181 lines
10 KiB
Markdown
181 lines
10 KiB
Markdown
---
|
||||
|
|
tags: [数学一, 在学练习, 概率论, 多维随机变量, 混合型, 全概率]
|
|||
|
|
专题: 概率论 第3讲 · 点7 混合型与全概率
|
|||
|
|
日期: 2026-11-07
|
|||
|
|
状态: 知识点带题(7.1 全概率求密度、7.2 混合正态与总方差,共 3 题)
|
|||
|
|
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
# 点 7 混合型与全概率
|
|||
|
|
|
|||
|
|
> 真题锚点:2017·22、2020·22(混合正态)、2025·22(复合分布)|重要度 ★★★
|
|||
|
|
> 依赖:点 3 的条件密度、点 4 的独立性。盘点对应:§7 全节。
|
|||
|
|
|
|||
|
|
**组织原则**:混合型的全部技术是**先按离散变量分层,再在每层里用条件密度,最后加权求和**。这正是全概率公式的连续版。出题顺序:一层(离散 + 连续)→ 复合(随机个数的叠加)→ 混合正态(含总方差公式)。难度标准:★★☆ 两题、★★★ 一题。
|
|||
|
|
|
|||
|
|
## 知识点 7.1 全概率公式的密度版(出处:[知识章 §7.3、§10](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
|||
|
|
|
|||
|
|
设 $X$ 离散(取值 $x_k$ ,概率 $p_k$ ),在 $X=x_k$ 下 $Y$ 的密度为 $f_{Y\mid X=x_k}$ ,则
|
|||
|
|
|
|||
|
|
$$f_Y(y)=\sum_k p_k\,f_{Y\mid X=x_k}(y),\qquad F_Y(y)=\sum_k p_kF_{Y\mid X=x_k}(y).$$
|
|||
|
|
|
|||
|
|
**这就是"全概率公式"的密度版**:$f_Y$ 是若干条密度的**加权平均**,权重是层的概率(和为 $1$ ,所以加权平均仍是密度)。
|
|||
|
|
|
|||
|
|
**反向(贝叶斯)**:
|
|||
|
|
|
|||
|
|
$$P\{X=x_k\mid Y=y\}=\frac{p_k f_{Y\mid X=x_k}(y)}{f_Y(y)} .$$
|
|||
|
|
|
|||
|
|
> **注意 $f_Y$ 可能不是任何"标准分布"**:它是几个不同形状密度的凸组合,常常没有名字。**不要试图把它认成某个分布**,直接按分段写出来即可。
|
|||
|
|
|
|||
|
|
## 知识点 7.2 混合正态与总方差公式(出处:[知识章 §10、数字特征章 §二维数字特征](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
|||
|
|
|
|||
|
|
$$f_Y(y)=\sum_k p_k\,\varphi\!\left(\frac{y-\mu_k}{\sigma_k}\right)\frac{1}{\sigma_k},\qquad EY=\sum_k p_k\mu_k .$$
|
|||
|
|
|
|||
|
|
**总方差公式(Eve 公式)**:
|
|||
|
|
|
|||
|
|
$$DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
|
|||
|
|
|
|||
|
|
读法:**总方差 = 组内方差的平均 + 组间(均值之间)的方差**。
|
|||
|
|
|
|||
|
|
**两个必记结论**:
|
|||
|
|
|
|||
|
|
1. 混合正态**一般不是正态**(除非所有 $\mu_k,\sigma_k$ 都相同)——两条不同中心的钟形叠加会出现**双峰**或**平顶**;
|
|||
|
|
2. 但 $EY$ 与 $DY$ 仍可用上面的公式算,**不需要写出 $f_Y$ 的表达式** 。
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
## 题目(按知识点顺序对应)
|
|||
|
|
|
|||
|
|
### 题 1 · 7.1:两条指数分布的加权(★★☆)
|
|||
|
|
|
|||
|
|
> 设随机变量 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\dfrac12$ 。在 $X=0$ 的条件下 $Y\sim E(1)$ ;在 $X=1$ 的条件下 $Y\sim E(2)$ 。
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)求 $f_Y(y)$ ,并验证它是密度;
|
|||
|
|
