Files

206 lines
12 KiB
Markdown
Raw Permalink Normal View History

---
tags: [数学一, 在学练习, 概率论, 多维随机变量, 联合分布, 边缘分布]
专题: 概率论 第3讲 · 点1 联合分布与边缘分布
日期: 2026-11-07
状态: 知识点带题(1.1 联合分布函数、1.2 边缘分布、1.3 条件分布,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 1 联合分布与边缘分布
> 真题锚点:2023·22(联合分布函数)、2016·22(边缘与条件)|重要度 ★★★
> 依赖:第 2 讲的一维分布函数与密度。盘点对应:§1 全节。
**组织原则**:先立定义层——**联合 → 边缘 → 条件**是一条单向的换算链,三者顺序不能颠倒。出题按这条链的条目顺序走。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
## 知识点 1.1 联合分布函数与四条性质(出处:[知识章 random-variables-and-distribution.tex §5.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex)|[练习章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/exercise/2-random-variables-and-distribution/random-variables-and-distribution.tex))
$$F(x,y)=P\{X\le x,\ Y\le y\}.$$
四条性质:① 对 $x$ 、对 $y$ 分别**单调不减**;② 对 $x$ 、对 $y$ 分别**右连续**;③ $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ;④ **矩形非负**:
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
第 ④ 条是二维新增的,前三条只是把一维照抄两遍。**一维的"单调 + 右连续 + 规范"在二维不再是充分条件**。
## 知识点 1.2 边缘分布函数(出处:[知识章 §5.1 边缘分布函数](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
$$F_X(x)=F(x,+\infty)=\lim_{y\to+\infty}F(x,y),\qquad F_Y(y)=F(+\infty,y).$$
密度与分布律的对应动作是**积分掉 / 求和掉**:
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_j p_{ij}.$$
## 知识点 1.3 条件分布函数与条件密度(出处:[知识章 §6.3、§7.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
$$F_{Y\mid X}(y\mid x)=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\ (\text{离散});\qquad f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (\text{连续,}f_X(x)>0).$$
两条要点:① 条件密度是**一族**密度,支撑随 $x$ 变,**分段点就从这里来**;② 分母必须为正,否则条件无定义。
---
## 题目(按知识点顺序对应)
### 题 1 · 1.1:联合分布函数的四条性质(★☆☆)
> 判断下列说法是否正确,错的举反例:
>
> (Ⅰ)若 $F(x,y)$ 对 $x$ 、对 $y$ 都单调不减,且 $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ,则 $F$ 必是某二维随机变量的分布函数;
> (Ⅱ)若 $(X,Y)$ 的联合分布函数为 $F$ ,则 $X$ 的分布函数为 $F(x,+\infty)$ ;
> (Ⅲ)若 $f(x,y)=g(x)h(y)$ 在矩形 $I\times J$ 上成立,则 $X$ 与 $Y$ 相互独立;
> (Ⅳ)若 $(X,Y)$ 服从二维正态分布,则 $X$ 与 $Y$ 独立当且仅当 $\rho=0$ 。
**怎么想**:(Ⅰ)问的是"前三条够不够",答案是不够,缺的正是矩形非负;(Ⅱ)考边缘的定义式;(Ⅲ)考"可分离 + 矩形"这两个条件缺一不可,但还要补一句归一化常数为什么也被吸收了;(Ⅳ)是二维正态独有的性质,要能与一般情形区分开。
**解**:
(Ⅰ)**错误**。取 $F(x,y)=\max\{x+y,\,0\}$ 限制在 $0\le x,y\le1$ 上(区域外按 $0$ 与 $1$ 延拓)。它对 $x$ 、对 $y$ 都单调不减,$F(0,0)=0$ 、$F(1,1)=1$ ,规范性满足。但取矩形 $0<x\le1,\ 0<y\le1$ :
$$F(1,1)-F(1,0)-F(0,1)+F(0,0)=1-1-1+0=-1<0 .$$
矩形概率为负,故不是分布函数。**前三条在二维只是必要条件**。
(Ⅱ)**正确**。这就是边缘分布的定义:$F_X(x)=P\{X\le x\}=P\{X\le x,\ Y<+\infty\}=F(x,+\infty)$ 。
