修复 Gitea 网页端行内公式与加粗不渲染
根因(读 Gitea 解析器 modules/markup/markdown/math/inline_parser.go 源码确认):
行内公式收尾 $ 的后一个字节必须属于 {空格,换行,行尾,'.','!','?',',',';',':',')','$'},
开头 $ 的左邻不能是 ASCII 字母数字或上述标点。中文与全角标点均为多字节字符
(单字节值 >= 0x80),全部落空,于是整对 $...$ 被当作普通文本原样显示。
本地 PDF 走 KaTeX,无此限制,所以只有网页异常。
处理:
- 新增 .workbuddy/tools/md2pdf/fix_gitea_math.py(检测 + 修复,可 --check/--apply)
- 在收尾 $ 与紧跟的中文字符之间补一个半角空格:23 个文件 1889 处
- 顺带修复加粗失效(收尾 ** 被标点前导、被汉字后继,不满足 CommonMark
right-flanking 规则):10 处,星号不再外露
- 新增 rebuild_prob_pdfs.sh,重生成概率论第3/5/6讲全部 12 个 PDF
范围:概率论在学练习 + 每日小练 + 知识点。试卷/模拟卷/多元函数积分学
仍有 1484 处待修(同规则,可随时跑 --scope 之外的 --apply)。
This commit is contained in:
@@ -46,13 +46,13 @@ $$F(x,y)=P\{X\le x,\ Y\le y\}.$$
|
||||
**几何意义**:平面上以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。
|
||||
|
||||
### 1.3 四条性质(与一维对应,多一条)
|
||||
1. **单调不减**:对 $x$、对 $y$ 各自单调不减;
|
||||
2. **右连续**:$F(x+0,y)=F(x,y)$,$F(x,y+0)=F(x,y)$;
|
||||
3. **有界性**:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;
|
||||
1. **单调不减**:对 $x$ 、对 $y$ 各自单调不减;
|
||||
2. **右连续**:$F(x+0,y)=F(x,y)$ ,$F(x,y+0)=F(x,y)$ ;
|
||||
3. **有界性**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;
|
||||
4. **非负矩形增量**(二维**特有**):
|
||||
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0.$$
|
||||
|
||||
> **用途**:判断"某二元函数能否当联合分布函数"。反例:$F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}$ **不合法**——它虽满足前三条,但在 $x_1=-1,x_2=1,y_1=-1,y_2=1$ 上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$。
|
||||
> **用途**:判断"某二元函数能否当联合分布函数"。反例:$F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}$ **不合法**——它虽满足前三条,但在 $x_1=-1,x_2=1,y_1=-1,y_2=1$ 上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$ 。
|
||||
|
||||
### 1.4 边缘分布函数 🟩
|
||||
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
||||
@@ -64,7 +64,7 @@ $$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
||||
|
||||
### 2.1 联合分布律
|
||||
$$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
||||
**充要条件**:$p_{ij}\ge0$ 且 $\displaystyle\sum_i\sum_j p_{ij}=1$。
|
||||
**充要条件**:$p_{ij}\ge0$ 且 $\displaystyle\sum_i\sum_j p_{ij}=1$ 。
|
||||
|
||||
### 2.2 三类分布(表格记忆法)
|
||||
把 $p_{ij}$ 写成矩形表:
|
||||
@@ -76,13 +76,13 @@ $$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
||||
| $\vdots$ | | | | |
|
||||
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
|
||||
|
||||
- **边缘**:行和 $p_{i\cdot}=\sum_j p_{ij}$、列和 $p_{\cdot j}=\sum_i p_{ij}$(表格最右列、最下行);
|
||||
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$(要求 $p_{\cdot j}>0$),$P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$;
|
||||
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。
|
||||
- **边缘**:行和 $p_{i\cdot}=\sum_j p_{ij}$ 、列和 $p_{\cdot j}=\sum_i p_{ij}$ (表格最右列、最下行);
|
||||
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$ (要求 $p_{\cdot j}>0$ ),$P\{Y=y_j\mid X=x_i\}=\dfrac{p_{ij}}{p_{i\cdot}}$ ;
|
||||
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$ 。
|
||||
|
||||
### 2.3 常见模型
|
||||
- **放球模型**🟩:$n$ 封信投 $m$ 个信箱,$(X_1,X_2)$ 为前两箱信封数,联合分布为多项分布型。
|
||||
- **多项分布**🟨2016·8:$n$ 次独立试验,$X_i$ 为第 $i$ 类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$。
|
||||
- **多项分布**🟨2016·8:$n$ 次独立试验,$X_i$ 为第 $i$ 类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$ ,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -90,9 +90,9 @@ $$p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots$$
|
||||
|
||||
### 3.1 联合概率密度
|
||||
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv.$$
|
||||
**充要条件**:$f\ge0$,$\displaystyle\iint_{\mathbb R^2}f=1$。改有限个点的值仍是密度。
|
||||
- **区域概率**:$P\{(X,Y)\in G\}=\iint_G f\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);
|
||||
- 在 $f$ 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$。
|
||||
**充要条件**:$f\ge0$ ,$\displaystyle\iint_{\mathbb R^2}f=1$ 。改有限个点的值仍是密度。
|
||||
- **区域概率**:$P\{(X,Y)\in G\}=\iint_G f\,\mathrm dx\,\mathrm dy$ (**画图定限是全部功夫**);
|
||||
- 在 $f$ 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$ 。
|
||||
|
||||
### 3.2 边缘密度
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx.$$
|
||||
@@ -102,9 +102,9 @@ $$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}
|
||||
|
||||
### 3.3 条件密度
|
||||
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (f_X(x)>0),\qquad f_{X|Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}.$$
|
||||
**乘法公式**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。
|
||||
**乘法公式**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$ 。
|
||||
|
||||
> **求条件密度的标准动作**:① 先求 $f_X(x)$;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$;③ 写清 $y$ 的**条件范围**。
|
||||
> **求条件密度的标准动作**:① 先求 $f_X(x)$ ;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$ ;③ 写清 $y$ 的**条件范围**。
|
||||
|
||||
### 3.4 二维均匀分布
|
||||
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||
@@ -114,13 +114,13 @@ $$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.$$
|
||||
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}$$
|
||||
**五条必背性质**:
|
||||
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$;
|
||||
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$ ,$Y\sim N(\mu_2,\sigma_2^2)$ ;
|
||||
2. $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;
|
||||
3. **任意线性组合** $aX+bY$($a,b$ 不全为 0)仍服从正态;
|
||||
4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$;
|
||||
3. **任意线性组合** $aX+bY$ ($a,b$ 不全为 0)仍服从正态;
|
||||
4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$ ;
|
||||
5. **不相关 $\iff$ 独立**(二维正态专属特权)。
|
||||
|
||||
> **识别技巧**🟩:看到 $F(x,y)=\Phi(2x+1)\Phi(2y-1)$ 这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$,立刻读出 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$。
|
||||
> **识别技巧**🟩:看到 $F(x,y)=\Phi(2x+1)\Phi(2y-1)$ 这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$ ,立刻读出 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -131,19 +131,19 @@ $$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}
|
||||
|
||||
### 4.2 性质
|
||||
- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立;
|
||||
- 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$,$D(aX\pm bY)=a^2DX+b^2DY$;
|
||||
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
|
||||
- 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$ ,$D(aX\pm bY)=a^2DX+b^2DY$ ;
|
||||
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$ ;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ ;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||
|
||||
### 4.3 判断独立性三步走(考场流程)
|
||||
1. 求 $f_X(x)$、$f_Y(y)$;
|
||||
1. 求 $f_X(x)$ 、$f_Y(y)$ ;
|
||||
2. **看取值区域**——是不是**矩形**(非矩形基本可判不独立);
|
||||
3. 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$。
|
||||
3. 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$ 。
|
||||
> **特例**:圆形域、三角形域、$0<y<x$ 型区域 ⟹ 一律不独立(除非密度恰可分离且区域矩形)。
|
||||
|
||||
### 4.4 独立 vs 不相关(高频概念题)🟨2019·22、2025·8
|
||||
$$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qquad \text{不相关}\ \not\Longrightarrow\ \text{独立(一般情形)}.$$
|
||||
**唯一例外**:**二维正态**时二者等价。
|
||||
**经典反例**:$X\sim U(-1,1)$,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**($Y$ 是 $X$ 的偶函数)。
|
||||
**经典反例**:$X\sim U(-1,1)$ ,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**($Y$ 是 $X$ 的偶函数)。
|
||||
|
||||
---
|
||||
|
||||
@@ -153,7 +153,7 @@ $$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qqua
|
||||
|
||||
| 路线 | 何时用 | 关键 |
|
||||
|---|---|---|
|
||||
| **① 分布函数法(定义法)** | 给**联合密度**、求**单个函数**的分布 | $F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 |
|
||||
| **① 分布函数法(定义法)** | 给**联合密度**、求**单个函数**的分布 | $F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma$ ,再求导 |
|
||||
| **② 雅可比变换法** | 视频推荐 · 求**多个新变量**的联合密度 / 函数分布 | 反解 + $f_{UV}=f\cdot\lvert J\rvert$ |
|
||||
| **③ 卷积公式** | X,Y **独立**、求 $Z=X\pm Y$ 等 | 把二维密度降成一重积分 |
|
||||
|
||||
@@ -163,27 +163,27 @@ $$\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qqua
|
||||
|
||||
### 5.1 分布函数法(通法,必掌握)
|
||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm dx\,\mathrm dy,\qquad f_Z(z)=F_Z'(z).$$
|
||||
**四步**:① 写 $F_Z(z)$;② 画图定 $g\le z$ 的区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。
|
||||
**四步**:① 写 $F_Z(z)$ ;② 画图定 $g\le z$ 的区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。
|
||||
> **优点**:万无一失(第 15、18 题用它);**缺点**:分段讨论繁。
|
||||
|
||||
---
|
||||
|
||||
### 5.2 雅可比行列式变换法(视频推荐,重点补)🟦05/06
|
||||
|
||||
**二维变换定理**:设 $(X,Y)$ 的联合密度为 $f_{XY}(x,y)$,变换
|
||||
**二维变换定理**:设 $(X,Y)$ 的联合密度为 $f_{XY}(x,y)$ ,变换
|
||||
$$u=u(x,y),\qquad v=v(x,y)$$
|
||||
满足:① 在 $(X,Y)$ 的取值区域 $D$ 上存在**唯一的逆变换** $x=x(u,v),\ y=y(u,v)$;② 有连续偏导数;③ 雅可比行列式 $J\ne0$。则 $(U,V)$ 的联合密度为
|
||||
满足:① 在 $(X,Y)$ 的取值区域 $D$ 上存在**唯一的逆变换** $x=x(u,v),\ y=y(u,v)$ ;② 有连续偏导数;③ 雅可比行列式 $J\ne0$ 。则 $(U,V)$ 的联合密度为
|
||||
$$\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}$$
|
||||
其中
|
||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix},$$
|
||||
取值区域 $D'$ 是 $D$ 在变换下的**像**(把 $D$ 的边界用 $u,v$ 表示)。
|
||||
|
||||
**求单个函数 $Z=g(X,Y)$ 的密度 —— 增补变量三步法**:
|
||||
1. **增补**一个辅助变量(常取 $V=X$ 或 $V=Y$),凑成二维一一变换;
|
||||
2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$;
|
||||
3. 对辅助变量积分得**边缘**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$。
|
||||
1. **增补**一个辅助变量(常取 $V=X$ 或 $V=Y$ ),凑成二维一一变换;
|
||||
2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$ ;
|
||||
3. 对辅助变量积分得**边缘**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$ 。
|
||||
|
||||
**三条常用变换(务必记熟 $J$)**:
|
||||
**三条常用变换(务必记熟 $J$ )**:
|
||||
|
||||
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|
||||
|---|---|---|---|---|
|
||||
@@ -191,31 +191,31 @@ $$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\parti
|
||||
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\dfrac1{\lvert v\rvert}$ | $f_Z(z)=\displaystyle\int\frac{1}{\lvert v\rvert}f\big(v,\tfrac zv\big)\,\mathrm dv$ |
|
||||
| 商 $Z=\dfrac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $f_Z(z)=\displaystyle\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
|
||||
|
||||
> **验算**:以"和"为例,$x=v,\ y=z-v$;$J=\det\begin{vmatrix}0&1\\1&-1\end{vmatrix}=-1$,$\lvert J\rvert=1$,故 $f_Z(z)=\int f(v,z-v)\mathrm dv$ —— 正是**卷积公式**。**雅可比法把卷积"推导"出来了**,理解后不必死记。
|
||||
> **验算**:以"和"为例,$x=v,\ y=z-v$ ;$J=\det\begin{vmatrix}0&1\\1&-1\end{vmatrix}=-1$ ,$\lvert J\rvert=1$ ,故 $f_Z(z)=\int f(v,z-v)\mathrm dv$ —— 正是**卷积公式**。**雅可比法把卷积"推导"出来了**,理解后不必死记。
|
||||
|
||||
**一一性的坑** 🔴:若变换**非一一**(如 $Z=X^2$、$Z=X^2+Y^2$ 反解多值),雅可比法要**按分支求和**:
|
||||
**一一性的坑** 🔴:若变换**非一一**(如 $Z=X^2$ 、$Z=X^2+Y^2$ 反解多值),雅可比法要**按分支求和**:
|
||||
$$f_Z(z)=\sum_{\text{各分支}} f\big(x_k(z)\big)\left\lvert \frac{\mathrm dx_k}{\mathrm dz}\right\rvert.$$
|
||||
否则改用**分布函数法**(第 18 题的 $Z=X^2+Y^2$ 就走定义法)。
|
||||
|
||||
**一维版本**(前置知识):若 $Y=g(X)$ 在 $X$ 的取值区间上**单调可导**且 $g'\ne0$,则
|
||||
**一维版本**(前置知识):若 $Y=g(X)$ 在 $X$ 的取值区间上**单调可导**且 $g'\ne0$ ,则
|
||||
$$f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.$$
|
||||
> 例:$X\sim U(0,2)$,$Y=X^2$ 在 $(0,2)$ 单调,$x=\sqrt y$,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$。
|
||||
> 例:$X\sim U(0,2)$ ,$Y=X^2$ 在 $(0,2)$ 单调,$x=\sqrt y$ ,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$ ,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$ 。
|
||||
|
||||
**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$,
|
||||
**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$ ,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$ ,
|
||||
$$\iint_D f\,\mathrm dx\,\mathrm dy=\iint_{D'} f(r\cos\theta,r\sin\theta)\,r\,\mathrm dr\,\mathrm d\theta.$$
|
||||
> 凡"到原点距离"的函数($X^2+Y^2$、$\sqrt{X^2+Y^2}$、$\sqrt{X^2+Y^2}\le z$ 的区域)一律先转极坐标。
|
||||
> 凡"到原点距离"的函数($X^2+Y^2$ 、$\sqrt{X^2+Y^2}$ 、$\sqrt{X^2+Y^2}\le z$ 的区域)一律先转极坐标。
|
||||
|
||||
---
|
||||
|
||||
### 5.3 和的分布(卷积)
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,\mathrm dx\ \xrightarrow{\ X,Y\text{ 独立}\ }\ \int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx.$$
|
||||
**两个标准结论**(背下来):
|
||||
- 两个 $U(0,1)$ 之和 → **辛普森(三角形)分布**:$f_Z(z)=z\ (0<z<1)$,$2-z\ (1\le z<2)$;
|
||||
- $X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)$ 独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
|
||||
- 两个 $U(0,1)$ 之和 → **辛普森(三角形)分布**:$f_Z(z)=z\ (0<z<1)$ ,$2-z\ (1\le z<2)$ ;
|
||||
- $X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)$ 独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||
|
||||
### 5.4 差的分布
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)\,\mathrm dx\quad(\text{独立时}=\int f_X(x)f_Y(x-z)\,\mathrm dx).$$
|
||||
> 正态差:$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$。**同方差正态差** $X-Y\sim N(0,2\sigma^2)$,与 $\mu$ 无关 🟨2019·8。
|
||||
> 正态差:$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$ 。**同方差正态差** $X-Y\sim N(0,2\sigma^2)$ ,与 $\mu$ 无关 🟨2019·8。
|
||||
|
||||
### 5.5 积的分布
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).$$
|
||||
@@ -225,16 +225,16 @@ $$f_Z(z)=\int_{-\infty}^{+\infty}\lvert x\rvert f(x,zx)\,\mathrm dx\quad(\text{
|
||||
|
||||
### 5.7 最值分布
|
||||
$$F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-\big[1-F_X(z)\big]\big[1-F_Y(z)\big].$$
|
||||
> 若 $X,Y$ 独立同分布(分布函数 $F$、密度 $f$):$f_{\max}(z)=2F(z)f(z)$;$f_{\min}(z)=2[1-F(z)]f(z)$。
|
||||
> 若 $X,Y$ 独立同分布(分布函数 $F$ 、密度 $f$ ):$f_{\max}(z)=2F(z)f(z)$ ;$f_{\min}(z)=2[1-F(z)]f(z)$ 。
|
||||
|
||||
### 5.8 混合型(一个离散、一个连续)——全概率公式 🟨2017·22、2020·22、2025·22
|
||||
设 $X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:
|
||||
设 $X$ 离散($P\{X=x_i\}=p_i$ )、$Y$ 连续:
|
||||
$$F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.$$
|
||||
> **本质**:把离散变量的每个取值当作一个**权重**,分别平移后加权叠加。
|
||||
> **例**:$P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$。
|
||||
> **例**:$P\{X=0\}=P\{X=1\}=\tfrac12$ ,$Y\sim U(0,1)$ ,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$ 。
|
||||
|
||||
### 5.9 混合正态(综合题常客)🟨2020·22
|
||||
形如 $Y=X_3X_1+(1-X_3)X_2$($X_3$ 取 0/1,$X_1,X_2\sim N(0,1)$):
|
||||
形如 $Y=X_3X_1+(1-X_3)X_2$ ($X_3$ 取 0/1,$X_1,X_2\sim N(0,1)$ ):
|
||||
用**全概率 + $\Phi$ 的乘法**:
|
||||
$$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
||||
结论常是"**证明 $Y$ 仍服从标准正态**"。
|
||||
@@ -243,12 +243,12 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
||||
|
||||
## 6. 与数字特征的耦合(本讲的"配件")🟦07 🟨2022·10、2024·9、2025·8
|
||||
|
||||
- **期望的二维公式**(不必先求分布):$E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g(x,y)f\,\mathrm dx\,\mathrm dy$;
|
||||
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$;
|
||||
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
|
||||
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
|
||||
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$;
|
||||
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
|
||||
- **期望的二维公式**(不必先求分布):$E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g(x,y)f\,\mathrm dx\,\mathrm dy$ ;
|
||||
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$ ;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$ ;
|
||||
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ ;
|
||||
- **条件分布求相关**(🟨2022·10、2024·9):先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$ ,再算 $EX,EY,E(XY)$ ;
|
||||
- **线性组合方差最值**(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$ ,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$ ,最大值 $1+\lvert\rho\rvert$ ;
|
||||
- **切比雪夫不等式**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$ (完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §2)。
|
||||
|
||||
---
|
||||
|
||||
@@ -280,9 +280,9 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
||||
3. **独立 ⟹ 不相关;不相关 ⇏ 独立**(二维正态除外);
|
||||
4. **混合型 = 全概率公式**(离散变量当权重);
|
||||
5. **单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积**;
|
||||
6. **雅可比用反解的行列式** $J=\dfrac{\partial(x,y)}{\partial(u,v)}$,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$(互为倒数,取绝对值不影响结果,但要对);
|
||||
6. **雅可比用反解的行列式** $J=\dfrac{\partial(x,y)}{\partial(u,v)}$ ,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$ (互为倒数,取绝对值不影响结果,但要对);
|
||||
7. **非一一变换要按分支求和**,否则漏项;
|
||||
8. **圆形域先极坐标**,$J=r$;
|
||||
8. **圆形域先极坐标**,$J=r$ ;
|
||||
9. **条件密度是对另一个变量求导/积分的商**,注意条件范围;
|
||||
10. **二维正态 $\sigma$ 是标准差**,代公式别把 $\sigma^2$ 用错。
|
||||
|
||||
@@ -290,11 +290,11 @@ $$F(x,y)=\sum_k P\{X_3=k\}\,P\{X_1\le x,\ (\text{对应 }Y)\le y\}.$$
|
||||
| 陷阱 | 正确做法 |
|
||||
|---|---|
|
||||
| 边缘积分上下限照抄联合定义域 | **画图**取交集,分段讨论 |
|
||||
| 判独立只看一个点就下"独立"结论 | 独立要**全部** $p_{ij}=p_{i\cdot}p_{\cdot j}$;不独立**找一个反例**即可 |
|
||||
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$,行列式用**反解**的 |
|
||||
| 判独立只看一个点就下"独立"结论 | 独立要**全部** $p_{ij}=p_{i\cdot}p_{\cdot j}$ ;不独立**找一个反例**即可 |
|
||||
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$ ,行列式用**反解**的 |
|
||||
| $Z=X^2+Y^2$ 硬套雅可比 | 反解多值,**改走分布函数法** |
|
||||
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$,权重和必须为 1 |
|
||||
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$(都是标准差之积) |
|
||||
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$ ,权重和必须为 1 |
|
||||
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$ (都是标准差之积) |
|
||||
| 正态线性组合忘了 $\rho$ 交叉项 | $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ |
|
||||
|
||||
---
|
||||
|
||||
@@ -32,60 +32,60 @@ tags:
|
||||
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
|
||||
|
||||
**2.** 【二维均匀分布 🟦01】设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
||||
(Ⅰ)写出 $(X,Y)$ 的概率密度 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
|
||||
(Ⅰ)写出 $(X,Y)$ 的概率密度 $f(x,y)$ ;(Ⅱ)求 $P\{X+Y\le1\}$ 。
|
||||
|
||||
**3.** 【边缘密度 + 独立性 🟦02】设 $(X,Y)$ 的概率密度为
|
||||
$$f(x,y)=\begin{cases}c\,xy,&0<x<1,\ 0<y<2\\0,&\text{其他}\end{cases}$$
|
||||
(Ⅰ)求 $c$;(Ⅱ)求 $f_X(x),f_Y(y)$;(Ⅲ)判断 $X,Y$ 是否独立。
|
||||
(Ⅰ)求 $c$ ;(Ⅱ)求 $f_X(x),f_Y(y)$ ;(Ⅲ)判断 $X,Y$ 是否独立。
|
||||
|
||||
**4.** 【条件概率密度 🟦03】设 $(X,Y)$ 的概率密度为
|
||||
$$f(x,y)=\begin{cases}3x,&0<y<x<1\\0,&\text{其他}\end{cases}$$
|
||||
(Ⅰ)求 $f_X(x)$;(Ⅱ)求条件密度 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P\{Y<\tfrac12 \mid X=\tfrac34\}$。
|
||||
(Ⅰ)求 $f_X(x)$ ;(Ⅱ)求条件密度 $f_{Y|X}(y\mid x)$ ;(Ⅲ)求 $P\{Y<\tfrac12 \mid X=\tfrac34\}$ 。
|
||||
|
||||
**5.** 【卷积 · 和的分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$。
|
||||
**5.** 【卷积 · 和的分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,1)$ ,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $f_Z(z)$ 。
|
||||
|
||||
**6.** 【概念辨析 · 独立与不相关 🟦04】设 $X,Y$ 为随机变量,则下列命题**正确**的是( )
|
||||
- (A)若 $X,Y$ 都服从正态分布且 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 相互独立;
