refactor(概率论第3讲): 按「知识点带题」整体重构,三件套改为盘点+七点分册+速查卡

- 删去 01-考点手册 / 02-试题 / 03-解析 / 04-答疑笔记 / 05-试题-中高难度 / 06-解析-中高难度
- 新建 01-知识点盘点(七节 + 覆盖对照 + 相邻讲接口)、02—08 七个点文件、09-速查卡
- 27 题全部原创数字,A/B/C 难度分层;每题带「怎么想 / 解 / 带走结论」与题目级双向链接
- 关键数值用 sympy 复核:P{X+Y<1}=1/3、Cov=4/225、D(3X-2Y)=108、P{X=0|Y=2}=1/(1+2e^-2) 等
- gen_crosslinks 生成 27 条关联行 + §0.4 反查表 + 速查回查表;链接 143 条 0 异常
- 公式预检 0 处待修;18 处「加粗以公式收尾」已改写句式(补空格会让星号外露)
This commit is contained in:
2026-11-07 12:32:42 +08:00
parent b8f464607a
commit 60f3f394c0
16 changed files with 2117 additions and 1312 deletions
@@ -0,0 +1,354 @@
---
tags: [数学一, 在学练习, 概率论, 多维随机变量, 知识点盘点]
专题: 概率论 第3讲 · 多维随机变量及其分布
日期: 2026-11-07
状态: 知识点盘点(七节 + 覆盖对照表),配套 7 个点分册共 27 题
关联笔记: ["[[README]]", "[[09-速查卡]]"]
---
# 第3讲 · 多维随机变量及其分布:知识点盘点
真题库第 17 章。近十年 **11 题 105 分**:**8 道解答题(91 分)+ 3 道选填(14 分)**,**年年一道 11—12 分解答题,从未缺席**。
这一讲是**概率论分值第二重的一讲**(仅次于数理统计的参数估计)。它的全部内容可以压成一句话:**把一维的"分布函数/密度"升维成二维的,再学会从二维里切出一维来用**。
**一句话定性**:一维题考"求 $F$ 或 $f$ ";二维题考**三种换算**——**联合 → 边缘**(积分掉一个变量)、**联合 → 条件**(除边缘)、**联合 → 函数**(换元或求 $F$ )。所有大题都是这三种换算的组合。
## 0 三张表
### 0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 函数分布(分布函数法 + 雅可比) | 2017·22、2019·22、2021·22、2023·22 | **约 46** | `06` |
| 2 | 二维连续型与两类特殊分布 | 2016·22、2023·22 | **约 24** | `04` |
| 3 | 混合型与全概率 | 2020·22、2025·22 | **约 24** | `08` |
| 4 | 四则运算与最值 | 2019·8、2018·22 | **约 15** | `07` |
| 5 | 独立性判定 | 2016·22、2022·10 | 嵌在大题里 | `05` |
| 6 | 联合分布与边缘分布 | 一切题的起手 | — | `02` |
| 7 | 二维离散型 | 选填为主 | 冷门 | `03` |
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
```
02 联合分布与边缘分布 ← 定义层:F(x,y) 与三个"边缘"
↓
03 二维离散型 ← 表格法:联合律 → 边缘律 → 条件律
↓
04 二维连续型与两类分布 ← 密度法 + 均匀/正态这两个"模板分布"
↓
05 独立性 ← 判据:可分离 + 支撑矩形
↓
06 函数分布两条路 ← 分布函数法(通法)/ 雅可比(快法)
↓
07 四则运算与最值 ← 卷积、商、max/min 的成品公式
↓
08 混合型与全概率 ← 一个离散一个连续
```
**为什么函数分布排在独立性之后**:独立性决定联合密度能不能拆开,而函数分布的所有积分都要先知道联合密度长什么样。顺序反了会一直在"这个 $f(x,y)$ 到底能不能写成乘积"上卡住。
### 0.3 符号约定
| 记号 | 含义 |
|---|---|
| $F(x,y)=P\{X\le x,\ Y\le y\}$ | 联合分布函数 |
| $f(x,y)$ | 联合概率密度(连续型) |
| $p_{ij}=P\{X=x_i,Y=y_j\}$ | 联合分布律(离散型) |
| $f_X(x),\ f_Y(y)$ | 边缘密度(把另一个变量积掉) |
| $f_{Y\mid X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}$ | 条件密度(**一族**密度,随 $x$ 变) |
| $D$ 或 $\operatorname{supp}$ | 支撑集 = 密度非零的区域,**求一切积分前先画它** |
