185 lines
9.6 KiB
Markdown
185 lines
9.6 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 知识点构建, 专背清单, 概率论, 二维随机变量, 卷积]
|
|||
|
|
专题: 概率论 · 第3讲 多维随机变量及其分布 · 专背清单
|
|||
|
|
日期: 2026-11-17
|
|||
|
|
状态: 41 条(式 17 / 表 4 / 判 8 / 模 3 / 反 9)
|
|||
|
|
来源: 知识点构建 17 背诵版;在学练习第3讲七点;真题库 chapter 17
|
|||
|
|
关联笔记: ["[[21-专背清单-概率论-00-总纲与跨讲对照]]", "[[17-背诵版-概率论-第3讲-多维随机变量及其分布]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 第 3 讲 多维随机变量 · 专背清单
|
|||
|
|
|
|||
|
|
> 41 条。本讲的背诵重心不是公式,是**三条判定**:支撑是不是矩形、能不能分离、卷积的积分限从哪到哪。这三件事推起来慢、错起来狠。
|
|||
|
|
|
|||
|
|
## 一、联合分布与边缘(9 条)
|
|||
|
|
|
|||
|
|
**L3-01** `式` 联合分布函数:$F(x,y)=P\{X\le x,\ Y\le y\}$ 。
|
|||
|
|
└ 两个不等号**都朝右**,缺一不可。
|
|||
|
|
|
|||
|
|
**L3-02** `表` 联合 $F$ 的五条性质(比一维多两条):
|
|||
|
|
|
|||
|
|
| # | 性质 |
|
|||
|
|
|---|---|
|
|||
|
|
| ① | 对每个变量单调不减 |
|
|||
|
|
| ② | 对每个变量右连续 |
|
|||
|
|
| ③ | $F(-\infty,y)=F(x,-\infty)=0$ |
|
|||
|
|
| ④ | $F(+\infty,+\infty)=1$ |
|
|||
|
|
| ⑤ | **矩形概率非负**(这是二维独有的一条) |
|
|||
|
|
|
|||
|
|
**L3-03** `式` 矩形概率:
|
|||
|
|
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1).$$
|
|||
|
|
└ 记法:**右上减两个、左下加回**。符号就是"选了几个坐标"。
|
|||
|
|
|
|||
|
|
**L3-04** `式` 边缘分布函数:$F_X(x)=F(x,+\infty)$ ,$F_Y(y)=F(+\infty,y)$ 。
|
|||
|
|
└ 就是把另一个变量"放到最右"。
|
|||
|
|
|
|||
|
|
**L3-05** `式` 边缘密度:$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy$ ,$f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx$ 。
|
|||
|
|
└ **积掉谁,就得到另一个的边缘**。这句反过来说最容易错。
|
|||
|
|
|
|||
|
|
**L3-06** `模` 求边缘密度的真实难点是**定积分限**:画支撑集,固定 $x$ ,看 $y$ 被夹在哪两条曲线之间。
|
|||
|
|
└ 若上限随 $x$ 变,边缘就是 $x$ 的函数;若夹法随 $x$ 变(如 $0<x<1$ 与 $x>1$ 两种夹法),**必须分段**。
|
|||
|
|
|
|||
|
|
**L3-07** `式` 归一化:$\iint_Df(x,y)\,\mathrm dx\,\mathrm dy=1$ ,用来求待定常数。
|
|||
|
|
└ 二维题的第一步几乎都是它。
|
|||
|
|
|
|||
|
|
**L3-08** `判` 联合密度存在要求 $F$ 二阶混合偏导存在且 $f=\frac{\partial^2F}{\partial x\partial y}$ 。
|
|||
|
|
└ 判断题的错项常给一个"$F$ 有跳跃"的例子。
|
|||
|
|
|
|||
|
|
**L3-09** `坑` 边缘密度**不唯一决定联合密度**。同一个 $f_X$ 与 $f_Y$ 可以配出无穷多个联合密度。
|