|
||||
- (A)若 $X,Y$ 都服从正态分布且 $\operatorname{Cov}(X,Y)=0$ ,则 $X,Y$ 相互独立;
|
||||
- (B)若 $(X,Y)$ 服从二维正态分布,则 $X,Y$ 不相关与相互独立等价;
|
||||
- (C)若 $\operatorname{Cov}(X,Y)=0$,则 $X,Y$ 一定相互独立;
|
||||
- (D)若 $X,Y$ 相互独立,则 $\operatorname{Cov}(X,Y)$ 可以不为 $0$。
|
||||
- (C)若 $\operatorname{Cov}(X,Y)=0$ ,则 $X,Y$ 一定相互独立;
|
||||
- (D)若 $X,Y$ 相互独立,则 $\operatorname{Cov}(X,Y)$ 可以不为 $0$ 。
|
||||
|
||||
## B 组 · 中等(多步计算,★★☆)
|
||||
|
||||
**7.** 【商分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
|
||||
**7.** 【商分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$ 。求 $f_Z(z)$ 及 $P\{Z>1\}$ 。
|
||||
|
||||
**8.** 【连续型独立性 🟦03】设 $(X,Y)$ 在单位圆 $D=\{(x,y)\mid x^2+y^2\le1\}$ 上服从均匀分布。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断 $X,Y$ 是否独立。
|
||||
**8.** 【连续型独立性 🟦03】设 $(X,Y)$ 在单位圆 $D=\{(x,y)\mid x^2+y^2\le1\}$ 上服从均匀分布。(Ⅰ)求 $f_X(x)$ ;(Ⅱ)判断 $X,Y$ 是否独立。
|
||||
|
||||
**9.** 【积分布 🟦05】设 $X\sim U(0,1)$,$Y\sim U(0,2)$ 且相互独立,$Z=XY$。求 $f_Z(z)$。
|
||||
**9.** 【积分布 🟦05】设 $X\sim U(0,1)$ ,$Y\sim U(0,2)$ 且相互独立,$Z=XY$ 。求 $f_Z(z)$ 。
|
||||
|
||||
**10.** 【混合型 · 和 🟦05】设 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\tfrac12$,$Y\sim U(0,1)$,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $Z$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
|
||||
**10.** 【混合型 · 和 🟦05】设 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\tfrac12$ ,$Y\sim U(0,1)$ ,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $Z$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$ 。
|
||||
|
||||
**11.** 【不相关但不独立 🟦04】设 $X\sim U(-1,1)$,$Y=X^2$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$,并判断 $X,Y$ 是否独立。
|
||||
**11.** 【不相关但不独立 🟦04】设 $X\sim U(-1,1)$ ,$Y=X^2$ 。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$ ,并判断 $X,Y$ 是否独立。
|
||||
|
||||
**12.** 【最值分布 🟩】设 $X,Y$ 相互独立且都服从参数为 $\lambda$ 的指数分布,$Z=\max(X,Y)$。求 $Z$ 的分布函数与概率密度。
|
||||
**12.** 【最值分布 🟩】设 $X,Y$ 相互独立且都服从参数为 $\lambda$ 的指数分布,$Z=\max(X,Y)$ 。求 $Z$ 的分布函数与概率密度。
|
||||
|
||||
**13.** 【二维正态综合 🟩】设 $(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写出 $X,Y$ 的边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
|
||||
**13.** 【二维正态综合 🟩】设 $(X,Y)\sim N(1,2;1,4;0.5)$ 。(Ⅰ)写出 $X,Y$ 的边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$ ;(Ⅲ)求 $E(Y\mid X=x)$ 。
|
||||
|
||||
**14.** 【取点分段 · 几何概型 🟦07】在区间 $(0,1)$ 上随机取一点,将区间分成两段,较短的一段长度为 $X$。求 $X$ 的概率密度。
|
||||
**14.** 【取点分段 · 几何概型 🟦07】在区间 $(0,1)$ 上随机取一点,将区间分成两段,较短的一段长度为 $X$ 。求 $X$ 的概率密度。
|
||||
|
||||
## C 组 · 拔高(综合与辨析,★★★)
|
||||
|
||||
**15.** 【二维均匀 + 离散化 + 分布函数法 · **真题骨架 2016·22** 🟨】设 $(X,Y)$ 在三角形区域 $D=\{(x,y)\mid 0<y<x<1\}$ 上服从均匀分布,令
|
||||
$$U=\begin{cases}1,&Y\le\dfrac X2\\[4pt]0,&Y>\dfrac X2\end{cases}$$
|
||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{U=1,\,X\le x\}$,并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$。
|
||||
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $P\{U=1,\,X\le x\}$ ,并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的分布函数 $F_Z(z)$ 与密度 $f_Z(z)$ 。
|
||||
|
||||
**16.** 【条件均匀分布 → 相关系数 · **真题骨架 2022·10 / 2024·9** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 条件下 $Y\sim U(0,x)$。求相关系数 $\rho_{XY}$。
|
||||
**16.** 【条件均匀分布 → 相关系数 · **真题骨架 2022·10 / 2024·9** 🟨】设 $X\sim U(0,1)$ ,在 $X=x$ 条件下 $Y\sim U(0,x)$ 。求相关系数 $\rho_{XY}$ 。
|
||||
|
||||
**17.** 【混合正态 · **真题骨架 2020·22** 🟨】设 $X_1,X_2,X_3$ 相互独立,$X_1,X_2\sim N(0,1)$,且 $P\{X_3=1\}=P\{X_3=-1\}=\dfrac12$。令
|
||||
**17.** 【混合正态 · **真题骨架 2020·22** 🟨】设 $X_1,X_2,X_3$ 相互独立,$X_1,X_2\sim N(0,1)$ ,且 $P\{X_3=1\}=P\{X_3=-1\}=\dfrac12$ 。令
|
||||
$$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2.$$
|
||||
(Ⅰ)求 $(X_1,Y)$ 的分布函数 $F(x,y)$(用标准正态分布函数 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
|
||||
(Ⅰ)求 $(X_1,Y)$ 的分布函数 $F(x,y)$ (用标准正态分布函数 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$ 。
|
||||
|
||||
**18.** 【圆形区域密度 + 函数分布 · **真题骨架 2023·22** 🟨】设 $(X,Y)$ 的概率密度为
|
||||
$$f(x,y)=\begin{cases}c\sqrt{x^2+y^2},&x^2+y^2\le1\\0,&\text{其他}\end{cases}$$
|
||||
(Ⅰ)求常数 $c$;(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否独立;(Ⅳ)求 $Z=X^2+Y^2$ 的概率密度 $f_Z(z)$。
|
||||
(Ⅰ)求常数 $c$ ;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否独立;(Ⅳ)求 $Z=X^2+Y^2$ 的概率密度 $f_Z(z)$ 。
|
||||
|
||||
**19.** 【雅可比行列式变换法 · 视频推荐 🟦05/06】设 $(X,Y)$ 的概率密度为
|
||||
$$f(x,y)=\begin{cases}e^{-(x+y)},&x>0,\ y>0\\0,&\text{其他}\end{cases}$$
|
||||
令 $U=X+Y$,$V=\dfrac{X}{X+Y}$。
|
||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
|
||||
令 $U=X+Y$ ,$V=\dfrac{X}{X+Y}$ 。
|
||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ;
|
||||
(Ⅱ)判断 $U$ 与 $V$ 是否独立,并写出各自的分布($U$ 服从什么分布、$V$ 服从什么分布)。
|
||||
|
||||
@@ -26,36 +26,36 @@ tags:
|
||||
| **2** | 0.2 | 0.3 | 0.1 | **0.6** |
|
||||
| $p_{\cdot j}$ | **0.3** | **0.5** | **0.2** | 1 |
|
||||
|
||||
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$。
|
||||
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$ 。
|
||||
|
||||
**(Ⅱ)** 取 $p_{11}=0.1$,而 $p_{1\cdot}p_{\cdot1}=0.4\times0.5=0.2\ne0.1$,故 **$X$ 与 $Y$ 不相互独立**。
|
||||
**(Ⅱ)** 取 $p_{11}=0.1$ ,而 $p_{1\cdot}p_{\cdot1}=0.4\times0.5=0.2\ne0.1$ ,故 **$X$ 与 $Y$ 不相互独立**。
|
||||
> **思路**:判独立要"全部成立",否定只需**找一对反例**。
|
||||
> **易错点**:$p_{ij}$ 与 $p_{i\cdot}p_{\cdot j}$ 下标要对齐($X=1$ 是第 1 行、$Y=0$ 是第 1 列)。
|
||||
|
||||
### 2.(Ⅰ)$S_D=\dfrac12$,
|
||||
### 2.(Ⅰ)$S_D=\dfrac12$ ,
|
||||
$$f(x,y)=\begin{cases}2,&0\le x\le1,\ 0\le y\le x\\0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(Ⅱ)** 在 $D$ 内 $x+y\le1\Rightarrow y\le\min(x,1-x)$:$0\le x\le\frac12$ 上限 $x$;$\frac12\le x\le1$ 上限 $1-x$。
|
||||
**(Ⅱ)** 在 $D$ 内 $x+y\le1\Rightarrow y\le\min(x,1-x)$ :$0\le x\le\frac12$ 上限 $x$ ;$\frac12\le x\le1$ 上限 $1-x$ 。
|
||||
$$P\{X+Y\le1\}=2\left[\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx\right]=2\left(\frac18+\frac18\right)=\frac12.$$
|
||||
> **易错点**:**先画图再定限**,$y=x$ 与 $y=1-x$ 把区域切成两段。
|
||||
|
||||
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$。
|
||||
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$ 。
|
||||
|
||||
**(Ⅱ)** $f_X(x)=\displaystyle\int_0^2xy\,\mathrm dy=2x\ (0<x<1)$;$f_Y(y)=\displaystyle\int_0^1xy\,\mathrm dx=\dfrac y2\ (0<y<2)$。
|
||||
**(Ⅱ)** $f_X(x)=\displaystyle\int_0^2xy\,\mathrm dy=2x\ (0<x<1)$ ;$f_Y(y)=\displaystyle\int_0^1xy\,\mathrm dx=\dfrac y2\ (0<y<2)$ 。
|
||||
|
||||
**(Ⅲ)** $f_X(x)f_Y(y)=2x\cdot\dfrac y2=xy=f(x,y)$,故 **$X,Y$ 相互独立**。
|
||||
**(Ⅲ)** $f_X(x)f_Y(y)=2x\cdot\dfrac y2=xy=f(x,y)$ ,故 **$X,Y$ 相互独立**。
|
||||
> **思路**:矩形域 + 密度可分离 ⟹ 一眼独立。
|
||||
|
||||
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$。
|
||||
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$ ;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$ 。
|
||||
|
||||
**(Ⅱ)** $f_{Y|X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$。
|
||||
**(Ⅱ)** $f_{Y|X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ 。
|
||||
|
||||
**(Ⅲ)** $P\{Y<\tfrac12\mid X=\tfrac34\}=\displaystyle\int_0^{1/2}\frac{1}{3/4}\,\mathrm dy=\frac43\cdot\frac12=\frac23$。
|
||||
> **易错点**:条件密度是 $y$ 的函数(对 $x$ 是常数);$\tfrac12<\tfrac34$ 故上限直接取 $\tfrac12$。
|
||||
**(Ⅲ)** $P\{Y<\tfrac12\mid X=\tfrac34\}=\displaystyle\int_0^{1/2}\frac{1}{3/4}\,\mathrm dy=\frac43\cdot\frac12=\frac23$ 。
|
||||
> **易错点**:条件密度是 $y$ 的函数(对 $x$ 是常数);$\tfrac12<\tfrac34$ 故上限直接取 $\tfrac12$ 。
|
||||
|
||||
### 5. $f(x,y)=1$(单位正方形)。$f_Y(z-x)=1\iff z-1<x<z$,与 $(0,1)$ 取交:
|
||||
- $0<z<1$:$f_Z(z)=\int_0^z\mathrm dx=z$;
|
||||
- $1\le z<2$:$f_Z(z)=\int_{z-1}^1\mathrm dx=2-z$。
|
||||
### 5. $f(x,y)=1$ (单位正方形)。$f_Y(z-x)=1\iff z-1<x<z$ ,与 $(0,1)$ 取交:
|
||||
- $0<z<1$ :$f_Z(z)=\int_0^z\mathrm dx=z$ ;
|
||||
- $1\le z<2$ :$f_Z(z)=\int_{z-1}^1\mathrm dx=2-z$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
||||
> **真题骨架**:🟨2017·22 同款和分布(离散+连续),见第 10 题混合版。
|
||||
@@ -63,60 +63,60 @@ $$f_Z(z)=\begin{cases}z,&0<z<1\\2-z,&1\le z<2\\0,&\text{其他}\end{cases}\quad(
|
||||
### 6. 选(B)。
|
||||
- (A)错:两正态若**不联合正态**,不相关推不出独立(反例见第 11 题);
|
||||
- (C)错:不相关 $\ne$ 独立;
|
||||
- (D)错:独立**一定**推出 $\operatorname{Cov}=0$(方差存在时);
|
||||
- (D)错:独立**一定**推出 $\operatorname{Cov}=0$ (方差存在时);
|
||||
- (B)对:二维正态的"特权"。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等
|
||||
|
||||
### 7. $Z=\dfrac YX$,用商的密度公式($f_{XY}=1$ 在单位正方形)
|
||||
### 7. $Z=\dfrac YX$ ,用商的密度公式($f_{XY}=1$ 在单位正方形)
|
||||
$$f_Z(z)=\int_0^1 x\,f_Y(zx)\,\mathrm dx,\qquad f_Y(zx)=1\iff 0<x<\frac1z.$$
|
||||
- $0<z<1$:上限 $1$,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$;
|
||||
- $z\ge1$:上限 $\dfrac1z$,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$。
|
||||
- $0<z<1$ :上限 $1$ ,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$ ;
|
||||
- $z\ge1$ :上限 $\dfrac1z$ ,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[4pt]\dfrac{1}{2z^2},&z\ge1\\[2pt]0,&z<0\end{cases},\qquad P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\,\mathrm dz=\frac12.$$
|
||||
> **真题骨架**:🟨2021·22(Ⅱ) 求 $Z=Y/X$ 密度。
|
||||
> **雅可比视角**:增补 $V=X$,$x=v,y=zv$,$\lvert J\rvert=\lvert v\rvert$,$f_{ZV}(z,v)=\lvert v\rvert f(v,zv)$,再对 $v$ 积分,结果一致。
|
||||
> **雅可比视角**:增补 $V=X$ ,$x=v,y=zv$ ,$\lvert J\rvert=\lvert v\rvert$ ,$f_{ZV}(z,v)=\lvert v\rvert f(v,zv)$ ,再对 $v$ 积分,结果一致。
|
||||
|
||||
### 8.(Ⅰ)圆盘均匀 $f=\dfrac1\pi$,对 $y$ 积分($-\sqrt{1-x^2}\sim\sqrt{1-x^2}$):
|
||||
### 8.(Ⅰ)圆盘均匀 $f=\dfrac1\pi$ ,对 $y$ 积分($-\sqrt{1-x^2}\sim\sqrt{1-x^2}$ ):
|
||||
$$f_X(x)=\frac1\pi\cdot2\sqrt{1-x^2}=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1).$$
|
||||
|
||||
**(Ⅱ)** $f_X(x)f_Y(y)=\dfrac4{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac1\pi=f(x,y)$,故 **$X,Y$ 不独立**。
|
||||
**(Ⅱ)** $f_X(x)f_Y(y)=\dfrac4{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac1\pi=f(x,y)$ ,故 **$X,Y$ 不独立**。
|
||||
> **秒杀**:取值区域是**圆**(非矩形),一步否定。
|
||||
|
||||
### 9. $f(x,y)=\dfrac12$($0<x<1,0<y<2$),$Z=XY$:
|
||||
### 9. $f(x,y)=\dfrac12$ ($0<x<1,0<y<2$ ),$Z=XY$ :
|
||||
$$f_Z(z)=\int\frac1x\cdot\frac12\cdot\mathbb 1\{0<\tfrac zx<2\}\,\mathrm dx,\qquad 0<\frac zx<2\iff x>\frac z2.$$
|
||||
对 $0<z<2$,$x\in\big(\tfrac z2,1\big)$:$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$。
|
||||
对 $0<z<2$ ,$x\in\big(\tfrac z2,1\big)$ :$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}\dfrac12\ln\dfrac2z,&0<z<2\\0,&\text{其他}\end{cases}$$
|
||||
> **真题骨架**:🟨2018·22、2019·22 的 $Z=XY$。
|
||||
> **雅可比视角**:增补 $V=X$,$x=v,y=z/v$,$\lvert J\rvert=1/\lvert v\rvert$,结果一致。
|
||||
> **真题骨架**:🟨2018·22、2019·22 的 $Z=XY$ 。
|
||||
> **雅可比视角**:增补 $V=X$ ,$x=v,y=z/v$ ,$\lvert J\rvert=1/\lvert v\rvert$ ,结果一致。
|
||||
|
||||
### 10. 全概率(离散 $X$ 拆权重):
|
||||
$$F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1),\qquad F_Y(t)=0\,(t<0),\ t\,(0\le t<1),\ 1\,(t\ge1).$$
|
||||
- $z<0$:$0$;$0\le z<1$:$\dfrac z2$;$1\le z<2$:$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$;$z\ge2$:$1$。
|
||||
- $z<0$ :$0$ ;$0\le z<1$ :$\dfrac z2$ ;$1\le z<2$ :$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$ ;$z\ge2$ :$1$ 。
|
||||
|
||||
$$F_Z(z)=\begin{cases}0,&z<0\\ \dfrac z2,&0\le z<2\\1,&z\ge2\end{cases}\ \Longrightarrow\ f_Z(z)=\begin{cases}\dfrac12,&0<z<2\\0,&\text{其他}\end{cases}\ (\textbf{即 }Z\sim U(0,2))$$
|
||||
> **易错点**:$F_Y(z-1)$ 也要分段;两段在 $z=1$ 处须连续(此处恰好拼成 $\frac z2$)。
|
||||
> **易错点**:$F_Y(z-1)$ 也要分段;两段在 $z=1$ 处须连续(此处恰好拼成 $\frac z2$ )。
|
||||
|
||||
### 11. $EX=0$,$EY=E(X^2)=\displaystyle\int_{-1}^1x^2\cdot\frac12\mathrm dx=\frac13$,$E(XY)=E(X^3)=0$。
|
||||
### 11. $EX=0$ ,$EY=E(X^2)=\displaystyle\int_{-1}^1x^2\cdot\frac12\mathrm dx=\frac13$ ,$E(XY)=E(X^3)=0$ 。
|
||||
$$\operatorname{Cov}(X,Y)=0,\qquad \rho_{XY}=0.$$
|
||||
但 $Y=X^2$ 是 $X$ 的函数,二者**不独立**。
|
||||
> **结论**:**不相关 $\ne$ 独立**的教科书反例(偶函数型)。
|
||||
|
||||
### 12. $F_Z(z)=F_X(z)F_Y(z)=(1-e^{-\lambda z})^2\ (z>0)$,$z\le0$ 为 0。求导:
|
||||
### 12. $F_Z(z)=F_X(z)F_Y(z)=(1-e^{-\lambda z})^2\ (z>0)$ ,$z\le0$ 为 0。求导:
|
||||
$$f_Z(z)=2\lambda e^{-\lambda z}(1-e^{-\lambda z})=2\lambda\big(e^{-\lambda z}-e^{-2\lambda z}\big)\quad(z>0).$$
|
||||
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$(仍服从指数分布,参数 $2\lambda$)。
|
||||
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$ (仍服从指数分布,参数 $2\lambda$ )。
|
||||
|
||||
### 13.(Ⅰ)$X\sim N(1,1)$,$Y\sim N(2,4)$。
|
||||
### 13.(Ⅰ)$X\sim N(1,1)$ ,$Y\sim N(2,4)$ 。
|
||||
|
||||
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$;$D(X+Y)=1+4+2\times1=7$。
|
||||
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$ ;$D(X+Y)=1+4+2\times1=7$ 。
|
||||
|
||||
**(Ⅲ)** $E(Y\mid X=x)=2+0.5\times2\times(x-1)=x+1$。
|
||||
> **易错点**:$\dfrac{\sigma_2}{\sigma_1}=\dfrac21$(**标准差**),不是 $\dfrac41$。
|
||||
**(Ⅲ)** $E(Y\mid X=x)=2+0.5\times2\times(x-1)=x+1$ 。
|
||||
> **易错点**:$\dfrac{\sigma_2}{\sigma_1}=\dfrac21$ (**标准差**),不是 $\dfrac41$ 。
|
||||
|
||||
### 14. 设切点 $U\sim U(0,1)$,$X=\min(U,1-U)\in(0,\tfrac12)$:
|
||||
### 14. 设切点 $U\sim U(0,1)$ ,$X=\min(U,1-U)\in(0,\tfrac12)$ :
|
||||
$$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\begin{cases}2,&0<x<\frac12\\0,&\text{其他}\end{cases}$$
|
||||
> **真题骨架**:🟨2021·22(Ⅰ)。
|
||||
|
||||
@@ -124,60 +124,60 @@ $$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\be
|
||||
|
||||
## C 组 · 拔高
|
||||
|
||||
### 15.(Ⅰ)$S_D=\dfrac12$,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
|
||||
### 15.(Ⅰ)$S_D=\dfrac12$ ,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
|
||||
|
||||
**(Ⅱ)** $U=1\iff Y\le\dfrac X2$。对 $0<x\le1$:
|
||||
**(Ⅱ)** $U=1\iff Y\le\dfrac X2$ 。对 $0<x\le1$ :
|
||||
$$P\{U=1,\ X\le x\}=\int_0^x\mathrm dt\int_0^{t/2}2\,\mathrm dy=\int_0^x t\,\mathrm dt=\frac{x^2}{2}.$$
|
||||
又 $P\{U=1\}=\dfrac12$、$F_X(x)=x^2$,且 $\dfrac{x^2}{2}=P\{U=1\}F_X(x)$,故 **$U$ 与 $X$ 相互独立**。
|
||||
又 $P\{U=1\}=\dfrac12$ 、$F_X(x)=x^2$ ,且 $\dfrac{x^2}{2}=P\{U=1\}F_X(x)$ ,故 **$U$ 与 $X$ 相互独立**。
|
||||
> **反直觉点**:$U$ 是 $(X,Y)$ 的函数却与 $X$ 独立——因为在三角形内 $P\{U=1\mid X=x\}=\dfrac{x/2}{x}=\dfrac12$ **与 $x$ 无关**。
|
||||
|
||||
**(Ⅲ)** 由独立,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$,$f_X(x)=2x\ (0<x<1)$:
|
||||
**(Ⅲ)** 由独立,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$ ,$f_X(x)=2x\ (0<x<1)$ :
|
||||
$$f_Z(z)=\begin{cases}z,&0<z<1\\ z-1,&1\le z<2\\0,&\text{其他}\end{cases},\qquad
|
||||
F_Z(z)=\begin{cases}0,&z<0\\[2pt]\dfrac{z^2}{2},&0\le z<1\\[4pt]\dfrac12+\dfrac{(z-1)^2}{2},&1\le z<2\\[4pt]1,&z\ge2\end{cases}$$
|
||||
> **真题骨架**:🟨2016·22(均匀域 → 离散化 $U$ → 判独立 → $Z=U+X$ 分布函数),仅区域/分界改为 $y=x/2$。
|
||||
> **真题骨架**:🟨2016·22(均匀域 → 离散化 $U$ → 判独立 → $Z=U+X$ 分布函数),仅区域/分界改为 $y=x/2$ 。
|
||||
|
||||
### 16. $f(x,y)=\dfrac1x\ (0<y<x<1)$($f_X=1$,$f_{Y|X}=1/x$)。
|
||||
- $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;
|
||||
- $f_Y(y)=-\ln y$,$EY=\dfrac14,\ EY^2=\dfrac19,\ DY=\dfrac7{144}$;
|
||||
- $E(XY)=\displaystyle\int_0^1\!\!\int_0^x xy\cdot\frac1x\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x^2}{2}\,\mathrm dx=\frac16$。
|
||||
### 16. $f(x,y)=\dfrac1x\ (0<y<x<1)$ ($f_X=1$ ,$f_{Y|X}=1/x$ )。
|
||||
- $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$ ;
|
||||
- $f_Y(y)=-\ln y$ ,$EY=\dfrac14,\ EY^2=\dfrac19,\ DY=\dfrac7{144}$ ;
|
||||
- $E(XY)=\displaystyle\int_0^1\!\!\int_0^x xy\cdot\frac1x\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x^2}{2}\,\mathrm dx=\frac16$ 。
|
||||
|
||||
$$\operatorname{Cov}=\frac16-\frac12\cdot\frac14=\frac1{24},\qquad \rho_{XY}=\frac{1/24}{\sqrt{1/12}\cdot\sqrt{7/144}}=\sqrt{\frac37}\approx0.655.$$
|
||||
> **思路**:条件分布型先写 $f=f_Xf_{Y|X}$,再算三个期望。
|
||||
> **常用积分**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$。
|
||||
> **思路**:条件分布型先写 $f=f_Xf_{Y|X}$ ,再算三个期望。
|
||||
> **常用积分**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$ 。
|
||||
|
||||
### 17.(Ⅰ)$X_3$ 取 $\pm1$,用全概率:
|
||||
- $X_3=1$:$Y=X_1$,贡献 $P\{X_1\le x,\ X_1\le y\}=\Phi(\min\{x,y\})$;
|
||||
- $X_3=-1$:$Y=X_2$,由独立贡献 $\Phi(x)\Phi(y)$。
|
||||
### 17.(Ⅰ)$X_3$ 取 $\pm1$ ,用全概率:
|
||||
- $X_3=1$ :$Y=X_1$ ,贡献 $P\{X_1\le x,\ X_1\le y\}=\Phi(\min\{x,y\})$ ;
|
||||
- $X_3=-1$ :$Y=X_2$ ,由独立贡献 $\Phi(x)\Phi(y)$ 。
|
||||
|
||||
$$F(x,y)=\frac12\Phi(\min\{x,y\})+\frac12\Phi(x)\Phi(y).$$
|
||||
|
||||
**(Ⅱ)** $x\to+\infty$ 得 $F_Y(y)=\dfrac12\Phi(y)+\dfrac12\Phi(y)=\Phi(y)$,故 **$Y\sim N(0,1)$**。
|
||||
> **真题骨架**:🟨2020·22(原题 $X_3\in\{0,1\}$,此处对称化为 $\pm1$)。
|
||||
**(Ⅱ)** $x\to+\infty$ 得 $F_Y(y)=\dfrac12\Phi(y)+\dfrac12\Phi(y)=\Phi(y)$ ,故 **$Y\sim N(0,1)$ **。
|
||||
> **真题骨架**:🟨2020·22(原题 $X_3\in\{0,1\}$ ,此处对称化为 $\pm1$ )。
|
||||
|
||||
### 18.(Ⅰ)极坐标 $\mathrm dx\,\mathrm dy=r\,\mathrm dr\,\mathrm d\theta$:
|
||||
### 18.(Ⅰ)极坐标 $\mathrm dx\,\mathrm dy=r\,\mathrm dr\,\mathrm d\theta$ :
|
||||
$$1=c\int_0^{2\pi}\!\!\int_0^1 r\cdot r\,\mathrm dr\,\mathrm d\theta=c\cdot2\pi\cdot\frac13\ \Rightarrow\ c=\frac{3}{2\pi}.$$
|
||||
|
||||
**(Ⅱ)** 区域对称 + 密度偶 ⟹ $EX=EY=0$,$E(XY)=0$,故 $\operatorname{Cov}(X,Y)=0$。
|
||||
**(Ⅱ)** 区域对称 + 密度偶 ⟹ $EX=EY=0$ ,$E(XY)=0$ ,故 $\operatorname{Cov}(X,Y)=0$ 。
|
||||
|
||||
**(Ⅲ)** $f_X(x)$ 不是 $f_X(x)f_Y(y)$ 的分解形式,$f(x,y)=c\sqrt{x^2+y^2}\ne f_Xf_Y$,故 **$X,Y$ 不独立**。
|
||||
**(Ⅲ)** $f_X(x)$ 不是 $f_X(x)f_Y(y)$ 的分解形式,$f(x,y)=c\sqrt{x^2+y^2}\ne f_Xf_Y$ ,故 **$X,Y$ 不独立**。
|
||||
|
||||
**(Ⅳ)** $0<z<1$:
|
||||
**(Ⅳ)** $0<z<1$ :
|
||||
$$F_Z(z)=\int_0^{2\pi}\!\!\int_0^{\sqrt z}\frac{3}{2\pi}r\cdot r\,\mathrm dr\,\mathrm d\theta=\frac{3}{2\pi}\cdot2\pi\cdot\frac{z^{3/2}}{3}=z^{3/2}\ \Rightarrow\ f_Z(z)=\begin{cases}\dfrac32\sqrt z,&0<z<1\\0,&\text{其他}\end{cases}$$
|
||||
> **真题骨架**:🟨2023·22(把原题 $f=c(x^2+y^2)$ 改为 $c\sqrt{x^2+y^2}$)。
|
||||
> **技巧**:$Z$ 是"到原点距离的函数" ⟹ **极坐标 + 面积法**,不必硬求 $f_Z$。
|
||||
> **真题骨架**:🟨2023·22(把原题 $f=c(x^2+y^2)$ 改为 $c\sqrt{x^2+y^2}$ )。
|
||||
> **技巧**:$Z$ 是"到原点距离的函数" ⟹ **极坐标 + 面积法**,不必硬求 $f_Z$ 。
|
||||
|
||||
### 19.(Ⅰ)反解:由 $u=x+y,\ v=\dfrac{x}{x+y}$ 得
|
||||
$$x=uv,\qquad y=u(1-v).$$
|
||||
雅可比行列式(注意是**反解** $(x,y)$ 对 $(u,v)$ 的行列式):
|
||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}v&u\\1-v&-u\end{vmatrix}=v(-u)-u(1-v)=-uv-u+uv=-u.$$
|
||||
故 $\lvert J\rvert=u$。取值区域:$x>0,y>0\Rightarrow u>0,\ 0<v<1$。于是
|
||||
故 $\lvert J\rvert=u$ 。取值区域:$x>0,y>0\Rightarrow u>0,\ 0<v<1$ 。于是
|
||||
$$f_{UV}(u,v)=f\big(uv,\ u(1-v)\big)\cdot\lvert J\rvert=e^{-(uv+u(1-v))}\cdot u=u\,e^{-u},\quad u>0,\ 0<v<1.$$
|
||||
|
||||
**(Ⅱ)** 求边缘:
|
||||
$$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\infty} u e^{-u}\,\mathrm du=1\ (0<v<1).$$
|
||||
因 $f_{UV}(u,v)=f_U(u)f_V(v)$,故 **$U$ 与 $V$ 相互独立**;且 $U\sim\Gamma(2,1)$(即参数为 1 的 $\chi^2(4)$),$V\sim U(0,1)$。
