18 KiB
📌 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:
- 单调性:
F关于每个自变量单调不减 - 右连续性:
F关于每个自变量右连续 - 范围:
0 \le F(x, y) \le 1 - 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:
f(x, y) \ge 0\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
- 求联合分布(律或密度)
- 求边缘分布
- 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) = zz \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:
- 边缘分布
X \sim N(\mu_1, \sigma_1^2), $Y \sim N(\mu_2, \sigma_2^2)$(与\rho无关!) - 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) 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)X, Y独立 $\iff \rho = 0$(二维正态下的充要条件)- 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) = zz \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:
- 换元:把
y换为 $z-x$(因 $z = x + y$) - 定限:找到
f(x, z-x) \ne 0的x范围 - 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
- 联合可分解:
f(x,y) = f_X(x) f_Y(y) - 联合分布律:
p_{ij} = p_{i\cdot} p_{\cdot j} - 混合验证:
P(X \in A, Y \in B) = P(X \in A) P(Y \in B) - 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) = zz \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,期望、方差、协方差将在本章的联合分布基础上系统展开。