概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图

- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
This commit is contained in:
2026-11-08 20:18:17 +08:00
parent caa1743128
commit e6711c9bb1
6 changed files with 1502 additions and 482 deletions
@@ -1,137 +1,351 @@
---
tags: [数学一, 知识点构建, 背诵版, 概率论, 多维随机变量]
专题: 概率论 第3讲 · 多维随机变量及其分布 · 背诵版
专题: 概率论 · 第3讲 多维随机变量及其分布 · 背诵版
日期: 2026-10-27
状态: 背诵版 v1(考点完整呈现 + 19 题清单,无解答)
来源: 在学练习/概率论-第3讲-多维随机变量及其分布 | 参考仓库 Math/probability-theory-and-mathematical-statistics
关联笔记: ["[[README]]", "[[../在学练习/概率论-第3讲-多维随机变量及其分布/README]]"]
更新: 2026-11-08(v2 重构:分块排版 + 二维正态密度补全 + 真题地图对齐 sqlite + 纯题干题单)
状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 27 题纯题干清单;题单已对齐在学练习七点分册)
来源: 在学练习/概率论-第3讲-多维随机变量及其分布(七点分册 27 题)| 参考仓库 knowledge/{2 多维部分, 3}、exercise/{2, 3}|真题库 kaoyan_math1.db(chapter 17)
关联笔记: ["[[README]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]", "[[18-背诵版-概率论-第4讲-数字特征]]"]
---
# 概率论 第3讲 · 多维随机变量及其分布 · 背诵版
# 概率论 · 第3讲 多维随机变量及其分布 · 背诵版
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
> **题源**:旧版在学练习 `02-试题`(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;**该文件已于 2026-10 重构删除**,本页 19 题作为回忆自测清单保留(重构后的 27 题见第3讲七点分册,编号与题目均不同)。考点出处标注参考仓库 `knowledge/2`(多维章)、`knowledge/3`(二维数字特征)与 `exercise/2`、`exercise/3`。难度与真题锚点一并保留。
> **范围**:参考仓库 `knowledge/2` 的**多维部分** + `knowledge/3` 的二维数字特征(一维部分见 [[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量|第1+2讲]],不重复)。
> **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。
## 0. 本讲骨架(先背这张图)
## 0 骨架(先背这张图)
**一句话主线**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。**
### 0.1 一句话与四条主线
**真题地位**:真题库第 17 章,近十年 **11 题 105 分——概率各章之最**,且**年年一道 11–12 分解答题**,结构高度固定:**二维密度/分布 → 求某个函数的分布 → 顺带求协方差 / 判断独立性**。
**一句话**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。**
**六节地图**:§1 n 维随机变量与联合分布函数 → §2 二维离散型 → §3 二维连续型 → §4 独立性 → §5 多维随机变量函数的分布(**核心,含雅可比**)→ §6 与数字特征的耦合。参考仓库:`probability-theory-and-mathematical-statistics/knowledge/{2,3}`。
**依赖链**:联合分布函数 → 二维离散/连续 → 边缘与条件 → 独立性 → 函数分布(分布函数法 / 雅可比 / 卷积)→ 数字特征耦合。
**核心方法三条总路线(函数分布的选择依据)**
**四条主线**(本讲所有题都落在这四条上):
| 主线 | 动作 | 触发信号 |
|---|---|---|
| ① 降维 | 边缘:对另一变量求和/积分 | "求 $f_X$""求边缘分布" |
| ② 升级 | 函数分布:分布函数法、雅可比、卷积 | "求 $Z=g(X,Y)$ 的分布" |
| ③ 判独立 | 比 $f$ 与 $f_Xf_Y$(或看区域形状) | "是否独立" |
| ④ 算数字特征 | $E(g)$、$\operatorname{Cov}$、$D(aX\pm bY)$ | "求相关系数""求方差" |
### 0.2 十年真题地图(sqlite:多维随机变量章,2016–2025)
| 年份·题号 | 考点 | 分值 | 本章归属 |
|---|---|---|---|
| 2025·8 | 二维正态线性组合的方差最值 | 5 | §3.4 二维正态 |
| 2024·9 | 条件分布 + 协方差 | 5 | §3.3 条件分布 |
| 2022·10 | 条件正态分布 → 相关系数 | 5 | §3.3 + §6 |
| 2021·22 | 随机变量函数的分布与期望(分线段) | 12 | §5 函数分布 |
| 2020·22 | 混合型:$Y=X_3X_1+(1-X_3)X_2$ | 11 | §5.6 混合型 |
| 2019·22 | $Z=XY$ 的密度 + 不相关 + 独立性 | 11 | §5 + §6 |
| 2019·8 | 正态差的分布(与 $\mu$ 无关) | 4 | §5.2 差的分布 |
| 2018·22 | $\operatorname{Cov}(X,Z)$ + $Z=XY$ 的分布 | 11 | §5 + §6 |
| 2017·22 | $Z=X+Y$(一离散一连续)的密度 | 11 | §5.1 + §5.5 |
| 2016·22 | 二维均匀 + 离散化 + 独立性与函数分布 | 11 | §3.4 + §4 + §5 |
> **命题规律**:**年年一道 11–12 分解答题**,结构高度固定:**给二维密度 ⟹ 求某个函数的分布 ⟹ 顺带问协方差或独立性**。选填则偏爱**条件分布 + 协方差/相关系数**(2024·9、2022·10)与**二维正态**(2025·8、2019·8)。近十年 10 题 86 分,是概率各章里分值最重的一章。
### 0.3 考点树(与在学练习七点分册一一对应)
| 节 | 考点 | 在学练习 | 题数 |
|---|---|---|---|
| §1 | 联合分布函数与四性质、边缘分布函数 | 点 1 | 4 |
| §2 | 二维离散:联合/边缘/条件分布律、多项分布 | 点 2 | 3 |
| §3 | 二维连续:密度、边缘、条件、二维均匀、二维正态 | 点 3 | 5 |
| §4 | 独立性三等价、独立与不相关 | 点 4 | 4 |
| §5.1–5.3 | 函数分布两条路:分布函数法、雅可比 | 点 5 | 4 |
| §5.4–5.5 | 四则运算与最值:卷积、和差积商、max/min | 点 6 | 4 |