|
||||
> **方法总结(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\lvert J\rvert=\left\lvert\dfrac{\partial(x,y)}{\partial(u,v)}\right\rvert$;③ $f_{UV}=f\cdot\lvert J\rvert$,并把定义域一并变换。
|
||||
> **真题骨架**:本题是"指数分布之和 + 比值"的经典结构,$\Gamma(2,1)$ 的分解结论也是**证明"泊松过程的到达时刻与均匀次序"**的核心引理。
|
||||
因 $f_{UV}(u,v)=f_U(u)f_V(v)$ ,故 **$U$ 与 $V$ 相互独立**;且 $U\sim\Gamma(2,1)$ (即参数为 1 的 $\chi^2(4)$ ),$V\sim U(0,1)$ 。
|
||||
> **方法总结(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$ ;② 算 $\lvert J\rvert=\left\lvert\dfrac{\partial(x,y)}{\partial(u,v)}\right\rvert$ ;③ $f_{UV}=f\cdot\lvert J\rvert$ ,并把定义域一并变换。
|
||||
> **真题骨架**:本题是"指数分布之和 + 比值"的经典结构,$\Gamma(2,1)$ 的分解结论也是**证明"泊松过程的到达时刻与均匀次序"** 的核心引理。
|
||||
|
||||
---
|
||||
|
||||
@@ -187,11 +187,11 @@ $$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\i
|
||||
|
||||
| 真题 | 考法 | 对应题 | 覆盖 |
|
||||
|---|---|---|---|
|
||||
| 2016·22 | 均匀分布+离散化 $U$+函数分布 | **15** | ✅ |
|
||||
| 2016·22 | 均匀分布+离散化 $U$ +函数分布 | **15** | ✅ |
|
||||
| 2017·22 | 混合型 $Z=X+Y$ | **5 + 10** | ✅ |
|
||||
| 2018·22 | $Z=XY$+协方差 | **9** | ✅ |
|
||||
| 2018·22 | $Z=XY$ +协方差 | **9** | ✅ |
|
||||
| 2019·8 | 正态差 $\lvert X-Y\rvert$ 分布 | **13** | ◐ 部分 |
|
||||
| 2019·22 | $Z=XY$+不相关+独立性 | **9 + 11** | ✅ |
|
||||
| 2019·22 | $Z=XY$ +不相关+独立性 | **9 + 11** | ✅ |
|
||||
| 2020·22 | 混合正态+证明 | **17** | ✅ |
|
||||
| 2021·22 | 取点分段+商分布 | **14 + 7** | ✅ |
|
||||
| 2022·10 | 条件分布求相关系数 | **16** | ✅ |
|
||||
@@ -206,5 +206,5 @@ $$f_U(u)=\int_0^1 u e^{-u}\,\mathrm dv=u e^{-u}\ (u>0),\qquad f_V(v)=\int_0^{+\i
|
||||
1. 离散型二维函数分布(两离散变量之和的表格题);
|
||||
2. $\lvert X-Y\rvert$ 的正态差完整选择题(2019·8);
|
||||
3. 条件期望/全期望递推(留到数字特征章);
|
||||
4. 一般二维函数联合分布(如 $Y_1=2X_1,\ Y_2=\tfrac13X_2$)——本题第 19 题已示范雅可比通法,可自行扩展;
|
||||
4. 一般二维函数联合分布(如 $Y_1=2X_1,\ Y_2=\tfrac13X_2$ )——本题第 19 题已示范雅可比通法,可自行扩展;
|
||||
5. 2025·22 保险赔付应用建模。
|
||||
|
||||
@@ -25,7 +25,7 @@ tags:
|
||||
**题目回顾**
|
||||
|
||||
设 $(X,Y)$ 在区域 $D=\{(x,y)\mid 0\le x\le1,\ 0\le y\le x\}$ 上服从均匀分布。
|
||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
|
||||
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $P\{X+Y\le1\}$ 。
|
||||
|
||||
## 一、先认题型:这是"二维均匀分布"
|
||||
|
||||
@@ -36,24 +36,24 @@ $$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{case
|
||||
|
||||
## 二、第(Ⅰ)问:画图 → 求面积 → 写密度
|
||||
|
||||
把不等式翻译成图形:$0\le x\le1$(左右夹在 0 和 1 之间)、$0\le y\le x$(在直线 $y=x$ 下方)、$y\ge0$(在 $x$ 轴上方)。
|
||||
把不等式翻译成图形:$0\le x\le1$ (左右夹在 0 和 1 之间)、$0\le y\le x$ (在直线 $y=x$ 下方)、$y\ge0$ (在 $x$ 轴上方)。
|
||||
三者合起来是一个**三角形**,三个顶点:
|
||||
$$(0,0),\quad (1,0),\quad (1,1).$$
|
||||
> 记忆:**"$0\le y\le x\le1$" = 三角形 $(0,0),(1,0),(1,1)$**,这是最高频的二维区域。
|
||||
> 记忆:**"$0\le y\le x\le1$ " = 三角形 $(0,0),(1,0),(1,1)$ **,这是最高频的二维区域。
|
||||
|
||||
面积 $S_D=\dfrac12\times$ 底 $\times$ 高 $=\dfrac12\times1\times1=\dfrac12$。于是
|
||||
面积 $S_D=\dfrac12\times$ 底 $\times$ 高 $=\dfrac12\times1\times1=\dfrac12$ 。于是
|
||||
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||
|
||||
## 三、第(Ⅱ)问:画图定限(真正的坎)
|
||||
|
||||
**通用三步**:
|
||||
|
||||
1. **画全域 $D$**(三角形,已画);
|
||||
2. **把条件线画上去**:$x+y=1$ 是一条斜线,过 $(0,1)$ 与 $(1,0)$;
|
||||
3. **找交集 $G=D\cap\{x+y\le1\}$**:看这条线**在 $D$ 内部**从哪穿进去、又从哪穿出来。
|
||||
- 与 $y=0$(底边)交于 $(1,0)$;
|
||||
- 与 $y=x$(斜边)交于 $\big(\tfrac12,\tfrac12\big)$。
|
||||
于是 $G$ 是三角形 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$。
|
||||
1. **画全域 $D$ **(三角形,已画);
|
||||
2. **把条件线画上去**:$x+y=1$ 是一条斜线,过 $(0,1)$ 与 $(1,0)$ ;
|
||||
3. **找交集 $G=D\cap\{x+y\le1\}$ **:看这条线**在 $D$ 内部**从哪穿进去、又从哪穿出来。
|
||||
- 与 $y=0$ (底边)交于 $(1,0)$ ;
|
||||
- 与 $y=x$ (斜边)交于 $\big(\tfrac12,\tfrac12\big)$ 。
|
||||
于是 $G$ 是三角形 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$ 。
|
||||
|
||||
### 算法 A:面积比法(均匀分布专属捷径)
|
||||
|
||||
@@ -64,21 +64,21 @@ $$S_G=\frac12\times1\times\frac12=\frac14,\qquad P\{X+Y\le1\}=\frac{S_G}{S_D}=\f
|
||||
|
||||
$$P=\iint_G f\,\mathrm dx\,\mathrm dy=\iint_G 2\,\mathrm dx\,\mathrm dy=2S_G=\frac12$$
|
||||
|
||||
**竖直切片**(要分段!):固定 $x$,$y$ 从 $0$ 到 $\min(x,\,1-x)$。
|
||||
- $0\le x\le\tfrac12$:$y$ 上限是 $x$(此时 $x<1-x$);
|
||||
- $\tfrac12\le x\le1$:$y$ 上限是 $1-x$(此时 $1-x<x$)。
|
||||
**竖直切片**(要分段!):固定 $x$ ,$y$ 从 $0$ 到 $\min(x,\,1-x)$ 。
|
||||
- $0\le x\le\tfrac12$ :$y$ 上限是 $x$ (此时 $x<1-x$ );
|
||||
- $\tfrac12\le x\le1$ :$y$ 上限是 $1-x$ (此时 $1-x<x$ )。
|
||||
|
||||
$$P=2\left[\int_0^{1/2}\!\!\int_0^{x}\mathrm dy\,\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}\mathrm dy\,\mathrm dx\right]=2\left[\frac18+\frac18\right]=\frac12$$
|
||||
|
||||
**水平切片**(**不用分段**,更省事):固定 $y$,需 $x\ge y$ 且 $x\le1-y$,故 $x\in[y,\,1-y]$,且要求 $y\le1-y$ 即 $y\le\tfrac12$。
|
||||
**水平切片**(**不用分段**,更省事):固定 $y$ ,需 $x\ge y$ 且 $x\le1-y$ ,故 $x\in[y,\,1-y]$ ,且要求 $y\le1-y$ 即 $y\le\tfrac12$ 。
|
||||
$$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\mathrm dy=2\left[\frac12-\frac14\right]=\frac12$$
|
||||
|
||||
## 四、你为什么卡在这里(两个坑)
|
||||
|
||||
| 坑 | 表现 | 破解 |
|
||||
|---|---|---|
|
||||
| **坑 1:忘记先算面积** | 直接把 $f$ 写错(比如写成 $f=1$) | 均匀分布**第一步必求 $S_D$**,$f=1/S_D$ |
|
||||
| **坑 2:不画图就套上下限** | 竖直切片时把 $y$ 上限一路写成 $x$,漏了 $x>\tfrac12$ 后要换成 $1-x$ | **先画图**,看条件线从哪里切断区域;切断点就是**分段点** |
|
||||
| **坑 1:忘记先算面积** | 直接把 $f$ 写错(比如写成 $f=1$ ) | 均匀分布**第一步必求 $S_D$ **,$f=1/S_D$ |
|
||||
| **坑 2:不画图就套上下限** | 竖直切片时把 $y$ 上限一路写成 $x$ ,漏了 $x>\tfrac12$ 后要换成 $1-x$ | **先画图**,看条件线从哪里切断区域;切断点就是**分段点** |
|
||||
|
||||
> **口诀**(来自 [[01-考点手册]]):
|
||||
> **求谁不积谁,不积先定限,限内画条线,先交写下限,后交写上限。**
|
||||
@@ -87,7 +87,7 @@ $$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\
|
||||
## 五、举一反三
|
||||
|
||||
遇到"二维均匀 + 求区域概率",标准动作永远是:
|
||||
1. **画 $D$** → 求 $S_D$ → 写 $f=1/S_D$;
|
||||
1. **画 $D$ ** → 求 $S_D$ → 写 $f=1/S_D$ ;
|
||||
2. **画条件曲线** → 找与 $D$ 边界的**交点**;
|
||||
3. **面积比**(最快)或 **二重积分**(保险);
|
||||
4. 积分时能换到**水平切片不分段**的方向,就别硬用竖直切片。
|
||||
@@ -106,8 +106,8 @@ $$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
|
||||
|
||||
**正确图像("线动成面")**:
|
||||
|
||||
- 固定 $x=0.5$:$y\in[0,0.5]$ —— 一条**竖线段**;
|
||||
- 令 $x$ 从 $0$ 连续变到 $1$:这条竖线段不断变长,**扫出一个三角形** $S_D=\tfrac12$。
|
||||
- 固定 $x=0.5$ :$y\in[0,0.5]$ —— 一条**竖线段**;
|
||||
- 令 $x$ 从 $0$ 连续变到 $1$ :这条竖线段不断变长,**扫出一个三角形** $S_D=\tfrac12$ 。
|
||||
|
||||
> **铁律:不等式里有几个变量,图就画几维。**
|
||||
> 一个变量 → 数轴上一段区间(长度);两个变量 → 平面上一个区域(**面积**)。
|
||||
@@ -116,7 +116,7 @@ $$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
|
||||
|
||||
**用户原话**:「没想到 $g(x,y)<z$ 要当作全集的子集来处理,以为 $x+y\le1$ 里 $x,y$ 的定义是实数域。」
|
||||
|
||||
**错在哪**:只把 $\{X+Y\le1\}$ 当成写在 $\mathbb{R}^2$ 上的**几何条件**,忘了它同时是一个**随机事件**,其积分区域必须裁回 $D$。
|
||||
**错在哪**:只把 $\{X+Y\le1\}$ 当成写在 $\mathbb{R}^2$ 上的**几何条件**,忘了它同时是一个**随机事件**,其积分区域必须裁回 $D$ 。
|
||||
|
||||
**正确公式**($D$ 必须显式出现):
|
||||
|
||||
@@ -126,15 +126,15 @@ $$P\{X+Y\le1\}=\iint_{\{x+y\le1\}\;\cap\;D}f(x,y)\,\mathrm dx\,\mathrm dy.$$
|
||||
|
||||
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\ 0,&(x,y)\notin D\end{cases}$$
|
||||
|
||||
**在 $D$ 之外 $f\equiv0$**,所以 $D$ 就是本题的**全集(样本空间)**,$(X,Y)$ 的全部概率只分布在 $D$ 内。任何事件都要"交回 $D$"才是真实积分域。
|
||||
**在 $D$ 之外 $f\equiv0$ **,所以 $D$ 就是本题的**全集(样本空间)**,$(X,Y)$ 的全部概率只分布在 $D$ 内。任何事件都要"交回 $D$ "才是真实积分域。
|
||||
|
||||
### 与「分布函数法」总思路的对接
|
||||
|
||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对 }z\text{ 求导}]{}\ f_Z(z)$$
|
||||
|
||||
**必须补全**:$\iint_{g\le z}$ 的真实含义是 $\displaystyle\iint_{\{g\le z\}\,\cap\,\text{支撑集}}f\,\mathrm d\sigma$,本题支撑集即 $D$。
|
||||
**必须补全**:$\iint_{g\le z}$ 的真实含义是 $\displaystyle\iint_{\{g\le z\}\,\cap\,\text{支撑集}}f\,\mathrm d\sigma$ ,本题支撑集即 $D$ 。
|
||||
|
||||
> 每次写 $\{g\le z\}$,**第一反应先跟 $D$ 求交**。这正是"画图定限"背后的数学——找的就是 $\{g\le z\}\cap D$ 这块区域的形状和边界。
|
||||
> 每次写 $\{g\le z\}$ ,**第一反应先跟 $D$ 求交**。这正是"画图定限"背后的数学——找的就是 $\{g\le z\}\cap D$ 这块区域的形状和边界。
|
||||
|
||||
## 八、两个误解并列对照(速查)
|
||||
|
||||
@@ -154,11 +154,11 @@ $$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g\le z}f\,\mathrm d\sigma\xrightarrow[\text{对
|
||||
|
||||
**用户原话**:「第四题是我算错了还是出错了?我算的 $x,y$ 围成的面积的值不为 1。」
|
||||
|
||||
**结论**:**题目无误,用户算的"面积 $=\frac12$"也对** —— 错的只是"面积应该等于 1"这个**前提**。
|
||||
**结论**:**题目无误,用户算的"面积 $=\frac12$ "也对** —— 错的只是"面积应该等于 1"这个**前提**。
|
||||
|
||||
### 症结:把「均匀分布」的规则当成了通用规则
|
||||
|
||||
用户把第 2 题的 $f=1/S_D$(面积进分母)套到了第 4 题。但第 4 题是**非均匀分布**,常数与面积无关。
|
||||
用户把第 2 题的 $f=1/S_D$ (面积进分母)套到了第 4 题。但第 4 题是**非均匀分布**,常数与面积无关。
|
||||
|
||||
> **归一化的对象是「密度的积分」,不是「区域的面积」**:
|
||||
> $$\iint_D f(x,y)\,\mathrm dx\,\mathrm dy=1,\qquad\textbf{而不是}\ S_D=1.$$
|
||||
@@ -173,43 +173,43 @@ $$\iint_D 3x\,\mathrm dx\,\mathrm dy=\int_0^1\!\!\int_0^x 3x\,\mathrm dy\,\mathr
|
||||
|
||||
| 题 | 分布 | 区域面积 | 常数 | 常数来源 |
|
||||
|---|---|---|---|---|
|
||||
| **2** | 均匀($f\equiv2$) | $\frac12$ | $2=\frac{1}{1/2}$ | 常数 × 面积 = 1 ⟹ $f=1/S_D$ |
|
||||
| **3** | 非均匀($f=cxy$) | $2$(矩形) | $c=1$ | $\iint cxy=c\cdot1=1$,**面积 2 未进分母** |
|
||||
| **4** | 非均匀($f=3x$) | $\frac12$ | $3$ | $\iint 3x=1$,**面积 $\frac12$ 未进分母** |
|
||||
| **2** | 均匀($f\equiv2$ ) | $\frac12$ | $2=\frac{1}{1/2}$ | 常数 × 面积 = 1 ⟹ $f=1/S_D$ |
|
||||
| **3** | 非均匀($f=cxy$ ) | $2$ (矩形) | $c=1$ | $\iint cxy=c\cdot1=1$ ,**面积 2 未进分母** |
|
||||
| **4** | 非均匀($f=3x$ ) | $\frac12$ | $3$ | $\iint 3x=1$ ,**面积 $\frac12$ 未进分母** |
|
||||
|
||||
> **第 3 题是最强的反例**:面积 $=2$,若按"面积进分母"会得 $c=\frac12$,正确答案却是 $c=1$。
|
||||
> **第 3 题是最强的反例**:面积 $=2$ ,若按"面积进分母"会得 $c=\frac12$ ,正确答案却是 $c=1$ 。
|
||||
|
||||
### 附带纠正:密度可以大于 1
|
||||
|
||||
第 2 题 $f=2$、第 4 题 $x\to1^-$ 时 $f=3x\to3$,**均 > 1**,完全正常。密度不是概率,**只有积分才是概率**。须丢弃"密度值必小于 1""常数必等于 $1/$面积"这类直觉。
|
||||
第 2 题 $f=2$ 、第 4 题 $x\to1^-$ 时 $f=3x\to3$ ,**均 > 1**,完全正常。密度不是概率,**只有积分才是概率**。须丢弃"密度值必小于 1""常数必等于 $1/$ 面积"这类直觉。
|
||||
|
||||
### 判别口诀
|
||||
|
||||
> **只有题干出现"在 $D$ 上服从均匀分布"才可用 $f=1/S_D$;其余一律用 $\iint_D f=1$ 反解常数。**
|
||||
> **只有题干出现"在 $D$ 上服从均匀分布"才可用 $f=1/S_D$ ;其余一律用 $\iint_D f=1$ 反解常数。**
|
||||
|
||||
### 第 4 题三问核对(均正确)
|
||||
|
||||
- (Ⅰ)$f_X(x)=\int_0^x 3x\,\mathrm dy=3x^2$($\int_0^1 3x^2\mathrm dx=1\ \checkmark$);$f_Y(y)=\int_y^1 3x\,\mathrm dx=\frac32(1-y^2)$($\int_0^1=\frac32\cdot\frac23=1\ \checkmark$)。
|
||||
- (Ⅱ)$f_{Y|X}(y\mid x)=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ —— **是均匀的**,即 $Y\mid X=x\sim U(0,x)$。
|
||||
- (Ⅲ)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$。
|
||||
- (Ⅰ)$f_X(x)=\int_0^x 3x\,\mathrm dy=3x^2$ ($\int_0^1 3x^2\mathrm dx=1\ \checkmark$ );$f_Y(y)=\int_y^1 3x\,\mathrm dx=\frac32(1-y^2)$ ($\int_0^1=\frac32\cdot\frac23=1\ \checkmark$ )。
|
||||
- (Ⅱ)$f_{Y|X}(y\mid x)=\dfrac{3x}{3x^2}=\dfrac1x\ (0<y<x)$ —— **是均匀的**,即 $Y\mid X=x\sim U(0,x)$ 。
|
||||
- (Ⅲ)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$ 。
|
||||
|
||||
> **与第 16 题同构**:第 4 题即"条件均匀型",$f_X(x)=3x^2$ 配 $Y\mid X=x\sim U(0,x)$,验证 $3x^2\cdot\frac1x=3x$ ✓。
|
||||
> **与第 16 题同构**:第 4 题即"条件均匀型",$f_X(x)=3x^2$ 配 $Y\mid X=x\sim U(0,x)$ ,验证 $3x^2\cdot\frac1x=3x$ ✓。
|
||||
|
||||
---
|
||||
|
||||
## 十、第 7 题答疑:商的分布 $Z=Y/X$(雅可比行列式法)
|
||||
## 十、第 7 题答疑:商的分布 $Z=Y/X$ (雅可比行列式法)
|
||||
|
||||
**题目**:$X\sim U(0,1)$,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$。求 $f_Z(z)$ 及 $P\{Z>1\}$。
|
||||
**题目**:$X\sim U(0,1)$ ,$Y\sim U(0,1)$ 且相互独立,$Z=\dfrac YX$ 。求 $f_Z(z)$ 及 $P\{Z>1\}$ 。
|
||||
|
||||
**已知**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$。
|
||||
**已知**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$ 。
|
||||
|
||||
### 总思路:增补变量三步法
|
||||
|
||||
$Z=g(X,Y)$ 只是**一个**变量,要凑成可逆变换,须**再补一个辅助变量 $V$**:$(X,Y)\leftrightarrow(Z,V)$,用雅可比得 $f_{ZV}$,最后**积掉 $V$**。
|
||||
$Z=g(X,Y)$ 只是**一个**变量,要凑成可逆变换,须**再补一个辅助变量 $V$ **:$(X,Y)\leftrightarrow(Z,V)$ ,用雅可比得 $f_{ZV}$ ,最后**积掉 $V$ **。
|
||||
|
||||
### 第 ①步 · 选辅助变量
|
||||
|
||||
取 $V=X$(最省事,因 $Z=Y/X$ 中已含 $X$):
|
||||
取 $V=X$ (最省事,因 $Z=Y/X$ 中已含 $X$ ):
|
||||
|
||||
$$Z=\frac YX,\qquad V=X .$$
|
||||
|
||||
@@ -228,15 +228,15 @@ $$J=\frac{\partial(x,y)}{\partial(z,v)}
|
||||
|
||||
$$f_{ZV}(z,v)=f_{XY}(v,zv)\cdot|J|=1\cdot v=v .$$
|
||||
|
||||
定义域:$0<x<1\Rightarrow 0<v<1$;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$。
|
||||
定义域:$0<x<1\Rightarrow 0<v<1$ ;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$ 。
|
||||
|
||||
$$f_{ZV}(z,v)=v,\qquad 0<v<1,\quad 0<z<1/v .$$
|
||||
|
||||
> **$(z,v)$ 平面上的积分区域**:竖条 $0<v<1$ 被曲线 $v=1/z$ 截断;$z<1$ 整条竖条可用,$z>1$ 只剩 $v\in(0,1/z)$。**支撑集在 $z$ 方向延伸到 $+\infty$**。
|
||||
> **$(z,v)$ 平面上的积分区域**:竖条 $0<v<1$ 被曲线 $v=1/z$ 截断;$z<1$ 整条竖条可用,$z>1$ 只剩 $v\in(0,1/z)$ 。**支撑集在 $z$ 方向延伸到 $+\infty$ **。
|
||||
|
||||
### 第 ④步 · 积掉 $v$
|
||||
|
||||
对固定 $z>0$,$v$ 上限为 $\min(1,\,1/z)$:
|
||||
对固定 $z>0$ ,$v$ 上限为 $\min(1,\,1/z)$ :
|
||||
|
||||
$$f_Z(z)=\int_0^{\min(1,1/z)}v\,\mathrm dv=\frac12\min\!\left(1,\frac1z\right)^2$$
|
||||
|
||||
@@ -248,27 +248,27 @@ $$\boxed{\ f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[6pt]\dfrac{1}{2z^2},&z\ge1\\[6p
|
||||
|
||||
$$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1^{+\infty}=\frac12 .$$
|
||||
|
||||
> **几何秒验**:$Z>1\iff Y>X$,单位正方形中 $y>x$ 的面积 $=\frac12$ ✓。
|
||||
> **几何秒验**:$Z>1\iff Y>X$ ,单位正方形中 $y>x$ 的面积 $=\frac12$ ✓。
|
||||
|
||||
### 几何对照($F_Z(z)$ 即面积)
|
||||
|
||||
- $0<z<1$:直线 $y=zx$ 与右边界相交,阴影为**三角形**,面积 $=z/2$;
|
||||
- $z\ge1$:直线与上边界相交,阴影为**正方形挖去一个三角形**,面积 $=1-\dfrac{1}{2z}$。
|
||||
- $0<z<1$ :直线 $y=zx$ 与右边界相交,阴影为**三角形**,面积 $=z/2$ ;
|
||||
- $z\ge1$ :直线与上边界相交,阴影为**正方形挖去一个三角形**,面积 $=1-\dfrac{1}{2z}$ 。
|
||||
|
||||
**$z=1$(对角线)就是"直线顶到右边"与"顶到上边"的临界点**,即分段点。
|
||||
**$z=1$ (对角线)就是"直线顶到右边"与"顶到上边"的临界点**,即分段点。
|
||||
|
||||
### 三个要点
|
||||
|
||||
1. **商的密度公式是雅可比的特例**:$f_Z(z)=\displaystyle\int|x|f(x,zx)\mathrm dx$ 中的 $|x|$ **就是 $|J|=v$**。取 $V=X$ 即得该公式,**不必死背**。
|
||||
2. **换辅助变量结果不变**:取 $V=Y$ ⟹ $x=v/z,\ y=v$,$|J|=\dfrac{v}{z^2}$,$f_{ZV}=\dfrac{v}{z^2}$,$v\in(0,\min(1,z))$,积分后同样得 $\frac12$ 与 $\frac{1}{2z^2}$,说明方法稳健。
|
||||
3. **陷阱:$EZ$ 不存在**。$EZ=\frac14+\int_1^\infty\frac{1}{2z}\mathrm dz=+\infty$(重尾 $\sim\frac1{2z^2}$)。**比值型分布一阶矩常发散**,此题只能求密度/概率,勿顺手算 $EZ$。
|
||||
1. **商的密度公式是雅可比的特例**:$f_Z(z)=\displaystyle\int|x|f(x,zx)\mathrm dx$ 中的 $|x|$ **就是 $|J|=v$ **。取 $V=X$ 即得该公式,**不必死背**。
|
||||
2. **换辅助变量结果不变**:取 $V=Y$ ⟹ $x=v/z,\ y=v$ ,$|J|=\dfrac{v}{z^2}$ ,$f_{ZV}=\dfrac{v}{z^2}$ ,$v\in(0,\min(1,z))$ ,积分后同样得 $\frac12$ 与 $\frac{1}{2z^2}$ ,说明方法稳健。
|
||||
3. **陷阱:$EZ$ 不存在**。$EZ=\frac14+\int_1^\infty\frac{1}{2z}\mathrm dz=+\infty$ (重尾 $\sim\frac1{2z^2}$ )。**比值型分布一阶矩常发散**,此题只能求密度/概率,勿顺手算 $EZ$ 。
|
||||
|
||||
### 易错点清单
|
||||
|
||||
1. 雅可比必须用 **$\dfrac{\partial(x,y)}{\partial(z,v)}$(反解的行列式)**,方向别反;
|
||||
2. **定义域必须一起变换**($0<zv<1$)——分段就在这里;
|
||||
3. 积分上限是 $\min(1,1/z)$,**分界点 $z=1$**;
|
||||
4. $f$ 在正方形外为 $0$,支撑集别漏。
|
||||
1. 雅可比必须用 **$\dfrac{\partial(x,y)}{\partial(z,v)}$ (反解的行列式)**,方向别反;
|
||||
2. **定义域必须一起变换**($0<zv<1$ )——分段就在这里;
|
||||
3. 积分上限是 $\min(1,1/z)$ ,**分界点 $z=1$ **;
|
||||
4. $f$ 在正方形外为 $0$ ,支撑集别漏。
|
||||
|
||||
---
|
||||
|
||||
@@ -280,42 +280,42 @@ $$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1
|
||||
|
||||
记号 $\dfrac{\partial(x,y)}{\partial(z,v)}$ **本身就把答案写好了**:
|
||||
|
||||
- **分子** $(x,y)$ → **决定行**(第 1 行 $x$,第 2 行 $y$);
|
||||
- **分母** $(z,v)$ → **决定列**(第 1 列对 $z$,第 2 列对 $v$);
|
||||
- **分子** $(x,y)$ → **决定行**(第 1 行 $x$ ,第 2 行 $y$ );
|
||||
- **分母** $(z,v)$ → **决定列**(第 1 列对 $z$ ,第 2 列对 $v$ );
|
||||
- **第 $i$ 行第 $j$ 列** = 分子第 $i$ 个变量**对**分母第 $j$ 个变量求偏导。
|
||||
|
||||
$$\frac{\partial(x,y)}{\partial(z,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix},\qquad \text{展开}=(\partial_zx)(\partial_vy)-(\partial_vx)(\partial_zy).$$
|
||||
|
||||
**方向问题**:两个雅可比互为倒数 $\dfrac{\partial(x,y)}{\partial(u,v)}\cdot\dfrac{\partial(u,v)}{\partial(x,y)}=1$;密度公式要的是 $\left|\dfrac{\partial(\text{旧})}{\partial(\text{新})}\right|$(即 $dx\,dy=|J|\,du\,dv$ 中的因子)。
|
||||
**方向问题**:两个雅可比互为倒数 $\dfrac{\partial(x,y)}{\partial(u,v)}\cdot\dfrac{\partial(u,v)}{\partial(x,y)}=1$ ;密度公式要的是 $\left|\dfrac{\partial(\text{旧})}{\partial(\text{新})}\right|$ (即 $dx\,dy=|J|\,du\,dv$ 中的因子)。
|
||||
|
||||
> **⚡ 考场捷径**:**哪边好算先算哪边,最后取倒数。**
|
||||
> 本题 $u=y/x,\ v=x$ 由 $x,y$ **直接给出**,故先算正方向:
|
||||
> $$\frac{\partial(u,v)}{\partial(x,y)}=\begin{vmatrix}-\frac{y}{x^2} & \frac1x\\ 1 & 0\end{vmatrix}=-\frac1x\ \Longrightarrow\ \left|\frac{\partial(x,y)}{\partial(u,v)}\right|=\frac{1}{|-1/x|}=|x|=v\ \checkmark$$
|
||||
> 与反解路线(得 $-v$)一致。
|
||||
> 与反解路线(得 $-v$ )一致。
|
||||
|
||||
> **🛡 定心丸**:公式取 **$|J|$(绝对值)**,所以**分子内部、分母内部谁先谁后都无所谓**(写反只差一个负号);**唯一不能错的是"方向"**——分子分母整体颠倒必须**取倒数**。
|
||||
> **🛡 定心丸**:公式取 **$|J|$ (绝对值)**,所以**分子内部、分母内部谁先谁后都无所谓**(写反只差一个负号);**唯一不能错的是"方向"**——分子分母整体颠倒必须**取倒数**。
|
||||
|
||||
### 基本功 B:$z$ 的取值范围 —— 四步法
|
||||
|
||||
**核心**:$Z$ 的取值范围 = **让不等式组有解的那些 $z$**(即把区域**投影到 $z$ 轴**)。
|
||||
**核心**:$Z$ 的取值范围 = **让不等式组有解的那些 $z$ **(即把区域**投影到 $z$ 轴**)。
|
||||
|
||||
1. **抄全 $f\ne0$ 的不等式**(唯一信息来源):$0<x<1,\ 0<y<1$;
|
||||
2. **逐条翻译**(反解 $x=v,\ y=zv$):$0<x<1\to0<v<1$;$0<y<1\to0<zv<1$;
|
||||
3. **解出 $v$ 的范围**:$0<zv<1\Rightarrow 0<z<1/v\Rightarrow v<1/z$,合并得
|
||||
1. **抄全 $f\ne0$ 的不等式**(唯一信息来源):$0<x<1,\ 0<y<1$ ;
|
||||
2. **逐条翻译**(反解 $x=v,\ y=zv$ ):$0<x<1\to0<v<1$ ;$0<y<1\to0<zv<1$ ;
|
||||
3. **解出 $v$ 的范围**:$0<zv<1\Rightarrow 0<z<1/v\Rightarrow v<1/z$ ,合并得
|
||||
$$0<v<\min\!\left(1,\ \frac1z\right)$$
|
||||
4. **"上界 > 下界" ⟹ $z$ 的范围**:$\min(1,1/z)>0$ ⟺ $z>0$,故 $z\in(0,+\infty)$。
|
||||
4. **"上界 > 下界" ⟹ $z$ 的范围**:$\min(1,1/z)>0$ ⟺ $z>0$ ,故 $z\in(0,+\infty)$ 。
|
||||
|
||||
> ⚠️ **除 $v$ 之前必须确认 $v$ 的符号**:若 $v$ 可负,除过去要**变号**并分类讨论。本题 $v=x\in(0,1)>0$,安全。
|
||||
> ⚠️ **除 $v$ 之前必须确认 $v$ 的符号**:若 $v$ 可负,除过去要**变号**并分类讨论。本题 $v=x\in(0,1)>0$ ,安全。
|
||||
|
||||
**💡 关键洞察:那个 $\min$ 一次干了两件事**
|
||||
|
||||
| 看 $\min(1,1/z)$ 的什么 | 得到什么 |
|
||||
|---|---|
|
||||
| **非空性**(上界 $>0$) | $z$ 的取值范围 $z>0$ |
|
||||
| **切换点**($1$ 与 $1/z$ 交点 $z=1$) | $f_Z$ 的**分段点** $z=1$ |
|
||||
| **非空性**(上界 $>0$ ) | $z$ 的取值范围 $z>0$ |
|
||||
| **切换点**($1$ 与 $1/z$ 交点 $z=1$ ) | $f_Z$ 的**分段点** $z=1$ |
|
||||
|
||||
⇒ **范围与分段不必分两处算**,写成一个 $\min$ 表达式即可一次到手。
|
||||
|
||||
**备用视角**:$Z$ 的范围 = $g$ 在支撑集上的**值域**;上下界出现在**边界/退化处**。$z=y/x$:$y\to0^+$ 给下确界 $0$;$x\to0^+$ 给上确界 $+\infty$。
|
||||
**备用视角**:$Z$ 的范围 = $g$ 在支撑集上的**值域**;上下界出现在**边界/退化处**。$z=y/x$ :$y\to0^+$ 给下确界 $0$ ;$x\to0^+$ 给上确界 $+\infty$ 。
|
||||
|
||||
**举一反三(同一正方形 $(0,1)^2$)**:$X+Y\in(0,2)$、$XY\in(0,1)$、$Y/X\in(0,+\infty)$。**分式型只要分母能趋于 0,范围即无界。**
|
||||
**举一反三(同一正方形 $(0,1)^2$ )**:$X+Y\in(0,2)$ 、$XY\in(0,1)$ 、$Y/X\in(0,+\infty)$ 。**分式型只要分母能趋于 0,范围即无界。**
|
||||
|
||||
@@ -33,52 +33,52 @@ tags:
