Files

315 lines
14 KiB
Markdown
Raw Permalink Normal View History

---
tags: [数学一, 专项突破, 解析, 多维随机变量]
专题: 多维随机变量
日期: 2026-11-11
状态: 第二版 B 组解析,A/C 组见 03a 与 03c
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03a-解析-基础]]", "[[03c-解析-拔高]]"]
---
# 解析(中等)· 多维随机变量 B 组
**这十题全部对着真题改的数字**(2016—2025 的 ch17 真题),问法、分值、分段数都保持原样。做完要能说出"这道题在真题里是哪一年、考的是哪一步"。
## 答案速查
| 题 | 核心答案 |
|---|---|
| B1 | $P\{U=1\}=\frac12$ ;不独立($\frac5{64}\ne\frac{15}{128}$ );$F_Z=2z^{3/2}-\frac32z^2$ 与 $\frac12+\frac32(z-1)^2-(z-1)^3$ |
| B2 | $f_Z=p\mathrm e^{z}\ (z<0)$ 、$(1-p)\mathrm e^{-z}\ (z>0)$ ;$p=\frac12$ ;不独立 |
| B3 | $\operatorname{Cov}=\lambda$ ;$P\{Z=0\}=\mathrm e^{-\lambda}$ ,$P\{Z=\pm k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!}$ ;非泊松;$DZ=\lambda^2+\lambda$ |
| B4 | $f_X=1$ ;$f_Z=\frac{2}{(z+1)^2}\ (z>1)$ ;$2\ln2-1$ |
| B5 | $F=\frac12\Phi(x)\Phi(y)+\frac12\Phi(\min\{x,y\})$ ;$\Phi(y)$ ;$\operatorname{Cov}=\frac12$ ,$\rho=\frac12$ |
| B6 | $\operatorname{Cov}=0$ ;不独立;$f_Z=2z\ (0<z<1)$ |
| B7 | $P\{Y>0\}=\frac14$ ,$EY=50$ ;$M\sim P(2)$ ;独立 |
| B8 | $\frac{27}{64}$ ;$f_Z=\frac32z^2$ 与 $\frac32(z-1)^2$ ;$\frac12$ |
| B9 | $E(Y\vert X)=\frac X2$ ;$DY=\frac14$ ;$\operatorname{Cov}=\frac16$ ,$\rho=\frac{\sqrt3}{3}$ |
| B10 | $f=2$ (三角形上均匀);$E(XY)=\frac14$ ;$\operatorname{Cov}=\frac1{36}$ |
---
### 题 B1 · 指示变量、独立性与分段分布函数
**怎么想**:三问是三件事——第一问算面积,第二问挑一格比,第三问把 $X$ 的两个支撑段($U=0$ 与 $U=1$ )分别翻到 $z$ 轴上。$Z=U+X$ ,$U=0$ 时 $Z\in(0,1)$ ,$U=1$ 时 $Z\in(1,2)$ ,所以 $F_Z$ 必在 $z=1$ 处分段。
**解**:
(Ⅰ)$D$ 中 $y<x$ 的部分是 $\{0<x<1,\ x^2<y<x\}$ ,面积 $\frac16$ ,又 $f=3$ ,故 $P\{U=1\}=3\times\frac16=\frac12$ 。
(Ⅱ)取 $x_0=\frac14$ 这一格:
$$P\Big\{U=1,\ X\le\frac14\Big\}=3\int_0^{1/4}(x-x^2)\,\mathrm dx=3\Big(\frac1{32}-\frac1{192}\Big)=\frac5{64},$$
$$P\{U=1\}\,P\Big\{X\le\frac14\Big\}=\frac12\cdot3\int_0^{1/4}(\sqrt x-x^2)\,\mathrm dx=\frac32\Big(\frac1{12}-\frac1{192}\Big)=\frac{15}{128}.$$
$\frac5{64}=\frac{10}{128}\ne\frac{15}{128}$ ,故 $U$ 与 $X$ **不独立**。
> 直观理由:$P\{U=1\mid X=x\}$ 是"竖线穿进三角形下支的比例",随 $x$ 变化,不是一个常数。
(Ⅲ)$F_Z(z)=P\{U=0,\ X\le z\}+P\{U=1,\ X\le z-1\}$ 。
当 $0\le z<1$ 时第二项为 $0$ (因 $X>0$ ),