| §5.6 | 混合型与全概率 | 点 7 | 3 |
| §6 | 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关 | 点 3/6 共用 | — |
## 1 联合分布与边缘分布(点 1)
### 1.1 定义
$X,Y$ 定义在**同一样本空间** $\Omega$ 上,则 $(X,Y)$ 为二维随机变量。**联合分布函数**
$$F(x,y)=P\{X\le x,\ Y\le y\}.$$
几何意义:以 $(x,y)$ 为**右上角**、向左下无限张开的无界矩形 $(-\infty,x]\times(-\infty,y]$ 上的概率。
### 1.2 四条性质(比一维多一条)
① **对每个变量单调不减**;② **对每个变量右连续**;③ **有界**:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;④ **二维特有:矩形增量非负**
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
> **为什么 ④ 不能省**:存在满足 ①②③ 但矩形增量为负的二元函数。考"能否作联合分布函数"时,前三条只是必要条件。
### 1.3 边缘分布函数
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
**口诀(参考仓库)**:**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。**
## 2 二维离散型(点 2)
### 2.1 联合分布律
$p_{ij}=P\{X=x_i,\ Y=y_j\}$,充要条件 $p_{ij}\ge0$ 且 $\sum_i\sum_jp_{ij}=1$。列表是一个**二维表**:
| $X\backslash Y$ | $y_1$ | $y_2$ | $\cdots$ | $p_{i\cdot}$ |
|---|---|---|---|---|
| $x_1$ | $p_{11}$ | $p_{12}$ | $\cdots$ | $p_{1\cdot}$ |
| $x_2$ | $p_{21}$ | $p_{22}$ | $\cdots$ | $p_{2\cdot}$ |
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
### 2.2 边缘与条件
- **边缘**(行和、列和):$p_{i\cdot}=\sum_jp_{ij}=P\{X=x_i\}$,$p_{\cdot j}=\sum_ip_{ij}=P\{Y=y_j\}$;
- **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$);
- **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。
### 2.3 多项分布(真题接口 2016·8)
$n$ 次独立试验,每次落入 $r$ 个互斥类别的概率为 $p_1,\dots,p_r$,记 $X_i$ 为落入第 $i$ 类的次数,则
$$P\{X_1=k_1,\dots,X_r=k_r\}=\frac{n!}{k_1!\cdots k_r!}p_1^{k_1}\cdots p_r^{k_r},\qquad \operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j).$$
> **负协方差的理解**:各类次数此消彼长(总数固定),故必负相关。由此可直接读相关系数 $\rho=\frac{-np_ip_j}{\sqrt{np_i(1-p_i)}\sqrt{np_j(1-p_j)}}$。
## 3 二维连续型与两类分布(点 3)
### 3.1 联合概率密度
存在 $f\ge0$ 使 $F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du$。充要条件
$$f(x,y)\ge0,\qquad \iint_{\mathbb R^2}f(x,y)\,\mathrm dx\,\mathrm dy=1 .$$
**三条推论**:① 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$;② 区域概率 $P\{(X,Y)\in G\}=\iint_Gf$(**画图定限是全部功夫**);③ 在 $f$ 的连续点与边界上改有限个点的值不影响分布。
### 3.2 边缘密度
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx .$$
> ⚠️ **联合决定边缘,边缘不决定联合**。反例:同一对边缘可以配出无数种联合。
### 3.3 条件概率密度
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\quad(f_X(x)>0),$$
乘法公式 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=f_Y(y)f_{X\mid Y}(x\mid y)$。
**求条件密度的标准动作**:① 先求 $f_X(x)$(**这一步最容易忘**);② 把 $f(x,y)$ 中的 $x$ 当常数,除以 $f_X(x)$;③ **写清 $y$ 的条件范围**(依赖 $x$,别写成全局范围)。
**条件分布函数**:$F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\int_{-\infty}^{y}f_{Y\mid X}(v\mid x)\,\mathrm dv$。
### 3.4 两种常用的二维分布
**二维均匀分布**:$(X,Y)$ 在区域 $D$(面积 $S_D$)上均匀,
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D,\\[4pt]0,&\text{其他}.\end{cases}$$
概率 = 面积占比:$P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D}$(几何概型的升维)。
**二维正态分布** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$:
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.$$
**五条必背性质**:
| # | 性质 |
|---|---|
| ① | 边缘仍是正态:$X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$(**与 $\rho$ 无关**) |
| ② | $\rho$ 就是相关系数:$\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ |
| ③ | 任意线性组合 $aX+bY$(不全为 0)仍服从正态 |
| ④ | 条件分布仍是正态,$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$,$D(Y\mid X=x)=\sigma_2^2(1-\rho^2)$ |
| ⑤ | **不相关 $\iff$ 独立**(二维正态的专属特权,一般情形不成立) |