(Ⅲ)**正确**(但需 $I\times J$ 是矩形)。设 $f=g(x)h(y)$ 在 $I\times J$ 上非零,令 $G=\int_I g$ 、$H=\int_J h$ 。归一化给出 $GH=1$ ,于是
$$f_X(x)=g(x)\int_J h=g(x)H,\qquad f_Y(y)=h(y)\int_I g=h(y)G,$$
$$f_X(x)f_Y(y)=g(x)h(y)\,HG=g(x)h(y)=f(x,y).$$
**归一化恰好把 $GH$ 变成 1**,这就是"可分离"能直接推出独立的原因。
(Ⅳ)**正确**。二维正态的联合密度中,$\rho=0$ 时指数部分分裂成两个平方项之和,密度恰好等于两个边缘密度之积。**注意这条不能推广**:一般情形下 $\rho=0$ 只能推出不相关。
**带走结论**:**二维分布函数多一条"矩形非负",少任何一条都不行**。构造反例的套路是"让它在矩形上出现负值"——$\max\{x+y,0\}$ 是最省事的模板。
> **关联** · 盘点 [§1.1 联合分布函数](01-知识点盘点.md#user-content-11-联合分布函数) | 上游 — | 下游 [点 1 题 2](02-点1-联合分布与边缘分布.md#user-content-题-2--11由分布函数算矩形概率) | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
---
### 题 2 · 1.1:由分布函数算矩形概率(★★☆)
> 设 $(X,Y)$ 的联合分布函数为
>
> $$F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\\[2pt]0,&\text{其他}\end{cases}$$
>
> (Ⅰ)求 $A$ ;
> (Ⅱ)求边缘分布函数 $F_X(x)$ ,并说明 $X$ 服从什么分布;
> (Ⅲ)求 $P\{1<X\le2,\ Y>1\}$ 。
**怎么想**:(Ⅰ)用 $F(+\infty,+\infty)=1$ ;(Ⅱ)令 $y\to+\infty$ ;(Ⅲ)$Y>1$ 不是"$\le$ "型,先转成 $1-P\{Y\le1\}$ ,再用矩形公式——或者直接用独立性绕开。
**解**:
**(Ⅰ)** 令 $x,y\to+\infty$ :
$$F(+\infty,+\infty)=A\cdot1\cdot1=A=1 .$$
**(Ⅱ)** 令 $y\to+\infty$ :
$$F_X(x)=A\left(1-\mathrm e^{-x}\right)\cdot1=1-\mathrm e^{-x}\quad(x>0),$$
$x\le0$ 时为 $0$ 。这正是参数为 $1$ 的指数分布:$X\sim E(1)$ 。
**(Ⅲ)** 由(Ⅱ)同理 $Y\sim E(1)$ ,且 $F(x,y)=F_X(x)F_Y(y)$ ,故 $X\perp Y$ ,于是
$$P\{1<X\le2,\ Y>1\}=P\{1<X\le2\}\cdot P\{Y>1\}=\left(\mathrm e^{-1}-\mathrm e^{-2}\right)\mathrm e^{-1}\approx0.0855 .$$
**验算(不靠独立性)**:用矩形公式的"无穷版本"
$$P\{1<X\le2,\ Y>1\}=F(2,+\infty)-F(2,1)-F(1,+\infty)+F(1,1),$$
$$=\left(1-\mathrm e^{-2}\right)-\left(1-\mathrm e^{-2}\right)\left(1-\mathrm e^{-1}\right)-\left(1-\mathrm e^{-1}\right)+\left(1-\mathrm e^{-1}\right)^2=\mathrm e^{-1}\left(\mathrm e^{-1}-\mathrm e^{-2}\right),$$
与上面一致 ✓。
**带走结论**:**遇到 "$Y>1$ " 这类反向不等式,先换成 $F(+\infty)$ 再套矩形公式**。四个端点里只要有一个是 $+\infty$ ,就退回一维的 $1-F$ 结构。
> **关联** · 盘点 [§1.1 联合分布函数](01-知识点盘点.md#user-content-11-联合分布函数) | 上游 [点 1 题 1](02-点1-联合分布与边缘分布.md#user-content-题-1--11联合分布函数的四条性质) | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
---
### 题 3 · 1.2:由联合密度求边缘与区域概率(★★☆)
> 设 $(X,Y)$ 在区域 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布。
>
> (Ⅰ)写出联合密度;
> (Ⅱ)求边缘密度 $f_X(x)$ 、$f_Y(y)$ ;
> (Ⅲ)求 $P\{X+Y<1\}$ 。
**怎么想**:均匀分布先算面积。边缘密度的积分限要**画竖线**:固定 $x$ 后 $y$ 从 $0$ 跑到 $x$ ,上限是活动的。第三问是区域概率,能算面积就别积分。
**解**:
**(Ⅰ)** $D$ 是顶点为 $(0,0)$ 、$(1,0)$ 、$(1,1)$ 的三角形,面积 $S_D=\frac12$ ,故
$$f(x,y)=\begin{cases}2,&0<y<x<1\\[2pt]0,&\text{其他}\end{cases}$$
