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
+5
View File
@@ -0,0 +1,5 @@
公式笔记.zip
张宇题目训练集/
Ai出题/
教材/
张宇/
+15
View File
@@ -0,0 +1,15 @@
# Obsidian workspace state (changes constantly, no version value)
.obsidian/workspace.json
.obsidian/workspace-mobile.json
# Claude Code local settings (machine-specific)
.claude/
# Windows / OS junk
Thumbs.db
Desktop.ini
.DS_Store
# Temporary files
*.tmp
*.bak
+1
View File
@@ -0,0 +1 @@
{}
+1
View File
@@ -0,0 +1 @@
{}
+33
View File
@@ -0,0 +1,33 @@
{
"file-explorer": true,
"global-search": true,
"switcher": true,
"graph": true,
"backlink": true,
"canvas": true,
"outgoing-link": true,
"tag-pane": true,
"footnotes": false,
"properties": true,
"page-preview": true,
"daily-notes": true,
"templates": true,
"note-composer": true,
"command-palette": true,
"slash-command": false,
"editor-status": true,
"bookmarks": true,
"markdown-importer": false,
"zk-prefixer": false,
"random-note": false,
"outline": true,
"word-count": true,
"slides": false,
"audio-recorder": false,
"workspaces": false,
"file-recovery": true,
"publish": false,
"sync": true,
"bases": true,
"webviewer": false
}
+82
View File
@@ -0,0 +1,82 @@
# AGENTS.md
This file provides guidance to Codex (Codex.ai/code) when working with code in this repository.
## Project Purpose
This is a high-density, exam-oriented digital notebook for 考研数学一 (高等数学). The goal is to maximize score efficiency through a concept-plus-example (概念与例题并重) approach. Every abstract definition must be paired with a concrete minimal example.
## Project Structure
```
kaoyan-math-notes/
├── README.md # Navigation index & chapter progress tracker
├── Methodologies/ # Cross-chapter universal methods (构造法, 放缩法, etc.)
└── Advanced-Mathematics/ # Chapter-by-chapter notes
├── Ch01_Function_Limit_Continuity.md
├── Ch02_Derivative_Differential.md
├── Ch03_Mean_Value_Theorem_Applications.md
└── [Future_Chapters].md
```
## Chapter File Template (Framework Matrix)
Every chapter file MUST follow this exact structure:
### ① 本章核心知识框架 (Core Concept Map)
- Hierarchical Markdown bullets for definitions, theorems, formulas, and conditions.
- **Rule**: For EVERY abstract definition/theorem, include a **1-sentence minimal example (极简例子)** inline.
### ② 必考题型分类与母题演练 (Core Exam Question Types)
At least 5 standard question types. Each type must include:
- **题型名称**
- **识别特征** (2-3 keywords/conditions that trigger this method)
- **通法步骤** (Step-by-step algorithmic solution)
- **常见陷阱** (Where students lose points)
- **【经典母题 & 解析】** — 1 exam-level problem per type, focus on "why this step works"
### ③ 高频考点与多维变换 (High-Frequency Focus)
- Top 3-5 most heavily tested concepts
- **【示例:一题多角度】** — ONE concept shown through 2 different test styles (conceptual MC trap vs. calculation-heavy problem)
### ④ 方法论与解题通法 (Methodology)
- General thinking frameworks (构造辅助函数, 变量代换, 放缩, 数形结合)
- **Rule**: Prioritize "判断依据 (When to use / Crucial signals)" over "操作步骤 (How to do)"
- Include shortcuts/formulas (口诀)
### ⑤ 易错点红黑榜 (The Pitfall List)
- ❌ **错误表现** + **正确理解** per entry
- **【对比示例】** — side-by-side wrong vs right minimal example
### ⑥ 考研导向复习策略 (Exam Strategy)
- Priority (High/Medium/Low) & suggested problem count
- Cross-chapter connections (prerequisites / post-requisites / composite problems)
- **【终极母题推荐】** — 1 ultimate problem the user must master to consider this chapter "done"
## Content Rules
- **Language**: Highly concise, professional Chinese math terms, zero filler
- **Formulas**: Standard LaTeX — `$...$` for inline, `$$...$$` for display. Format brackets, limits, integrals flawlessly
- **Anti-patterns to avoid**: Pure textbook theory dumps, brute-force calculation grinding, verbose explanations that don't directly improve exam scores
- **In-text links**: Use relative links between chapter files and methodology files (e.g., `[构造法](../Methodologies/Construction_Method.md)`)
## Workflow When Editing a Chapter
1. **Analyze** the topic/outline the user provides
2. **Web Search** for latest 考研 trends, high-frequency trap points, and standard solutions for that chapter (use `WebSearch` tool)
3. **Generate** content following the Framework Matrix
4. **Stop and ask** for user feedback before continuing — the user will request modifications
## README.md Convention
The README serves as the navigation hub. Each chapter line should follow this format:
- Checkbox `[ ]` for progress tracking
- Link to chapter file
- Brief scope description (what's covered)
- Priority tag: `[高]` / `[中]` / `[低]`
## When Cross-Referencing
- Methods used across chapters go in `Methodologies/` as standalone files
- Chapter files link to methodology files, never duplicate methodology content
- Cross-chapter connections go in ⑥ section of each chapter
+109
View File
@@ -0,0 +1,109 @@
# CLAUDE.md
This file provides guidance to Claude Code (claude.ai/code) when working with code in this repository.
## Project Purpose
This is a high-density, exam-oriented digital notebook for 考研数学一 (高等数学). The goal is to maximize score efficiency through a concept-plus-example (概念与例题并重) approach. Every abstract definition must be paired with a concrete minimal example.
## Project Structure
```
kaoyan-math-notes/
├── README.md # Navigation index & chapter progress tracker
├── Methodologies/ # Cross-chapter universal methods (构造法, 放缩法, etc.)
├── Ch01_函数与极限/ # Chapter folder
│ ├── Ch01_Function_Limit_Continuity.md # Main note (framework + index)
│ ├── 题型1_0除0型极限.md
│ └── ...(7 题型文件)
├── Ch02_导数与微分/
│ ├── Ch02_Derivative_Differential.md
│ ├── 题型1_导数定义与可导性判定.md
│ ├── ...(8 题型 + 1 方法文件)
│ └── 方法_求导路径选择策略.md
└── Methodologies/ # Cross-chapter universal methods
```
## Chapter File Template (Framework Matrix)
Every chapter file MUST follow this exact structure:
### ① 本章核心知识框架 (Core Concept Map)
- Hierarchical Markdown bullets for definitions, theorems, formulas, and conditions.
- **Rule**: For EVERY abstract definition/theorem, include a **1-sentence minimal example (极简例子)** inline.
### ② 必考题型分类索引 (Core Exam Question Types Index)
- Compact table with type name, key signal, and **Obsidian wiki-link** `[[题型文件]]` to the independent file.
- Each 题型 is a standalone `.md` file in the same chapter folder.
## 题型 File Template (Independent Question-Type File)
Every 题型 file MUST follow this structure:
```markdown
# 题型名
## 识别特征
(2-3 triggering signals)
## 解题流程
(mermaid flowchart — Obsidian natively renders this)
## 通法步骤
(Step-by-step, corresponds to flowchart nodes)
## 常见陷阱
(2-4 items)
## 经典母题
(1-2 problems + full solution)
```
- **Mermaid flowcharts**: Use `flowchart TD` (top-down) or `flowchart LR` (left-right) for decision trees and state transitions.
- **Obsidian links**: Use `[[filename]]` for internal links between notes in the same vault.
### ③ 高频考点与多维变换 (High-Frequency Focus)
- Top 3-5 most heavily tested concepts
- **【示例:一题多角度】** — ONE concept shown through 2 different test styles (conceptual MC trap vs. calculation-heavy problem)
### ④ 方法论与解题通法 (Methodology)
- General thinking frameworks (构造辅助函数, 变量代换, 放缩, 数形结合)
- **Rule**: Prioritize "判断依据 (When to use / Crucial signals)" over "操作步骤 (How to do)"
- Include shortcuts/formulas (口诀)
### ⑤ 易错点红黑榜 (The Pitfall List)
- ❌ **错误表现** + **正确理解** per entry
- **【对比示例】** — side-by-side wrong vs right minimal example
### ⑥ 考研导向复习策略 (Exam Strategy)
- Priority (High/Medium/Low) & suggested problem count
- Cross-chapter connections (prerequisites / post-requisites / composite problems)
- **【终极母题推荐】** — 1 ultimate problem the user must master to consider this chapter "done"
## Content Rules
- **Language**: Highly concise, professional Chinese math terms, zero filler
- **Formulas**: Standard LaTeX — `$...$` for inline, `$$...$$` for display. Format brackets, limits, integrals flawlessly
- **Anti-patterns to avoid**: Pure textbook theory dumps, brute-force calculation grinding, verbose explanations that don't directly improve exam scores
- **In-text links**: Use relative links between chapter files and methodology files (e.g., `[构造法](../Methodologies/Construction_Method.md)`)
## Workflow When Editing a Chapter
1. **Analyze** the topic/outline the user provides
2. **Web Search** for latest 考研 trends, high-frequency trap points, and standard solutions for that chapter (use `WebSearch` tool)
3. **Generate** content following the Framework Matrix
4. **Stop and ask** for user feedback before continuing — the user will request modifications
## README.md Convention
The README serves as the navigation hub. Each chapter line should follow this format:
- Checkbox `[ ]` for progress tracking
- Link to chapter file
- Brief scope description (what's covered)
- Priority tag: `[高]` / `[中]` / `[低]`
## When Cross-Referencing
- Methods used across chapters go in `Methodologies/` as standalone files
- Chapter files link to methodology files, never duplicate methodology content
- Cross-chapter connections go in ⑥ section of each chapter
+103
View File
@@ -0,0 +1,103 @@
# 考研数学二 · 复习笔记
> 概念与例题并重 | 高分导向 | 动态迭代
>
> **考试范围:数学二**(高数约 120 分 + 线代约 30 分,不考概率论;高数不含级数、三重积分、曲线曲面积分、空间解析几何)
---
## 📐 公式专栏(按专题速查)
- [ ] [公式专栏索引](./公式专栏/README.md) — 极限/导数/积分/微分方程/多元微分/重积分/曲线曲面积分/级数 11 个高数专题,线代与概率公式待建 [高]
---
## ⏰ 每日必过大专栏(每天开场默背)
> 事前热身用:只放高频 + 易忘的冷门结论,每天开始学习前过一遍。详见 [每日必过 README](./每日必过大专栏/README.md)。
- [ ] [少见函数导数与积分](./每日必过大专栏/01_少见函数导数与积分.md) — 反三角/正割余割/双曲/幂指导数 + 冷门积分表(华里士、万能代换)[高]
- [ ] [泰勒展开速查](./每日必过大专栏/02_泰勒展开速查.md) — 12 个麦克劳林展开 + 两种余项 + 展开阶数口诀 [高]
- [ ] [结论前提与结论速查](./每日必过大专栏/03_结论前提与结论速查.md) — 夹逼准则、数列极限、等价无穷小、中值定理、导数/积分/级数审敛、闭区间连续性质(全部「前提 → 结论」)[高]
---
## ⚡ 猛攻专题(跨章节方法武器库)
> 针对大分值能力模块的集中猛攻,专题内自含「方法总谱 + 题型方法论」。
- [ ] [积分专题](./猛攻专题/积分专题/README.md) — 盘点文档+互联网全部积分办法(常规四法/巧法十式/定积分专技/冷门拓展),20 型母题 + 决策树 [高]
---
## 📋 复习进度总览
### 高等数学 (Advanced Mathematics)
- [ ] [Ch01 函数、极限、连续](./高等数学/Ch01_函数与极限/Ch01_Function_Limit_Continuity.md) — 函数性质、极限计算、无穷小比阶、连续性判定 [高]
- [x] [Ch02 导数与微分](./高等数学/Ch02_导数与微分/Ch02_Derivative_Differential.md) — 导数定义、求导法则、高阶导数、隐函数/参数方程、变限积分求导、极值/拐点/零点 [高]
- [x] [Ch03 微分中值定理与导数的应用](./高等数学/Ch03_微分中值定理与导数应用/Ch03_Mean_Value_Theorem_Applications.md) — 罗尔/拉格朗日/柯西/泰勒、洛必达、单调凹凸、极值最值、曲率、方程近似解 [高]
- [x] [Ch04 不定积分](./高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md) — 原函数、第一/二类换元法、分部积分、有理函数积分、可化为有理函数的积分 [高]
- [x] [Ch05 定积分](./高等数学/Ch05_定积分/Ch05_Definite_Integral.md) — 定义/可积条件/性质、变限积分、牛顿-莱布尼茨、换元分部、Wallis公式、反常积分与审敛法 [高]
- [x] [Ch06 定积分的应用](./高等数学/Ch06_定积分的应用/Ch06_Applications_of_Definite_Integrals.md) — 平面面积、旋转体体积、弧长、变力做功、水压力、引力 [中]
- [x] [Ch07 微分方程](./高等数学/Ch07_微分方程/Ch07_Differential_Equations.md) — 可分离/齐次/一阶线性/伯努利/可降阶/常系数齐次/常系数非齐次/欧拉方程/方程组 [高]
- [x] [Ch08 多元函数微分学](./高等数学/Ch08_多元函数微分学/Ch08_Partial_Derivatives.md) — 偏导数、全微分、复合/隐函数求导、极值与条件极值(数学二版)[高]
- [x] [Ch09 重积分](./高等数学/Ch09_重积分/Ch09_Multiple_Integrals.md) — 二重积分(直角/极坐标、换序、对称性、含绝对值、估值、综合应用)[高]
- [ ] [Ch10 无穷级数](./高等数学/Ch10_无穷级数/Ch10_Infinite_Series.md) — 数项级数审敛、幂级数与傅里叶级数(**数学二不考**,可跳过)
### 线性代数 (Linear Algebra)
- [x] [Ch01 行列式](./线性代数/Ch01_行列式/Ch01_Determinant.md) — 二/三阶行列式、全排列对换、$n$ 阶行列式定义、性质、按行展开、范德蒙德、克拉默法则 [高]
- [x] [Ch02 矩阵及其运算](./线性代数/Ch02_矩阵及其运算/Ch02_Matrix_Operations.md) — 矩阵运算、逆矩阵、伴随矩阵九大公式、克拉默法则、分块矩阵 [高]
- [x] [Ch03 矩阵的初等变换与线性方程组](./线性代数/Ch03_矩阵的初等变换与线性方程组/Ch03_Elementary_Operations_Linear_Systems.md) — 初等变换、初等矩阵、矩阵秩、齐次/非齐次方程组的解 [高]
- [x] [Ch04 向量组的线性相关性](./线性代数/Ch04_向量组的线性相关性/Ch04_Vector_Groups_Linear_Independence.md) — 线性组合、相关性、秩、极大无关组、向量空间、基与坐标 [高]
- [x] [Ch05 相似矩阵及二次型](./线性代数/Ch05_相似矩阵及二次型/Ch05_Similar_Matrices_Quadratic_Forms.md) — 内积正交、特征值/特征向量、相似对角化、二次型、正定性 [高]
- [x] [Ch06 线性空间与线性变换](./线性代数/Ch06_线性空间与线性变换/Ch06_Linear_Spaces_Linear_Transformations.md) — 线性空间、子空间、维数基与坐标、基变换、线性变换的矩阵表示 [中]
### 概率论 (Probability Theory)
> ⚠️ **数学二不考概率论与数理统计**(数学一内容),以下笔记保留作参考。
- [x] [Ch01 概率论的基本概念](./概率论/Ch01_概率论的基本概念/Ch01_Basic_Concepts_of_Probability.md) — 事件运算、概率公理、古典/几何概型、条件概率、全概率+贝叶斯、独立性 [高]
- [x] [Ch02 随机变量及其分布](./概率论/Ch02_随机变量及其分布/Ch02_Random_Variables.md) — 离散型分布律、连续型密度、常见分布(0-1/二项/泊松/均匀/指数/正态)、函数分布 [高]
- [x] [Ch03 多维随机变量及其分布](./概率论/Ch03_多维随机变量及其分布/Ch03_Multivariate_Random_Variables.md) — 联合分布、边缘分布、条件分布、独立性、卷积公式、max/min、二维正态 [高]
- [x] [Ch04 随机变量的数字特征](./概率论/Ch04_随机变量的数字特征/Ch04_Numerical_Characteristics.md) — 数学期望、方差、协方差、相关系数、矩、协方差矩阵、切比雪夫不等式 [高]
- [x] [Ch05 大数定律与中心极限定理](./概率论/Ch05_大数定律及中心极限定理/Ch05_LLN_CLT.md) — 切比雪夫不等式、大数定律、中心极限定理、二项分布的正态近似 [中]
### 跨章节方法论 (Methodologies)
- [ ] [构造辅助函数法](./Methodologies/Auxiliary_Function.md)
- [ ] [变量代换技巧](./Methodologies/Variable_Substitution.md)
- [ ] [放缩与估值](./Methodologies/Bounding_Estimation.md)
- [ ] [数形结合](./Methodologies/Geometric_Intuition.md)
---
---
## 📕 错题本(个人薄弱点归档)
> 事后复盘用:把每次卡住的题归档,定期回顾。详见 [错题本 README](./错题本/README.md)。
- [ ] [01_极限中含积分的题型](./错题本/01_极限中含积分的题型.md) — ⭐ 陌生 | 跨 Ch01+Ch02+Ch03+Ch05
- [ ] [02_极限存在性与e的定义式](./错题本/02_极限存在性与e的定义式.md) — ⭐ 陌生 | 跨 Ch01+Ch03
- [ ] [03_隐性分段函数](./错题本/03_隐性分段函数.md) — ⭐ 陌生 | 跨 Ch01+Ch02
- [ ] [04_渐近展开与泰勒公式](./错题本/04_渐近展开与泰勒公式.md) — ⭐ 陌生 | 跨 Ch01+Ch03+Ch05
- [ ] [05_精度丢失陷阱](./错题本/05_精度丢失陷阱.md) — ⭐⭐ 经典 | 跨 Ch01+Ch03
- [ ] [06_反函数间断点](./错题本/06_反函数间断点.md) — ⭐ 陌生 | Ch01(函数与极限·连续性与间断点)
- [ ] [07_间断点判定全链路](./错题本/07_间断点判定全链路.md) — ⭐⭐ 必备 | Ch01(连续性与间断点)+ Ch02(可导性铺垫)
- [ ] [08_隐式递推与渐近阶数](./错题本/08_隐式递推与渐近阶数.md) — ⭐ 陌生 | 跨 Ch01+Ch03+Ch07(构造辅助函数 + Taylor 主项分析)
- [ ] [09_复合函数的连续性与可导性](./错题本/09_复合函数的连续性与可导性.md) — ⭐⭐⭐ 必备 | 跨 Ch01+Ch02(连续性 + 链式法则,回收内层折角反直觉)
- [ ] [10_隐函数专栏](./错题本/10_隐函数专栏.md) — ⭐⭐ 重点专题 | Ch02(隐函数一次/二次求导、参数方程二阶导、易错点红黑榜)
---
## 🔑 使用说明
1. **按优先级学**:[高] 优先的章节决定大部分分数,先过一遍再补 [中] / [低]
2. **每章自检**:完成 ⑥ 中的终极母题且完全正确 → 勾选完成
3. **交叉联动**:遇到不熟悉的跨章节方法时,跳转到 Methodologies 目录
+29
View File
@@ -0,0 +1,29 @@
# 📐 公式专栏(按专题速查)
> 只记公式,不记推导 | 背熟即用 | 条件与陷阱用 ⚠️ 标注 | 与章节笔记联动
---
## 高等数学(进行中)
| # | 专题 | 核心内容 | 状态 |
|---|------|---------|------|
| 01 | [极限与连续](高等数学/专题01_极限与连续.md) | 两个重要极限、等价无穷小、无穷小比阶、间断点、渐近线 | [ ] |
| 02 | [导数与微分](高等数学/专题02_导数与微分.md) | 求导法则、基本导数表、高阶导数、莱布尼茨、微分与近似 | [ ] |
| 03 | [微分中值定理与导数应用](高等数学/专题03_微分中值定理与导数应用.md) | 罗尔/拉格朗日/柯西、泰勒与麦克劳林、单调凹凸、曲率 | [ ] |
| 04 | [不定积分](高等数学/专题04_不定积分.md) | 基本积分表、凑微分、三角代换、分部积分、有理函数 | [ ] |
| 05 | [定积分与反常积分](高等数学/专题05_定积分与反常积分.md) | 变限积分求导、华里士、区间再现、p-积分审敛、常用定积分 | [ ] |
| 06 | [定积分的应用](高等数学/专题06_定积分的应用.md) | 面积、旋转体体积、弧长、侧面积、物理应用 | [ ] |
| 07 | [微分方程](高等数学/专题07_微分方程.md) | 一阶各类方程通解、可降阶、二阶常系数、欧拉方程 | [ ] |
| 08 | [多元函数微分学](高等数学/专题08_多元函数微分学.md) | 偏导/全微分、链式法则、隐函数、方向导数与梯度、极值 | [ ] |
| 09 | [重积分](高等数学/专题09_重积分.md) | 二重/三重积分、极坐标/柱坐标/球坐标、对称性、质心 | [ ] |
| 10 | [曲线曲面积分](高等数学/专题10_曲线曲面积分.md) | 一二类线面积分、格林/高斯/斯托克斯、路径无关 | [ ] |
| 11 | [无穷级数](高等数学/专题11_无穷级数.md) | 正项级数审敛、交错级数、幂级数、和函数、傅里叶级数 | [ ] |
---
## 使用说明
1. **背什么**:先背 ⭐ 标记的公式(近 15 年直接考到),再背 ⚠️ 标注的易错条件。
2. **怎么用**:做题卡住时按专题索引定位公式,对照 [章节笔记](../README.md) 的题型通法。
3. **扩展计划**:线性代数公式、概率论公式将按同样模式补充(待用户确认后启动)。
@@ -0,0 +1,92 @@
# 专题 01 · 极限与连续
> 关联章节:[Ch01 函数与极限](../../高等数学/Ch01_函数与极限/Ch01_Function_Limit_Continuity.md)
## ⭐ 两个重要极限
$$
\lim_{x \to 0} \frac{\sin x}{x} = 1,\qquad
\lim_{x \to \infty} \left(1+\frac{1}{x}\right)^x = e
$$
**一般形式(填空套用)**:$\displaystyle \lim_{\square \to 0} \frac{\sin \square}{\square} = 1$;$\displaystyle \lim_{\square \to 0} (1+\square)^{1/\square} = e$。
⚠️ 只有 $\square \to 0$ 且 $\square$ 与 $\sin \square$ 是**同一个量**时才能套用。
## ⭐ 等价无穷小($x \to 0$)
| 等价关系 | 等价关系 |
|---------|---------|
| $\sin x \sim x$ | $\tan x \sim x$ |
| $\arcsin x \sim x$ | $\arctan x \sim x$ |
| $\ln(1+x) \sim x$ | $e^x - 1 \sim x$ |
| $a^x - 1 \sim x \ln a$ | $(1+x)^\alpha - 1 \sim \alpha x$ |
| $1 - \cos x \sim \frac{x^2}{2}$ | $\sec x - 1 \sim \frac{x^2}{2}$ |
| $x - \sin x \sim \frac{x^3}{6}$ | $\tan x - x \sim \frac{x^3}{3}$ |
| $\arcsin x - x \sim \frac{x^3}{6}$ | $x - \arctan x \sim \frac{x^3}{3}$ |
| $\tan x - \sin x \sim \frac{x^3}{2}$ | $\ln(1+x) - x \sim -\frac{x^2}{2}$ |
| $e^x - 1 - x \sim \frac{x^2}{2}$ | $\sqrt[n]{1+x} - 1 \sim \frac{x}{n}$ |
⚠️ 等价替换只保**乘除**因子;加减法中替换会丢高阶信息,需配合泰勒展开。
## 无穷小比阶
| 关系 | 条件($\lim \frac{\beta}{\alpha}$) | 记号 |
|------|---------------------------------|------|
| $\beta$ 是 $\alpha$ 的高阶无穷小 | $= 0$ | $\beta = o(\alpha)$ |
| 同阶无穷小 | $= c \neq 0$ | $\beta = O(\alpha)$ |
| 等价无穷小 | $= 1$ | $\alpha \sim \beta$ |
| $\beta$ 是 $\alpha$ 的 $k$ 阶无穷小 | $\lim \frac{\beta}{\alpha^k} = c \neq 0$ | — |
**求阶数**:泰勒展开到首项非零项,看最低次幂。
## 常用极限结论(背诵)
$$
\lim_{n \to \infty} n^{1/n} = 1,\quad
\lim_{x \to +\infty} x^{1/x} = 1,\quad
\lim_{x \to 0^+} x^x = 1
$$
$$
\lim_{x \to +\infty} \frac{\ln x}{x^\alpha} = 0\ (\alpha>0),\quad
\lim_{x \to +\infty} \frac{x^\alpha}{e^x} = 0
$$
$$
\lim_{x \to 0} \frac{a^x - 1}{x} = \ln a,\quad
\lim_{x \to 0} \frac{\ln(1+x)}{x} = 1
$$
⚠️ 幂指函数统一走对数恒等式:$f(x)^{g(x)} = e^{g(x)\ln f(x)}$(对 $1^\infty$、$0^0$、$\infty^0$ 通用)。
## 极限存在准则
- **夹逼准则**:$g(x) \le f(x) \le h(x)$ 且 $\lim g = \lim h = A \Rightarrow \lim f = A$
- **单调有界准则**:数列单调且有界 $\Rightarrow$ 收敛(先证敛,再设极限)
- **左右极限**:$\lim\limits_{x \to x_0} f(x) = A \iff \lim\limits_{x \to x_0^-} f(x) = \lim\limits_{x \to x_0^+} f(x) = A$
⚠️ 数列极限求和型:$\displaystyle \lim_{n \to \infty} \frac{1}{n}\sum_{k=1}^n f\!\left(\frac{k}{n}\right) = \int_0^1 f(x)\,dx$(定积分定义,见[专题 05](专题05_定积分与反常积分.md))。
## 连续性与间断点
**连续定义**:$\lim\limits_{x \to x_0} f(x) = f(x_0)$,等价于 $\Delta y \to 0\ (\Delta x \to 0)$。
| 间断点类型 | 判定条件 |
|-----------|---------|
