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

18 KiB
Raw Permalink Blame History

📌 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,期望、方差、协方差将在本章的联合分布基础上系统展开。