(10, 0.1^2)$,则 10000 件平均尺寸几乎肯定接近 10mm。
> 🔑 **三定律条件强度对比**:
> ```
> 辛钦 LLN:i.i.d. + E(X) 存在
> ↓ (减弱 i.i.d. 假设)
> 切比雪夫 LLN:两两不相关 + D(X) 一致有界
> ↓ (减弱到 0-1 分布)
> 伯努利 LLN:独立 + 0-1 分布
> ```
---
### 5.3 中心极限定理(Central Limit Theorem, CLT)⭐⭐⭐
#### 一、问题的提出
大数定律说明 $\bar{X} \xrightarrow{P} \mu$,但**未给出 $\bar{X}$ 的近似分布**。中心极限定理回答:当 $n$ 充分大时,$\bar{X}$(或 $\sum X_i$)的**精确分布**近似什么?
#### 二、独立同分布的中心极限定理(林德伯格-莱维 Lindeberg-Lévy)⭐⭐⭐
设 $\{X_n\}$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 $n \to \infty$ 时:
$$
\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
$$
即当 $n$ 充分大时,$\sum X_i$ 近似 $N(n\mu, n\sigma^2)$,$\bar{X}$ 近似 $N(\mu, \sigma^2/n)$。
*极简例子:* 100 件零件重量 i.i.d. $X_i \sim U(0, 1)$(均值 0.5,方差 1/12),总重 $Y = \sum X_i$ 近似 $N(50, 100/12) = N(50, 25/3)$。
> 🔑 **核心结论**:
> - **不管 $X_i$ 是什么分布**(只要方差有限),标准化和**都趋向标准正态**
> - 这就是"正态分布是概率论极限分布"的根本原因
> - 经验法则:$n \ge 30$ 即可使用近似;$n \ge 50$ 近似效果良好
#### 三、李雅普诺夫(Lyapunov)定理
设 $\{X_n\}$ 独立,$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,记 $B_n^2 = \sum_{i=1}^n \sigma_i^2$。若存在 $\delta > 0$ 使得
$$
\frac{1}{B_n^{2+\delta}} \sum_{i=1}^n E(|X_i - \mu_i|^{2+\delta}) \to 0
$$
则
$$
\frac{\sum_{i=1}^n X_i - \sum_{i=1}^n \mu_i}{B_n} \xrightarrow{d} N(0,1)
$$
*极简例子:* 各 $X_i$ 不同分布但独立、方差有限,李雅普诺夫条件保证标准化和仍近似标准正态。
> 🔑 **李雅普诺夫 vs 林德伯格-莱维**:
> - 前者适用于**独立但不同分布**情形
> - 后者适用于**独立同分布**情形
> - 林德伯格条件是李雅普诺夫条件的充分条件(更精细)
#### 四、棣莫弗-拉普拉斯(De Moivre-Laplace)定理 ⭐⭐
设 $\eta_n \sim B(n, p)$($n$ 次独立试验中成功次数),则当 $n$ 充分大时:
$$
\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)
$$
即 $B(n, p)$ 近似 $N(np, np(1-p))$。
*极简例子:* 抛 10000 次硬币,正面次数 $\eta \sim B(10000, 0.5)$ 近似 $N(5000, 2500)$。
> 🔑 **这是 i.i.d. CLT 的特例**:将 $X_i \sim B(1, p)$(0-1 分布)求和即得 $\eta_n \sim B(n, p)$。
> - 适用条件:$np \ge 5$ 且 $n(1-p) \ge 5$(或更宽松的 $np, n(1-p) \ge 10$)
> - 修正(continuity correction):$P(a < \eta_n \le b) \approx \Phi\left(\dfrac{b+0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a-0.5 - np}{\sqrt{np(1-p)}}\right)$
#### 五、CLT 的"标准化变换"模板
对任意 i.i.d. 求和问题,**标准做法**:
$$
P(a \le \sum X_i \le b) \approx \Phi\left(\frac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\frac{a - n\mu}{\sigma\sqrt{n}}\right)
$$
*极简例子:* 36 件独立产品,每件次品率 0.1,求"次品数 $\le 4$"的概率:$\sum X_i \sim B(36, 0.1)$,用 CLT 标准化。
---
## 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、常见陷阱、经典母题。
| # | 题型 | 核心判据 | 详细笔记 |
|---|------|---------|---------|
| 1 | 切比雪夫不等式 | 方差估计概率,无需具体分布 | [[题型1_切比雪夫不等式]] |
| 2 | 大数定律判定与计算 | 三大定律的条件识别 + 依概率收敛 | [[题型2_大数定律的判定与计算]] |
| 3 | 中心极限定理的应用 | i.i.d. 求和 → 标准化 → 查 $\Phi$ | [[题型3_中心极限定理的应用]] |
| 4 | 二项分布的正态近似 | $B(n,p)$ 近似 $N(np, np(1-p))$ | [[题型4_二项分布的正态近似]] |
| 5 | 综合应用题 | LLN + CLT 串联 + 反常积分极限定理 | [[题型5_综合应用题]] |
---
## 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 | 中心极限定理的近似计算 | 12次 | 4-6分 |
| 2 | 切比雪夫不等式 | 8次 | 4分 |
| 3 | 棣莫弗-拉普拉斯定理 | 5次 | 4分 |
| 4 | 辛钦大数定律(依概率收敛) | 4次 | 4分 |
| 5 | 切比雪夫 / 伯努利 / 辛钦三定律辨析 | 3次 | 4分 |
### 【示例:一题多角度】
**核心概念**:同一个"独立同分布"情境,三种考法层次
> **同一情境**:设 $X_1, X_2, \ldots, X_{100}$ 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。
**角度一:选择题(概念辨析)**
下列结论正确的是?
- (A) $Y$ 服从 $N(200, 4)$ ✓
- (B) $\bar{X}$ 依概率收敛到 2 ✓
- (C) $P(|Y - 200| \ge 2) \le 0.01$(切比雪夫)
- (D) $P(Y \le 205) \approx \Phi(2.5)$(CLT)
**答案**:A、B、C、D 均正确(不同定理的不同应用)。
**角度二:填空题(直接计算)**
- 用切比雪夫:$P(|Y - 200| \ge 3) \le 4/9$
- 用 CLT:$P(Y \le 210) \approx \Phi(10/2) = \Phi(5) \approx 1$
**角度三:解答题(综合应用)**
- 第一步:识别"i.i.d. + 期望方差已知"→ 可用切比雪夫 / LLN / CLT
- 第二步:判断问题类型
- "估计概率上界" → 切比雪夫
- "$n$ 很大求概率" → CLT
- "证明依概率收敛" → LLN
**启示**:
- **同一情境**可同时用三大工具
- **切比雪夫给"上界",CLT 给"近似值"**——二者互补
- **LLN 是定性描述,CLT 是定量描述**——LLN 答"是否收敛",CLT 答"收敛到什么分布"
**核心公式速记**:
- **切比雪夫**:$P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$
- **辛钦 LLN**:$\bar{X} \xrightarrow{P} \mu$
- **CLT**:$\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)$
- **棣莫弗-拉普拉斯**:$B(n,p) \approx N(np, np(1-p))$
---
## ④ 方法论与解题通法 (Methodology)
### 方法一:工具选择决策树
```
随机变量 X 求概率或估计
│
├── 只知道 E(X), D(X) → 切比雪夫不等式
│ P(|X-μ|≥ε) ≤ σ²/ε² (上界)
│
├── 大量独立同分布 X_i 求和
│ │
│ ├── 问"n→∞ 时 X̄ → ?" → 辛钦大数定律
│ │ X̄ →ᵖ μ
│ │
│ └── 问"n 较大时 X̄ 的概率" → 中心极限定理
│ P(a≤ΣX≤b) ≈ Φ(b-...) - Φ(a-...)