**(Ⅱ)** 固定 $x\in(0,1)$ ,$y$ 的区间是 $(0,x)$ :
$$f_X(x)=\int_0^x2\,\mathrm dy=2x,\quad 0<x<1 .$$
固定 $y\in(0,1)$ ,$x$ 的区间是 $(y,1)$ :
$$f_Y(y)=\int_y^1 2\,\mathrm dx=2(1-y),\quad 0<y<1 .$$
**归一化自检**:$\int_0^12x\,\mathrm dx=1$ 、$\int_0^12(1-y)\,\mathrm dy=1$ ✓。
**(Ⅲ)** 区域概率 $=$ 面积比。$D\cap\{x+y<1\}$ 的边界是 $y=x$ 与 $y=1-x$ ,交于 $x=\frac12$ ,故
$$S_{\cap}=\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx=\frac18+\frac18=\frac14,$$
$$P\{X+Y<1\}=2\times\frac14=\frac12 .$$
**验算**:区域 $D$ 关于直线 $x+y=1$ 与 $y=x$ 的对称性给出 $P\{X+Y<1\}=\frac12$ ✓(也可以直接积分 $\int_0^{1/2}\!\!\int_0^x2\,\mathrm dy\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}2\,\mathrm dy\mathrm dx$ )。
**带走结论**:**均匀分布的一切概率都是面积比**,$f$ 只是那个常数。而边缘密度的上限永远是"区域在竖线方向上的活动端点",这就是支撑非矩形时边缘密度会变成 $2x$ 这种非均匀形状的原因。
> **关联** · 盘点 [§1.2 边缘分布函数](01-知识点盘点.md#user-content-12-边缘分布函数) | 上游 — | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
---
### 题 4 · 1.3:条件密度是一族密度(★★☆)
> 设 $(X,Y)$ 的联合密度为
>
> $$f(x,y)=\begin{cases}\mathrm e^{-y},&0<x<y\\[2pt]0,&\text{其他}\end{cases}$$
>
> (Ⅰ)验证它是密度,并求 $f_X(x)$ ;
> (Ⅱ)求 $f_{Y\mid X}(y\mid x)$ ,并指出它服从什么分布;
> (Ⅲ)说明"条件密度是一族密度"在这里具体指什么。
**怎么想**:先看支撑 $0<x<y$ (第一象限里 $y=x$ 上方的那片)。固定 $x$ 时 $y$ 从 $x$ 到 $+\infty$ ,固定 $y$ 时 $x$ 从 $0$ 到 $y$ 。条件密度 $=$ 联合 $÷$ 边缘,商出来是什么形状,答案就在形状里。
**解**:
**(Ⅰ)** 归一化:
$$\int_0^{+\infty}\!\!\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy\,\mathrm dx=\int_0^{+\infty}\mathrm e^{-x}\,\mathrm dx=1\ ✓$$
边缘:
$$f_X(x)=\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy=\mathrm e^{-x},\qquad x>0,$$
即 $X\sim E(1)$ 。
**(Ⅱ)**
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{\mathrm e^{-y}}{\mathrm e^{-x}}=\mathrm e^{-(y-x)},\qquad y>x .$$
令 $t=y-x$ ,则 $f_{T}(t)=\mathrm e^{-t}\ (t>0)$ ,即
$$Y-X\mid X=x\ \sim\ E(1),\qquad \text{与 }x\text{ 无关}.$$
**(Ⅲ)** 这里"一族"的含义是:**每给定一个 $x$ ,就有一条密度曲线** $y\mapsto\mathrm e^{-(y-x)}$ 。这些曲线的**形状完全相同**(都是 $E(1)$ ),只是**起点不同**——起点是 $y=x$ 。所以条件密度的表达式里含 $x$ ,但"分布类型"不含 $x$ 。
对比点 3 题 2 的 $D:0<y<x<1$ :那里 $f_{Y\mid X}(y\mid x)=\frac1x$ ,支撑 $(0,x)$ ,**形状也随 $x$ 变**(区间长度变),这是"族"的另一种形态。
**验算**:$\int_x^{+\infty}\mathrm e^{-(y-x)}\mathrm dy=1$ ✓;且 $f_{X}(x)f_{Y\mid X}(y\mid x)=\mathrm e^{-x}\mathrm e^{-(y-x)}=\mathrm e^{-y}=f(x,y)$ ✓(这条恒等式说明**联合密度总能分解成"边缘 × 条件"**,是贝叶斯公式的密度版)。
**带走结论**:**联合 $=$ 边缘 $\times$ 条件**(永远成立);**联合 $=$ 边缘 $\times$ 边缘**(只在独立时成立)。两式的差别就是"独立性"这三个字的全部内容。
> **关联** · 盘点 [§1.3 条件分布函数](01-知识点盘点.md#user-content-13-条件分布函数) | 上游 — | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
---