|
||||
|
||||
(Ⅰ)求 $X,Y$ 的边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅲ)求 $Z=X+Y$ 的分布律。
|
||||
|
||||
**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$,$Y\sim N(2,9)$。
|
||||
**2.** 【正态差的分布 · **真题骨架 2019·8** 🟨】设 $X$ 与 $Y$ 相互独立,$X\sim N(1,4)$ ,$Y\sim N(2,9)$ 。
|
||||
(Ⅰ)写出 $X-Y$ 服从的分布;
|
||||
(Ⅱ)求 $P\{X>Y\}$(用标准正态分布函数 $\Phi$ 表示);
|
||||
(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
|
||||
(Ⅱ)求 $P\{X>Y\}$ (用标准正态分布函数 $\Phi$ 表示);
|
||||
(Ⅲ)若改为 $X,Y$ 相互独立且**同分布** $N(\mu,\sigma^2)$ ,问 $P\{|X-Y|<2\}$ 是否与 $\mu$ 有关?是否与 $\sigma^2$ 有关?说明理由。
|
||||
|
||||
**3.** 【条件密度 + 条件期望 · **真题骨架 2024·9** 🟨】设 $(X,Y)$ 的概率密度为
|
||||
$$f(x,y)=\begin{cases}c\,xy,&x>0,\ y>0,\ x+y<1\\0,&\text{其他}\end{cases}$$
|
||||
(Ⅰ)求常数 $c$;
|
||||
(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$;
|
||||
(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$。
|
||||
(Ⅰ)求常数 $c$ ;
|
||||
(Ⅱ)求 $f_X(x)$ 与条件密度 $f_{Y|X}(y\mid x)$ ;
|
||||
(Ⅲ)求 $E(Y\mid X=x)$ 与 $E(Y)$ 。
|
||||
|
||||
**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$。求 $Z$ 的概率密度 $f_Z(z)$。
|
||||
**4.** 【商的分布 · **真题骨架 2021·22** 🟨】设 $X\sim U(0,1)$ ,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=\dfrac YX$ 。求 $Z$ 的概率密度 $f_Z(z)$ 。
|
||||
|
||||
**5.** 【非矩形域上的均匀分布 🟦02】设 $(X,Y)$ 在区域
|
||||
$$D=\{(x,y)\mid x^2+y^2\le1,\ y\ge0\}$$
|
||||
上服从均匀分布。
|
||||
(Ⅰ)写出 $f(x,y)$;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$。
|
||||
(Ⅰ)写出 $f(x,y)$ ;(Ⅱ)求 $f_X(x)$ 与 $f_Y(y)$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否相互独立;(Ⅳ)求 $P\{X>Y\}$ 。
|
||||
|
||||
**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$,$P\{Y=1\}=1-p$($0<p<1$),且 $X$ 与 $Y$ 相互独立,令 $Z=XY$。
|
||||
(Ⅰ)求 $Z$ 的概率密度 $f_Z(z)$;
|
||||
(Ⅱ)求 $\operatorname{Cov}(X,Z)$;
|
||||
**6.** 【离散 × 连续 的乘积 · **真题骨架 2019·22** 🟨】设 $X\sim U(0,1)$ ,离散型随机变量 $Y$ 满足 $P\{Y=-1\}=p$ ,$P\{Y=1\}=1-p$ ($0<p<1$ ),且 $X$ 与 $Y$ 相互独立,令 $Z=XY$ 。
|
||||
(Ⅰ)求 $Z$ 的概率密度 $f_Z(z)$ ;
|
||||
(Ⅱ)求 $\operatorname{Cov}(X,Z)$ ;
|
||||
(Ⅲ)$p$ 取何值时 $X$ 与 $Z$ 不相关?
|
||||
(Ⅳ)$X$ 与 $Z$ 是否相互独立?
|
||||
|
||||
**7.** 【二维正态的线性组合 🟩】设 $(X,Y)$ 服从二维正态分布 $N(0,0;1,4;-0.5)$。
|
||||
**7.** 【二维正态的线性组合 🟩】设 $(X,Y)$ 服从二维正态分布 $N(0,0;1,4;-0.5)$ 。
|
||||
(Ⅰ)写出 $X+Y$ 服从的分布;
|
||||
(Ⅱ)求 $D(X-Y)$;
|
||||
(Ⅲ)求 $\operatorname{Cov}(X+Y,\ X-Y)$,并判断 $X+Y$ 与 $X-Y$ 是否相互独立。
|
||||
(Ⅱ)求 $D(X-Y)$ ;
|
||||
(Ⅲ)求 $\operatorname{Cov}(X+Y,\ X-Y)$ ,并判断 $X+Y$ 与 $X-Y$ 是否相互独立。
|
||||
|
||||
## C 组 · 拔高(综合与辨析,★★★)
|
||||
|
||||
**8.** 【一般二维函数联合分布 · 雅可比行列式 🟦05/06】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=X+Y$,$V=X-Y$。
|
||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$,写出支撑集并说明它在 $uOv$ 平面上的形状;
|
||||
(Ⅱ)求 $f_{X+Y}(u)$,并说明 $X+Y$ 服从什么分布;
|
||||
**8.** 【一般二维函数联合分布 · 雅可比行列式 🟦05/06】设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,令 $U=X+Y$ ,$V=X-Y$ 。
|
||||
(Ⅰ)用**雅可比行列式变换法**求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ,写出支撑集并说明它在 $uOv$ 平面上的形状;
|
||||
(Ⅱ)求 $f_{X+Y}(u)$ ,并说明 $X+Y$ 服从什么分布;
|
||||
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立。
|
||||
|
||||
**9.** 【顺序统计量(最值)🟩】设 $X,Y$ 相互独立且都服从 $U(0,1)$,令 $U=\min(X,Y)$,$V=\max(X,Y)$。
|
||||
(Ⅰ)求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$;
|
||||
(Ⅱ)求 $f_U(u)$ 与 $f_V(v)$;
|
||||
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立,并求 $E(U)$、$E(V)$。
|
||||
**9.** 【顺序统计量(最值)🟩】设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,令 $U=\min(X,Y)$ ,$V=\max(X,Y)$ 。
|
||||
(Ⅰ)求 $(U,V)$ 的联合密度 $f_{UV}(u,v)$ ;
|
||||
(Ⅱ)求 $f_U(u)$ 与 $f_V(v)$ ;
|
||||
(Ⅲ)判断 $U$ 与 $V$ 是否相互独立,并求 $E(U)$ 、$E(V)$ 。
|
||||
|
||||
**10.** 【卷积 · 分段和分布 🟦05】设 $X\sim U(0,1)$,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=X+Y$。求 $f_Z(z)$,并验证它在 $z=1$ 处连续。
|
||||
**10.** 【卷积 · 分段和分布 🟦05】设 $X\sim U(0,1)$ ,$Y$ 服从参数为 $1$ 的指数分布,$X$ 与 $Y$ 相互独立,$Z=X+Y$ 。求 $f_Z(z)$ ,并验证它在 $z=1$ 处连续。
|
||||
|
||||
**11.** 【条件分布 → 相关系数 · **真题骨架 2022·10** 🟨】设 $X\sim U(0,1)$,在 $X=x$ 的条件下 $Y\sim U(x,\,2x)$。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$。
|
||||
**11.** 【条件分布 → 相关系数 · **真题骨架 2022·10** 🟨】设 $X\sim U(0,1)$ ,在 $X=x$ 的条件下 $Y\sim U(x,\,2x)$ 。求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$ 。
|
||||
|
||||
**12.** 【应用建模 · **真题骨架 2025·22** 🟨】某设备由 A、B 两个元件组成,两元件寿命 $X,Y$(单位:千小时)相互独立且都服从参数为 $\lambda$ 的指数分布。分别考虑两种连接方式:
|
||||
(Ⅰ)**串联**(任一元件损坏则整机失效),系统寿命 $T_1=\min(X,Y)$。求 $f_{T_1}(t)$ 与 $E(T_1)$;
|
||||
(Ⅱ)**并联**(两个都损坏才失效),系统寿命 $T_2=\max(X,Y)$。求 $f_{T_2}(t)$ 与 $E(T_2)$;
|
||||
(Ⅲ)若要求系统**平均寿命不低于** $\dfrac{1.5}{\lambda}$(千小时),哪一种方案达标?说明理由。
|
||||
**12.** 【应用建模 · **真题骨架 2025·22** 🟨】某设备由 A、B 两个元件组成,两元件寿命 $X,Y$ (单位:千小时)相互独立且都服从参数为 $\lambda$ 的指数分布。分别考虑两种连接方式:
|
||||
(Ⅰ)**串联**(任一元件损坏则整机失效),系统寿命 $T_1=\min(X,Y)$ 。求 $f_{T_1}(t)$ 与 $E(T_1)$ ;
|
||||
(Ⅱ)**并联**(两个都损坏才失效),系统寿命 $T_2=\max(X,Y)$ 。求 $f_{T_2}(t)$ 与 $E(T_2)$ ;
|
||||
(Ⅲ)若要求系统**平均寿命不低于** $\dfrac{1.5}{\lambda}$ (千小时),哪一种方案达标?说明理由。
|
||||
|
||||
@@ -27,11 +27,11 @@ tags:
|
||||
| **1** | 0.4 | 0.1 | **0.5** |
|
||||
| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
|
||||
|
||||
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$。
|
||||
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$ 。
|
||||
|
||||
**(Ⅱ)** 取 $p_{00}=0.2$,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$,故 **$X$ 与 $Y$ 不相互独立**。
|
||||
**(Ⅱ)** 取 $p_{00}=0.2$ ,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$ ,故 **$X$ 与 $Y$ 不相互独立**。
|
||||
|
||||
**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$,按对角求和:
|
||||
**(Ⅲ)** $Z=X+Y$ 只取 $0,1,2$ ,按对角求和:
|
||||
$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
|
||||
$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
|
||||
> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
|
||||
@@ -43,16 +43,16 @@ $$X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).$$
|
||||
**(Ⅱ)**
|
||||
$$P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.$$
|
||||
|
||||
**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$,故
|
||||
**(Ⅲ)** 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$ ,故
|
||||
$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
|
||||
结果里**不含 $\mu$、含 $\sigma$** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
|
||||
> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$)与**差的方差**($2\sigma^2$)决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$。
|
||||
> **易错点**:$D(X-Y)=DX+DY$(**独立才可加**),不是 $DX-DY$;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
|
||||
结果里**不含 $\mu$ 、含 $\sigma$ ** ⟹ **与 $\mu$ 无关,与 $\sigma^2$ 有关**(即真题 2019·8 的选项 A)。
|
||||
> **思路(中心化)**:$X-Y$ 的分布只由**差的均值**($0$ )与**差的方差**($2\sigma^2$ )决定;$|X-Y|<2$ 是关于 $X-Y$ 的**对称区间**概率,只依赖 $2\sigma^2$ 。
|
||||
> **易错点**:$D(X-Y)=DX+DY$ (**独立才可加**),不是 $DX-DY$ ;求 $P\{X>Y\}$ 时别忘减均值 $-1$ 已含在里面。
|
||||
|
||||
### 3.(Ⅰ)
|
||||
$$\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}$$
|
||||
|
||||
**(Ⅱ)** $D$ 是三角形 $x+y<1$,故
|
||||
**(Ⅱ)** $D$ 是三角形 $x+y<1$ ,故
|
||||
$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1),$$
|
||||
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).$$
|
||||
|
||||
@@ -60,61 +60,61 @@ $$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)
|
||||
$$E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.$$
|
||||
再用**全期望**(对 $x$ 求平均):
|
||||
$$E(Y)=E\big[E(Y\mid X)\big]=\int_0^1\frac{2(1-x)}{3}\cdot12x(1-x)^2\,\mathrm dx=8\int_0^1x(1-x)^3\,\mathrm dx=8B(2,4)=8\times\frac{1}{20}=\frac25.$$
|
||||
> **思路**:条件密度型问题三步走——**先定域($0<y<1-x$)→ 再写条件密度 → 最后算 $E(Y\mid X=x)$**;求无条件期望用**全期望公式**,比直接二重积分省一半功夫。
|
||||
> **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$。
|
||||
> **思路**:条件密度型问题三步走——**先定域($0<y<1-x$ )→ 再写条件密度 → 最后算 $E(Y\mid X=x)$ **;求无条件期望用**全期望公式**,比直接二重积分省一半功夫。
|
||||
> **易错点**:区域是**三角形**不是矩形,内层上限是 $1-x$ ;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$ 。
|
||||
|
||||
### 4. $f_{XY}(x,y)=1\cdot e^{-y}$($0<x<1,\ y>0$)。用**商的密度公式**(其 $|x|$ 即雅可比):
|
||||
### 4. $f_{XY}(x,y)=1\cdot e^{-y}$ ($0<x<1,\ y>0$ )。用**商的密度公式**(其 $|x|$ 即雅可比):
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).$$
|
||||
两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$):
|
||||
两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$ ):
|
||||
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
|
||||
**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
|
||||
> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$,$|J|=|x|$,故公式里出现 $|x|$;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$,求导结果相同。
|
||||
> **易错点**:支撑集 $z>0$(公式里 $e^{-zx}$ 的收敛要求 $z>0$,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$。
|
||||
**自检**:$z\to0^+$ 时分子 $\sim\dfrac{z^2}{2}$ ,故 $f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx$ ✓
|
||||
> **思路**:商 $Z=Y/X$ 取辅助变量 $V=X$ ,$|J|=|x|$ ,故公式里出现 $|x|$ ;本题也可用"先求 $F_Z$ 再求导":$P\{Y\le zX\}=\int_0^1(1-e^{-zx})\mathrm dx$ ,求导结果相同。
|
||||
> **易错点**:支撑集 $z>0$ (公式里 $e^{-zx}$ 的收敛要求 $z>0$ ,与 $Y>0,X>0$ 一致);不要漏掉分母 $z^2$ 。
|
||||
|
||||
### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$(上半圆),故
|
||||
### 5.(Ⅰ)$S_D=\dfrac{\pi}{2}$ (上半圆),故
|
||||
$$f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(Ⅱ)**
|
||||
$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1),$$
|
||||
$$f_Y(y)=\int_{-\sqrt{1-y^2}}^{\sqrt{1-y^2}}\frac{2}{\pi}\,\mathrm dx=\frac{4}{\pi}\sqrt{1-y^2}\quad(0<y<1).$$
|
||||
|
||||
**(Ⅲ)** $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$,且取值区域是**半圆**(非矩形),故 **$X,Y$ 不相互独立**。
|
||||
**(Ⅲ)** $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$ ,且取值区域是**半圆**(非矩形),故 **$X,Y$ 不相互独立**。
|
||||
|
||||
**(Ⅳ)** 极坐标下 $D$ 对应 $\theta\in[0,\pi]$。而
|
||||
**(Ⅳ)** 极坐标下 $D$ 对应 $\theta\in[0,\pi]$ 。而
|
||||
$$x>y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),$$
|
||||
故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$。
|
||||
故 $\{x>y\}\cap D$ 是扇形 $\theta\in\big[0,\frac\pi4\big)$ ,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$ 。
|
||||
$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
|
||||
> **思路**:均匀分布求概率 = **面积比**;区域带圆就用**极坐标数角度**,比硬积分快得多。
|
||||
> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$,也算进 $\{x<y\}$ 的补集。
|
||||
> **易错点**:上半圆的面积是 $\pi/2$ 不是 $\pi$ ;$\theta\in[\frac\pi2,\pi]$ 那半扇形里 $x<0\le y$ ,也算进 $\{x<y\}$ 的补集。
|
||||
|
||||
### 6.(Ⅰ)$Z=XY$ 分两种情形:
|
||||
|
||||
- $Y=1$(概率 $1-p$):$Z=X\sim U(0,1)$,密度 $1$ 落在 $(0,1)$;
|
||||
- $Y=-1$(概率 $p$):$Z=-X$,密度 $1$ 落在 $(-1,0)$。
|
||||
- $Y=1$ (概率 $1-p$ ):$Z=X\sim U(0,1)$ ,密度 $1$ 落在 $(0,1)$ ;
|
||||
- $Y=-1$ (概率 $p$ ):$Z=-X$ ,密度 $1$ 落在 $(-1,0)$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}$$
|
||||
**自检**:$\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1$ ✓
|
||||
|
||||
**(Ⅱ)** $EX=\dfrac12$,$EX^2=\dfrac13$,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$。
|
||||
**(Ⅱ)** $EX=\dfrac12$ ,$EX^2=\dfrac13$ ,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$ 。
|
||||
$$E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3},$$
|
||||
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.$$
|
||||
|
||||
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$。
|
||||
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$ 。
|
||||
|
||||
**(Ⅳ)$X$ 与 $Z$ 不相互独立**。理由:给定 $X=x$,$Z=xY$ 只取 $\pm x$ 两个值,条件分布**依赖 $x$**(如 $P\{Z=x\mid X=x\}=1-p$,$P\{Z=-x\mid X=x\}=p$),故不独立。
|
||||
> **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$、负半轴权重 $p$),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$。
|
||||
**(Ⅳ)$X$ 与 $Z$ 不相互独立**。理由:给定 $X=x$ ,$Z=xY$ 只取 $\pm x$ 两个值,条件分布**依赖 $x$ **(如 $P\{Z=x\mid X=x\}=1-p$ ,$P\{Z=-x\mid X=x\}=p$ ),故不独立。
|
||||
> **易错点**:$Z$ 的密度是**两块拼接**(正半轴权重 $1-p$ 、负半轴权重 $p$ ),不是常规光滑密度;求 $E(XZ)$ 必须用**独立性**拆成 $E(X^2)E(Y)$ 。
|
||||
> **结论**:本题与真题同构——**"不相关"可以靠调参数凑出来,但"独立"凑不出来**。
|
||||
|
||||
### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$。
|
||||
### 7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$ ,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$ 。
|
||||
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
|
||||
|
||||
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$。
|
||||
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$ 。
|
||||
|
||||
**(Ⅲ)** 线性组合的协方差(交叉项抵消):
|
||||
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
|
||||
因 $(X+Y,\ X-Y)$ 仍是 $(X,Y)$ 的线性变换,**仍服从二维正态**,对二维正态"不相关 $\iff$ 独立",故 **$X+Y$ 与 $X-Y$ 不相互独立**。
|
||||
> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$(**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$。
|
||||
> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$。
|
||||
> **易错点**:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$ (**负号别丢**),直接导致 $D(X+Y)=3$ 而非 $5$ 。
|
||||
> **通用结论**:二维正态下 —— 线性组合仍联合正态;**不相关即独立**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -124,80 +124,80 @@ $$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.$$
|
||||
$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
|
||||
雅可比行列式(**反解的行列式**):
|
||||
$$J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.$$
|
||||
**定义域一起变换**:$0<x<1,\ 0<y<1$ 变成 $0<u+v<2$ 且 $0<u-v<2$,即
|
||||
**定义域一起变换**:$0<x<1,\ 0<y<1$ 变成 $0<u+v<2$ 且 $0<u-v<2$ ,即
|
||||
$$|v|<u<2-|v|\iff |v|<1.$$
|
||||
于是
|
||||
$$f_{UV}(u,v)=\begin{cases}\dfrac12,&|v|<u<2-|v|\\[4pt]0,&\text{其他}\end{cases}$$
|
||||
**支撑集形状**:由四条边 $u+v=0,\ u+v=2,\ u-v=0,\ u-v=2$ 围成的**菱形**(正方形旋转 $45^\circ$),顶点为
|
||||
**支撑集形状**:由四条边 $u+v=0,\ u+v=2,\ u-v=0,\ u-v=2$ 围成的**菱形**(正方形旋转 $45^\circ$ ),顶点为
|
||||
$$(0,0),\ (1,1),\ (2,0),\ (1,-1).$$
|
||||
|
||||
**(Ⅱ)** 对 $v$ 积分:
|
||||
- $0<u<1$:$v\in(-u,u)$,长度 $2u$ ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$;
|
||||
- $1\le u<2$:$v\in\big(-(2-u),\,2-u\big)$,长度 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$。
|
||||
- $0<u<1$ :$v\in(-u,u)$ ,长度 $2u$ ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$ ;
|
||||
- $1\le u<2$ :$v\in\big(-(2-u),\,2-u\big)$ ,长度 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$ 。
|
||||
|
||||
$$f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
||||
**自检**:$\displaystyle\int_0^1u\,\mathrm du+\int_1^2(2-u)\,\mathrm du=\frac12+\frac12=1$ ✓
|
||||
|
||||
**(Ⅲ)$U$ 与 $V$ 不相互独立**。$f_{UV}$ 在菱形上恒为 $\dfrac12$(常数),而 $f_U(u)=u$ 在 $(0,1)$ 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$,故不独立。
|
||||
> **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$;③ $f_{UV}=f\cdot|J|$,**定义域一并变换**(这一步决定了菱形的四条边)。
|
||||
**(Ⅲ)$U$ 与 $V$ 不相互独立**。$f_{UV}$ 在菱形上恒为 $\dfrac12$ (常数),而 $f_U(u)=u$ 在 $(0,1)$ 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$ ,故不独立。
|
||||
> **思路(雅可比三步)**:① 反解 $x=x(u,v),y=y(u,v)$ ;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$ ;③ $f_{UV}=f\cdot|J|$ ,**定义域一并变换**(这一步决定了菱形的四条边)。
|
||||
> **易错点**:$|J|=\tfrac12$ 是**常数**,很容易被误当成"$f_{UV}$ 也是常数所以独立"——**判断独立必须比较边缘之积**,支撑集是斜菱形这一点就足以否定独立。
|
||||
> **与 02-试题 第 19 题的分工**:第 19 题练"和非一一→按分支"的比值变换,本题练**一一变换 + 支撑集形状**。
|
||||
|
||||
### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0<u<v<1$,且区域**非矩形**。用对称性($f(u)f(v)=1$,两种排列):
|
||||
### 9.(Ⅰ)$(U,V)=(\min,\max)$ 的取值必满足 $0<u<v<1$ ,且区域**非矩形**。用对称性($f(u)f(v)=1$ ,两种排列):
|
||||
$$f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).$$
|
||||
**自检**:$\displaystyle\int_0^1\!\!\int_u^1 2\,\mathrm dv\,\mathrm du=2\int_0^1(1-u)\,\mathrm du=1$ ✓
|
||||
|
||||
**(Ⅱ)**
|
||||
$$f_U(u)=\int_u^1 2\,\mathrm dv=2(1-u)\ (0<u<1),\qquad f_V(v)=\int_0^v 2\,\mathrm du=2v\ (0<v<1).$$
|
||||
|
||||
**(Ⅲ)** $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$,故 **$U$ 与 $V$ 不相互独立**(支撑集是三角形 $u<v$,几何上已排除独立)。
|
||||
**(Ⅲ)** $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$ ,故 **$U$ 与 $V$ 不相互独立**(支撑集是三角形 $u<v$ ,几何上已排除独立)。
|
||||
$$E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.$$
|
||||
> **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$(限在 $x_{(1)}<\cdots<x_{(n)}$ 上);$n=2$ 时系数就是 $2$。
|
||||
> **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$——正好是 $[0,1]$ 上两个等分点的位置。
|
||||
> **思路**:$n$ 个 iid 连续变量的顺序统计量,联合密度 $=n!\,f(x_1)\cdots f(x_n)$ (限在 $x_{(1)}<\cdots<x_{(n)}$ 上);$n=2$ 时系数就是 $2$ 。
|
||||
> **巧记**:$U(0,1)$ 两样本的 $\min,\max$ 均值是 $\frac13,\frac23$ ——正好是 $[0,1]$ 上两个等分点的位置。
|
||||
|
||||
### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
|
||||
$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.$$
|
||||
- $0<z<1$:$x\in(0,z)$,
|
||||
- $0<z<1$ :$x\in(0,z)$ ,
|
||||
$$f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};$$
|
||||
- $z\ge1$:$x\in(0,1)$,
|
||||
- $z\ge1$ :$x\in(0,1)$ ,
|
||||
$$f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1).$$
|
||||
|
||||
$$\boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }$$
|
||||
**验证 $z=1$ 处连续**:左极限 $1-e^{-1}=e^{-1}(e-1)=$ 右极限 ✓
|
||||
**自检**:$\displaystyle\int_0^1(1-e^{-z})\mathrm dz+\int_1^{+\infty}(e-1)e^{-z}\mathrm dz=\big[1-e^{-1}\big]+(e-1)e^{-1}=e^{-1}+1-e^{-1}=1$ ✓
|
||||
> **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$),本题分界点就是 $z=1$。
|
||||
> **易错点**:$0<z<1$ 段的积分上限是 $z$(不是 $1$)——因为 $f_Y(z-x)$ 要求 $z-x>0$。
|
||||
> **思路**:卷积的**分段点来自两个支撑集边界**($x$ 的上限取 $\min(1,z)$ ),本题分界点就是 $z=1$ 。
|
||||
> **易错点**:$0<z<1$ 段的积分上限是 $z$ (不是 $1$ )——因为 $f_Y(z-x)$ 要求 $z-x>0$ 。
|
||||
|
||||
### 11. 先写联合密度:$f_X(x)=1\ (0<x<1)$,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$,故
|
||||
### 11. 先写联合密度:$f_X(x)=1\ (0<x<1)$ ,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$ ,故
|
||||
$$f(x,y)=\frac1x\quad(0<x<1,\ x<y<2x).$$
|
||||
|
||||
**三个期望 + 一个混合矩**:
|
||||
$$E(Y\mid X=x)=\frac{x+2x}{2}=\frac{3x}{2}\ \Rightarrow\ E(Y)=E\!\left(\frac{3X}{2}\right)=\frac34;$$
|
||||
$$E(Y^2\mid X=x)=\frac{x^2+2x^2+4x^2}{3}=\frac{7x^2}{3}\ \Rightarrow\ E(Y^2)=\frac79;$$
|
||||
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\!\left[\frac{3X^2}{2}\right]=\frac{3}{2}\cdot\frac13=\frac12.$$
|
||||
又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$。于是
|
||||
又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$ ;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$ 。于是
|
||||
$$\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad
|
||||
\rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.$$
|
||||
> **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$**;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$。
|
||||
> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$(均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x<y<2x$ 是最小支撑集,$y$ 的上限含 $x$。
|
||||
> **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$。