│
└── 大量 0-1 分布求和 (二项分布)
│
├── 问"频率 → ?" → 伯努利大数定律
│ n_A/n →ᵖ p
│
└── 问"B(n,p) 概率近似值" → 棣莫弗-拉普拉斯
η_n ≈ N(np, np(1-p))
```
### 方法二:CLT 标准化的"三步法"
1. **求和**:明确 $\sum X_i$ 的均值 $n\mu$、方差 $n\sigma^2$
2. **标准化**:$\dfrac{\sum X_i - n\mu}{\sigma\sqrt{n}} = Z \sim N(0,1)$($n$ 大时)
3. **查表**:$P(a \le \sum X_i \le b) = \Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)$
**【口诀速记】**:"求和 → 标准化 → 查 $\Phi$"
### 方法三:切比雪夫的"三要素法"
应用切比雪夫必须找齐三要素:
1. **$\mu = E(X)$**(题目给出或能求出)
2. **$\sigma^2 = D(X)$**(题目给出或能求出)
3. **$\varepsilon$**(题目明确给出)
写出 $P(|X - \mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$ 即可。
> ⚠️ **注意**:$\varepsilon$ 必须为正,且**与 $X$ 同量纲**。
### 方法四:三大定律条件辨析口诀
| 定律 | 条件 | 结论 | 关键标志 |
|------|------|------|---------|
| **切比雪夫** | 两两不相关 + 方差一致有界 | $\bar{X} \xrightarrow{P} \mu$ | "不相关"或"独立且同分布" |
| **辛钦** | 独立同分布 + 期望存在 | $\bar{X} \xrightarrow{P} \mu$ | "i.i.d. + $E$ 存在" |
| **伯努利** | 独立 + 0-1 分布 | $f_n \xrightarrow{P} p$ | "频率逼近概率" |
| **CLT(林德伯格)** | i.i.d. + 方差有限 | $\frac{\sum X_i - n\mu}{\sigma\sqrt{n}} \xrightarrow{d} N(0,1)$ | "i.i.d. + $D$ 存在" |
| **CLT(李雅普诺夫)** | 独立 + 矩条件 | 同上 | "独立 + 不同分布" |
| **棣莫弗-拉普拉斯** | $B(n,p)$ + $n$ 大 | $B(n,p) \approx N(np, np(1-p))$ | "$n$ 次独立 0-1 试验" |
> 🔑 **条件强度对比**(由强到弱):
> 辛钦 LLN $\supset$ 切比雪夫 LLN $\supset$ 伯努利 LLN
### 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 |
|---------|------------|------------|---------|
| **标准化变换** | CLT 标准化 | Ch06 抽样分布、Ch07 区间估计 | 求和转标准正态 |
| **不等式估计** | 切比雪夫 | Ch07 置信区间(双侧 $\varepsilon$)| 只有期望方差 |
| **依概率收敛** | LLN | Ch07 矩估计相合性 | $n \to \infty$ 的定性极限 |
| **近似计算** | 棣莫弗-拉普拉斯 | Ch06 二项分布 → 正态 | $B(n,p)$ 的 $n$ 大情形 |
| **大数定律** | 频率稳定 | Ch08 假设检验($H_0$ 下极限)| 统计推断的极限基础 |
### 方法六:CLT 与 LLN 的本质区别
```
LLN(定性) CLT(定量)
X̄ →ᵖ μ X̄ 的标准化 →ᵈ N(0,1)
│ │
只答"是否收敛" 答"收敛到什么分布"
│ │
概率的极限行为 概率的精确极限分布
```
**核心联系**:LLN 给出"集中趋势",CLT 给出"中心附近的具体形态"。
---
## ⑤ 易错点红黑榜 (The Pitfall List)
### ❌ 错误 1:把"切比雪夫"当作精确概率
- **错误表现**:直接用切比雪夫算 $P(|X-\mu|<\varepsilon) = 1 - \sigma^2/\varepsilon^2$
- **正确理解**:切比雪夫只给**上界**,**不是**精确概率;用切比雪夫估计的概率**偏大**
**【对比示例】**:
```
❌ 某厂灯泡寿命 X ~ U(0, 10), 则 P(|X-5|≥3) = 9/25(精确计算 36/100 = 0.36)
✅ P(|X-5|≥3) ≤ 25/9 / 9 = 25/81 ≈ 0.309(切比雪夫上界)
实际 0.36 > 0.309,符合"切比雪夫是上界"的结论
```
### ❌ 错误 2:大数定律 vs 中心极限定理混用
- **错误表现**:用 LLN 算具体概率(如 $P(\bar{X} > 5)$);用 CLT 证明 $\bar{X} \xrightarrow{P} \mu$
- **正确理解**:
- **LLN**:$\bar{X} \xrightarrow{P} \mu$(依概率收敛,**不涉及具体分布**)
- **CLT**:$\bar{X}$ 标准化后 $\xrightarrow{d} N(0,1)$(**精确极限分布**)
**【对比示例】**:
```
❌ 问"P(X̄ > μ + 0.1)" 答 "由辛钦 LLN 知 P→0" (错误!LLN 只能定性)
✅ 问"P(X̄ > μ + 0.1)" 答 "由 CLT 知 ≈ 1-Φ(0.1√n/σ)" (正确!CLT 定量)
```
### ❌ 错误 3:CLT 条件 "独立同分布"漏掉方差要求
- **错误表现**:$X_i$ 独立同分布但 $D(X_i) = \infty$(如柯西分布)→ 误用 CLT
- **正确理解**:CLT 要求 $D(X_i) = \sigma^2 > 0$ **有限且为正**。柯西分布无期望方差,不能用 CLT
**【对比示例】**:
```
❌ 柯西分布 X_i 的均值仍近似正态 (错!柯西分布无矩)
✅ 0-1 分布求和大 n 时近似正态 (对!二项分布 → 正态)
```
### ❌ 错误 4:二项分布正态近似条件不满足
- **错误表现**:$B(5, 0.01)$ 强行用正态近似($np = 0.05$ 远小于 5)
- **正确理解**:$np \ge 5$ 且 $n(1-p) \ge 5$ 才能用;否则用泊松近似 $P(\lambda = np)$
**【对比示例】**:
```
❌ B(5, 0.01) → 近似 N(0.05, 0.0495) (错!np 太小)
✅ B(5, 0.01) → 近似 P(λ=0.05) (对!泊松近似)
```
### ❌ 错误 5:依概率收敛与"必然收敛"混淆
- **错误表现**:$X_n \xrightarrow{P} X$ 推出 $X_n \xrightarrow{a.s.} X$
- **正确理解**:依概率收敛 $\Leftarrow$ 几乎必然收敛(后者强于前者,反之不成立)
**【对比示例】**:
```
❌ 频率 f_n(A) →ᵖ P(A) 推出"几乎每次 f_n(A) → P(A)"
✅ 频率 f_n(A) →ᵖ P(A) 仅保证"大偏差概率 → 0"
```
### ❌ 错误 6:切比雪夫不等式分子分母颠倒
- **错误表现**:$P(|X - \mu| \ge \varepsilon) \le \varepsilon^2/\sigma^2$
- **正确理解**:分子是**方差** $\sigma^2$,分母是**$\varepsilon$ 的平方**
**【对比示例】**:
```
❌ P(|X-μ|≥3) ≤ 9/σ² (颠倒)
✅ P(|X-μ|≥3) ≤ σ²/9 (正确)
```
---
## 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 |
|--------|--------|-----------|------|
| 中心极限定理的应用 | **高** | 20+ 道 | 每年 1-2 题(填空/选择/解答)|
| 切比雪夫不等式 | **高** | 15+ 道 | 容易出小题 |
| 棣莫弗-拉普拉斯定理 | **中** | 8 道 | 概率近似计算 |
| 三大定律判定 | **中** | 6 道 | 概念辨析 |
| 李雅普诺夫定理 | **低** | 3 道 | 了解即可,超纲概率低 |
> 📊 **本章分值定位**:数一考纲,每年 4-8 分,集中在填空题和解答题第 22-23 题(与 Ch06 数理统计串联)。
### 跨章节连接
```
┌─────────────────────────────────┐
│ 本章 (Ch05) 大数定律与中心极限 │
│ · 切比雪夫不等式(概率上界) │
│ · 三大 LLN(依概率收敛) │
│ · 中心极限定理(标准化 → N(0,1))│
│ · 棣莫弗-拉普拉斯(B(n,p)→正态)│
└───────────────┬─────────────────┘
│
┌───────────────┬───────────────┼───────────────┬───────────────┐
↓ ↓ ↓ ↓ ↓
Ch03 多维分布 Ch04 数字特征 Ch06 数理统计 Ch07 参数估计 Ch08 假设检验
独立性的极限 期望/方差的 抽样分布 矩估计相合性 检验统计量
平均收敛 切比雪夫依据 三大分布 置信区间极限 大样本理论
(χ²/t/F)
↑
│
本章与 Ch04 期望方差
关系最密切:
· 切比雪夫用到 D(X)
· LLN/CLN 依赖 E(X)、D(X)
```
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
**模式 1:切比雪夫 + 一维分布**
> 例题:$X \sim$ 某分布,$E(X) = \mu, D(X) = \sigma^2$,求 $P(|X - \mu| \ge 3\sigma)$。
>
> **解**:直接 $P \le 1/9$。
>
> **考点**:切比雪夫不等式直接应用。
**模式 2:CLT + 二项分布**
> 例题:$B(10000, 0.5)$,求 $P(4900 < X < 5100)$。
>
> **解**:$X \approx N(5000, 2500)$,标准化 $Z = (X-5000)/50$,$P \approx 2\Phi(2) - 1 = 2 \times 0.9772 - 1 = 0.9544$。
>
> **考点**:棣莫弗-拉普拉斯 + 标准化。
**模式 3:CLT + 切比雪夫对比**
> 例题:$X_i$ 独立同分布,$E(X_i) = \mu, D(X_i) = 4$。分别用切比雪夫和 CLT 求 $P(|\bar{X} - \mu| \ge 0.1)$。
>
> **解**:
> - 切比雪夫:$P \le 4/(n \times 0.01) = 400/n$
> - CLT:$P \approx 2[1 - \Phi(0.1\sqrt{n}/2)] = 2[1 - \Phi(0.05\sqrt{n})]$
>
> **考点**:两套工具的对比——切比雪夫给保守上界,CLT 给精确近似。
**模式 4:LLN + 矩估计(Ch07 衔接)**
> 例题:$X_1, \ldots, X_n$ i.i.d.,证明 $\hat{\theta} = \frac{1}{n}\sum X_i^2$ 是 $\theta = E(X^2)$ 的相合估计。