**识别技巧**:若 $F(x,y)=\varPhi(\cdot)\varPhi(\cdot)$(两个一维分布函数之积),立刻能读出两变量独立且各自正态——2025·8 的 $D(aX+bY)=a^2+b^2+2ab\rho=1+2ab\rho$($a^2+b^2=1$),在 $ab=\frac12|\sin2\theta|$ 型处取到最大值 $1+|\rho|$。
## 4 独立性(点 4)
### 4.1 三等价定义
$$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}.$$
(离散用第三式,连续用第二式,$F$ 式通用。)
### 4.2 性质
- 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立(任意可测函数);
- 独立 ⟹ 任意子组独立;
- 独立 ⟹ $E(XY)=EX\cdot EY$,$\operatorname{Cov}(X,Y)=0$,$D(aX\pm bY)=a^2DX+b^2DY$;
- **独立同分布可加**:$B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$;$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$。
### 4.3 判断独立的三步
① 求两个边缘;② 看**取值区域是否矩形**(且 $x,y$ 的范围互不牵连);③ 比 $f$ 与 $f_Xf_Y$。
> **一眼判不独立的形状**:圆域、三角域($0<y<x$)、$x^2+y^2\le1$、$0<y<\sqrt x$——**非矩形区域一定不独立**(因为 $Y$ 的取值范围依赖 $X$)。
### 4.4 独立 vs 不相关
| 命题 | 是否成立 | 说明 |
|---|---|---|
| 独立 ⟹ 不相关 | ✓ | $\operatorname{Cov}=E(XY)-EXEY=0$ |
| 不相关 ⟹ 独立 | ✗(一般) | 反例 $X\sim U(-1,1)$,$Y=X^2$:$\operatorname{Cov}=0$ 但不独立 |
| 不相关 ⟺ 独立 | ✓(仅二维正态) | 性质 ⑤ |
**经典反例**:$X\sim U(-1,1)$、$Y=X^2$——$E(XY)=E(X^3)=0$、$EX=0$,故 $\operatorname{Cov}=0$;但 $P\{Y\le\frac14\mid X>\frac12\}=0\ne P\{Y\le\frac14\}$。
## 5 函数分布:两条路与四则运算(点 5–7)★
### 5.1 三条路线怎么选(点 5)
| 路线 | 何时用 | 关键 |
|---|---|---|
| ① 分布函数法(定义法) | 给联合密度、求**单个**函数分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 |
| ② 雅可比变换法 | 求**多个新变量**的联合密度 / 显式变换 | 反解 + $f_{UV}=f\cdot|J|$ |
| ③ 卷积公式 | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二维密度降成一重积分 |
| **分布函数法**(定义法) | 给联合密度、求**单个**函数 $Z=g(X,Y)$ 的分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm dx\,\mathrm dy$,再求导 |
| **雅可比变换** | 求**多个新变量**的联合密度,或变换可显式反解 | $f_{UV}=f(x(u,v),y(u,v))\cdot\vert J\vert$ |
| **卷积公式** | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二重积分降成一重 |
> **选择口诀**:**单个函数 → 定义法;多变量/显式变换 → 雅可比;独立且求和差 → 卷积分。**
**选择口诀**:**单个函数 → 定义法;多变量/显式反解 → 雅可比;独立且求和差 → 卷积。**
**考点树(按手册章节)**
### 5.2 分布函数法(点 5)
| 节 | 考点(对应题目) |
|---|---|
| §1 二维随机变量 | 联合分布函数与四性质(A2 起手) |
| §2 二维离散型 | 分布律/边缘/条件/区域概率(题1)· 多项分布 $\operatorname{Cov}(X_i,X_j)=-np_ip_j$ |
| §3 二维连续型 | 密度/边缘/条件/二维均匀/二维正态(题2–4、8、13、16) |
| §4 独立性 | 三等价定义、独立 vs 不相关(题6、11) |
| §5 函数分布 ★ | 分布函数法、雅可比、卷积、和/差/积/商/最值、混合型、混合正态(题5、7、9、10、12、15、17、18、19) |
| §6 数字特征耦合 | 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关(题13、14、16、18) |
① 写 $F_Z(z)=P\{g(X,Y)\le z\}$;② 在 $xy$ 平面上画出区域 $\{(x,y):g(x,y)\le z\}$;③ 按 $z$ 的取值**分段**积分;④ 对 $z$ 求导得 $f_Z(z)$。
## 1. §1 二维随机变量与联合分布函数
> **分段点是关键**:区域边界与 $D$ 的交点随 $z$ 变化,分段的临界值就是"边界扫过 $D$ 的顶点"的 $z$。
设 $X,Y$ 定义在**同一样本空间**,$(X,Y)$ 为二维随机变量。联合分布函数 $F(x,y)=P\{X\le x,\ Y\le y\}$,几何意义:以 $(x,y)$ 为**右上角**、向 $-\infty$ 张开的**无界左下矩形**的概率。**四条性质**(比一维多一条):① 对 $x$、对 $y$ 各自**单调不减**;② **右连续**;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」——光看前三条不够,矩形增量可能为负。边缘分布:$F_X(x)=F(x,+\infty)$、$F_Y(y)=F(+\infty,y)$。口诀(仓库):**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。**
### 5.3 雅可比行列式变换(点 5)
## 2. §2 二维离散型随机变量
设 $u=u(x,y),v=v(x,y)$ 有唯一逆变换、连续偏导、$J\ne0$,则
联合分布律 $p_{ij}=P\{X=x_i,\ Y=y_j\}$,充要条件 $p_{ij}\ge0$ 且 $\sum_i\sum_jp_{ij}=1$。**表格记忆**:边缘 = 行和 $p_{i\cdot}=\sum_jp_{ij}$、列和 $p_{\cdot j}=\sum_ip_{ij}$;条件 $P\{X=x_i\mid Y=y_j\}=\frac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$);区域概率 $P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。**多项分布**(🟨2016·8):$n$ 次独立试验,$\operatorname{Cov}(X_i,X_j)=-np_ip_j$($i\ne j$)。
$$f_{UV}(u,v)=f_{XY}\big(x(u,v),y(u,v)\big)\cdot|J|,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .$$