|
||||
> **思路**:条件分布型**永远先写 $f=f_Xf_{Y|X}$ **;求 $E(XY)$ 用**条件期望**最快——$E(XY)=E[X\,E(Y\mid X)]$ 。
|
||||
> **易错点**:$U(x,2x)$ 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$ (均值**不一定对称**时别写错,此式只在 $a=x,b=2x$ 时代入);分界 $x<y<2x$ 是最小支撑集,$y$ 的上限含 $x$ 。
|
||||
> **真题骨架**:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 $U(0,x)$ 换成 $U(x,2x)$ 。
|
||||
|
||||
### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$:
|
||||
### 12.(Ⅰ)**串联** $T_1=\min(X,Y)$ :
|
||||
$$F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0),$$
|
||||
$$\boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.$$
|
||||
> **结论**:独立同分布指数取 **min 仍是指数**,参数**相加**——"最短寿命"是串联系统的招牌性质。
|
||||
|
||||
**(Ⅱ)** **并联** $T_2=\max(X,Y)$:
|
||||
**(Ⅱ)** **并联** $T_2=\max(X,Y)$ :
|
||||
$$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
|
||||
f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$
|
||||
用**期望的可加性**($\max+\min=X+Y$):
|
||||
用**期望的可加性**($\max+\min=X+Y$ ):
|
||||
$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
|
||||
|
||||
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$:
|
||||
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$ :
|
||||
$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
|
||||
**并联方案达标**(且恰好取等)。
|
||||
> **思路(最省力的期望算法)**:恒等式 $\max(X,Y)+\min(X,Y)=X+Y$ 两边取期望即可,**不必再做一次积分**。
|
||||
> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
|
||||
> **易错点**:$E(\max)$ 不能写成 $\max(EX,EY)$ ;$E(\min)\ge$ 与 $\le$ 的方向记牢:串联寿命更短。
|
||||
> **真题骨架**:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为**可靠性工程**情境。
|
||||
|
||||
---
|
||||
@@ -208,7 +208,7 @@ $$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\
|
||||
|
||||
| 本章已被 02-试题 覆盖 | 本卷的定位 |
|
||||
|---|---|
|
||||
| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$(18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
|
||||
| 均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$ (18)、雅可比比值(19) | 避开上述结构,改从下述**真题空档**切入 |
|
||||
|
||||
### 二、真题覆盖(对照 ch17 的 11 题)
|
||||
|
||||
@@ -217,10 +217,10 @@ $$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\
|
||||
| 2016·22 | 均匀域 + 离散化 + 函数分布 | 5 | 同域精神,改为**半圆** |
|
||||
| 2017·22 | 混合型 $Z=X+Y$ | 1、10 | 离散型(1)+ **卷积**(10) |
|
||||
| 2018·22 | $Z=XY$ + 协方差 | — | 已由 02-试题 第 9 题覆盖 |
|
||||
| **2019·8** | **正态差 $\lvert X-Y\rvert$** | **2** | ✅ **本卷重点补** |
|
||||
| **2019·8** | **正态差 $\lvert X-Y\rvert$ ** | **2** | ✅ **本卷重点补** |
|
||||
| 2019·22 | 离散×连续乘积 + 不相关 + 独立 | 6 | ✅ 完整复刻考法 |
|
||||
| 2020·22 | 混合正态证明 | — | 已由 02-试题 第 17 题覆盖 |
|
||||
| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$) |
|
||||
| 2021·22 | 取点分段 + 商分布 | 4 | 商分布换分布组合($U(0,1)$ 与 $E(1)$ ) |
|
||||
| 2022·10 / 2024·9 | 条件分布 → 相关系数 | **3、11** | 条件期望(3)+ 相关系数(11) |
|
||||
| 2023·22 | 圆域 + Cov + 独立 + 函数分布 | 5、7 | 拆到"边缘 + 独立"与"二维正态线性组合" |
|
||||
| **2025·22** | **复合分布应用建模** | **12** | ✅ **本卷重点补** |
|
||||
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -53,11 +53,11 @@ tags:
|
||||
|
||||
### 1.1 定义
|
||||
|
||||
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$。若对**任意** $\varepsilon>0$,
|
||||
设随机变量 $X$ 与随机变量序列 $\{X_n\}\ (n=1,2,\cdots)$ 。若对**任意** $\varepsilon>0$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
|
||||
|
||||
则称 $\{X_n\}$ **依概率收敛**于 $X$,记作
|
||||
则称 $\{X_n\}$ **依概率收敛**于 $X$ ,记作
|
||||
|
||||
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
||||
|
||||
@@ -67,16 +67,16 @@ $$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
||||
|
||||
> **经典反例**(必看):设
|
||||
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n .$$
|
||||
> 则对任意 $\varepsilon>0$,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
|
||||
> 则对任意 $\varepsilon>0$ ,当 $n>\dfrac1\varepsilon$ 时 $\lvert X_n\rvert\ge\varepsilon$ 只在 $X_n=n$ 时发生,故
|
||||
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
|
||||
> 即 $X_n\overset{P}{\longrightarrow}0$。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$。
|
||||
> 即 $X_n\overset{P}{\longrightarrow}0$ 。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$ 。
|
||||
> **结论**:**依概率收敛 ⇏ 期望收敛**。这是本讲最容易被忽略的一点。
|
||||
|
||||
### 1.3 常用推论
|
||||
|
||||
- 若 $X_n\overset{P}{\longrightarrow}X$,则 $X_n-X\overset{P}{\longrightarrow}0$;
|
||||
- 若 $X_n\overset{P}{\longrightarrow}c$(**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$、$g(X_n)\overset{P}{\longrightarrow}g(c)$($g$ 连续);
|
||||
- 依概率收敛是**大数定律、数理统计中"一致性"**的统一语言。
|
||||
- 若 $X_n\overset{P}{\longrightarrow}X$ ,则 $X_n-X\overset{P}{\longrightarrow}0$ ;
|
||||
- 若 $X_n\overset{P}{\longrightarrow}c$ (**常数**),则 $X_n^2\overset{P}{\longrightarrow}c^2$ 、$g(X_n)\overset{P}{\longrightarrow}g(c)$ ($g$ 连续);
|
||||
- 依概率收敛是**大数定律、数理统计中"一致性"** 的统一语言。
|
||||
|
||||
---
|
||||
|
||||
@@ -84,7 +84,7 @@ $$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
||||
|
||||
### 2.1 不等式
|
||||
|
||||
设随机变量 $X$ 的 $E X=\mu$、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$,
|
||||
设随机变量 $X$ 的 $E X=\mu$ 、$D X=\sigma^2$ **存在**,则对**任意** $\varepsilon>0$ ,
|
||||
|
||||
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
||||
|
||||
@@ -92,7 +92,7 @@ $$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2
|
||||
|
||||
### 2.2 由来(理解即可,不必背证明)
|
||||
|
||||
设 $X$ 连续、密度 $f$,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$":
|
||||
设 $X$ 连续、密度 $f$ ,记 $D=\{\lvert x-\mu\rvert\ge\varepsilon\}$ 。由"在 $D$ 上 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$ ":
|
||||
|
||||
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
|
||||
|
||||
@@ -103,25 +103,25 @@ $$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\m
|
||||
| 场景 | 结论 |
|
||||
|---|---|
|
||||
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
|
||||
| 取 $\varepsilon=k\sigma$($k>0$) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
||||
| 取 $\varepsilon=k\sigma$ ($k>0$ ) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
||||
| **样本均值** $\bar X$ | $E\bar X=\mu,\ D\bar X=\dfrac{\sigma^2}{n}\ \Rightarrow\ P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ |
|
||||
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
|
||||
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$,再代公式(要用 $\operatorname{Cov}$) |
|
||||
| 线性组合 $Z=X-Y$ | 先算 $EZ,\ DZ$ ,再代公式(要用 $\operatorname{Cov}$ ) |
|
||||
|
||||
### 2.4 使用三步
|
||||
|
||||
1. **锁定**被估计的随机变量 $Y$,算出 $EY,\ DY$(**不给就自己求**);
|
||||
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$(**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$(**落在附近 → 下界**),定出 $\varepsilon$;
|
||||
3. 代入。要"至少"写下界($1-\cdots$),要"至多"写上界。
|
||||
1. **锁定**被估计的随机变量 $Y$ ,算出 $EY,\ DY$ (**不给就自己求**);
|
||||
2. 目标概率写成 $P\{\lvert Y-EY\rvert\ge\varepsilon\}$ (**偏离大 → 上界**)或 $P\{\lvert Y-EY\rvert<\varepsilon\}$ (**落在附近 → 下界**),定出 $\varepsilon$ ;
|
||||
3. 代入。要"至少"写下界($1-\cdots$ ),要"至多"写上界。
|
||||
|
||||
### 2.5 陷阱清单
|
||||
|
||||
| 陷阱 | 正确做法 |
|
||||
|---|---|
|
||||
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$(**对立事件**) |
|
||||
| 方向搞反 | $\ge\varepsilon$ 用 $\dfrac{\sigma^2}{\varepsilon^2}$ ;$<\varepsilon$ 用 $1-\dfrac{\sigma^2}{\varepsilon^2}$ (**对立事件**) |
|
||||
| 以为能求精确值 | 只给**界**,通常**很宽松**;优点是**不依赖具体分布** |
|
||||
| $\bar X$ 的方差写成 $\sigma^2$ | 是 $\dfrac{\sigma^2}{n}$ |
|
||||
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$(独立/不相关时才可加) |
|
||||
| $\frac1n\sum Y_i$ 漏除 $n^2$ | $D\!\left(\frac1n\sum Y_i\right)=\dfrac{1}{n^2}\sum DY_i$ (独立/不相关时才可加) |
|
||||
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
|
||||
| 二项方差写成 $np$ | 是 $np(1-p)$ |
|
||||
|
||||
@@ -139,28 +139,28 @@ $$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i
|
||||
|
||||
### 3.2 切比雪夫大数定律
|
||||
|
||||
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$,使 $D X_i\le C$ 对一切 $i$ 成立)。
|
||||
**条件**:$\{X_n\}$ **相互独立**(不要求同分布);$E X_i$ 存在,且 $D X_i$ **存在且一致有上界**($\exists C$ ,使 $D X_i\le C$ 对一切 $i$ 成立)。
|
||||
|
||||
**结论**:$\forall\varepsilon>0$,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$。
|
||||
**结论**:$\forall\varepsilon>0$ ,$\lim\limits_{n\to\infty}P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i-\dfrac1n\sum\limits_{i=1}^nE X_i\right\rvert<\varepsilon\right\}=1$ 。
|
||||
|
||||
**证明**(用切比雪夫不等式 + 夹逼):
|
||||
$$E\!\left(\frac1n\sum X_i\right)=\frac1n\sum E X_i,\qquad D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum D X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
||||
$$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varepsilon\right\}\ \ge\ 1-\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 1 .$$
|
||||
由**夹逼定理**得结论。$\blacksquare$
|
||||
|
||||
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$;再除以 $n^2$ 得 $\dfrac Cn\to0$。
|
||||
> **证明的钥匙**:**「不相关」用来消掉协方差项**,使 $D\!\left(\sum X_i\right)=\sum DX_i$ ;再除以 $n^2$ 得 $\dfrac Cn\to0$ 。
|
||||
|
||||
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$(参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
|
||||
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
|
||||
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$,只有 D 无界。)
|
||||
**例题**(🟩 仓库):设 $\{X_n\}$ 相互独立,$X_n\sim E(n)$ (参数为 $n$ 的指数分布),则下列序列中**不**服从切比雪夫大数定律的是( )。
|
||||
(A)$X_1,\frac12X_2,\cdots,\frac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$ (C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$ → **D**。
|
||||
(因 $X_n\sim E(n)$ 时 $DX_n=\frac1{n^2}$ ,四个选项的方差依次为 $\frac1{n^4},\frac1{n^2},1,n^2$ ,只有 D 无界。)
|
||||
|
||||
### 3.3 伯努利大数定律
|
||||
|
||||
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$(每次概率 $p$,$0<p<1$)发生的次数。
|
||||
**条件**:$\mu_n$ 为 $n$ 重伯努利试验中事件 $A$ (每次概率 $p$ ,$0<p<1$ )发生的次数。
|
||||
|
||||
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$。
|
||||
**结论**:$\dfrac{\mu_n}{n}\overset{P}{\longrightarrow}p$ 。
|
||||
|
||||
**证明**:$\mu_n\sim B(n,p)$,$E\!\left(\dfrac{\mu_n}{n}\right)=p$,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$,切比雪夫 + 夹逼即得。
|
||||
**证明**:$\mu_n\sim B(n,p)$ ,$E\!\left(\dfrac{\mu_n}{n}\right)=p$ ,$D\!\left(\dfrac{\mu_n}{n}\right)=\dfrac{p(1-p)}{n}$ ,切比雪夫 + 夹逼即得。
|
||||
|
||||
> **意义**:这是"**频率稳定于概率**"的严格表述,也是概率的频率定义的依据。
|
||||
|
||||
@@ -168,23 +168,23 @@ $$1\ \ge\ P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum EX_i\right\rvert<\varep
|
||||
|
||||
**条件**:$\{X_n\}$ **相互独立**且**同分布**;$E X_i=\mu$ **存在**(**不要求方差存在**)。
|
||||
|
||||
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$。
|
||||
**结论**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$ 。
|
||||
|
||||
> **与切比雪夫的区别**:辛钦要求**同分布**但**不要求方差**;切比雪夫**不要求同分布**但要求**方差一致有界**。因为不要求方差,辛钦**不能**用切比雪夫不等式证明。
|
||||
|
||||
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
|
||||
**例题**(🟩 仓库):设 $X_1,X_2,\cdots$ 相互独立,根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum X_i$ 依概率收敛于数学期望,只要 $\{X_n\}$ ( )。
|
||||
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布 → **C**。
|
||||
(辛钦要**同分布 + 期望存在**。B、D 只说"同一类型分布"不保证期望存在;A 只是"期望相同"不保证同分布;C 既同分布(泊松)又期望存在。)
|
||||
|
||||
**例题**:将一枚骰子重复投掷 $n$ 次,$\bar X$ 为点数的算术平均,则 $\bar X\overset{P}{\longrightarrow}?$
|
||||
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$。)
|
||||
(独立、同分布、期望存在 $\mu=\frac16\sum_{i=1}^6i=3.5$ ⟹ 由辛钦,$\bar X\overset{P}{\longrightarrow}3.5$ 。)
|
||||
|
||||
### 3.5 三条定律对照(高频辨析)
|
||||
|
||||
| 定律 | 独立/相关 | 同分布 | 期望 | 方差 |
|
||||
|---|---|---|---|---|
|
||||
| **切比雪夫** | 相互独立(或两两不相关) | **不要求** | 存在 | **存在且一致有界** |
|
||||
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$) |
|
||||
| **伯努利** | 伯努利试验(天然独立) | 是(0–1 分布) | 存在 | 存在($p(1-p)$ ) |
|
||||
| **辛钦** | 相互独立 | **要求** | **存在** | **不要求** |
|
||||
|
||||
> **记忆**:**"切比雪夫看方差、辛钦看分布"**——两者都不要同分布/不要方差,正好互补;伯努利是二项的特例。
|
||||
@@ -204,9 +204,9 @@ $$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \
|
||||
|
||||
### 4.2 列维–林德伯格定理(独立同分布版)
|
||||
|
||||
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$、$D X_i=\sigma^2>0$(**存在**)。
|
||||
**条件**:$\{X_n\}$ **独立同分布**,$E X_i=\mu$ 、$D X_i=\sigma^2>0$ (**存在**)。
|
||||
|
||||
**结论**:对任意实数 $x$,
|
||||
**结论**:对任意实数 $x$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
|
||||
|
||||
@@ -216,7 +216,7 @@ $$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N
|
||||
|
||||
### 4.3 棣莫弗–拉普拉斯定理(二项版)
|
||||
|
||||
**条件**:$Y_n\sim B(n,p)$($0<p<1$)。
|
||||
**条件**:$Y_n\sim B(n,p)$ ($0<p<1$ )。
|
||||
|
||||
**结论**:
|
||||
|
||||
@@ -226,18 +226,18 @@ $$\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_
|
||||
|
||||
### 4.4 标准化四步模板(考场流程)
|
||||
|
||||
1. **定 $T$**:把要求的概率写成"**和**"的形式 $T=\sum X_i$(或 $Y_n$);
|
||||
2. **算 $ET,\ DT$**:$ET=n\mu$,$DT=n\sigma^2$(二项:$np$、$np(1-p)$);
|
||||
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$,把不等式两边同减同除;
|
||||
4. **查 $\Phi$**:$P\{Z\le z\}=\Phi(z)$、$P\{Z>z\}=1-\Phi(z)$、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$。
|
||||
1. **定 $T$ **:把要求的概率写成"**和**"的形式 $T=\sum X_i$ (或 $Y_n$ );
|
||||
2. **算 $ET,\ DT$ **:$ET=n\mu$ ,$DT=n\sigma^2$ (二项:$np$ 、$np(1-p)$ );
|
||||
3. **标准化**:$\dfrac{T-ET}{\sqrt{DT}}\approx N(0,1)$ ,把不等式两边同减同除;
|
||||
4. **查 $\Phi$ **:$P\{Z\le z\}=\Phi(z)$ 、$P\{Z>z\}=1-\Phi(z)$ 、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ 。
|
||||
|
||||
> ⚠️ **连续性修正**一般不要求(考研多数不修正);若题目给的 $\Phi$ 值与"严格/非严格不等号"有关,按 $P\{T\le k\}\approx\Phi\!\left(\dfrac{k-ET}{\sqrt{DT}}\right)$ 处理。
|
||||
|
||||
### 4.5 例题(🟩 仓库)
|
||||
|
||||
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
|
||||
某生产线每件产品重量随机,平均 $50$ kg、标准差 $5$ kg。载重 $5$ 吨的汽车承运,问**最多**装多少箱可保证**不超载**的概率大于 $0.977$ ?($\Phi(2)=0.977$ )
|
||||
|
||||
设第 $i$ 箱重量 $X_i$,$E X_i=50$、$D X_i=25$。记 $T_n=\sum_{i=1}^nX_i$,则 $ET_n=50n$、$DT_n=25n$、$\sqrt{DT_n}=5\sqrt n$。
|
||||
设第 $i$ 箱重量 $X_i$ ,$E X_i=50$ 、$D X_i=25$ 。记 $T_n=\sum_{i=1}^nX_i$ ,则 $ET_n=50n$ 、$DT_n=25n$ 、$\sqrt{DT_n}=5\sqrt n$ 。
|
||||
|
||||
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
|
||||
|
||||
@@ -249,16 +249,16 @@ $$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(
|
||||
|
||||
| 近似 | 适用条件 | 结果 | 典型题 |
|
||||
|---|---|---|---|
|
||||
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
|
||||
| **正态近似**(棣莫弗–拉普拉斯) | $n$ 大,$p$ **不太小也不太大**($np(1-p)$ 较大,经验 $np\ge5,n(1-p)\ge5$ ) | $\dfrac{Y_n-np}{\sqrt{np(1-p)}}\approx N(0,1)$ | 🟨2020·8 |
|
||||
| **泊松近似** | $n$ 大,$p$ **很小**($np=\lambda$ 适中) | $Y_n\approx P(\lambda),\ \lambda=np$ | 🟨2025·9 |
|
||||
|
||||
**判别口诀**:**"$n$ 大 $p$ 不极端 → 正态;$n$ 大 $p$ 很小 → 泊松。"**
|
||||
|
||||
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$($i=1,\cdots,300$),$T=\sum X_i$,求 $P\{T\le1\}$ 的近似值。
|
||||
$T\sim B(300,0.01)$,$p$ 很小,取 $\lambda=np=3$,$T\approx P(3)$:
|
||||
**例题**(🟨 2025·9 骨架):$X_i\sim B(1,0.01)$ ($i=1,\cdots,300$ ),$T=\sum X_i$ ,求 $P\{T\le1\}$ 的近似值。
|
||||
$T\sim B(300,0.01)$ ,$p$ 很小,取 $\lambda=np=3$ ,$T\approx P(3)$ :
|
||||
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
|
||||
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$,$n=20$,$\lambda=2$,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$。
|
||||
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$ ,$n=20$ ,$\lambda=2$ ,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -267,8 +267,8 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
| 年份·题号 | 分值 | 考法 | 关键动作 | 本手册节 |
|
||||
|---|---|---|---|---|
|
||||
| **2020·8** | 4 | 中心极限定理(0–1 变量求和) | 标准化 + 查 $\Phi$ | §4.4 |
|
||||
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
|
||||
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
|
||||
| **2022·9** | 5 | 大数定律(切比雪夫不等式) | 换 $Y_i=X_i^2$ ,$D Y_i=\mu_4-\mu_2^2$ | §2.3 |
|
||||
| **2025·9** | 5 | 泊松近似(二项分布) | $\lambda=np$ ,$P\{T\le1\}=e^{-\lambda}(1+\lambda)$ | §5 |
|
||||
|
||||
**跨章牵连**(数字特征):2017·14(期望)、2020·14(协方差)、2022·8(方差)、2025·8(线性组合方差最值)——本讲所有计算都建立在这些之上。
|
||||
|
||||
@@ -280,13 +280,13 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
|
||||
### 7.1 速记八条
|
||||
|
||||
1. **依概率收敛**:$\forall\varepsilon>0$,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$;**允许个别项跑飞**;
|
||||
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$、$=n$ 概率 $\frac1n$);
|
||||
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$,**只给界不给精确值**;
|
||||
1. **依概率收敛**:$\forall\varepsilon>0$ ,$P\{\lvert X_n-X\rvert\ge\varepsilon\}\to0$ ;**允许个别项跑飞**;
|
||||
2. **依概率收敛 ⇏ 期望收敛**($X_n=\frac1n$ 概率 $1-\frac1n$ 、$=n$ 概率 $\frac1n$ );
|
||||
3. **切比雪夫不等式**:$\ge\varepsilon$ 给上界 $\frac{\sigma^2}{\varepsilon^2}$ ,$<\varepsilon$ 给下界 $1-\frac{\sigma^2}{\varepsilon^2}$ ,**只给界不给精确值**;
|
||||
4. **切比雪夫大数定律**:不相关 + 方差**一致有界**;**辛钦**:独立同分布 + 期望存在(**不要方差**);
|
||||
5. **伯努利大数定律** = "频率稳定于概率";
|
||||
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$,$n\ge30$ 可用;
|
||||
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$);
|
||||
6. **中心极限定理**:$\dfrac{\sum X_i-n\mu}{\sqrt n\sigma}\approx N(0,1)$ ,$n\ge30$ 可用;
|
||||
7. **二项近似二选一**:$p$ 不极端 → **正态**;$p$ 很小 → **泊松**($\lambda=np$ );
|
||||
8. **大数定律考条件、中心极限定理考计算**。
|
||||
|
||||
### 7.2 高频陷阱
|
||||
@@ -295,12 +295,12 @@ $$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
|---|---|
|
||||
| 把"依概率收敛"当"处处收敛" | 是**概率**趋于 0,不是每一项都收敛 |
|
||||
| 用依概率收敛推期望收敛 | **不成立**(见速记 2) |
|
||||
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$"写上界;要"$<\varepsilon$"写 $1-$ |
|
||||
| 切比雪夫不等式方向搞反 | 要"$\ge\varepsilon$ "写上界;要"$<\varepsilon$ "写 $1-$ |
|
||||
| 反解 $n$ 时忘记 $\bar X$ 方差是 $\sigma^2/n$ | $D\bar X=\dfrac{\sigma^2}{n}$ |
|
||||
| 辛钦大数定律要求方差 | **不要求**,只要求独立同分布 + 期望存在 |
|
||||
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$(不是 $n$ 也不是 $p$) |
|
||||
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$,标准差是 $\sqrt n\,\sigma$ |
|
||||
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$:$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
|
||||
| 二项用泊松近似时 $\lambda$ 取错 | $\lambda=np$ (不是 $n$ 也不是 $p$ ) |
|
||||
| 正态近似时方差用 $\sigma^2$ 而非 $n\sigma^2$ | $D\!\left(\sum X_i\right)=n\sigma^2$ ,标准差是 $\sqrt n\,\sigma$ |
|
||||
| 样本均值型题忘记 $D\bar X=\frac{\sigma^2}{n}$ | 先除 $n^{2}$ :$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
|
||||
|
||||
---
|
||||
|
||||
|
||||
@@ -28,67 +28,67 @@ tags:
|
||||
|
||||
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
|
||||
|
||||
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$;
|
||||
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
|
||||
|
||||
(Ⅱ)求 $E X_n$,并说明它是否收敛于 $0$。由此可得什么结论?
|
||||
(Ⅱ)求 $E X_n$ ,并说明它是否收敛于 $0$ 。由此可得什么结论?
