Files
2026-10-04 11:44:56 +08:00

24 KiB
Raw Permalink Blame History

📌 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

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) $
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,单变量将升级为联合分布、边缘分布和条件分布。