$$F_Z(z)=3\int_0^z(\sqrt x-x^2)\,\mathrm dx=2z^{3/2}-\frac32z^2 .$$
当 $1\le z<2$ 时第一项已是 $P\{U=0\}=\frac12$ ,
$$F_Z(z)=\frac12+3\int_0^{z-1}(x-x^2)\,\mathrm dx=\frac12+\frac32(z-1)^2-(z-1)^3 .$$
合起来
$$F_Z(z)=\begin{cases}0, & z<0,\\[2pt] 2z^{3/2}-\frac32z^2, & 0\le z<1,\\[2pt] \frac12+\frac32(z-1)^2-(z-1)^3, & 1\le z<2,\\[2pt] 1, & z\ge2.\end{cases}$$
自检:$F_Z(1^-)=\frac12$ ,$F_Z(1)=\frac12$ ,$F_Z(2^-)=\frac12+\frac32-1=1$ ✓。
> **归因**:D 类——$P\{U=1,X\le z-1\}$ 忘了把 $z$ 平移。$U$ 把 $X$ 的支撑整段搬到 $(1,2)$ ,写 $F_Z$ 必须带这个平移量。
---
### 题 B2 · 两点分布乘指数:相关但不独立
**怎么想**:$Z$ 的支撑被 $Y$ 的符号劈成两半,两半的密度分别是 $X$ 密度的翻折与照搬。第(Ⅱ)问要用 $\operatorname{Cov}(X,Z)=E(X^2)EY-EX\cdot EZ$ ,注意 $E(X^2)$ 与 $EX$ 差一个 $\frac1\lambda$ 。
**解**:
(Ⅰ)当 $Y=-1$ 时 $Z=-X<0$ ,密度 $p\,f_X(-z)=p\,\mathrm e^{z}$ ;当 $Y=1$ 时 $Z=X>0$ ,密度 $(1-p)\mathrm e^{-z}$ 。故
$$f_Z(z)=\begin{cases}p\,\mathrm e^{z}, & z<0,\\[2pt] (1-p)\,\mathrm e^{-z}, & z>0,\\[2pt] 0, & z=0.\end{cases}$$
(Ⅱ)设 $X\sim \mathrm{Exp}(\lambda)$ ,则 $EX=\frac1\lambda$ ,$EX^2=\frac{2}{\lambda^2}$ ,
$$E(XZ)=E(X^2Y)=EX^2\cdot EY=\frac{2}{\lambda^2}(1-2p),\qquad EX\cdot EZ=\frac1\lambda\cdot\frac{1-2p}{\lambda},$$
$$\operatorname{Cov}(X,Z)=\frac{2(1-2p)}{\lambda^2}-\frac{1-2p}{\lambda^2}=\frac{1-2p}{\lambda^2}.$$
故 $p=\frac12$ 时 $\operatorname{Cov}=0$ ,**与 $\lambda$ 无关**($\lambda^2$ 只是正因子,不改变零点位置)。题设 $\lambda=1$ 时 $\operatorname{Cov}=1-2p$ 。
(Ⅲ)不独立。$p=\frac12$ 时 $Z\le-1\iff Y=-1$ 且 $X\ge1$ ,与 $X\le1$ 同时成立的概率为 $0$ ,故
$$P\{X\le1,\ Z\le-1\}=0,$$
但
$$P\{X\le1\}\,P\{Z\le-1\}=(1-\mathrm e^{-1})\cdot\frac12\mathrm e^{-1}\approx0.116\ne0 .$$
不独立。更直接的:此时 $\vert Z\vert=X$ ,$X$ 完全决定 $\vert Z\vert$ 。
> **归因**:A 类——由 $\operatorname{Cov}=0$ 直接判"独立"。这题就是"不相关但不独立"的真题原版。
---
### 题 B3 · 两点分布乘泊松:分布律与方差
**怎么想**:$Z$ 的分布律按 $X=\pm1$ 用全概率拆两半。**注意 $Y$ 只取非负值**,负半轴的概率只来自 $X=-1$ 那一支,不是两支各半再加起来。
**解**:
(Ⅰ)$EX=0$ ,$EZ=E(XY)=EX\cdot EY=0$ ,
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=E(X^2Y)=\lambda .$$
(Ⅱ)$k\ge1$ 时
$$P\{Z=k\}=\frac12P\{Y=k\}+\frac12P\{Y=-k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!},$$
同理 $P\{Z=-k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!}$ ;而 $P\{Z=0\}=P\{Y=0\}=\mathrm e^{-\lambda}$ 。