## 3. §3 二维连续型随机变量
**注意**:$J$ 是**反解**(用 $u,v$ 表示 $x,y$)的行列式;写成 $\frac{\partial(u,v)}{\partial(x,y)}$ 要取倒数。
$F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv$,充要条件 $f\ge0$、$\iint_{\mathbb R^2}f=1$(改有限个点仍是密度)。区域概率 $P\{(X,Y)\in G\}=\iint_Gf\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);连续点处 $\frac{\partial^2F}{\partial x\partial y}=f(x,y)$。边缘密度 $f_X(x)=\int f(x,y)\,\mathrm dy$、$f_Y(y)=\int f(x,y)\,\mathrm dx$。⚠️ **联合决定边缘,边缘不决定联合**:矩形域 + 密度可分离 ⟹ 一眼独立;非矩形域 ⟹ 一眼不独立。条件密度 $f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}$;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**。二维均匀:$f=\frac1{S_D}$($(x,y)\in D$),概率 = 面积占比(几何概型升维)。
**求单个 $Z=g(X,Y)$ 的增补变量三步**:① 增补 $V=X$(或 $Y$)凑成一一变换;② 求 $f_{UV}=f\cdot|J|$;③ 对辅助变量积分得 $f_Z$。
**二维正态** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$($-1<\rho<1$),密度公式见手册。**五条必背性质**:① 边缘 $X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$;② $\rho=\frac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;③ **任意线性组合 $aX+bY$ 仍正态**;④ 条件分布仍是正态 $E(Y\mid X=x)=\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)$;⑤ **不相关 $\iff$ 独立(二维正态专属特权)**。识别技巧:看到「两个一维分布函数之积」$F(x,y)=\Phi(\cdot)\Phi(\cdot)$,先标准化立刻读出参数。
**三条常用变换(把 $|J|$ 记熟)**:
## 4. §4 随机变量的相互独立性
**三等价**:$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}$。性质:独立 ⟹ $f(X)$ 与 $g(Y)$ 独立、任意子组独立、$E(XY)=EX\cdot EY$、$D(aX\pm bY)=a^2DX+b^2DY$;独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$、$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$、正态和正态。**判断三步**:① 求边缘;② 看取值区域是否矩形(**非矩形基本可判不独立**——圆形域、三角形域、$0<y<x$ 型一律不独立);③ 验乘积。**独立 vs 不相关**:独立 ⟹ 不相关($\operatorname{Cov}=0$);不相关 ⇏ 独立(一般情形);**唯一例外:二维正态**。经典反例:$X\sim U(-1,1)$,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**。
## 5. §5 多维随机变量函数的分布 ★核心
### 5.1 分布函数法(通法,必掌握)
$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):g(x,y)\le z\}}f\,\mathrm dx\,\mathrm dy$,$f_Z(z)=F_Z'(z)$。**四步**:① 写 $F_Z(z)$;② 画图定区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。优点:万无一失;缺点:分段讨论繁。
### 5.2 雅可比行列式变换法
变换 $u=u(x,y),v=v(x,y)$ 满足① 唯一逆变换、② 连续偏导、③ $J\ne0$,则 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\cdot|J|$,其中 $J=\frac{\partial(x,y)}{\partial(u,v)}$(**反解的行列式**,别写成 $\frac{\partial(u,v)}{\partial(x,y)}$——互为倒数);区域 $D'$ 是 $D$ 的像。**求单个函数 $Z=g(X,Y)$:增补变量三步**——① 增补 $V=X$(或 $Y$)凑成一一变换;② 求 $f_{UV}=f\cdot|J|$;③ 对辅助变量积分得边缘。**三条常用变换(记熟 $J$)**:
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
| 目标 | 增补 | 反解 | $\vert J\vert$ | 密度 |
|---|---|---|---|---|
| 和 $Z=X+Y$ | $V=X$ | $x=v,\ y=z-v$ | $1$ | $\int f(v,z-v)\,\mathrm dv$ |
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\frac1{\lvert v\rvert}$ | $\int\frac1{\lvert v\rvert}f(v,\frac zv)\,\mathrm dv$ |
| 商 $Z=\frac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\frac1{\vert v\vert}$ | $\int\frac1{\vert v\vert}f(v,\frac zv)\,\mathrm dv$ |
| 商 $Z=Y/X$ | $V=X$ | $x=v,\ y=zv$ | $\vert v\vert$ | $\int\vert v\vert f(v,zv)\,\mathrm dv$ |
**一一性的坑**:非一一变换(如 $Z=X^2$、$Z=X^2+Y^2$)要**按分支求和** $\sum f(x_k(z))|\frac{\mathrm dx_k}{\mathrm dz}|$,否则改用分布函数法。一维版本(前置):$Y=g(X)$ 单调可导且 $g'\ne0$ 时 $f_Y(y)=f_X(x(y))\cdot|\frac{\mathrm dx}{\mathrm dy}|$。**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=r$;「到原点距离」的函数一律先转极坐标。
**一一性的坑**:$Z=X^2$、$Z=X^2+Y^2$ 这类非一一映射,要么**按分支求和** $\sum_kf(x_k)|x_k'(z)|$,要么改用分布函数法。
### 5.3–5.6 和 / 差 / 积 / 商
**极坐标**(圆域专用):$x=r\cos\theta$,$y=r\sin\theta$,$|J|=r$;"到原点距离"的函数一律先转极坐标。
- 和:$f_Z(z)=\int f(x,z-x)\,\mathrm dx$(独立时 $=\int f_X(x)f_Y(z-x)\,\mathrm dx$)。标准结论:**两个 $U(0,1)$ 之和 → 辛普森(三角形)分布** $f_Z(z)=z\ (0<z<1)$、$2-z\ (1\le z<2)$;独立正态和 $\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
