24 KiB
📌 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:
- 非负性:
f(x) \ge 0 - 归一性:
\displaystyle\int_{-\infty}^{+\infty} f(x)\, dx = 1 P(a \le X \le b) = \displaystyle\int_a^b f(x)\, dx- 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:
- 求
F_Y(y) = P(Y \le y) = P(g(X) \le y) = P(X \in \{x: g(x) \le y\}) - 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)
- 离散单位时间内事件数 → 泊松
❌ 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_ni.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。