>
> **解**:$X_i^2$ 独立同分布,由辛钦 LLN,$\hat{\theta} \xrightarrow{P} E(X^2) = \theta$。
>
> **考点**:LLN 在 Ch07 矩估计中的应用。
#### 🔗 与 Ch04 数字特征的衔接(关键依赖!)
| 本章工具 | Ch04 基础 | 关系 |
|---------|----------|------|
| 切比雪夫 | $E(X), D(X)$ | 必须已知 $\mu, \sigma^2$ |
| LLN | $E(X_i)$ 存在 | 期望是 LLN 的前提 |
| CLT | $D(X_i) < \infty$ | 方差有限是 CLT 的前提 |
| 棣莫弗-拉普拉斯 | $B(n, p)$ 的 $E, D$ | 期望 $np$,方差 $np(1-p)$ |
---
### 【终极母题推荐】
> **题目**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2$,$\bar{X} = \frac{1}{n}\sum X_i$。求证:
>
> (1) 对任意 $\varepsilon > 0$,$P(|\bar{X} - \mu| \ge \varepsilon) \le \sigma^2/(n\varepsilon^2)$(切比雪夫);
>
> (2) 当 $n \to \infty$ 时,$\bar{X} \xrightarrow{P} \mu$(辛钦 LLN);
>
> (3) 当 $n$ 充分大时,$\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}}$ 近似服从 $N(0,1)$(CLT)。
**此题融合**:
- 切比雪夫不等式(基础工具)
- 辛钦大数定律(定性极限)
- 中心极限定理(定量极限)
- 标准化变换(贯穿三大工具)
**为什么这是"终极母题"**:
✅ 一题融合**本章三大核心工具**——切比雪夫、LLN、CLT
✅ 体现了**"独立同分布"**这一核心前提的多种应用
✅ 揭示了三者的**递进关系**:上界 → 定性 → 定量
✅ 与 Ch04 期望方差、Ch07 矩估计、Ch08 大样本理论直接相连
**🔗 这道题的 Ch06 升级版(提前预告)**:
> 条件不变,设 $X_i \sim N(\mu, \sigma^2)$,则 $\dfrac{\bar{X} - \mu}{\sigma/\sqrt{n}} \sim t(n-1)$(精确分布)——这就是**抽样分布**,会出现在 Ch06 中。
>
> → 本章的 CLT 是"近似 $N(0,1)$",Ch06 的精确分布是"任何 $n$ 都成立"。
**这道题做完且理解透彻 → 本章"通关"。**
---
> **下一步**:完成后可进入 [[Ch06_数理统计的基本概念|Ch06 数理统计的基本概念]],抽样分布与本章的 CLT 直接衔接。
@@ -0,0 +1,155 @@
# 题型一:切比雪夫不等式
## 识别特征
- 题干出现"估计概率上界""不超过""至少为"等字样
- 已知 $E(X) = \mu$、$D(X) = \sigma^2$(无需具体分布)
- 涉及 $P(|X - \mu| \ge \varepsilon)$ 或 $P(|X - \mu| < \varepsilon)$
- 题目要求用**方差**反推**概率**范围
## 解题流程
```mermaid
flowchart TD
A[识别:切比雪夫不等式题] --> B{已知 E(X) 和 D(X)?}
B -->|否| C[先求期望和方差]
B -->|是| D[确定 ε 的值]
C --> D
D --> E{是 ≥ε 还是 <ε?}
E -->|≥ε| F[P(|X-μ|≥ε) ≤ σ²/ε²]
E -->|<ε| G[P(|X-μ|<ε) ≥ 1 - σ²/ε²]
F --> H[写出最终上界]
G --> H
```
## 通法步骤
### 一、切比雪夫不等式核心公式
设 $E(X) = \mu, D(X) = \sigma^2$ 存在,则对任意 $\varepsilon > 0$:
**形式 1(大偏差上界)**:
$$
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
$$
**形式 2(小偏差下界)**:
$$
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
$$
### 二、应用步骤(三步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 算** | 求 $E(X) = \mu, D(X) = \sigma^2$ | 套公式:$E(X) = \sum x_i p_i$ 或 $\int x f(x)dx$ |
| **2. 定** | 确定 $\varepsilon$ | 仔细审题,找到阈值 |
| **3. 写** | 套不等式 | 注意是 $\ge \varepsilon$ 还是 $< \varepsilon$ |
### 三、重要变形
| 变形 | 形式 |
|------|------|
| **用 $k\sigma$ 表示** | $P(\|X - \mu\| \ge k\sigma) \le 1/k^2$ |
| **两侧不等式** | $P(\|X - \mu\| < k\sigma) \ge 1 - 1/k^2$ |
| **特化 $\mu = 0$** | $P(\|X\| \ge \varepsilon) \le D(X)/\varepsilon^2$ |
| **特化 $\mu = 0, \varepsilon = k\sigma$** | $P(\|X\| \ge k\sigma) \le 1/k^2$ |
### 四、与 Chebyshev 关联的工具
| 工具 | 适用场景 |
|------|---------|
| **Markov 不等式** | 非负随机变量:$P(X \ge \varepsilon) \le E(X)/\varepsilon$ |
| **Chebyshev 不等式** | 一般随机变量:$P(\|X - \mu\| \ge \varepsilon) \le D(X)/\varepsilon^2$ |
| **Chernoff 不等式** | 指数型随机变量(超纲)|
## 常见陷阱
- **陷阱 1**:把"$\ge \varepsilon$"和"$< \varepsilon$"混淆,导致上下界颠倒
- **陷阱 2**:忘记切比雪夫只给**上界**,并非精确概率
- **陷阱 3**:用错 $D(X)$:题目给出的是 $D(X)$ 还是 $\sqrt{D(X)}$(标准差)?
- **陷阱 4**:$\varepsilon$ 单位与 $X$ 不同:需用同一量纲
- **陷阱 5**:在 $D(X) = 0$ 时误用——此时 $P(X = \mu) = 1$,不等式平凡成立
## 经典母题
> **题目 1**:设随机变量 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,试用切比雪夫不等式估计 $P(|X - \mu| \ge 3\sigma)$。
**解析**:
由切比雪夫不等式(取 $\varepsilon = 3\sigma$):
$$
P(|X - \mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9}
$$
> 即 $P(|X - \mu| < 3\sigma) \ge 8/9$
**复盘**:
- "$3\sigma$ 原则" 的概率解释:任何随机变量偏离均值超过 3 倍标准差的概率不超过 $1/9 \approx 11.1\%$
- 这与**正态分布的 $3\sigma$ 原则**(99.7%)对比鲜明——切比雪夫给的是**最坏情况**的上界
---
> **题目 2**:设 $X$ 的 $E(X) = 10, D(X) = 4$,求 $P(|X - 10| \ge 4)$ 的上界。
**解析**:
由切比雪夫不等式($\mu = 10, \sigma^2 = 4, \varepsilon = 4$):
$$
P(|X - 10| \ge 4) \le \frac{D(X)}{\varepsilon^2} = \frac{4}{16} = \frac{1}{4}
$$
**复盘**:
- 这是**最常见的切比雪夫题型**:直接套公式
- 注意分子是 $D(X) = 4$,分母是 $\varepsilon^2 = 16$
---
> **题目 3**:设随机变量 $X$ 的 $D(X) = 2$,根据切比雪夫不等式,要使 $P(|X - E(X)| < 4) \ge 0.9$,需要方差缩小到原来的多少倍?
**解析**:
由切比雪夫不等式(取 $\varepsilon = 4$):
$$
P(|X - E(X)| < 4) \ge 1 - \frac{D(X)}{16} \ge 0.9
$$
解得 $D(X) \le 1.6$。
即**新方差** $\le 1.6$,需要把原方差 $D(X) = 2$ 缩小到 $\le 1.6$,即缩小到原来的 $1.6/2 = 4/5$。
**复盘**:
- 这道题是**逆向题型**:从概率反推方差
- 题型标志:"要使 $P \ge p$,求方差"
- **重要技巧**:切比雪夫常用于 $\bar{X}$ 的概率估计,因为 $\bar{X} = \frac{1}{n}\sum X_i$ 的方差缩为 $D(X)/n$
---
> **题目 4(综合)**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = 8$,且 $n = 16$。试用切比雪夫不等式估计 $P(|\bar{X} - \mu| < 4)$ 的下界。
**解析**:
$\bar{X} = \frac{1}{n}\sum X_i$,所以:
- $E(\bar{X}) = \mu$
- $D(\bar{X}) = D(X_i)/n = 8/16 = 0.5$
由切比雪夫不等式($\varepsilon = 4$):
$$
P(|\bar{X} - \mu| < 4) \ge 1 - \frac{D(\bar{X})}{\varepsilon^2} = 1 - \frac{0.5}{16} = 1 - \frac{1}{32} = \frac{31}{32}
$$
**复盘**:
- **关键技巧**:先求 $\bar{X}$ 的期望和方差(**方差缩小 $n$ 倍**)
- 切比雪夫的核心用途:估计**样本均值** $\bar{X}$ 的概率
- 可见:**$n$ 越大,$D(\bar{X})$ 越小,$P(|\bar{X} - \mu| < \varepsilon)$ 下界越大**——这是大数定律的雏形
---
> **变式**:若 $X \sim N(\mu, \sigma^2)$,$P(|X - \mu| \ge 3\sigma) = ?$
**解**:$\approx 0.003$(正态分布的 $3\sigma$ 原则),远小于切比雪夫的 $1/9$——**正态分布的偏差衰减最快**。
> **口诀速记**:
> - "**方差大 → 偏离大**"
> - "**$\varepsilon$ 大 → 偏离概率小**"
> - "**切比雪夫给上界,不是精确值**"
@@ -0,0 +1,184 @@
# 题型二:大数定律的判定与计算
## 识别特征
- 题干出现"依概率收敛""$\xrightarrow{P}$"
- 涉及"$n$ 很大时"独立同分布的均值行为
- 需要识别**切比雪夫 / 辛钦 / 伯努利**三大定律
- 题目要求判断某随机变量序列**满足哪个大数定律**或**证明依概率收敛**
## 解题流程
```mermaid
flowchart TD
A[识别:依概率收敛题] --> B{序列是 0-1 分布?}
B -->|是| C[用伯努利大数定律]
B -->|否| D{独立同分布?}
D -->|是| E{期望存在?}
D -->|否| F{两两不相关 + 方差有界?}
E -->|是| G[用辛钦大数定律]
E -->|否| H[不能用 LLN]
F -->|是| I[用切比雪夫大数定律]
F -->|否| H
C --> J[写出 X̄ →ᵖ μ]
G --> J
I --> J
```
## 通法步骤
### 一、依概率收敛定义
设 $\{X_n\}$ 是一随机变量序列,$X$ 是随机变量,若对任意 $\varepsilon > 0$:
$$
\lim_{n\to\infty} P(|X_n - X| \ge \varepsilon) = 0
$$
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作 $X_n \xrightarrow{P} X$。
### 二、三大定律对照
| 定律 | 条件 | 结论 | 关键标志 |
|------|------|------|---------|
| **切比雪夫 LLN** | 两两不相关 + $D(X_i)$ 一致有界 | $\frac{1}{n}\sum (X_i - \mu_i) \xrightarrow{P} 0$ | "不相关""方差有界" |
| **辛钦 LLN** | i.i.d. + $E(X_i) = \mu$ 存在 | $\bar{X} \xrightarrow{P} \mu$ | "独立同分布" |
| **伯努利 LLN** | 独立 + 0-1 分布 | $f_n(A) \xrightarrow{P} p$ | "频率""$n_A$""成功次数" |
### 三、应用步骤(四步法)
1. **识别分布类型**:题目给的是 0-1 分布?独立同分布?还是两两不相关?