| $J=\dfrac{\partial(u,v)}{\partial(x,y)}$ | 雅可比行列式,换元时乘 $\lvert J\rvert$ |
### 0.4 知识点与练习文件对照(按知识点粒度)
<!-- AUTO:KP -->
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 联合分布函数 | [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)、[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) |
| §1.2 边缘分布函数 | [点 1 题 3](02-点1-联合分布与边缘分布.md#user-content-题-3--12由联合密度求边缘与区域概率) |
| §1.3 条件分布函数 | [点 1 题 4](02-点1-联合分布与边缘分布.md#user-content-题-4--13条件密度是一族密度) |
| §2.1 联合分布律 | [点 2 题 1](03-点2-二维离散型.md#user-content-题-1--21不放回抽样的联合分布律) |
| §2.2 独立性判据(离散版) | [点 2 题 2](03-点2-二维离散型.md#user-content-题-2--22由独立性反解未知概率) |
| §2.3 三类常见模型 | [点 2 题 3](03-点2-二维离散型.md#user-content-题-3--23泊松分解与条件二项) |
| §3.1 联合概率密度 | [点 3 题 1](04-点3-二维连续型与两类分布.md#user-content-题-1--31归一化与区域概率) |
| §3.2 边缘密度 | [点 3 题 2](04-点3-二维连续型与两类分布.md#user-content-题-2--32圆域均匀的边缘与矩形判据) |
| §3.3 条件密度 | [点 3 题 3](04-点3-二维连续型与两类分布.md#user-content-题-3--33条件密度与族的含义) |
| §3.4 二维均匀分布 | [点 3 题 5](04-点3-二维连续型与两类分布.md#user-content-题-5--34矩形支撑才独立) |
| §3.5 二维正态分布 | [点 3 题 4](04-点3-二维连续型与两类分布.md#user-content-题-4--35二维正态的六条结论) |
| §4.1 三种等价说法 | [点 4 题 1](05-点4-独立性.md#user-content-题-1--41三种说法的一致性) |
| §4.2 判据:可分离 + 支撑矩形 | [点 4 题 2](05-点4-独立性.md#user-content-题-2--42可分离却仍不独立) |
| §4.3 独立与不相关 | [点 4 题 3](05-点4-独立性.md#user-content-题-3--43不相关但不独立的反例) |
| §4.4 独立同分布的可加结论 | [点 4 题 4](05-点4-独立性.md#user-content-题-4--44独立同分布的四条推论) |
| §5.1 分布函数法(通法,必掌握) | [点 5 题 1](06-点5-函数分布两条路.md#user-content-题-1--51分布函数法求和的分布)、[点 5 题 2](06-点5-函数分布两条路.md#user-content-题-2--51区域型支撑上的函数分布) |
| §5.2 雅可比变换法(快法) | [点 5 题 3](06-点5-函数分布两条路.md#user-content-题-3--52雅可比法与顺带判独立) |
| §5.3 三条路怎么选 | [点 5 题 4](06-点5-函数分布两条路.md#user-content-题-4--53四条路的选择) |
| §6.1 和的分布(卷积) | [点 6 题 1](07-点6-四则运算与最值.md#user-content-题-1--61不同区间上均匀分布之和) |
| §6.2 差、积、商 | [点 6 题 2](07-点6-四则运算与最值.md#user-content-题-2--62差的绝对值与先求-f) |
| §6.3 最值 | [点 6 题 3](07-点6-四则运算与最值.md#user-content-题-3--63最值分布与期望) |
| §6.4 四种运算的"成品结论" | [点 6 题 4](07-点6-四则运算与最值.md#user-content-题-4--64可加性四张表) |
| §7.1 全概率公式求密度 | [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)、[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) |