> (Ⅱ)求 $P\{Y>1\}$ ;
|
|||
|
|
> (Ⅲ)求 $P\{X=0\mid Y=2\}$ 。
|
|||
|
|
|
|||
|
|
**怎么想**:两层、两条指数,加权求和即可。第三问是贝叶斯——**分母就是第一问算出的 $f_Y(2)$ 值**,所以先算 $f_Y$ 是必要投资。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** 两个条件密度分别为 $\mathrm e^{-y}$ 与 $2\mathrm e^{-2y}$ ($y>0$ ),故
|
|||
|
|
|
|||
|
|
$$f_Y(y)=\frac12\mathrm e^{-y}+\frac12\cdot2\mathrm e^{-2y}=\frac12\mathrm e^{-y}+\mathrm e^{-2y},\qquad y>0 .$$
|
|||
|
|
|
|||
|
|
**验证**:
|
|||
|
|
|
|||
|
|
$$\int_0^{+\infty}\left(\frac12\mathrm e^{-y}+\mathrm e^{-2y}\right)\mathrm dy=\frac12+\frac12=1\ ✓$$
|
|||
|
|
|
|||
|
|
**(Ⅱ)**
|
|||
|
|
|
|||
|
|
$$P\{Y>1\}=\int_1^{+\infty}\left(\frac12\mathrm e^{-y}+\mathrm e^{-2y}\right)\mathrm dy=\frac12\mathrm e^{-1}+\frac12\mathrm e^{-2}\approx0.2516 .$$
|
|||
|
|
|
|||
|
|
(第二项:$\int_1^{+\infty}\mathrm e^{-2y}\mathrm dy=\frac{\mathrm e^{-2}}{2}$ 。)
|
|||
|
|
|
|||
|
|
**(Ⅲ)** 先算 $f_Y(2)=\frac12\mathrm e^{-2}+\mathrm e^{-4}=\mathrm e^{-2}\left(\frac12+\mathrm e^{-2}\right)$ ,分子是第 $0$ 层的贡献:
|
|||
|
|
|
|||
|
|
$$P\{X=0\mid Y=2\}=\frac{\frac12\mathrm e^{-2}}{\frac12\mathrm e^{-2}+\mathrm e^{-4}}=\frac{1}{1+2\mathrm e^{-2}}\approx\frac{1}{1+0.2707}\approx0.787 .$$
|
|||
|
|
|
|||
|
|
**验算**:$P\{X=1\mid Y=2\}=\dfrac{2\mathrm e^{-4}}{\frac12\mathrm e^{-2}+\mathrm e^{-4}}=\dfrac{2\mathrm e^{-2}}{1+2\mathrm e^{-2}}\approx0.213$ ,两者和为 $1$ ✓。直观上 $Y=2$ 偏大,而 $E(2)$ 衰减更快,所以**更可能来自衰减较慢的 $E(1)$ 这一层** ,答案 $0.787>\frac12$ 合理 ✓。
|
|||
|
|
|
|||
|
|
**带走结论**:**混合密度的三项检查**:加权和归一、每一项的支撑都要写、贝叶斯的分母就是混合密度在该点的值。这三步做完,混合型题就只剩算术。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§7.1 全概率公式求密度](01-知识点盘点.md#user-content-71-全概率公式求密度) | 上游 — | 下游 [点 7 题 2](08-点7-混合型与全概率.md#user-content-题-2--71随机个数叠加的复合模型) | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 2 · 7.1:随机个数叠加的复合模型(★★☆)
|
|||
|
|
|
|||
|
|
> 某设备在时间区间 $[0,T]$ 内发生故障的次数 $N\sim P(\lambda)$ ,且各次故障的发生时刻在 $[0,T]$ 上**独立且均匀分布**。记 $T_1$ 为**首次故障时刻**(若一次也没发生,规定 $T_1=+\infty$ )。
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)求 $P\{T_1>t\}$ ($0\le t\le T$ );
|
|||
|
|
> (Ⅱ)求 $T_1$ 在 $(0,T)$ 上的密度,并说明 $P\{T_1=+\infty\}$ 是多少;
|
|||
|
|
> (Ⅲ)求 $P\{N=0\mid T_1>t\}$ 。
|
|||
|
|
|
|||
|
|