2. **验证前提**:是否满足所选定律的所有条件?
3. **套用结论**:$\bar{X} \xrightarrow{P} \mu$ 或 $f_n \xrightarrow{P} p$
4. **写出极限**:明确写明依概率收敛到的常数
### 四、依概率收敛的运算性质
| 性质 | 公式 |
|------|------|
| **和** | 若 $X_n \xrightarrow{P} a, Y_n \xrightarrow{P} b$,则 $X_n + Y_n \xrightarrow{P} a + b$ |
| **积** | 若 $X_n \xrightarrow{P} a, Y_n \xrightarrow{P} b$,则 $X_n Y_n \xrightarrow{P} ab$ |
| **连续映射** | 若 $X_n \xrightarrow{P} a, g$ 连续,则 $g(X_n) \xrightarrow{P} g(a)$ |
> ⚠️ **注意**:以上性质对**依概率收敛**成立,但**不能**直接推出几乎必然收敛。
### 五、重要极限公式
| 极限 | 推导依据 |
|------|---------|
| $\frac{1}{n}\sum X_i \xrightarrow{P} E(X_i)$ | 辛钦 LLN |
| $\frac{1}{n}\sum X_i^2 \xrightarrow{P} E(X^2)$ | 辛钦 LLN($X_i^2$ 仍 i.i.d.)|
| $\frac{1}{n}\sum f(X_i) \xrightarrow{P} E[f(X)]$ | 辛钦 LLN 推广($f$ 连续)|
## 常见陷阱
- **陷阱 1**:辛钦 LLN 要求**独立同分布**(i.i.d.),漏掉任何一项都不能用
- **陷阱 2**:题目"独立但不同分布"时,辛钦 LLN 不可用,需用切比雪夫 LLN(验证方差一致有界)
- **陷阱 3**:辛钦 LLN 要求 $E(X_i)$ 存在;柯西分布无期望,不能用
- **陷阱 4**:把"依概率收敛"等同于"必然收敛"——后者要求 $P(\lim X_n = X) = 1$
- **陷阱 5**:伯努利 LLN 是辛钦 LLN 的特例($X_i \sim B(1, p)$),但不是所有 0-1 分布都满足伯努利 LLN
- **陷阱 6**:三大 LLN 都要求**方差存在或期望存在**(柯西分布有陷阱)
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_n, \ldots$ 独立同分布,且 $E(X_i) = \mu$ 存在,$D(X_i) = \sigma^2$。证明 $\bar{X}_n = \frac{1}{n}\sum_{i=1}^n X_i \xrightarrow{P} \mu$。
**解析**:
由切比雪夫不等式,对任意 $\varepsilon > 0$:
$$
P(|\bar{X}_n - \mu| \ge \varepsilon) \le \frac{D(\bar{X}_n)}{\varepsilon^2} = \frac{\sigma^2/n}{\varepsilon^2} = \frac{\sigma^2}{n\varepsilon^2}
$$
由于 $\dfrac{\sigma^2}{n\varepsilon^2} \to 0$($n \to \infty$),所以:
$$
\lim_{n\to\infty} P(|\bar{X}_n - \mu| \ge \varepsilon) = 0
$$
即 $\bar{X}_n \xrightarrow{P} \mu$。
**复盘**:
- 这就是**辛钦 LLN 的标准证法**:用切比雪夫不等式证明
- 证明模板:**$P(|\bar{X}_n - \mu| \ge \varepsilon) \le \dfrac{\sigma^2}{n\varepsilon^2} \to 0$**
- 揭示了**辛钦 LLN 的条件比切比雪夫 LLN 强,但结论等价**(在 i.i.d. 情形)
---
> **题目 2**:设 $X_1, X_2, \ldots$ 独立,$X_i$ 的分布律为 $P(X_i = i) = P(X_i = -i) = 1/2$。问 $\{\bar{X}_n\}$ 是否依概率收敛?
**解析**:
**注意**:$D(X_i) = E(X_i^2) = i^2$,所以 $D(\bar{X}_n) = \frac{1}{n^2}\sum_{i=1}^n i^2 = \frac{(n+1)(2n+1)}{6n^2} \to \frac{1}{3} \ne 0$。
**错误思路**:误用辛钦 LLN(实际不满足方差一致有界)。
**正确答案**:
- 切比雪夫 LLN 要求 $D(X_i) \le C$(一致有界),但 $D(X_i) = i^2 \to \infty$,**不满足**
- 辛钦 LLN 要求独立同分布,但 $X_i$ 分布不同,**不满足**
- **不能直接用任何 LLN**!
**复盘**:
- 这道题揭示了 LLN 条件的**必要性**
- $D(X_i)$ 无界时,$\bar{X}_n$ 不会依概率收敛
---
> **题目 3**:设 $X_i \sim B(1, p)$ 独立同分布,$n_A$ 是 $n$ 次试验中 $A$ 发生次数。证明 $\dfrac{n_A}{n} \xrightarrow{P} p$。
**解析**:
由辛钦 LLN,$X_i$ 独立同分布,$E(X_i) = p$ 存在,所以:
$$
\bar{X}_n = \frac{1}{n}\sum X_i = \frac{n_A}{n} \xrightarrow{P} E(X_i) = p
$$
**复盘**:
- **伯努利 LLN 是辛钦 LLN 的特例**($X_i \sim B(1, p)$ 是 i.i.d.)
- "频率依概率收敛于概率"的严格化
---
> **题目 4**:设 $X_1, X_2, \ldots$ 独立同分布,$E(X_i) = \mu$。问 $\dfrac{1}{n}\sum_{i=1}^n (X_i^2 - E(X_i^2))$ 是否依概率收敛?收敛到几?
**解析**:
$Y_i = X_i^2$ 仍独立同分布(i.i.d. 的函数仍 i.i.d.),且 $E(Y_i) = E(X_i^2)$ 存在。
由辛钦 LLN:
$$
\frac{1}{n}\sum Y_i = \frac{1}{n}\sum X_i^2 \xrightarrow{P} E(Y_i) = E(X_i^2)
$$
所以:
$$
\frac{1}{n}\sum_{i=1}^n (X_i^2 - E(X_i^2)) = \frac{1}{n}\sum X_i^2 - E(X_i^2) \xrightarrow{P} E(X_i^2) - E(X_i^2) = 0
$$
**复盘**:
- 辛钦 LLN 的**重要推论**:$f(X_i)$ 仍 i.i.d.,$E(f)$ 存在时 $\frac{1}{n}\sum f(X_i) \xrightarrow{P} E[f(X)]$
- 矩估计的理论基础:**$\frac{1}{n}\sum X_i^k \xrightarrow{P} E(X^k)$**
- **Ch07 矩估计相合性**的严格证明
---
> **题目 5(综合)**:设 $X_1, \ldots, X_n$ 独立,$X_i$ 分布律为 $P(X_i = k) = 1/2^k$($k = 1, 2, \ldots$)。问 $\bar{X}_n$ 是否依概率收敛?