- 差:$f_Z(z)=\int f(x,x-z)\,\mathrm dx$;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)。
- 积:$f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx)\,\mathrm dx$。
- 商:$f_Z(z)=\int\lvert x\rvert f(x,zx)\,\mathrm dx$。
### 5.4 和、差、积、商(点 6)
### 5.7 最值分布
| 运算 | 密度公式 | 独立时的简化 |
|---|---|---|
| 和 $Z=X+Y$ | $f_Z(z)=\int f(x,z-x)\,\mathrm dx$ | $f_Z=\int f_X(x)f_Y(z-x)\,\mathrm dx$(**卷积**) |
| 差 $Z=X-Y$ | $f_Z(z)=\int f(x,x-z)\,\mathrm dx$ | $f_Z=\int f_X(x)f_Y(x-z)\,\mathrm dx$ |
| 积 $Z=XY$ | $f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx)\,\mathrm dx$ | 代入 $f_Xf_Y$ |
| 商 $Z=Y/X$ | $f_Z(z)=\int\lvert x\rvert f(x,zx)\,\mathrm dx$ | 代入 $f_Xf_Y$ |
$F_{\max}(z)=F_X(z)F_Y(z)$、$F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)]$。独立同分布时 $f_{\max}(z)=2F(z)f(z)$、$f_{\min}(z)=2[1-F(z)]f(z)$。
**三个必背结论**:
### 5.8 混合型(一个离散、一个连续)——全概率
- 两个 $U(0,1)$ 之和 $\sim$ **辛普森(三角)分布**:$f_Z(z)=z\ (0<z<1)$、$2-z\ (1\le z<2)$;
- 正态可加:$X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$;$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$;
- **同方差正态之差** $X-Y\sim N(0,2\sigma^2)$,**与 $\mu$ 无关**(2019·8 就考这个:$P\{|X-Y|<1\}=2\varPhi(1/\sqrt2\sigma)-1$,只与 $\sigma^2$ 有关)。
$X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:$F_Z(z)=\sum_ip_iP\{g(x_i,Y)\le z\}$——把离散变量取值当**权重**,加权叠加。例:$P\{X=0\}=P\{X=1\}=\frac12$、$Y\sim U(0,1)$、$Z=X+Y$ ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$。
### 5.5 最值分布(点 6)
### 5.9 混合正态
$$F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)] .$$
形如 $Y=X_3X_1+(1-X_3)X_2$($X_3$ 取 0/1):用**全概率 + $\Phi$ 的乘法** $F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ \text{对应}Y\le y\}$,结论常是「证明 $Y$ 仍服从标准正态」。
独立同分布时 $f_{\max}(z)=2F(z)f(z)$、$f_{\min}(z)=2[1-F(z)]f(z)$。
## 6. §6 与数字特征的耦合(配件)
### 5.6 混合型与全概率(点 7)
- $E(g(X,Y))=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g f\,\mathrm dx\,\mathrm dy$(**不必先求分布**);
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$(**分母是标准差之积**);
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$(**正态线性组合别漏 $\rho$ 交叉项**);
- **条件分布求相关**: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 $1+|\rho|$;
- 切比雪夫:$P\{|Z-EZ|\ge\varepsilon\}\le\frac{DZ}{\varepsilon^2}$(完整见第 5 讲)。
$X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续,求 $Z=X+Y$:
## 7. 题目清单(19 题)
$$F_Z(z)=\sum_ip_i\,P\{x_i+Y\le z\}=\sum_ip_iF_Y(z-x_i).$$
### A 组 · 基础(★☆☆)
- **题 1 · 离散型·联合→边缘→独立性(A)**:$(X,Y)$ 分布律表($X=1,2$;$Y=0,1,2$,六格概率)。(Ⅰ)求 $X,Y$ 边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
- **题 2 · 二维均匀分布(A)**:$(X,Y)$ 在 $D=\{(x,y)\mid0\le x\le1,\ 0\le y\le x\}$ 上均匀。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
- **题 3 · 边缘密度 + 独立性(A)**:$f(x,y)=cxy$($0<x<1,\ 0<y<2$)。(Ⅰ)求 $c$;(Ⅱ)求 $f_X,f_Y$;(Ⅲ)判断独立。
- **题 4 · 条件概率密度(A)**:$f(x,y)=3x$($0<y<x<1$)。(Ⅰ)求 $f_X(x)$;(Ⅱ)求 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P\{Y<\frac12\mid X=\frac34\}$。
- **题 5 · 卷积·和的分布(A)**:$X,Y\sim U(0,1)$ 独立,$Z=X+Y$,求 $f_Z(z)$(辛普森分布)。
- **题 6 · 概念辨析·独立与不相关(A)**:判断(A)都正态且 $\operatorname{Cov}=0$ 则独立(错);(B)$(X,Y)$ 二维正态则不相关 ⟺ 独立(**对**);(C)$\operatorname{Cov}=0$ 则独立(错);(D)独立则 $\operatorname{Cov}$ 可以为 0(错——独立必为 0)。正确项为 B。
即**把离散变量的取值当权重,把连续部分的分布函数平移后加权叠加**。
### B 组 · 中等(★★☆)
- **题 7 · 商分布(B)**:$X,Y\sim U(0,1)$ 独立,$Z=Y/X$,求 $f_Z(z)$ 及 $P\{Z>1\}$。
- **题 8 · 连续型独立性(B)**:$(X,Y)$ 在单位圆 $x^2+y^2\le1$ 上均匀。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断独立(非矩形域 → 不独立)。