**怎么想**:$T_1>t$ 有两种来源——**根本没有故障**,或**有 $n$ 次、但每次都落在 $(t,T]$ 里** 。前者是离散概率,后者要用"$n$ 个时刻都在长度 $T-t$ 的区间里"的独立性。求和对 $n$ 求和会合成一个指数。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** 用全概率(对 $N$ 分层):
|
|||
|
|
|
|||
|
|
$$P\{T_1>t\}=P\{N=0\}+\sum_{n=1}^{+\infty}P\{N=n\}\left(\frac{T-t}{T}\right)^n .$$
|
|||
|
|
|
|||
|
|
代入泊松分布律:
|
|||
|
|
|
|||
|
|
$$=\mathrm e^{-\lambda}+\sum_{n=1}^{+\infty}\frac{\lambda^n\mathrm e^{-\lambda}}{n!}\left(1-\frac tT\right)^n=\mathrm e^{-\lambda}\exp\left\{\lambda\left(1-\frac tT\right)\right\}=\exp\left(-\frac{\lambda t}{T}\right).$$
|
|||
|
|
|
|||
|
|
(用了 $\sum_{n\ge0}\frac{a^n}{n!}=\mathrm e^{a}$ 与 $\mathrm e^{-\lambda}\mathrm e^{\lambda}=1$ 。)
|
|||
|
|
|
|||
|
|
**(Ⅱ)** 对 $t$ 求导($0<t<T$ ):
|
|||
|
|
|
|||
|
|
$$f_{T_1}(t)=\frac{\lambda}{T}\exp\left(-\frac{\lambda t}{T}\right),\qquad 0<t<T .$$
|
|||
|
|
|
|||
|
|
在 $t=T$ 处,$P\{T_1>t\}$ 从 $\mathrm e^{-\lambda}$ 突然跳到 $1$ (因为 $t\ge T$ 时"全部时刻都 $>t$ "不可能,只剩"无故障"),所以 $T_1$ **在 $T$ 之后没有密度**,而是有一个**质量**:
|
|||
|
|
|
|||
|
|
$$P\{T_1=+\infty\}=P\{N=0\}=\mathrm e^{-\lambda} .$$
|
|||
|
|
|
|||
|
|
**(Ⅲ)**
|
|||
|
|
|
|||
|
|
$$P\{N=0\mid T_1>t\}=\frac{P\{N=0\}}{P\{T_1>t\}}=\frac{\mathrm e^{-\lambda}}{\mathrm e^{-\lambda t/T}}=\exp\left\{-\lambda\left(1-\frac tT\right)\right\}.$$
|
|||
|
|
|
|||
|
|
**验算**:$\int_0^T\frac{\lambda}{T}\mathrm e^{-\lambda t/T}\mathrm dt=1-\mathrm e^{-\lambda}$ ;加上质量 $\mathrm e^{-\lambda}$ 恰为 $1$ ✓——这说明"密度部分 $+$ 原子部分"合起来才是完整分布。再取 $t=0$ :$P\{T_1>0\}=1$ ✓;取 $t=T$ :$P\{T_1>T\}=\mathrm e^{-\lambda}=P\{N=0\}$ ✓。
|
|||
|
|
|
|||
|
|
**带走结论**:**"随机个数的复合"必然出现全概率 + 幂级数求和**,求和后一般化成指数或幂函数。**别忘了检查是否留下原子**——"一次都没发生"这种情况会变成一个质量点,只写密度是不完整的。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§7.1 全概率公式求密度](01-知识点盘点.md#user-content-71-全概率公式求密度) | 上游 [点 7 题 1](08-点7-混合型与全概率.md#user-content-题-1--71两条指数分布的加权) | 下游 — | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
|||
|
|
|
|||
|
|
---
|
|||
|
|
|
|||
|
|
### 题 3 · 7.2:混合正态与总方差(★★★)
|
|||
|
|
|
|||
|
|
> 设 $X$ 等可能地取 $1$ 与 $2$ (即 $P\{X=1\}=P\{X=2\}=\frac12$ )。在 $X=k$ 的条件下 $Y\sim N(k,1)$ 。
|
|||
|
|
>
|
|||
|
|
> (Ⅰ)写出 $f_Y(y)$ ;
|
|||
|
|
> (Ⅱ)求 $EY$ 与 $DY$ ;
|
|||
|
|