**解析**:
- $E(X_i) = \sum_{k=1}^\infty k/2^k = 2$(有限)
- 但 $D(X_i)$:先求 $E(X_i^2) = \sum k^2/2^k = 6$(有限)
- 所以 $D(X_i) = 6 - 4 = 2$(一致有界)
由切比雪夫 LLN,$\bar{X}_n \xrightarrow{P} 2$。
**复盘**:
- **关键判断**:$D(X_i)$ 是否一致有界(这里都是 2,有界)
- 满足切比雪夫 LLN 条件:两两不相关(独立时自动成立)+ 方差有界
- 满足辛钦 LLN 条件:i.i.d. + $E(X_i)$ 存在
- 两个定律都可用,结论一致
---
> **口诀速记**:
> - "**i.i.d. + 期望**" → 辛钦 LLN
> - "**0-1 分布**" → 伯努利 LLN(辛钦的特例)
> - "**两两不相关 + 方差有界**" → 切比雪夫 LLN
> - "**$f(X_i)$ 仍 i.i.d.**" → 辛钦 LLN 可用于 $f(X)$
@@ -0,0 +1,200 @@
# 题型三:中心极限定理的应用
## 识别特征
- 题干出现"近似服从""渐近分布""当 $n$ 充分大时"
- 大量独立同分布随机变量 $X_1, \ldots, X_n$ 求和或求平均
- 已知 $E(X_i) = \mu, D(X_i) = \sigma^2$,求 $\sum X_i$ 或 $\bar{X}$ 的概率
- 需要**标准化**后查 $\Phi$ 表
## 解题流程
```mermaid
flowchart TD
A[识别:CLT 应用题] --> B[求和 S = ΣXᵢ]
B --> C[求 E(S) = nμ, D(S) = nσ²]
C --> D[标准化 Z = S - nμ / σ√n]
D --> E{求 P 类型?}
E -->|近似值| F[查 Φ 表: P ≈ Φ(b) - Φ(a)]
E -->|求未知量| G[反查 Φ 表求阈值]
F --> H[最终答案]
G --> H
```
## 通法步骤
### 一、中心极限定理(林德伯格-莱维)
设 $\{X_n\}$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2 > 0$,则当 $n \to \infty$ 时:
$$
\frac{\sum_{i=1}^n X_i - n\mu}{\sigma\sqrt{n}} = \frac{\bar{X} - \mu}{\sigma/\sqrt{n}} \xrightarrow{d} N(0,1)
$$
即 $\sum X_i$ 近似 $N(n\mu, n\sigma^2)$,$\bar{X}$ 近似 $N(\mu, \sigma^2/n)$。
### 二、应用步骤(五步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 算 $E, D$** | 求 $E(X_i) = \mu, D(X_i) = \sigma^2$ | 套分布公式 |
| **2. 求和 $S$** | 明确 $S = \sum X_i$,$E(S) = n\mu, D(S) = n\sigma^2$ | 独立和方差可加 |
| **3. 标准化** | $Z = \dfrac{S - n\mu}{\sigma\sqrt{n}}$ | $Z \sim N(0,1)$(近似)|
| **4. 转换** | $P(a \le S \le b) = P\left(\dfrac{a - n\mu}{\sigma\sqrt{n}} \le Z \le \dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ | 化为标准正态 |
| **5. 查表** | 用 $\Phi$ 表计算 | 注意 $\Phi(-x) = 1 - \Phi(x)$ |
### 三、典型概率变换公式
设 $Y = \sum_{i=1}^n X_i \approx N(n\mu, n\sigma^2)$:
| 题目类型 | 公式 |
|---------|------|
| $P(a \le Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right) - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \le b)$ | $\Phi\left(\dfrac{b - n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(Y \ge a)$ | $1 - \Phi\left(\dfrac{a - n\mu}{\sigma\sqrt{n}}\right) = \Phi\left(\dfrac{-a + n\mu}{\sigma\sqrt{n}}\right)$ |
| $P(\|Y - n\mu\| < \varepsilon)$ | $2\Phi\left(\dfrac{\varepsilon}{\sigma\sqrt{n}}\right) - 1$ |
### 四、$n$ 充分大的标准
- 一般 $n \ge 30$ 即可使用 CLT
- $n \ge 50$ 近似效果良好
- $n \ge 100$ 近似几乎完美
### 五、李雅普诺夫 CLT(不同分布)
设 $\{X_n\}$ **独立**(可不同分布),$E(X_i) = \mu_i, D(X_i) = \sigma_i^2$,$B_n^2 = \sum \sigma_i^2$。
若存在 $\delta > 0$ 使 $\dfrac{1}{B_n^{2+\delta}}\sum E|X_i - \mu_i|^{2+\delta} \to 0$,则:
$$
\frac{\sum X_i - \sum \mu_i}{B_n} \xrightarrow{d} N(0,1)
$$
*适用场景*:各 $X_i$ 独立不同分布,求和后近似正态。
## 常见陷阱
- **陷阱 1**:$X_i$ 不满足 i.i.d. 但误用 CLT(如有相关性、有不同分布)
- **陷阱 2**:$D(X_i) = 0$ 或 $D(X_i) = \infty$ 时不能用 CLT
- **陷阱 3**:标准化时**漏掉 $\sqrt{n}$**:分母应为 $\sigma\sqrt{n}$,不是 $\sigma n$
- **陷阱 4**:$\varepsilon$ 单位与 $X$ 不同(如 $X$ 是克,$\varepsilon$ 是千克)需先换算
- **陷阱 5**:题目求"$P(|Y| \le \varepsilon)$"但写成"$P(|Y| \le \varepsilon) = 1 - 2\Phi(\cdot)$"(错!)
- 正确:$P(|Y| \le \varepsilon) = 2\Phi(\dfrac{\varepsilon - n\mu}{\sigma\sqrt{n}}) - 1$(**注意均值的偏移**)
- **陷阱 6**:CLT 给出**近似**,不是精确——选择题/填空题近似,解答题需说明 $n$ 充分大
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_{100}$ 独立同分布,$E(X_i) = 2, D(X_i) = 0.04$,$Y = \sum_{i=1}^{100} X_i$。用 CLT 求 $P(196 \le Y \le 204)$。
**解析**:
- $E(Y) = 100 \times 2 = 200$
- $D(Y) = 100 \times 0.04 = 4$
- $\sqrt{D(Y)} = 2$
由 CLT,$Y$ 近似 $N(200, 4)$,标准化 $Z = \dfrac{Y - 200}{2} \sim N(0,1)$(近似)。
$$
P(196 \le Y \le 204) = P\left(\frac{196 - 200}{2} \le Z \le \frac{204 - 200}{2}\right) = P(-2 \le Z \le 2) = 2\Phi(2) - 1
$$
查表:$\Phi(2) = 0.9772$,所以 $P \approx 2 \times 0.9772 - 1 = 0.9544$。
**复盘**:
- **CLT 标准化三部曲**:$E(Y), D(Y), \sqrt{D(Y)}$
- 关键数字 $1.96, 2.58$:$P(-1.96 < Z < 1.96) = 0.95$,$P(-2.58 < Z < 2.58) = 0.99$
---
> **题目 2**:某厂生产零件,每件重量 $X_i \sim N(50, 0.4^2)$(单位:克),$n = 100$ 件装一箱。求一箱总重 $Y$ 在 4990 到 5010 克之间的概率。
**解析**:
虽然 $X_i$ 本身是正态的(已经精确正态),但用 CLT 也能解:
- $E(Y) = 100 \times 50 = 5000$
- $D(Y) = 100 \times 0.4^2 = 16$
- $\sqrt{D(Y)} = 4$
由 CLT(实际是精确正态),$Y \sim N(5000, 16)$:
$$
P(4990 \le Y \le 5010) = P\left(\frac{-10}{4} \le Z \le \frac{10}{4}\right) = P(-2.5 \le Z \le 2.5) = 2\Phi(2.5) - 1
$$
查表:$\Phi(2.5) = 0.9938$,所以 $P \approx 0.9876$。
**复盘**:
- 当 $X_i$ **本身就是正态**时,$\sum X_i$ 是**精确正态**(不是近似)——这是"独立正态和的分布"
- CLT 在 $X_i$ 非正态时才发挥真正威力
- 这道题是为了展示 CLT 标准化方法
---
> **题目 3**:设 $X_1, \ldots, X_n$ i.i.d.,$E(X_i) = 0, D(X_i) = \sigma^2$。试估计 $n$ 多大时才能使 $P(|\bar{X}| \ge \varepsilon) \le 0.05$($\varepsilon = 0.1, \sigma = 1$)。
**解析**:
由 CLT,$\bar{X}$ 近似 $N(0, \sigma^2/n)$,标准化 $Z = \dfrac{\bar{X}}{\sigma/\sqrt{n}} \sim N(0,1)$(近似)。
$$
P(|\bar{X}| \ge \varepsilon) \approx 2\left[1 - \Phi\left(\frac{\varepsilon\sqrt{n}}{\sigma}\right)\right] = 0.05
$$
即 $\Phi\left(\dfrac{0.1\sqrt{n}}{1}\right) = 0.975$,反查 $\Phi$ 表:$\dfrac{0.1\sqrt{n}}{1} = 1.96$。
解得 $\sqrt{n} = 19.6$,$n \ge 384.16$,取 $n \ge 385$。
**复盘**:
- 这道题是**逆向题型**:从概率要求反推 $n$
- 关键步骤:反查 $\Phi$ 表($\Phi(1.96) = 0.975$)
- $\varepsilon\sqrt{n}/\sigma = 1.96$ 是核心等式
---
> **题目 4(综合)**:设 $X_i$ 独立同分布,$P(X_i = 1) = P(X_i = -1) = 1/2$。用 CLT 求 $P\left(\left|\sum_{i=1}^{100} X_i\right| \le 10\right)$。
**解析**:
- $E(X_i) = 0, D(X_i) = 1$(因为 $E(X_i^2) = 1$)
- $S = \sum X_i$, $E(S) = 0, D(S) = 100$
由 CLT,$S$ 近似 $N(0, 100)$,$\sqrt{D(S)} = 10$:
$$
P(|S| \le 10) = P\left(\frac{-10}{10} \le Z \le \frac{10}{10}\right) = P(-1 \le Z \le 1) = 2\Phi(1) - 1
$$
查表:$\Phi(1) = 0.8413$,所以 $P \approx 0.6826$。
**复盘**:
- $X_i$ 是**对称 0-1 分布**(取值 $\pm 1$)
- $D(X_i) = 1$(不是 $1/4$!)——因为 $E(X_i^2) = 1$
- 这就是著名的**"随机游走"模型**——CLT 给出正态近似