| §7.2 混合正态 | [点 7 题 3](08-点7-混合型与全概率.md#user-content-题-3--72混合正态与总方差) |
<!-- /AUTO:KP -->
## 1 联合分布与边缘分布
### 1.1 联合分布函数
$$F(x,y)=P\{X\le x,\ Y\le y\},\qquad -\infty<x,y<+\infty .$$
**四条性质**(前三条例题照搬一维,第四条是二维新增):
1. **单调不减**:对 $x$ 与对 $y$ 分别单调不减;
2. **右连续**:对 $x$ 与对 $y$ 分别右连续;
3. **规范性**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;
4. **矩形概率公式**:
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
> **第四条是二维的"照妖镜"**。一维只需单调 + 右连续 + 规范就能当分布函数;二维还要求上式对**一切**矩形非负。典型反例:$F(x,y)$ 分别对 $x$ 、对 $y$ 都单调递增,但某个矩形上算出来是负的。
### 1.2 边缘分布函数
$$F_X(x)=F(x,+\infty)=\lim_{y\to+\infty}F(x,y),\qquad F_Y(y)=F(+\infty,y).$$
**含义**:不管 $Y$ 取什么值,只看 $X$ 的分布。所以"边缘"这个词的意思就是**把另一个变量放走**。
对密度与分布律,对应的动作是**积分掉 / 求和掉**:
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_{j}p_{ij}.$$
### 1.3 条件分布函数
$$F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\quad(\text{离散}),$$
$$F_{Y\mid X}(y\mid x)=\frac{\int_{-\infty}^{y}f(x,t)\,\mathrm dt}{f_X(x)}\quad(\text{连续,要求 }f_X(x)>0).$$
> **连续型条件分布的两个要点**:① 它是**对固定 $x$ 的一族分布**,支撑随 $x$ 变——这正是后面函数分布分段点的来源;② 分母必须 $f_X(x)>0$ ,否则条件无定义。
## 2 二维离散型
### 2.1 联合分布律
用一个**矩形表**列出全部 $p_{ij}$ ,满足 $p_{ij}\ge0$ 且 $\sum_i\sum_j p_{ij}=1$ 。
**边缘律**:把行加起来得 $Y$ 的边缘,把列加起来得 $X$ 的边缘(**顺手在表的右缘与下缘写"合计"列/行**,这是最不容易错的做法)。
**条件律**:$p_{j\mid i}=\dfrac{p_{ij}}{p_{i\cdot}}$ ,即"**用行和去除这一行**"。
### 2.2 独立性判据(离散版)
$$X\perp Y\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}\ \text{对一切}\ i,j .$$
**考场动作**:不必逐格验证,**找到一格不成立就停**(通常是边缘为 $0$ 或表格出现"整行只有一格非零"的那种)。
### 2.3 三类常见模型
| 模型 | 结构 | 用途 |
|---|---|---|
| 二项分解 | $X\sim B(n,p)$ 拆成 $n$ 个相互独立的 $0$ 或 $1$ 的两点变量之和 | 求 $\max$ 、$\min$ 、条件分布 |
| 多项分布 | $n$ 次试验落入 $k$ 个类的计数 $(N_1,\dots,N_k)$ | 相关系数($2016\cdot8$ 骨架) |
| 泊松分解 | $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 独立 $\Rightarrow X+Y\sim P(\lambda_1+\lambda_2)$ | 和的分布、条件分布($X\mid X+Y=n\sim B(n,\frac{\lambda_1}{\lambda_1+\lambda_2})$ ) |
## 3 二维连续型
### 3.1 联合概率密度
$f(x,y)\ge0$ ,$\displaystyle\int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx\mathrm dy=1$ ,且
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du,\qquad f(x,y)=\frac{\partial^2F}{\partial x\partial y}\ \text{(连续点)}.$$