> (Ⅲ)说明 $f_Y$ 不是正态密度(不必求导,用取值即可);
|
|||
|
|
> (Ⅳ)求 $P\{Y<1.5\}$ 。
|
|||
|
|
|
|||
|
|
**怎么想**:(Ⅰ)两条同方差的正态按 $\frac12$ 加权;(Ⅱ)**不要用 $f_Y$ 积分**,直接用 $EY=E[E(Y\mid X)]$ 与总方差公式;(Ⅲ)算 $f_Y$ 在两个峰与中点处的值就能看出"双峰";(Ⅳ)对称性。
|
|||
|
|
|
|||
|
|
**解**:
|
|||
|
|
|
|||
|
|
**(Ⅰ)** 记 $\varphi$ 为标准正态密度,
|
|||
|
|
|
|||
|
|
$$f_Y(y)=\frac12\varphi(y-1)+\frac12\varphi(y-2),\qquad -\infty<y<+\infty .$$
|
|||
|
|
|
|||
|
|
**(Ⅱ)** 条件期望 $E(Y\mid X)=X$ ,故
|
|||
|
|
|
|||
|
|
$$EY=E[E(Y\mid X)]=EX=\frac{1+2}{2}=\frac32 .$$
|
|||
|
|
|
|||
|
|
条件方差 $D(Y\mid X)=1$ (与 $X$ 无关),故 $E[D(Y\mid X)]=1$ ;又 $D[E(Y\mid X)]=DX=\dfrac{(1-1.5)^2+(2-1.5)^2}{2}=0.25$ 。于是
|
|||
|
|
|
|||
|
|
$$DY=1+0.25=1.25 .$$
|
|||
|
|
|
|||
|
|
**(Ⅲ)** 取三点比较($\varphi(0)=\frac{1}{\sqrt{2\pi}}\approx0.3989$ 、$\varphi(1)=0.3989\,\mathrm e^{-0.5}\approx0.2420$ ):
|
|||
|
|
|
|||
|
|
$$f_Y(1)=f_Y(2)=\frac{\varphi(0)+\varphi(1)}{2}\approx\frac{0.3989+0.2420}{2}=0.3205,$$
|
|||
|
|
|
|||
|
|
$$f_Y(1.5)=\frac{\varphi(0.5)+\varphi(-0.5)}{2}=\varphi(0.5)=0.3989\,\mathrm e^{-0.125}\approx0.3521 .$$
|
|||
|
|
|
|||
|
|
**中点反而比两"峰"更高,所以没有双峰**。原因:两中心相距 $1$ 而 $\sigma=1$ ,门限 $\lvert\mu_1-\mu_2\rvert>2\sigma=2$ 不满足,两条钟形几乎完全重叠,叠加后仍是单峰(峰在 $1.5$ )。
|
|||
|
|
|
|||
|
|
但它**依然不是正态**。判据是:正态密度的对数是**二次函数**。这里
|
|||
|
|
|
|||
|
|
$$\ln f_Y(y)=\text{常数}+\ln\left[\mathrm e^{-\frac{(y-1)^2}{2}}+\mathrm e^{-\frac{(y-2)^2}{2}}\right],$$
|
|||
|
|
|
|||
|
|
方括号里是"两个指数之和",它的对数(log-sum-exp)**不是二次函数**——例如它在 $y\to\pm\infty$ 时的衰减速率会在两段之间切换,四阶导数不为零。所以 $f_Y$ 是"单峰但非正态"的密度。
|
|||
|
|
|
|||
|
|
**(Ⅳ)** 由对称性:$Y-1.5$ 的分布关于 $0$ 对称(因为 $X-1.5$ 关于 $0$ 对称,且条件方差相同),故
|
|||
|
|
|
|||
|
|
$$P\{Y<1.5\}=\frac12 .$$
|
|||
|
|
|
|||
|
|
也可以硬算:$\frac12\Phi(0.5)+\frac12\Phi(-0.5)=\frac12$ 。
|
|||
|
|
|
|||
|
|
**验算**:$DY=1.25$ 也可由 $EY^2=E[X^2+1]=2.5+1=3.5$ 得 $DY=3.5-2.25=1.25$ ✓;$P\{Y<1.5\}=\frac12$ 与对称性一致 ✓。
|
|||
|
|
|
|||
|
|
**带走结论**:**混合正态的三个考点**:$EY$ 用重期望、$DY$ 用总方差、是否双峰看 $\lvert\mu_1-\mu_2\rvert$ 与 $2\sigma$ 的比较。**别一看到"正态的加权和"就说它是正态**——正态的线性组合才是正态,凸组合不是。
|
|||
|
|
|
|||
|
|
> **关联** · 盘点 [§7.2 混合正态](01-知识点盘点.md#user-content-72-混合正态) | 上游 — | 下游 — | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
|||
|
|
|
|||
|
|
---
|