| 第一类·可去 | 左右极限存在且相等,但 $\neq f(x_0)$(或无定义) |
| 第一类·跳跃 | 左右极限存在但不相等 |
| 第二类·无穷 | 至少一侧极限为 $\infty$ |
| 第二类·振荡 | 极限不存在且非无穷(如 $\sin\frac{1}{x}$) |
**闭区间连续函数性质**:最值定理、有界性、零点定理($f(a)f(b)<0 \Rightarrow \exists \xi,\ f(\xi)=0$)、介值定理。
## ⭐ 渐近线
| 类型 | 公式 | 条件 |
|------|------|------|
| 水平渐近线 | $y = b$ | $\lim\limits_{x \to \pm\infty} f(x) = b$ |
| 垂直渐近线 | $x = x_0$ | $\lim\limits_{x \to x_0^\pm} f(x) = \infty$ |
| 斜渐近线 | $y = kx + b$ | $k = \lim\limits_{x \to \infty}\frac{f(x)}{x}$,$b = \lim\limits_{x \to \infty}[f(x) - kx]$ |
⚠️ 同侧水平与斜渐近线**不能同时存在**($f(x)/x$ 同极限决定);求斜渐近线时 $k$ 存在且非零才继续求 $b$。
@@ -0,0 +1,82 @@
# 专题 02 · 导数与微分
> 关联章节:[Ch02 导数与微分](../../高等数学/Ch02_导数与微分/Ch02_Derivative_Differential.md)
## ⭐ 导数定义
$$
f'(x_0) = \lim_{h \to 0} \frac{f(x_0+h) - f(x_0)}{h}
= \lim_{x \to x_0} \frac{f(x) - f(x_0)}{x - x_0}
$$
**左右导数**:$f'_\pm(x_0) = \lim\limits_{h \to 0^\pm}\frac{f(x_0+h)-f(x_0)}{h}$;可导 $\iff$ 左右导数存在且相等。
⚠️ 逻辑链:**可导 $\Rightarrow$ 连续 $\Rightarrow$ 极限存在**,反之均不成立(反例:$|x|$ 在 $0$ 处连续不可导)。
## ⭐ 基本求导公式表
| $f(x)$ | $f'(x)$ | $f(x)$ | $f'(x)$ |
|--------|---------|--------|---------|
| $x^\mu$ | $\mu x^{\mu-1}$ | $\frac{1}{x}$ | $-\frac{1}{x^2}$ |
| $\sqrt{x}$ | $\frac{1}{2\sqrt{x}}$ | $e^x$ | $e^x$ |
| $a^x$ | $a^x \ln a$ | $\ln x$ | $\frac{1}{x}$ |
| $\log_a x$ | $\frac{1}{x\ln a}$ | $\sin x$ | $\cos x$ |
| $\cos x$ | $-\sin x$ | $\tan x$ | $\sec^2 x$ |
| $\cot x$ | $-\csc^2 x$ | $\sec x$ | $\sec x \tan x$ |
| $\csc x$ | $-\csc x \cot x$ | $\arcsin x$ | $\frac{1}{\sqrt{1-x^2}}$ |
| $\arccos x$ | $-\frac{1}{\sqrt{1-x^2}}$ | $\arctan x$ | $\frac{1}{1+x^2}$ |
| $\operatorname{arccot} x$ | $-\frac{1}{1+x^2}$ | $\sinh x$ | $\cosh x$ |
| $\cosh x$ | $\sinh x$ | $|\sin x|$ 的可导点 | 按 $\sin x$ 符号取 $\pm\cos x$ |
⚠️ 复合函数求导:$(f[g(x)])' = f'[g(x)] \cdot g'(x)$;**反函数**:$y=f(x)$ 的反函数 $x=\varphi(y)$ 满足 $\dfrac{dy}{dx} = \dfrac{1}{dx/dy}$。
## 四则运算法则
$$
(u \pm v)' = u' \pm v',\qquad
(uv)' = u'v + uv',\qquad
\left(\frac{u}{v}\right)' = \frac{u'v - uv'}{v^2}
$$
## 隐函数与参数方程
- **隐函数** $F(x,y)=0$:$y' = -\dfrac{F_x}{F_y}$
- **参数方程** $\begin{cases} x=x(t) \\ y=y(t) \end{cases}$:$\dfrac{dy}{dx} = \dfrac{y'_t}{x'_t}$,$\dfrac{d^2y}{dx^2} = \dfrac{d}{dt}\!\left(\dfrac{dy}{dx}\right) \Big/ x'_t$
## ⭐ 高阶导数与莱布尼茨公式
$$
(uv)^{(n)} = \sum_{k=0}^{n} C_n^k\, u^{(k)} v^{(n-k)}
$$
**常用 $n$ 阶导数(背)**:
| $f(x)$ | $f^{(n)}(x)$ |
|--------|--------------|
| $\frac{1}{ax+b}$ | $\frac{(-1)^n n!\, a^n}{(ax+b)^{n+1}}$ |
| $\ln(ax+b)$ | $\frac{(-1)^{n-1}(n-1)!\, a^n}{(ax+b)^n}$ |
| $\sin x$ | $\sin\!\left(x+\frac{n\pi}{2}\right)$ |
| $\cos x$ | $\cos\!\left(x+\frac{n\pi}{2}\right)$ |
| $e^{ax}$ | $a^n e^{ax}$ |
| $x^\mu$ | $\mu(\mu-1)\cdots(\mu-n+1)\, x^{\mu-n}$ |
## 微分与近似计算
- **微分定义**:$dy = f'(x)\, dx$;一阶微分**形式不变性**:$y=f(u)$,$dy = f'(u)\, du$(无论 $u$ 是自变量还是中间变量)
- **近似公式**:$f(x_0+\Delta x) \approx f(x_0) + f'(x_0)\Delta x$
**常用近似($|x|$ 很小时)**:
$$
e^x \approx 1+x,\quad \ln(1+x) \approx x,\quad \sin x \approx x,\quad (1+x)^\alpha \approx 1+\alpha x
$$
## ⭐ 变限积分求导(高频)
$$
\frac{d}{dx} \int_{\varphi(x)}^{\psi(x)} f(t)\,dt = f[\psi(x)]\,\psi'(x) - f[\varphi(x)]\,\varphi'(x)
$$
特殊:$\dfrac{d}{dx}\displaystyle\int_a^x f(t)\,dt = f(x)$;下限为常数时第二项消失。
⚠️ 被积函数含 $x$ 时先提因子或用换元把 $x$ 移出积分限,再求导。
@@ -0,0 +1,126 @@
# 专题 03 · 微分中值定理与导数应用
> 关联章节:[Ch03 微分中值定理与导数的应用](../../高等数学/Ch03_微分中值定理与导数应用/Ch03_Mean_Value_Theorem_Applications.md)
## ⭐ 三大中值定理
| 定理 | 条件 | 结论 |
|------|------|------|
| 罗尔 | $f \in C[a,b]$,$(a,b)$ 可导,$f(a)=f(b)$ | $\exists \xi \in (a,b):\ f'(\xi)=0$ |
| 拉格朗日 | $f \in C[a,b]$,$(a,b)$ 可导 | $f(b)-f(a) = f'(\xi)(b-a)$ |
| 柯西 | $f,g \in C[a,b]$ 可导,$g' \neq 0$ | $\dfrac{f(b)-f(a)}{g(b)-g(a)} = \dfrac{f'(\xi)}{g'(\xi)}$ |
**拉格朗日推论**:$f' \equiv 0 \Rightarrow f$ 为常数;$f' \ge 0 \Rightarrow f$ 单调不减。
⚠️ 中值定理题先**构造辅助函数**(证 $f'(\xi)=0$ 先证 $F'(\xi)=0$),再验证闭区间连续 + 开区间可导。
## ⭐ 泰勒公式
$$
f(x) = \sum_{k=0}^{n} \frac{f^{(k)}(x_0)}{k!}(x-x_0)^k + R_n(x)
$$
- **拉格朗日余项**:$R_n = \dfrac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$(估计误差用)
- **佩亚诺余项**:$R_n = o\big((x-x_0)^n\big)$(求极限用)
- $x_0=0$ 时为**麦克劳林公式**
## ⭐ 常用麦克劳林展开(完整表)
### 第一梯队:六大基本展开(必背,含通项与收敛域)
$$
e^x = \sum_{n=0}^{\infty}\frac{x^n}{n!} = 1 + x + \frac{x^2}{2!} + \frac{x^3}{3!} + \cdots \qquad x \in (-\infty, +\infty)
$$
$$
\sin x = \sum_{n=0}^{\infty}\frac{(-1)^n x^{2n+1}}{(2n+1)!} = x - \frac{x^3}{3!} + \frac{x^5}{5!} - \frac{x^7}{7!} + \cdots \qquad x \in (-\infty, +\infty)
$$
$$
\cos x = \sum_{n=0}^{\infty}\frac{(-1)^n x^{2n}}{(2n)!} = 1 - \frac{x^2}{2!} + \frac{x^4}{4!} - \frac{x^6}{6!} + \cdots \qquad x \in (-\infty, +\infty)
$$
$$
\ln(1+x) = \sum_{n=1}^{\infty}\frac{(-1)^{n-1}x^n}{n} = x - \frac{x^2}{2} + \frac{x^3}{3} - \frac{x^4}{4} + \cdots \qquad x \in (-1, 1]
$$
$$
(1+x)^\alpha = 1 + \sum_{n=1}^{\infty}\frac{\alpha(\alpha-1)\cdots(\alpha-n+1)}{n!}x^n = 1 + \alpha x + \frac{\alpha(\alpha-1)}{2!}x^2 + \cdots \qquad |x| < 1
$$
$$
\frac{1}{1-x} = \sum_{n=0}^{\infty}x^n = 1 + x + x^2 + x^3 + \cdots \qquad |x| < 1
$$
### 第二梯队:反三角与正切(展开到 5 阶即可,真题够用)
$$
\arctan x = \sum_{n=0}^{\infty}\frac{(-1)^n x^{2n+1}}{2n+1} = x - \frac{x^3}{3} + \frac{x^5}{5} - \frac{x^7}{7} + \cdots \qquad x \in [-1, 1]
$$
$$
\arcsin x = \sum_{n=0}^{\infty}\frac{(2n)!}{4^n (n!)^2 (2n+1)}\,x^{2n+1} = x + \frac{x^3}{6} + \frac{3x^5}{40} + \frac{5x^7}{112} + \cdots \qquad x \in [-1, 1]
$$
$$
\tan x = x + \frac{x^3}{3} + \frac{2x^5}{15} + \frac{17x^7}{315} + \cdots \qquad |x| < \frac{\pi}{2}
$$
### 第三梯队:派生展开(按需背,和函数/放缩题用)
| 展开式 | 收敛域 |
|--------|--------|
| $\frac{1}{1+x} = 1 - x + x^2 - x^3 + \cdots = \sum\limits_{n=0}^{\infty}(-1)^n x^n$ | $\|x\|<1$ |
| $\frac{1}{1+x^2} = 1 - x^2 + x^4 - x^6 + \cdots = \sum\limits_{n=0}^{\infty}(-1)^n x^{2n}$ | $\|x\|<1$ |
| $\frac{1}{(1-x)^2} = 1 + 2x + 3x^2 + \cdots = \sum\limits_{n=0}^{\infty}(n+1)x^n$ | $\|x\|<1$ |
| $\ln(1-x) = -x - \frac{x^2}{2} - \frac{x^3}{3} - \cdots = -\sum\limits_{n=1}^{\infty}\frac{x^n}{n}$ | $x \in [-1,1)$ |
| $\ln\frac{1+x}{1-x} = 2\left(x + \frac{x^3}{3} + \frac{x^5}{5} + \cdots\right) = 2\sum\limits_{n=0}^{\infty}\frac{x^{2n+1}}{2n+1}$ | $\|x\|<1$ |
| $\operatorname{arctanh} x = x + \frac{x^3}{3} + \frac{x^5}{5} + \cdots$ | $\|x\|<1$ |
| $\sinh x = x + \frac{x^3}{6} + \frac{x^5}{120} + \cdots = \sum\limits_{n=0}^{\infty}\frac{x^{2n+1}}{(2n+1)!}$ | $(-\infty,+\infty)$ |
| $\cosh x = 1 + \frac{x^2}{2} + \frac{x^4}{24} + \cdots = \sum\limits_{n=0}^{\infty}\frac{x^{2n}}{(2n)!}$ | $(-\infty,+\infty)$ |
| $\sec x = 1 + \frac{x^2}{2} + \frac{5x^4}{24} + \cdots$ | $\|x\|<\frac{\pi}{2}$ |
| $a^x = e^{x\ln a} = 1 + x\ln a + \frac{(x\ln a)^2}{2!} + \cdots$ | $(-\infty,+\infty)$ |
**反三角关系**:$\arccos x = \frac{\pi}{2} - \arcsin x$,$\operatorname{arccot} x = \frac{\pi}{2} - \arctan x$。
### 二项展开特例($\alpha$ 取具体值,级数题高频)
$$
\sqrt{1+x} = 1 + \frac{x}{2} - \frac{x^2}{8} + \frac{x^3}{16} - \cdots
$$
$$
\frac{1}{\sqrt{1+x}} = 1 - \frac{x}{2} + \frac{3x^2}{8} - \frac{5x^3}{16} + \cdots
$$
**记忆口诀**:
- $\sin$/$\cos$:奇偶交替、正负号按 $(-1)^n$ 摆;$\ln(1+x)$ 无阶乘
- $\arctan x$ = 奇数项交替,分母就是奇数 $2n+1$
- 二项展开系数 = 组合数 $C_\alpha^n$;$\arcsin x$ 系数 = $\dfrac{(2n)!}{4^n(n!)^2(2n+1)}$
⚠️ 加减法求极限必须展开到**与分母同阶**;乘除法可先用等价无穷小(等价无穷小就是这些展开的**最低阶首项**,见[专题 01](专题01_极限与连续.md))。求 $n$ 阶导数或误差估计用拉格朗日余项,求极限只用佩亚诺余项。
## 洛必达法则
仅限 $\dfrac{0}{0}$ 或 $\dfrac{\infty}{\infty}$ 型:$\displaystyle \lim \frac{f(x)}{g(x)} = \lim \frac{f'(x)}{g'(x)}$(右侧极限存在或为 $\infty$ 时成立)。
⚠️ 先化简(提非零因子、等价替换)再用;$\frac{\infty}{\infty}$ 分母复杂时慎用。
## 单调性 · 极值 · 凹凸性
- **单调**:$f' > 0$($<0$)$\Rightarrow$ 单调增(减)
- **极值一阶判别**:$f'$ 在 $x_0$ 两侧变号($+ \to -$ 极大,$- \to +$ 极小)
- **极值二阶判别**:$f'(x_0)=0$,$f''(x_0)>0$ 极小,$f''(x_0)<0$ 极大,$f''(x_0)=0$ 失效
- **凹凸**:$f''>0$ 凹(向上凸),$f''<0$ 凸;**拐点**:$f''(x_0)=0$ 且两侧变号
## ⭐ 曲率(数一常考)
$$
k = \frac{|y''|}{(1+y'^2)^{3/2}},\qquad
k = \frac{|x'y'' - y'x''|}{(x'^2 + y'^2)^{3/2}}\ \text{(参数方程)}
$$
曲率半径 $R = \dfrac{1}{k}$($k \neq 0$)。
**渐近线公式**见 [专题 01](专题01_极限与连续.md)(水平/垂直/斜三类)。
@@ -0,0 +1,103 @@
# 专题 04 · 不定积分
> 关联章节:[Ch04 不定积分](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)
## ⭐ 基本积分表
| 积分 | 结果 | 积分 | 结果 |
|------|------|------|------|
| $\int x^\mu dx$ | $\frac{x^{\mu+1}}{\mu+1}+C\ (\mu \neq -1)$ | $\int \frac{1}{x}dx$ | $\ln|x| + C$ |
| $\int e^x dx$ | $e^x + C$ | $\int a^x dx$ | $\frac{a^x}{\ln a}+C$ |
| $\int \sin x\, dx$ | $-\cos x + C$ | $\int \cos x\, dx$ | $\sin x + C$ |
| $\int \tan x\, dx$ | $-\ln|\cos x| + C$ | $\int \cot x\, dx$ | $\ln|\sin x| + C$ |
| $\int \sec x\, dx$ | $\ln|\sec x + \tan x| + C$ | $\int \csc x\, dx$ | $\ln|\csc x - \cot x| + C$ |
| $\int \sec^2 x\, dx$ | $\tan x + C$ | $\int \csc^2 x\, dx$ | $-\cot x + C$ |
| $\int \sec x \tan x\, dx$ | $\sec x + C$ | $\int \csc x \cot x\, dx$ | $-\csc x + C$ |
| $\int \frac{dx}{1+x^2}$ | $\arctan x + C$ | $\int \frac{dx}{\sqrt{1-x^2}}$ | $\arcsin x + C$ |
| $\int \frac{dx}{a^2+x^2}$ | $\frac{1}{a}\arctan\frac{x}{a}+C$ | $\int \frac{dx}{\sqrt{a^2-x^2}}$ | $\arcsin\frac{x}{a}+C$ |
| $\int \frac{dx}{x^2-a^2}$ | $\frac{1}{2a}\ln\left\|\frac{x-a}{x+a}\right\|+C$ | $\int \frac{dx}{a^2-x^2}$ | $\frac{1}{2a}\ln\left\|\frac{a+x}{a-x}\right\|+C$ |
| $\int \frac{dx}{\sqrt{x^2 \pm a^2}}$ | $\ln|x + \sqrt{x^2\pm a^2}|+C$ | $\int \sinh x\, dx$ | $\cosh x + C$ |
**带根号的完整公式**:
$$
\int \sqrt{a^2-x^2}\,dx = \frac{x}{2}\sqrt{a^2-x^2} + \frac{a^2}{2}\arcsin\frac{x}{a} + C
$$
$$
\int \sqrt{x^2\pm a^2}\,dx = \frac{x}{2}\sqrt{x^2\pm a^2} \pm \frac{a^2}{2}\ln|x + \sqrt{x^2\pm a^2}| + C
$$
⚠️ 含 $\ln|x+\sqrt{x^2\pm a^2}|$ 的形式可写为 $\operatorname{arsh}/\operatorname{arch}\frac{x}{a}$ 的记忆锚点。
## ⭐ 第一类换元(凑微分)
$\int f[\varphi(x)]\,\varphi'(x)\,dx = \int f(u)\,du$,常用凑法:
$$
\int f(ax+b)dx \xrightarrow{u=ax+b} \frac{1}{a}\int f(u)du
$$
$$
\int f(x^\mu)x^{\mu-1}dx,\quad
\int f(e^x)e^x dx,\quad
\int f(\ln x)\frac{dx}{x},\quad
\int f(\sin x)\cos x\,dx
$$
$$
\int f(\tan x)\sec^2 x\,dx,\quad
\int \frac{f(\arctan x)}{1+x^2}dx,\quad
\int \frac{f(\arcsin x)}{\sqrt{1-x^2}}dx
$$
## ⭐ 第二类换元(代换表)
| 被积函数含 | 代换 | 目的 |
|-----------|------|------|
| $\sqrt{a^2-x^2}$ | $x = a\sin t$ | 根号化为 $a\cos t$ |
| $\sqrt{a^2+x^2}$ | $x = a\tan t$ | 根号化为 $a\sec t$ |
| $\sqrt{x^2-a^2}$ | $x = a\sec t$ | 根号化为 $a\tan t$ |
| $\sqrt[n]{ax+b}$ | $t = \sqrt[n]{ax+b}$ | 去根号 |
| 分母幂次远高于分子 | $x = \frac{1}{t}$(倒代换) | 降幂 |
## ⭐ 分部积分
$$
\int u\,dv = uv - \int v\,du
$$
**$u$ 的选取口诀:反对幂指三**(反三角函数 > 对数 > 幂函数 > 指数 > 三角函数,越靠前越优先当 $u$)。
常用结果:
$$
\int x e^x dx = e^x(x-1)+C,\quad
\int x\sin x\,dx = -x\cos x + \sin x + C
$$
$$
\int e^{ax}\sin bx\,dx = \frac{e^{ax}(a\sin bx - b\cos bx)}{a^2+b^2}+C
$$
$$
\int e^{ax}\cos bx\,dx = \frac{e^{ax}(a\cos bx + b\sin bx)}{a^2+b^2}+C
$$
⚠️ 循环型($\int e^x \sin x\,dx$)移项解方程;分部后若比原来更复杂则换 $u,v$。
## 有理函数积分
部分分式:真分式分解为 $\dfrac{A}{(x-a)^k}$ 与 $\dfrac{Bx+C}{(x^2+px+q)^k}$ 之和,其中:
$$
\int \frac{dx}{(x^2+a^2)^k}\quad \text{用递推:}\quad I_k = \frac{x}{2a^2(k-1)(x^2+a^2)^{k-1}} + \frac{2k-3}{2a^2(k-1)}I_{k-1}
$$
## 常用递推公式
$$
\int \sin^n x\,dx = -\frac{1}{n}\sin^{n-1}x\cos x + \frac{n-1}{n}\int \sin^{n-2}x\,dx
$$
($\cos^n x$ 同理;与[专题 05](专题05_定积分与反常积分.md)的华里士公式配套使用)
@@ -0,0 +1,98 @@
# 专题 05 · 定积分与反常积分
> 关联章节:[Ch05 定积分](../../高等数学/Ch05_定积分/Ch05_Definite_Integral.md)
## 定积分基本性质
$$
\int_a^b [\alpha f + \beta g] = \alpha\int_a^b f + \beta\int_a^b g,\qquad
\int_a^b f = \int_a^c f + \int_c^b f
$$
$$
\int_a^b 1\,dx = b-a,\qquad
\left|\int_a^b f(x)dx\right| \le \int_a^b |f(x)|dx\ (a<b)
$$
- **保序性**:$f \le g \Rightarrow \int_a^b f \le \int_a^b g$
- **估值定理**:$m \le f \le M \Rightarrow m(b-a) \le \int_a^b f \le M(b-a)$
- **积分中值定理**:$\exists \xi \in (a,b):\ \int_a^b f(x)dx = f(\xi)(b-a)$
## ⭐ 牛顿-莱布尼茨公式
$$
\int_a^b f(x)\,dx = F(b) - F(a),\qquad F'(x) = f(x)
$$
## ⭐ 变限积分求导
$$
\frac{d}{dx}\int_{\varphi(x)}^{\psi(x)} f(t)\,dt = f[\psi(x)]\psi'(x) - f[\varphi(x)]\varphi'(x)
$$
## 换元与分部
$$
\int_a^b f(x)\,dx = \int_\alpha^\beta f[\varphi(t)]\,\varphi'(t)\,dt,\qquad
\int_a^b u\,dv = \left.uv\right|_a^b - \int_a^b v\,du
$$
## ⭐ 对称性 · 周期性 · 区间再现
$$
\int_{-a}^{a} f(x)dx = \begin{cases} 2\int_0^a f(x)dx, & f\ \text{为偶函数} \\ 0, & f\ \text{为奇函数} \end{cases}
$$
$$
\int_0^T f(x)dx = \int_a^{a+T} f(x)dx\ (T\ \text{为周期})
$$
$$
\int_a^b f(x)dx = \int_a^b f(a+b-x)dx \quad \text{(区间再现)}
$$
⚠️ 区间再现常用于处理含 $x f(\sin x)$ 的积分:$\int_0^\pi x f(\sin x)dx = \frac{\pi}{2}\int_0^\pi f(\sin x)dx$。
## ⭐ 华里士(Wallis)公式
$$
I_n = \int_0^{\pi/2} \sin^n x\,dx = \int_0^{\pi/2} \cos^n x\,dx
$$
$$
I_n = \frac{n-1}{n} I_{n-2},\qquad
I_n = \begin{cases} \dfrac{(n-1)!!}{n!!}\cdot\dfrac{\pi}{2}, & n\ \text{为偶数} \\[1em] \dfrac{(n-1)!!}{n!!}, & n\ \text{为奇数} \end{cases}
$$
**推广**:$\int_0^\pi \sin^n x\,dx = 2I_n$;$\int_0^\pi \cos^n x\,dx = \begin{cases} 0, & n\ \text{奇} \\ 2I_n, & n\ \text{偶} \end{cases}$;$\int_0^{2\pi}\sin^n x\,dx = \int_0^{2\pi}\cos^n x\,dx = \begin{cases} 0, & n\ \text{奇} \\ 4I_n, & n\ \text{偶} \end{cases}$
## 常用定积分结论(背)
$$
\int_0^{+\infty} e^{-x^2}dx = \frac{\sqrt{\pi}}{2},\qquad
\int_0^{+\infty} e^{-ax^2}dx = \frac{1}{2}\sqrt{\frac{\pi}{a}}\ (a>0)
$$
$$
\int_0^{+\infty} \frac{\sin x}{x}dx = \frac{\pi}{2},\qquad
\Gamma(n+1) = n!,\qquad \Gamma\left(\frac{1}{2}\right) = \sqrt{\pi}
$$
$$
\int_0^{+\infty} x^n e^{-x}dx = n!
$$
## ⭐ 反常积分审敛
**两类**:无穷限 $\int_a^{+\infty} f(x)dx$;无界函数(瑕积分)$\int_a^b f(x)dx$。
**p-积分结论**:
$$
\int_a^{+\infty} \frac{dx}{x^p}\ \text{收敛} \iff p > 1;\qquad
\int_0^a \frac{dx}{x^p}\ \text{收敛} \iff p < 1
$$
**比较/极限比较**:$f, g \ge 0$,$\lim\limits_{x \to \infty}\frac{f(x)}{g(x)} = l$:$0<l<\infty$ 同敛散;$l=0$ 时 $g$ 收敛 $\Rightarrow f$ 收敛;$l=\infty$ 时 $g$ 发散 $\Rightarrow f$ 发散。
⚠️ 同时含两类瑕点的积分要**拆开分别判**;绝对收敛 $\Rightarrow$ 收敛(条件收敛如 $\int_1^\infty \frac{\sin x}{x}dx$)。
@@ -0,0 +1,55 @@
# 专题 06 · 定积分的应用
> 关联章节:[Ch06 定积分的应用](../../高等数学/Ch06_定积分的应用/Ch06_Applications_of_Definite_Integrals.md)
## ⭐ 平面图形面积
| 坐标系 | 公式 | 说明 |
|--------|------|------|
| 直角(X 型) | $S = \int_a^b [f(x) - g(x)]\,dx$ | 上减下 |
| 直角(Y 型) | $S = \int_c^d [\varphi(y) - \psi(y)]\,dy$ | 右减左 |
| 参数方程 | $S = \int_\alpha^\beta y(t)\,x'(t)\,dt$ | 取绝对值,注意方向 |
| 极坐标 | $S = \frac{1}{2}\int_\alpha^\beta r^2(\theta)\,d\theta$ | 两曲线相减:$\frac{1}{2}\int (r_1^2 - r_2^2)d\theta$ |
## ⭐ 旋转体体积
**绕 $x$ 轴**($y=f(x) \ge 0$,$a \le x \le b$):
$$
V = \pi \int_a^b y^2\,dx
$$
**绕 $y$ 轴**(壳法):
$$
V = 2\pi \int_a^b x\, y\,dx
$$
⚠️ 平面图形绕非坐标轴时:先写"到转轴距离 × 截面高度"的壳法式 $V = 2\pi\int (\text{到轴距离})(\text{截线长})dx$;绕 $y$ 轴也可写成 $\pi\int x^2\,dy$($x$ 表为 $y$ 的函数)。
**平行截面面积已知**:$V = \int_a^b A(x)\,dx$($A(x)$ 为截面面积)。
## ⭐ 曲线弧长
| 形式 | 弧长公式 |
|------|---------|
| 直角 $y=f(x)$ | $s = \int_a^b \sqrt{1+y'^2}\,dx$ |
| 参数 $\begin{cases}x=x(t)\\y=y(t)\end{cases}$ | $s = \int_\alpha^\beta \sqrt{x'^2 + y'^2}\,dt$ |
| 极坐标 $r=r(\theta)$ | $s = \int_\alpha^\beta \sqrt{r^2 + r'^2}\,d\theta$ |
## 旋转体侧面积
$$
S = 2\pi \int_a^b y\sqrt{1+y'^2}\,dx \quad \text{(绕 } x \text{ 轴)}
$$
## 物理应用
| 应用 | 公式 | 说明 |
|------|------|------|
| 变力做功 | $W = \int_a^b F(x)\,dx$ | $F$ 沿位移方向的力 |
| 抽水做功 | $W = \rho g \int_a^b h(x)\,A(x)\,dx$ | $h$ 为提升高度,$A$ 为薄层截面积 |
| 水压力 | $F = \rho g \int_a^b x\,f(x)\,dx$ | $x$ 为水深,$f(x)$ 为水平截面长度 |
| 平均值 | $\bar{y} = \frac{1}{b-a}\int_a^b f(x)dx$ | 函数在区间上的平均值 |
⚠️ 水压力方向垂直指向接触面,公式中 $x$ 从**水面**算起。
@@ -0,0 +1,67 @@
# 专题 07 · 微分方程
> 关联章节:[Ch07 微分方程](../../高等数学/Ch07_微分方程/Ch07_Differential_Equations.md)
## 一阶方程:识别 → 通解
| 类型 | 标准形式 | 解法 | 通解 |
|------|---------|------|------|
| 可分离 | $\frac{dy}{dx} = f(x)g(y)$ | 分离积分 | $\int\frac{dy}{g(y)} = \int f(x)dx$ |
| 齐次 | $\frac{dy}{dx} = \varphi\!\left(\frac{y}{x}\right)$ | 令 $u = \frac{y}{x}$ | $y = xu$ 代入化为可分离 |
| 一阶线性 | $y' + P(x)y = Q(x)$ | 公式法 | $y = e^{-\int Pdx}\left[\int Q e^{\int Pdx}dx + C\right]$ |
| 伯努利 | $y' + P(x)y = Q(x)y^n$ | 令 $z = y^{1-n}$ | $z' + (1-n)Pz = (1-n)Q$ 线性化 |
⚠️ 一阶线性公式中两个 $\int P\,dx$ **取同一个原函数**即可;绝对值可并入 $C$。通解含任意常数,特解需定 $C$。
**全微分方程**:$M dx + N dy = 0$,若 $\dfrac{\partial M}{\partial y} = \dfrac{\partial N}{\partial x}$,则通解为 $u(x,y)=C$,其中 $du = Mdx + Ndy$。
## 可降阶的高阶方程
| 类型 | 形式 | 代换 |
|------|------|------|
| 直接积分 | $y'' = f(x)$ | 连积两次 |
| 不显含 $y$ | $y'' = f(x, y')$ | 令 $p = y'$,$y'' = p'$ |
| 不显含 $x$ | $y'' = f(y, y')$ | 令 $p = y'$,$y'' = p\dfrac{dp}{dy}$ |
## ⭐ 二阶常系数齐次方程
$y'' + py' + qy = 0$,特征方程 $\lambda^2 + p\lambda + q = 0$:
| 特征根情况 | 通解 |
|-----------|------|
| 两个不等实根 $\lambda_1 \neq \lambda_2$ | $y = C_1 e^{\lambda_1 x} + C_2 e^{\lambda_2 x}$ |
| 重根 $\lambda$ | $y = (C_1 + C_2 x)e^{\lambda x}$ |
| 共轭复根 $\alpha \pm i\beta$ | $y = e^{\alpha x}(C_1\cos\beta x + C_2\sin\beta x)$ |
## ⭐ 二阶常系数非齐次方程
$y'' + py' + qy = f(x)$ 通解 $= y_{\text{齐}} + y^*$(**齐次通解 + 一个特解**)。
**情形一**:$f(x) = e^{\lambda x} P_m(x)$,设特解
$$
y^* = x^k e^{\lambda x} Q_m(x),\qquad
k = \begin{cases} 0, & \lambda\ \text{不是特征根} \\ 1, & \lambda\ \text{是单根} \\ 2, & \lambda\ \text{是重根} \end{cases}
$$
**情形二**:$f(x) = e^{\alpha x}\big[P_l(x)\cos\beta x + P_n(x)\sin\beta x\big]$,设特解
$$
y^* = x^k e^{\alpha x}\big[R_m(x)\cos\beta x + S_m(x)\sin\beta x\big],\quad m = \max(l,n)
$$
$k = 0$($\alpha \pm i\beta$ 不是特征根)或 $k = 1$(是特征根)。
**叠加原理**:$f = f_1 + f_2$ 时,$y^* = y_1^* + y_2^*$。
⚠️ 设特解时先写 $k$ 再写多项式,多项式的次数取 $m = \max$;缺项照写($Q_m$ 必须写全 $m+1$ 项)。
## 欧拉方程
$$
x^2 y'' + pxy' + qy = f(x)
$$
令 $x = e^t$($x>0$),记 $D = \dfrac{d}{dt}$:$xy' = Dy$,$x^2 y'' = D(D-1)y$,化为常系数线性方程,对应特征方程 $r^2 + (p-1)r + q = 0$。
⚠️ $x<0$ 时令 $x = -e^t$;答案中需把 $t$ 换回 $\ln|x|$。
@@ -0,0 +1,81 @@
# 专题 08 · 多元函数微分学
> 关联章节:[Ch08 多元函数微分学](../../高等数学/Ch08_多元函数微分学/Ch08_Partial_Derivatives.md)