|
||||
|
||||
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$,$D X=2$。用切比雪夫不等式估计:
|
||||
**2.** 【切比雪夫不等式】设随机变量 $X$ 的 $E X=5$ ,$D X=2$ 。用切比雪夫不等式估计:
|
||||
|
||||
(Ⅰ)$P\{\lvert X-5\rvert\ge4\}$ 的上界;
|
||||
|
||||
(Ⅱ)$P\{\lvert X-5\rvert<4\}$ 的下界。
|
||||
|
||||
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
|
||||
**3.** 【二项 + 切比雪夫】设 $X\sim B(1000,0.5)$ 。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界。
|
||||
|
||||
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
|
||||
**4.** 【辛钦大数定律的应用】将一枚均匀骰子重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。当 $n\to\infty$ 时,$\bar X$ 依概率收敛于何值?说明依据。
|
||||
|
||||
**5.** 【辛钦大数定律的条件】设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,只要 $\{X_n\}$( )。
|
||||
**5.** 【辛钦大数定律的条件】设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立。根据辛钦大数定律,当 $n\to\infty$ 时 $\dfrac1n\sum\limits_{i=1}^nX_i$ 依概率收敛于数学期望,只要 $\{X_n\}$ ( )。
|
||||
|
||||
(A)有相同的数学期望 (B)服从同一离散型分布 (C)服从同一泊松分布 (D)服从同一连续型分布
|
||||
|
||||
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$,$D X_i=4$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||
**6.** 【中心极限定理】设 $X_1,X_2,\cdots,X_{100}$ 相互独立同分布,$E X_i=1$ ,$D X_i=4$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{100}X_i\le120\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||
|
||||
## B 组 · 中等(多步计算,★★☆)
|
||||
|
||||
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$,$E X_1^2=1$,$E X_1^4=5$。令 $Y_i=X_i^2$。
|
||||
**7.** 【真题骨架 **2022·9** 🟨】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_1=0$ ,$E X_1^2=1$ ,$E X_1^4=5$ 。令 $Y_i=X_i^2$ 。
|
||||
|
||||
(Ⅰ)求 $E Y_i$ 与 $D Y_i$;
|
||||
(Ⅰ)求 $E Y_i$ 与 $D Y_i$ ;
|
||||
|
||||
(Ⅱ)用切比雪夫不等式估计 $P\left\{\left\lvert\dfrac1n\sum\limits_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}$ 的上界。
|
||||
|
||||
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$,$D X=9$。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
|
||||
**8.** 【反解样本量】某试验中随机变量 $X$ 的 $E X=20$ ,$D X=9$ 。欲使 $n$ 次独立重复观测的样本均值 $\bar X$ 满足
|
||||
|
||||
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
|
||||
|
||||
用切比雪夫不等式估计 $n$ **至少**应取多少。
|
||||
|
||||
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$?($\Phi(2)=0.977$)
|
||||
**9.** 【中心极限定理 · 应用】某生产线每件产品重量随机,平均 $10$ kg、标准差 $0.5$ kg。一辆载重 $1000$ kg 的货车承运,问**最多**装多少件可保证**不超载**的概率大于 $0.977$ ?($\Phi(2)=0.977$ )
|
||||
|
||||
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||
**10.** 【真题骨架 **2020·8** 🟨】设 $X_1,X_2,\cdots,X_{400}$ 独立同分布,且 $P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{400}X_i\le210\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||
|
||||
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$,令 $T=\sum\limits_{i=1}^{300}X_i$。利用泊松近似求 $P\{T\le1\}$ 的近似值。
|
||||
**11.** 【真题骨架 **2025·9** 🟨】设 $X_1,X_2,\cdots,X_{300}$ 相互独立,均服从 $B(1,0.01)$ ,令 $T=\sum\limits_{i=1}^{300}X_i$ 。利用泊松近似求 $P\{T\le1\}$ 的近似值。
|
||||
|
||||
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$,$D X=D Y=1$,相关系数 $\rho_{XY}=\dfrac12$。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
|
||||
**12.** 【切比雪夫 + 协方差】设 $X,Y$ 满足 $E X=E Y$ ,$D X=D Y=1$ ,相关系数 $\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
|
||||
|
||||
## C 组 · 拔高(综合与证明,★★★)
|
||||
|
||||
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$)。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
|
||||
**13.** 【切比雪夫大数定律的条件辨析】设 $\{X_n\}$ 相互独立,$X_n$ 服从参数为 $n$ 的指数分布(记为 $X_n\sim E(n)$ )。下列随机变量序列中,**不**服从切比雪夫大数定律的是( )。
|
||||
|
||||
(A)$X_1,\dfrac12X_2,\cdots,\dfrac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$
|
||||
(A)$X_1,\dfrac12X_2,\cdots,\dfrac1nX_n,\cdots$ (B)$X_1,X_2,\cdots,X_n,\cdots$
|
||||
|
||||
(C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
|
||||
(C)$X_1,2X_2,\cdots,nX_n,\cdots$ (D)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
|
||||
|
||||
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$。证明:对任意 $\varepsilon>0$,
|
||||
**14.** 【切比雪夫大数定律的证明】设随机变量序列 $X_1,X_2,\cdots,X_n,\cdots$ **两两不相关**,且存在常数 $C$ 使 $D X_i\le C\ (i=1,2,\cdots)$ 。证明:对任意 $\varepsilon>0$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i-\frac1n\sum_{i=1}^nE X_i\right\rvert\ge\varepsilon\right\}=0 .$$
|
||||
|
||||
**15.** 【中心极限定理 · 反解 $n$】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$。($\Phi(1.645)=0.95$)
|
||||
**15.** 【中心极限定理 · 反解 $n$ 】某型号零件寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$ 。($\Phi(1.645)=0.95$ )
|
||||
|
||||
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$、$D X_i=\sigma^2\in(0,+\infty)$,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。
|
||||
**16.** 【综合辨析】设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E X_i=\mu$ 、$D X_i=\sigma^2\in(0,+\infty)$ ,$\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。
|
||||
|
||||
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$;
|
||||
(Ⅰ)用切比雪夫不等式证明 $\bar X\overset{P}{\longrightarrow}\mu$ ;
|
||||
|
||||
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$;
|
||||
(Ⅱ)用中心极限定理写出 $P\{\lvert\bar X-\mu\rvert<\varepsilon\}$ 的近似表达式(用 $\Phi$ 表示),并说明当 $n\to\infty$ 时它趋于 $1$ ;
|
||||
|
||||
(Ⅲ)比较(Ⅰ)(Ⅱ)两种估计:哪一个更精确?各自需要什么条件?
|
||||
|
||||
|
||||
@@ -25,13 +25,13 @@ $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad
|
||||
|
||||
### 第 1 题
|
||||
|
||||
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$,**依概率收敛 ⇏ 期望收敛**。
|
||||
**答案**:(Ⅰ)见证明;(Ⅱ)$E X_n=1+\dfrac1n-\dfrac1{n^2}\to1\ne0$ ,**依概率收敛 ⇏ 期望收敛**。
|
||||
|
||||
**思路**:
|
||||
|
||||
(Ⅰ)对任意 $\varepsilon>0$,取 $n>\dfrac1\varepsilon$,则 $\dfrac1n<\varepsilon$。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$),故
|
||||
(Ⅰ)对任意 $\varepsilon>0$ ,取 $n>\dfrac1\varepsilon$ ,则 $\dfrac1n<\varepsilon$ 。此时 $\lvert X_n\rvert\ge\varepsilon$ **只可能在** $X_n=n$ 时发生($\lvert X_n\rvert=n$ ),故
|
||||
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
||||
所以 $X_n\overset{P}{\longrightarrow}0$。
|
||||
所以 $X_n\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
|
||||
|
||||
@@ -43,36 +43,36 @@ $$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
||||
|
||||
### 第 2 题
|
||||
|
||||
**答案**:(Ⅰ)$\le\dfrac18$;(Ⅱ)$\ge\dfrac78$。
|
||||
**答案**:(Ⅰ)$\le\dfrac18$ ;(Ⅱ)$\ge\dfrac78$ 。
|
||||
|
||||
**思路**:$\varepsilon=4$,
|
||||
**思路**:$\varepsilon=4$ ,
|
||||
$$P\{\lvert X-5\rvert\ge4\}\le\frac{D X}{\varepsilon^2}=\frac{2}{16}=\frac18,\qquad P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78 .$$
|
||||
|
||||
**易错点**:**方向**——"$\ge$"用上界 $\frac{DX}{\varepsilon^2}$;"$<$"用 $1-\frac{DX}{\varepsilon^2}$(对立事件)。
|
||||
**易错点**:**方向**——"$\ge$ "用上界 $\frac{DX}{\varepsilon^2}$ ;"$<$ "用 $1-\frac{DX}{\varepsilon^2}$ (对立事件)。
|
||||
|
||||
---
|
||||
|
||||
### 第 3 题
|
||||
|
||||
**答案**:$\ge0.9$。
|
||||
**答案**:$\ge0.9$ 。
|
||||
|
||||
**思路**:$E X=np=500$,$D X=np(1-p)=1000\times0.25=250$。
|
||||
$450<X<550\iff\lvert X-500\rvert<50$,取 $\varepsilon=50$:
|
||||
**思路**:$E X=np=500$ ,$D X=np(1-p)=1000\times0.25=250$ 。
|
||||
$450<X<550\iff\lvert X-500\rvert<50$ ,取 $\varepsilon=50$ :
|
||||
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
|
||||
|
||||
**易错点**:二项方差是 $np(1-p)=250$,**不是** $np=500$。
|
||||
**易错点**:二项方差是 $np(1-p)=250$ ,**不是** $np=500$ 。
|
||||
|
||||
---
|
||||
|
||||
### 第 4 题
|
||||
|
||||
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$。
|
||||
**答案**:$\bar X\overset{P}{\longrightarrow}3.5$ 。
|
||||
|
||||
**思路**:各次投掷**相互独立**;$X_i$ **同分布**(都在 $\{1,2,\cdots,6\}$ 上等可能);期望
|
||||
$$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
||||
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$。
|
||||
**存在**。三点齐备,由**辛钦大数定律**得 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$ 。
|
||||
|
||||
**易错点**:骰子的期望是 $3.5$(**不是** $3$ 或 $4$);本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
|
||||
**易错点**:骰子的期望是 $3.5$ (**不是** $3$ 或 $4$ );本题**用不着方差**,所以只能用辛钦(不是切比雪夫)。
|
||||
|
||||
---
|
||||
|
||||
@@ -81,7 +81,7 @@ $$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
||||
**答案**:**C**。
|
||||
|
||||
**思路**:辛钦大数定律的三个条件——**相互独立**、**同分布**、**期望存在**。题干已给"相互独立",只需再满足"同分布 + 期望存在"。
|
||||
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$、一个取 $\pm2$),✗;
|
||||
- (A)只说"期望相同",**不保证同分布**(如一个取 $\pm1$ 、一个取 $\pm2$ ),✗;
|
||||
- (B)(D)只说"同一**类型**分布"(离散型/连续型 ≠ 同一个分布),且**不保证期望存在**(如柯西分布连续但期望不存在),✗;
|
||||
- (C)**同一泊松分布**:既同分布,期望 $=\lambda$ 又存在,✓。
|
||||
|
||||
@@ -91,12 +91,12 @@ $$E X_i=\frac16(1+2+3+4+5+6)=\frac{21}{6}=3.5$$
|
||||
|
||||
### 第 6 题
|
||||
|
||||
**答案**:$\approx\Phi(1)$。
|
||||
**答案**:$\approx\Phi(1)$ 。
|
||||
|
||||
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$,$D\!\left(\sum X_i\right)=100\times4=400$,标准差 $=\sqrt{400}=20$。由中心极限定理
|
||||
**思路**:$E\!\left(\sum X_i\right)=100\times1=100$ ,$D\!\left(\sum X_i\right)=100\times4=400$ ,标准差 $=\sqrt{400}=20$ 。由中心极限定理
|
||||
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
|
||||
|
||||
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$(不是 $n\sigma^2=400$,也不是 $\sigma^2=4$)——标准化时除的是**标准差**。
|
||||
**易错点**:**标准差**是 $\sqrt{n\sigma^2}=20$ (不是 $n\sigma^2=400$ ,也不是 $\sigma^2=4$ )——标准化时除的是**标准差**。
|
||||
|
||||
---
|
||||
|
||||
@@ -104,34 +104,34 @@ $$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}
|
||||
|
||||
### 第 7 题 【真题骨架 2022·9】
|
||||
|
||||
**答案**:(Ⅰ)$E Y_i=1$,$D Y_i=4$;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$。
|
||||
**答案**:(Ⅰ)$E Y_i=1$ ,$D Y_i=4$ ;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
(Ⅰ)$E Y_i=E X_i^2=1$;
|
||||
(Ⅰ)$E Y_i=E X_i^2=1$ ;
|
||||
$$D Y_i=E Y_i^2-(E Y_i)^2=E X_i^4-1^2=5-1=4 .$$
|
||||
|
||||
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
|
||||
(Ⅱ)$\bar Y=\dfrac1n\sum Y_i=\dfrac1n\sum X_i^2$ ,因 $X_i$ 独立同分布 ⟹ $Y_i$ 独立同分布:
|
||||
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
|
||||
由切比雪夫不等式
|
||||
$$P\left\{\left\lvert\frac1n\sum_{i=1}^nX_i^2-1\right\rvert\ge\varepsilon\right\}\le\frac{D\bar Y}{\varepsilon^2}=\frac{4}{n\varepsilon^2}.$$
|
||||
|
||||
**易错点**:
|
||||
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$;
|
||||
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$,用到**四阶矩** $\mu_4=5$。
|
||||
1. $D\bar Y$ 的 $\dfrac{1}{n^2}$ **不能丢**,否则会错答成 $\dfrac4{\varepsilon^2}$ ;
|
||||
2. $D(X_i^2)=E X_i^4-(E X_i^2)^2$ ,用到**四阶矩** $\mu_4=5$ 。
|
||||
|
||||
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$)。
|
||||
**真题**:2022·9(单选 5 分)考的正是此结构($D X_i^2=\mu_4-\mu_2^2$ ,界为 $\dfrac{\mu_4-\mu_2^2}{n\varepsilon^2}$ )。
|
||||
|
||||
---
|
||||
|
||||
### 第 8 题
|
||||
|
||||
**答案**:$n\ge90$。
|
||||
**答案**:$n\ge90$ 。
|
||||
|
||||
**思路**:$E\bar X=20$,$D\bar X=\dfrac{D X}{n}=\dfrac9n$。要求"落在附近",取下界:
|
||||
**思路**:$E\bar X=20$ ,$D\bar X=\dfrac{D X}{n}=\dfrac9n$ 。要求"落在附近",取下界:
|
||||
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightarrow\ \frac9n\le0.1\ \Longrightarrow\ n\ge90 .$$
|
||||
|
||||
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$(**不是** $9$);"至少"故**向上取整**(本题恰为整数 $90$)。
|
||||
**易错点**:$\bar X$ 的方差是 $\dfrac{\sigma^2}{n}=\dfrac9n$ (**不是** $9$ );"至少"故**向上取整**(本题恰为整数 $90$ )。
|
||||
|
||||
---
|
||||
|
||||
@@ -139,60 +139,60 @@ $$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{9/n}{1^2}=1-\frac9n\ge0.9\ \Longrightar
|
||||
|
||||
**答案**:最多装 **99** 件。
|
||||
|
||||
**思路**:设第 $i$ 件重量 $X_i$,$E X_i=10$,$D X_i=0.25$。记 $T_n=\sum_{i=1}^nX_i$。由中心极限定理
|
||||
**思路**:设第 $i$ 件重量 $X_i$ ,$E X_i=10$ ,$D X_i=0.25$ 。记 $T_n=\sum_{i=1}^nX_i$ 。由中心极限定理
|
||||
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
|
||||
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
|
||||
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
|
||||
解不等式:令 $t=\sqrt n$,得 $10t^2+t-1000\le0$,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$,故 $n\le99.0$,即**最多 99 件**。
|
||||
解不等式:令 $t=\sqrt n$ ,得 $10t^2+t-1000\le0$ ,$t\le\dfrac{-1+\sqrt{40001}}{20}\approx9.95$ ,故 $n\le99.0$ ,即**最多 99 件**。
|
||||
|
||||
**验证**:$n=99$:$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$:$\dfrac{0}{5}=0$ ✗。
|
||||
**验证**:$n=99$ :$\dfrac{1000-990}{0.5\sqrt{99}}\approx\dfrac{10}{4.975}\approx2.01>2$ ✓;$n=100$ :$\dfrac{0}{5}=0$ ✗。
|
||||
|
||||
**易错点**:
|
||||
- 标准差是 $\sqrt{n}\cdot0.5$,**不是** $n\cdot0.5$;方差是 $n\cdot0.25$;
|
||||
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$,方向别反;
|
||||
- 答案是"最多"故**向下取整**($99$,不是 $100$)。
|
||||
- 标准差是 $\sqrt{n}\cdot0.5$ ,**不是** $n\cdot0.5$ ;方差是 $n\cdot0.25$ ;
|
||||
- $\Phi(2)=0.977$ 给出的是**关于 $z$ 的单调性**:$\Phi(z)>0.977\iff z>2$ ,方向别反;
|
||||
- 答案是"最多"故**向下取整**($99$ ,不是 $100$ )。
|
||||
|
||||
---
|
||||
|
||||
### 第 10 题 【真题骨架 2020·8】
|
||||
|
||||
**答案**:$\approx\Phi(1)$。
|
||||
**答案**:$\approx\Phi(1)$ 。
|
||||
|
||||
**思路**:$\sum X_i\sim B(400,0.5)$,$E=400\times0.5=200$,$D=400\times0.5\times0.5=100$,标准差 $=10$。由棣莫弗–拉普拉斯定理
|
||||
**思路**:$\sum X_i\sim B(400,0.5)$ ,$E=400\times0.5=200$ ,$D=400\times0.5\times0.5=100$ ,标准差 $=10$ 。由棣莫弗–拉普拉斯定理
|
||||
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
|
||||
|
||||
**易错点**:二项的正态近似用**二项自己的期望方差**($np$、$np(1-p)$),不要另算。
|
||||
**易错点**:二项的正态近似用**二项自己的期望方差**($np$ 、$np(1-p)$ ),不要另算。
|
||||
|
||||
**真题**:2020·8(单选 4 分)结构完全一致($n=100$、阈值 $55$,答案 $\Phi(1)$)。
|
||||
**真题**:2020·8(单选 4 分)结构完全一致($n=100$ 、阈值 $55$ ,答案 $\Phi(1)$ )。
|
||||
|
||||
---
|
||||
|
||||
### 第 11 题 【真题骨架 2025·9】
|
||||
|
||||
**答案**:$\approx4e^{-3}\approx0.199$。
|
||||
**答案**:$\approx4e^{-3}\approx0.199$ 。
|
||||
|
||||
**思路**:$T\sim B(300,0.01)$。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$,$T\approx P(3)$:
|
||||
**思路**:$T\sim B(300,0.01)$ 。$n=300$ 大、$p=0.01$ 很小,用**泊松近似**,$\lambda=np=3$ ,$T\approx P(3)$ :
|
||||
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}\cdot\frac{3^0}{0!}+e^{-3}\cdot\frac{3^1}{1!}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
|
||||
**易错点**:$\lambda=np=300\times0.01=3$(**不是** $n=300$,也**不是** $p=0.01$);$P\{T\le1\}$ 是"$0$ 或 $1$",别只算一项。
|
||||
**易错点**:$\lambda=np=300\times0.01=3$ (**不是** $n=300$ ,也**不是** $p=0.01$ );$P\{T\le1\}$ 是"$0$ 或 $1$ ",别只算一项。
|
||||
|
||||
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$,答案 $3e^{-2}$,即选项 C)。
|
||||
**真题**:2025·9(单选 5 分)同结构($n=20,p=0.1,\lambda=2$ ,答案 $3e^{-2}$ ,即选项 C)。
|
||||
|
||||
---
|
||||
|
||||
### 第 12 题
|
||||
|
||||
**答案**:$\le\dfrac{1}{16}$。
|
||||
**答案**:$\le\dfrac{1}{16}$ 。
|
||||
|
||||
**思路**:令 $Z=X-Y$。由 $E X=E Y$ 得 $E Z=0$。
|
||||
**思路**:令 $Z=X-Y$ 。由 $E X=E Y$ 得 $E Z=0$ 。
|
||||
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sqrt{D X}\sqrt{D Y}=\frac12\cdot1\cdot1=\frac12,$$
|
||||
$$D Z=D(X-Y)=D X+D Y-2\operatorname{Cov}(X,Y)=1+1-2\times\frac12=1 .$$
|
||||
取 $\varepsilon=4$:
|
||||
取 $\varepsilon=4$ :
|
||||
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
|
||||
|
||||
**易错点**:
|
||||
- 方差**不能**直接相加($DX+DY=2$),必须**减去** $2\operatorname{Cov}$;
|
||||
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$,分母是**标准差之积**。
|
||||
- 方差**不能**直接相加($DX+DY=2$ ),必须**减去** $2\operatorname{Cov}$ ;
|
||||
- $\operatorname{Cov}=\rho\sqrt{DX}\sqrt{DY}$ ,分母是**标准差之积**。
|
||||
|
||||
---
|
||||
|
||||
@@ -202,7 +202,7 @@ $$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{
|
||||
|
||||
**答案**:**D**。
|
||||
|
||||
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$(存在),$D X_n=\dfrac1{n^2}$。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
|
||||
**思路**:$X_n\sim E(n)$ ⟹ $E X_n=\dfrac1n$ (存在),$D X_n=\dfrac1{n^2}$ 。切比雪夫大数定律只差"**方差一致有界**"这一条(独立性题干已给)。逐项算方差:
|
||||
|
||||
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|
||||
|---|---|---|---|
|
||||
@@ -213,46 +213,46 @@ $$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{
|
||||
|
||||
**故 D 不服从切比雪夫大数定律。**
|
||||
|
||||
**易错点**:$D(aX_n)=a^2D X_n$——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$(发散)。这是本类题的标准设计手法。
|
||||
**易错点**:$D(aX_n)=a^2D X_n$ ——**系数要平方**;本题 D 项系数 $n^2$ 平方后是 $n^4$ ,恰好把 $DX_n=\frac1{n^2}$ 抵消成 $n^2$ (发散)。这是本类题的标准设计手法。
|
||||
|
||||
---
|
||||
|
||||
### 第 14 题 【切比雪夫大数定律】
|
||||
|
||||
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$):
|
||||
**证明**:记 $\bar X=\dfrac1n\sum\limits_{i=1}^nX_i$ 。由期望的线性性 $E\bar X=\dfrac1n\sum E X_i$ 。由**两两不相关**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$ ):
|
||||
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
||||
对 $\bar X$ 用切比雪夫不等式:
|
||||
$$P\left\{\left\lvert\frac1n\sum X_i-\frac1n\sum E X_i\right\rvert\ge\varepsilon\right\}=P\{\lvert\bar X-E\bar X\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0 .\qquad\blacksquare$$
|
||||
|
||||
**要点**:
|
||||
1. **「两两不相关」是用来消协方差项的**——没有它,$\sum DX_i$ 这一步不成立;
|
||||
2. 「方差有界」保证 $\dfrac Cn\to0$,这就是"**平均值稳定**"的来源;
|
||||
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
|
||||
2. 「方差有界」保证 $\dfrac Cn\to0$ ,这就是"**平均值稳定**"的来源;
|
||||
3. 结论即 $\bar X\overset{P}{\longrightarrow}\overline{E X}$ ,是**大数定律的原始形式**;伯努利、辛钦都是它的特例或并列版本。
|
||||
|
||||
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$(比独立弱),但**已足够**。
|
||||
**易错点**:把"不相关"误当"独立"——不相关只要求 $\operatorname{Cov}=0$ (比独立弱),但**已足够**。
|
||||
|
||||
---
|
||||
|
||||
### 第 15 题
|
||||
|
||||
**答案**:$n_{\min}=102$。
|
||||
**答案**:$n_{\min}=102$ 。
|
||||
|
||||
**思路**:由中心极限定理
|
||||
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(100n,\ 100n),\qquad \sqrt{D}=10\sqrt n .$$
|
||||
要求
|
||||
$$P\left\{\sum_{i=1}^nX_i\ge10000\right\}\approx1-\Phi\!\left(\frac{10000-100n}{10\sqrt n}\right)\ge0.95 .$$
|
||||
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$,故
|
||||
即 $\Phi\!\left(\dfrac{10000-100n}{10\sqrt n}\right)\le0.05=\Phi(-1.645)$ ,故
|
||||
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
|
||||
令 $t=\sqrt n$:$100t^2-16.45t-10000\ge0$,解得
|
||||
令 $t=\sqrt n$ :$100t^2-16.45t-10000\ge0$ ,解得
|
||||
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
|
||||
故 $n_{\min}=102$。
|
||||
故 $n_{\min}=102$ 。
|
||||
|
||||
**验证**:$n=101$:$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$:$z\approx-1.98\le-1.645$ ✓。
|
||||
**验证**:$n=101$ :$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$ :$z\approx-1.98\le-1.645$ ✓。
|
||||
|
||||
**易错点**:
|
||||
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$,**不要**错写成 $\Phi$;
|
||||
- $\Phi(z)\le0.05\iff z\le-1.645$(**负号**易漏);
|
||||
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$,**不是** $\sigma n$。
|
||||
- 是"**和 ≥ 10000**",故用**右尾** $1-\Phi(\cdot)$ ,**不要**错写成 $\Phi$ ;
|
||||
- $\Phi(z)\le0.05\iff z\le-1.645$ (**负号**易漏);
|
||||
- 标准差 $\sqrt{n\sigma^2}=\sigma\sqrt n$ ,**不是** $\sigma n$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -260,21 +260,21 @@ $$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow
|
||||
|
||||
**答案**:
|
||||
|
||||
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$,由切比雪夫不等式
|
||||
(Ⅰ)$D\bar X=\dfrac{1}{n^2}\sum D X_i=\dfrac{\sigma^2}{n}$ ,由切比雪夫不等式
|
||||
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
|
||||
即 $\bar X\overset{P}{\longrightarrow}\mu$。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
|
||||
即 $\bar X\overset{P}{\longrightarrow}\mu$ 。(这是**辛钦大数定律**的一个特例——多了"方差存在"的条件。)
|
||||
|
||||
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$,故
|
||||
(Ⅱ)由中心极限定理 $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\overset{\text{近似}}{\sim}N(0,1)$ ,故
|
||||
$$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\sigma/\sqrt n}\right\rvert<\frac{\varepsilon\sqrt n}{\sigma}\right\}\approx2\Phi\!\left(\frac{\varepsilon\sqrt n}{\sigma}\right)-1 .$$
|
||||
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$,$\Phi\to1$,故该概率 $\to1$。
|
||||
当 $n\to\infty$ 时 $\dfrac{\varepsilon\sqrt n}{\sigma}\to+\infty$ ,$\Phi\to1$ ,故该概率 $\to1$ 。
|
||||
|
||||
(Ⅲ)**中心极限定理更精确**:
|
||||
- **(Ⅱ)**利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
|
||||
- **(Ⅰ)**只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
|
||||
- **(Ⅱ)** 利用"和的分布趋正态"这一**更深**的信息,给出的是**近似值**(可以很接近真值),但要求 $n$ **充分大**、且 $\sigma^2$ **有限存在**;
|
||||