---
> **题目 5(不同分布,李雅普诺夫)**:设 $X_1, X_2, \ldots$ 独立,$X_i$ 分布律为 $P(X_i = i) = 1/2, P(X_i = 0) = 1/2$。求 $n$ 大时 $P(|\sum X_i| \le 100)$。
**解析**:
- $E(X_i) = i/2, D(X_i) = i^2/4$
- $E(S_n) = \sum i/2 = n(n+1)/4$
- $D(S_n) = \sum i^2/4 = n(n+1)(2n+1)/24$
由李雅普诺夫 CLT,$S_n$ 近似 $N(E(S_n), D(S_n))$。
对于大 $n$:$E(S_n) \approx n^2/4$,$D(S_n) \approx n^3/12$,$\sqrt{D} \approx n^{3/2}/\sqrt{12}$。
标准化:$Z = \dfrac{S_n - n^2/4}{n^{3/2}/\sqrt{12}}$。
$P(|S_n| \le 100)$:当 $n$ 较大时,$E(S_n) = n^2/4$ 远大于 100,所以 $P \approx 0$(因为 $S_n$ 集中在 $E(S_n)$ 附近)。
**复盘**:
- **关键洞察**:当 $E(S_n) \to \infty$ 时,$P(|S_n| \le 100) \to 0$
- 这道题展示**不同分布的 CLT**——只要方差有限且不太小即可
- 李雅普诺夫条件是工程上"常用"的(不同元件的误差求和)
---
> **口诀速记**:
> - "**算 E, 算 D, 求和 S**"
> - "**$E(S) = n\mu$, $D(S) = n\sigma^2$**"
> - "**标准化:$Z = (S - n\mu)/(\sigma\sqrt{n})$**"
> - "**$P = \Phi(\text{上限}) - \Phi(\text{下限})$**"
@@ -0,0 +1,219 @@
# 题型四:二项分布的正态近似(棣莫弗-拉普拉斯定理)
## 识别特征
- 题干出现 $B(n, p)$ 或"$n$ 次独立试验""成功次数"
- $n$ 较大,求 $P(a \le X \le b)$ 或 $P(X = k)$
- 题目明确"用正态近似"或"近似计算"
- $np \ge 5$ 且 $n(1-p) \ge 5$(必要条件)
## 解题流程
```mermaid
flowchart TD
A[识别:二项分布近似题] --> B[确认 X ~ B n p]
B --> C{np ≥ 5 且 n(1-p) ≥ 5?}
C -->|否| D[改用泊松近似]
C -->|是| E[E X = np, D X = np 1-p]
E --> F[标准化 Z = X - np / √np(1-p)]
F --> G{是 P(a ≤ X ≤ b) 还是 P(X = k)?}
G -->|区间| H[查 Φ 表: 连续校正]
G -->|单点| I[用局部极限定理或校正]
H --> J[最终答案]
I --> J
```
## 通法步骤
### 一、棣莫弗-拉普拉斯定理
设 $\eta_n \sim B(n, p)$($n$ 次独立试验中成功次数),$0 < p < 1$,则当 $n$ 充分大时:
$$
\frac{\eta_n - np}{\sqrt{np(1-p)}} \xrightarrow{d} N(0,1)
$$
即 $B(n, p)$ 近似 $N(np, np(1-p))$。
### 二、连续性校正(Continuity Correction)
二项分布是**离散**分布,正态分布是**连续**分布,直接近似有误差。**校正方法**:
$$
P(a \le X \le b) \approx \Phi\left(\frac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\frac{a - 0.5 - np}{\sqrt{np(1-p)}}\right)
$$
*校正含义*:$P(X = k) \approx P(k - 0.5 < Y \le k + 0.5)$,其中 $Y$ 是连续正态变量。
### 三、应用步骤(五步法)
| 步骤 | 操作 | 关键点 |
|------|------|--------|
| **1. 定分布** | 明确 $X \sim B(n, p)$,求 $E(X) = np, D(X) = np(1-p)$ | 套公式 |
| **2. 验条件** | 检查 $np \ge 5, n(1-p) \ge 5$ | 不满足则改用泊松近似 |
| **3. 标准化** | $Z = \dfrac{X - np}{\sqrt{np(1-p)}} \sim N(0,1)$ | $np(1-p)$ 是方差 |
| **4. 转换** | $P(a \le X \le b) = \Phi\left(\dfrac{b + 0.5 - np}{\sqrt{np(1-p)}}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sqrt{np(1-p)}}\right)$ | 用 $\pm 0.5$ 校正 |
| **5. 查表** | 查 $\Phi$ 表 | 注意 $\Phi(-x) = 1 - \Phi(x)$ |
### 四、典型公式表
设 $X \sim B(n, p)$,$Y$ 近似 $N(np, np(1-p))$,$\sigma = \sqrt{np(1-p)}$:
| 概率 | 近似公式 |
|------|---------|
| $P(X \le k)$ | $\Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right)$ |
| $P(X \ge k)$ | $1 - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right) = \Phi\left(\dfrac{np - k + 0.5}{\sigma}\right)$ |
| $P(a \le X \le b)$ | $\Phi\left(\dfrac{b + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{a - 0.5 - np}{\sigma}\right)$ |
| $P(\|X - np\| \le \varepsilon)$ | $2\Phi\left(\dfrac{\varepsilon + 0.5}{\sigma}\right) - 1$ |
### 五、适用条件
| 条件 | 用途 |
|------|------|
| $np \ge 5, n(1-p) \ge 5$ | 经验法则(较宽松)|
| $np \ge 10, n(1-p) \ge 10$ | 更严格(精度更好)|
| $n \ge 30$ | 一般法则 |
| $p$ 接近 0 或 1 | 用**泊松近似** $\lambda = np$ |
### 六、与其他近似的对比
| 方法 | 适用条件 | 近似分布 |
|------|---------|---------|
| **棣莫弗-拉普拉斯(正态)** | $np, n(1-p) \ge 5$ | $N(np, np(1-p))$ |
| **泊松近似** | $n$ 大,$p$ 小($np$ 中等)| $P(np)$ |
| **精确计算** | $n$ 小(如 $n \le 30$)| $B(n, p)$ |
## 常见陷阱
- **陷阱 1**:$np$ 或 $n(1-p)$ 太小(如 $B(5, 0.1)$ 的 $np = 0.5$)→ 不能用正态近似
- **陷阱 2**:忘记**连续性校正**——直接 $P(a \le X \le b) = \Phi(b) - \Phi(a)$ 会偏低
- **陷阱 3**:混淆 $P(X \ge k)$ 与 $P(X > k)$:前者含 $k$,后者不含
- **陷阱 4**:求 $P(X = k)$ 时:直接用 $P(X = k) \approx \Phi\left(\dfrac{k + 0.5 - np}{\sigma}\right) - \Phi\left(\dfrac{k - 0.5 - np}{\sigma}\right)$,**不要**直接用泊松公式或局部 CLT
- **陷阱 5**:$p = 0$ 或 $p = 1$(退化情形)不能近似
- **陷阱 6**:标准化时漏掉 $\sqrt{np(1-p)}$,只除以 $np$
## 经典母题
> **题目 1**:设 $X \sim B(100, 0.5)$,求 $P(40 \le X \le 60)$。
**解析**:
- $E(X) = 100 \times 0.5 = 50$
- $D(X) = 100 \times 0.5 \times 0.5 = 25$
- $\sqrt{D(X)} = 5$
由棣莫弗-拉普拉斯定理,$X$ 近似 $N(50, 25)$,用连续性校正:
$$
P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{5}\right) - \Phi\left(\frac{40 - 0.5 - 50}{5}\right) = \Phi(2.1) - \Phi(-2.1) = 2\Phi(2.1) - 1
$$
查表:$\Phi(2.1) = 0.9821$,所以 $P \approx 2 \times 0.9821 - 1 = 0.9642$。
**复盘**:
- $np = 50 \ge 5$,$n(1-p) = 50 \ge 5$,条件满足
- 校正值 $\pm 0.5$ 是关键
- 不校正的近似:$\Phi(2) - \Phi(-2) = 0.9544$(略低)
---
> **题目 2**:某厂产品次品率 $p = 0.05$,现抽 1000 件检验。求次品数 $X$ 在 40 到 60 之间的概率。
**解析**:
- $X \sim B(1000, 0.05)$
- $E(X) = 50, D(X) = 1000 \times 0.05 \times 0.95 = 47.5$
- $\sqrt{D(X)} \approx 6.89$
由 CLT(棣莫弗-拉普拉斯):
$$
P(40 \le X \le 60) \approx \Phi\left(\frac{60.5 - 50}{6.89}\right) - \Phi\left(\frac{40 - 0.5 - 50}{6.89}\right) = \Phi(1.524) - \Phi(-1.524) = 2\Phi(1.524) - 1
$$
查表:$\Phi(1.524) \approx 0.9362$,所以 $P \approx 0.8724$。
**复盘**:
- $np = 50 \ge 5$,$n(1-p) = 950 \ge 5$,条件满足
- 这是**典型的质检问题**——次品率 $p$ 小但 $n$ 大,可用正态近似
---
> **题目 3**:设 $X \sim B(100, 0.2)$。求 $P(X = 20)$。
**解析**:
- $E(X) = 20, D(X) = 100 \times 0.2 \times 0.8 = 16, \sqrt{D} = 4$
由连续性校正:
$$
P(X = 20) \approx \Phi\left(\frac{20.5 - 20}{4}\right) - \Phi\left(\frac{20 - 0.5 - 20}{4}\right) = \Phi(0.125) - \Phi(-0.125) = 2\Phi(0.125) - 1
$$
查表:$\Phi(0.125) \approx 0.5497$,所以 $P \approx 0.0994$。
**复盘**:
- **求单点概率的特殊方法**:用连续性校正
- 精确值:$P(X = 20) = \binom{100}{20} \times 0.2^{20} \times 0.8^{80} \approx 0.0993$(近似非常准确)
- 另一种方法:**局部极限定理**(超纲)$P(X = k) \approx \dfrac{1}{\sqrt{2\pi np(1-p)}} e^{-\frac{(k-np)^2}{2np(1-p)}}$
---
> **题目 4(综合)**:某保险公司有 10000 名保单持有人,每人出险概率 $p = 0.001$。设出险次数 $X \sim B(10000, 0.001)$。问:
> (1) $P(X \ge 15)$;
> (2) 至少需要多少保单持有人才能使 $P(X \ge 15) \ge 0.95$?