## 偏导数与全微分
$$
f_x(x_0,y_0) = \lim_{\Delta x \to 0}\frac{f(x_0+\Delta x, y_0) - f(x_0,y_0)}{\Delta x}
$$
**全微分**:$\Delta z = A\Delta x + B\Delta y + o(\rho)$,则 $dz = f_x\,dx + f_y\,dy$。
⚠️ 逻辑链:**偏导连续 $\Rightarrow$ 可微 $\Rightarrow$ 连续、偏导存在**;偏导存在 $\not\Rightarrow$ 可微(反例 $f=\frac{xy}{\sqrt{x^2+y^2}}$ 在 $(0,0)$)。
**混合偏导**:$f_{xy}''$ 与 $f_{yx}''$ 连续时相等。
## ⭐ 复合函数链式法则
$z = f(u,v)$,$u=u(x,y)$,$v=v(x,y)$:
$$
\frac{\partial z}{\partial x} = f_u \frac{\partial u}{\partial x} + f_v \frac{\partial v}{\partial x},\qquad
\frac{\partial z}{\partial y} = f_u \frac{\partial u}{\partial y} + f_v \frac{\partial v}{\partial y}
$$
**全微分形式不变性**:$dz = f_u\,du + f_v\,dv$(无论 $u,v$ 是否中间变量)。
⚠️ 多层复合逐层写;求二阶偏导时 $f_u$ 仍是 $u,v$ 的函数,继续用链式法则。
## ⭐ 隐函数求导
| 情形 | 公式 |
|------|------|
| $F(x,y)=0$ | $\dfrac{dy}{dx} = -\dfrac{F_x}{F_y}$ |
| $F(x,y,z)=0$ | $\dfrac{\partial z}{\partial x} = -\dfrac{F_x}{F_z}$,$\dfrac{\partial z}{\partial y} = -\dfrac{F_y}{F_z}$ |
⚠️ 公式中 $F_x$ 是把 $y$(或 $z$)当**自变量**求偏导,不是复合函数求导。
## ⭐ 方向导数与梯度
单位方向 $\mathbf{l} = (\cos\alpha, \cos\beta, \cos\gamma)$:
$$
\frac{\partial f}{\partial l} = f_x\cos\alpha + f_y\cos\beta + f_z\cos\gamma
$$
**梯度**:$\operatorname{grad} f = (f_x, f_y, f_z)$。
- 方向导数最大值 $= |\operatorname{grad} f|$,方向为**梯度方向**;最小值 $= -|\operatorname{grad} f|$
- 梯度垂直于等值面,指向函数增长最快的方向
## 几何应用
- **显式** $z=f(x,y)$ 在 $(x_0,y_0)$ 的切平面:$z - z_0 = f_x(x_0,y_0)(x-x_0) + f_y(x_0,y_0)(y-y_0)$
- **隐式** $F(x,y,z)=0$ 的切平面:$F_x(x_0,y_0,z_0)(x-x_0) + F_y(y-y_0) + F_z(z-z_0) = 0$
- **法线方向**:$(F_x, F_y, F_z)$
## ⭐ 多元极值
**无条件极值**(驻点 $f_x = f_y = 0$,令 $A=f_{xx}$,$B=f_{xy}$,$C=f_{yy}$):
$$
\Delta = AC - B^2
$$
| $\Delta$ | 结论 |
|---------|------|
| $> 0$ 且 $A>0$ | 极小值 |
| $> 0$ 且 $A<0$ | 极大值 |
| $< 0$ | 非极值(鞍点) |
| $= 0$ | 失效,另判 |
**条件极值(拉格朗日乘数法)**:
$$
L(x,y,\lambda) = f(x,y) + \lambda\,\varphi(x,y)
$$
解 $\begin{cases}L_x = 0 \\ L_y = 0 \\ L_\lambda = 0\end{cases}$;多个约束 $L = f + \lambda_1\varphi_1 + \lambda_2\varphi_2$。
⚠️ 闭区域最值 = 内部驻点值 + 边界上最值取比较;边界用拉格朗日或化一元。
@@ -0,0 +1,86 @@
# 专题 09 · 重积分
> 关联章节:[Ch09 重积分](../../高等数学/Ch09_重积分/Ch09_Multiple_Integrals.md)
## 二重积分:坐标系选择
**直角坐标**:
$$
\iint_D f(x,y)\,d\sigma = \int_a^b dx\int_{\varphi_1(x)}^{\varphi_2(x)} f(x,y)\,dy \quad \text{(X 型)}
$$
$$
\iint_D f(x,y)\,d\sigma = \int_c^d dy\int_{\psi_1(y)}^{\psi_2(y)} f(x,y)\,dx \quad \text{(Y 型)}
$$
**极坐标**(圆域/含 $x^2+y^2$ 优先):
$$
x = r\cos\theta,\quad y = r\sin\theta,\quad d\sigma = r\,dr\,d\theta
$$
$$
\iint_D f\,d\sigma = \int_\alpha^\beta d\theta\int_{r_1(\theta)}^{r_2(\theta)} f(r\cos\theta, r\sin\theta)\,r\,dr
$$
⚠️ 极坐标**必须乘 $r$**;先 $r$ 后 $\theta$,$\theta$ 范围由图形扫过的角度定。
## ⭐ 对称性(二重积分)
- $D$ 关于 $x$ 轴对称:$f(x,-y)=-f(x,y) \Rightarrow$ 积分为 $0$;$f(x,-y)=f(x,y) \Rightarrow 2\times$ 上半部分
- $D$ 关于 $y$ 轴对称:同理
- $D$ 关于 $y=x$ 对称:$\iint_D f(x,y)d\sigma = \iint_D f(y,x)d\sigma$;若 $f$ 关于 $x,y$ 对称可折半
- 圆域上 $\iint x\,d\sigma = \iint y\,d\sigma = 0$(奇函数性质)
## 三重积分:三种坐标系
**直角坐标**:
$$
\iiint_\Omega f\,dV = \iint_{D_{xy}} dxdy \int_{z_1(x,y)}^{z_2(x,y)} f\,dz \quad \text{(先一后二)}
$$
$$
\iiint_\Omega f\,dV = \int_a^b dz \iint_{D_z} f\,dxdy \quad \text{(先二后一,截面法)}
$$
**柱坐标**(旋转体/含 $x^2+y^2$):
$$
x = r\cos\theta,\ y = r\sin\theta,\ z = z,\qquad dV = r\,dr\,d\theta\,dz
$$
**球坐标**(球体/锥体/含 $x^2+y^2+z^2$):
$$
x = \rho\sin\varphi\cos\theta,\quad y = \rho\sin\varphi\sin\theta,\quad z = \rho\cos\varphi
$$
$$
dV = \rho^2\sin\varphi\,d\rho\,d\varphi\,d\theta,\qquad
0 \le \theta \le 2\pi,\ 0 \le \varphi \le \pi
$$
⚠️ 球坐标**必须乘 $\rho^2\sin\varphi$**;$\varphi$ 从 $z$ 正方向量起。
## 质心 · 转动惯量(应用公式)
**质心(形心,均匀时)**:
$$
\bar{x} = \frac{\iiint_\Omega x\,dV}{V},\quad
\bar{y} = \frac{\iiint_\Omega y\,dV}{V},\quad
\bar{z} = \frac{\iiint_\Omega z\,dV}{V}
$$
平面薄片:$\bar{x} = \dfrac{\iint_D x\,d\sigma}{\iint_D d\sigma}$。
**转动惯量**:
$$
I_z = \iiint_\Omega (x^2+y^2)\,dV \quad \text{(对 } z \text{ 轴)},\qquad
I_x = \iint_D y^2\,d\sigma \quad \text{(平面对 } x \text{ 轴)}
$$
**常用几何结论**:球体积 $\frac{4}{3}\pi R^3$;上半球对底面截面的形心 $z = \frac{3R}{8}$。
@@ -0,0 +1,96 @@
# 专题 10 · 曲线曲面积分
> 关联章节:[Ch09 重积分(曲线曲面积分)](../../高等数学/Ch09_重积分/Ch09_Multiple_Integrals.md)
## 第一类曲线积分(对弧长)
$$
\int_L f(x,y)\,ds = \int_\alpha^\beta f[x(t), y(t)]\sqrt{x'^2 + y'^2}\,dt
$$
- 直角:$ds = \sqrt{1+y'^2}\,dx$;极坐标:$ds = \sqrt{r^2+r'^2}\,d\theta$
- 与方向**无关**;$f \equiv 1$ 时为弧长
- 对称性:关于 $x$ 轴对称时,$f$ 对 $y$ 为奇函数积分为 $0$,偶函数取 $2$ 倍
## 第二类曲线积分(对坐标)
$$
\int_L P\,dx + Q\,dy = \int_\alpha^\beta \big[P x'(t) + Q y'(t)\big]dt
$$
- 与方向**有关**:反向变号
- 平面闭曲线 $L$ 取**正向**(逆时针,内部在左侧)
- 平面闭曲线面积:$A = \dfrac{1}{2}\oint_L x\,dy - y\,dx$
## ⭐ 格林公式(平面)
$$
\oint_L P\,dx + Q\,dy = \iint_D \left(\frac{\partial Q}{\partial x} - \frac{\partial P}{\partial y}\right)dx\,dy
$$
条件:$D$ 为单连通有界闭区域,$L$ 为 $D$ 的正向边界,$P,Q$ 在 $D$ 上有一阶连续偏导。
## ⭐ 积分与路径无关(全微分)
$D$ 单连通时,以下三条等价:
1. $\dfrac{\partial Q}{\partial x} = \dfrac{\partial P}{\partial y}$ 在 $D$ 内恒成立
2. 对任意闭曲线 $\oint_L P\,dx + Q\,dy = 0$
3. 存在 $u(x,y)$ 使 $du = P\,dx + Q\,dy$,且 $u = \displaystyle\int_{(x_0,y_0)}^{(x,y)} P\,dx + Q\,dy$(折线法求原函数)
⚠️ 闭曲线**内含奇点**(如 $\frac{-y\,dx + x\,dy}{x^2+y^2}$ 在原点)时格林公式失效:绕原点取小圆/单位圆计算,$\oint = 2\pi$(逆时针)。
## 第一类曲面积分(对面积)
$z = z(x,y)$ 时:
$$
\iint_\Sigma f(x,y,z)\,dS = \iint_{D_{xy}} f[x,y,z(x,y)]\sqrt{1+z_x^2+z_y^2}\,dx\,dy
$$
参数化 $\mathbf{r}(u,v)$:$dS = |\mathbf{r}_u \times \mathbf{r}_v|\,du\,dv$。与方向无关,$f \equiv 1$ 时为曲面面积。
## 第二类曲面积分(对坐标)
$$
\iint_\Sigma P\,dy\,dz + Q\,dz\,dx + R\,dx\,dy = \iint_\Sigma (P\cos\alpha + Q\cos\beta + R\cos\gamma)\,dS
$$
- 与**侧**有关:取外侧/内侧(或上侧/下侧),反侧变号
- 由 $z=z(x,y)$ 给出的曲面,上侧取正号:$\iint_\Sigma R\,dx\,dy = \iint_{D_{xy}} R[x,y,z(x,y)]\,dx\,dy$
## ⭐ 高斯公式(空间)
$$
\oiint_\Sigma P\,dy\,dz + Q\,dz\,dx + R\,dx\,dy = \iiint_\Omega \left(\frac{\partial P}{\partial x} + \frac{\partial Q}{\partial y} + \frac{\partial R}{\partial z}\right)dV
$$
条件:$\Sigma$ 为 $\Omega$ 的**外侧**分片光滑闭曲面,$P,Q,R$ 在 $\Omega$ 上有一阶连续偏导。
⚠️ 曲面不封闭 → **补面**构成闭曲面;含奇点 → 挖小球(与格林类似)。
## ⭐ 斯托克斯公式(空间曲线)
$$
\oint_\Gamma P\,dx + Q\,dy + R\,dz = \iint_\Sigma
\begin{vmatrix}
\cos\alpha & \cos\beta & \cos\gamma \\
\dfrac{\partial}{\partial x} & \dfrac{\partial}{\partial y} & \dfrac{\partial}{\partial z} \\
P & Q & R
\end{vmatrix} dS
$$
$\Gamma$ 为 $\Sigma$ 的正向边界(右手定则),$\Sigma$ 是张在 $\Gamma$ 上的任意光滑曲面。
## 散度与旋度
$$
\operatorname{div}\mathbf{F} = \frac{\partial P}{\partial x} + \frac{\partial Q}{\partial y} + \frac{\partial R}{\partial z}
$$
$$
\operatorname{rot}\mathbf{F} = \nabla \times \mathbf{F} = \left(R_y - Q_z,\ P_z - R_x,\ Q_x - P_y\right)
$$
- **通量**:$\iint_\Sigma \mathbf{F}\cdot\mathbf{n}\,dS$(高斯公式给出 $\iint = \iiint \operatorname{div}\mathbf{F}\,dV$)
- **环流量**:$\oint_\Gamma \mathbf{F}\cdot d\mathbf{r}$(斯托克斯公式给出 $\oint = \iint \operatorname{rot}\mathbf{F}\cdot\mathbf{n}\,dS$)
@@ -0,0 +1,137 @@
# 专题 11 · 无穷级数
> 关联章节:[Ch10 无穷级数](../../高等数学/Ch10_无穷级数/Ch10_Infinite_Series.md)
## 基本概念与性质
- 收敛 $\iff$ 部分和 $S_n$ 收敛
- **必要条件**:$\sum u_n$ 收敛 $\Rightarrow \lim u_n = 0$(逆不成立)
- 线性、加括号(收敛级数加括号仍收敛)
- **绝对收敛 $\Rightarrow$ 收敛**;条件收敛 = 收敛但不绝对收敛
## ⭐ 正项级数审敛法
| 方法 | 结论 |
|------|------|
| 比较审敛 | $u_n \le v_n$:$v$ 收敛 $\Rightarrow u$ 收敛;$u_n \ge v_n$:$v$ 发散 $\Rightarrow u$ 发散 |
| 极限比较 | $\lim \frac{u_n}{v_n} = l$:$0<l<\infty$ 同敛散;$l=0$ 且 $v$ 收敛 $\Rightarrow u$ 收敛;$l=\infty$ 且 $v$ 发散 $\Rightarrow u$ 发散 |
| 比值(达朗贝尔) | $\rho = \lim \frac{u_{n+1}}{u_n}$:$\rho<1$ 收敛,$\rho>1$ 发散,$\rho=1$ 失效 |
| 根值(柯西) | $\rho = \lim \sqrt[n]{u_n}$:同上 |
**标准比较对象**:
- 几何级数 $\sum aq^{n-1}$:$\iff |q| < 1$ 收敛,和 $= \dfrac{a}{1-q}$
- $p$-级数 $\sum \frac{1}{n^p}$:$\iff p > 1$ 收敛($p=1$ 调和级数发散)
- $\sum \frac{1}{n\ln^p n}$:$p>1$ 收敛
⚠️ $\rho = 1$ 时换方法(比较/积分判别),别硬套比值。
## 交错级数(莱布尼茨判别)
$u_n > 0$ 单调递减趋于 $0$,则 $\sum (-1)^{n-1}u_n$ 收敛,且:
$$
S \ \text{介于}\ S_{n-1}\ \text{与}\ S_n\ \text{之间},\qquad |R_n| = |S - S_n| \le u_{n+1}
$$
经典:$\sum (-1)^{n-1}\frac{1}{n} = \ln 2$(**条件收敛**)。
## ⭐ 幂级数
$\sum a_n x^n$(或 $\sum a_n(x-x_0)^n$):
$$
R = \lim_{n \to \infty}\left|\frac{a_n}{a_{n+1}}\right| = \frac{1}{\lim_{n\to\infty}\sqrt[n]{|a_n|}}
$$
- 收敛域:$(-R, R)$(或 $|x-x_0|<R$)+ **端点单独检验**
- 逐项求导、逐项积分不改变收敛半径
- 缺项幂级数(如 $\sum a_n x^{2n}$)用比值法直接判 $\left|\frac{u_{n+1}}{u_n}\right|<1$ 求 $R$
## ⭐ 常用展开式(幂级数)
$$
\frac{1}{1-x} = \sum_{n=0}^\infty x^n\ (|x|<1),\qquad
\frac{1}{1+x} = \sum_{n=0}^\infty (-1)^n x^n\ (|x|<1),\qquad
\frac{1}{1+x^2} = \sum_{n=0}^\infty (-1)^n x^{2n}\ (|x|<1)
$$
$$
e^x = \sum_{n=0}^\infty \frac{x^n}{n!},\qquad
\sin x = \sum_{n=0}^\infty \frac{(-1)^n x^{2n+1}}{(2n+1)!},\qquad
\cos x = \sum_{n=0}^\infty \frac{(-1)^n x^{2n}}{(2n)!}
$$
$$
\ln(1+x) = \sum_{n=1}^\infty \frac{(-1)^{n-1}x^n}{n}\ (-1 < x \le 1)
$$
$$
\ln(1-x) = -\sum_{n=1}^\infty \frac{x^n}{n}\ (-1 \le x < 1)
$$
$$
(1+x)^\alpha = 1 + \sum_{n=1}^\infty \frac{\alpha(\alpha-1)\cdots(\alpha-n+1)}{n!}x^n\ (|x|<1)
$$
$$
\arctan x = \sum_{n=0}^\infty \frac{(-1)^n x^{2n+1}}{2n+1}\ (|x| \le 1)
$$
> 完整麦克劳林展开表(含 $\arcsin x$、$\tan x$、$\sinh x$、$\sec x$ 等)见 [专题 03](专题03_微分中值定理与导数应用.md)。
## 和函数速算
$$
\sum_{n=1}^\infty x^n = \frac{x}{1-x},\qquad
\sum_{n=0}^\infty x^n = \frac{1}{1-x},\qquad
\sum_{n=1}^\infty nx^{n-1} = \frac{1}{(1-x)^2}
$$
$$
\sum_{n=1}^\infty \frac{x^n}{n} = -\ln(1-x),\qquad
\sum_{n=1}^\infty \frac{x^n}{n!} = e^x - 1
$$
**数值级数求和**(背):
$$
\sum_{n=1}^\infty \frac{1}{n^2} = \frac{\pi^2}{6},\qquad
\sum_{n=1}^\infty \frac{1}{n^4} = \frac{\pi^4}{90},\qquad
\sum_{n=1}^\infty \frac{1}{n(n+1)} = 1\ \text{(裂项)}
$$
## ⭐ 傅里叶级数(数一专属)
周期 $2\pi$ 的函数 $f$:
$$
f(x) \sim \frac{a_0}{2} + \sum_{n=1}^\infty (a_n\cos nx + b_n\sin nx)
$$
$$
a_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\cos nx\,dx,\qquad
b_n = \frac{1}{\pi}\int_{-\pi}^{\pi} f(x)\sin nx\,dx
$$
周期 $2l$:$x$ 换成 $\frac{\pi x}{l}$,系数分母换成 $l$:
$$
a_n = \frac{1}{l}\int_{-l}^{l} f(x)\cos\frac{n\pi x}{l}dx,\qquad
b_n = \frac{1}{l}\int_{-l}^{l} f(x)\sin\frac{n\pi x}{l}dx
$$
**狄利克雷收敛定理**:
- 连续点处收敛于 $f(x)$
- 间断点处收敛于 $\dfrac{f(x^-) + f(x^+)}{2}$
- 端点 $\pm\pi$ 处收敛于 $\dfrac{f(\pi^-) + f(-\pi^+)}{2}$
**奇偶延拓**:奇函数 $\Rightarrow$ 正弦级数($a_n=0$);偶函数 $\Rightarrow$ 余弦级数($b_n=0$)。
常用展开:
$$
x \sim 2\sum_{n=1}^\infty \frac{(-1)^{n+1}\sin nx}{n},\qquad
x^2 \sim \frac{\pi^2}{3} + 4\sum_{n=1}^\infty \frac{(-1)^n\cos nx}{n^2}
$$
@@ -0,0 +1,84 @@
# 01 基本初等函数
> **定位**: 构成所有复合函数的基础砖块,必须**烂熟于心**。
> **构成**: 幂函数 + 指数函数 + 对数函数 + 三角函数(反三角见 [[02_反函数与反三角]])
---
## 幂函数族
![[01_power_family.png]]
**核心成员**:
| 函数 | 定义域 | 值域 | 关键性质 |
|------|--------|------|----------|
| $y = x^2$ | $\mathbb{R}$ | $[0,+\infty)$ | 偶;$(-\infty,0]\downarrow$,$[0,+\infty)\uparrow$ |
| $y = x^3$ | $\mathbb{R}$ | $\mathbb{R}$ | 奇、单调递增 |
| $y = \sqrt{x}$ | $[0,+\infty)$ | $[0,+\infty)$ | $y=x^2$ 在 $[0,+\infty)$ 的反函数 |
| $y = x^{1/3}$ | $\mathbb{R}$ | $\mathbb{R}$ | 奇;$x=0$ 处**不可导**(切线垂直) |
| $y = 1/x$ | $\{x \neq 0\}$ | $\{y \neq 0\}$ | 奇;$x=0$ 为垂直渐近线,$y=0$ 为水平渐近线 |
**识别信号**: 见到 $x^p$ 形式立刻判断 $p$ 的符号、奇偶、有无 $0$ 点不可导。
---
## 指数函数族
![[02_exp_family.png]]
**核心**: $y = a^x$($a > 0, a \neq 1$),必过 $(0,1)$,以 $y=0$ 为水平渐近线。
| 基底 | 单调性 | 关键值 |
|------|--------|--------|
| $a > 1$(如 $e^x$, $2^x$) | 严格 $\uparrow$ | $x\to-\infty$ 时 $\to 0$ |
| $0 < a < 1$(如 $(1/2)^x$) | 严格 $\downarrow$ | $x\to+\infty$ 时 $\to 0$ |
**典型应用**: 增长率模型、复利、放射性衰减;与对数互为反函数。
---
## 对数函数族
![[03_log_family.png]]
**核心**: $y = \log_a x$($a > 0, a \neq 1$),必过 $(1,0)$,以 $x=0$ 为垂直渐近线。
| 基底 | 单调性 |
|------|--------|
| $a > 1$ | 严格 $\uparrow$ |
| $0 < a < 1$ | 严格 $\downarrow$ |
**常用恒等式**(背到条件反射):
- $\ln(ab) = \ln a + \ln b$
- $\ln(a/b) = \ln a - \ln b$
- $\ln(a^b) = b \ln a$
- $\log_a b = \dfrac{\ln b}{\ln a}$
---
## 基本三角函数
![[04_trig_basic.png]]
| 函数 | 周期 | 关键性质 |
|------|------|----------|
| $\sin x$ | $2\pi$ | 奇;$[-π/2, π/2]\uparrow$,$[π/2, 3π/2]\downarrow$ |
| $\cos x$ | $2\pi$ | 偶;值域 $[-1,1]$ |
| $\tan x$ | $\pi$ | 奇;$x = k\pi + π/2$ 为垂直渐近线 |
**诱导公式**(重点): $\sin(-x) = -\sin x$,$\cos(-x) = \cos x$,$\sin(x+π/2) = \cos x$。
---
## 易混对照
| 易错 | 正确 |
|------|------|
| $x^{1/3}$ 在 $0$ 处可导 | $x^{1/3}$ 在 $0$ 处**不可导**(导数 $\to\infty$) |
| $y = e^x$ 在 $x\to-\infty$ 时 $\to-\infty$ | $e^x > 0$ 恒成立,$x\to-\infty$ 时 $\to 0^+$ |
| $\sin^2 x$ 与 $(\sin x)^2$ 不同 | 是同一个($\sin^2$ 默认指数在右) |
## 对接流水线
跑 [[../底层逻辑/函数分析流水线]] 时,这些基本初等函数是 Stage 0 元的"基本初等组成"识别清单 —— 每个题目都要拆到这一层。
@@ -0,0 +1,71 @@
# 02 反函数与反三角
> **定位**: 处理"已知输出反推输入"类问题的核心工具;考研常作为积分换元、方程求解的中间步骤。
---
## 反三角函数
![[05_arcsin_arctan.png]]
![[07_arccos.png]]
| 函数 | 定义域 | 值域 | 单调性 |
|------|--------|------|--------|
| $y = \arcsin x$ | $[-1, 1]$ | $[-π/2, π/2]$ | 严格 $\uparrow$ |
| $y = \arccos x$ | $[-1, 1]$ | $[0, π]$ | 严格 $\downarrow$ |
| $y = \arctan x$ | $\mathbb{R}$ | $(-π/2, π/2)$ | 严格 $\uparrow$ |
**必背对称式**(积分换元高频):
$$\arcsin x + \arccos x = \frac{π}{2}$$
$$\arctan x + \arctan \frac{1}{x} = \begin{cases} π/2, & x > 0 \\ -π/2, & x < 0 \end{cases}$$
**导数公式**(必背):
- $(\arcsin x)' = \dfrac{1}{\sqrt{1-x^2}}$
- $(\arccos x)' = -\dfrac{1}{\sqrt{1-x^2}}$
- $(\arctan x)' = \dfrac{1}{1+x^2}$
---
## 反函数的图像对称性
![[06_exp_log_inverse.png]]
**核心**: $y = f(x)$ 与 $y = f^{-1}(x)$ 的图像关于直线 $y = x$ 对称。
**对称的三重含义**:
1. **点对称**: $(a, b)$ 在 $y=f(x)$ 上 $\Leftrightarrow$ $(b, a)$ 在 $y=f^{-1}(x)$ 上
2. **导数关系**: $(f^{-1})'(b) = \dfrac{1}{f'(a)}$(在对应点处)
3. **单调性一致**: $f\uparrow \Leftrightarrow f^{-1}\uparrow$
---
## 反函数求法(流程)
| 步骤 | 操作 |
|------|------|
| 1 | 验证 $f$ 在定义域上**单调**(否则反函数多值) |
| 2 | 令 $y = f(x)$ |
| 3 | 解出 $x = g(y)$ |
| 4 | 互换 $x, y$:$y = g(x)$ |
**例**: $y = \dfrac{x-1}{x+1}$($x \neq -1$)求反函数。
- 单调性:$y = 1 - \dfrac{2}{x+1}$,$x > -1$ 时 $\uparrow$,$x < -1$ 时 $\downarrow$
- 解: $y(x+1) = x - 1 \Rightarrow x(y-1) = -1-y \Rightarrow x = \dfrac{1+y}{1-y}$
- **反函数**: $y = \dfrac{1+x}{1-x}$($x \neq 1$)
---
## 易混对照
| 易错 | 正确 |
|------|------|
| $\arcsin(\sin x) = x$ 恒成立 | 仅当 $x \in [-π/2, π/2]$ 时成立;超出范围需用诱导公式修正 |
| $\arctan$ 值域是 $[0, π]$ | 是 $(-π/2, π/2)$,**不含端点**(端点对应水平渐近线) |
| $f^{-1}(x)$ 表示 $1/f(x)$ | $f^{-1}$ 是**反函数**;$\dfrac{1}{f}$ 才是倒数 |
## 对接流水线
Stage 2(对称性)检测到原函数后,反函数自动获得:
- 奇偶互换(偶→奇, 奇→偶;除关于 y 轴对称时)
- 单调区间互换
- 渐近线互换(垂直 ↔ 水平)
@@ -0,0 +1,92 @@
# 03 函数变换
> **定位**: 由"母函数"快速画出"变换后函数"的速查手册;不背口诀则画图必慢。
---
## 一、平移变换
![[08_shift.png]]
**口诀**: **左加右减**(针对 $x$),**上加下减**(针对 $y$)
| 原函数 | 变换 | 结果 |
|--------|------|------|
| $y = f(x)$ | 右移 $a$ | $y = f(x-a)$ |
| $y = f(x)$ | 左移 $a$ | $y = f(x+a)$ |
| $y = f(x)$ | 上移 $b$ | $y = f(x) + b$ |
| $y = f(x)$ | 下移 $b$ | $y = f(x) - b$ |
**注意**: 平移量永远作用在**自变量括号内**(水平)或**整个函数后**(垂直),切勿颠倒。
---
## 二、伸缩变换
![[09_scale.png]]
**口诀**: **横压纵拉**(系数与变化方向相反)
| 原函数 | 变换 | 结果 |
|--------|------|------|
| $y = f(x)$ | 纵拉 $A$ 倍 | $y = A \cdot f(x)$($A>1$) |
| $y = f(x)$ | 横压 $ω$ 倍 | $y = f(ωx)$($ω>1$) |
| $y = f(x)$ | 纵压 | $y = A f(x)$($0<A<1$) |
| $y = f(x)$ | 横拉 | $y = f(ωx)$($0<ω<1$) |
**典型**: $y = \sin(2x)$ 周期 = $\pi$(原 $2π$ 压成一半);$y = 2\sin x$ 振幅变 2。
---
## 三、对称变换
![[10_symmetry.png]]
| 原函数 | 变换 | 结果 |
|--------|------|------|
| $y = f(x)$ | 关于 $x$ 轴对称 | $y = -f(x)$ |
| $y = f(x)$ | 关于 $y$ 轴对称 | $y = f(-x)$ |
| $y = f(x)$ | 关于原点对称 | $y = -f(-x)$ |
| $y = f(x)$ | 关于 $y=x$ 对称 | $y = f^{-1}(x)$ |
---
## 四、绝对值变换(最易混)
![[11_abs_transform.png]]
| 原函数 | 变换 | 结果 | 几何意义 |
|--------|------|------|----------|
| $y = f(x)$ | $y = f(\|x\|)$ | **偶化** | 保留 $x\geq 0$ 部分,$y$ 轴镜像 |
| $y = f(x)$ | $y = \|f(x)\|$ | **下翻** | 上半部分不变,下半部分翻折到 $x$ 轴上方 |
| $y = f(x)$ | $y = \|f(\|x\|)\|$ | 两步复合 | 先偶化再下翻 |
**关键陷阱**:
- $f(|x|)$ 是**偶函数**;$|f(x)|$ 不是(只保证 $y \geq 0$)
- 偶化会丢失 $x < 0$ 的原信息,**可能引入新零点 / 极值点**
---
## 综合应用:从母函数画任意变换
**例**: 由 $y = \ln x$ 的图像,画 $y = |\ln|x||$
**分解**:
1. $y = \ln x$ → $y = \ln|x|$(偶化:保留右半 + 左半镜像)
2. $y = \ln|x|$ → $y = |\ln|x||$(下翻:上半不变,下半翻折)
**速判**: 在 $y = \ln|x|$ 中,$|x| < 1$ 时 $\ln|x| < 0$ → 这部分翻折。
---
## 易混对照
| 易错 | 正确 |
|------|------|
| $y = f(x+a)$ 是右移 $a$ | 是**左移** $a$(括号内"+" 实际是 $x$ 减了 $-a$) |
| $y = f(2x)$ 周期 ×2 | 周期 ×**1/2**(横压) |
| $\|f(x)\|^2$ 与 $f(x^2)$ 含义不同 | 一个是 $|f(x)|$ 再平方($= f^2(x)$),一个是 $f$ 在 $x^2$ 处取值 |
## 对接流水线
流水线 Stage 2(对称性)+ Stage 3(关键点)会用到本节所有变换 —— 特别是 $|x|$ 类不可导点的识别。
@@ -0,0 +1,167 @@
# 04 考研典型函数
> **定位**: 流水线实战对象 —— 见到这些函数,应能**默画**图像并秒报所有性质。
> **配套**: 跑 [[../底层逻辑/函数分析流水线]] 时直接对照。
---
## 1. $y = x \cdot e^{-x}$ —— 极值 + 拐点经典
![[12_x_exp_neg.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\mathbb{R}$ |
| 单调性 | $(-\infty, 1)\downarrow$,$(1, +\infty)\uparrow$ |
| 极值 | $x=1$ 取极大 $f(1) = 1/e$ |
| 凹凸性 | $(-\infty, 2)$ 凸,$(2, +\infty)$ 凹 |
| 拐点 | $(2, 2/e^2)$ |
| 渐近线 | $y = 0$($x \to +\infty$)|
---
## 2. $y = x \cdot \ln x$ —— 含参单调讨论母题
![[13_x_ln_x.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $(0, +\infty)$ |
| 单调性 | $(0, 1/e)\downarrow$,$(1/e, +\infty)\uparrow$ |
| 极值 | $x = 1/e$ 取极小 $f(1/e) = -1/e$ |
| 零点 | $x = 1$ |
| 渐近线 | $x = 0$(垂直)|
**延伸**: $y = x^a \ln x$($a > 0$)讨论 $x$ 接近 $0$ 时的极限,区分 $a$ 的大小。
---
## 3. $y = \dfrac{e^x}{1+e^x}$ —— Sigmoid(机器学习也用)
![[14_sigmoid.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\mathbb{R}$ |
| 单调性 | 严格 $\uparrow$ |
| 值域 | $(0, 1)$ |
| 对称性 | 关于 $(0, 1/2)$ 中心对称 |
| 渐近线 | $y = 0$(下), $y = 1$(上)|
**常用变形**: $y = \dfrac{1}{1+e^{-x}}$(同一函数);$y' = y(1-y)$(自洽方程)。
---
## 4. $y = \dfrac{\sin x}{x}$ —— 重要极限代表
![[15_sinc.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\{x \neq 0\}$ |
| 极限 | $\lim_{x \to 0} \dfrac{\sin x}{x} = 1$(可去间断点)|
| 渐近线 | $y = 0$(双侧)|
| 零点 | $x = kπ$($k \neq 0$)|
**常考点**:
- $\lim_{x\to 0} \dfrac{\sin x}{x} = 1$(无穷小替换)
- $\lim_{x\to\infty} \dfrac{\sin x}{x} = 0$(无穷小 × 有界)