- **题 9 · 积分布(B)**:$X\sim U(0,1)$、$Y\sim U(0,2)$ 独立,$Z=XY$,求 $f_Z(z)$。
- **题 10 · 混合型·和(B)**:$P\{X=0\}=P\{X=1\}=\frac12$,$Y\sim U(0,1)$ 独立,$Z=X+Y$,求 $F_Z(z)$ 与 $f_Z(z)$(全概率 $\frac12F_Y(z)+\frac12F_Y(z-1)$)。
- **题 11 · 不相关但不独立(B)**:$X\sim U(-1,1)$,$Y=X^2$,求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$,并判断是否独立($\operatorname{Cov}=0$ 但 $Y$ 是 $X$ 的偶函数 → 不独立)。
- **题 12 · 最值分布(B)**:$X,Y$ 独立同参数 $\lambda$ 指数分布,$Z=\max(X,Y)$,求分布函数与密度。
- **题 13 · 二维正态综合(B)**:$(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
- **题 14 · 取点分段·几何概型(B)**:$(0,1)$ 上随机取一点,较短段长度 $X$,求 $X$ 的密度。
**标准例**:$P\{X=0\}=P\{X=1\}=\frac12$、$Y\sim U(0,1)$ 独立 ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$,求导得 $f_Z$。
### C 组 · 拔高(★★★)
- **题 15 · 二维均匀+离散化+分布函数法(C)**【真题骨架 2016·22】:$(X,Y)$ 在三角形 $0<y<x<1$ 上均匀,$U=1$ 当 $Y\le\frac X2$ 否则 $0$。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 $P\{U=1,\ X\le x\}$ 并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的 $F_Z$ 与 $f_Z$。
- **题 16 · 条件均匀分布→相关系数(C)**【真题骨架 2022·10/2024·9】:$X\sim U(0,1)$,$X=x$ 条件下 $Y\sim U(0,x)$,求 $\rho_{XY}$(先 $f=f_Xf_{Y\mid X}$ 再算 $EX,EY,E(XY)$)。
- **题 17 · 混合正态(C)**【真题骨架 2020·22】:$X_1,X_2\sim N(0,1)$ 独立,$P\{X_3=1\}=P\{X_3=-1\}=\frac12$,$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2$。(Ⅰ)求 $(X_1,Y)$ 的分布函数(用 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
- **题 18 · 圆形区域密度+函数分布(C)**【真题骨架 2023·22】:$f(x,y)=c\sqrt{x^2+y^2}$($x^2+y^2\le1$)。(Ⅰ)求 $c$(极坐标);(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断独立(非矩形 → 不独立);(Ⅳ)求 $Z=X^2+Y^2$ 的密度(**反解多值,走分布函数法**)。
- **题 19 · 雅可比行列式变换法(C)**【视频推荐】:$f(x,y)=e^{-(x+y)}$($x>0,y>0$),$U=X+Y$、$V=\frac{X}{X+Y}$。(Ⅰ)用雅可比法求 $f_{UV}(u,v)$;(Ⅱ)判断 $U,V$ 是否独立并写各自分布(应得 $U\sim\Gamma$ 型、$V\sim U(0,1)$ 且独立)。
**混合正态**(2020·22 型):$Y=X_3X_1+(1-X_3)X_2$,$X_3$ 取 $0/1$。用全概率按 $X_3$ 拆:
$$F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ Y\le y\mid X_3=k\},$$
结论往往是"证明 $Y$ 仍服从标准正态"。
## 6 与数字特征的耦合(点 3 / 点 6 共用)
| 量 | 公式 | 备注 |
| ------ | --------------------------------------------------------------------- | ------------ |
| 二维期望 | $E[g(X,Y)]=\sum\sum g\,p_{ij}$ 或 $\iint g\,f\,\mathrm dx\,\mathrm dy$ | **不必先求分布** |
| 协方差 | $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$ | 第二式最常用 |
| 相关系数 | $\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}$ | 分母是**标准差**之积 |
| 线性组合方差 | $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ | 不独立必留交叉项 |
| 条件期望 | $E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy$ | 求相关时的桥梁 |
| | | |
**条件分布求相关的标准流程**:① $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$;② 算 $EX$、$EY$($EY=\int E(Y\mid X=x)f_X\,\mathrm dx$);③ 算 $E(XY)$;④ 代 $\rho$ 公式。
## B 题型考点(怎么想到、为什么、坑在哪)
- **B1 拿到二维表的固定动作**:先补边缘(行和/列和),再验 $\sum p_{ij}=1$,再判独立($p_{ij}=p_{i\cdot}p_{\cdot j}$ 逐格比)。**坑**:只比一格就下结论。
- **B2 画图定限是二重积分的全部**:先把 $D$ 画出来,再把 $g(x,y)\le z$ 与 $D$ 求交,最后决定"先 $x$ 后 $y$"还是反过来。**坑**:不画图直接写限,几乎必错。
- **B3 非矩形域一眼不独立**:圆、三角、$0<y<x$、$y>\sqrt x$ 型,$Y$ 的范围依赖 $X$,乘积必然拆不开。**用途**:先判不独立,可省掉一整段积分。
- **B4 函数分布三路线选择**:单个函数 ⟹ 定义法(万能但分段繁);两个新变量 ⟹ 雅可比;独立求和差 ⟹ 卷积。**选择错会多做一倍计算**。
- **B5 雅可比的增补技巧**:求 $Z=g(X,Y)$ 时补 $V=X$ 凑成一一变换,再对 $v$ 积分。**坑**:$J$ 用了正变换而非逆变换(差一个倒数),或忘了绝对值。
- **B6 卷积的适用边界**:卷积要求**独立**;不独立必须回到 $\int f(x,z-x)\mathrm dx$。**坑**:$U(0,1)+U(0,1)$ 的区间是 $(0,2)$,分段点 $z=1$ 不能漏。
- **B7 最值分布**:$F_{\max}=\prod F$、$F_{\min}=1-\prod(1-F)$;独立同分布才化成 $[F]^n$、$1-[1-F]^n$。**坑**:把 $F_{\max}$ 写成 $[F]^n$ 却忘了独立性前提。