|||
|
|
└ 所以"给两个边缘求联合"是错题;必须再加独立或条件信息。
|
|||
|
|
|
|||
|
|
## 二、条件分布(6 条)
|
|||
|
|
|
|||
|
|
**L3-10** `式` 条件密度:$f_{Y\mid X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}$ ,要求 $f_X(x)>0$ 。
|
|||
|
|
└ 固定 $x$ 后它关于 $y$ 的积分为 1,是**一个新的密度**。
|
|||
|
|
|
|||
|
|
**L3-11** `式` 条件分布律:$p_{j\mid i}=P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$ 。
|
|||
|
|
└ 分母是**行和**。
|
|||
|
|
|
|||
|
|
**L3-12** `式` 条件分布函数:$F_{Y\mid X}(y\mid x)=\dfrac{\int_{-\infty}^{y}f(x,t)\,\mathrm dt}{f_X(x)}$ 。
|
|||
|
|
└ 分子是"沿竖线积分",不是二重积分。
|
|||
|
|
|
|||
|
|
**L3-13** `判` 由条件反解联合:$f(x,y)=f_X(x)\,f_{Y\mid X}(y\mid x)$ 。
|
|||
|
|
└ 若题给"$Y\mid X=x$ 服从某分布"(如 $U(x,1)$ ),就是从这里进。2022·10、2024·9 都是这个套路。
|
|||
|
|
|
|||
|
|
**L3-14** `式` 条件期望:$E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy$ ,它是 $x$ 的函数。
|
|||
|
|
└ 把 $x$ 换回 $X$ 就成随机变量 $E(Y\mid X)$ 。
|
|||
|
|
|
|||
|
|
**L3-15** `反` $f_{Y\mid X}$ 与 $f_{X\mid Y}$ **不是倒数关系**,它们的分母不同。
|
|||
|
|
└ 关系由贝叶斯给出:$f_{Y\mid X}=\frac{f_{X\mid Y}f_Y}{f_X}$ 。
|
|||
|
|
|
|||
|
|
## 三、独立性(7 条)
|
|||
|
|
|
|||
|
|
**L3-16** `式` 独立三等价(按类型选一个用):$F(x,y)=F_X(x)F_Y(y)$ ;$p_{ij}=p_{i\cdot}p_{\cdot j}$ ;$f(x,y)=f_X(x)f_Y(y)$ 。
|
|||
|
|
|
|||
|
|
**L3-17** `判` **判断独立的三步**(按顺序,能早停就停):
|
|||
|
|
|
|||
|
|
| 步 | 动作 | 结论 |
|
|||
|
|
|---|---|---|
|
|||
|
|
| ① | 画支撑集 | **非矩形 ⟹ 必不独立**,结束 |
|
|||
|
|
| ② | 支撑是矩形时,看 $f$ 能否写成 $g(x)h(y)$ | 能 ⟹ 独立 |
|
|||
|
|
| ③ | 写不成 ⟹ 算边缘,验证 $f\overset{?}{=}f_Xf_Y$ | 不等 ⟹ 不独立 |
|
|||
|
|
|
|||
|
|
**L3-18** `反` **支撑不是矩形,一定不独立**(即使 $f$ 看起来能分离)。
|
|||
|
|
└ 反例:$f=2$ 在三角形 $0<y<x<1$ 上。$f$ 是常数"看起来能分离",但支撑是三角形,$X$ 的取值范围依赖 $Y$ ,故不独立。
|
|||
|
|
|
|||
|
|
**L3-19** `反` 支撑是矩形、$f$ 也能分离,**才**独立。两个条件缺一不可。
|
|||
|
|
└ 反例:$f=\frac65(x+y^2)$ 在单位正方形上——支撑是矩形,但 $f$ 分不开,不独立。
|
|||
|
|
|
|||
|
|
**L3-20** `式` 独立的两条推论:$E(XY)=EX\,EY$ ;$D(X\pm Y)=DX+DY$ 。
|
|||
|
|
└ 反向都不成立(见第 4 讲 L4-24)。
|
|||
|
|
|
|||
|
|
**L3-21** `式` 独立时的卷积退化为乘积:$f(x,y)=f_X(x)f_Y(y)$ ,联合分布函数直接相乘。
|
|||
|
|