- $x = 0$ 是**可去间断点**(补定义后连续)
---
## 5. $y = \arctan x$ —— 双侧水平渐近线典型
![[16_arctan.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\mathbb{R}$ |
| 单调性 | 严格 $\uparrow$ |
| 对称性 | 奇函数 |
| 渐近线 | $y = π/2$(上), $y = -π/2$(下)|
---
## 6. $y = \dfrac{x^3}{x^2-1}$ —— 流水线例题函数
![[17_rational_x3.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\{x \neq \pm 1\}$ |
| 对称性 | 奇函数 |
| 极值 | $x = -\sqrt{3}$ 极大 $-3\sqrt{3}/2$;$x = \sqrt{3}$ 极小 $3\sqrt{3}/2$ |
| 拐点 | $(0, 0)$($y'=0$ 但不变号 → 不是极值)|
| 渐近线 | $x = \pm 1$(垂直),$y = x$(斜,双侧)|
> 详见 [[../底层逻辑/函数分析流水线#经典母题:完整跑一遍流水线]]
---
## 7. $y = 1 - \dfrac{1}{x^2}$ —— 偶分式典型
![[18_rational_1_minus_1_over_x2.png]]
| 性质 | 内容 |
| --- | ------------------------------- |
| 定义域 | $\{x \neq 0\}$ |
| 对称性 | 偶函数 |
| 零点 | $x = \pm 1$ |
| 极值 | $x = \pm \sqrt{3}$ 极小 $f = 2/3$ |
| 渐近线 | $x = 0$(垂直),$y = 1$(水平) |
---
## 8. $y = \dfrac{1+x}{1+x^2}$ —— 奇分母分式
![[19_rational_1_plus_x_over_1_plus_x2.png]]
| 性质 | 内容 |
|------|------|
| 定义域 | $\mathbb{R}$(分母恒正)|
| 渐近线 | $y = 0$(双侧,分子次数低)|
| 极大 | $x = 0$,$f = 1$ |
| 极小 | $x = -2$,$f = -1/5$ |
| 零点 | $x = -1$ |
---
## 综合应用:流水线跑一遍
以 **$y = x^3/(x^2-1)$** 为例(详细见 [[../底层逻辑/函数分析流水线]]):
| Stage | 输出 |
|-------|------|
| S0 元信息 | 分式,分子 $x^3$,分母 $x^2-1$ |
| S1 定义域 | $x \neq \pm 1$,$D = (-\infty,-1) \cup (-1,1) \cup (1,+\infty)$ |
| S2 对称性 | 奇函数 → 只看正半轴 |
| S3 关键点 | 间断 $\pm 1$,零点 $0$,无端点 |
| S4 渐近线 | 垂直 $\pm 1$,斜 $y=x$ |
| S5 一阶 | $y' = x^2(x^2-3)/(x^2-1)^2$,极值 $\pm \sqrt{3}$ |
| S6 二阶 | $y'' = 2x(x^2+3)/(x^2-1)^3$,拐点 $(0,0)$ |
| S7 综合 | 见 [[../底层逻辑/函数分析流水线]] 性质矩阵 |
---
## 易混对照
| 易错 | 正确 |
|------|------|
| $y = \dfrac{\sin x}{x}$ 在 $x=0$ 处极限为 $0$ | 极限为 $1$(重要极限),$x=0$ 是可去间断点 |
| $y = \arctan x$ 值域含 $\pm π/2$ | 不含(开区间),端点对应水平渐近线 |
| $y = 1 - 1/x^2$ 无极值 | $x = \pm\sqrt{3}$ 是极小点(值 $2/3$)|
| 渐近线 $y = x$ 与偶函数矛盾 | 不矛盾:斜渐近线 $y=x$ 是奇函数($f(-x) = -f(x)$)下 $y=x$ 自身的镜像 |
## 流水线反向使用
从这 8 张图反推**遇到类似函数该看什么**:
| 信号 | 第一反应 |
|------|----------|
| 含 $e^x$ 且多项式作指数因子 | 看 $x \to \pm \infty$ 的竞争 → 单调 / 极值 |
| 含 $\ln x$ | $x = 0$ 是垂直渐近线,必查 $x \to 0^+$ |
| $\sin x / x$ 形式 | $\lim_{x\to 0}$ 是 1(不是 0),$x=0$ 可去间断 |
| 偶分式 $1 - 1/x^k$ | 必有垂直 + 水平渐近线,极值在 $\pm \sqrt{k/(k+2)}$ 之类 |
| $\arctan$ / $\text{arccot}$ | 双侧水平渐近线 |
| Sigmoid 形 | 中心对称点 $(0, 1/2)$ |
+53
View File
@@ -0,0 +1,53 @@
# 函数图像专栏
> **目标**: 用 Python(matplotlib)批量生成考研数学一所需的**标准函数图像**,统一风格、统一标注,作为笔记的"图谱库"。
> **用途**: 配合 [[../底层逻辑/函数分析流水线]] 使用 —— 看图对照流水线各 Stage 的产出。
## 专栏结构
```
函数图像/
├── README.md # 本文件
├── generate_graphs.py # 一键生成全部图像的脚本
├── images/ # 所有 PNG(脚本输出)
├── 01_基本初等函数.md # 幂 / 指 / 对 / 三角
├── 02_反函数与反三角.md # arcsin / arctan / 反函数镜像
├── 03_函数变换.md # 平移 / 伸缩 / 对称 / 绝对值
└── 04_考研典型函数.md # 流水线实战对象
```
## 图像规范
| 项 | 规范 |
|----|------|
| 字体 | SimHei(中文)+ 默认数学符号 |
| 尺寸 | 7×5 英寸,110 DPI |
| 坐标轴 | 黑色实线,过原点,0.6 线宽 |
| 网格 | 灰色虚线,alpha=0.3 |
| 函数曲线 | C0 蓝色,线宽 2 |
| 渐近线 | 红色虚线,alpha=0.6,必有 legend |
| 关键点 | 红色圆点 + 黄色标签框 |
| 标题 | 13pt,含函数表达式 |
| 输出 | PNG,自动 `bbox_inches='tight'` |
## 使用方式
```bash
# 一键重新生成所有图像
python generate_graphs.py
# 增量生成(只改某个函数)→ 直接编辑 generate_graphs.py 中对应函数
```
## 命名约定
- 图像文件: `{序号}_{英文简述}.png`
- 例如: `01_power_family.png`, `17_rational_x3_over_x2_minus_1.png`
- 在 Markdown 中用 Obsidian 内链: `![[01_power_family.png]]`
## 扩展
需新增图像时,遵循三步:
1. 在 `generate_graphs.py` 加一个 `def plot_xxx():`
2. 调用一次 `save_fig(...)`
3. 在对应 `.md` 中插入 `![[xxx.png]]`
@@ -0,0 +1,426 @@
"""
函数图像生成脚本 - 考研数学一标准图像库
=====================================
风格规范:
- CJK 字体: SimHei (fallback: Noto Sans SC)
- 坐标系: 黑色实线过原点,灰色网格
- 曲线: C0 蓝色线宽 2
- 渐近线: 红色虚线
- 关键点: 红色圆点 + 黄色标签
输出: images/ 下 PNG,统一 7×5 英寸
依赖: matplotlib, numpy
"""
import matplotlib
matplotlib.use('Agg') # non-interactive backend for batch generation
import matplotlib.pyplot as plt
import numpy as np
from pathlib import Path
# ============ 1. 全局样式 ============
plt.rcParams['font.sans-serif'] = ['SimHei', 'Noto Sans SC', 'sans-serif']
plt.rcParams['axes.unicode_minus'] = False
plt.rcParams['figure.dpi'] = 110
plt.rcParams['savefig.dpi'] = 110
plt.rcParams['axes.spines.top'] = False
plt.rcParams['axes.spines.right'] = False
plt.rcParams['lines.linewidth'] = 2.0
HERE = Path(__file__).parent
IMG = HERE / 'images'
IMG.mkdir(exist_ok=True)
# ============ 2. 工具函数 ============
def new_ax(title=''):
fig, ax = plt.subplots(figsize=(7, 5))
if title:
ax.set_title(title, fontsize=13, pad=10)
ax.axhline(0, color='k', linewidth=0.6)
ax.axvline(0, color='k', linewidth=0.6)
ax.grid(True, alpha=0.3, linestyle=':')
ax.set_xlabel('x', fontsize=11)
ax.set_ylabel('y', fontsize=11)
return fig, ax
def plot_curve(ax, f, x_range, label=None, color='C0', n=2000, lw=2.0):
"""绘制函数曲线,自动跳过 inf/nan 与不连续跳变"""
x = np.linspace(*x_range, n)
with np.errstate(divide='ignore', invalid='ignore'):
y = np.array(f(x), dtype=float)
valid = np.isfinite(y)
# 在 invalid 处切段绘制(保证垂直渐近线两侧曲线都画出)
splits = np.where(~valid)[0]
starts = [0] + (splits + 1).tolist()
ends = splits.tolist() + [len(x)]
drawn_label = label
for s, e in zip(starts, ends):
if e - s >= 2:
ax.plot(x[s:e], y[s:e], color=color, linewidth=lw, label=drawn_label)
drawn_label = None # 只给第一段加 label
def add_vertical_asymptote(ax, x, label=None):
ax.axvline(x, color='r', linestyle='--', alpha=0.6,
label=label or f'x={x:g} 渐近线')
def add_horizontal_asymptote(ax, y, label=None):
ax.axhline(y, color='r', linestyle='--', alpha=0.6,
label=label or f'y={y:g} 渐近线')
def add_oblique_asymptote(ax, k, b, x_range=(-10, 10), label=None):
x = np.linspace(*x_range, 100)
ax.plot(x, k * x + b, 'r--', alpha=0.6,
label=label or f'y={k:g}x+{b:g} 渐近线')
def mark_point(ax, x, y, label=None):
ax.plot(x, y, 'o', color='red', markersize=7, zorder=5)
if label:
ax.annotate(label, xy=(x, y), xytext=(8, 8),
textcoords='offset points', fontsize=10,
bbox=dict(boxstyle='round,pad=0.3',
fc='lightyellow', ec='gray', alpha=0.9))
def save(fig, name):
out = IMG / name
fig.savefig(out, bbox_inches='tight')
plt.close(fig)
print(f' 生成: {name}')
# ============ 3. 各组绘图函数 ============
# ====== Group 1: 基本初等函数 ======
def g01_power_family():
fig, ax = new_ax('幂函数族')
xr = (-2, 2)
plot_curve(ax, lambda x: x ** 2, xr, label=r'y=$x^2$', color='C0')
plot_curve(ax, lambda x: x ** 3, xr, label=r'y=$x^3$', color='C1')
plot_curve(ax, lambda x: np.sqrt(np.maximum(x, 0)), (0, 2),
label=r'y=$\sqrt{x}$', color='C2')
plot_curve(ax, lambda x: np.cbrt(x), xr, label=r'y=$x^{1/3}$', color='C3')
plot_curve(ax, lambda x: 1 / x, (-2, 0), label='y=1/x (左)', color='C4')
plot_curve(ax, lambda x: 1 / x, (0, 2), label='y=1/x (右)', color='C4')
ax.set_xlim(-2, 2)
ax.set_ylim(-3, 3)
ax.legend(fontsize=9, loc='upper left')
save(fig, '01_power_family.png')
def g01_exp_family():
fig, ax = new_ax('指数函数族')
xr = (-3, 3)
plot_curve(ax, lambda x: np.exp(x), xr, label='y=e^x', color='C0')
plot_curve(ax, lambda x: 2 ** x, xr, label='y=2^x', color='C1')
plot_curve(ax, lambda x: (1 / 2) ** x, xr, label='y=(1/2)^x', color='C2')
add_horizontal_asymptote(ax, 0)
ax.set_xlim(-3, 3)
ax.set_ylim(-1, 8)
ax.legend(fontsize=9)
save(fig, '02_exp_family.png')
def g01_log_family():
fig, ax = new_ax('对数函数族')
xr = (0.001, 4)
plot_curve(ax, lambda x: np.log(x), xr, label='y=ln(x)', color='C0')
plot_curve(ax, lambda x: np.log2(x), xr, label=r'y=$\log_2(x)$', color='C1')
add_vertical_asymptote(ax, 0)
ax.set_xlim(-0.5, 4)
ax.set_ylim(-3, 3)
ax.legend(fontsize=9)
save(fig, '03_log_family.png')
def g01_trig_basic():
fig, ax = new_ax('基本三角函数 (一个周期)')
xr = (-2 * np.pi, 2 * np.pi)
plot_curve(ax, np.sin, xr, label='y=sin(x)', color='C0')
plot_curve(ax, np.cos, xr, label='y=cos(x)', color='C1')
# tan 在 ±π/2 附近会炸,画小范围
xt = np.linspace(-1.4, 1.4, 400)
yt = np.tan(xt)
valid = np.abs(yt) < 10
ax.plot(xt[valid], yt[valid], color='C2', label='y=tan(x)')
add_vertical_asymptote(ax, np.pi / 2, label=r'x=$\pi/2$ (tan)')
add_vertical_asymptote(ax, -np.pi / 2, label=r'x=$-\pi/2$ (tan)')
ax.set_xlim(-2 * np.pi, 2 * np.pi)
ax.set_ylim(-3, 3)
ax.legend(fontsize=9, loc='upper right')
save(fig, '04_trig_basic.png')
# ====== Group 2: 反函数与反三角 ======
def g02_arcsin_arctan():
fig, ax = new_ax('反三角函数')
xr = (-1, 1)
plot_curve(ax, np.arcsin, xr, label=r'y=$\arcsin(x)$', color='C0')
# arctan 定义域 R,画全
plot_curve(ax, np.arctan, (-5, 5), label=r'y=$\arctan(x)$', color='C1')
add_horizontal_asymptote(ax, np.pi / 2, label='y=π/2')
add_horizontal_asymptote(ax, -np.pi / 2, label='y=-π/2')
ax.set_xlim(-5, 5)
ax.set_ylim(-2, 2)
ax.legend(fontsize=9)
save(fig, '05_arcsin_arctan.png')
def g02_exp_log_inverse():
fig, ax = new_ax('指数与对数:关于 y=x 对称')
xr = (-3, 3)
plot_curve(ax, np.exp, xr, label='y=e^x', color='C0')
# y = ln(x) 镜像画
xr2 = (0.001, 10)
plot_curve(ax, np.log, xr2, label='y=ln(x)', color='C1')
# 对称线 y = x
xa = np.linspace(-2, 10, 100)
ax.plot(xa, xa, 'k--', alpha=0.4, label='y=x')
add_horizontal_asymptote(ax, 0, label=None)
add_vertical_asymptote(ax, 0, label=None)
ax.set_xlim(-3, 8)
ax.set_ylim(-3, 8)
ax.legend(fontsize=9, loc='upper left')
save(fig, '06_exp_log_inverse.png')
def g02_arccos():
fig, ax = new_ax('y = arccos(x)')
xr = (-1, 1)
plot_curve(ax, np.arccos, xr, label=r'y=$\arccos(x)$', color='C0')
ax.set_xlim(-1.5, 1.5)
ax.set_ylim(0, np.pi + 0.3)
ax.legend(fontsize=9)
save(fig, '07_arccos.png')
# ====== Group 3: 函数变换 ======
def g03_shift():
fig, ax = new_ax('平移变换 y = sin(x), sin(x-π/2), sin(x)+1')
xr = (0, 2 * np.pi)
xs = np.linspace(*xr, 1000)
ax.plot(xs, np.sin(xs), label='y=sin(x)', color='C0')
ax.plot(xs, np.sin(xs - np.pi / 2), label=r'y=$\sin(x-\pi/2)$ → 右移 $\pi/2$',
color='C1')
ax.plot(xs, np.sin(xs) + 1, label=r'y=$\sin(x)+1$ → 上移 1',
color='C2')
ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-2, 3)
ax.legend(fontsize=9)
save(fig, '08_shift.png')
def g03_scale():
fig, ax = new_ax('伸缩变换 y = sin(x), 2sin(x), sin(2x)')
xr = (0, 2 * np.pi)
xs = np.linspace(*xr, 1000)
ax.plot(xs, np.sin(xs), label='y=sin(x)', color='C0')
ax.plot(xs, 2 * np.sin(xs), label=r'y=$2\sin(x)$ → 振幅 ×2',
color='C1')
ax.plot(xs, np.sin(2 * xs), label=r'y=$\sin(2x)$ → 周期 ×1/2',
color='C2')
ax.set_xlim(0, 2 * np.pi)
ax.set_ylim(-3, 3)
ax.legend(fontsize=9)
save(fig, '09_scale.png')
def g03_symmetry():
fig, ax = new_ax('对称变换 y = sin(x), -sin(x), |sin(x)|')
xr = (-2 * np.pi, 2 * np.pi)
xs = np.linspace(*xr, 1000)
ax.plot(xs, np.sin(xs), label='y=sin(x)', color='C0')
ax.plot(xs, -np.sin(xs), label=r'y=$-\sin(x)$ → 关于 x 轴对称',
color='C1')
ax.plot(xs, np.abs(np.sin(xs)), label=r'y=$|\sin(x)|$ → x 轴下翻折',
color='C2')
ax.set_xlim(-2 * np.pi, 2 * np.pi)
ax.set_ylim(-2, 2)
ax.legend(fontsize=9)
save(fig, '10_symmetry.png')
def g03_abs_transform():
fig, ax = new_ax('绝对值变换 y = sin(x), sin(|x|), |sin(x)|')
xr = (-2 * np.pi, 2 * np.pi)
xs = np.linspace(*xr, 1000)
ax.plot(xs, np.sin(xs), label=r'原: y=$\sin(x)$', color='C0')
ax.plot(xs, np.sin(np.abs(xs)),
label=r'y=$\sin(|x|)$ → 偶化(y 轴镜像)', color='C1')
ax.plot(xs, np.abs(np.sin(xs)),
label=r'y=$|\sin(x)|$ → 下半轴翻折', color='C2')
ax.set_xlim(-2 * np.pi, 2 * np.pi)
ax.set_ylim(-2, 2)
ax.legend(fontsize=9, loc='upper right')
save(fig, '11_abs_transform.png')
# ====== Group 4: 考研典型函数 ======
def g04_x_exp_neg():
fig, ax = new_ax('y = x·e^(-x) (典型: 单调 + 极值 + 拐点)')
xr = (-1, 4)
xs = np.linspace(*xr, 1000)
ys = xs * np.exp(-xs)
ax.plot(xs, ys, color='C0')
# 极值点: x=1, y=1/e
mark_point(ax, 1, 1 / np.e, r'极值 (1, $1/e$)')
# 拐点: x=2, y=2/e²
mark_point(ax, 2, 2 / np.e ** 2, r'拐点 (2, $2/e^2$)')
# 渐近线: x→-∞, y → -∞; x→+∞, y→0
add_horizontal_asymptote(ax, 0, label='y=0 (x→+∞)')
ax.set_xlim(-1, 4)
ax.set_ylim(-1, 1)
ax.legend(fontsize=9)
save(fig, '12_x_exp_neg.png')
def g04_x_ln_x():
fig, ax = new_ax('y = x·ln(x) (典型: 含参单调讨论)')
xr = (0.001, 2)
xs = np.linspace(*xr, 1000)
ys = xs * np.log(xs)
ax.plot(xs, ys, color='C0')
mark_point(ax, 1 / np.e, -1 / np.e, r'极小 ($1/e$, $-1/e$)')
mark_point(ax, 1, 0, '零点 (1, 0)')
add_vertical_asymptote(ax, 0)
ax.set_xlim(-0.2, 2)
ax.set_ylim(-1, 1)
ax.legend(fontsize=9)
save(fig, '13_x_ln_x.png')
def g04_sigmoid():
fig, ax = new_ax('y = e^x/(1+e^x) (Sigmoid)')
xr = (-6, 6)
xs = np.linspace(*xr, 1000)
ys = np.exp(xs) / (1 + np.exp(xs))
ax.plot(xs, ys, color='C0')
mark_point(ax, 0, 0.5, '(0, 1/2) 对称中心')
add_horizontal_asymptote(ax, 1, label='y=1 (上)')
add_horizontal_asymptote(ax, 0, label='y=0 (下)')
ax.set_xlim(-6, 6)
ax.set_ylim(-0.5, 1.5)
ax.legend(fontsize=9)
save(fig, '14_sigmoid.png')
def g04_sinc():
fig, ax = new_ax('y = sin(x)/x (重要极限 lim = 1)')
xr = (-15, 15)
xs = np.linspace(*xr, 2000)
with np.errstate(divide='ignore', invalid='ignore'):
ys = np.sin(xs) / xs
valid = np.abs(ys) < 5
ax.plot(xs[valid], ys[valid], color='C0')
mark_point(ax, 0, 1, '(0,1) 可去间断点')
add_horizontal_asymptote(ax, 0, label='y=0')
ax.set_xlim(-15, 15)
ax.set_ylim(-0.5, 1.5)
ax.legend(fontsize=9)
save(fig, '15_sinc.png')
def g04_arctan():
fig, ax = new_ax('y = arctan(x) (典型: 双侧水平渐近线)')
xr = (-5, 5)
xs = np.linspace(*xr, 1000)
ax.plot(xs, np.arctan(xs), color='C0')
mark_point(ax, 0, 0, '(0,0)')
add_horizontal_asymptote(ax, np.pi / 2, label='y=π/2')
add_horizontal_asymptote(ax, -np.pi / 2, label='y=-π/2')
ax.set_xlim(-5, 5)
ax.set_ylim(-2, 2)
ax.legend(fontsize=9)
save(fig, '16_arctan.png')
def g04_rational_x3():
"""流水线例题函数: y = x³/(x²-1)"""
fig, ax = new_ax(r'y = $x^3/(x^2-1)$ (流水线例题函数)')
f = lambda x: x ** 3 / (x ** 2 - 1)
xr = (-3, 3)
plot_curve(ax, f, xr, label=r'y=$x^3/(x^2-1)$', color='C0')
# 垂直渐近线 x = ±1
add_vertical_asymptote(ax, 1)
add_vertical_asymptote(ax, -1)
# 斜渐近线 y = x
add_oblique_asymptote(ax, 1, 0, x_range=(-5, 5), label=r'y=$x$ (斜渐近线)')
# 极值点
mark_point(ax, np.sqrt(3), 3 * np.sqrt(3) / 2,
r'极小 ($\sqrt{3}$, $3\sqrt{3}/2$)')
mark_point(ax, -np.sqrt(3), -3 * np.sqrt(3) / 2,
r'极大 ($-\sqrt{3}$, $-3\sqrt{3}/2$)')
# 拐点
mark_point(ax, 0, 0, '拐点 (0,0)')
ax.set_xlim(-3, 3)
ax.set_ylim(-5, 5)
ax.legend(fontsize=9)
save(fig, '17_rational_x3.png')
def g04_rational_1_minus_1_over_x2():
"""渐近线典型: y = 1 - 1/x²"""
fig, ax = new_ax(r'y = $1 - 1/x^2$ (典型渐近线)')
f = lambda x: 1 - 1 / (x ** 2)
xr = (-3, 3)
plot_curve(ax, f, xr, label=r'y=$1-1/x^2$', color='C0')
add_vertical_asymptote(ax, 0, label='x=0 (垂直)')
add_horizontal_asymptote(ax, 1, label='y=1 (水平)')
mark_point(ax, 1, 0, '(1, 0) 零点')
mark_point(ax, -1, 0, '(-1, 0) 零点')
# 极小点: x = ±√3, y = 2/3
sq3 = np.sqrt(3)
mark_point(ax, sq3, 2 / 3, r'($\sqrt{3}$, $2/3$) 极小')
mark_point(ax, -sq3, 2 / 3, r'($-\sqrt{3}$, $2/3$) 极小')
ax.set_xlim(-3, 3)
ax.set_ylim(-2, 3)
ax.legend(fontsize=9)
save(fig, '18_rational_1_minus_1_over_x2.png')
def g04_rational_1_plus_x_over_1_plus_x2():
"""典型分式: y = (1+x)/(1+x²)"""
fig, ax = new_ax(r'y = $(1+x)/(1+x^2)$ (典型分式)')
f = lambda x: (1 + x) / (1 + x ** 2)
xr = (-3, 3)
plot_curve(ax, f, xr, label=r'y=$(1+x)/(1+x^2)$', color='C0')
add_horizontal_asymptote(ax, 0, label='y=0 (双侧)')
mark_point(ax, 0, 1, '极大 (0, 1)')
mark_point(ax, -1, 0, '零点 (-1, 0)')
mark_point(ax, -2, -1 / 5, '极小 (-2, -1/5)')
ax.set_xlim(-3, 3)
ax.set_ylim(-1, 1.5)
ax.legend(fontsize=9)
save(fig, '19_rational_1_plus_x_over_1_plus_x2.png')
# ============ 4. 主入口 ============
if __name__ == '__main__':
print('生成函数图像库...\n')
groups = [
('Group 1: 基本初等函数', [
g01_power_family, g01_exp_family, g01_log_family, g01_trig_basic,
]),
('Group 2: 反函数与反三角', [
g02_arcsin_arctan, g02_exp_log_inverse, g02_arccos,
]),
('Group 3: 函数变换', [
g03_shift, g03_scale, g03_symmetry, g03_abs_transform,
]),
('Group 4: 考研典型函数', [
g04_x_exp_neg, g04_x_ln_x, g04_sigmoid, g04_sinc,
g04_arctan, g04_rational_x3, g04_rational_1_minus_1_over_x2,
g04_rational_1_plus_x_over_1_plus_x2,
]),
]
for group_name, fns in groups:
print(f'[{group_name}]')
for fn in fns:
fn()
print()
print(f'全部生成完毕,输出目录: {IMG}')
Binary file not shown.

After

Width:  |  Height:  |  Size: 62 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 53 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 45 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 57 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 40 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 47 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 35 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 51 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 56 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 62 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 61 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 44 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 49 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 42 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 48 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 40 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 61 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 47 KiB

Binary file not shown.

After

Width:  |  Height:  |  Size: 45 KiB

+47
View File
@@ -0,0 +1,47 @@
# 底层逻辑专栏
> **目标**: 把数学中"一类问题的通用分析方式"沉淀为可复用的**流水线 (Pipeline)**。
> 不是某一题的解法,而是"遇到这一类题,脑子里跑哪几条线、按什么顺序出结果"。
## 专栏哲学
| 原则 | 含义 |
|------|------|
| **流水线化** | 把分析拆成若干**阶段 (Stage)**,每个阶段只做一件事;前道产出即后道输入 |
| **工业化** | 每阶段有标准输入 / 操作 / 输出模板;不同题套同一模板即可出活 |
| **抽象与总结** | 提炼**判断依据**与**速查表**,而非堆砌"操作步骤"——考场上拼的是判断 |
| **双向复用** | 正向:拿到对象 → 跑流水线出性质;反向:拿到部分性质 → 还原对象 |
## 流水线模板(每条流水线统一结构)
```markdown