- **B8 混合型走全概率**:一离散一连续时,把离散的每个取值作为一层,加权叠加平移后的 $F_Y$。**坑**:忘了权重之和为 1,或分段时漏掉某个取值。
- **B9 二维正态的五性质直接调用**:边缘正态、$\rho$ 即相关系数、线性组合正态、条件期望线性、不相关⟺独立。**看到"二维正态"四个字,先写这五条**。
- **B10 条件分布求相关的两条路**:① 先联合密度再硬算三阶矩;② 用 $E(Y\mid X=x)$ 的线性式直接读 $\rho$(二维正态专用)。**2022·10、2024·9 都是第 ① 条**。
## 7 题目清单(27 题,纯题干,按在学练习七点分册)
> 编号沿用「在学练习」第3讲七点分册:`02`–`08` 对应点 1–7,每点内独立编号(题 \(k\)),第二个数字是知识点号。**只列题干,不给答案**。
### 点 1 联合分布与边缘分布(题 1–4)
- **题 1 · 1.1:联合分布函数的四条性质(★☆☆)**:判断下列说法是否正确,错的举反例:(Ⅰ)若 $F(x,y)$ 对 $x$ 、对 $y$ 都单调不减,且 $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ,则 $F$ 必是某二维随机变量的分布函数;(Ⅱ)若 $(X,Y)$ 的联合分布函数为 $F$ ,则 $X$ 的分布函数为 $F(x,+\infty)$ ;(Ⅲ)若 $f(x,y)=g(x)h(y)$ 在矩形 $I\times J$ 上成立,则 $X$ 与 $Y$ 相互独立;(Ⅳ)若 $(X,Y)$ 服从二维正态分布,则 $X$ 与 $Y$ 独立当且仅当 $\rho=0$ 。
- **题 2 · 1.1:由分布函数算矩形概率(★★☆)**:设 $(X,Y)$ 的联合分布函数为$F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)求 $A$ ;(Ⅱ)求边缘分布函数 $F_X(x)$ ,并说明 $X$ 服从什么分布;(Ⅲ)求 $P\{1<X\le2,\ Y>1\}$ 。
- **题 3 · 1.2:由联合密度求边缘与区域概率(★★☆)**:设 $(X,Y)$ 在区域 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度 $f_X(x)$ 、$f_Y(y)$ ;(Ⅲ)求 $P\{X+Y<1\}$ 。
- **题 4 · 1.3:条件密度是一族密度(★★☆)**:设 $(X,Y)$ 的联合密度为$f(x,y)=\begin{cases}\mathrm e^{-y},&0<x<y\\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)验证它是密度,并求 $f_X(x)$ ;(Ⅱ)求 $f_{Y\mid X}(y\mid x)$ ,并指出它服从什么分布;(Ⅲ)说明"条件密度是一族密度"在这里具体指什么。
### 点 2 二维离散型随机变量(题 1–3)
- **题 1 · 2.1:不放回抽样的联合分布律(★☆☆)**:袋中有编号 $1,2,3$ 的三个球,从中**不放回**地依次取两个。令 $X$ 为第一次取到的号码,$Y$ 为第二次取到的号码。(Ⅰ)写出 $(X,Y)$ 的联合分布律表;(Ⅱ)求边缘分布律,并判断 $X$ 与 $Y$ 是否独立;(Ⅲ)求 $P\{X+Y=4\}$ 。
- **题 2 · 2.2:由独立性反解未知概率(★★☆)**:设二维离散型随机变量 $(X,Y)$ 的联合分布律为:$P\{X=0,Y=1\}=0.12$,$P\{X=0,Y=2\}=a$,$P\{X=0,Y=3\}=0.18$;$P\{X=1,Y=1\}=b$,$P\{X=1,Y=2\}=0.20$,$P\{X=1,Y=3\}=c$。已知 $X$ 与 $Y$ 相互独立。(Ⅰ)求 $a,b,c$ ;(Ⅱ)求条件分布律 $P\{Y=j\mid X=0\}$ ;(Ⅲ)求 $P\{X=1\mid Y\ne2\}$ 。
- **题 3 · 2.3:泊松分解与条件二项(★★☆)**:设 $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 且相互独立,其中 $\lambda_1=2$ 、$\lambda_2=1$ 。(Ⅰ)求 $X+Y$ 的分布;(Ⅱ)在已知 $X+Y=3$ 的条件下,求 $X$ 的分布律;(Ⅲ)求 $P\{X=1\mid X+Y=3\}$ 与 $E(X\mid X+Y=3)$ 。
### 点 3 二维连续型与两类特殊分布(题 1–5)
- **题 1 · 3.1:归一化与区域概率(★☆☆)**:设 $(X,Y)$ 的联合密度为$f(x,y)=\begin{cases}A(x+y),&0<x<1,\ 0<y<1\\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)求 $A$ ;(Ⅱ)求 $P\{X+Y<1\}$ ;(Ⅲ)求 $P\{X=Y\}$ 。
- **题 2 · 3.2:圆域均匀的边缘与矩形判据(★★☆)**:设 $(X,Y)$ 在四分之一圆盘 $D=\{(x,y):x^2+y^2\le1,\ x\ge0,\ y\ge0\}$ 上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度 $f_X(x)$ ,并说明它的形状为什么不是常数;(Ⅲ)求 $P\{X<Y\}$ 与 $P\left\{X^2+Y^2\le\frac14\right\}$ ;(Ⅳ)判断 $X$ 与 $Y$ 是否独立。
- **题 3 · 3.3:条件密度与"族"的含义(★★☆)**:设 $(X,Y)$ 在 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布(即联合密度为 $2$ )。(Ⅰ)求 $f_{Y\mid X}(y\mid x)$ 与 $f_{X\mid Y}(x\mid y)$ ;(Ⅱ)说明两者的支撑分别是什么,并解释"条件密度是一族密度";(Ⅲ)求 $P\left\{Y<\frac12\ \big|\ X=\frac34\right\}$ 。
- **题 4 · 3.5:二维正态的六条结论(★★☆)**:设 $(X,Y)\sim N(0,0;1,4;\rho)$ ,其中 $\rho=\frac12$ 。(Ⅰ)写出 $X$ 、$Y$ 的边缘分布;(Ⅱ)求 $X+Y$ 的分布与 $P\{X+Y>0\}$ ;(Ⅲ)求条件分布 $Y\mid X=x$ ;(Ⅳ)判断 $X+Y$ 与 $X-Y$ 是否独立,并说明与"$\sigma_1=\sigma_2$ "的关系。
- **题 5 · 3.4:矩形支撑才独立(★☆☆)**:设 $(X,Y)$ 在矩形 $D=\{(x,y):0<x<2,\ 0<y<1\}$ 上服从均匀分布。(Ⅰ)写出联合密度与两个边缘密度,并判断独立性;(Ⅱ)用面积比求 $P\left\{X<1,\ Y<\frac12\right\}$ ;(Ⅲ)若把 $D$ 换成三角形 $T=\{0<y<x<2\}$ (仍均匀),判断独立性是否改变。
### 点 4 随机变量的独立性(题 1–4)
- **题 1 · 4.1:三种说法的一致性(★☆☆)**:判断下列说法是否正确:(Ⅰ)若 $X$ 与 $Y$ 独立,则 $X^2$ 与 $\mathrm e^{Y}$ 独立;(Ⅱ)若 $E(XY)=EX\cdot EY$ ,则 $X$ 与 $Y$ 独立;(Ⅲ)若 $f(x,y)=f_X(x)f_Y(y)$ 在**除一条直线外**处处成立,则 $X$ 与 $Y$ 独立;(Ⅳ)若 $X$ 与 $Y$ 独立且同分布,则 $P\{X<Y\}=\frac12$ (假定 $P\{X=Y\}=0$ )。