验归一:$\mathrm e^{-\lambda}+2\cdot\frac12(1-\mathrm e^{-\lambda})=1$ ✓。
$Z$ **不服从泊松分布**——泊松只取非负值,$Z$ 却以正概率取负值。(相当于把泊松的概率关于 $0$ 对折,$P\{Z=0\}$ 保持不动。)
(Ⅲ)$EZ=0$ ,
$$EZ^2=\sum_{k\ge1}k^2\,\mathrm e^{-\lambda}\frac{\lambda^k}{k!}=\lambda^2+\lambda,$$
故 $DZ=\lambda^2+\lambda$ ,而 $DY=\lambda$ ,即 $DZ=DY+(EY)^2$ 。
> **归因**:C 类——写成 $\frac12P\{Y=k\}+\frac12P\{Y=-k\}$ 后忘了 $P\{Y=-k\}=0$ 。泊松的支撑是 $\{0,1,2,\dots\}$ ,负项直接删。
---
### 题 B4 · 随机取点:先求短的那一段
**怎么想**:设取到的点为 $U\sim U(0,2)$ ,则 $X=\min\{U,2-U\}$ 。$X\le x$ 对应 $U\le x$ 或 $U\ge2-x$ ,两段各长 $x$ ,故 $X\sim U(0,1)$ 。此后 $Y=2-X$ ,全化成一维。
**解**:
(Ⅰ)$F_X(x)=P\{U\le x\}+P\{U\ge2-x\}=\dfrac x2+\dfrac x2=x$ ($0<x<1$ ),
$$f_X(x)=1,\qquad 0<x<1 .$$
(Ⅱ)$Y=2-X$ ,$Z=\dfrac{2-X}{X}=\dfrac2X-1$ 。反解 $X=\dfrac{2}{z+1}$ ,$\Big|\dfrac{\mathrm dx}{\mathrm dz}\Big|=\dfrac{2}{(z+1)^2}$ 。$X\in(0,1)$ 对应 $z>1$ ,
$$f_Z(z)=\frac{2}{(z+1)^2},\qquad z>1 .$$
验归一:$\displaystyle\int_1^\infty\frac{2}{(z+1)^2}\,\mathrm dz=\Big[-\frac{2}{z+1}\Big]_1^\infty=1$ ✓。
(Ⅲ)
$$E\Big(\frac XY\Big)=E\Big(\frac{X}{2-X}\Big)=\int_0^1\frac{x}{2-x}\,\mathrm dx=\int_0^1\Big(\frac{2}{2-x}-1\Big)\mathrm dx=2\ln2-1\approx0.386 .$$
> **归因**:C 类——$X$ 与 $Y$ 不独立($Y=2-X$ ),还想套卷积。两段有函数关系时必须走"一维函数分布",把 $Z$ 化成 $X$ 的函数。
---
### 题 B5 · 混合正态:先拆离散再写分布函数
**怎么想**:$Y$ 由 $X_3$ 决定"抄 $X_1$ 还是抄 $X_2$ "。联合分布函数按 $X_3=0,1$ 用全概率拆两项,第二项里 $X_1$ 同时受 $x$ 与 $y$ 限制,取 $\min$ 。
**解**:
(Ⅰ)
$$F(x,y)=\frac12P\{X_1\le x,\ X_2\le y\}+\frac12P\{X_1\le x,\ X_1\le y\}=\frac12\Phi(x)\Phi(y)+\frac12\Phi\big(\min\{x,y\}\big).$$
$x\le y$ 时为 $\frac12\Phi(x)\Phi(y)+\frac12\Phi(x)$ ;$x>y$ 时为 $\frac12\Phi(x)\Phi(y)+\frac12\Phi(y)$ 。
(Ⅱ)令 $x\to+\infty$ :
$$F_Y(y)=\frac12\Phi(y)+\frac12\Phi(y)=\Phi(y),$$
故 $Y\sim N(0,1)$ 。(也可理解为"以 $\frac12$ 的概率取两个同分布的分量",混合后仍是原分布。)
(Ⅲ)$EX_1\cdot EY=0$ ,
$$E(X_1Y)=E\big[X_3X_1^2+(1-X_3)X_1X_2\big]=\frac12EX_1^2+0=\frac12,$$
$$\operatorname{Cov}(X_1,Y)=\frac12,\qquad \rho_{X_1Y}=\frac{1/2}{1\cdot1}=\frac12 .$$
> **归因**:D 类——第二项也写成 $\Phi(x)\Phi(y)$ 。$X_1\le x$ 与 $X_1\le y$ 是同一个变量,取 $\min$ 而不是相乘。
---