# {对象}分析流水线
## 流水线总览 — mermaid 流程图,输入到输出的全链路
## 阶段拆解 — Stage 0 ~ N:每段标注 输入 / 操作 / 输出 / 衔接
## 速查表 / 口诀 — 单点判断的快速决策依据
## 标准化输出 — 性质矩阵或关键结论表
## 反向使用 — 由部分信息倒推
## 经典母题 — 1~2 题完整跑一遍流水线
## 上下游流水线 — 与其他流水线的衔接点
```
## 当前流水线
| # | 流水线 | 状态 | 适用场景 |
|---|--------|------|----------|
| 1 | [[函数分析流水线]] | ✅ | 任意函数 y = f(x) 的完整性质图谱(定义域/单调/凹凸/极值/拐点/渐近线/图像) |
| 2 | [[证明题答题流水线]] | ✅ | 证明题(大题)标准答题格式:7 大模板 + 采分点显式化 + 阅卷视角自查 |
| 3 | 数列分析流水线 | ⬜ | 待建 |
| 4 | 极限分析流水线 | ⬜ | 待建 |
| 5 | 积分分析流水线 | ⬜ | 待建 |
| 6 | 微分方程分析流水线 | ⬜ | 待建 |
> 状态说明:⬜ 未建 / 🟡 草稿 / ✅ 已落地
## 使用约定
- 每条流水线独立 `.md`,文件名 = 流水线名(中文)
- 流水线之间用 `[[wiki-link]]` 互链
- 同一类对象可建"主流水线 + 子流水线",如 `函数分析流水线` / `分段函数子流水线`
- **判断依据 > 操作步骤**:当两者冲突时,优先写"什么时候用、怎么识别",而非"具体怎么算"
@@ -0,0 +1,320 @@
# 函数分析流水线
> **目标**: 给定函数 $y = f(x)$,输出其完整性质图谱(定义域 / 值域 / 对称性 / 单调性 / 极值 / 凹凸性 / 拐点 / 渐近线 / 图像)。
> **核心**: 8 个串行阶段,单职责;前后道通过**标准化产出**对接;任意阶段出错,整条线返工。
---
## 流水线总览
```mermaid
flowchart TD
A[输入: y = f x 表达式] --> S0[Stage 0: 元信息提取]
S0 --> S1[Stage 1: 定义域求解]
S1 --> G1{定义域为空?}
G1 -- 是 --> Z[终止: 函数无意义]
G1 -- 否 --> S2[Stage 2: 对称性 / 周期性]
S2 --> S3[Stage 3: 关键点扫描]
S3 --> S4[Stage 4: 极限与渐近线]
S4 --> S5[Stage 5: 一阶分析 单调性 + 极值]
S5 --> S6[Stage 6: 二阶分析 凹凸性 + 拐点]
S6 --> S7[Stage 7: 综合输出 性质矩阵 + 草图]
S7 --> O[输出: 性质图谱]
```
---
## Stage 0 — 元信息提取
**输入**: $f(x)$ 表达式
**操作**: 识别三类信息
1. **函数类型**: 多项式 / 分式 / 复合 / 分段 / 反函数 / 含参 / 抽象
2. **基本初等组成**: 幂、指、对、三角、反三角 中哪几个
3. **特殊结构**: 绝对值 $|·|$、取整 $[·]$、$\max$/$\min$、$\text{sgn}$、抽象运算
**输出**: 元信息字典
```
{
type: 分式,
components: [x³, x²-1],
has_param: false,
special_structures: [],
compose_chain: [幂, 幂, 商]
}
```
**衔接**: 元信息决定 Stage 1 的约束清单和 Stage 3 的特殊点类型。
---
## Stage 1 — 定义域求解
**输入**: $f(x)$、元信息
**操作**: 列出**所有**定义域约束并求交
| 函数形式 | 约束 | 速记 |
|---------|------|------|
| $\dfrac{1}{g(x)}$ | $g(x) \neq 0$ | 分母不为 0 |
| $\sqrt{g(x)}$ | $g(x) \geq 0$ | 根下非负 |
| $\ln g(x)$ | $g(x) > 0$ | 真数为正 |
| $\arcsin$/$\arccos\, g(x)$ | $|g(x)| \leq 1$ | 反三角值域 |
| $\tan g(x)$ | $g(x) \neq k\pi + \pi/2$ | 切线竖直处 |
| 分段函数 | 各段定义域的并 | 按段处理 |
**输出**: $D$(区间或集合)
**衔接**: $D$ 是后续所有分析的**作用域**;Stage 3 的端点、Stage 5/6 的临界点均落在 $D$ 上或其边界。
**Gate 1**: 若 $D = \varnothing$ → 流水线在 Stage 1 终止(题目无意义)。
---
## Stage 2 — 对称性 / 周期性
**输入**: $f(x)$、$D$
**操作**: 测试三个恒等式
| 恒等式 | 结论 | 必加条件 |
|--------|------|----------|
| $f(-x) \equiv f(x)$ on $D$ | **偶函数** | $D$ 关于原点对称 |
| $f(-x) \equiv -f(x)$ on $D$ | **奇函数** | $D$ 关于原点对称 |
| $f(x+T) \equiv f(x)$ on $D,\ T>0$ | **周期函数**,周期 $T$ | $D$ 为周期不变集 |
**输出**: 对称性标签 + 简化区间
**衔接**:
- 偶 / 奇函数 → 只需分析 $[0, +\infty) \cap D$,再镜像翻折
- 周期函数 → 只需分析一个周期,再平移复制
**速判**:
- 多项式中**只有**奇次项 → 奇函数;只有偶次项 → 偶函数
- $f(x) = g(x^2)$ 形式 → 偶
- $f(x) = x \cdot g(x^2)$ 形式 → 奇
- $\sin$/$\cos$ 默认周期 $2\pi$;$\tan$/$\cot$ 默认周期 $\pi$
---
## Stage 3 — 关键点扫描
**输入**: $f(x)$、$D$、对称性
**操作**: 标出四类特殊点(按 $x$ 升序)
| 类型 | 识别方法 |
|------|---------|
| **端点** | $D$ 的边界 |
| **零点** | 解 $f(x) = 0$ |
| **间断点** | 分段点 / 定义域断点 / 取整点 / 含绝对值点 |
| **不可导点** | 分段点 / $\|x\|$ 类点 / $x^{p/q}\ (p/q<1)$ / 取整点 |
**输出**: 关键点列表 —— 把 $D$ 切成若干**子区间**
**衔接**: 这些点是 Stage 5/6 列符号表的天然分隔符。
---
## Stage 4 — 极限与渐近线
**输入**: $f(x)$、关键点
**操作**: 分两类
**A. 边界极限**($x \to$ 端点或间断点)
- 一类间断点: 左右极限存在但不等 → **跳跃间断点**
- 二类间断点: 至少一侧极限 $\pm\infty$ → **无穷间断点**
**B. 无穷极限**($x \to \pm\infty$)—— 求三类渐近线
| 类型 | 判定公式 | 适用情形 |
|------|---------|---------|
| **垂直** | $\lim_{x \to a} f(x) = \pm\infty$ | $a$ = 间断点 |
| **水平** | $\lim_{x \to \pm\infty} f(x) = A$ | $k = \lim f(x)/x = 0$ |
| **斜渐近线** | $k = \lim \dfrac{f(x)}{x} \neq 0,\ b = \lim[f(x) - kx]$ | 多项式分式次数差 1 |
**输出**: 渐近线列表
**衔接**: 渐近线是图像的"骨架线",用于 Stage 7 草图。
---
## Stage 5 — 一阶分析(单调性 + 极值)
**输入**: $f(x)$、$D$、关键点
**操作**:
1. **求 $y' = f'(x)$**
2. **求 $y'$ 的零点与不存在点** —— 与 Stage 3 的关键点合并成**临界点集**
3. **列表判号** —— 在每个子区间取代表点判 $y'$ 符号
4. **判极值** —— 临界点处 $y'$ **变号**才是极值点
- $+\to-$: 极大
- $-\to+$: 极小
- $+/+$、$-/-$、不变号: **不是极值**(常见陷阱: $y'=0$ 不一定有极值)
5. **算极值** —— $f(\text{极值点})$
**输出**: 单调区间表 + 极值表
**衔接**: $y'$ 的符号给 Stage 6 提供初值($y'$ 单调变化方向提示 $y''$ 符号)。
---
## Stage 6 — 二阶分析(凹凸性 + 拐点)
**输入**: $f(x)$、Stage 5 输出
**操作**:
1. **求 $y'' = f''(x)$**
2. **求 $y''$ 的零点与不存在点**(复用 Stage 3 关键点)
3. **列表判号**
4. **判拐点** —— $y''$ 变号点(且函数在该点**连续**)
**输出**: 凹凸区间表 + 拐点表
**速判**:
- $y'' > 0$: 凹(concave up, U 形)→ 二阶导正定
- $y'' < 0$: 凸(concave down, ∩ 形)
**常见陷阱**: 函数间断点处 $y''$ 不存在但**不是拐点** —— 拐点要求函数连续。
---
## Stage 7 — 综合输出
**输入**: 前 6 阶段所有输出
**操作**: 填性质矩阵 + 描点连线
### 性质矩阵模板
| 性质 | 内容 |
|------|------|
| 定义域 $D$ | |
| 值域 $R$ | (由 $D$ + 单调 + 极值 + 渐近线推出)|
| 对称性 / 周期性 | |
| 连续区间 | |
| 可导区间 | |
| 单调区间 | (增 / 减)|
| 极值 | (点 + 值)|
| 凹凸区间 | |
| 拐点 | |
| 渐近线 | (垂直 / 水平 / 斜)|
| 关键点 | (端点 / 零点 / 间断点 / 不可导点)|
---
## 流水线快捷键(速查口诀)
| 场景 | 速判 |
|------|------|
| 看到 $1/x$ 形式 | 定义域去 $0$;$x=0$ 必是间断点 / 渐近线 |
| 看到 $x e^{-x}$ 类 | $x\to+\infty$ 时 $\to 0$;$x\to-\infty$ 时 $\to -\infty$ |
| 看到多项式 | 无渐近线;行为由最高次项主导 |
| 看到 $\dfrac{P_m(x)}{Q_n(x)}$ 同阶 | 水平渐近线 $y = $ 首项系数比 |
| 看到 $\dfrac{P_m(x)}{Q_n(x)}$ 次数差 1 | 斜渐近线,做长除法 |
| 看到 $\|x\|$、$x^{1/3}$ | 该点不可导,是潜在极值点 |
| 看到 $\sin$/$\cos$ | 默认周期 $2\pi$,必检对称性 |
| 看到 $e^{ax}$ 形式 | 与多项式乘除时主导极限方向 |
---
## 反向使用(部分性质 → 函数族)
有时题目只给部分性质(如"偶函数、在 $(-\infty,0)$ 单调递增、$f(1)=2$"),需**反向**跑流水线:
| 已知 | 反推方向 |
|------|---------|
| 极值点 $x = \pm a$ 对称 | 必是偶函数 + 在 $\pm a$ 取极值 |
| 渐近线 $y = kx + b$ | 提示分子分母次数差 1,首项系数定 $k$,余项定 $b$ |
| 单调区间关于 $y$ 轴对称 | 偶函数;关于原点对称 | 奇函数 |
| 周期 $T$ | 必有三角 / 周期结构,或抽象定义 |
| 凹凸反转点 | 拐点;常用于多项式判拐 |
---
## 经典母题:完整跑一遍流水线
**例**: $f(x) = \dfrac{x^3}{x^2 - 1}$
### Stage 0 — 元信息
- type: 分式
- components: $x^3$, $x^2-1$
- 无特殊结构
### Stage 1 — 定义域
- 约束: $x^2 - 1 \neq 0 \Rightarrow x \neq \pm 1$
- $D = (-\infty, -1) \cup (-1, 1) \cup (1, +\infty)$
### Stage 2 — 对称性
- $f(-x) = \dfrac{(-x)^3}{(-x)^2 - 1} = -\dfrac{x^3}{x^2 - 1} = -f(x)$
- $D$ 关于原点对称 ✓
- **结论: 奇函数**
- **衔接**: 只需分析正半轴 $(0,1) \cup (1,+\infty)$
### Stage 3 — 关键点
- 间断点: $x = \pm 1$
- 零点: $x = 0$(在 $(-1,1)$)
- 端点: 无($D$ 无界)
**关键点序列**: $\dots < -1 < 0 < 1 < \dots$
### Stage 4 — 渐近线
**垂直**:
- $\lim_{x \to 1^+} f = +\infty$(分母 $\to 0^+$)
- $\lim_{x \to 1^-} f = -\infty$
- $\lim_{x \to -1^+} f = +\infty$(分母 $\to 0^-$,分子 $\to -1$)
- $\lim_{x \to -1^-} f = -\infty$
**斜渐近线**:
$$\lim_{x \to \pm\infty} \frac{f(x)}{x} = \lim \frac{x^2}{x^2-1} = 1, \quad \lim_{x \to \pm\infty}[f(x) - x] = \lim \frac{x}{x^2-1} = 0$$
- **斜渐近线 $y = x$(双侧,与奇对称一致)**
### Stage 5 — 一阶分析
$$y' = \frac{3x^2(x^2-1) - x^3 \cdot 2x}{(x^2-1)^2} = \frac{x^2(x^2-3)}{(x^2-1)^2}$$
- $y' = 0$: $x = 0$(二重根), $x = \pm\sqrt{3}$
- 列表(正半轴):
| 区间 | $(0, 1)$ | $(1, \sqrt{3})$ | $(\sqrt{3}, +\infty)$ |
|------|---------|----------------|---------------------|
| $y'$ | $-$ | $-$ | $+$ |
- 单调性(补负半轴): $(-\infty, -\sqrt{3})\uparrow$;$(-\sqrt{3}, -1) \cup (-1, 1) \cup (1, \sqrt{3})\downarrow$;$(\sqrt{3}, +\infty)\uparrow$
- **极值**: $x = \sqrt{3}$ → 极小值 $f(\sqrt{3}) = \dfrac{3\sqrt{3}}{2}$;$x = -\sqrt{3}$ → 极大值 $-\dfrac{3\sqrt{3}}{2}$
- **陷阱示例**: $x = 0$ 处 $y' = 0$ 但符号不变号 → **不是极值点**
### Stage 6 — 二阶分析
$$y'' = \frac{2x(x^2+3)}{(x^2-1)^3}$$
- $x^2 + 3 > 0$,符号取决于 $\dfrac{x}{(x^2-1)^3}$
- 列表:
| 区间 | $(0, 1)$ | $(1, +\infty)$ |
|------|---------|----------------|
| $y''$ | $-$ | $+$ |
- 正半轴: $(0,1)$ 凸,$(1,+\infty)$ 凹
- 由奇对称: $(-\infty,-1)$ 凸,$(-1,0)$ 凹
- **拐点**: $x = 0$ 处 $y''$ 变号 ($+\to-$) 且 $f(0) = 0$ 连续 ✓ → **拐点 $(0, 0)$**
- **陷阱**: $x = \pm 1$ 处 $y''$ 不存在,但 $f$ 不连续 → **不是拐点**
### Stage 7 — 综合
| 性质 | 内容 |
|------|------|
| 定义域 $D$ | $(-\infty,-1) \cup (-1,1) \cup (1,+\infty)$ |
| 对称性 | 奇函数 |
| 单调性 | $(-\infty,-\sqrt{3})\uparrow$;$(-\sqrt{3},\sqrt{3})$ 除间断点处均 $\downarrow$;$(\sqrt{3},+\infty)\uparrow$ |
| 极值 | 极大 $f(-\sqrt{3}) = -\frac{3\sqrt{3}}{2}$;极小 $f(\sqrt{3}) = \frac{3\sqrt{3}}{2}$ |
| 凹凸性 | $(-\infty,-1)$ 凸,$(-1,0)$ 凹,$(0,1)$ 凸,$(1,+\infty)$ 凹 |
| 拐点 | $(0, 0)$ |
| 渐近线 | 垂直 $x = \pm 1$;斜 $y = x$(双侧)|
---
## 上下游流水线
**下游**(本流水线的产出会被哪些流水线消费):
- **极限求值** —— 消费值域、间断点类型、渐近线
- **不等式证明** —— 消费单调性、凹凸性
- **方程根的个数** —— 消费单调区间 + 极值符号
- **积分计算 / 估计** —— 消费凹凸性、单调性、图像
**子流水线**(按对象细分,待建):
- 分段函数 → 额外处理分段点的左右极限、左右导数
- 含参函数 → 额外对参数分类讨论
- 抽象函数 → 仅靠性质反推,无显式求导工具
- 反函数 → $y' = 1/f'(x)$,与原函数关于 $y=x$ 互为镜像
@@ -0,0 +1,333 @@
# 证明题答题流水线
> **目标**: 给定一道证明题(大题 / 解答题),输出**阅卷友好的标准格式解答**。
> **核心洞察**: 考研证明题**按采分点给分**,不按"结果对不对"给分 —— 标准格式的本质是**把每个采分点显式写出来**,让阅卷老师 3 秒扫到给分依据。
> **边界**: 本流水线管的是"**怎么写**"(格式规范),"**怎么想**"(解法套路)见 [[12_中值定理专题]] 与 `高等数学/Ch03_微分中值定理与导数应用/题型1_中值定理证明`。
---
## 流水线总览
```mermaid
flowchart TD
A[输入: 一道证明题] --> S0[Stage 0: 题型识别<br>→ 匹配标准模板]
S0 --> S1[Stage 1: 显式拆解<br>已知 / 待证 / 目标形式]
S1 --> S2{Stage 2: 策略选择}
S2 -->|直接| S3a[模板A 直接演绎]
S2 -->|否命题反推| S3b[模板B 反证法]
S2 -->|对 n 递推| S3c[模板C 数学归纳法]
S2 -->|存在 ξ| S3d[模板D 构造+中值定理]
S2 -->|证大小关系| S3e[模板E 单调性]
S2 -->|证存在唯一| S3f[模板F 零点+反证]
S2 -->|极限语言| S3g[模板G ε-N / ε-δ]
S3a & S3b & S3c & S3d & S3e & S3f & S3g --> S4[Stage 4: 采分点显式化<br>条件验证 / 引定理 / 中间结论]
S4 --> S5[Stage 5: 收尾规范<br>分类讨论收口 + 综上得证]
S5 --> O[输出: 标准格式解答]
```
---
## Stage 0 — 题型识别(定型 → 定模板)
**输入**: 题干
**操作**: 读待证结论,识别它属于哪一类,锁定标准模板
| 待证结论特征 | 题型 | 模板 |
|-------------|------|------|
| 一般逻辑推理、恒等变形、不等式 | 直接证明 | A |
| 结论"唯一""不存在""至多""不可能" | 反证法 | B |
| 对正整数 $n$ 的命题(数列、$n$ 阶导) | 数学归纳法 | C |
| $\exists\xi$ 使 $f^{(k)}(\xi)=$ 某式 | 中值定理 | D |
| $f(x)>g(x)$($x$ 在某区间) | 单调性证不等式 | E |
| "存在且唯一""方程恰有一根" | 零点 + 反证 | F |
| 用定义证 $\lim f=A$ | 极限语言 | G |
**输出**: 模板编号
**衔接**: 模板决定 Stage 3 的骨架和 Stage 5 的收尾句式。
**Gate 0**: 一题可能**嵌套多个模板**(如"先证存在,再证唯一"= F 含 B),按最外层结构为主模板,内层引用子模板。
---
## Stage 1 — 显式拆解(第一采分点)
**输入**: 题干
**操作**: 在草稿/答案开头显式写出两层信息
1. **已知条件**:连续性区间、可导区间、端点值、特殊点值(**写下来,别记在脑子里**)
2. **待证目标**:把结论抄一遍,圈出 $\xi$、$n$、$x$ 的自由变量范围
**输出**: 三行式
```
已知: f ∈ C[a,b] ∩ D(a,b),f(a)=f(b)=0
待证: ∃ξ∈(a,b),f'(ξ)=0
目标形式: F'(ξ)=0 型 → 罗尔定理
```
> **采分点**: 把条件写全本身**不算分**,但它保证你不漏验证;**漏验证条件 = 直接扣定理分**。
---
## Stage 2 — 策略选择(判断依据 > 操作步骤)
**输入**: 目标形式
**操作**: 按"结论的语气"选策略,而非按"算不算得动"
| 结论语气 | 策略 | 判断依据 |
|---------|------|---------|
| 正向可推 | 直接演绎 | 从条件到结论有一条直路 |
| 否定/唯一/至多 | 反证 | 结论含"不、唯一、至多、不可能" |
| 对 $n$ 递推 | 归纳 | 结论是"对一切正整数 $n$" |
| 中值存在 | 构造 | 结论含 $\exists\xi$ + 导数 |
| 大小关系 | 单调 | 结论是 $f>g$ 且 $f,g$ 可导 |
**输出**: 策略名 + 主定理
**衔接**: 交给 Stage 3 对应模板。
---
## Stage 3 — 标准模板展开(骨架照抄,内容替换)
> 7 个模板是**可直接照抄的骨架**,考场上只替换 `[...]` 部分。骨架正确 = 结构分到手。
### 模板 A:直接演绎
```
证明:由题设 [...条件],
根据 [...定理/公式],得
[...推导步骤,每步注明依据]。
故 [...中间结论]。
综上,[...待证结论] 成立。∎
```
### 模板 B:反证法
```
证明:(反证法)假设结论不成立,即 [...否命题]。
由假设可得
[...推导],
这与 [...已知条件 / 定理 / 定义] 矛盾。
故假设不成立,原命题成立。∎
```
> **关键**:必须**写清"与什么矛盾"**,否则反证不完整(漏矛盾点 = 扣分)。
### 模板 C:数学归纳法
```
证明:(数学归纳法)
(1) 当 n=1 时,[...代入验证...],命题成立。
(2) 假设当 n=k (k≥1) 时命题成立,即 [...归纳假设式...]。
则当 n=k+1 时,
[...推导,必须显式用到归纳假设...]
= [...目标形式...]。
故 n=k+1 时命题亦成立。
由 (1)(2) 及数学归纳法原理,命题对一切正整数 n 成立。∎
```
> **采分点**: (1) 初始步验证、(2) 归纳假设的**准确写出**、(3) 递推步**明确引用假设**、(4) 结论句四者缺一不可。
### 模板 D:构造辅助函数 + 中值定理
```
证明:构造辅助函数 φ(x) = [...由待证式反推...]。
易知 φ(x) 在 [a,b] 上连续,在 (a,b) 内可导,
且 φ(a) = [...代入...] = φ(b)。
由罗尔定理,∃ξ∈(a,b),使得 φ'(ξ)=0,
即 [... φ'(ξ) 展开式...] = 0,
整理得 [...待证式...]。∎
```
> **采分点**: ① 辅助函数正确(关键分)② 三条件显式验证 ③ 引定理得 $\varphi'(\xi)=0$ ④ 整理回待证式。
### 模板 E:单调性证不等式
```
证明:令 F(x) = [...左边 − 右边...],x∈[a,b]。
则 F'(x) = [...求导...] ≥ 0(> 0),
故 F(x) 在 [a,b] 上单调递增。
又 F(a) = [...代入...] = 0,
故当 x∈(a,b) 时,F(x) ≥ F(a) = 0,
即 [...原不等式...] 成立。∎
```
> **采分点**: ① 构造函数令端点值为 0 ② 判号有依据($F'\ge0$)③ 由单调性出不等式。
### 模板 F:存在性 + 唯一性(零点 + 反证)
```
证明:(存在性)令 F(x) = [...],则 F(x) 在 [a,b] 连续,
且 F(a)·F(b) = [...] < 0,
由零点定理,∃ξ∈(a,b),使 F(ξ)=0。
(唯一性)设另有 η∈(a,b) 使 F(η)=0,且 η≠ξ,
则由 [...单调性 / 罗尔定理...] 得 [...矛盾...],
故 ξ 唯一。
综上,存在唯一的 ξ∈(a,b),使 [...]。∎
```
### 模板 G:极限定义(ε-N / ε-δ)
```
证明:任给 ε>0,要使 |[...f(x)...] − A| < ε,
即 [...放缩...] < ε,只需 [...反解出 |x−x₀| < ... 或 n > ...]。
取 δ = [...](或 N = [...]),则当 0<|x−x₀|<δ (或 n>N) 时,
|f(x) − A| < ε。
由极限定义,lim f(x) = A。∎
```
> **采分点**: ① "任给 ε>0" 开头 ② 放缩 ≤ ③ 反解出 δ/N ④ 结论句"由定义"。
---
## Stage 4 — 采分点显式化(把给分依据写出来)
**输入**: 已套模板的草稿
**操作**: 检查下列五类采分点是否**都被显式写出**(不能跳)
| 采分点类型 | 显式写法 | 常漏 |
|-----------|---------|------|
| 定理前提验证 | "φ 在 [a,b] 连续,在 (a,b) 可导,且 φ(a)=φ(b)" | 跳验证直接套 |
| 定理引用 | "由罗尔定理 / 拉格朗日中值定理 / 零点定理" | 不写定理名 |
| 中间结论 | "即 φ'(ξ)=0" | 跳中间步直接写结果 |
| 分类讨论 | "当 x∈(0,1) 时…;当 x∈[1,+∞) 时…" | 漏掉某分支 |
| 范围/定义域 | "x∈(a,b)""ξ∈(0,1)" | 结论漏范围 |
**输出**: 完整的采分点覆盖检查表
**衔接**: 通过后进入 Stage 5 收尾。
---
## Stage 5 — 收尾规范(分类讨论收口)
**输入**: 采分点齐全的解答
**操作**: 三件事
1. **分类讨论收口**:各分支结论**合并写清**("综上所述,$f(x)\equiv 0$"),不能停在某个分支
2. **结论句完整**:用 "综上,…成立" 或 "命题得证" 收尾,补上 $\xi$ 的范围
3. **通读查错**:符号($>$ vs $\ge$、开闭区间)、指数正负、端点代入值
**输出**: 标准格式解答
**Gate 5**: 若分类讨论漏了分支 / 结论缺范围 → 返回 Stage 4 补采分点。
---
## 标准格式速查(口诀 + 连接词库)
### 口诀
> **「证题五件事:开头写证明,条件显式摆,定理带前提,结论给范围,综上收全口」**
### 逻辑连接词库(规范用词,忌口语化)
| 用途 | 规范写法 | 忌 |
|------|---------|-----|
| 起始 | 证明: | 解:/ 答: |
| 因果 | 由…得 / 故 / 因而 | 所以所以(重复) |
| 转折强调 | 注意到 / 易知 / 下证 | 显然(无依据时) |
| 引定理 | 由**罗尔定理**(名称写全) | 由中值定理(不写哪个) |
| 分类 | 当…时 / (i)(ii)(iii) | 混用两套编号 |
| 收尾 | 综上,…命题得证。∎ | 完毕 / 结束 |
---
## 标准化输出:阅卷视角自查表
> 反向使用 —— 把自己当成阅卷老师,用这张表**反向核对**答案是否"好给分"。
| 阅卷老师扫什么 | 答案里应该有 | 缺失后果 |
|---------------|-------------|---------|
| 辅助函数 / 构造函数 | 显式写出 $\varphi(x)=$ | 整题零分(构造是核心) |
| 定理条件 | 逐条验证 | 扣定理分 |
| 定理名称 | "由罗尔定理" | 阅卷不知你用了什么 |
| 关键一步的推导 | 中间式 | 判为跳步,扣分 |
| 结论范围 | $\xi\in(0,1)$ | 结论不完整,扣分 |
| 反证的矛盾点 | "与…矛盾" | 反证不成立 |
---
## 经典母题:跑一遍标准格式
### 母题 1(模板 D:中值定理标准格式)
> 设 $f(x)$ 在 $[0,1]$ 连续,$(0,1)$ 可导,$f(0)=0,\ f(1)=1$。证明 $\exists\xi\in(0,1)$ 使 $f'(\xi)=2\xi$。
**标准格式解答**:
```
证明:构造辅助函数 φ(x) = f(x) − x²。 ← 采分点① 构造
φ(x) 在 [0,1] 上连续,在 (0,1) 内可导, ← 采分点② 条件验证
且 φ(0) = 0 − 0 = 0,φ(1) = 1 − 1 = 0,
故 φ(0) = φ(1)。 ← 采分点② 端点相等
由罗尔定理,∃ξ∈(0,1),使 φ'(ξ)=0。 ← 采分点③ 引定理
而 φ'(x) = f'(x) − 2x,
即 f'(ξ) − 2ξ = 0,
整理得 f'(ξ) = 2ξ。 ← 采分点④ 回原式
综上,命题得证。∎
```
### 母题 2(模板 E + B:单调性 + 反证)
> 证明:当 $x>0$ 时,$\ln(1+x) < x$。
**标准格式解答**:
```
证明:令 F(x) = x − ln(1+x),x∈[0,+∞)。 ← 构造,端点值为0
则 F'(x) = 1 − 1/(1+x) = x/(1+x) > 0 (x>0), ← 求导判号
故 F(x) 在 [0,+∞) 上单调递增。
又 F(0) = 0 − ln1 = 0,
故当 x>0 时,F(x) > F(0) = 0, ← 单调性出结论
即 x − ln(1+x) > 0,故 ln(1+x) < x。
综上,命题得证。∎
```
---
## 格式红黑榜(扣分写法 vs 标准写法)
### ❌ 跳步:不验证条件直接套定理
- **扣分写法**:`f(a)=f(b),所以 ∃ξ,f'(ξ)=0`
- **标准写法**:`φ 在[a,b]连续、(a,b)可导,且 φ(a)=φ(b),由罗尔定理 ∃ξ,φ'(ξ)=0`
### ❌ 反证法不点明矛盾
- **扣分写法**:`假设不成立,矛盾,得证`
- **标准写法**:`假设 ...,推出 ...,这与[具体已知/定理]矛盾,故假设不成立`
### ❌ 数学归纳法漏"归纳假设"
- **扣分写法**:`n=k+1 时,直接写结果`
- **标准写法**:`假设 n=k 成立即[式],则 n=k+1 时由归纳假设得[式]`
### ❌ 分类讨论不合并
- **扣分写法**:`x∈(0,1) 得 A;x∈(1,+∞) 得 B`(停在最后分支)
- **标准写法**:`综上,对一切 x>0,... 成立`
### ❌ 结论漏范围
- **扣分写法**:`故 f'(ξ)=2ξ`(没说 ξ 在哪)
- **标准写法**:`故 ∃ξ∈(0,1),f'(ξ)=2ξ`
### ❌ 引定理不写全名
- **扣分写法**:`由中值定理`
- **标准写法**:`由拉格朗日中值定理` / `由罗尔定理` / `由零点定理`
---
## 上下游流水线
**上游**(提供"怎么想"):
- [[12_中值定理专题]] → 中值定理全解法 + 辅助函数构造(本流水线只管"怎么写")
- `高等数学/Ch03_微分中值定理与导数应用/题型1_中值定理证明` → 题型通法
**下游**(消费"标准格式"):
- 所有 `高等数学/ChXX/题型X` 的解答题 —— 答题时套本流水线的模板
- `错题锻炼/*` 的打印版卷 —— 用标准格式统一答案书写
**子流水线**(按证明对象细分,待建):
- 数列极限证明(ε-N 专项)
- 函数极限证明(ε-δ 专项)
- 级数审敛证明(比较/比值/根值 + 归纳)
- 矩阵/线性代数证明(秩、特征值、相似对角化的规范书写)
+4
View File
@@ -0,0 +1,4 @@
{
"nodes":[],
"edges":[]
}
@@ -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
@@ -0,0 +1,140 @@
# 每日必过 01 · 少见函数导数与积分
> 只背「容易忘、考到就是分」的冷门项 | 不含 $x, x^2, \sin x, e^x, \ln x$ 等烂熟项
> ⭐ = 近 15 年真题直接考过 | ⚠️ = 前提/符号易错
---
## 一、少见函数导数
### 反三角(⭐ 成对记,符号相反)
| $f(x)$ | $f'(x)$ | 配对 |
|--------|---------|------|
| $\arcsin x$ | $\dfrac{1}{\sqrt{1-x^2}}$ | 与 $\arccos$ 相反 |
| $\arccos x$ | $-\dfrac{1}{\sqrt{1-x^2}}$ | 与 $\arcsin$ 相反 |
| $\arctan x$ | $\dfrac{1}{1+x^2}$ | 与 $\operatorname{arccot}$ 相反 |
| $\operatorname{arccot} x$ | $-\dfrac{1}{1+x^2}$ | 与 $\arctan$ 相反 |
> **口诀**:反三角分母两类——**$\arcsin/\arccos$ 带根号 $\sqrt{1-x^2}$**,**$\arctan/\operatorname{arccot}$ 不带根号 $1+x^2$**;「cos / cot」那一族($\arccos,\operatorname{arccot}$)**全带负号**。
### 正割余割(⭐ 高频,tan/cot/sec/csc 一条链)
| $f(x)$ | $f'(x)$ |
|--------|---------|
| $\tan x$ | $\sec^2 x = \dfrac{1}{\cos^2 x}$ |
| $\cot x$ | $-\csc^2 x = -\dfrac{1}{\sin^2 x}$ |
| $\sec x$ | $\sec x \tan x$ |
| $\csc x$ | $-\csc x \cot x$ |
> **口诀**:「正割余割自己乘自己 + 相邻函数」——$\sec$ 导数是 $\sec\cdot\tan$,$\csc$ 导数是 $-\csc\cdot\cot$;凡「co-」开头($\cos,\cot,\csc$)求导**必出负号**。
### 三个平方恒等式(⭐ 换元积分、三角化简万能)
$$\sin^2 x + \cos^2 x = 1,\qquad 1 + \tan^2 x = \sec^2 x,\qquad 1 + \cot^2 x = \csc^2 x$$
> 联想:$\tan^2 + 1 = \sec^2$、$\cot^2 + 1 = \csc^2$ —— 「tan 配 sec,cot 配 csc」。
### 双曲与反双曲(数一偶考,镜像版三角)
| $f(x)$ | $f'(x)$ | $f(x)$ | $f'(x)$ |
| ------------------------- | ------------------------------------------------ | ------------------------- | -------------------------- |
| $\sinh x$ | $\cosh x$ | $\cosh x$ | $+\sinh x$ |
| $\tanh x$ | $\operatorname{sech}^2 x = \dfrac{1}{\cosh^2 x}$ | $\coth x$ | $-\operatorname{csch}^2 x$ |
| $\operatorname{arsinh} x$ | $\dfrac{1}{\sqrt{x^2+1}}$ | $\operatorname{arcosh} x$ | $\dfrac{1}{\sqrt{x^2-1}}$ |
| $\operatorname{artanh} x$ | $\dfrac{1}{1-x^2}$ | | |
> ⚠️ **双曲函数是"无负号版"三角**:$(\cosh x)'=+\sinh x$(对比 $(\cos x)'=-\sin x$);反双曲 $\operatorname{arsinh}$ 分母是 $\sqrt{x^2+1}$(**加号**,和 $\arcsin$ 的 $\sqrt{1-x^2}$ 相反)。
### 幂指 / 抽象(对数求导法)
| $f(x)$ | $f'(x)$ |
|--------|---------|
| $a^x$ | $a^x\ln a$ |
| $\log_a x$ | $\dfrac{1}{x\ln a}$ |
| $x^x$ | $x^x(\ln x + 1)$ |
| $f(x)^{g(x)}$ | 取对数:$y' = y\big[g'\ln f + g\cdot\dfrac{f'}{f}\big]$ |
> **口诀**:幂指函数(底指数都含变量)**一律取对数**,$y' = y\cdot(\ln y)'$。
---
## 二、少见函数积分
### 三角冷门四剑客(⭐ 必背,最易忘)
| 积分 | 结果 |
|------|------|
| $\displaystyle\int \tan x\,dx$ | $-\ln\|\cos x\| + C = \ln\|\sec x\| + C$ |
| $\displaystyle\int \cot x\,dx$ | $\ln\|\sin x\| + C$ |
| $\displaystyle\int \sec x\,dx$ | $\ln\|\sec x + \tan x\| + C$ |
| $\displaystyle\int \csc x\,dx$ | $\ln\left\|\tan\dfrac{x}{2}\right\| + C = -\ln\|\csc x + \cot x\| + C$ |