└ 求 $P\{X\le a,Y\le b\}$ 时不必二重积分,两个 $\Phi$ 或两个 $F$ 相乘即可。
|
|||
|
|
|
|||
|
|
**L3-22** `判` 独立性的**函数封闭**:$X,Y$ 独立时,$g(X)$ 与 $h(Y)$ 独立(对任意可测 $g,h$ )。
|
|||
|
|
└ 用途:$X^2$ 与 $Y^2$ 独立、$\max$ 与 $\min$ 的独立性判定都靠这条。
|
|||
|
|
|
|||
|
|
## 四、两类特殊二维分布(6 条)
|
|||
|
|
|
|||
|
|
**L3-23** `式` 二维均匀:$f(x,y)=\dfrac{1}{S_D}$ (在区域 $D$ 内),$S_D$ 是面积。
|
|||
|
|
└ 于是**概率 = 面积比**。这是二维均匀题的唯一入口。
|
|||
|
|
|
|||
|
|
**L3-24** `判` 二维均匀下 $X,Y$ 独立 $\iff$ $D$ 是**边平行于坐标轴的矩形**。
|
|||
|
|
└ 圆盘、三角形、环域都不独立。
|
|||
|
|
|
|||
|
|
**L3-25** `表` 二维正态 $N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ 的五条性质:
|
|||
|
|
|
|||
|
|
| # | 性质 |
|
|||
|
|
|---|---|
|
|||
|
|
| ① | 两个边缘都是正态:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ |
|
|||
|
|
| ② | **独立 $\iff$ $\rho=0$ **(唯一有此性质的分布族) |
|
|||
|
|
| ③ | 任意线性组合 $aX+bY$ 仍正态 |
|
|||
|
|
| ④ | 条件分布仍正态 |
|
|||
|
|
| ⑤ | 密度等高线是椭圆,$\rho$ 决定倾斜方向 |
|
|||
|
|
|
|||
|
|
**L3-26** `式` 二维正态的条件分布(必背,考过两次):
|
|||
|
|
$$Y\mid X=x\ \sim\ N\!\left(\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right).$$
|
|||
|
|
└ 条件期望是 $x$ 的**线性函数**(回归直线),条件方差**与 $x$ 无关**且等于 $\sigma_2^2(1-\rho^2)$ 。
|
|||
|
|
|
|||
|
|
**L3-27** `反` 边缘都正态 **不推出** 联合正态。
|
|||
|
|
└ 反例:$X\sim N(0,1)$ ,$Y=\pm X$ (等概率取号),边缘都是 $N(0,1)$ 但 $(X,Y)$ 不服从二维正态(支撑是两条线)。
|
|||
|
|
|
|||
|
|
**L3-28** `式` 二维正态的独立性判据:$\rho=0$ 。**不建议**去算 $f=f_Xf_Y$ ,太慢。
|
|||
|
|
|
|||
|
|
## 五、函数分布(9 条)
|
|||
|
|
|
|||
|
|
**L3-29** `表` 四条路线怎么选:
|
|||
|
|
|
|||
|
|
| $Z$ 的形态 | 方法 |
|
|||
|
|
|---|---|
|
|||
|
|
| $Z=X+Y$ ,$X,Y$ 独立 | 卷积公式 |
|
|||
|
|
| $Z=g(X,Y)$ 一般,或非独立 | 分布函数法(二重积分) |
|
|||
|
|
| $(U,V)=(u(X,Y),v(X,Y))$ 双向可解 | 雅可比 |
|
|||
|
|
| $Z=\max$ 或 $\min$ | 直接用 $F$ 的乘积式 |
|
|||
|
|
|
|||
|
|
**L3-30** `式` 和的卷积:$f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx$ (独立时)。
|
|||
|
|
└ **积分限由"$x$ 与 $z-x$ 同时落在各自支撑内"决定**。这一步是卷积唯一的技术活。
|
|||
|
|
|
|||
|
|
**L3-31** `式` 差的分布:$Z=X-Y$ 时 $f_Z(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx$ 。
|
|||
|
|
└ 或记成 $X+(-Y)$ 的卷积,$-Y$ 的密度是 $f_Y(-y)$ 。