### 题 B6 · 圆盘上的非均匀密度
**怎么想**:区域与密度都关于两坐标轴偶对称,含 $xy$ 的项积分为 $0$ ,协方差不用硬算。独立性看边缘乘积,$Z$ 用极坐标。
**解**:
(Ⅰ)$E(XY)=\displaystyle\iint_D xy\cdot\frac2\pi(x^2+y^2)\,\mathrm dA=0$ (被积函数关于 $x$ 奇对称),同理 $EX=EY=0$ ,故
$$\operatorname{Cov}(X,Y)=0 .$$
(Ⅱ)$\displaystyle f_X(x)=\frac2\pi\int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}}(x^2+y^2)\,\mathrm dy=\frac{4}{3\pi}\sqrt{1-x^2}\,\big(1+2x^2\big).$
由对称性 $f_Y$ 同形。乘积含 $(1+2x^2)(1+2y^2)$ ,与原密度 $x^2+y^2$ 不是一回事,**不独立**;也可以直接说支撑是圆盘(非矩形)。
(Ⅲ)取极坐标 $x=r\cos\theta$ 、$y=r\sin\theta$ ,$r\in(0,1)$ 、$\theta\in(0,2\pi)$ ,注意面积元是 $r\,\mathrm dr\,\mathrm d\theta$ :
$$F_Z(z)=P\{X^2+Y^2\le z\}=\frac2\pi\int_0^{2\pi}\!\!\int_0^{\sqrt z}r^2\cdot r\,\mathrm dr\,\mathrm d\theta=z^2,\qquad 0<z<1 .$$
故
$$f_Z(z)=2z,\qquad 0<z<1 .$$
顺带:$E(X^2+Y^2)=\frac2\pi\cdot2\pi\int_0^1r^4\mathrm dr=\frac45$ ,故 $EX^2=\frac25$ 。
> **归因**:A 类——极坐标下漏掉面积元的那个 $r$ 。$r^2$ 是密度、$r$ 是面积元,两者相乘才是 $r^3$ 。
---
### 题 B7 · 保险赔付与泊松分裂
**怎么想**:第一问是"截断变量求期望",换元 $u=100+x$ ;第二问是"泊松 + 逐次独立标注",标注后两类计数仍是泊松且相互独立。
**解**:
(Ⅰ)$F_X(x)=\displaystyle\int_0^x\frac{2\times100^2}{(100+t)^3}\,\mathrm dt=1-\frac{100^2}{(100+x)^2}$ ,
$$P\{Y>0\}=P\{X>100\}=\frac{100^2}{200^2}=\frac14 .$$
$$EY=\int_{100}^\infty(x-100)\frac{2\times100^2}{(100+x)^3}\,\mathrm dx .$$
令 $u=100+x$ ,则 $x-100=u-200$ ,
$$EY=2\times10^4\int_{200}^\infty\frac{u-200}{u^3}\,\mathrm du=2\times10^4\Big[\frac1{200}-\frac{200}{2\times200^2}\Big]=2\times10^4\cdot\frac1{400}=50 .$$
(Ⅱ)对 $k=0,1,2,\dots$ ,用全概率拆 $N$ :
$$P\{M=k\}=\sum_{n\ge k}\mathrm e^{-8}\frac{8^n}{n!}\binom nk p^k(1-p)^{n-k}=\mathrm e^{-8}\frac{(8p)^k}{k!}\sum_{m\ge0}\frac{[8(1-p)]^m}{m!}=\mathrm e^{-8p}\frac{(8p)^k}{k!}.$$
$p=\frac14$ 时 $8p=2$ ,故 $M\sim P(2)$ 。
(Ⅲ)$M$ 与 $N-M$ **相互独立**,且 $N-M\sim P(6)$ 。性质与证明见 [C7](03c-解析-拔高.md) :泊松计数按独立等概率"染色"后,两类计数是相互独立的泊松。
> **归因**:B 类——第二问问的是分布而不是期望,直接用 $EY$ 硬套。$Y=(X-100)^+$ 是截断变量,只在 $x>100$ 上积分。
---
### 题 B8 · 两种密度混合的和
**怎么想**:与 A8 同型,只是 $Y$ 换成 $3y^2$ 、$X$ 取 $0,1$ 。第(Ⅲ)问用"$X=0$ 那一支必然满足 $Z\le1$ "最快。
**解**:
(Ⅰ)$EY=\displaystyle\int_0^13y^3\,\mathrm dy=\frac34$ ,$P\{Y\le EY\}=\int_0^{3/4}3y^2\,\mathrm dy=\Big(\frac34\Big)^3=\frac{27}{64}.$
(Ⅱ)
$$f_Z(z)=\frac12f_Y(z)+\frac12f_Y(z-1)=\begin{cases}\frac32z^2, & 0<z<1,\\[2pt] \frac32(z-1)^2, & 1<z<2,\\[2pt] 0, & \text{其他}.\end{cases}$$
