Files
MathNotesVersion1/公式笔记/概率论/Ch02_随机变量及其分布/Ch02_Random_Variables.md
T
2026-10-04 11:44:56 +08:00

618 lines
24 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 📌 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。