|
|||
|
|
|
|||
|
|
**L3-32** `式` 商的分布:$Z=\dfrac XY$ 时
|
|||
|
|
$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(yz)\,f_Y(y)\,\lvert y\rvert\,\mathrm dy.$$
|
|||
|
|
└ **$\lvert y\rvert$ 不能丢**,它就是雅可比。
|
|||
|
|
|
|||
|
|
**L3-33** `式` 积的分布:$Z=XY$ 时 $f_Z(z)=\int f_X\!\left(\frac zy\right)f_Y(y)\frac{1}{\lvert y\rvert}\,\mathrm dy$ 。
|
|||
|
|
|
|||
|
|
**L3-34** `式` 雅可比变换:$f_{U,V}(u,v)=f\big(x(u,v),y(u,v)\big)\,\lvert J\rvert$ ,$J=\dfrac{\partial(x,y)}{\partial(u,v)}$ 。
|
|||
|
|
└ **$J$ 是 $(x,y)$ 对 $(u,v)$ 的,不是反过来的**。这是最高频的错。
|
|||
|
|
|
|||
|
|
**L3-35** `式` 极值分布(独立时):
|
|||
|
|
$$F_{\max}(z)=\prod_{i=1}^nF_i(z),\qquad F_{\min}(z)=1-\prod_{i=1}^n\big(1-F_i(z)\big).$$
|
|||
|
|
└ 同分布时 $F_{\max}=[F(z)]^n$ ,$F_{\min}=1-[1-F(z)]^n$ 。**先写 $F$ 再求导**,别直接背 $f$ 。
|
|||
|
|
|
|||
|
|
**L3-36** `式` 同分布时的极值密度:
|
|||
|
|
$$f_{\max}(z)=n[F(z)]^{n-1}f(z),\qquad f_{\min}(z)=n[1-F(z)]^{n-1}f(z).$$
|
|||
|
|
└ 记忆:**$n$ 倍、$n-1$ 次方、再乘原密度**。
|
|||
|
|
|
|||
|
|
**L3-37** `坑` 最值题里"第 $k$ 大"(次序统计量)的密度是
|
|||
|
|
$$f_{(k)}(z)=\frac{n!}{(k-1)!(n-k)!}[F(z)]^{k-1}[1-F(z)]^{n-k}f(z).$$
|
|||
|
|
└ 只需要会代 $k=1,n$ 两个端点,中间的靠这个式子写。
|
|||
|
|
|
|||
|
|
**L3-38** `判` 混合型(离散 $+$ 连续):先按离散变量分层,每层内用连续的全概率:
|
|||
|
|
$$F_Z(z)=\sum_ip_i\,F_{Z\mid I=i}(z).$$
|
|||
|
|
└ 2020·22 的形态。**分层权重是离散那部分的概率**。
|
|||
|
|
|
|||
|
|
## 六、坑与反(3 条)
|
|||
|
|
|
|||
|
|
**L3-39** `反` $X,Y$ 独立 $\Rightarrow$ $X+Y$ 的密度是卷积;但**反过来不成立**——卷积公式给出的结果像"独立",不能倒推独立。
|
|||
|
|
|
|||
|
|
**L3-40** `坑` 求 $P\{(X,Y)\in D\}$ 时,若 $D$ 是圆或三角形,**先画图再定限**,别急着套累次积分。定限错的方向有两种:内外层搞反、上下限写成常数。
|
|||
|
|
|
|||
|
|
**L3-41** `反` $D(X+Y)=DX+DY$ **不足以**说明独立,只说明不相关。
|
|||
|
|
└ 这条与 L4-24 合看:**协方差为零是"线性无关",不是"独立"**。
|
|||
|
|
|
|||
|
|
## 十秒自检
|
|||
|
|
|
|||
|
|
1. 说出判断独立的三步,以及"支撑非矩形"时为什么一定不独立。
|
|||
|
|
2. 默写二维正态的条件分布(均值与方差两处)。
|
|||
|
|
3. 卷积公式的积分限怎么定——一句话说清。
|
|||
|
|
4. $Z=X/Y$ 的密度里为什么有 $\lvert y\rvert$ 。
|
|||
|
|
5. 雅可比 $J$ 是哪个方向的偏导。
|
|||
|
|
|
|||
|
|
五条全过,本讲过关。
|