> ⚠️ $\int\sec x\,dx$ 结果里是 **$\sec x + \tan x$(相加)**,最常背成相减;$\int\csc x\,dx$ 结果带 **$\cot$ 且整体负号**。
### 导数反查(对照上表反推,考试靠它)
| 积分 | 结果 |
|------|------|
| $\displaystyle\int \sec^2 x\,dx$ | $\tan x + C$ |
| $\displaystyle\int \csc^2 x\,dx$ | $-\cot x + C$ |
| $\displaystyle\int \sec x\tan x\,dx$ | $\sec x + C$ |
| $\displaystyle\int \csc x\cot x\,dx$ | $-\csc x + C$ |
### $a^2$ 型标准积分表(⭐ 换元题动手前先背)
| 积分 | 结果 |
|------|------|
| $\displaystyle\int \dfrac{dx}{a^2+x^2}$ | $\dfrac{1}{a}\arctan\dfrac{x}{a} + C$ |
| $\displaystyle\int \dfrac{dx}{a^2-x^2}$ | $\dfrac{1}{2a}\ln\left\|\dfrac{a+x}{a-x}\right\| + C$ |
| $\displaystyle\int \dfrac{dx}{x^2-a^2}$ | $\dfrac{1}{2a}\ln\left\|\dfrac{x-a}{x+a}\right\| + C$ |
| $\displaystyle\int \dfrac{dx}{\sqrt{a^2-x^2}}$ | $\arcsin\dfrac{x}{a} + C$ |
| $\displaystyle\int \dfrac{dx}{\sqrt{x^2+a^2}}$ | $\ln\big(x + \sqrt{x^2+a^2}\big) + C$ |
| $\displaystyle\int \dfrac{dx}{\sqrt{x^2-a^2}}$ | $\ln\big|x + \sqrt{x^2-a^2}\big| + C$ |
> ⚠️ $a^2-x^2$ 与 $x^2-a^2$ 两个对数结果里,分子分母**顺序相反**,最易写反。口诀:**「减在前($a-x$),谁大谁在前」**。
### 反三角 / 对数的积分(分部积分)
| 积分 | 结果 |
|------|------|
| $\displaystyle\int \arcsin x\,dx$ | $x\arcsin x + \sqrt{1-x^2} + C$ |
| $\displaystyle\int \arccos x\,dx$ | $x\arccos x - \sqrt{1-x^2} + C$ |
| $\displaystyle\int \arctan x\,dx$ | $x\arctan x - \dfrac12\ln(1+x^2) + C$ |
| $\displaystyle\int \ln x\,dx$ | $x\ln x - x + C$ |
| $\displaystyle\int x^n\ln x\,dx$ | $\dfrac{x^{n+1}}{n+1}\ln x - \dfrac{x^{n+1}}{(n+1)^2} + C$ |
> 规律:$\int\arcsin x$ 尾项 $+\sqrt{1-x^2}$、$\int\arccos x$ 尾项 $-\sqrt{1-x^2}$、$\int\arctan x$ 尾项 $-\frac12\ln(1+x^2)$ —— 尾项正好是**导数分母的原函数**(带对应符号)。
### 指数 × 三角(分部积分两次"还原")
| 积分 | 结果 |
|------|------|
| $\displaystyle\int e^{ax}\sin(bx)\,dx$ | $\dfrac{e^{ax}\big[a\sin(bx) - b\cos(bx)\big]}{a^2+b^2} + C$ |
| $\displaystyle\int e^{ax}\cos(bx)\,dx$ | $\dfrac{e^{ax}\big[a\cos(bx) + b\sin(bx)\big]}{a^2+b^2} + C$ |
> **口诀**:分母 $a^2+b^2$;$\sin$ 那份分子 $a\sin - b\cos$,$\cos$ 那份分子 $a\cos + b\sin$。
### 三角幂递推 + 华里士公式(⭐ 定积分高频)
**递推**(降幂):
$$\int \sin^n x\,dx = -\frac{1}{n}\sin^{n-1}x\cos x + \frac{n-1}{n}\int \sin^{n-2}x\,dx$$
$$\int \cos^n x\,dx = \frac{1}{n}\cos^{n-1}x\sin x + \frac{n-1}{n}\int \cos^{n-2}x\,dx$$
**华里士(Wallis)公式**:
$$\int_0^{\pi/2}\sin^n x\,dx = \int_0^{\pi/2}\cos^n x\,dx =
\begin{cases}
\dfrac{(n-1)!!}{n!!}\cdot\dfrac{\pi}{2}, & n\ \text{偶}\\[6pt]
\dfrac{(n-1)!!}{n!!}, & n\ \text{奇}
\end{cases}$$
> **口诀**:「奇不乘 $\frac{\pi}{2}$,偶才乘 $\frac{\pi}{2}$」。
### 万能代换(半角 $t = \tan\dfrac{x}{2}$)
$$t = \tan\frac{x}{2}\ \Rightarrow\ \sin x = \frac{2t}{1+t^2},\quad \cos x = \frac{1-t^2}{1+t^2},\quad dx = \frac{2\,dt}{1+t^2}$$
> 用于 $\displaystyle\int\dfrac{1}{1+\cos x}dx$、$\displaystyle\int\dfrac{dx}{a+b\sin x}$、$\displaystyle\int\dfrac{dx}{a+b\cos x}$ 等"三角有理式"——**凡 $\sin x,\cos x$ 只有一次(无平方)的分式,用万能代换**。
@@ -0,0 +1,85 @@
# 每日必过 02 · 泰勒展开速查
> 只背展开式 + 展开阶数判断 | ⭐ = 极限计算直接命中的展开 | ⚠️ = 阶数/符号易错
---
## 一、两种余项(先分清用哪个)
| 余项 | 条件 | 形式 | 用途 |
|------|------|------|------|
| **皮亚诺** | $f$ 在 $x_0$ 处 $n$ 阶可导 | $o\big((x-x_0)^n\big)$ | 极限计算、无穷小比阶 |
| **拉格朗日** | $f$ 在含 $x_0$ 区间内 $n{+}1$ 阶可导 | $\dfrac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$ | 不等式证明、误差估计 |
> **口诀**:「算极限用皮亚诺,证不等式用拉格朗日」。
---
## 二、必背麦克劳林展开($x_0=0$)
| 函数 | 展开式 | 记忆要点 |
|------|--------|---------|
| $e^x$ | $1+x+\dfrac{x^2}{2!}+\dfrac{x^3}{3!}+\cdots+\dfrac{x^n}{n!}+o(x^n)$ | 全正号,分母阶乘 |
| $\sin x$ | $x-\dfrac{x^3}{3!}+\dfrac{x^5}{5!}-\cdots$ | 奇次项,交错 |
| $\cos x$ | $1-\dfrac{x^2}{2!}+\dfrac{x^4}{4!}-\cdots$ | 偶次项,交错 |
| $\ln(1+x)$ | $x-\dfrac{x^2}{2}+\dfrac{x^3}{3}-\cdots$ | 交错,分母**无阶乘** |
| $(1+x)^\alpha$ | $1+\alpha x+\dfrac{\alpha(\alpha-1)}{2!}x^2+\cdots$ | 广义二项式 |
| $\dfrac{1}{1-x}$ | $1+x+x^2+x^3+\cdots+x^n+o(x^n)$ | 等比,全正 |
| $\dfrac{1}{1+x}$ | $1-x+x^2-x^3+\cdots$ | 等比,交错 |
| $\arctan x$ | $x-\dfrac{x^3}{3}+\dfrac{x^5}{5}-\cdots$ | 同 $\sin$ 但分母无阶乘 |
| $\arcsin x$ | $x+\dfrac{x^3}{6}+\dfrac{3x^5}{40}+\cdots$ | 全正号 |
| $\tan x$ | $x+\dfrac{x^3}{3}+\dfrac{2x^5}{15}+\cdots$ | 全正号,系数涨得快 |
| $\sec x$ | $1+\dfrac{x^2}{2}+\dfrac{5x^4}{24}+\cdots$ | 少见,偶次全正 |
| $\dfrac{1}{1+x^2}$ | $1-x^2+x^4-x^6+\cdots$ | $\arctan$ 的导数,交错 |
### 常见低阶(算极限直接抄,不现场推)
| 展开(到关键阶) | 用途 |
|-----------------|------|
| $\tan x - \sin x = \dfrac{x^3}{2} + o(x^3)$ | 常见陷阱,等价于 $\frac{x^3}{2}$ |
| $x - \sin x = \dfrac{x^3}{6} + o(x^3)$ | 无穷小比阶 |
| $\tan x - x = \dfrac{x^3}{3} + o(x^3)$ | 无穷小比阶 |
| $x - \ln(1+x) = \dfrac{x^2}{2} + o(x^2)$ | 无穷小比阶 |
| $e^x - 1 - x = \dfrac{x^2}{2} + o(x^2)$ | 无穷小比阶 |
| $\sqrt{1+x}-1 = \dfrac{x}{2}-\dfrac{x^2}{8}+o(x^2)$ | 根式展开 |
---
## 三、展开阶数判断(⭐ 最核心决策)
| 场景 | 展到几阶 | 原则 |
|------|---------|------|
| 求 $\lim\dfrac{f(x)}{x^n}$ | $n$ 阶 | 展到出现 $x^n$ 项 |
| 求 $\lim\dfrac{f(x)-g(x)}{x^n}$ | 每项至少 $n$ 阶 | 保证同类项不消光 |
| 求 $f^{(n)}(0)$ | $n$ 阶 | $f^{(n)}(0)=a_n\cdot n!$ |
| 证不等式 | 按精度取拉格朗日余项 | 拉到对应阶 |
> **终极口诀**:「**最低阶非消去项决定极限值,展到它出现为止**」。宁可多展一项,不差一项(差一项 → 关键项消掉 → 得错答案)。
---
## 四、高阶导与系数(背这个省去硬求导)
$$f^{(n)}(0) = a_n \cdot n!$$
其中 $a_n$ 是麦克劳林展开中 $x^n$ 的系数。
> 例:$e^x$ 展开 $x^n$ 系数 $\frac{1}{n!}$ → $f^{(n)}(0)=1$;$\sin x$ 展开 $x^3$ 系数 $-\frac{1}{3!}$ → $f^{(3)}(0)=-1$。
---
## 五、复合展开技巧(间接法)
**技巧 1:代入法**($f(g(x))$,令 $u=g(x)$ 代入再整理)
- 例:$e^{\sin x}$ 展到 $x^3$:$e^{\sin x}=1+\sin x+\frac{\sin^2 x}{2}+\frac{\sin^3 x}{6}+o(x^3)$,再代入 $\sin x=x-\frac{x^3}{6}+o(x^3)$ 整理。
**技巧 2:乘除法**(两展开相乘,按幂次从低到高收集)
- 例:$\frac{\sin x}{x}=1-\frac{x^2}{6}+\frac{x^4}{120}+o(x^4)$。
**技巧 3:导数/积分互推**
- $\ln(1+x)$ 是 $\frac{1}{1+x}$ 的积分;$\arctan x$ 是 $\frac{1}{1+x^2}$ 的积分;$\tan x,\sec x$ 可由 $\frac{1}{\cos x}$ 反推。
> **记忆主干**:只死记 **$e^x,\sin x,\cos x,\ln(1+x),(1+x)^\alpha,\frac{1}{1-x}$** 六个,其余($\arctan,\arcsin,\tan,\sec,\frac{1}{1+x^2}$)靠导数/积分互推。
@@ -0,0 +1,179 @@
# 每日必过 03 · 结论前提与结论速查
> 只记「**前提 → 结论**」,考场直接引用、无需证明 | ⚠️ = 前提漏掉会整题错
---
## 一、等价无穷小($x\to 0$,⭐ 最全版)
| 等价 | 等价 | 等价 |
|------|------|------|
| $\sin x \sim x$ | $\tan x \sim x$ | $\arcsin x \sim x$ |
| $\arctan x \sim x$ | $\ln(1+x)\sim x$ | $e^x-1 \sim x$ |
| $a^x-1 \sim x\ln a$ | $1-\cos x \sim \dfrac{x^2}{2}$ | $(1+x)^\alpha-1 \sim \alpha x$ |
| $x-\sin x \sim \dfrac{x^3}{6}$ | $\tan x - x \sim \dfrac{x^3}{3}$ | $x-\arctan x \sim \dfrac{x^3}{3}$ |
| $\arcsin x - x \sim \dfrac{x^3}{6}$ | $\tan x - \sin x \sim \dfrac{x^3}{2}$ | $\sec x - 1 \sim \dfrac{x^2}{2}$ |
> ⚠️ 等价无穷小只在**乘除**中替换,**加减中不换**(除非换成 $o$ 精确到阶)。
## 两个重要极限
$$\lim_{x\to 0}\frac{\sin x}{x}=1,\qquad \lim_{x\to\infty}\left(1+\frac{1}{x}\right)^x=e,\qquad \lim_{x\to 0}(1+x)^{1/x}=e$$
---
## 二、夹逼准则与数列极限结论
### 夹逼准则(迫敛性)
**函数版**:若 $g(x)\le f(x)\le h(x)$(在某去心邻域内),且 $\lim g(x)=\lim h(x)=A$,则 $\lim f(x)=A$。
**数列版**:若 $a_n\le b_n\le c_n$($n$ 充分大),且 $\lim a_n=\lim c_n=A$,则 $\lim b_n=A$。
> 适用:含取整 $[\cdot]$、含 $n$ 项和、含 $\max/\min$、含 $\frac{1}{n}$ 放缩的极限。
> ⚠️ 两边极限必须**存在且相等**;不等式只需在「充分靠近」处成立(不必全局)。
### 单调有界准则(⭐ 递推数列收敛核心)
单调递增 + 有上界(或单调递减 + 有下界)$\Rightarrow$ 数列收敛。
### 收敛数列的性质
| 性质 | 结论 |
|------|------|
| 唯一性 | 收敛数列极限唯一 |
| 有界性 | 收敛 $\Rightarrow$ 有界(反之不成立) |
| 保号性 | $\lim a_n=A>0$ $\Rightarrow$ 存在 $N$,$n>N$ 时 $a_n>0$ |
| 保序性 | $a_n\le b_n$ 且均收敛 $\Rightarrow$ $\lim a_n\le\lim b_n$ |
### 子列与归结原则
- $a_n\to A \iff$ 任意子列 $a_{n_k}\to A$
- **奇偶子列** $a_{2k},\ a_{2k-1}$ 均收敛于同一 $A \iff a_n\to A$(证 $(-1)^n$ 类发散常用)
**归结原则(Heine)**:$\lim_{x\to a}f(x)=A \iff$ 任意 $x_n\to a$($x_n\ne a$)有 $f(x_n)\to A$。
> 用途:证函数极限**不存在**——找两个子列趋向不同值即可。
### 常用数列极限(必背)
$$\lim_{n\to\infty}n^{1/n}=1,\qquad \lim_{n\to\infty}a^{1/n}=1\ (a>0),\qquad \lim_{n\to\infty}\left(1+\frac{a}{n}\right)^n=e^a,\qquad \lim_{n\to\infty}q^n=0\ (|q|<1)$$
### 递推数列求极限($a_{n+1}=f(a_n)$,两步法)
1. 先证**单调有界**(单调性:$a_{n+1}-a_n$ 定号;有界:归纳或放缩)
2. 设 $\lim a_n=A$,对递推式两边取极限得 $A=f(A)$,解出 $A$
---
## 三、连续 / 可导 关系链(单向)
$$可导 \Rightarrow 连续 \Rightarrow 极限存在 \Rightarrow 有界$$
> ⚠️ 反过来全不成立。反例:$|x|$ 在 $0$ 处连续但不可导;$x\sin\frac1x$ 有界但 $0$ 处极限不存在(震荡)。
---
## 四、中值定理(条件 → 结论)
| 定理 | 前提 | 结论 |
|------|------|------|
| **罗尔** | $f\in C[a,b]\cap D(a,b)$,$f(a)=f(b)$ | $\exists\xi\in(a,b)$,$f'(\xi)=0$ |
| **拉格朗日** | $f\in C[a,b]\cap D(a,b)$ | $\exists\xi\in(a,b)$,$f'(\xi)=\dfrac{f(b)-f(a)}{b-a}$ |
| **柯西** | $f,g\in C[a,b]\cap D(a,b)$,$g'(x)\ne0$ | $\exists\xi$,$\dfrac{f'(\xi)}{g'(\xi)}=\dfrac{f(b)-f(a)}{g(b)-g(a)}$ |
| **泰勒(皮亚诺)** | $f$ 在 $x_0$ 处 $n$ 阶可导 | $f(x)=T_n(x)+o((x-x_0)^n)$ |
| **泰勒(拉格朗日)** | $f$ 在区间内 $n{+}1$ 阶可导 | $f(x)=T_n(x)+\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$ |
| **积分中值** | $f\in C[a,b]$ | $\exists\xi\in[a,b]$,$\int_a^b f(x)dx=f(\xi)(b-a)$ |
> ⚠️ 三大中值定理前提都是「**闭区间连续 + 开区间可导**」,少一个就套错。
---
## 五、导数应用(判断依据,无需证明)
### 单调性
| 前提 | 结论 |
|------|------|
| $f'(x)>0$ 于区间 $I$ | $f$ 在 $I$ 严格递增 |
| $f'(x)<0$ 于区间 $I$ | $f$ 在 $I$ 严格递减 |
### 极值
| 条件 | 结论 |
|------|------|
| **第一充分**:$f'$ 在 $x_0$ 两侧变号 | 左正右负→极大;左负右正→极小 |
| **第二充分**:$f'(x_0)=0$ 且 $f''(x_0)\ne0$ | $f''<0$→极大;$f''>0$→极小 |
| **第三充分**:$f'=\cdots=f^{(n-1)}=0$,$f^{(n)}\ne0$ | $n$ 偶→极值;$n$ 奇→非极值 |
> ⚠️ 极值必要条件是 $f'(x_0)=0$ **或 $f'$ 不存在**;$f'(x_0)=0$ 只是驻点,**不一定是极值**($x^3$ 反例)。
### 凹凸性与拐点
| 条件 | 结论 |
|------|------|
| $f''(x)>0$ 于区间 | 凹(∪ 形) |
| $f''(x)<0$ 于区间 | 凸(∩ 形) |
| $f''$ 在 $x_0$ 两侧变号 | $x_0$ 为拐点 |
> ⚠️ $f''(x_0)=0$ 只是拐点**必要条件**,必须验证变号($x^4$ 反例:$f''(0)=0$ 但非拐点)。
### 洛必达法则前提(⚠️ 三条缺一不可)
1. $\lim f = \lim g = 0$(或都 $\infty$)
2. $f,g$ 在去心邻域可导,$g'\ne0$
3. $\lim\dfrac{f'}{g'}$ 存在(或 $\infty$)
> ⚠️ $\lim\dfrac{f'}{g'}$ **不存在(震荡)不代表** $\lim\dfrac{f}{g}$ 不存在($\frac{x+\sin x}{x}$ 反例)。
---
## 六、积分相关结论
| 结论 | 前提 → 结论 |
|------|------------|
| **变限积分求导** | $f$ 连续 → $\dfrac{d}{dx}\int_a^x f(t)dt = f(x)$ |
| **上下限复合** | $\dfrac{d}{dx}\int_{\varphi(x)}^{\psi(x)}f = f[\psi]\psi'-f[\varphi]\varphi'$ |
| **牛顿-莱布尼茨** | $f$ 连续且 $F'=f$ → $\int_a^b f=F(b)-F(a)$ |
| **华里士** | $\int_0^{\pi/2}\sin^n x\,dx=\int_0^{\pi/2}\cos^n x\,dx=\dfrac{(n-1)!!}{n!!}\cdot\begin{cases}\pi/2,&n\text{偶}\\1,&n\text{奇}\end{cases}$ |
| **对称性** | $f$ 偶 → $\int_{-a}^a f = 2\int_0^a f$;$f$ 奇 → $\int_{-a}^a f = 0$ |
### $p$-积分审敛(反常积分,⭐)
$$\int_1^{+\infty}\frac{dx}{x^p}\ \text{收敛} \iff p>1;\qquad \int_0^1\frac{dx}{x^p}\ \text{收敛} \iff p<1$$
> ⚠️ 两个区间阈值**相反**:无穷区间「$p>1$ 才收」,$0$ 处「$p<1$ 才收」。
---
## 七、级数审敛(前提 → 结论)
| 级数 | 条件 | 结论 |
|------|------|------|
| **$p$-级数** $\sum\dfrac{1}{n^p}$ | $p>1$ | 收敛 |
| **等比** $\sum q^n$ | $\|q\|<1$ | 收敛 |
| **正项比值** $\sum u_n$ | $\lim\dfrac{u_{n+1}}{u_n}=\rho$ | $\rho<1$ 收敛,$\rho>1$ 发散,$\rho=1$ 失效 |
| **交错(莱布尼茨)** | $u_n$ 单调递减且 $\lim u_n=0$ | $\sum(-1)^{n-1}u_n$ 收敛 |
| **绝对收敛** | $\sum\|u_n\|$ 收敛 | $\sum u_n$ 收敛 |
---
## 八、闭区间连续函数性质(⭐ 证明题直接引用)
| 定理 | 前提 → 结论 |
|------|------------|
| **有界性** | $f\in C[a,b]$ → $f$ 在 $[a,b]$ 有界 |
| **最值定理** | $f\in C[a,b]$ → 取到最大值、最小值 |
| **零点定理** | $f\in C[a,b]$,$f(a)f(b)<0$ → $\exists\xi\in(a,b)$,$f(\xi)=0$ |
| **介值定理** | $f\in C[a,b]$,$c$ 介于 $f(a),f(b)$ 之间 → $\exists\xi$,$f(\xi)=c$ |
---
## 九、其他高频结论(一句速记)
- **导函数零点**:$f$ 有 $n$ 个零点 $\Rightarrow f'$ 至少 $n-1$ 个零点(逐次罗尔)
- **恒等式**:$f'(x)\equiv0$ 于区间 $\Rightarrow f(x)\equiv C$(常数)
- **导数相等**:$f'=g'$ 于区间 $\Rightarrow f=g+C$
- **$\arctan$ 恒等式**:$\arcsin x+\arccos x=\frac{\pi}{2}$,$\arctan x+\operatorname{arccot} x=\frac{\pi}{2}$
- **均值不等式**:$\sqrt{ab}\le\dfrac{a+b}{2}$($a,b>0$),等号 $a=b$
- **$e$ 的两个极限式**:$\lim(1+\frac1n)^n=e$,$\lim(1+x)^{1/x}=e$
@@ -0,0 +1,40 @@
# ⏰ 每日必过大专栏
> **目标**: 每天**正式开始学习前**过一遍的「肌肉记忆区」——只放需要长期反复强化的冷门/高频项,不追求穷尽,只追求**高频 + 易忘**。
> **定位**: 与 `错题本`(事后复盘)平级,本专栏是**事前热身**;与 `公式专栏`(做题中备查)不同,这里是**主动默背**。
## 使用约定
- **每天开场**:花 5–10 分钟默背一遍,会的跳过,卡壳的标记出来
- **背熟即走**:本专栏内容应「**闭眼能默写**」,达到后即可低频回顾
- **⭐ 优先**:先背 ⭐ 标记(近 15 年真题直接考到),再背 ⚠️ 标注的易错符号/前提
- **只背不推**:这里所有结论**考试无需证明**,直接引用给分;推导去 `高等数学/ChXX` 看
## 索引
| # | 文件 | 内容 | 优先级 |
|---|------|------|--------|
| 01 | [少见函数导数与积分](./01_少见函数导数与积分.md) | 反三角/正割余割/双曲/幂指 的导数 + 冷门积分表(tan·cot·sec·csc、$a^2$ 型、华里士、万能代换) | ⭐⭐ |
| 02 | [泰勒展开速查](./02_泰勒展开速查.md) | 12 个麦克劳林展开 + 两种余项 + 展开阶数判断口诀 | ⭐⭐⭐ |
| 03 | [结论前提与结论速查](./03_结论前提与结论速查.md) | 夹逼准则、数列极限、等价无穷小、中值定理、导数应用、积分/级数审敛、闭区间连续性质——全部「前提 → 结论」 | ⭐⭐⭐ |
## 每日打卡模板(可选)
```
【日期】____
□ 01 少见函数导数积分(卡壳:______)
□ 02 泰勒展开(卡壳:______)
□ 03 结论前提结论(卡壳:______)
```
> 卡壳项 → 回到对应文件重背 → 进阶到能默写为止。
## 与已有体系的关系
| 专栏 | 用途 | 时机 |
|------|------|------|
| `每日必过大专栏` | 默背高频冷门结论 | **每天开场** |
| `公式专栏` | 公式速查(按专题) | 做题中备查 |
| `高等数学/ChXX` | 概念 + 推导 + 母题 | 学习新章 |
| `错题本` | 个人薄弱点归档 | 事后复盘 |
| `底层逻辑` | 通用分析流水线 | 方法沉淀 |
@@ -0,0 +1,213 @@
# 01 · 积分方法总谱(全量盘点)
> 目标:一张表+一套卡片,**穷尽**常见与不常见的积分办法。四层体系见 [README](./README.md)。
> 每条方法统一四要素:**识别信号 / 操作 / 极简例 / 出处**(文档已有 → 链接;网络补充 → 标注)。
> 标注:【考】考研直接考;【拓】超纲/竞赛/数一选学;【库】背结论类。
---
## L1 · 常规四法(考研主战场)
### 1.1 基本积分表 + 恒等变形
- **识别**:被积函数"长得很像"某个已知积分公式,或可通过恒等变形化成。
- **操作**:拆项($\frac{1+x^2}{x} = \frac1x + x$)、配方($x^2 \pm 2bx \to (x\pm b)^2 \mp b^2$)、三角恒等($\sin^2 x = \frac{1-\cos 2x}{2}$、$1\pm\cos x$ 半角化、$\tan^2 x = \sec^2 x - 1$)、多项式除法(假分式)、约分。
- **极简例**:$\int \frac{1+x^2}{1+x^2}\,dx = \int dx = x+C$;$\int \frac{dx}{x^2+2x+2} = \int\frac{dx}{(x+1)^2+1} = \arctan(x+1)+C$。
- **必须背的 13 基本式 + 扩展表**:见 [Ch04 §4.1](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md) 与 [每日必过01 冷门积分表](../../每日必过大专栏/01_少见函数导数与积分.md)(三角冷门四剑客、$a^2$ 型六式、反三角/对数积分、$e^{ax}\sin bx$ 型)。
### 1.2 第一类换元法(凑微分)
- **识别**:被积表达式含 $\varphi'(x)\cdot f(\varphi(x))$ 结构——"谁复杂先凑谁"。
- **操作**:$\int f[\varphi(x)]\varphi'(x)dx = \int f(u)du\Big|_{u=\varphi(x)}$。常见凑法:线性 $d(ax+b)$、幂 $d(x^n)$、指数 $d(e^x)$、对数 $d(\ln x)$、三角 $d(\sin x)/d(\cos x)/d(\tan x)$、反三角 $d(\arcsin x)/d(\arctan x)$。
- **极简例**:$\int \frac{\ln x}{x}dx = \int \ln x\,d(\ln x) = \frac12\ln^2 x + C$。
- **出处**:[Ch04 §4.2](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md);口诀「前看函数,后看微分」。
### 1.3 第二类换元法(变量代换)
四种代换族(本质都是**去根号/有理化**):
| 被积含 | 代换 | 效果 |
|--------|------|------|
| $\sqrt{a^2-x^2}$ | $x=a\sin t$ | $\to a\cos t$ |
| $\sqrt{a^2+x^2}$ | $x=a\tan t$ | $\to a\sec t$ |
| $\sqrt{x^2-a^2}$ | $x=a\sec t$ | $\to a\tan t$ |
| $\sqrt[ n]{ax+b}$ | $\sqrt[n]{ax+b}=t$ | 去根式 |
| $\sqrt[n]{\frac{ax+b}{cx+d}}$ | 整根式 $=t$ | 有理化 |
| $\sqrt x,\sqrt[3]x$ 混合 | $t=x^{1/\mathrm{lcm}}$(取最小公倍数) | 统一根式 |
| $x$ 与 $\frac1x$ 对称 | **倒代换** $x=\frac1t$ | 降次/去分母 |
| $1+x^2$ 与 $\ln$ 同现 | $x=\tan t$ | 化 $\ln\tan$ 结构 |
- **极简例**(倒代换):$\int\frac{dx}{x^2\sqrt{1+x^2}}$,令 $x=\frac1t$:$=-\int\frac{dt}{\sqrt{t^2+1}} = -\ln\big|t+\sqrt{t^2+1}\big|+C$。
- **要点**:第二类换元必须**回代**;定积分换元必**换限**。
- **出处**:[Ch04 §4.2](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)、[Ch05 §5.3](../../高等数学/Ch05_定积分/Ch05_Definite_Integral.md)。
### 1.4 分部积分法
- **识别**:两类函数乘积;单独出现的 $\ln x$ / 反三角(视为与 $1$ 的乘积)。
- **操作**:$\int u\,dv = uv - \int v\,du$。选 $u$ 优先级:**反、对、幂、指、三**(LIATE)。
- **三种经典模式**:
1. $x^n e^{kx}$ 或 $x^n\sin ax$:$u=x^n$ 降幂;
2. $x^n\ln x$ 或 $x^n\arcsin x$:$u=\ln$/反三角,一步消掉;
3. $e^{ax}\sin bx$:分部两遍后**回归解方程**。
- **记账加速**:表格法(见 L2-4)。
- **极简例**:$\int x e^x dx = e^x(x-1)+C$。
- **出处**:[Ch04 §4.3](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)。
### 1.5 有理函数积分(部分分式)
- **识别**:$\int\frac{P_n(x)}{Q_m(x)}dx$。
- **操作**:① 假分式先多项式除法 → 真分式;② 分母因式分解(一次因式 + 不可约二次因式);③ 按重数拆部分分式($\frac{A}{x-a}$、$\frac{Ax+B}{x^2+px+q}$ 等);④ 待定系数(**赋值法**:代根直接得系数;**极限法**:乘 $(x-a)^k$ 取极限;**导数法**:重因式求导);⑤ 逐项积分($\ln$ 型 + $\arctan$ 型)。
- **极简例**:$\int\frac{dx}{x^2-1} = \frac12\ln\left|\frac{x-1}{x+1}\right|+C$。
- **加速**:**Hermite 约化(Ostrogradski 法)**【拓】:分母有重因式时,不必拆出完整部分分式,直接设
$$\int\frac{P}{Q}dx = \frac{P_1}{Q_1} + \int\frac{P_2}{Q_2}dx$$
其中 $Q_1$ 含 $Q$ 的全部重因式、$Q_2$ 为 $Q$ 的无重因式部分($Q_2 = \gcd(Q, Q')$ 的补),待定系数更少。
- **出处**:[Ch04 §4.4](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)。
### 1.6 三角有理式 $\int R(\sin x,\cos x)dx$
- **识别**:分母分子都是 $\sin x,\cos x$ 的多项式/分式。
- **判据优先**(先看对称性,再选代换):
| 条件 | 代换 |
|------|------|
| 关于 $\sin x$ 奇:$R(-\sin x,\cos x)=-R$ | $t=\cos x$ |
| 关于 $\cos x$ 奇:$R(\sin x,-\cos x)=-R$ | $t=\sin x$ |
| 偶:$R(-\sin x,-\cos x)=R$ | $t=\tan x$ |
| 都不满足 | **万能代换** $t=\tan\frac x2$:$\sin x=\frac{2t}{1+t^2}$,$\cos x=\frac{1-t^2}{1+t^2}$,$dx=\frac{2dt}{1+t^2}$ |
- **极简例**:$\int\frac{\sin x}{1+\cos^2 x}dx$,$\sin x dx = -d(\cos x)$,$=-\arctan(\cos x)+C$——**别一上来就万能代换**。
- **出处**:[Ch04 §4.4](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)、[每日必过01](../../每日必过大专栏/01_少见函数导数与积分.md)。
### 1.7 递推公式(积分族)
- **识别**:被积函数含幂 $n$,求 $I_n$ 或 $I_n\leftrightarrow I_{n-1}$ 关系。
- **操作**:分部积分 + 恒等变形(如 $x^2 = (x^2+1)-1$)建立递推。
- **核心族**:
$$I_n=\int\sin^n x\,dx = -\frac1n\sin^{n-1}x\cos x + \frac{n-1}{n}I_{n-2}$$
$$I_n=\int\frac{dx}{(x^2+1)^n} = \frac{x}{2(n-1)(x^2+1)^{n-1}} + \frac{2n-3}{2(n-1)}I_{n-1}$$
- **出处**:[Ch04 §4.5](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)、[错题17 T6](../../错题本/17_非常规求积分方法.md)。
---
## L2 · 巧法十式(常规法解不动/太慢)
> 全量推导与母题见 [错题17](../../错题本/17_非常规求积分方法.md),此处只留**识别信号 + 一句话操作**速查。
| # | 方法 | 识别信号 | 一句话操作 | 难度 |
|---|------|----------|-----------|------|
| T1 | **区间再现**(King) | 区间两端对称;分母 $f(x)+f(a+b-x)$ | $I=\int_a^b f(a+b-x)dx$ 与 $I$ 相加消元 | ⭐⭐ |
| T2 | **奇偶拆项** | 对称区间 + 非奇非偶;$g(x)+g(-x)=c$ | 拆偶部+奇部;或两式相加 | ⭐⭐ |
| T3 | **特殊换元族** | $x$与$\frac1x$ / $\ln$与$1+x^2$ / 混合根式 | 倒代换 / $x=\tan t$ / $t=x^{1/\mathrm{lcm}}$ | ⭐⭐⭐ |
| T4 | **表格法** | 多项式 × $e^{kx}$ 或 $\sin/\cos$ | 左列求导到0,右列积分,斜线正负相乘 | ⭐ |
| T5 | **复指数法** | $e^{ax}\sin bx$ / $e^{ax}\cos bx$ | $\int e^{(a+ib)x}dx$ 取实部/虚部 | ⭐⭐ |
| T6 | **递推公式** | 积分族 $I_n$ | 分部 + 拆分子建递推 | ⭐⭐ |
| T7 | **Feynman 含参求导** | 被积含参数,对参数求导变简单(分母 $\ln x$ 型) | $I'(\alpha)=\int\partial_\alpha f$,解出再积分,初值定常数 | ⭐⭐⭐ |
| T8 | **级数逐项积分** | $\frac{\ln(1\pm x)}{x}$、$\frac{\arctan x}{x}$ 型 | 展幂级数逐项积 → 已知级数和 | ⭐⭐⭐ |