**解析 (1)**:
- $E(X) = 10, D(X) = 9.99 \approx 10, \sqrt{D} \approx 3.16$
$np = 10 \ge 5$,$n(1-p) = 9990 \ge 5$,可正态近似:
$$
P(X \ge 15) \approx 1 - \Phi\left(\frac{15 - 0.5 - 10}{3.16}\right) = 1 - \Phi(1.42) = 1 - 0.9222 = 0.0778
$$
**解析 (2)**:
设 $n$ 个保单持有人,$X \sim B(n, 0.001)$,$E(X) = 0.001n, D(X) \approx 0.001n$。
$P(X \ge 15) \ge 0.95 \Leftrightarrow P(X \le 14) \le 0.05$。
由 CLT:
$$
P(X \le 14) \approx \Phi\left(\frac{14.5 - 0.001n}{\sqrt{0.001n}}\right) = 0.05
$$
反查 $\Phi$ 表:$\dfrac{14.5 - 0.001n}{\sqrt{0.001n}} = -1.645$
设 $u = \sqrt{0.001n}$,则 $14.5 - u^2 = -1.645u$,即 $u^2 - 1.645u - 14.5 = 0$。
解得 $u = \dfrac{1.645 + \sqrt{1.645^2 + 58}}{2} = \dfrac{1.645 + 7.764}{2} \approx 4.705$。
所以 $n = u^2/0.001 \approx 22137$。取 $n \ge 22137$。
**复盘**:
- 这是**保险精算的经典应用**——估计"小概率大数"事件
- 第一问直接查 $\Phi$ 表,第二问反查 $\Phi$ 表
- 体现了**"小 $p$ 大 $n$"** 的标准应用
---
> **题目 5(极小 $p$ 改用泊松近似)**:设 $X \sim B(100, 0.01)$。用泊松近似求 $P(X = 2)$。
**解析**:
$np = 1$,远小于 5,正态近似不适用。改用泊松近似 $\lambda = np = 1$:
$$
P(X = 2) \approx \frac{\lambda^2 e^{-\lambda}}{2!} = \frac{1 \times e^{-1}}{2} \approx \frac{0.3679}{2} = 0.1839
$$
**复盘**:
- $p$ 很小且 $n$ 不大时(如 $B(100, 0.01)$),**泊松近似** 比正态近似更准确
- **判断标准**:$np < 5$ 时,优先用泊松近似
---
> **口诀速记**:
> - "$np, n(1-p) \ge 5$" → 正态近似
> - "**$p$ 小 $n$ 中**" → 泊松近似
> - "**$n$ 小直接算**" → 二项分布精确公式
> - "**连续性校正 $\pm 0.5$**":求单点概率必备
@@ -0,0 +1,260 @@
# 题型五:综合应用题
## 识别特征
- 题目同时涉及**切比雪夫 / LLN / CLT** 中两个或以上
- 题目给出"独立同分布"但要求分多步分析
- 需要**比较**不同工具的结果(如"切比雪夫上界 vs CLT 精确近似")
- 题目要求**反求**样本量 $n$、概率阈值 $\varepsilon$ 等
- 跨章节综合(如与 Ch04 期望方差、Ch07 估计结合)
## 解题流程
```mermaid
flowchart TD
A[识别:综合应用题] --> B{问题类型?}
B -->|估计上界| C[用切比雪夫]
B -->|定性极限| D[用 LLN]
B -->|定量近似| E[用 CLT]
B -->|多问串联| F[分步使用不同工具]
C --> G[综合写出结论]
D --> G
E --> G
F --> G
```
## 通法步骤
### 一、综合题常见组合模式
| 模式 | 描述 | 典型问法 |
|------|------|---------|
| **切比雪夫 + CLT** | 同一情境,两种方法 | "分别用切比雪夫和 CLT 估计概率" |
| **LLN + 切比雪夫** | LLN 的证明依赖切比雪夫 | "证明 $\bar{X} \xrightarrow{P} \mu$" |
| **CLT + 二项近似** | CLT 推导二项正态近似 | "用 CLT 推出 $B(n,p) \approx N$" |
| **切比雪夫 + 反求 $n$** | 已知概率要求 $n$ | "求 $P \ge 0.95$ 所需 $n$" |
| **跨章节综合** | 与 Ch04/Ch07 串联 | "$\hat{\theta}$ 是否为 $\theta$ 的相合估计" |
### 二、综合应用四步法
| 步骤 | 操作 |
|------|------|
| **1. 识别** | 明确题目涉及的随机变量($X, \bar{X}, S, B(n,p)$ 等)|
| **2. 选择** | 根据问题类型选工具(切比雪夫/LLN/CLT)|
| **3. 计算** | 套公式、标准化、查 $\Phi$ 表 |
| **4. 整合** | 写出最终结论(必要时比较不同方法)|
### 三、关键工具对比表
| 工具 | 输入 | 输出 | 精度 |
|------|------|------|------|
| **切比雪夫** | $E, D$ | 概率上界 | 保守(粗)|
| **LLN** | i.i.d. + $E$ | 定性极限 | 仅"是否收敛"|
| **CLT** | i.i.d. + $E, D$ | 概率近似 | 精确($n$ 大时)|
| **精确分布** | 完整分布 | 精确概率 | 100% |
### 四、综合题常见公式汇总
设 $X_1, \ldots, X_n$ i.i.d.,$E(X_i) = \mu, D(X_i) = \sigma^2$:
| 公式 | 工具 |
|------|------|
| $P(\|\bar{X} - \mu\| \ge \varepsilon) \le \sigma^2/(n\varepsilon^2)$ | 切比雪夫 |
| $P(a \le \bar{X} \le b) \approx \Phi\left(\dfrac{b - \mu}{\sigma/\sqrt{n}}\right) - \Phi\left(\dfrac{a - \mu}{\sigma/\sqrt{n}}\right)$ | CLT |
| $\bar{X} \xrightarrow{P} \mu$ | 辛钦 LLN |
| $\dfrac{1}{n}\sum X_i^k \xrightarrow{P} E(X^k)$ | 辛钦 LLN 推论 |
| $B(n, p) \approx N(np, np(1-p))$ | 棣莫弗-拉普拉斯 |
## 常见陷阱
- **陷阱 1**:混用工具——同一题用切比雪夫计算 $P$ 的精确值(应为上界)
- **陷阱 2**:标准化方向错误——CLT 标准化 $Z = (\bar{X} - \mu)/(\sigma/\sqrt{n})$,不是 $Z = (\bar{X} - \mu)\sqrt{n}/\sigma$
- **陷阱 3**:切比雪夫 + CLT 数值结果不一致时**误以为错**:实际切比雪夫上界 $\ge$ CLT 精确值
- **陷阱 4**:$n$ 充分大时仍用精确公式(应取近似)
- **陷阱 5**:连续性校正只在二项分布近似中用,CLT 直接套 $X$ 时不需要
- **陷阱 6**:跨章节综合时漏掉 Ch04 期望方差的计算
## 经典母题
> **题目 1**:设 $X_1, X_2, \ldots, X_n$ i.i.d.,$E(X_i) = 2, D(X_i) = 0.04$,$\bar{X} = \frac{1}{n}\sum X_i$。用切比雪夫不等式和 CLT 分别估计 $P(|\bar{X} - 2| \ge 0.1)$。
**解析(切比雪夫法)**:
$E(\bar{X}) = 2, D(\bar{X}) = 0.04/n$。
由切比雪夫:
$$
P(|\bar{X} - 2| \ge 0.1) \le \frac{D(\bar{X})}{0.1^2} = \frac{0.04/n}{0.01} = \frac{4}{n}
$$
**解析(CLT 法)**:
由 CLT,$\bar{X}$ 近似 $N(2, 0.04/n)$,$\sqrt{D(\bar{X})} = 0.2/\sqrt{n}$:
$$
P(|\bar{X} - 2| \ge 0.1) \approx 2\left[1 - \Phi\left(\frac{0.1\sqrt{n}}{0.2}\right)\right] = 2\left[1 - \Phi(0.5\sqrt{n})\right]
$$
当 $n = 100$ 时:
- 切比雪夫:$P \le 0.04$
- CLT:$P \approx 2[1 - \Phi(5)] \approx 0$