**区域概率**:$P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm d\sigma$ 。**积分域就是题目给的那个区域**,不是矩形——这是与一维最不一样的地方。
### 3.2 边缘密度
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .$$
> **真正的难点是定限,不是积分**。当支撑是三角形、圆、$0<y<x$ 这类区域时,$f_X(x)$ 的积分上限是 $y$ 的**活动端点**,必须按 $x$ 分段。做法固定:**先在草图上画一条竖线(固定 $x$ ),看它穿过区域的那一段**。
### 3.3 条件密度
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)},\qquad f_X(x)>0 .$$
**两条必须记住的性质**:
$$f_{X\mid Y}(x\mid y)=\frac{f_{Y\mid X}(y\mid x)f_X(x)}{f_Y(y)}\ \text{(贝叶斯)};\qquad X\perp Y\iff f_{Y\mid X}(y\mid x)=f_Y(y).$$
### 3.4 二维均匀分布
$D$ 为有界区域、面积为 $S_D$ :
$$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{cases}$$
**两条秒杀结论**:① $P\{(X,Y)\in G\}=\dfrac{S_{D\cap G}}{S_D}$ (**面积比**);② **$X\perp Y$ 当且仅当 $D$ 是边平行于坐标轴的矩形**(几乎矩形)。
> 这条"矩形判据"是选择题与大题第一问的高频点:$D$ 是三角形、圆、菱形时,**边缘密度的乘积一定不等于联合密度**,所以一定不独立——不必算,看形状即可。
### 3.5 二维正态分布
$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ ,密度为
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.$$
**六条结论(考试只考这六条)**:
1. **边缘仍是正态**:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ ,**与 $\rho$ 无关**;
2. **线性组合仍正态**:$aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right)$ ;
3. **条件分布仍是正态**:$Y\mid X=x\sim N\!\left(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right)$ ;
4. **独立 $\iff$ 不相关**($\rho=0$ )——**这条只对二维正态成立**;
5. 若 $\rho=0$ ,则联合密度等于两个边缘密度之积(由 1、4 直接看出);
6. **可加性**:$X+Y$ 与 $X-Y$ 相互独立 $\iff \sigma_1^2=\sigma_2^2$ (**这是常考的判断题**)。
## 4 独立性
### 4.1 三种等价说法
$$X\perp Y\iff F(x,y)=F_X(x)F_Y(y)\ \forall x,y\iff f(x,y)=f_X(x)f_Y(y)\ \text{(a.e.)}\iff p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j .$$
### 4.2 判据:可分离 + 支撑矩形
**连续型的考场三步**:
1. 写联合密度 $f(x,y)=g(x)h(y)$ 能否**拆成"只含 $x$ "乘"只含 $y$ "**;
2. 看支撑集:**必须能写成 $x\in I_1$ 、$y\in I_2$ 的矩形(含无穷端点)**;
3. 归一化系数也拆得开,于是 $f_Xf_Y=f$ 。
> **只要支撑不是矩形,一定不独立**,与 $f$ 能不能拆无关。例:$f(x,y)=8xy$ 在 $0<y<x<1$ 上,虽然 $8xy$ 能拆成 $8x\cdot y$ ,但支撑是三角形,故**不独立**(本讲点 4 题 2 会算到底)。
### 4.3 独立与不相关
| | 含义 | 强度 |
|---|---|---|
| 独立 | 联合分布 $=$ 边缘之积(**全部信息**) | 强 |
| 不相关 | $\operatorname{Cov}(X,Y)=0$ (**只有二阶信息**) | 弱 |
**结论链**:独立 $\Rightarrow$ 不相关(只要二阶矩存在);反之**不成立**,除非 $(X,Y)$ 服从二维正态。
**标准反例**:$X\sim U(-1,1)$ ,$Y=X^2$ 。此时 $\operatorname{Cov}(X,Y)=EX^3-EX\cdot EY=0$ ,但不独立($Y$ 由 $X$ 完全决定)。
### 4.4 独立同分布的可加结论
若 $X_1,\dots,X_n$ 相互独立,则