- **(Ⅰ)** 只用到期望与方差,**对任意 $n$ 都能用、无条件普适**,但只能给**宽松的上界**(界 $\dfrac{\sigma^2}{n\varepsilon^2}$ 往往远大于真值),**给不出近似值**。
|
||||
|
||||
> **一句话**:**切比雪夫"普适但粗糙",中心极限定理"精确但要求高"。** 前者证明"收敛",后者刻画"收敛的速度与形态"。
|
||||
|
||||
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$(**除以标准差 $\sigma$**,不是 $\sigma^2$)。
|
||||
**易错点**:$\Phi$ 的变量是 $\dfrac{\varepsilon\sqrt n}{\sigma}$ (**除以标准差 $\sigma$ **,不是 $\sigma^2$ )。
|
||||
|
||||
---
|
||||
|
||||
@@ -291,11 +291,11 @@ $$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\
|
||||
| 辛钦大数定律:**条件辨析** | 5 | ✅ |
|
||||
| 中心极限定理:iid 求和标准化 | 6 | ✅ |
|
||||
| **2022·9 骨架**(样本均值 + 四阶矩) | 7 | ✅ |
|
||||
| 反解样本量 $n$(切比雪夫) | 8 | ✅ |
|
||||
| 反解样本量 $n$ (切比雪夫) | 8 | ✅ |
|
||||
| 中心极限定理:应用建模(装箱) | 9 | ✅ |
|
||||
| **2020·8 骨架**(0–1 变量求和) | 10 | ✅ |
|
||||
| **2025·9 骨架**(泊松近似) | 11 | ✅ |
|
||||
| 切比雪夫 + 协方差($Z=X-Y$) | 12 | ✅ |
|
||||
| 切比雪夫 + 协方差($Z=X-Y$ ) | 12 | ✅ |
|
||||
| 切比雪夫大数定律:**条件辨析** | 13 | ✅ |
|
||||
| 切比雪夫大数定律:**证明** | 14 | ✅ |
|
||||
| 中心极限定理:反解 $n$ | 15 | ✅ |
|
||||
@@ -321,7 +321,7 @@ $$P\{\lvert\bar X-\mu\rvert<\varepsilon\}=P\left\{\left\lvert\frac{\bar X-\mu}{\
|
||||
|
||||
### 四、仍未覆盖方向(诚实列出)
|
||||
|
||||
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$)——考研几乎不单独考;
|
||||
1. **依概率收敛的运算性质**(如 $X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\Rightarrow X_nY_n\overset{P}{\to}ab$ )——考研几乎不单独考;
|
||||
2. **李雅普诺夫中心极限定理**(不要求同分布,只要求某阶矩有界)——边缘内容,本讲未涉及;
|
||||
3. **用切比雪夫不等式讨论估计量的"一致性"**——会在第 21 章(参数估计)中用到,届时回看 §2 即可;
|
||||
4. **大数定律的建模应用**(如用频率估计概率、保险定价)——属应用题,非本讲主线。
|
||||
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -28,39 +28,39 @@ tags:
|
||||
|
||||
$$2,\quad3,\quad5,\quad6,\quad9 .$$
|
||||
|
||||
(Ⅰ)求样本均值 $\bar X$、样本方差 $S^2$、样本二阶中心矩 $B_2$;
|
||||
(Ⅰ)求样本均值 $\bar X$ 、样本方差 $S^2$ 、样本二阶中心矩 $B_2$ ;
|
||||
|
||||
(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$;$\ S^2$;$\ X_1+X_2-\mu$;$\ \max\{X_1,\cdots,X_5\}$;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$。
|
||||
(Ⅱ)设总体均值 $\mu$ 与总体方差 $\sigma^2$ **均未知**。判断下列各量哪些是**统计量**,哪些不是:$\ \bar X+\mu$ ;$\ S^2$ ;$\ X_1+X_2-\mu$ ;$\ \max\{X_1,\cdots,X_5\}$ ;$\ \sum\limits_{i=1}^{5}(X_i-\mu)^2$ 。
|
||||
|
||||
**2.** 【三大分布辨析与构造】设 $X_1,X_2,\cdots,X_6$ 为来自总体 $N(0,4)$ 的简单随机样本。判断下列统计量各服从什么分布(写出名称与自由度);**不服从三大分布的,请说明理由**:
|
||||
|
||||
(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$;
|
||||
(Ⅰ)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$ ;
|
||||
|
||||
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$;
|
||||
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$ ;
|
||||
|
||||
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$;
|
||||
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$ ;
|
||||
|
||||
(Ⅳ)$Y_4=2(X_1-X_2)^2$。
|
||||
(Ⅳ)$Y_4=2(X_1-X_2)^2$ 。
|
||||
|
||||
**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$、$S^2$ 为样本均值与样本方差。
|
||||
**3.** 【样本均值与样本方差的数字特征】设总体 $X$ 的 $EX=\mu$ ,$DX=\sigma^2$ 均存在,$X_1,\cdots,X_n$ 为简单随机样本,$\bar X$ 、$S^2$ 为样本均值与样本方差。
|
||||
|
||||
(Ⅰ)求 $E\bar X$、$D\bar X$、$ES^2$;
|
||||
(Ⅰ)求 $E\bar X$ 、$D\bar X$ 、$ES^2$ ;
|
||||
|
||||
(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$。
|
||||
(Ⅱ)说明为什么样本方差 $S^2$ 定义为 $\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 而不是 $\dfrac1n\sum(X_i-\bar X)^2$ 。
|
||||
|
||||
**4.** 【矩估计】设总体 $X$ 的分布律为
|
||||
|
||||
$$P\{X=-1\}=2\theta,\qquad P\{X=0\}=\theta,\qquad P\{X=1\}=1-3\theta,\qquad 0<\theta<\frac13 .$$
|
||||
|
||||
$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$。
|
||||
$\theta$ 未知,$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量 $\hat\theta$ 。
|
||||
|
||||
**5.** 【极大似然估计】设总体 $X$ 的概率密度为
|
||||
|
||||
$$f(x;\theta)=\begin{cases}\theta x^{\theta-1},&0<x<1\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知})$$
|
||||
|
||||
$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$。
|
||||
$X_1,\cdots,X_n$ 为简单随机样本。求 $\theta$ 的极大似然估计量 $\hat\theta$ 。
|
||||
|
||||
**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$,$DX=\sigma^2$。求常数 $k$,使
|
||||
**6.** 【无偏性定常数】🟩 设 $X_1,\cdots,X_n$ 为来自总体 $X$ 的简单随机样本,$EX=\mu$ ,$DX=\sigma^2$ 。求常数 $k$ ,使
|
||||
|
||||
$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
||||
|
||||
@@ -74,49 +74,49 @@ $$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
||||
|
||||
$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
|
||||
|
||||
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$。
|
||||
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$ 。
|
||||
|
||||
(Ⅰ)求 $\hat\lambda$;
|
||||
(Ⅰ)求 $\hat\lambda$ ;
|
||||
|
||||
(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$。
|
||||
(Ⅱ)求 $E\hat\lambda$ 与 $D\hat\lambda$ 。
|
||||
|
||||
**8.** 【次序统计量 · 最大值分布 + 无偏】🟨**真题骨架 2016·23** 设总体 $X$ 的概率密度为
|
||||
|
||||
$$f(x;\theta)=\begin{cases}\dfrac{2x}{\theta^2},&0<x<\theta\\[2pt]0,&\text{其他}\end{cases}\qquad(\theta>0\ \text{未知}),$$
|
||||
|
||||
$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$。
|
||||
$X_1,X_2,X_3$ 为简单随机样本,令 $T=\max\{X_1,X_2,X_3\}$ 。
|
||||
|
||||
(Ⅰ)求 $T$ 的概率密度 $f_T(x)$;
|
||||
(Ⅰ)求 $T$ 的概率密度 $f_T(x)$ ;
|
||||
|
||||
(Ⅱ)确定常数 $a$,使 $aT$ 为 $\theta$ 的无偏估计。
|
||||
(Ⅱ)确定常数 $a$ ,使 $aT$ 为 $\theta$ 的无偏估计。
|
||||
|
||||
**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$。
|
||||
**9.** 【区间估计】🟨**真题骨架 2016·14** 设 $X_1,\cdots,X_{16}$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,测得样本均值 $\bar X=12.3$ 。
|
||||
|
||||
(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$,$u_{0.05}=1.645$);
|
||||
(Ⅰ)若 $\sigma=2$ **已知**,求 $\mu$ 的置信度为 $0.95$ 的**双侧**置信区间,以及置信度为 $0.95$ 的**单侧置信上限**(已知 $u_{0.025}=1.96$ ,$u_{0.05}=1.645$ );
|
||||
|
||||
(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$)。
|
||||
(Ⅱ)若 $\sigma$ **未知**,测得样本标准差 $S=2$ ,求 $\mu$ 的置信度为 $0.95$ 的双侧置信区间(已知 $t_{0.025}(15)=2.131$ )。
|
||||
|
||||
**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$。检验
|
||||
**10.** 【假设检验拒绝域】🟨**真题骨架 2025·10** 设 $X_1,\cdots,X_n$ 为来自正态总体 $N(\mu,3)$ 的简单随机样本,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。检验
|
||||
|
||||
$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
|
||||
|
||||
显著性水平为 $\alpha$,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
|
||||
显著性水平为 $\alpha$ ,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
|
||||
|
||||
(Ⅰ)写出该检验的拒绝域;
|
||||
|
||||
(Ⅱ)若 $n=12$,$\alpha=0.05$,$Z_{0.05}=1.645$,求拒绝域的临界值 $c$。
|
||||
(Ⅱ)若 $n=12$ ,$\alpha=0.05$ ,$Z_{0.05}=1.645$ ,求拒绝域的临界值 $c$ 。
|
||||
|
||||
**11.** 【两类错误】🟨**真题骨架 2021·10** 设 $X_1,\cdots,X_{25}$ 为来自总体 $N(\mu,9)$ 的简单随机样本,考虑检验问题
|
||||
|
||||
$$H_0:\mu\le5,\qquad H_1:\mu>5,$$
|
||||
|
||||
取拒绝域 $W=\{\bar X\ge6\}$,$\Phi(x)$ 为标准正态分布函数。
|
||||
取拒绝域 $W=\{\bar X\ge6\}$ ,$\Phi(x)$ 为标准正态分布函数。
|
||||
|
||||
(Ⅰ)求犯**第一类错误**的概率(用 $\Phi$ 表示);
|
||||
|
||||
(Ⅱ)求当 $\mu=6.6$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
||||
|
||||
**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$($EX=\mu$,$DX=\sigma^2$)的简单随机样本,考虑 $\mu$ 的三个估计量
|
||||
**12.** 【无偏性与有效性】设 $X_1,X_2,X_3$ 为来自总体 $X$ ($EX=\mu$ ,$DX=\sigma^2$ )的简单随机样本,考虑 $\mu$ 的三个估计量
|
||||
|
||||
$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
|
||||
|
||||
@@ -128,11 +128,11 @@ $$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\f
|
||||
|
||||
$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
|
||||
|
||||
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$;
|
||||
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$ ;
|
||||
|
||||
(Ⅱ)写出 $D(\hat\lambda)$ 的表达式。
|
||||
|
||||
**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$,两样本**相互独立**,$S_1^2$、$S_2^2$ 分别为两样本的样本方差。求常数 $c$,使
|
||||
**14.** 【两正态总体方差比 · $F$ 分布】🟨**真题骨架 2023·9** 设 $X_1,\cdots,X_m$ 来自总体 $N(\mu_1,\sigma^2)$ ,$Y_1,\cdots,Y_n$ 来自总体 $N(\mu_2,3\sigma^2)$ ,两样本**相互独立**,$S_1^2$ 、$S_2^2$ 分别为两样本的样本方差。求常数 $c$ ,使
|
||||
|
||||
$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
|
||||
|
||||
@@ -148,7 +148,7 @@ $$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma
|
||||
|
||||
其中 $\mu$ **已知**,$\sigma>0$ 未知,$A$ 为常数,$X_1,\cdots,X_n$ 为简单随机样本。
|
||||
|
||||
(Ⅰ)求 $A$;
|
||||
(Ⅰ)求 $A$ ;
|
||||
|
||||
(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
|
||||
|
||||
@@ -156,33 +156,33 @@ $$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma
|
||||
|
||||
$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
|
||||
|
||||
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$;
|
||||
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$ ;
|
||||
|
||||
(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$。
|
||||
(Ⅱ)测得 $n$ 个寿命值 $t_1,\cdots,t_n$ ,$m$ **已知**,求 $\theta$ 的极大似然估计量 $\hat\theta$ 。
|
||||
|
||||
**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$,构造 $T_c=cX_{(n)}$($c>0$)。
|
||||
**17.** 【无偏 + 均方误差最小】🟨**真题骨架 2024·22** 设总体 $X\sim U(0,\theta)$ ,$\theta>0$ 未知,$X_1,\cdots,X_n$ 为简单随机样本,记 $X_{(n)}=\max\{X_1,\cdots,X_n\}$ ,构造 $T_c=cX_{(n)}$ ($c>0$ )。
|
||||
|
||||
(Ⅰ)求 $c$,使 $T_c$ 为 $\theta$ 的**无偏估计**;
|
||||
(Ⅰ)求 $c$ ,使 $T_c$ 为 $\theta$ 的**无偏估计**;
|
||||
|
||||
(Ⅱ)记 $h(c)=E(T_c-\theta)^2$,求 $c$,使 $h(c)$ **最小**。
|
||||
(Ⅱ)记 $h(c)=E(T_c-\theta)^2$ ,求 $c$ ,使 $h(c)$ **最小**。
|
||||
|
||||
**18.** 【假设检验概念综合】🟨**真题骨架 2018·8** 设 $X_1,\cdots,X_n$ 为来自总体 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma$ 已知,检验
|
||||
|
||||
$$H_0:\mu=\mu_0,\qquad H_1:\mu\ne\mu_0,$$
|
||||
|
||||
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$。
|
||||
拒绝域为 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$ 。
|
||||
|
||||
(Ⅰ)判断下列结论中哪一个是**正确**的,并说明理由:
|
||||
|
||||
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
|
||||
(A)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
|
||||
|
||||
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$;
|
||||
(B)若在 $\alpha=0.05$ 下拒绝 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ ;
|
||||
|
||||
(C)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必拒绝 $H_0$;
|
||||
(C)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必拒绝 $H_0$ ;
|
||||
|
||||
(D)若在 $\alpha=0.05$ 下接受 $H_0$,则在 $\alpha=0.01$ 下必接受 $H_0$。
|
||||
(D)若在 $\alpha=0.05$ 下接受 $H_0$ ,则在 $\alpha=0.01$ 下必接受 $H_0$ 。
|
||||
|
||||
(Ⅱ)若 $n=16$,$\sigma=2$,取 $\alpha=0.05$($u_{0.025}=1.96$),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
||||
(Ⅱ)若 $n=16$ ,$\sigma=2$ ,取 $\alpha=0.05$ ($u_{0.025}=1.96$ ),写出拒绝域的具体形式,并求当 $\mu=\mu_0+1$ 时犯**第二类错误**的概率(用 $\Phi$ 表示)。
|
||||
|
||||
---
|
||||
|
||||
|
||||
@@ -20,66 +20,66 @@ tags:
|
||||
|
||||
### 第 1 题 · 统计量与常用统计量
|
||||
|
||||
**(Ⅰ)答案**:$\bar X=5$,$S^2=7.5$,$B_2=6$。
|
||||
**(Ⅰ)答案**:$\bar X=5$ ,$S^2=7.5$ ,$B_2=6$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
|
||||
|
||||
偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$。
|
||||
偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$ 。
|
||||
|
||||
$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
|
||||
|
||||
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$、$\max$ 是统计量**;其余三个($\bar X+\mu$、$X_1+X_2-\mu$、$\sum(X_i-\mu)^2$)**不是**。
|
||||
**(Ⅱ)答案**:是统计量的有 $\ \bar X+\mu$ 中的 $S^2$ 与 $\max\{X_1,\cdots,X_5\}$ —— 即 **$S^2$ 、$\max$ 是统计量**;其余三个($\bar X+\mu$ 、$X_1+X_2-\mu$ 、$\sum(X_i-\mu)^2$ )**不是**。
|
||||
|
||||
**易错点**:
|
||||
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
|
||||
- $S^2$ 虽然含 $\bar X$,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
|
||||
- **判断标准只有一个**:表达式里**有没有未知参数**。$\mu$ 、$\sigma$ 均未知 ⟹ 凡是出现 $\mu$ 的都**不是**统计量。
|
||||
- $S^2$ 虽然含 $\bar X$ ,但 $\bar X$ 由样本算出,**不含未知参数**,所以是统计量。
|
||||
- 别把 $\sum(X_i-\bar X)^2$ 当作"能不能算"的判断对象——它是统计量;而 $\sum(X_i-\mu)^2$ 不是。
|
||||
|
||||
---
|
||||
|
||||
### 第 2 题 · 三大分布辨析与构造
|
||||
|
||||
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$。
|
||||
**(Ⅰ)答案**:$Y_1\sim\chi^2(6)$ 。
|
||||
|
||||
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$。六个独立相加:
|
||||
**思路**:$X_i\sim N(0,4)$ ⟹ $\dfrac{X_i}{2}\sim N(0,1)$ ⟹ $\left(\dfrac{X_i}{2}\right)^2=\dfrac{X_i^2}{4}\sim\chi^2(1)$ 。六个独立相加:
|
||||
|
||||
$$Y_1=\sum_{i=1}^{6}\left(\frac{X_i}{2}\right)^2\sim\chi^2(6).$$
|
||||
|
||||
**(Ⅱ)答案**:$Y_2\sim\chi^2(1)$。
|
||||
**(Ⅱ)答案**:$Y_2\sim\chi^2(1)$ 。
|
||||
|
||||
**思路**:$X_1+X_2+X_3\sim N(0,\ 4+4+4)=N(0,12)$,标准化后平方:
|
||||
**思路**:$X_1+X_2+X_3\sim N(0,\ 4+4+4)=N(0,12)$ ,标准化后平方:
|
||||
|
||||
$$Y_2=\frac{(X_1+X_2+X_3)^2}{12}=\left(\frac{X_1+X_2+X_3}{\sqrt{12}}\right)^2\sim\chi^2(1).$$
|
||||
|
||||
**(Ⅲ)答案**:$Y_3\sim t(3)$。
|
||||
**(Ⅲ)答案**:$Y_3\sim t(3)$ 。
|
||||
|
||||
**思路**:**拆成"标准正态 ÷ 根号下 $\chi^2$ 除以自由度"**。
|
||||
|
||||
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$;
|
||||
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$;
|
||||
- 分子:$\dfrac{X_1}{2}\sim N(0,1)$ ;
|
||||
- 分母:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$ ;
|
||||
|
||||
$$\frac{X_1/2}{\sqrt{\dfrac{1}{3}\cdot\dfrac{X_2^2+X_3^2+X_4^2}{4}}}=\frac{X_1/2}{\sqrt{X_2^2+X_3^2+X_4^2}/\sqrt{12}}=\frac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}\sim t(3).$$
|
||||
|
||||
**(Ⅳ)答案**:**不服从三大分布**。
|
||||
|
||||
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$,但
|
||||
**思路**:$X_1-X_2\sim N(0,8)$ ⟹ $\dfrac{(X_1-X_2)^2}{8}\sim\chi^2(1)$ ,但
|
||||
|
||||
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
|
||||
|
||||
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$)。
|
||||
**$\chi^2$ 分布要求"平方项之和,每项都是标准正态的平方"**,也就是**系数必须恰好把方差消掉**。这里系数 $2$ 只消掉了一半(正确系数是 $\dfrac18$ )。
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **系数错一点就不是 $\chi^2$**。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
|
||||
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$,同样不服从)。
|
||||
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$、分母是 $X_2,X_3,X_4$,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$,就不独立,不能用。
|
||||
- ⚠️ **系数错一点就不是 $\chi^2$ **。判断口诀:**先看它能不能写成 $\sum\left(\dfrac{\cdot}{\sigma}\right)^2$ 的形式**。
|
||||
- **(Ⅳ)就是 🟨2017·8 的 B 选项**(真题是 $2(X_n-X_1)^2$ ,同样不服从)。
|
||||
- ⚠️ **(Ⅲ)里分子分母共用 $X$ 吗?** 本题分子是 $X_1$ 、分母是 $X_2,X_3,X_4$ ,**没有共用**,所以**独立**,$t$ 分布成立。若分母含 $X_1$ ,就不独立,不能用。
|
||||
|
||||
---
|
||||
|
||||
### 第 3 题 · 样本均值与样本方差的数字特征
|
||||
|
||||
**(Ⅰ)答案**:$E\bar X=\mu$,$D\bar X=\dfrac{\sigma^2}{n}$,$ES^2=\sigma^2$。
|
||||
**(Ⅰ)答案**:$E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$ES^2=\sigma^2$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
@@ -95,37 +95,37 @@ $$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}
|
||||
|
||||
**(Ⅱ)答案**:因为 $\dfrac1n\sum(X_i-\bar X)^2$ 是**有偏**的。
|
||||
|
||||
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$)。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
|
||||
**思路**:由上一步 $E\!\left[\dfrac1n\sum(X_i-\bar X)^2\right]=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ 。原因是用 $\bar X$ 代替 $\mu$ 后,"独立信息"损失了 1 份(自由度 $n\to n-1$ )。除以 $n-1$ 恰好把 $\dfrac{n-1}{n}$ 补回 1。
|
||||
|
||||
**易错点**:
|
||||
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$,**不是** $\sigma^2$——这是第 5 讲切比雪夫不等式反复用到的结论。
|
||||
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$(求 $E$ 时用)。
|
||||
- **"$n-1$ 是为了无偏"**这句话要能自己推(面试式追问)。
|
||||
- $D\bar X$ 是 $\dfrac{\sigma^2}{\boldsymbol n}$ ,**不是** $\sigma^2$ ——这是第 5 讲切比雪夫不等式反复用到的结论。
|
||||
- $\sum(X_i-\bar X)^2$ 的两个恒等式:$=\sum X_i^2-n\bar X^2$ (求 $E$ 时用)。
|
||||
- **"$n-1$ 是为了无偏"** 这句话要能自己推(面试式追问)。
|
||||
|
||||
---
|
||||
|
||||
### 第 4 题 · 矩估计
|
||||
|
||||
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$。
|
||||
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$ 。
|
||||
|
||||
**思路**:先求**总体一阶矩**(含 $\theta$):
|
||||
**思路**:先求**总体一阶矩**(含 $\theta$ ):
|
||||
|
||||
$$EX=(-1)\cdot2\theta+0\cdot\theta+1\cdot(1-3\theta)=-2\theta+1-3\theta=1-5\theta .$$
|
||||
|
||||
用样本一阶矩替换:$1-5\theta=\bar X$,解得
|
||||
用样本一阶矩替换:$1-5\theta=\bar X$ ,解得
|
||||
|
||||
$$\hat\theta=\frac{1-\bar X}{5}.$$
|
||||
|
||||
**易错点**:
|
||||
- 先**验证概率和为 1**:$2\theta+\theta+(1-3\theta)=1$ ✓(题目给了 $0<\theta<1/3$ 保证非负)。
|
||||
- **只用一个参数 → 只用一阶矩**,别多此一举用二阶矩。
|
||||
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
|
||||
- 最后写成 $\hat\theta$ 是**估计量**(含大写 $X_i$ ),$\hat\theta(x_1,\cdots,x_n)$ 才是估计值。
|
||||
|
||||
---
|
||||
|
||||
### 第 5 题 · 极大似然估计
|
||||
|
||||
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$。
|
||||
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
@@ -134,17 +134,17 @@ $$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\t
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$** ✓,解是合法的。可以顺手做这个**正性检验**。
|
||||
- 支撑集 $0<x<1$ **不含 $\theta$**,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
|
||||
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$——**结构相同,常数差 1**,注意区分。
|
||||
- ⚠️ **$0<x_i<1$ ⟹ $\ln x_i<0$ ⟹ $\hat\theta>0$ ** ✓,解是合法的。可以顺手做这个**正性检验**。
|
||||
- 支撑集 $0<x<1$ **不含 $\theta$ **,所以属于**可微情形**,直接求导即可(对比第 8、17 题的"取边界")。
|
||||
- 另一种常考载体 $f(x;\theta)=(\theta+1)x^\theta\ (0<x<1,\theta>-1)$ 得 $\hat\theta=-\dfrac{n}{\sum\ln X_i}-1$ ——**结构相同,常数差 1**,注意区分。
|
||||
|
||||
---
|
||||
|
||||
### 第 6 题 · 无偏性定常数 🟩
|
||||
|
||||
**答案**:$k=\dfrac{1}{2(n-1)}$。
|
||||
**答案**:$k=\dfrac{1}{2(n-1)}$ 。
|
||||
|
||||
**思路**:关键是算 $E(X_{i+1}-X_i)^2$。用"**方差 + 均值差平方**":
|
||||
**思路**:关键是算 $E(X_{i+1}-X_i)^2$ 。用"**方差 + 均值差平方**":
|
||||
|
||||
$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
|
||||
|
||||
@@ -155,7 +155,7 @@ $$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigm
|
||||
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$**。
|
||||
- ⚠️ 不能只写 $E(X_{i+1}-X_i)^2=\sigma^2$ ——**漏掉一项**:两个独立同分布变量**差的方差是 $2\sigma^2$ **。
|
||||
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
|
||||
|
||||
---
|
||||
@@ -164,7 +164,7 @@ $$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\
|
||||
|
||||
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
|
||||
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
@@ -172,125 +172,125 @@ $$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert
|
||||
|
||||
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
|
||||
|
||||
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$。
|
||||
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
|
||||
|
||||
**(Ⅱ)答案**:$E\hat\lambda=\lambda$,$D\hat\lambda=\dfrac{\lambda^2}{n}$。
|
||||
**(Ⅱ)答案**:$E\hat\lambda=\lambda$ ,$D\hat\lambda=\dfrac{\lambda^2}{n}$ 。
|
||||
|
||||
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$,由对称性可得
|
||||
**思路**:**先认清 $\lvert X_i\rvert$ 的分布**——这是全题的关键。$X\sim$ 拉普拉斯$(0,\lambda)$ 且密度只依赖于 $\lvert x\rvert$ ,由对称性可得
|
||||
|
||||
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
|
||||
|
||||
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$、$D\lvert X_i\rvert=\lambda^2$。于是
|
||||
即**参数为 $1/\lambda$ 的指数分布**,故 $E\lvert X_i\rvert=\lambda$ 、$D\lvert X_i\rvert=\lambda^2$ 。于是
|
||||
|
||||
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$,与本题无关。要求的是**绝对值的期望**。
|
||||
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$,**记得乘 $\frac{1}{n^2}$**。
|
||||
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$),可直接回刷真题。
|
||||
- ⚠️ **不要直接去算 $\int x\cdot\frac{1}{2\lambda}e^{-\lvert x\rvert/\lambda}\mathrm dx$ 的期望**——那样得到的是 $EX=0$ ,与本题无关。要求的是**绝对值的期望**。
|
||||
- 因为 $\hat\lambda$ 无偏,$E\hat\lambda$ 直接可用;若要算 $D\hat\lambda$ ,**记得乘 $\frac{1}{n^2}$ **。
|
||||
- 本题与 **2018·23 结构完全一致**(真题用 $f=\frac{1}{2\sigma}e^{-\lvert x\rvert/\sigma}$ ),可直接回刷真题。
|
||||
|
||||
---
|
||||
|
||||
### 第 8 题 · 次序统计量 · 最大值分布 + 无偏 🟨真题骨架 2016·23
|
||||
|
||||
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$(其他为 0)。
|
||||
**(Ⅰ)答案**:$f_T(x)=\dfrac{6x^5}{\theta^6},\ 0<x<\theta$ (其他为 0)。
|
||||
|
||||
**思路**:先求**分布函数**。
|
||||
|
||||
$$F(x)=\int_0^x\frac{2t}{\theta^2}\mathrm dt=\frac{x^2}{\theta^2}\quad(0<x<\theta).$$
|
||||
|
||||
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$,求导:
|
||||
由最大值公式 $F_T(x)=[F(x)]^3=\dfrac{x^6}{\theta^6}$ ,求导:
|
||||
|
||||
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
|
||||
|
||||
**(Ⅱ)答案**:$a=\dfrac76$。
|
||||