**复盘**:
- **同一情境,两种方法**——切比雪夫给保守上界,CLT 给精确近似
- 切比雪夫在 $n$ 大时上界**变紧**($\le 4/n$),CLT 在 $n$ 大时 $P$ **变小**
- **核心比较**:切比雪夫上界**永远不小于** CLT 实际值
---
> **题目 2**:设 $X_1, X_2, \ldots$ 独立同分布,$E(X_i) = \mu, D(X_i) = 4$。问 $n$ 多大时,能同时满足:
> (1) $P(|\bar{X}_n - \mu| \ge 0.1) \le 0.05$(切比雪夫);
> (2) $P(|\bar{X}_n - \mu| < 0.1) \ge 0.95$(CLT)。
**解析**:
**(1)切比雪夫法**:
$$
P(|\bar{X}_n - \mu| \ge 0.1) \le \frac{4/n}{0.01} = \frac{400}{n} \le 0.05
$$
解得 $n \ge 8000$。
**(2)CLT 法**:
$$
P(|\bar{X}_n - \mu| < 0.1) \approx 2\Phi\left(\frac{0.1\sqrt{n}}{2}\right) - 1 \ge 0.95
$$
即 $\Phi(0.05\sqrt{n}) \ge 0.975$,反查 $\Phi$ 表:$0.05\sqrt{n} \ge 1.96$,解得 $n \ge 1536.64$,取 $n \ge 1537$。
**比较**:
- 切比雪夫要求 $n \ge 8000$
- CLT 要求 $n \ge 1537$
- **CLT 比切比雪夫所需的 $n$ 小得多**——这正是 CLT 优于切比雪夫之处
**复盘**:
- 切比雪夫是**充分条件**(粗略估计),CLT 是**精确极限**(更紧)
- 工程上常用 CLT,理论证明常用切比雪夫
- 当 $D(X)$ 大时,CLT 优势更明显
---
> **题目 3**:设 $X_i \sim B(1, 0.3)$ i.i.d.,$n = 100$,$Y = \sum_{i=1}^{100} X_i$。用 LLN、CLT、切比雪夫三种工具分析 $Y$。
**解析**:
**(1)LLN 分析**:
$\bar{X} = Y/n \xrightarrow{P} E(X_i) = 0.3$,所以 $Y/n \xrightarrow{P} 0.3$。
**(2)切比雪夫分析**:
$E(Y) = 30, D(Y) = 21$,所以 $P(|Y - 30| \ge 5) \le 21/25 = 0.84$(无信息量)。
**(3)CLT 分析**:
$Y$ 近似 $N(30, 21)$,$\sqrt{D} \approx 4.58$。
$$
P(20 \le Y \le 40) \approx \Phi\left(\frac{40.5 - 30}{4.58}\right) - \Phi\left(\frac{20 - 0.5 - 30}{4.58}\right) = \Phi(2.29) - \Phi(-2.29) \approx 2 \times 0.989 - 1 = 0.978
$$
**复盘**:
- 同一问题**三种工具给出不同信息**:
- LLN:定性极限($Y/n \to 0.3$)
- 切比雪夫:粗上界($P \le 0.84$,无实用价值)
- CLT:精确近似($P \approx 0.978$)
- **CLT 优势明显**——这是工程首选
---
> **题目 4(跨章节)**:设 $X_1, \ldots, X_n$ 是来自 $X \sim U(0, \theta)$ 的样本($\theta > 0$ 未知),求 $\theta$ 的矩估计 $\hat{\theta}$,并证明其相合性。
**解析**:
**第一步(Ch04 期望)**:
$E(X) = \theta/2$,所以 $\theta = 2E(X)$。
**第二步(Ch07 矩估计)**:
用 $\bar{X}$ 估计 $E(X)$,得 $\hat{\theta} = 2\bar{X}$。
**第三步(Ch05 辛钦 LLN 证明相合性)**:
由辛钦 LLN,$\bar{X} \xrightarrow{P} E(X) = \theta/2$,所以:
$$
\hat{\theta} = 2\bar{X} \xrightarrow{P} 2 \times \frac{\theta}{2} = \theta
$$
即 $\hat{\theta}$ 是 $\theta$ 的**相合估计**。
**复盘**:
- 这是**跨章节综合**:Ch04 期望 → Ch07 矩估计 → Ch05 LLN
- LLN 是**矩估计相合性**的严格理论基础
- 体现了"概率论的极限理论是数理统计的理论基础"
---
> **题目 5(综合压轴)**:设 $X_1, \ldots, X_{100}$ 独立同分布,$E(X_i) = 1, D(X_i) = 4$。$Y = \sum X_i$。求:
> (1) 用切比雪夫估计 $P(80 \le Y \le 120)$ 的下界;
> (2) 用 CLT 求 $P(80 \le Y \le 120)$ 的近似值;
> (3) 比较两结果。
**解析(1)切比雪夫**:
$E(Y) = 100, D(Y) = 400, \sigma = 20$。
由切比雪夫:$P(|Y - 100| \ge 20) \le D(Y)/20^2 = 400/400 = 1$(无信息)。
改用切比雪夫反向:$P(|Y - 100| < 20) \ge 1 - 1 = 0$(仍无信息)。
**改进**:由于 $D(Y) = 400$ 较大,切比雪夫在 $\varepsilon = 20$ 时**没有信息量**。
**解析(2)CLT**:
$Y$ 近似 $N(100, 400)$,$\sigma = 20$:
$$
P(80 \le Y \le 120) \approx \Phi\left(\frac{120 - 100}{20}\right) - \Phi\left(\frac{80 - 100}{20}\right) = \Phi(1) - \Phi(-1) = 2\Phi(1) - 1 \approx 0.6826
$$
**解析(3)比较**:
- 切比雪夫给的下界 $= 0$(无意义)
- CLT 给的近似 $\approx 0.6826$
- **CLT 优势**:能给出有意义的近似值
**复盘**:
- 这道题揭示了**切比雪夫的局限性**:当 $D$ 较大时,上界粗糙
- CLT 总是更好($n$ 大时)
- **终极启示**:工程上首选 CLT,理论证明首选切比雪夫
---
> **题目 6(极限理论综合)**:设 $X_n \sim U(0, n)$,$Y_n = X_n/n$。证明 $Y_n \xrightarrow{P} ?$(依概率收敛到的值)。
**解析**:
- $E(X_n) = n/2, D(X_n) = n^2/12$
- $E(Y_n) = 1/2, D(Y_n) = 1/12$
由切比雪夫不等式:$P(|Y_n - 1/2| \ge \varepsilon) \le \dfrac{1/12}{\varepsilon^2}$。
注意:**$D(Y_n) = 1/12$ 不依赖于 $n$**(一致有界),所以:
$$
P(|Y_n - 1/2| \ge \varepsilon) \le \frac{1}{12\varepsilon^2} \to 0 \text{(固定 ε)}
$$
但**问题**:当 $n$ 变化时,$\varepsilon$ 是固定的,所以上界是常数($1/(12\varepsilon^2)$)$\not\to 0$?
**修正思路**:取 $\varepsilon_n = \varepsilon$ 不变,则 $D(Y_n) = 1/12$ 不变。**对固定 $\varepsilon$,$P \le 1/(12\varepsilon^2)$ 是常数,确实不趋于 0**。
**重新审视**:$Y_n = X_n/n$,$X_n \in [0, n]$,所以 $Y_n \in [0, 1]$,分布会变化。
实际上:**$Y_n$ 的分布** = $X_n / n$。$X_n \sim U(0, n)$,则 $Y_n \sim U(0, 1)$(不依赖 $n$)!
所以 $Y_n$ 的分布**不变**(始终是 $U(0, 1)$),依概率收敛**不适用**(因为分布不变)。
**复盘**:
- 这道题揭示**依概率收敛的陷阱**:分布不变时谈不上"依概率收敛"
- 真正的依概率收敛要求分布**随 $n$ 变化**且"集中"到某点
- 例:$\bar{X}_n = \frac{1}{n}\sum X_i$ 的分布随 $n$ 变化
---
> **口诀速记**:
> - "**估上界用切比雪夫**"——保守、粗略
> - "**估概率用 CLT**"——精确、近似
> - "**证收敛用 LLN**"——定性
> - "**求 $n$ 看工具**"——切比雪夫要求大 $n$,CLT 要求中 $n$ 即可
> - "**跨章节用 LLN**"——相合性的基础