$$f_{X_1+\cdots+X_n}=f_{X_1}*\cdots*f_{X_n}\ \text{(卷积)},\qquad F_{\max}=\prod F_{X_i},\qquad F_{\min}=1-\prod\left(1-F_{X_i}\right).$$
**常见封闭性**:二项 + 二项(同 $p$ )、泊松 + 泊松、正态 + 正态、$\chi^2+\chi^2$ (自由度相加)、$\Gamma(\alpha,\lambda)+\Gamma(\beta,\lambda)$ 。
## 5 函数分布
### 5.1 分布函数法(通法,必掌握)
求 $Z=g(X,Y)$ 的分布:
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm d\sigma,\qquad f_Z(z)=F_Z'(z).$$
**三步**:① 把 $g(x,y)\le z$ 翻译成平面上的区域;② 画图,按 $z$ 的取值**分段**;③ 积分、求导。
> **这条路的优点是"永远能做",缺点是"分段容易漏"**。分段点来自两处:区域的几何临界位置(如 $z=0$ 、$z=1$ ),以及被积函数表达式的切换点。
### 5.2 雅可比变换法(快法)
设 $\begin{cases}u=g_1(x,y)\\v=g_2(x,y)\end{cases}$ 有唯一反解 $x=x(u,v)$ 、$y=y(u,v)$ ,则
$$f_{U,V}(u,v)=f\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}x_u&x_v\\y_u&y_v\end{vmatrix}.$$
再对不要的那个变量积分得边缘。
**二维正态的线性变换**(最常用的一次):$U=X+Y$ 、$V=X-Y$ ,则 $J=-\frac12$ ,$\lvert J\rvert=\frac12$ 。
### 5.3 三条路怎么选
| 题目长相 | 走哪条 |
|---|---|
| 求 $Z=X+Y$ 且已知两个边缘(独立) | **卷积公式**(点 6 的成品表) |
| 求 $Z=g(X,Y)$ 的一般函数,$f$ 是分片/有区域 | **分布函数法**(画区域) |
| 需要 $Z$ 与另一个量的**联合密度**(如 $X+Y$ 与 $X/(X+Y)$ ) | **雅可比** |
| 求 $\max$ 、$\min$ | 直接用 $F^n$ 、$1-(1-F)^n$ |
## 6 四则运算与最值
### 6.1 和的分布(卷积)
$X\perp Y$ 时
$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)\,\mathrm dy .$$
**定限口诀**:**两个密度的支撑同时非零**才有贡献,所以积分限是"两个区间 $[a_1,b_1]$ 与 $[z-b_2,z-a_2]$ 的交"。
### 6.2 差、积、商
$$f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{1}{\lvert x\rvert}\,\mathrm dx;$$
$$f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .$$
**商的分布更稳的算法**:先求 $F_Z(z)=P\{Y\le zX\}$ (半平面区域),再求导——因为绝对值与符号常常在 $z<0$ 与 $z>0$ 上不同。
### 6.3 最值
$$F_{\max}(z)=\prod_{i=1}^{n}F_{X_i}(z),\qquad F_{\min}(z)=1-\prod_{i=1}^{n}\left[1-F_{X_i}(z)\right].$$
独立同分布时:$F_{\max}=F^n$ ,$f_{\max}=nF^{n-1}f$ ;$F_{\min}=1-(1-F)^n$ ,$f_{\min}=n(1-F)^{n-1}f$ 。
### 6.4 四种运算的"成品结论"
| 组合 | 结果 |
|---|---|
| $X\sim B(n_1,p)$ 、$Y\sim B(n_2,p)$ 独立 | $X+Y\sim B(n_1+n_2,p)$ |
| $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 独立 | $X+Y\sim P(\lambda_1+\lambda_2)$ |
| $X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ 独立 | $X\pm Y\sim N(\mu_1\pm\mu_2,\ \sigma_1^2+\sigma_2^2)$ (**差也是加**) |