| T9 | **微分方程观察** | 被积像 $(uv)'$、$\left(\frac uv\right)'$、$(e^x f)'$ | 猜一个 $g$ 使 $g'=$ 被积函数 | ⭐⭐ |
| T10 | **特殊积分库** | $e^{-x^2}$、$\sin^n x$、$\ln\sin x$、$\frac{\sin x}{x}$ | 背结论 + 记证明套路 | ⭐⭐ |
**速查口诀**:对称看 T1T2;混合根式/倒数看 T3;多项式乘指/三看 T4T5;带幂看 T6;含参看 T7;除 $\ln$/$\arctan$ 看 T8;长得像导数看 T9;著名结果看 T10。
---
## L3 · 定积分与反常积分专技
### 3.1 定积分性质型(区间是资产)
| 技巧 | 公式 | 触发 |
|------|------|------|
| 奇偶对称 | $f$ 奇 $\Rightarrow 0$;$f$ 偶 $\Rightarrow 2\int_0^a f$ | 区间 $[-a,a]$ |
| 周期平移 | $\int_a^{a+T} f = \int_0^T f$;$\int_a^{a+nT}=n\int_0^T$ | 周期函数 |
| 区间再现 | $\int_a^b f(x)dx = \int_a^b f(a+b-x)dx$ | 两端对称结构 |
| 拆项合并 | $\int_a^b f = \frac12\int_a^b [f(x)+f(a+b-x)]dx$ | 恒等式可化简 |
| 几何意义 | $\int_0^a\sqrt{a^2-x^2}dx = \frac{\pi a^2}{4}$ | 半圆面积 |
### 3.2 Wallis(华里士)公式【考】
$$I_n=\int_0^{\pi/2}\sin^n x\,dx = \int_0^{\pi/2}\cos^n x\,dx = \begin{cases}\dfrac{(n-1)!!}{n!!}\cdot\dfrac\pi2, & n\text{ 偶}\\[6pt] \dfrac{(n-1)!!}{n!!}, & n\text{ 奇}\end{cases}$$
口诀:**偶带 $\frac\pi2$,奇不带;递推 $I_n=\frac{n-1}{n}I_{n-2}$**。
### 3.3 变限积分求导(Leibniz 法则)【考】
$$\frac{d}{dx}\int_{\psi(x)}^{\varphi(x)} g(x,t)\,dt = \int_{\psi(x)}^{\varphi(x)}\frac{\partial g}{\partial x}dt + g[x,\varphi(x)]\varphi'(x) - g[x,\psi(x)]\psi'(x)$$
被积函数**不含** $x$ 时前项消失。含参时的**拆分技巧**:$\int_{\psi}^{\varphi}g(x,t)dt = \int_{\psi}^{\varphi}[g(x,t)-g(x,x)]dt + g(x,x)(\varphi-\psi)$。
### 3.4 反常积分审敛四件套【考】
1. **比较审敛**:$0\le f\le g$,$g$ 收敛 $\Rightarrow f$ 收敛;
2. **极限审敛**:$f\sim \frac{c}{x^p}$(无穷限:$p>1$ 收敛;瑕点:$p<1$ 收敛);
3. **p-积分**:$\int_1^\infty\frac{dx}{x^p}$($p>1$ 敛);$\int_0^1\frac{dx}{x^p}$($p<1$ 敛);
4. **绝对/条件**:狄利克雷判别法($f$ 单调趋于 0 + $g$ 有界原函数 ⇒ $\int fg$ 收敛)判条件收敛——典型 $\int_1^\infty\frac{\sin x}{x}dx$ **条件收敛**。
### 3.5 特殊积分库(背结论)【库】
| 积分 | 值 | 证明思路 |
|------|-----|----------|
| $\int_0^{+\infty}e^{-x^2}dx$ | $\dfrac{\sqrt\pi}{2}$ | 平方→二重积分→极坐标 |
| $\int_0^{\pi/2}\ln\sin x\,dx$ | $-\dfrac\pi2\ln2$ | $\ln\sin x+\ln\cos x$ 对称拆分 |
| $\int_0^{+\infty}\frac{\sin x}{x}dx$(Dirichlet) | $\dfrac\pi2$ | 含参求导 / Laplace / 围道【拓】 |
| $\int_0^{+\infty}\frac{e^{-ax}-e^{-bx}}{x}dx$(Frullani) | $\ln\frac ba$ | $\frac{e^{-ax}-e^{-bx}}{x}=\int_a^b e^{-xt}dt$ 换序 |
| $\Gamma(s)=\int_0^{+\infty}x^{s-1}e^{-x}dx$ | $\Gamma(n+1)=n!$ | 分部递推;$\Gamma(\frac12)=\sqrt\pi$ |
| $B(p,q)=\int_0^1 x^{p-1}(1-x)^{q-1}dx$【拓】 | $\dfrac{\Gamma(p)\Gamma(q)}{\Gamma(p+q)}$ | $\Gamma$ 乘积换元 |
**Frullani 一般形式**【拓】:$f$ 在 $0$ 和 $+\infty$ 有极限时,
$$\int_0^{+\infty}\frac{f(ax)-f(bx)}{x}dx = \big[f(0)-f(+\infty)\big]\ln\frac ba$$
---
## L4 · 冷门拓展方法(认脸防盲区)
### 4.1 欧拉代换(一般二次根式 $\sqrt{ax^2+bx+c}$)【拓·数一选学】
三种情形,把 $\sqrt{ax^2+bx+c}$ 有理化:
| 条件 | 代换 | 效果 |
|------|------|------|
| $a>0$ | $\sqrt{ax^2+bx+c} = \pm\sqrt a\,x + t$ | 平方后 $ax^2$ 抵消 |
| $c>0$ | $\sqrt{ax^2+bx+c} = xt \pm \sqrt c$ | 平方后常数抵消 |
| 有实根 $x_1,x_2$ | $\sqrt{a(x-x_1)(x-x_2)} = t(x-x_1)$ | 平方后 $(x-x_1)^2$ 提出 |
- **极简例**:$\int\frac{dx}{x+\sqrt{x^2-x+1}}$,用第一类欧拉代换可化为有理式。
- **策略**:考研一般先**配方**再用三角代换;欧拉代换是"配方失败/更一般"时的备胎。
### 4.2 双曲代换【拓】
| 根式 | 双曲代换 | 备注 |
|------|----------|------|
| $\sqrt{x^2+a^2}$ | $x=a\sinh t$ | $\cosh^2-\sinh^2=1$,比 $\tan$ 代换少回代麻烦 |
| $\sqrt{x^2-a^2}$ | $x=a\cosh t$ | $x\ge a$ 时 |
- 双曲恒等式:$\cosh^2 t-\sinh^2 t=1$,$\frac{d}{dt}\sinh t=\cosh t$。
### 4.3 复变方法(留数定理 / 围道积分)【拓·超纲】
- **适用**:$\int_{-\infty}^{+\infty}R(x)dx$(有理函数)、$\int_0^{2\pi}R(\sin\theta,\cos\theta)d\theta$、$\int_0^{+\infty}\frac{\sin x}{x}dx$ 等。
- **思路**:把实积分看作复平面围道上全纯函数的积分,用留数定理 $\oint f = 2\pi i\sum\text{Res}$ 计算,再取实部/虚部或取极限。
- **注意**:考研**不考**,仅作"为什么 Dirichlet 积分是 $\frac\pi2$"的背景。
### 4.4 拉普拉斯 / 傅里叶变换法【拓】
- 拉普拉斯:$\mathcal{L}\{f\}(s)=\int_0^\infty f(t)e^{-st}dt$——若被积函数是某函数的 Laplace 变换,可直接读值(如 $\int_0^\infty e^{-st}\cos(at)dt=\frac{s}{s^2+a^2}$)。
- 傅里叶:利用 $\int_0^\infty \frac{\sin\omega x}{x}dx = \frac\pi2\,\mathrm{sgn}(\omega)$ 类结果。
- **考研用法**:实质等价于**含参积分 + 已知公式**,用 Feynman 技巧即可覆盖,无需真学变换。
### 4.5 切比雪夫可积条件【拓】
$$\int x^m(a+bx^n)^p\,dx \quad (m,n,p\in\mathbb{Q})$$
仅当以下之一成立时被积函数有初等原函数(否则原函数非初等):
1. $p$ 为整数 → 二项展开;
2. $\frac{m+1}{n}$ 为整数 → 令 $t=\sqrt[q]{a+bx^n}$($q$ 为 $p$ 的分母);
3. $\frac{m+1}{n}+p$ 为整数 → 令 $t=\sqrt[q]{ax^{-n}+b}$。
> **价值**:一眼看出"这个积分积不出初等形式",避免死磕。如 $\int\sqrt{x^3+1}\,dx$:$m=0,n=3,p=\frac12$,$\frac{m+1}{n}=\frac13$、$\frac{m+1}{n}+p=\frac56$ 均非整数 → **无初等原函数**。
### 4.6 Beta 函数与 Γ 函数家族【拓·数一】
- $\Gamma(s+1)=s\Gamma(s)$,$\Gamma(n+1)=n!$,$\Gamma(\frac12)=\sqrt\pi$;
- $B(p,q)=\int_0^1x^{p-1}(1-x)^{q-1}dx=\frac{\Gamma(p)\Gamma(q)}{\Gamma(p+q)}$;
- 常见换元:$x=\sin^2t$ 把 $\int_0^{\pi/2}\sin^{2p-1}\theta\cos^{2q-1}\theta\,d\theta$ 化成 Beta 函数。
- **考研落点**:$\int_0^{\pi/2}\sin^n x\,dx$(Wallis 是 $p=\frac{n+1}{2},q=\frac12$ 的特例)、$\int_0^1 x^a(1-x)^b dx$。
### 4.7 微分算子法【拓】
- 对 $\int P(x)e^{ax}dx$:记 $D=\frac{d}{dx}$,则 $\int e^{ax}P(x)dx = e^{ax}\cdot\frac{1}{D+a}P(x)$(把 $\frac1{D+a}$ 按几何级数展开成有限项,因为 $P$ 是多项式)。
- **等价于**:反复分部积分/表格法。考研不必学,但微分方程中"算子法"与其同源。
### 4.8 数值积分(近似计算)【拓】
当原函数非初等或计算需求是近似值时:矩形法、梯形法 $T_n=\frac{b-a}{2n}[f(a)+2\sum f(x_i)+f(b)]$、Simpson 法 $S_n=\frac{b-a}{3n}[f(a)+f(b)+4\sum f(x_{2i-1})+2\sum f(x_{2i})]$、高斯求积。考研仅可能出现在"估计积分值/估值不等式"(用估值定理 + 积分中值定理,而非数值公式)。
### 4.9 二重积分技巧(高斯积分的平方技巧)【考·思想】
$$\left(\int_0^{+\infty}e^{-x^2}dx\right)^2 = \iint_{x,y\ge0}e^{-(x^2+y^2)}dxdy \xrightarrow{\text{极坐标}} \frac\pi4$$
> 思想可迁移:**乘积化为二重积分 → 换序/极坐标**,是"算不出单积分"时的终极大招。
---
## 方法词云(30 秒自检:看到词 → 想到方法)
```
根号→三角代换/欧拉/双曲 混合根式→最小公倍数 倒数对称→倒代换
乘积→分部/表格/复指数 分母对称→区间再现 对称区间→奇偶
周期→平移 带幂n→递推/Wallis 含参→Feynman
ln除x→级数 e^(-x²)/sinx/x→背库 有理式→部分分式
三角有理式→判据代换 抽象f→换元联立/转ODE 象导数→观察法
无理幂→切比雪夫判初等 变换法→Laplace/复变 (拓)
```
【图:方法总谱四层全景图(分层卡片式)】
@@ -0,0 +1,257 @@
# 02 · 题型与解题方法论(题型分类 → 通法 → 母题)
> 按 AGENTS.md 框架:每型 = **识别特征 → 通法步骤 → 常见陷阱 → 经典母题**。
> 四族 20 型:不定积分 10 型 · 定积分 6 型 · 反常积分 2 型 · 抽象函数 2 型。
---
## 族一 · 不定积分(10 型)
### 型1 基本公式与恒等变形型
- **识别**:被积函数简单;或含可拆项/配方/三角恒等/多项式除法的结构。
- **通法**:① 拆项(含分式、$\frac{1}{x(1+x)}=\frac1x-\frac1{1+x}$ 裂项);② 配方(二次式);③ 三角恒等(降幂、半角、和差化积);④ 假分式先除法;⑤ 套基本积分表。
- **陷阱**:拆项后**忘记 $C$**;$\int\frac{1}{x}dx=\ln|x|+C$ 绝对值漏掉。
- **母题**:$\int\frac{x^2+1}{x^2(x^2-1)}dx$。**解**:裂项 $\frac{x^2+1}{x^2(x^2-1)} = \frac{A}{x}+\frac{B}{x^2}+\frac{C}{x-1}+\frac{D}{x+1}$ → 待定系数得 $A=0,B=-1,C=1,D=1$ → 原式 $= \frac1x+\ln\left|\frac{x+1}{x-1}\right|+C$。**启示**:假分式必先化真分式,真分式按型5处理。
### 型2 第一类换元(凑微分)型
- **识别**:$\varphi'(x)$ 与被积函数内层 $\varphi(x)$ 同现;"谁复杂先凑谁"。
- **通法**:① 找内层函数 $\varphi(x)$;② 把外层凑成 $\int f(\varphi)d\varphi$;③ 套公式;④ 验:求导还原。
- **陷阱**:$\int f(ax+b)dx$ 漏系数 $\frac1a$;把 $\int\sin(2x)dx$ 写成 $-\cos(2x)$(漏 $\frac12$)。
- **母题**:$\int\frac{dx}{x\ln x\sqrt{1-\ln^2 x}}dx$(提示:$d(\ln x)=\frac{dx}{x}$)。**解**:原式 $=\int\frac{d(\ln x)}{\ln x\sqrt{1-(\ln x)^2}} = \arcsin(\ln x)+C$——分母 $\ln x$ 恰是 $d(\arcsin(\ln x))$ 的中间层。**启示**:多层复合时逐层剥:先凑 $d(\ln x)$ 再看 $\arcsin$ 型。
### 型3 第二类换元(三角/根式/倒代换)型
- **识别**:$\sqrt{a^2-x^2}$、$\sqrt{a^2+x^2}$、$\sqrt{x^2-a^2}$、$\sqrt[n]{ax+b}$、混合根式、$x$ 与 $\frac1x$ 对称、一般二次根式 $\sqrt{ax^2+bx+c}$。
- **通法**:① 根式类型定代换(见 [01 §1.3](./01_积分方法总谱.md) 表);② 代换 + 换 $dx$;③ 去根号后积分;④ **必回代**(画直角三角形回代三角函数);⑤ 一般二次根式:配方 → 三角代换,或欧拉代换【拓】。
- **陷阱**:不回代(答案留 $t$);回代三角形画错边;定积分忘换限;$x=a\sec t$ 时忽略 $|x|\ge a$ 的定义域分支。
- **母题**:$\int\frac{dx}{x\sqrt{x^2-1}}$。**解**(倒代换):令 $x=\frac1t$,$dx=-\frac{dt}{t^2}$:$\int\frac{-dt/t^2}{(1/t)\sqrt{1/t^2-1}} = -\int\frac{dt}{\sqrt{1-t^2}} = -\arcsin t+C = -\arcsin\frac1x+C$。**对比**:用 $x=\sec t$ 也能做(得 $\arccos\frac1x$ 等价)。**启示**:$\frac{1}{x\sqrt{x^2-a^2}}$ 型倒代换一步到位。
### 型4 分部积分型
- **识别**:两类函数乘积;单独 $\ln x$ / 反三角;$e^{ax}\sin bx$ 型;多项式 × 指数/三角。
- **通法**:① LIATE 选 $u$(反对幂指三);② 套 $\int u\,dv=uv-\int v\,du$;③ 模式1 降幂($u=x^n$)、模式2 消对数/反三角、模式3 回归解方程;④ 多项式×指/三可用**表格法**记账;⑤ $e^{ax}\sin bx$ 可用**复指数法**取实虚部。
- **陷阱**:$u$ 选反($v$ 越积越复杂);模式3 回归后符号错;表格法正负号从 $+$ 起逐行变号。
- **母题**:$\int x^2 e^x\sin x\,dx$(先表格/复指数处理 $e^x\sin x$,再分部降幂)。**解**:记 $J=\int e^x\sin x\,dx=\frac{e^x}{2}(\sin x-\cos x)$(复指数法:$\mathrm{Im}\int e^{(1+i)x}dx=\mathrm{Im}\frac{(1-i)e^x(\cos x+i\sin x)}{2}$)。再对 $x^2$ 分部两次即可。**启示**:**先算"最小不可积块",再整体分部**——把复合积分解耦。
### 型5 有理函数型
- **识别**:$\int\frac{P_n(x)}{Q_m(x)}dx$;分母可因式分解(含重根、不可约二次式)。
- **通法**:① 假分式除法;② 分母因式分解;③ 部分分式(重因式拆到对应重数;不可约二次式用 $\frac{Ax+B}{x^2+px+q}$);④ 待定系数(赋值/极限/导数法);⑤ 逐项积分:$\frac{1}{x-a}\to\ln$,$\frac{1}{(x-a)^k}\to$ 幂,$\frac{Ax+B}{x^2+px+q}\to$ 配分母导数 $\ln$ + 配方 $\arctan$。
- **陷阱**:重因式少拆项;$x^2+px+q$ 判别式误判可约;$\frac{1}{x^2-a^2}$ 与 $\frac{1}{a^2-x^2}$ 结果写反(分子分母顺序)。
- **母题**:$\int\frac{dx}{(x^2+1)(x^2+x)}$。**解**:设 $=\frac{A}{x}+\frac{B}{x+1}+\frac{Cx+D}{x^2+1}$,待定系数得 $A=1,B=-\frac12,C=-\frac12,D=-\frac12$ → 原式 $=\ln|x|-\frac12\ln|x+1|-\frac14\ln(x^2+1)-\frac12\arctan x+C$。**启示**:赋值法(代 $x=0,-1$)先定 $A,B$,再比较系数定 $C,D$,快。
### 型6 三角有理式型
- **识别**:$R(\sin x,\cos x)$ 分式。
- **通法**:① 判对称性定特殊代换($\sin$ 奇→$t=\cos x$;$\cos$ 奇→$t=\sin x$;偶→$t=\tan x$);② 都不满足→万能代换 $t=\tan\frac x2$;③ 注意 $\int\frac{dx}{a+b\sin x}$ 类的固定套路(万能代换 → 部分分式)。
- **陷阱**:见分母是 $\sin x+\cos x$ 就用万能代换(计算量大);忘记 $t=\tan\frac x2$ 时 $x\in(-\pi,\pi)$ 的定义域讨论。
- **母题**:$\int_0^{2\pi}\frac{dx}{1+a\cos x}$($|a|<1$)【拓】。**解**:被积函数以 $2\pi$ 为周期 → $\int_0^{2\pi}=2\int_0^\pi$;万能代换 $t=\tan\frac x2$($x:0\to\pi$ 时 $t:0\to+\infty$),$dx=\frac{2dt}{1+t^2}$,$\cos x=\frac{1-t^2}{1+t^2}$:$=2\int_0^{+\infty}\frac{2dt}{1+a+(1-a)t^2} = 4\cdot\frac{1}{\sqrt{1-a^2}}\cdot\frac{\pi}{2} = \frac{2\pi}{\sqrt{1-a^2}}$。**启示**:万能代换对**周期区间**积分尤其强——先按周期折半,再代换消三角函数。
### 型7 递推族型
- **识别**:$I_n$ 带下标;被积含幂 $n$;问 $I_n$ 表达式或递推关系。
- **通法**:① 分部积分;② 恒等变形把分子拆成"可消"形式($x^2=(x^2+1)-1$);③ 得 $I_n$ 与 $I_{n-1}$(或 $I_{n+1}$)递推;④ 以 $I_0$ 或 $I_1$ 为初值迭代。
- **陷阱**:系数 $\frac{2n-3}{2(n-1)}$ 类抄错——用 $n=2$ 代回验证。
- **母题**:见 [错题17 T6](../../错题本/17_非常规求积分方法.md):$I_n=\int\frac{dx}{(x^2+1)^n}$,$I_2=\frac{x}{2(x^2+1)}+\frac12\arctan x+C$。
### 型8 含参积分型(Feynman)
- **识别**:被积含参数 $\alpha$;对 $\alpha$ 求导后显著变简单(典型:分母 $\ln x$、$\frac{x^a-1}{\ln x}$、$\frac{\sin(ax)}{x}$ 等);或定积分算不出但带参数可求导。
- **通法**:① 设 $I(\alpha)=\int f(x,\alpha)dx$;② $I'(\alpha)=\int\partial_\alpha f\,dx$(积分号内求导,注意交换条件);③ 解出 $I'$ 后对 $\alpha$ 积分;④ 用特殊值($I(0)$、$I(1)$、极限)定常数。
- **陷阱**:漏初值定常数;对参数求导后交换积分/求导未验证一致收敛(考研题通常默认可交换,竞赛需说明)。
- **母题**:$\int_0^{+\infty}\frac{e^{-ax}-e^{-bx}}{x}dx$($a,b>0$)——**Frullani 型**。**解**:用 $\frac{e^{-ax}-e^{-bx}}{x}=\int_a^b e^{-xt}dt$(**参数化积分**),换序:$\int_0^\infty\int_a^b e^{-xt}dt\,dx = \int_a^b\frac{dt}{t} = \ln\frac ba$。**启示**:**"分母 $x$ 即参数积分"**——$\frac{1}{x}=\int_0^\infty e^{-xt}dt$ 是隐藏的武器库【拓·考思路】。
### 型9 级数展开型
- **识别**:$\frac{\ln(1\pm x)}{x}$、$\frac{\arctan x}{x}$、$\frac{e^x-1}{x}$ 型;区间在收敛半径内。
- **通法**:① 展幂级数;② 逐项积分(幂级数在收敛域内闭一致收敛);③ 用已知和:$\sum\frac1{n^2}=\frac{\pi^2}{6}$、$\sum\frac{(-1)^{n-1}}{n}=\ln2$、$\sum\frac{1}{n!}=e$、$\sum\frac{(-1)^n}{(2n+1)}=\frac\pi4$。
- **陷阱**:端点收敛性未说明(如 $x=1$ 处 $\ln(1-x)$ 发散,要用 $|x|<1$ 并取极限)。
- **母题**:$\int_0^1\frac{\arctan x}{x}dx$。**解**:$\arctan x=\sum_{n=0}^\infty\frac{(-1)^n x^{2n+1}}{2n+1}$ → $\int_0^1\sum\frac{(-1)^n x^{2n}}{2n+1}dx=\sum\frac{(-1)^n}{(2n+1)^2}=G$(Catalan 常数)。**启示**:数值上 $\approx 0.9159$,说明"答案可以是一个常数符号"——级数法给出的是**精确表达式**。
### 型10 观察逆用法
- **识别**:被积函数"长得像"某组合的导数:$(uv)'=u'v+uv'$、$\left(\frac uv\right)'$、$(e^x f)'=e^x(f+f')$、$(\ln f)'$。
- **通法**:① 猜 $g$ 使 $g'=$ 被积;② 求导验证;③ 直接写答案。
- **陷阱**:猜错方向浪费时间的止损——30 秒猜不出就换方法。
- **母题**:$\int\frac{x e^x}{(1+x)^2}dx$。**解**:$\left(\frac{e^x}{1+x}\right)'=\frac{e^x(1+x)-e^x}{(1+x)^2}=\frac{xe^x}{(1+x)^2}$ → 答案 $\frac{e^x}{1+x}+C$。**启示**:分母是平方、分子是"分母×某导数−某"→ 锁定 $\left(\frac uv\right)'$ 型(同 [Ch04 终极母题](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md))。
---
## 族二 · 定积分(6 型)
### 型11 定积分定义(黎曼和极限)型
- **识别**:$\lim_{n\to\infty}\frac1n\sum f\left(\frac{i}{n}\right)$ 或一般 $\lim\sum f(\xi_i)\Delta x_i$;问 $\int_a^b f$。
- **通法**:① 提取 $\frac1n$(或 $\frac{b-a}{n}$)作为 $\Delta x$;② 找 $f\left(\frac{i}{n}\right)$ 的对应函数;③ 化为 $\int_0^1 f(x)dx$(或 $\int_a^b$);④ 用 N-L 计算。
- **陷阱**:$\xi_i$ 取点方式(左/右/中点)不影响极限但影响求和难度;区间端点不是 $0,1$ 时的平移。
- **母题**:$\lim_{n\to\infty}\sum_{i=1}^n\frac{n}{n^2+i^2}$。**解**:$=\lim\frac1n\sum\frac{1}{1+(i/n)^2}=\int_0^1\frac{dx}{1+x^2}=\frac\pi4$。**启示**:"先提出 $\frac1n$,再看 $i/n$ 换 $x$"是标准流水线。
### 型12 变限积分求导型
- **识别**:$\frac{d}{dx}\int_{\psi(x)}^{\varphi(x)}g(x,t)dt$;变限积分参与极限(洛必达);含参变量 $x$ 的被积函数。
- **通法**:① 上下限都是函数→链式法则两项;② 被积含 $x$→Leibniz 三项,或用拆分 $g(x,t)=[g(x,t)-g(x,x)]+g(x,x)$;③ 与极限结合→洛必达前先看能否化简。
- **陷阱**:漏乘 $\varphi'(x)$;含参 $x$ 直接套"上限代入"公式(错!必须用 Leibniz)。
- **母题**:求 $\frac{d}{dx}\int_0^x (x-t)f(t)dt$。**解**(Leibniz):$=\int_0^x\frac{\partial}{\partial x}(x-t)f(t)dt + (x-x)f(x)\cdot1 = \int_0^x f(t)dt$。**启示**:含参被积的**分部/拆分**是高频考点,记"先拆 $x-t$ 再求导"。
### 型13 N-L 直接计算型(换元换限)
- **识别**:需要先求原函数的定积分。
- **通法**:① 求原函数(不定积分全部方法);② 代上下限 $F(b)-F(a)$;③ 换元必换限;④ 分部积分带上下限。
- **陷阱**:换元后忘记同步换限;偶函数对称区间忘记 $2\int_0^a$;$\int_{-a}^a$ 奇函数当普通积分硬算。
- **母题**:$\int_0^1 x\ln(1+x)dx$。**解**:分部:$u=\ln(1+x),dv=xdx$:$=\left.\frac{x^2}{2}\ln(1+x)\right|_0^1 - \frac12\int_0^1\frac{x^2}{1+x}dx = \frac{\ln2}{2} - \frac12\int_0^1\left(x-1+\frac1{1+x}\right)dx = \frac{\ln2}{2}-\frac12\left[\frac12-1+\ln2\right] = \frac14$。**启示**:分部后**假分式除法**($x^2/(1+x)=x-1+1/(1+x)$)是第二跳。
### 型14 对称/周期/区间再现型
- **识别**:区间 $[-a,a]$;周期函数;$\int_a^b f(a+b-x)$ 结构;分母 $f(x)+f(a+b-x)$ 对称。
- **通法**:① 对称区间→奇偶(或拆项 $g(x)+g(-x)=c$);② 周期→平移;③ 两端对称→区间再现两式相加;④ $\int_0^\pi xf(\sin x)dx=\frac\pi2\int_0^\pi f(\sin x)dx$ 类结论。
- **陷阱**:区间再现写了第二式不加(必须与 $I$ 相加才有用);$f(x)+f(1-x)=c$ 忘记 $2I=\int c$。
- **母题**:$\int_0^\pi\frac{x\sin x}{1+\cos^2 x}dx$。**解**:区间再现 $x\to\pi-x$:$I=\int_0^\pi\frac{(\pi-x)\sin x}{1+\cos^2 x}dx$,相加:$2I=\pi\int_0^\pi\frac{\sin x}{1+\cos^2 x}dx$,令 $u=\cos x$:$2I=\pi\int_{-1}^1\frac{du}{1+u^2}=\pi\cdot\frac\pi2$ → $I=\frac{\pi^2}{4}$。**启示**:**分子含 $x$ 的"$\int_0^\pi xf(\sin x)$"一律区间再现**。
### 型15 Wallis 与三角幂型
- **识别**:$\int_0^{\pi/2}\sin^n x$ 或 $\cos^n x$;三角幂与其他函数组合(先化简再 Wallis);$\int_0^\pi$ 半角化。
- **通法**:① 奇次:凑微分降次(留一个 $\sin/\cos$ 进微分);② 偶次:降幂公式或递推;③ 定积分 $\int_0^{\pi/2}$ 直接 Wallis;④ $\int_0^\pi\sin^n x = 2\int_0^{\pi/2}\sin^n x$。
- **陷阱**:奇偶 $n$ 的 $\frac\pi2$ 系数记反;$\int_0^\pi$ 与 $\int_0^{2\pi}$ 的倍数关系($\int_0^{2\pi}\cos^2 x=\pi$)。
- **母题**:$\int_0^\pi x\sin^2 x\,dx$。**解**:$\sin^2x=\frac{1-\cos2x}{2}$,$\int_0^\pi x\sin^2x dx=\frac12\int_0^\pi x dx - \frac12\int_0^\pi x\cos2x\,dx = \frac{\pi^2}{4}-0=\frac{\pi^2}{4}$($\int_0^\pi x\cos2x dx$ 分部=0,或区间再现)。**启示**:$\sin^2$ 先降幂再处理 $x$。
### 型16 特殊积分库型
- **识别**:$e^{-x^2}$、$\frac{\sin x}{x}$、$\ln\sin x$、$\frac{e^{-ax}-e^{-bx}}{x}$、Γ/Beta 形式。
- **通法**:① 认出库名→直接写结论([01 §3.5](./01_积分方法总谱.md));② 需要证明时选标准套路(高斯:平方+极坐标;$\ln\sin x$:对称拆分;Dirichlet:含参求导;Frullani:参数化换序);③ Γ:递推 + 特殊值。
- **陷阱**:$\int_0^\infty e^{-x^2}dx=\frac{\sqrt\pi}{2}$ 与 $\int_0^\infty e^{-x^2/2}dx=\sqrt{\frac\pi2}$ 混淆(换元缩放);把 $\int_0^\infty\frac{\sin x}{x}$ 当绝对收敛(实为条件收敛)。
- **母题**:$\int_0^{+\infty}e^{-x^2}\cos(2ax)\,dx$【拓】。**解**:Feynman 含参 $I(a)=\int_0^\infty e^{-x^2}\cos(2ax)dx$,则 $I'(a)=-2\int_0^\infty xe^{-x^2}\sin(2ax)dx$;对 $\int xe^{-x^2}\sin(2ax)dx$ 分部($u=\sin2ax,\ dv=xe^{-x^2}dx\Rightarrow v=-\frac12e^{-x^2}$)得 $=a\int_0^\infty e^{-x^2}\cos(2ax)dx = aI(a)$,故 $I'(a)=-2aI(a)$ → 解一阶 ODE:$I(a)=I(0)e^{-a^2}=\frac{\sqrt\pi}{2}e^{-a^2}$。**启示**:**参数化的高斯积分=一阶 ODE**——Feynman 技巧的教科书级应用。
---
## 族三 · 反常积分(2 型)
### 型17 反常积分审敛型
- **识别**:无穷限/瑕积分;判断敛散或求参数范围;绝对/条件收敛。
- **通法**:① 识别类型(无穷限 or 瑕点);② 找主导项 $f\sim\frac{c}{x^p}$ 或 $f\sim\frac{c}{(b-x)^p}$;③ 用 p-积分 + 比较/极限审敛;④ 判断绝对收敛:先看 $|f|$;⑤ 条件收敛用 Dirichlet/Abel 判别。
- **陷阱**:先算值后判敛($\int_{-\infty}^{+\infty}\sin x dx$ 的错误"对称=0");瑕点在区间**内部**漏拆;$x=0$ 处 $\frac{\sin x}{x}$ 是**可去**(非瑕点)。
- **母题**:判断 $\int_1^{+\infty}\frac{\arctan x}{x^p}dx$ 敛散。**解**:$\arctan x\to\frac\pi2$,$f\sim\frac{\pi/2}{x^p}$:$p>1$ 收敛,$p\le1$ 发散(用极限审敛:$\lim x^p f=\frac\pi2$ 有限非零)。**启示**:**找等价主导项是一步到位的关键**。
### 型18 含参反常积分型(收敛 + 求值)
- **识别**:$I(\alpha)=\int_0^{+\infty}f(x,\alpha)dx$;讨论收敛域、证明可导、求表达式。
- **通法**:① 收敛性:分段处理($x\to0$ 与 $x\to\infty$ 分开用 p-比较);② 可导性:控制函数一致收敛(考研简化:被积对参数连续 + 可控制);③ 求值:Feynman 求导 + 初值;或参数化 + 换序(Frullani 型);④ 特殊 $\alpha$ 定常数。
- **陷阱**:求导后常数漏初值;收敛域讨论不完整(如 $p$ 的区间端点)。
- **母题**:$I(\alpha)=\int_0^{+\infty}\frac{\arctan(\alpha x)}{x(1+x^2)}dx$($\alpha>0$)。**解**:$I'(\alpha)=\int_0^\infty\frac{dx}{(1+\alpha^2x^2)(1+x^2)} = \frac{\pi}{2(1+\alpha)}$(部分分式)→ $I(\alpha)=\frac\pi2\ln(1+\alpha)+C$,$I(0)=0$ → $I(\alpha)=\frac\pi2\ln(1+\alpha)$。**启示**:**含参反常积分的三连招:先判敛 → 求导简化 → 特殊值定常数**(参考抖音 2026-07-08 考研每日一题同款套路)。
---
## 族四 · 抽象函数(2 型)
### 型19 函数方程/关系式型
- **识别**:$f(x)$ 无显式,给 $f(x)+f(1-x)=c$、$f(x)+f(\frac1x)$ 等关系;或 $f(x)=g(x)+\int_0^x f(t)dt$。
- **通法**:① 对合关系($\varphi(\varphi(x))=x$)→ 换元联立消元解 $f$;② 变上限方程 → 两边求导转 ODE + 初始条件;③ 只求积分 → 区间再现/奇偶消元(不还原 $f$)。
- **陷阱**:只用一个方程;解出 $f$ 后不做多项式除法硬积分;漏初始条件。
- **母题**:$f(x)+f(1-x)=1$,$f$ 连续,求 $\int_0^1 f(x)dx$。**解**:$I=\int_0^1 f(x)dx=\int_0^1 f(1-x)dx$,$2I=\int_0^1 1\,dx=1$,$I=\frac12$。**启示**:完整版(换元联立解 $f$)见 [错题16 T1](../../错题本/16_抽象函数求积分.md)。
### 型20 已知 f' 或原函数值型
- **识别**:给 $f'(x)$ 表达式 + $f(0)$,求 $\int_0^1 f$;或给原函数值 $F(a),F(b)$ 求 $\int f(\varphi(x))\varphi'(x)dx$。
- **通法**:① **分部联动**:$\int_0^1 f = xf|_0^1-\int_0^1 xf'$——把 $\int f$ 转成 $\int xf'$($f'$ 已知就能算);② $f'$ 有对称性(如 $f'(x)=f'(1-x)$)→ 两式相加消元;③ 有原函数值 → 换元 + N-L。
- **陷阱**:先求 $f(x)=\int f'$ 再积分($f'$ 常无初等原函数,硬求必死)。
- **母题**:$f'(x)=\arctan(x-1)^2$,$f(0)=0$,求 $\int_0^1 f(x)dx$。**解**:分部 $I=f(1)-\int_0^1 xf'(x)dx$;由 $f'(x)=f'(1-x)$ 得 $\int_0^1 xf'(x)dx=\frac12 f(1)$ → $I=\frac12 f(1)=\frac\pi8-\frac\pi{4\sqrt2}+\frac{\ln(1+\sqrt2)}{2\sqrt2}$。完整推导见 [错题16 母题3B](../../错题本/16_抽象函数求积分.md)。**启示**:**"已知 $f'$ 求 $\int f$"永远先想分部,不要想求原函数**。
---
## 方法论 · 三大决策树(浓缩版)
### 不定积分
```
拆/配方/恒等 → 直接公式?