**(Ⅱ)答案**:$a=\dfrac76$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$ET=\int_0^{\theta}x\cdot\frac{6x^5}{\theta^6}\mathrm dx=\frac{6}{\theta^6}\cdot\frac{\theta^7}{7}=\frac67\theta .$$
|
||||
|
||||
令 $E(aT)=a\cdot\dfrac67\theta=\theta$,得 $a=\dfrac76$。
|
||||
令 $E(aT)=a\cdot\dfrac67\theta=\theta$ ,得 $a=\dfrac76$ 。
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$,本题 $n=3$,$f=2x/\theta^2$,$[F]^2=x^4/\theta^4$,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
|
||||
- 若总体的 $F(x)=(x/\theta)^k$,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
|
||||
- ⚠️ **不要漏掉 $[F(x)]^{n-1}$ 这个因子**:$f_{(n)}=n[F]^{n-1}f$ ,本题 $n=3$ ,$f=2x/\theta^2$ ,$[F]^2=x^4/\theta^4$ ,乘起来 $3\cdot\frac{x^4}{\theta^4}\cdot\frac{2x}{\theta^2}=\frac{6x^5}{\theta^6}$ ✓。
|
||||
- 若总体的 $F(x)=(x/\theta)^k$ ,则 $T=\max$ 的期望是 $\dfrac{kn}{kn+1}\theta$ 。本题 $k=2,n=3$ ⟹ $\dfrac67\theta$ ✓(**用这个速算公式可直接验算**)。
|
||||
|
||||
---
|
||||
|
||||
### 第 9 题 · 区间估计 🟨真题骨架 2016·14
|
||||
|
||||
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$;单侧置信上限 $13.1225$。
|
||||
**(Ⅰ)答案**:双侧区间 $\big[11.32,\ 13.28\big]$ ;单侧置信上限 $13.1225$ 。
|
||||
|
||||
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$。
|
||||
**思路**:$\sigma=2$ 已知 ⟹ 用 $U$ 检验的枢轴量,且 $\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ 。
|
||||
|
||||
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$。
|
||||
**双侧**:半宽 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$ 。
|
||||
|
||||
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
|
||||
|
||||
**单侧上限**:**改用 $u_\alpha$(不是 $u_{\alpha/2}$)**,半宽 $=1.645\times0.5=0.8225$,
|
||||
**单侧上限**:**改用 $u_\alpha$ (不是 $u_{\alpha/2}$ )**,半宽 $=1.645\times0.5=0.8225$ ,
|
||||
|
||||
$$\bar\mu=12.3+0.8225=13.1225 .$$
|
||||
|
||||
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$。
|
||||
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$ 。
|
||||
|
||||
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$,枢轴量变 $t(n-1)$:
|
||||
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$ ,枢轴量变 $t(n-1)$ :
|
||||
|
||||
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
|
||||
|
||||
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$(本例 1.96),单侧用 $u_\alpha$(1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
|
||||
- ⚠️ **$\sigma$ 已知用 $U$、未知用 $t$**——审题第一件事就是看 $\sigma$ 给没给。
|
||||
- ⚠️ **双侧 vs 单侧的分位数不同**:双侧用 $u_{\alpha/2}$ (本例 1.96),单侧用 $u_\alpha$ (1.645)。**单侧区间更短**是必然的(全部 $\alpha$ 集中一侧)。
|
||||
- ⚠️ **$\sigma$ 已知用 $U$ 、未知用 $t$ **——审题第一件事就是看 $\sigma$ 给没给。
|
||||
- 💡 **对称性技巧(真题 2016·14 的考点)**:均值的双侧区间关于 $\bar X$ 对称,所以
|
||||
$$\text{下限}+\text{上限}=2\bar X .$$
|
||||
真题只给了 $\bar X=9.5$ 和上限 $10.8$,让你反求下限:$2\times9.5-10.8=8.2$,答案 $[8.2,10.8]$。**区间估计里唯一"送分"的公式,务必记住。**
|
||||
真题只给了 $\bar X=9.5$ 和上限 $10.8$ ,让你反求下限:$2\times9.5-10.8=8.2$ ,答案 $[8.2,10.8]$ 。**区间估计里唯一"送分"的公式,务必记住。**
|
||||
|
||||
---
|
||||
|
||||
### 第 10 题 · 假设检验拒绝域 🟨真题骨架 2025·10
|
||||
|
||||
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$。
|
||||
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$ 。
|
||||
|
||||
**思路**:$\sigma^2=3$ 已知 ⟹ 取检验统计量
|
||||
|
||||
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}=\frac{\bar X-2}{\sqrt{3}/\sqrt n}\sim N(0,1)\quad(H_0\ \text{边界处}).$$
|
||||
|
||||
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$,即
|
||||
$H_1:\mu>2$ ⟹ **右尾检验** ⟹ 拒绝域为 $U\ge Z_\alpha$ ,即
|
||||
|
||||
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
|
||||
|
||||
**(Ⅱ)答案**:$c=2.8225$。
|
||||
**(Ⅱ)答案**:$c=2.8225$ 。
|
||||
|
||||
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$,
|
||||
**思路**:$n=12$ 时 $\sqrt{\dfrac{3}{12}}=\sqrt{0.25}=0.5$ ,
|
||||
|
||||
$$c=2+1.645\times0.5=2+0.8225=2.8225 .$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$**。**不要把方差当标准差代进分母**——这是本题最大的坑。
|
||||
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$"就放右尾($\ge$);$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$"。
|
||||
- **单侧用 $Z_\alpha$**(不是 $Z_{\alpha/2}$)。若改成 $H_1:\mu\ne2$,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$。
|
||||
- ⚠️ **$\sigma^2=3$ ⟹ $\sigma=\sqrt3$ **。**不要把方差当标准差代进分母**——这是本题最大的坑。
|
||||
- **拒绝域方向跟 $H_1$ 走**:$H_1$ 是"$>$ "就放右尾($\ge$ );$H_0$ 里写 $\le$ 不影响方向,只影响"边界取 $\mu_0$ "。
|
||||
- **单侧用 $Z_\alpha$ **(不是 $Z_{\alpha/2}$ )。若改成 $H_1:\mu\ne2$ ,则拒绝域为 $\lvert U\rvert\ge Z_{\alpha/2}$ 。
|
||||
|
||||
---
|
||||
|
||||
### 第 11 题 · 两类错误 🟨真题骨架 2021·10
|
||||
|
||||
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$。
|
||||
**(Ⅰ)答案**:$\alpha=1-\Phi\!\left(\dfrac53\right)$ 。
|
||||
|
||||
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$,即标准差 $\dfrac35=0.6$。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
|
||||
**思路**:$\bar X\sim N\!\left(\mu,\dfrac{9}{25}\right)$ ,即标准差 $\dfrac35=0.6$ 。第一类错误在 $H_0$ 的**边界** $\mu=5$ 处计算(这是 $\alpha$ 取到最大的地方):
|
||||
|
||||
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
|
||||
|
||||
**(Ⅱ)答案**:$\beta=1-\Phi(1)$。
|
||||
**(Ⅱ)答案**:$\beta=1-\Phi(1)$ 。
|
||||
|
||||
**思路**:第二类错误在 $H_1$ 下的**具体真值** $\mu=6.6$ 处计算,用**接受域**($W$ 的补集):
|
||||
|
||||
$$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=1-\Phi(1).$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$(边界),$\beta$ 用 $\mu=\mu_1$(真值)。这是两类错误的**根本区别**。
|
||||
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
|
||||
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$,得 $\beta=1-\Phi(1)$),可直接回刷。
|
||||
- ⚠️ **$\alpha$ 与 $\beta$ 用的分布不同**:$\alpha$ 用 $\mu=\mu_0$ (边界),$\beta$ 用 $\mu=\mu_1$ (真值)。这是两类错误的**根本区别**。
|
||||
- ⚠️ **$\beta$ 用"接受域"**:拒绝域是 $\bar X\ge6$ ,所以 $\beta$ 是 $\bar X<6$ 的概率(方向别反)。
|
||||
- 本题数字与 **2021·10 同构**(真题 $n=16,\sigma^2=4,W=\{\bar X\ge11\},\mu=11.5$ ,得 $\beta=1-\Phi(1)$ ),可直接回刷。
|
||||
|
||||
---
|
||||
|
||||
@@ -298,7 +298,7 @@ $$\beta=P\{\bar X<6\mid \mu=6.6\}=\Phi\!\left(\frac{6-6.6}{0.6}\right)=\Phi(-1)=
|
||||
|
||||
**(Ⅰ)答案**:三者都是 $\mu$ 的无偏估计(系数和均为 1)。
|
||||
|
||||
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$,**只要系数和 $\sum a_i=1$ 就无偏**:
|
||||
**思路**:$E\hat\theta=\sum a_iEX_i=\mu\sum a_i$ ,**只要系数和 $\sum a_i=1$ 就无偏**:
|
||||
|
||||
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
|
||||
|
||||
@@ -317,13 +317,13 @@ $$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
|
||||
**易错点**:
|
||||
- ⚠️ **必须先验证都无偏,才能比有效性**——这是"两级筛选",直接比方差是逻辑错误。
|
||||
- ⚠️ $\hat\theta_2$ 的方差要**逐项平方系数**再相加,别把 $\left(\frac12+\frac13+\frac16\right)^2$ 当成答案。
|
||||
- 直觉:**系数越"平均"(越接近 $\frac1n$),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
|
||||
- 直觉:**系数越"平均"(越接近 $\frac1n$ ),方差越小**。$\hat\theta_1$ 是全平均,$\hat\theta_2$ 向 $X_1$ 偏重,$\hat\theta_3$ 干脆丢了一个样本,故 $\hat\theta_3$ 最差。
|
||||
|
||||
---
|
||||
|
||||
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
|
||||
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$。
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$ 。
|
||||
|
||||
**思路**:**两个样本要放在同一个似然函数里**。
|
||||
|
||||
@@ -333,30 +333,30 @@ $$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\l
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
|
||||
|
||||
代入:$n=5$,$m=4$,$\sum x_i=3+2+4+1+5=15$,$\sum y_j=5+3+7+9=24$,
|
||||
代入:$n=5$ ,$m=4$ ,$\sum x_i=3+2+4+1+5=15$ ,$\sum y_j=5+3+7+9=24$ ,
|
||||
|
||||
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
|
||||
|
||||
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$。
|
||||
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$ 。
|
||||
|
||||
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$;两者独立故方差可加:
|
||||
**思路**:$\sum X_i\sim P(n\lambda)$ 方差 $n\lambda$ ;$\sum Y_j\sim P(2m\lambda)$ 方差 $2m\lambda$ ;两者独立故方差可加:
|
||||
|
||||
$$D\Big(\sum X_i+\sum Y_j\Big)=n\lambda+2m\lambda=\lambda(n+2m),$$
|
||||
|
||||
$$D\hat\lambda=\frac{\lambda(n+2m)}{(n+2m)^2}=\frac{\lambda}{n+2m}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$** 的两个来源,必须合并。
|
||||
- ⚠️ **$Y$ 组的分母是 $n+2m$**(不是 $n+m$):因为 $Y$ 的均值是 $2\lambda$,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
|
||||
- 若把 $Y$ 的分布参数换成 $k\lambda$,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$,$D\hat\lambda=\dfrac{\lambda}{n+km}$——**这是本题的一般式**。
|
||||
- ⚠️ **不要把两组的似然分开求导**——它们是**同一个 $\lambda$ ** 的两个来源,必须合并。
|
||||
- ⚠️ **$Y$ 组的分母是 $n+2m$ **(不是 $n+m$ ):因为 $Y$ 的均值是 $2\lambda$ ,$2m$ 个"等效 $\lambda$ 单位"。记忆:**"权重 = 样本量 × 该组的参数倍数"**。
|
||||
- 若把 $Y$ 的分布参数换成 $k\lambda$ ,则 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+km}$ ,$D\hat\lambda=\dfrac{\lambda}{n+km}$ ——**这是本题的一般式**。
|
||||
|
||||
---
|
||||
|
||||
### 第 14 题 · 两正态总体方差比 · $F$ 分布 🟨真题骨架 2023·9
|
||||
|
||||
**答案**:$c=3$,自由度为 $(m-1,\ n-1)$。
|
||||
**答案**:$c=3$ ,自由度为 $(m-1,\ n-1)$ 。
|
||||
|
||||
**思路**:**"拼 $F$"的两步——先各去方差,再除自由度**。
|
||||
**思路**:**"拼 $F$ "的两步——先各去方差,再除自由度**。
|
||||
|
||||
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
|
||||
|
||||
@@ -364,12 +364,12 @@ $$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}
|
||||
|
||||
$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
|
||||
|
||||
所以 $c=3$。
|
||||
所以 $c=3$ 。
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$)时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$。
|
||||
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$,分母是 $Y$ 组的 $n-1$。
|
||||
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$,则由倒数性质 $c'=\dfrac13$。
|
||||
- ⚠️ **两个总体的方差不同**($\sigma^2$ 与 $3\sigma^2$ )时,"消方差"的系数就不同——这正是真题设陷阱的地方。若两方差相同,则 $c=1$ 。
|
||||
- ⚠️ **自由度顺序不能反**:分子是 $X$ 组的 $m-1$ ,分母是 $Y$ 组的 $n-1$ 。
|
||||
- 若题目问 $\dfrac{S_2^2}{S_1^2}\cdot c'$ 服从 $F(n-1,m-1)$ ,则由倒数性质 $c'=\dfrac13$ 。
|
||||
|
||||
---
|
||||
|
||||
@@ -377,42 +377,42 @@ $$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2
|
||||
|
||||
### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
|
||||
|
||||
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$。
|
||||
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$ 。
|
||||
|
||||
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$。令 $t=\dfrac{x-\mu}{\sigma}$($\mathrm dx=\sigma\,\mathrm dt$):
|
||||
**思路**:**归一化条件** $\displaystyle\int_{-\infty}^{+\infty}f(x;\sigma)\mathrm dx=1$ 。令 $t=\dfrac{x-\mu}{\sigma}$ ($\mathrm dx=\sigma\,\mathrm dt$ ):
|
||||
|
||||
$$\int_{\mu}^{+\infty}\frac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}}\mathrm dx=A\int_0^{+\infty}\mathrm e^{-\frac{t^2}{2}}\mathrm dt=A\cdot\sqrt{\frac{\pi}{2}}\overset{!}{=}1\ \Longrightarrow\ A=\sqrt{\frac{2}{\pi}}.$$
|
||||
|
||||
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
|
||||
**(Ⅱ)答案**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
|
||||
|
||||
**思路**:似然函数(注意支撑集 $x_i\ge\mu$)
|
||||
**思路**:似然函数(注意支撑集 $x_i\ge\mu$ )
|
||||
|
||||
$$L(\sigma)=\prod_{i=1}^{n}\frac{A}{\sigma}\mathrm e^{-\frac{(x_i-\mu)^2}{2\sigma^2}}=\Big(\frac{A}{\sigma}\Big)^n\exp\!\Big(-\frac{1}{2\sigma^2}\sum(x_i-\mu)^2\Big)\prod_{i=1}^{n}\mathbf 1_{\{x_i\ge\mu\}},$$
|
||||
|
||||
$$\ln L=-n\ln\sigma-\frac{1}{2\sigma^2}\sum_{i=1}^{n}(x_i-\mu)^2+\text{常数}.$$
|
||||
|
||||
**令 $v=\sigma^2$**(对 $\sigma$ 求导会出现平方根,**换元更省事**):
|
||||
**令 $v=\sigma^2$ **(对 $\sigma$ 求导会出现平方根,**换元更省事**):
|
||||
|
||||
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
|
||||
|
||||
解得 $v=\dfrac1n\sum(X_i-\mu)^2$,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$。
|
||||
解得 $v=\dfrac1n\sum(X_i-\mu)^2$ ,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$)。
|
||||
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$)**能避开根号运算——**这是本类题的一个通用技巧**。
|
||||
- 结果里是 **$n$ 而不是 $n-1$**(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
|
||||
- ⚠️ **$\mu$ 已知**,所以支撑集 $x_i\ge\mu$ **不含未知参数**,不影响求导(若 $\mu$ 未知,就必须用 $\min X_i$ 约束,$\hat\mu=X_{(1)}$ )。
|
||||
- ⚠️ **对 $\sigma^2$ 求导(而非对 $\sigma$ )** 能避开根号运算——**这是本类题的一个通用技巧**。
|
||||
- 结果里是 **$n$ 而不是 $n-1$ **(MLE 一般有偏),与 $S^2$ 的 $n-1$ 形成对比。
|
||||
|
||||
---
|
||||
|
||||
### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
|
||||
|
||||
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$。
|
||||
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$ ;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$ 。
|
||||
|
||||
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$。再用条件概率:
|
||||
**思路**:由 $F(t)=1-\mathrm e^{-(t/\theta)^m}$ 直接得 $P\{T>t\}=1-F(t)=\mathrm e^{-(t/\theta)^m}$ 。再用条件概率:
|
||||
|
||||
$$P\{T>s+t\mid T>s\}=\frac{P\{T>s+t\}}{P\{T>s\}}=\frac{\mathrm e^{-\frac{(s+t)^m}{\theta^m}}}{\mathrm e^{-\frac{s^m}{\theta^m}}}=\exp\!\left\{-\frac{(s+t)^m-s^m}{\theta^m}\right\}.$$
|
||||
|
||||
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$。
|
||||
**(Ⅱ)答案**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$ 。
|
||||
|
||||
**思路**:先求密度(对 $F$ 求导):
|
||||
|
||||
@@ -423,20 +423,20 @@ $$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **别忘了"先由 $F$ 求 $f$"这一步**——题目给的是分布函数,似然函数要用密度。
|
||||
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
|
||||
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$,**符号与幂次都容易错**。
|
||||
- ⚠️ **别忘了"先由 $F$ 求 $f$ "这一步**——题目给的是分布函数,似然函数要用密度。
|
||||
- ⚠️ **只当 $m=1$ 时才有"无记忆性"**($P\{T>s+t\mid T>s\}=\mathrm e^{-t/\theta}=P\{T>t\}$ ,退化为指数分布);一般 $m\ne1$ 时**不成立**——这句话是本题的"概念考点"。
|
||||
- 对 $\theta$ 求导时 $-\dfrac{1}{\theta^m}\sum t_i^m$ 的导数是 $+\dfrac{m}{\theta^{m+1}}\sum t_i^m$ ,**符号与幂次都容易错**。
|
||||
- 若题目改为"$m$ 也未知",则需**两个方程**联立($\hat m$ 需要用 $\sum\ln t_i$ 的方程),近年未考。
|
||||
|
||||
---
|
||||
|
||||
### 第 17 题 · 无偏 + 均方误差最小 🟨真题骨架 2024·22
|
||||
|
||||
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$。
|
||||
**(Ⅰ)答案**:$c=\dfrac{n+1}{n}$ 。
|
||||
|
||||
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$。
|
||||
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$ 。
|
||||
|
||||
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$,
|
||||
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$ ,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$ ,
|
||||
|
||||
$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
|
||||
|
||||
@@ -457,10 +457,10 @@ $$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightar
|
||||
|
||||
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
|
||||
|
||||
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$。
|
||||
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$ 。
|
||||
这不矛盾:**有偏估计只要偏差足够小,就能把方差压得更低,使总 MSE 更小**——这就是"**无偏 ≠ 最优**"的经典例证($c=\frac{n+2}{n+1}$ 时估计量是有偏的,但 MSE 反而比无偏的那一个更小)。
|
||||
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$),**不能**用 $(EX_{(n)})^2$。
|
||||
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$(本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
|
||||
- ⚠️ **$EX_{(n)}^2$ 要单独算**($\dfrac{n}{n+2}\theta^2$ ),**不能**用 $(EX_{(n)})^2$ 。
|
||||
- 通用模板:$\ h'(c)=0\Longrightarrow c=\dfrac{\theta\,EX_{(n)}}{EX_{(n)}^2}$ (本题代入即 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
|
||||
|
||||
---
|
||||
|
||||
@@ -470,37 +470,37 @@ $$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightar
|
||||
|
||||
**思路**:核心是"**$\alpha$ 越小,拒绝域越小**"。
|
||||
|
||||
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$;
|
||||
- 拒绝域 $\lvert\bar X-\mu_0\rvert\ge c$ ,其中 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ ;
|
||||
- $\alpha$ 减小 ⟹ $u_{\alpha/2}$ **增大** ⟹ $c$ **增大** ⟹ **拒绝域变小、接受域变大**。
|
||||
|
||||
于是:
|
||||
|
||||
| 条件 | 在 $\alpha=0.01$ 下 |
|
||||
|---|---|
|
||||
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$) | 因 $c_{0.01}>c_{0.05}$,**未必**达到 ⟹ A、B 都错 |
|
||||
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$) | 因 $c_{0.05}<c_{0.01}$,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
|
||||
| $\alpha=0.05$ 时**拒绝**($\lvert\bar X-\mu_0\rvert\ge c_{0.05}$ ) | 因 $c_{0.01}>c_{0.05}$ ,**未必**达到 ⟹ A、B 都错 |
|
||||
| $\alpha=0.05$ 时**接受**($\lvert\bar X-\mu_0\rvert<c_{0.05}$ ) | 因 $c_{0.05}<c_{0.01}$ ,**必然**也 $<c_{0.01}$ ⟹ **接受** ⟹ **D 对**,C 错 |
|
||||
|
||||
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
|
||||
|
||||
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$。
|
||||
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$ ;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$ 。
|
||||
|
||||
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$,
|
||||
**思路**:$\dfrac{\sigma}{\sqrt n}=\dfrac{2}{4}=0.5$ ,
|
||||
|
||||
$$c=u_{0.025}\cdot\frac{\sigma}{\sqrt n}=1.96\times0.5=0.98\ \Longrightarrow\ W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}.$$
|
||||
|
||||
求 $\beta$:在 $\mu=\mu_0+1$ 下 $\bar X\sim N(\mu_0+1,\ 0.25)$,标准差 $0.5$。**用接受域**:
|
||||
求 $\beta$ :在 $\mu=\mu_0+1$ 下 $\bar X\sim N(\mu_0+1,\ 0.25)$ ,标准差 $0.5$ 。**用接受域**:
|
||||
|
||||
$$\beta=P\{\lvert\bar X-\mu_0\rvert<0.98\mid \mu=\mu_0+1\}.$$
|
||||
|
||||
令 $\dfrac{\bar X-\mu_0-1}{0.5}=Z\sim N(0,1)$,则 $\bar X-\mu_0=1+0.5Z$,条件化为
|
||||
令 $\dfrac{\bar X-\mu_0-1}{0.5}=Z\sim N(0,1)$ ,则 $\bar X-\mu_0=1+0.5Z$ ,条件化为
|
||||
|
||||
$$-0.98<1+0.5Z<0.98\ \Longleftrightarrow\ -3.96<Z<-0.04,$$
|
||||
|
||||
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$。
|
||||
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$**(含真值的偏移 $1$),这是最容易漏的一步。
|
||||
- ⚠️ **$\beta$ 必须在 $H_1$ 的具体值下算**(这里 $\mu=\mu_0+1$ ),且**用接受域**——$\lvert\bar X-\mu_0\rvert<0.98$ 而不是 $\ge$ 。
|
||||
- ⚠️ 计算时**把 $\bar X-\mu_0$ 替换成 $1+0.5Z$ **(含真值的偏移 $1$ ),这是最容易漏的一步。
|
||||
- 结果 $\beta\approx0.484$ 很大,说明**这个检验对 $\mu=\mu_0+1$ 的偏离"很不敏感"**——这正是 $\alpha=0.05$ 时 $\beta$ 随之增大的体现($\alpha$ 小时 $\beta$ 大)。
|
||||
|
||||
---
|
||||
@@ -515,14 +515,14 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
||||
| 2023·9 | $F$ 分布(方差比) | B14 | ✅ |
|
||||
| 2016·14 | 区间估计(对称性) | B9(含对称性技巧) | ✅ |
|
||||
| 2016·23 | 次序统计量 $X_{(n)}$ + 无偏 | B8 | ✅ |
|
||||
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$(变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
|
||||
| 2017·23 | 绝对误差 $Z=\lvert X-\mu\rvert$ (变体) | B7(拉普拉斯同构) | ◐ 部分(矩估计分支未另设) |
|
||||
| 2018·23 | 拉普拉斯 MLE + $E/D$ | B7 | ✅ |
|
||||
| 2019·23 | 半正态:求 $A$ + MLE | C15 | ✅ |
|
||||
| 2020·23 | 威布尔:无记忆性 + MLE | C16 | ✅ |
|
||||
| 2021·9 | 无偏 + $D(\bar X-\bar Y)$ | B12(无偏/有效分支) | ◐ 部分(两样本方差未单设) |
|
||||
| 2022·22 | 泊松两样本 MLE + $D$ | B13 | ✅ |
|
||||
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$) | A6(同类"定常数") | ✅ |
|
||||
| 2024·22 | $U(0,\theta)$:无偏 + MSE | C17 | ✅ |
|
||||
| 2023·10 | 无偏($a\lvert X_1-X_2\rvert$ ) | A6(同类"定常数") | ✅ |
|
||||
| 2024·22 | $U(0,\theta)$ :无偏 + MSE | C17 | ✅ |
|
||||
| 2018·8 | 显著性水平与拒绝/接受 | C18(Ⅰ) | ✅ |
|
||||
| 2021·10 | 第二类错误 | B11 | ✅ |
|
||||
| 2025·10 | 单侧检验拒绝域 | B10 | ✅ |
|
||||
@@ -542,20 +542,20 @@ $$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
||||
|
||||
- **本题卷 18 题全部为原创命题**,数字、样本量、分布参数均与真题不同;
|
||||
- 标「**真题骨架**」的 10 道题**只对齐考法结构**(如"两样本不同参数泊松 MLE"),**不做数字复用**,做完可直接回刷真题原题而不会"背答案";
|
||||
- **参照了 🟩 参考仓库**的 4 道例题风格(拉普拉斯 MLE、均匀分布矩估计、两正态方差比、无偏性定 $k$),并在此基础上把数字重设。
|
||||
- **参照了 🟩 参考仓库**的 4 道例题风格(拉普拉斯 MLE、均匀分布矩估计、两正态方差比、无偏性定 $k$ ),并在此基础上把数字重设。
|
||||
|
||||
### 四、仍未覆盖的方向(诚实清单)
|
||||
|
||||
1. **区间估计的 $\sigma^2$ 分支**(含 $\chi^2$ 分布的两端分位点"反着放")——真题 2016·14 只考均值,本卷也未设(§4.3 已在手册中写明,可自行练手);
|
||||
2. **两样本 $t$ 检验**($\sigma_1^2=\sigma_2^2$ 时的合并方差 $S_w$)——真题十年未考,数一考纲内但低频;
|
||||
2. **两样本 $t$ 检验**($\sigma_1^2=\sigma_2^2$ 时的合并方差 $S_w$ )——真题十年未考,数一考纲内但低频;
|
||||
3. **分布函数的拟合优度 $\chi^2$ 检验**——超出考研范围(了解即可);
|
||||
4. **2017·23 的"矩估计分支"**——该真题要求先用一阶矩求 $\sigma$ 的矩估计量再求 MLE,本卷 B7 只做了 MLE 分支,矩估计的"绝对误差一阶矩"未单设;
|
||||
5. **2021·9 的 $D(\bar X-\bar Y)$ 两样本方差计算**——考纲内、涉及二元正态的 $\rho$,本卷以 B12 的"单样本有效性"替代。
|
||||
5. **2021·9 的 $D(\bar X-\bar Y)$ 两样本方差计算**——考纲内、涉及二元正态的 $\rho$ ,本卷以 B12 的"单样本有效性"替代。
|
||||
|
||||
> 上述 1、4、5 三项可在二轮复习时用真题原题补齐;2、3 属边缘,暂不安排。
|
||||
|
||||
### 五、与既有材料的衔接
|
||||
|
||||
- 本讲**上游**:第 4 讲(数字特征,$E,D,\operatorname{Cov}$——**尚未建文件夹**)、第 5 讲(大数定律与中心极限定理,切比雪夫不等式)。
|
||||
- 本讲**上游**:第 4 讲(数字特征,$E,D,\operatorname{Cov}$ ——**尚未建文件夹**)、第 5 讲(大数定律与中心极限定理,切比雪夫不等式)。
|
||||
- 本讲**核心依赖**:正态分布、$\chi^2/t/F$ 三大分布、期望方差的性质。
|
||||
- 建议顺序:**第 5 讲 → 第 6 讲**(因为区间估计与假设检验反复用到第 5 讲的标准化与分位数)。
|
||||
|
||||
Reference in New Issue
Block a user