(Ⅲ)$X=0$ 时 $Z=Y\in(0,1)$ ,必有 $Z\le1$ ;$X=1$ 时 $Z=1+Y>1$ 。故
$$P\{Z\le1\}=P\{X=0\}=\frac12 .$$
验证:$\displaystyle\int_0^1\frac32z^2\,\mathrm dz=\frac12$ ✓,$\displaystyle\int_1^2\frac32(z-1)^2\,\mathrm dz=\frac12$ ✓,合计 $1$ ✓。
> **归因**:D 类——第二段支撑写成 $0<z<2$ ,或漏掉 $\frac12$ 的权重。权重与支撑是两件事,都要写。
---
### 题 B9 · 全方差公式与相关方向
**怎么想**:$D(Y\mid X)$ 里 $p=x/2$ 是随机的,所以它是**二次**的,$E[D(Y\mid X)]$ 要算 $EX$ 与 $EX^2$ 两个矩。相关系数为正,符合"$X$ 越大越容易取 $1$ "的直觉。
**解**:
(Ⅰ)$Y\mid X=x\sim B(1,x/2)$ ,
$$E(Y\mid X)=\frac X2,\qquad D(Y\mid X)=\frac X2\Big(1-\frac X2\Big)=\frac X2-\frac{X^2}{4}.$$
(Ⅱ)$EX=1$ ,$EX^2=\frac43$ ($U(0,2)$ 的方差为 $\frac13$ ,故 $EX^2=\frac13+1$ )。
$$EY=E\Big[\frac X2\Big]=\frac12,$$
$$E\big[D(Y\mid X)\big]=E\Big[\frac X2-\frac{X^2}{4}\Big]=\frac12-\frac13=\frac16,$$
$$D\big[E(Y\mid X)\big]=D\Big[\frac X2\Big]=\frac14\cdot\frac13=\frac1{12},$$
$$DY=\frac16+\frac1{12}=\frac14 .$$
(Ⅲ)
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\Big[\frac{X^2}{2}\Big]=\frac23,$$
$$\operatorname{Cov}(X,Y)=\frac23-1\cdot\frac12=\frac16,\qquad \rho_{XY}=\frac{1/6}{\sqrt{(1/3)\cdot(1/4)}}=\frac{\sqrt{12}}{6}=\frac{\sqrt3}{3}\approx0.577 .$$
> **归因**:C 类——漏掉 $D[E(Y\mid X)]$ 这一项。这题漏掉后 $DY=\frac16$ ,仍有 $\rho=0.707\le1$ ,**范围检查查不出来**,必须靠公式。
---
### 题 B10 · 条件均匀把密度乘成了常数
**怎么想**:$f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=2(1-x)\cdot\frac1{1-x}=2$ ——条件密度的分母正好约掉。于是这题其实是**三角形上的均匀分布**,三问都能用面积法复核。
**解**:
(Ⅰ)支撑 $0<x<y<1$ (上三角),面积 $\frac12$ ,
$$f(x,y)=2(1-x)\cdot\frac{1}{1-x}=2,\qquad 0<x<y<1 .$$
特别之处:$f$ 是常数,即 $(X,Y)$ 在三角形上均匀($1/S_D=1/\frac12=2$ ✓)。但这**不代表**独立——$f_X$ 不均匀,$Y\mid X$ 也依赖 $x$ 。
(Ⅱ)
$$EX=\int_0^1\!\!\int_x^12x\,\mathrm dy\,\mathrm dx=\int_0^12x(1-x)\,\mathrm dx=\frac13,$$
$$EY=\int_0^1\!\!\int_x^12y\,\mathrm dy\,\mathrm dx=\int_0^1(1-x^2)\,\mathrm dx=\frac23,$$
$$E(XY)=\int_0^1\!\!\int_x^12xy\,\mathrm dy\,\mathrm dx=\int_0^1x(1-x^2)\,\mathrm dx=\frac12-\frac14=\frac14 .$$
(Ⅲ)
$$\operatorname{Cov}(X,Y)=\frac14-\frac13\cdot\frac23=\frac14-\frac29=\frac1{36}.$$
> **归因**:B 类——看到条件均匀就写"独立"。条件密度依赖 $x$ 正是不独立的标志;联合密度是常数只说明"在区域上均匀"。