| $X\sim\Gamma(\alpha,\lambda)$ 、$Y\sim\Gamma(\beta,\lambda)$ 独立 | $X+Y\sim\Gamma(\alpha+\beta,\lambda)$ (指数分布是 $\alpha=1$ ) |
## 7 混合型(一个离散、一个连续)
### 7.1 全概率公式求密度
设 $X$ 离散(取值 $x_k$ ,概率 $p_k$ )、$Y$ 在 $X=x_k$ 下连续(密度 $f_{Y\mid X=x_k}$ ),则
$$f_Y(y)=\sum_k p_k\,f_{Y\mid X=x_k}(y),\qquad F_Y(y)=\sum_k p_k F_{Y\mid X=x_k}(y).$$
**反向(贝叶斯)**:
$$P\{X=x_k\mid Y=y\}=\frac{p_k f_{Y\mid X=x_k}(y)}{f_Y(y)} .$$
### 7.2 混合正态
两层正态叠加后,**边缘一般不是正态**(除非两层的均值与方差都相同)。但无条件期望、方差仍可用全期望公式:
$$EY=E\left[E(Y\mid X)\right],\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
> **第二个式子是"总方差公式"**(也叫 Eve 公式):**总方差 = 组内方差均值 + 组间方差**。$2020\cdot22$ 与 $2025\cdot22$ 的最后一问都靠它。
## 8 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 联合分布函数与性质 | 掌握 | 2023·22 | 有 | 点 1,2 题 |
| 边缘分布(函数/律/密度) | **掌握** | 每题必用 | 有 | 点 1、2、3,共 4 题 |
| 条件分布 | **掌握** | 2016·22、2022·10、2024·9 | 有 | 点 1、3,共 3 题 |
| 二维离散型 | 掌握 | 选填 | 有 | 点 2,3 题 |
| 二维连续型 | **掌握(核心)** | 2016·22、2023·22 | 有 | 点 3,4 题 |
| 二维均匀分布 | **掌握** | 2016·22 | 有 | 点 3,2 题 |
| 二维正态分布 | **掌握** | 2019·8、2022·10 | 有 | 点 3、4,共 3 题 |
| 独立性判定 | **掌握** | 2016·22、2022·10、2024·9 | 有 | 点 4,3 题 |
| 独立与不相关 | **掌握** | 2022·10 | 有 | 点 4,2 题 |
| 分布函数法 | **掌握(核心)** | 2017·22、2019·22、2021·22、2023·22 | 有 | 点 5,4 题 |
| 雅可比变换法 | 掌握(快法) | 2019·22 | 有 | 点 5,2 题 |
| 和、差、积、商 | **掌握** | 2017·22、2018·22、2019·8 | 有 | 点 6,4 题 |
| 最值分布 | 掌握 | 2025·22 | 有 | 点 6,2 题 |
| 混合型与全概率 | **掌握** | 2017·22、2020·22、2025·22 | 有 | 点 7,3 题 |
| 混合正态 | 掌握 | 2020·22 | 有 | 点 7,2 题 |
**判断**:15 个知识点中,**大纲"掌握"的 13 个全部配了题**;点 6、点 7 的题型在十年里没有单独立题,但都以"最后一问"的形式出现过(2025·22 的最值、2020·22 的混合正态),所以照配。
## 9 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| $F(x)=\int f\,\mathrm dx$ 、密度的归一化 | 第 2 讲(一维随机变量) | 本讲所有的积分都是它的二维版 |
| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$\rho$ | 第 4 讲(数字特征) | 本讲点 4 的"独立 vs 不相关"直接用 $\operatorname{Cov}$ 定义 |
| 条件期望 $E(Y\mid X)$ 、重期望 | 第 4 讲(数字特征) | 点 7 的混合型期望靠它 |
| 二维正态的 $\rho$ 与 $\sigma$ | 第 4 讲(协方差) | 点 3 的六条结论与第 4 讲的相关系数是同一件事 |
| 独立同分布、和的分布 | 第 5 讲上(大数定律)与第 5 讲下(中心极限定理) | 两讲都以"$n$ 个独立同分布之和"为对象,正是点 6 的卷积推广 |
| 统计量与样本分布 | 第 6 讲(数理统计) | 样本 $(X_1,\dots,X_n)$ 就是 $n$ 维随机变量,联合密度连乘即本讲点 3 的推广 |
> **跨讲一句话**:本讲解决"两个变量怎么一起分布";第 4 讲解决"用几个数概括它";第 5 讲解决"无穷多个加起来会怎样";第 6 讲解决"反过来,用样本猜总体"。