├─ 含 φ'(x)f(φ(x)) → 凑微分
├─ 含根式 → 三角代换 / 根式代换 / 倒代换 / 欧拉代换
├─ 两类乘积 → 分部(LIATE)/ 表格 / 复指数
├─ 有理函数 → 部分分式
├─ 三角有理式 → 判据代换 > 万能代换
├─ 带幂 Iₙ → 递推
├─ 含参数 → Feynman
├─ ln/arctan 除 x → 级数
└─ 像导数 → 观察法
```
### 定积分
```
对称区间? → 奇偶 / 拆项
周期? → 平移
两端对称? → 区间再现两式相加
三角幂? → Wallis
含参? → Feynman / 换序
特殊形? → 特殊积分库
否则 → 换元/分部 + N-L
```
### 反常积分
```
识别类型(无穷限/瑕点,瑕点可能在内)→ 找等价主导项 1/x^p 或 1/(b-x)^p
→ p-比较/极限审敛 → 绝对收敛? → 条件收敛用 Dirichlet/Abel
→ 求值:原函数 / 含参求导 / Frullani 参数化换序
```
---
## 易错点红黑榜(合并全库)
| ❌ 错误 | ✅ 正确 |
|--------|--------|
| 不定积分忘 $C$ | $C$ 代表函数族,选填必扣 |
| 两类换元混淆:第二类不回代 | 第一类不变元;第二类**必回代** |
| 凑微分漏系数($\int\sin(2x)$) | $dx=\frac12d(2x)$,系数 $\frac12$ |
| 分部 $u$ 选反 | LIATE:反对幂指三,$u$ 取前 |
| 部分分式重因式少拆 / 二次式误拆 | 重因式拆到重数;判别式<0 用 $\frac{Ax+B}{x^2+px+q}$ |
| 三角有理式盲目万能代换 | 先判奇偶选特殊代换,万能垫底 |
| 定积分换元忘换限 | 换元必换限,上下限同步 |
| 变限求导漏链式系数 | $\varphi'(x)$ 不能丢;含参被积用 Leibniz |
| "可积"与"有原函数"混淆 | 可积:有界+有限间断;有原函数:连续(或可去) |
| 反常积分先算后判 | 先判敛再求值;$\int_{-\infty}^{+\infty}\sin x$ 是发散 |
| 对称抵消误用 | $\int_{-\infty}^{+\infty}$ 不能用"对称=0"(各自发散) |
| 抽象函数只用一个方程 | 对合关系必须换元再生一方程联立 |
| 已知 $f'$ 先求 $f$ | 分部联动 $\int f=xf-\int xf'$,不还原 $f$ |
| Feynman 漏初值 | 积分还原后必用特殊值定常数 |
| 复指数取错实/虚部 | $\cos$ 取实部,$\sin$ 取虚部 |
| 表格法符号错 | 从 $+$ 起逐行变号;最后一行不参与 |
| 级数法越出收敛域 | 逐项积分限在收敛半径内,端点单独说明 |
| 切比雪夫盲算 | 判"无初等原函数"就停手(如 $\int\sqrt{x^3+1}$) |
---
## 复习策略
### 优先级与建议题量
| 子专题 | 优先级 | 题量 | 说明 |
|--------|--------|------|------|
| 分部积分(含表格/复指数) | 高 | 30 | 每年必考,须成本能 |
| 凑微分 | 高 | 30 | 形式最多变,靠积累 |
| 换元(三角/根式/倒代换) | 高 | 25 | 三种三角代换练熟 |
| 有理函数部分分式 | 高 | 25 | 步骤固定但计算量大 |
| 对称性/区间再现/周期 | 高 | 20 | 定积分提速核心 |
| 变限积分求导 | 高 | 25 | 每年必考(含参 Leibniz) |
| Wallis 与三角幂 | 中 | 15 | 背口诀+递推 |
| 反常积分审敛 | 中 | 20 | p-比较 + 绝对/条件 |
| Feynman 含参 | 中 | 10 | 考研中频,会套路即可 |
| 级数法 / 观察法 | 低 | 8 | 特殊结构题 |
| 抽象函数 | 中 | 12 | 换元联立/转ODE/分部联动 |
| L4 冷门拓展 | 低 | 认脸 | 数一注意 Γ/Beta、Frullani |
### 跨章节联动
```
Ch04 不定积分(本专题地基)
→ Ch05 定积分(N-L 依赖原函数)
→ Ch06 定积分应用(面积/体积/弧长/做功)
→ Ch07 微分方程(积分因子 e^∫Pdx;变限方程转 ODE)
→ Ch09 重积分(累次积分换序 = 定积分 ×2;极坐标换元)
→ 无穷级数(∫ 与 ∑ 互化;逐项积分)
→ 概率论(Γ 函数、高斯积分 = 正态归一化)
```
### 【终极母题推荐】
> 一道题覆盖"换元 + 分部 + 有理函数 + 对称性 + 特殊积分"五层:
> 计算 $\displaystyle\int_0^{+\infty}\frac{\ln(1+x^2)}{1+x^2}dx$。
>
> **解**:含参 Feynman:$I(a)=\int_0^\infty\frac{\ln(1+a^2x^2)}{1+x^2}dx$,$I(0)=0$,$I(1)=$ 所求。
> $I'(a)=\int_0^\infty\frac{2a x^2}{(1+a^2x^2)(1+x^2)}dx$,部分分式:
> $\frac{2ax^2}{(1+a^2x^2)(1+x^2)} = \frac{2a}{a^2-1}\left(\frac{1}{1+x^2}-\frac{1}{1+a^2x^2}\right)$($a\ne1$)
> → $I'(a)=\frac{2a}{a^2-1}\cdot\frac\pi2\left(1-\frac1a\right)=\frac{\pi}{a+1}$
> → $I(a)=\pi\ln(1+a)+C$,由 $I(0)=0$ 得 $C=0$,故
> $$\int_0^{+\infty}\frac{\ln(1+x^2)}{1+x^2}dx = \boxed{\pi\ln2}$$
>
> **覆盖点**:① 含参构造(Feynman)② 部分分式(有理函数)③ $\int_0^\infty\frac{dx}{1+a^2x^2}=\frac\pi{2a}$(基本公式)④ 初值定常数。**此题通透 → 积分方法总谱 80% 已融会贯通。**
---
## 与体系的关系
- 常规四法完整版:[Ch04 不定积分](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md)、[Ch05 定积分](../../高等数学/Ch05_定积分/Ch05_Definite_Integral.md)
- 巧法十式完整推导:[错题17 非常规求积分方法](../../错题本/17_非常规求积分方法.md)
- 抽象函数六型:[错题16 抽象函数求积分](../../错题本/16_抽象函数求积分.md)
- 冷门公式速查:[每日必过01 少见函数导数与积分](../../每日必过大专栏/01_少见函数导数与积分.md)
- 积分与极限/放缩联动:[错题本01 极限中含积分](../../错题本/01_极限中含积分的题型.md)、[放缩专题05 积分与极限中的放缩](../../错题本/放缩专题/05_积分与极限中的放缩.md)
【图:题型-方法匹配卡(20 型速查表大字版)】
【图:不定积分十大题型通法流程图】
@@ -0,0 +1,119 @@
# 猛攻专题 · 积分专题(方法总谱)
> ⚡ 定位:跨章节"方法武器库"——盘点**文档内 + 互联网上**所有常见与不常见的积分办法,按「识别信号 → 操作 → 母题」组织,最终落成**题型 + 解题方法论**。
>
> 前置基础:[Ch04 不定积分](../../高等数学/Ch04_不定积分/Ch04_Indefinite_Integral.md) → [Ch05 定积分](../../高等数学/Ch05_定积分/Ch05_Definite_Integral.md) → [错题17 非常规求积分方法](../../错题本/17_非常规求积分方法.md) → [错题16 抽象函数求积分](../../错题本/16_抽象函数求积分.md)
---
## 目录
| 文件 | 内容 | 优先级 |
|------|------|--------|
| [01_积分方法总谱](./01_积分方法总谱.md) | 全量方法盘点:常规四法 / 巧法十式 / 定积分专技 / 冷门拓展,每法「识别→操作→极简例」 | ⭐⭐⭐ |
| [02_题型与解题方法论](./02_题型与解题方法论.md) | 题型分类(不定/定/反常/抽象 4 族 20 型)、通法步骤、母题、决策树、易错红黑榜、复习策略 | ⭐⭐⭐ |
| [训练场/00_训练场导航](./训练场/00_训练场导航.md) | **边学边做**:13 个训练场入口 + 打卡表 + 做题纪律 | ⭐⭐⭐ |
| [训练场/01~13](./训练场/01_基本公式与恒等变形.md) | 每场 = 方法速览 → 精讲例题 → 当堂练习(先做)→ 折叠答案解析 | ⭐⭐⭐ |
> **推荐学习路径**:先读 01 总谱(建立全貌)→ 按 02 决策树/红黑榜指导 → 进训练场逐场"边学边做"(01→13 串行)→ 13 综合组卷限时自测 → 错题回炉对应训练场。
---
## 方法全景图(四层体系)
> 求微分是**算法**(公式+链式,机械执行);求积分是**反演**(无统一算法,先判结构、再选工具)。解积分题的第一原则:**看到什么结构 → 想起哪层哪招**,而不是闷头凑。
```
积分方法四层体系
│
├─ L1 常规四法(考研主战场,必须形成本能)
│ ① 基本积分表 + 恒等变形(拆项/配方/三角恒等/多项式除法)
│ ② 第一类换元(凑微分) ③ 第二类换元(三角/根式/倒代换)
│ ④ 分部积分(LIATE 选 u,含表格法记账)
│ + 有理函数部分分式 / 三角有理式万能代换 / 递推公式
│
├─ L2 巧法十式(常规法解不动/太慢时的第二武器库)
│ 区间再现 · 奇偶拆项 · 特殊换元族 · 表格法 · 复指数法
│ 递推公式 · Feynman 含参求导 · 级数逐项 · 微分方程观察 · 特殊积分库
│
├─ L3 定积分与反常积分专技(区间是资产,不是包袱)
│ 奇偶/周期/区间再现 · Wallis · 变限求导 · 审敛四法
│ Γ 函数 · 高斯积分 · Dirichlet · Frullani
│
└─ L4 冷门拓展(数一/竞赛/超纲,认脸即可,知道"存在"以防盲区)
欧拉代换(3型) · 双曲代换 · 复变留数 · 拉普拉斯/傅里叶变换法
切比雪夫可积条件 · Beta 函数 · 微分算子法 · 数值积分
```
---
## 方法选择决策树(总纲)
```mermaid
flowchart TD
A["遇到积分题"] --> B{"先问:是定积分还是不定积分?"}
B -->|"不定积分"| C{"被积函数结构?"}
B -->|"定积分"| D{"区间/函数有没有结构?"}
C -->|"基本型/可恒等变形"| E["L1① 公式+拆项/配方/三角恒等"]
C -->|"含 φ'(x)·f(φ(x))"| F["L1② 凑微分"]
C -->|"含 √(a²±x²) / √(x²±a²)"| G["L1③ 三角代换 sin/tan/sec"]
C -->|"含 √(ax²+bx+c) 一般型"| H["L4 欧拉代换 / L1③ 配方后三角"]
C -->|"含 √[n]ax+b 或混合根式"| I["L1③ 根式代换 / 最小公倍数"]
C -->|"x 与 1/x 对称"| J["L2 倒代换 x=1/t"]
C -->|"两类函数乘积"| K{"含 ln/反三角?"}
K -->|"是"| L["L1④ 分部 u=ln/反三角"]
K -->|"多项式×e^kx/sin/cos"| M["L1④ 分部 / L2 表格法 / 复指数"]
K -->|"e^ax·sin bx"| N["分部两遍解方程 / L2 复指数"]
C -->|"有理函数"| O["L1 部分分式(假分式先除法)"]
C -->|"三角有理式"| P["特殊代换(sin/cos/tan判据) > 万能代换"]
C -->|"带幂 n 的积分族"| Q["L2 递推公式"]
C -->|"含参数 α 且求导变简单"| R["L2 Feynman 含参求导"]
C -->|"ln(1±x)/x、arctan x/x 型"| S["L2 级数逐项积分"]
C -->|"像某函数导数"| T["L2 微分方程观察"]
C -->|"e^(-x²)、sin x/x、ln sin x 等"| U["L2/L3 背特殊积分库结论"]
D -->|"对称区间 [-a,a]"| V{"奇偶性?"}
V -->|"奇函数"| W["= 0"]
V -->|"偶函数"| X["= 2∫₀ᵃ"]
V -->|"非奇非偶"| Y["L2 奇偶拆项 / g(x)+g(-x)=c"]
D -->|"区间两端对称 a+b-x"| Z["L2 区间再现 两式相加"]
D -->|"周期函数"| AA["平移到一个周期"]
D -->|"sin^n/cos^n 于[0,π/2]"| AB["Wallis 公式"]
D -->|"含参/反常"| AC["审敛→计算;含参先求导"]
D -->|"f 抽象(只给关系)"| AD["换元联立/求导转ODE/分部联动"]
```
---
## 题型 ↔ 方法 速查总表
| 题型族 | 关键题型 | 首选方法 | 见 |
|--------|---------|---------|-----|
| 不定积分 | 基本型 / 变形型 | L1① 公式 + 恒等变形 | 02 型1 |
| 不定积分 | 凑微分型 | L1② | 02 型2 |
| 不定积分 | 根式型 | L1③ 三角/根式/倒代换,L4 欧拉 | 02 型3 |
| 不定积分 | 乘积型 | L1④ 分部 / L2 表格 / 复指数 | 02 型4 |
| 不定积分 | 有理函数型 | L1 部分分式 | 02 型5 |
| 不定积分 | 三角有理式型 | 特殊代换 > 万能代换 | 02 型6 |
| 不定积分 | 递推族 Iₙ 型 | L2 递推公式 | 02 型7 |
| 不定积分 | 抽象函数型 | 换元联立 / 转 ODE / 分部联动 | 02 型8 |
| 不定积分 | 含参 / 级数 / 观察型 | L2 Feynman / 级数 / 观察 | 02 型9-11 |
| 定积分 | 黎曼和定义型 | 定积分定义 ⇄ 极限 | 02 型12 |
| 定积分 | 变限积分求导型 | Leibniz 法则(三层结构) | 02 型13 |
| 定积分 | 对称 / 周期 / 区间再现 | L2 巧法 + Wallis | 02 型14 |
| 定积分 | 特殊积分库型 | 高斯 / Dirichlet / Frullani / Γ | 02 型15 |
| 反常积分 | 审敛型 | 比较 / 极限审敛 / 绝对·条件 | 02 型16 |
| 抽象 | 已知 f' 求 ∫f、关系式求积分 | 分部联动不还原 f | 02 型17 |
---
## 使用建议
1. **第一遍**:过 [01_方法总谱](./01_积分方法总谱.md),目标是"看到结构能报出方法名"——不需要每题都做。
2. **第二遍**:做 [02_题型与解题方法论](./02_题型与解题方法论.md) 的每型母题,做完对照解析,重点看"为什么这步能想到"。
3. **刷题前 30 秒**:默背 README 的决策树骨架,养成"判结构"习惯。
4. **每周**:回看 L4 冷门拓展,确认没有盲区(数一尤其注意 Γ/Beta、反常积分里 Dirichlet/Frullani 的出场)。
【图:积分方法四层体系金字塔】
【图:不定积分方法选择决策树(大字版贴墙)】
@@ -0,0 +1,34 @@
# 积分专题 · 训练场(边学边做)
> 使用方法:每个训练场 = **方法速览(30 秒)→ 精讲例题(示范)→ 当堂练习(先做)→ 答案解析(点开)**。
> 建议顺序学习,每场完成后再进下一场;综合组卷留到最后限时自测。
> 做题前可先查 [01_方法总谱](../01_积分方法总谱.md)(速查)与 [02_题型与解题方法论](../02_题型与解题方法论.md)(决策树+红黑榜)。
---
## 学习路径与打卡
| # | 训练场 | 核心方法 | 建议用时 | 打卡 |
|---|--------|---------|---------|------|
| 01 | [基本公式与恒等变形](./01_基本公式与恒等变形.md) | 拆项/配方/三角恒等/多项式除法 | 30min | ☐ |
| 02 | [第一类换元法(凑微分)](./02_第一类换元法.md) | 凑微分十式 | 40min | ☐ |
| 03 | [第二类换元法](./03_第二类换元法.md) | 三角/根式/倒代换/最小公倍数 | 45min | ☐ |
| 04 | [分部积分法](./04_分部积分法.md) | LIATE/三种模式/表格法/复指数 | 45min | ☐ |
| 05 | [有理函数积分](./05_有理函数积分.md) | 部分分式/待定系数 | 40min | ☐ |
| 06 | [三角有理式与递推](./06_三角有理式与递推.md) | 特殊代换/万能代换/递推族 | 40min | ☐ |
| 07 | [定积分对称性与区间再现](./07_定积分对称性与区间再现.md) | 奇偶/周期/King | 40min | ☐ |
| 08 | [Wallis 与三角幂](./08_Wallis与三角幂.md) | Wallis/递推/降幂 | 30min | ☐ |
| 09 | [变限积分求导与 N-L](./09_变限积分求导与N-L.md) | Leibniz/洛必达 | 40min | ☐ |
| 10 | [反常积分与特殊积分库](./10_反常积分与特殊积分库.md) | 审敛四件套/高斯/Frullani | 45min | ☐ |
| 11 | [抽象函数与 Feynman](./11_抽象函数与Feynman.md) | 换元联立/转ODE/分部联动/含参求导 | 45min | ☐ |
| 12 | [冷门拓展(欧拉·双曲·ΓΒ)](./12_冷门拓展.md) | 欧拉代换/双曲/切比雪夫/ΓΒ | 30min | ☐ |
| 13 | [综合组卷(限时自测)](./13_综合组卷.md) | 全方法混合 | 90min | ☐ |
> 每场内部按 ★→★★★ 梯度排题;做题时先独立思考 3-5 分钟,再点开答案对照。
## 做题纪律(三条)
1. **先判结构再动手**:用 README 决策树 30 秒定方法,不闷头凑。
2. **答案必须完整**:不定积分写 $C$;定积分写精确值;换元必回代/换限。
3. **错题标记**:做错的题在打卡列写「错」,回 [02 红黑榜](../02_题型与解题方法论.md) 找对应陷阱。
【图:训练场学习路径流程图(01→13 串行,13 自测后回炉错题场)】
@@ -0,0 +1,52 @@
# 训练场 01 · 基本积分公式与恒等变形
> 对应总谱 [§1.1](../01_积分方法总谱.md) | 题型:02 型1 | 难度:★
---
## 一、方法速览(30 秒)
| 信号 | 操作 |
|------|------|
| 分式 | 拆项:$\frac{1}{x(x+1)}=\frac1x-\frac1{x+1}$;假分式先多项式除法 |
| 二次式 | 配方:$x^2+2x+2=(x+1)^2+1$ |
| 三角函数偶次幂 | 降幂:$\sin^2 x=\frac{1-\cos2x}{2}$ |
| $\sec^2 x,\tan^2 x$ | $\tan^2 x=\sec^2 x-1$ |
| 分式分子分母同形 | 约分 / 凑 1:$\frac{1+x^2}{x^2}=\frac1{x^2}+1$ |
## 二、精讲例题(示范)
**例题**:求 $\displaystyle\int\frac{x^3}{x^2+1}\,dx$。
**解析**:假分式先做多项式除法:$x^3 = x(x^2+1) - x$,
$$\int\frac{x^3}{x^2+1}dx = \int\left(x - \frac{x}{x^2+1}\right)dx = \frac{x^2}{2} - \frac12\ln(1+x^2) + C$$
**启示**:分子次数 ≥ 分母次数 → **先除法**,把假分式拆成"多项式 + 真分式"再积分。
## 三、当堂练习(先做,做完点开答案)
**练习1**(★):$\displaystyle\int\frac{x^4-1}{x^2+1}\,dx$
**练习2**(★):$\displaystyle\int\frac{1+\cos^2 x}{\cos^2 x}\,dx$
**练习3**(★★):$\displaystyle\int\sin^2 x\,dx$
**练习4**(★★):$\displaystyle\int\frac{1+x}{1-x}\,dx$
**练习5**(★★):$\displaystyle\int\frac{dx}{x^2+2x+5}$
## 四、答案与解析(点开对照)
> [!tip]- 练习1
> 因式分解:$x^4-1=(x^2-1)(x^2+1)$,约分得 $x^2-1$,故 $=\dfrac{x^3}{3}-x+C$。
> [!tip]- 练习2
> $\dfrac{1+\cos^2x}{\cos^2x}=\sec^2x+1$,故 $=\tan x+x+C$。
> [!tip]- 练习3
> 降幂:$\sin^2x=\dfrac{1-\cos2x}{2}$,故 $=\dfrac{x}{2}-\dfrac{\sin2x}{4}+C$。
> [!tip]- 练习4
> $\dfrac{1+x}{1-x}=\dfrac{-(1-x)+2}{1-x}=-1+\dfrac{2}{1-x}$,故 $=-x-2\ln|1-x|+C$。
> [!tip]- 练习5
> 配方:$x^2+2x+5=(x+1)^2+4$,故 $=\dfrac12\arctan\dfrac{x+1}{2}+C$(公式 $\int\frac{dx}{x^2+a^2}=\frac1a\arctan\frac xa$,$a=2$)。
@@ -0,0 +1,56 @@
# 训练场 02 · 第一类换元法(凑微分)
> 对应总谱 [§1.2](../01_积分方法总谱.md) | 题型:02 型2 | 难度:★→★★
---
## 一、方法速览(30 秒)
口诀:**「前看函数,后看微分;谁复杂先凑谁」**——把外层凑成 $\int f(\varphi)\,d\varphi$。
| 结构 | 凑法 |
|------|------|
| $f(ax+b)$ | $d(ax+b)$(记得 $\frac1a$) |
| $f(x^n)\cdot x^{n-1}$ | $d(x^n)$ |
| $f(e^x)e^x$ | $d(e^x)$ |
| $f(\ln x)\cdot\frac1x$ | $d(\ln x)$ |
| $f(\sin x)\cos x$ | $d(\sin x)$ |
| $f(\cos x)\sin x$ | $-d(\cos x)$ |
| $f(\tan x)\sec^2 x$ | $d(\tan x)$ |
## 二、精讲例题(示范)
**例题**:求 $\displaystyle\int\sin^2 x\cos x\,dx$。
**解析**:外层 $\sin^2x$ 是 $u^2$($u=\sin x$),$\cos x\,dx = d(\sin x)$:
$$\int\sin^2 x\cos x\,dx = \int\sin^2 x\,d(\sin x) = \frac{\sin^3 x}{3} + C$$
**启示**:先找"内层函数"(这里 $\sin x$),再看它的微分是否出现。
## 三、当堂练习(先做,做完点开答案)
**练习1**(★):$\displaystyle\int x e^{x^2}\,dx$
**练习2**(★):$\displaystyle\int\sin^3 x\cos x\,dx$
**练习3**(★★):$\displaystyle\int\frac{dx}{x\ln x}$
**练习4**(★★):$\displaystyle\int\tan x\,dx$
**练习5**(★★):$\displaystyle\int e^{\sin x}\cos x\,dx$
## 四、答案与解析(点开对照)
> [!tip]- 练习1
> $xe^{x^2}dx=\frac12 e^{x^2}d(x^2)$,故 $=\dfrac12e^{x^2}+C$。
> [!tip]- 练习2
> $\cos x\,dx=d(\sin x)$,故 $=\dfrac{\sin^4x}{4}+C$。
> [!tip]- 练习3
> $\dfrac{dx}{x}=d(\ln x)$,故 $\displaystyle\int\frac{d(\ln x)}{\ln x}=\ln|\ln x|+C$。
> [!tip]- 练习4
> $\tan x\,dx=\dfrac{\sin x}{\cos x}dx=-\dfrac{d(\cos x)}{\cos x}$,故 $=-\ln|\cos x|+C$。
> [!tip]- 练习5
> $\cos x\,dx=d(\sin x)$,故 $=e^{\sin x}+C$。
@@ -0,0 +1,60 @@
# 训练场 03 · 第二类换元法(三角 · 根式 · 倒代换)
> 对应总谱 [§1.3](../01_积分方法总谱.md) | 题型:02 型3 | 难度:★★
---
## 一、方法速览(30 秒)
| 被积含 | 代换 | 注意 | | |
| ---------------------- | ---------------------- | ------------ | --- | ------ |
| $\sqrt{a^2-x^2}$ | $x=a\sin t$ | 回代画直角三角形 | | |
| $\sqrt{a^2+x^2}$ | $x=a\tan t$ | 回代 | | |
| $\sqrt{x^2-a^2}$ | $x=a\sec t$ | 定义域 $ | x | \ge a$ |
| $\sqrt[n]{ax+b}$ | $\sqrt[n]{ax+b}=t$ | 去根式 | | |
| $\sqrt x,\sqrt[3]x$ 混合 | $t=x^{1/\mathrm{lcm}}$ | 最小公倍数 | | |
| $x$ 与 $\frac1x$ 对称 | $x=\frac1t$(倒代换) | 分母含 $x^k$ 因子 | | |
**铁律**:第二类换元**必须回代**(答案不能留 $t$)。
## 二、精讲例题(示范)
**例题**:求 $\displaystyle\int\frac{dx}{x^2\sqrt{1+x^2}}$。
**解析**(倒代换):令 $x=\frac1t$,$dx=-\frac{dt}{t^2}$:
$$\int\frac{dx}{x^2\sqrt{1+x^2}} = \int\frac{-\frac1{t^2}dt}{\frac1{t^2}\sqrt{1+\frac1{t^2}}} = -\int\frac{dt}{\sqrt{t^2+1}} = -\ln\big|t+\sqrt{t^2+1}\big|+C = -\ln\left|\frac1x+\frac{\sqrt{1+x^2}}{|x|}\right|+C$$
**启示**:分母出现 $x^k$ 因子 + 根式 → **倒代换**把 $x^k$ 消掉,常常一步简化。
## 三、当堂练习(先做,做完点开答案)
**练习1**(★★):$\displaystyle\int\sqrt{4-x^2}\,dx$(提示:$x=2\sin t$)
**练习2**(★★):$\displaystyle\int\frac{dx}{\sqrt{x^2+9}}$(可用公式或 $x=3\tan t$)
**练习3**(★★):$\displaystyle\int\frac{dx}{1+\sqrt x}$
**练习4**(★★★):$\displaystyle\int\frac{dx}{\sqrt x+\sqrt[4]x}$(混合根式)
**练习5**(★★★):$\displaystyle\int\frac{dx}{x\sqrt{x^2-1}}$(倒代换或 $x=\sec t$)
## 四、答案与解析(点开对照)
> [!tip]- 练习1
> $x=2\sin t,\ dx=2\cos t\,dt$,$\sqrt{4-x^2}=2\cos t$:
> $=\int4\cos^2t\,dt=2\int(1+\cos2t)dt=2t+\sin2t+C$。回代:$t=\arcsin\frac x2$,$\sin2t=2\sin t\cos t=\frac{x\sqrt{4-x^2}}{2}$:
> $=\boxed{2\arcsin\dfrac x2+\dfrac{x}{2}\sqrt{4-x^2}+C}$。
> [!tip]- 练习2
> 公式:$=\ln\big|x+\sqrt{x^2+9}\big|+C$。($x=3\tan t$ 也能做,殊途同归。)
> [!tip]- 练习3
> 令 $t=\sqrt x$,$x=t^2,\ dx=2t\,dt$:$=\int\dfrac{2t}{1+t}dt=2\int\left(1-\dfrac1{1+t}\right)dt=2t-2\ln(1+t)+C=\boxed{2\sqrt x-2\ln(1+\sqrt x)+C}$。
> [!tip]- 练习4
> 混合根式 $\sqrt x=x^{1/2},\sqrt[4]x=x^{1/4}$,取 $\mathrm{lcm}=4$:令 $t=x^{1/4}$($x=t^4,\ dx=4t^3dt$):
> $=\int\dfrac{4t^3}{t^2+t}dt=4\int\dfrac{t^2}{t+1}dt=4\int\left(t-1+\dfrac1{t+1}\right)dt=2t^2-4t+4\ln(1+t)+C$
> $=\boxed{2\sqrt x-4x^{1/4}+4\ln(1+x^{1/4})+C}$。
> [!tip]- 练习5
> 倒代换 $x=\frac1t$:$=\int\dfrac{-dt/t^2}{(1/t)\sqrt{1/t^2-1}}=-\int\dfrac{dt}{\sqrt{1-t^2}}=-\arcsin t+C=\boxed{-\arcsin\dfrac1x+C}$。
> ($x=\sec t$ 可得等价形式 $\arccos\frac1x$,两者差常数。)
@@ -0,0 +1,56 @@
# 训练场 04 · 分部积分法(含表格法 · 复指数)
> 对应总谱 [§1.4](../01_积分方法总谱.md) | 题型:02 型4 | 难度:★★
---
## 一、方法速览(30 秒)
公式:$\int u\,dv = uv - \int v\,du$。选 $u$ 优先级:**反、对、幂、指、三**(LIATE)。
| 模式 | 识别 | 操作 |
|------|------|------|
| 1 | $x^n e^{kx}$ / $x^n\sin ax$ | $u=x^n$ 降幂 |
| 2 | $x^n\ln x$ / $x^n\arcsin x$ | $u=\ln$/反三角,一步消掉 |
| 3 | $e^{ax}\sin bx$ | 分部两遍 → 回归解方程(或复指数法) |
| 加速 | 多项式 × 指/三 | 表格法(左求导到 0,右积分,斜线正负) |
## 二、精讲例题(示范)
**例题**:求 $\displaystyle\int x^2 e^x\,dx$。
**解析**(表格法):左列 $x^2\to 2x\to 2\to 0$,右列 $e^x\to e^x\to e^x\to e^x$,斜线 $+,-,+,-$:
$$\int x^2e^xdx = x^2e^x - 2xe^x + 2e^x + C = e^x(x^2-2x+2)+C$$
**启示**:表格法 = 重复分部记账;符号从 $+$ 起逐行变号。
## 三、当堂练习(先做,做完点开答案)
**练习1**(★):$\displaystyle\int x\ln x\,dx$
**练习2**(★★):$\displaystyle\int e^x\sin x\,dx$
**练习3**(★★):$\displaystyle\int\arctan x\,dx$
**练习4**(★★★):$\displaystyle\int x^2\cos x\,dx$
**练习5**(★★★):$\displaystyle\int\ln x\,dx$(基础热身,视为 $\int 1\cdot\ln x\,dx$)
## 四、答案与解析(点开对照)
> [!tip]- 练习1
> $u=\ln x,\ dv=x\,dx$ → $du=\frac{dx}{x},\ v=\frac{x^2}{2}$:
> $=\dfrac{x^2}{2}\ln x - \dfrac12\int x\,dx = \boxed{\dfrac{x^2}{2}\ln x - \dfrac{x^2}{4}+C}$。
> [!tip]- 练习2
> 模式3 回归:$I=\int e^x\sin x\,dx = e^x\sin x - \int e^x\cos x\,dx = e^x\sin x - \left(e^x\cos x + I\right)$
> $2I=e^x(\sin x-\cos x)$ → $\boxed{\dfrac{e^x}{2}(\sin x-\cos x)+C}$。
> [!tip]- 练习3
> $u=\arctan x,\ dv=dx$:$=x\arctan x - \displaystyle\int\frac{x}{1+x^2}dx = \boxed{x\arctan x - \frac12\ln(1+x^2)+C}$。
> [!tip]- 练习4
> 分部两次:$u=x^2,\ dv=\cos x\,dx$:$=x^2\sin x-2\int x\sin x\,dx$;再分部 $\int x\sin x\,dx=-x\cos x+\sin x$:
> $=\boxed{x^2\sin x+2x\cos x-2\sin x+C}$。
> [!tip]- 练习5
> $u=\ln x,\ dv=dx$:$=x\ln x-\displaystyle\int x\cdot\frac1x dx = \boxed{x\ln x-x+C}$。

Some files were not shown because too many files have changed in this diff Show More