- **题 2 · 4.2:可分离却仍不独立(★★☆)**:设 $(X,Y)$ 的联合密度为$f(x,y)=\begin{cases}8xy,&0<y<x<1\\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)验证它是密度;(Ⅱ)求 $f_X(x)$ 、$f_Y(y)$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否独立,并说明"$8xy$ 看起来能分离"为什么不足以判独立;(Ⅳ)求 $P\left\{Y<\frac X2\right\}$ 。
- **题 3 · 4.3:不相关但不独立的反例(★★☆)**:设 $X\sim U(-1,1)$ ,$Y=X^2$ 。(Ⅰ)求 $EX$ 、$EY$ 、$E(XY)$ 与 $\operatorname{Cov}(X,Y)$ ;(Ⅱ)判断 $X$ 与 $Y$ 是否不相关、是否独立;(Ⅲ)举出一个"独立但不相关"以及一个"相关"的例子,说明三者的层次关系。
- **题 4 · 4.4:独立同分布的四条推论(★★☆)**:设 $X$ 与 $Y$ 相互独立,都服从 $E(1)$ ,令 $M=\max\{X,Y\}$ 、$m=\min\{X,Y\}$ 。(Ⅰ)求 $X+Y$ 的密度,并说明它为什么不是 $E(1)$ ;(Ⅱ)求 $f_M(x)$ 与 $EM$ ;(Ⅲ)求 $Em$ ,并验证 $EM+Em=EX+EY$ ;(Ⅳ)说明"可加性"为什么只对"和"成立,对 $\max$ 不成立。
### 点 5 随机变量函数的分布:两条路(题 1–4)
- **题 1 · 5.1:分布函数法求和的分布(★★☆)**:设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,$Z=X+Y$ 。(Ⅰ)用分布函数法求 $F_Z(z)$ 与 $f_Z(z)$ ;(Ⅱ)说明分段点 $z=0,1,2$ 是怎么来的;(Ⅲ)求 $P\left\{Z<\frac12\right\}$ 。
- **题 2 · 5.1:区域型支撑上的函数分布(★★☆)**:设 $(X,Y)$ 在 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布(联合密度为 $2$ ),令 $Z=\dfrac YX$ 。(Ⅰ)求 $Z$ 的取值范围;(Ⅱ)用分布函数法求 $F_Z(z)$ 与 $f_Z(z)$ ;(Ⅲ)求 $E Z$ ,并解释结果为什么"看起来很自然"。
- **题 3 · 5.2:雅可比法与"顺带判独立"(★★★)**:设 $X$ 与 $Y$ 相互独立,都服从参数为 $1$ 的指数分布。令$U=X+Y,\qquad V=\frac{X}{X+Y} .$(Ⅰ)求 $(U,V)$ 的联合密度;(Ⅱ)判断 $U$ 与 $V$ 是否独立,并写出各自的分布;(Ⅲ)由此求 $E\!\left(\dfrac{X}{X+Y}\right)$ 。
- **题 4 · 5.3:四条路的选择(★☆☆)**:下列四题,分别应走哪条路(分布函数法 / 卷积公式 / 雅可比 / 最值公式)?只需说明理由,不必计算。(Ⅰ)$X,Y$ 相互独立,$X\sim E(1)$ 、$Y\sim E(2)$ ,求 $Z=X+Y$ 的密度;(Ⅱ)$X,Y$ 相互独立且都服从 $U(0,1)$ ,求 $Z=X^2+Y^2$ 的密度;(Ⅲ)$X,Y$ 相互独立,求 $U=X+Y$ 与 $W=X-Y$ 的联合密度;(Ⅳ)$X_1,\dots,X_5$ 相互独立且都服从 $E(1)$ ,求 $M=\max X_i$ 的密度。
### 点 6 四则运算与最值(题 1–4)
- **题 1 · 6.1:不同区间上均匀分布之和(★★☆)**:设 $X\sim U(0,1)$ 、$Y\sim U(0,2)$ 且相互独立,$Z=X+Y$ 。(Ⅰ)求 $f_Z(z)$ ;(Ⅱ)求 $P\{Z<1\}$ 与 $P\{Z>2\}$ ;(Ⅲ)说明 $f_Z$ 为什么是"梯形"而不是三角形。
- **题 2 · 6.2:差的绝对值与"先求 F"(★★☆)**:设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,令 $Z=\lvert X-Y\rvert$ 。(Ⅰ)求 $F_Z(z)$ 与 $f_Z(z)$ ;(Ⅱ)求 $E Z$ ;(Ⅲ)若改为求 $W=X-Y$ (不带绝对值),说明它与 $Z$ 的关系。
- **题 3 · 6.3:最值分布与期望(★★☆)**:设 $X_1,\dots,X_5$ 相互独立,都服从 $U(0,1)$ 。令 $M=\max\{X_1,\dots,X_5\}$ 、$m=\min\{X_1,\dots,X_5\}$ 。(Ⅰ)求 $f_M(z)$ 与 $f_m(z)$ ;(Ⅱ)求 $EM$ 、$Em$ ,并验证 $EM+Em=1$ ;(Ⅲ)求 $P\{M>0.9\}$ 。
- **题 4 · 6.4:可加性四张表(★☆☆)**:(Ⅰ)设 $X\sim B(10,0.3)$ 、$Y\sim B(5,0.3)$ 独立,求 $X+Y$ 的分布;(Ⅱ)设 $X\sim P(2)$ 、$Y\sim P(3)$ 独立,求 $P\{X+Y=4\}$ ;(Ⅲ)设 $X\sim N(2,1)$ 、$Y\sim N(0,4)$ 独立,求 $P\{X<Y\}$ ;(Ⅳ)设 $X\sim E(1)$ 、$Y\sim E(2)$ 独立,判断 $X+Y$ 是否服从 $\Gamma$ 分布。
### 点 7 混合型与全概率(题 1–3)
- **题 1 · 7.1:两条指数分布的加权(★★☆)**:设随机变量 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\dfrac12$ 。在 $X=0$ 的条件下 $Y\sim E(1)$ ;在 $X=1$ 的条件下 $Y\sim E(2)$ 。(Ⅰ)求 $f_Y(y)$ ,并验证它是密度;(Ⅱ)求 $P\{Y>1\}$ ;(Ⅲ)求 $P\{X=0\mid Y=2\}$ 。
- **题 2 · 7.1:随机个数叠加的复合模型(★★☆)**:某设备在时间区间 $[0,T]$ 内发生故障的次数 $N\sim P(\lambda)$ ,且各次故障的发生时刻在 $[0,T]$ 上**独立且均匀分布**。记 $T_1$ 为**首次故障时刻**(若一次也没发生,规定 $T_1=+\infty$ )。(Ⅰ)求 $P\{T_1>t\}$ ($0\le t\le T$ );(Ⅱ)求 $T_1$ 在 $(0,T)$ 上的密度,并说明 $P\{T_1=+\infty\}$ 是多少;(Ⅲ)求 $P\{N=0\mid T_1>t\}$ 。
- **题 3 · 7.2:混合正态与总方差(★★★)**:设 $X$ 等可能地取 $1$ 与 $2$ (即 $P\{X=1\}=P\{X=2\}=\frac12$ )。在 $X=k$ 的条件下 $Y\sim N(k,1)$ 。(Ⅰ)写出 $f_Y(y)$ ;(Ⅱ)求 $EY$ 与 $DY$ ;(Ⅲ)说明 $f_Y$ 不是正态密度(不必求导,用取值即可);(Ⅳ)求 $P\{Y<1.5\}$ 。
---
> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]](2026-10 重构后共七点 27 题,即 `02` 至 `08` 七个点文件);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3}` 与 `exercise/{2,3}`。
> **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]],分册 `02`–`08` 对应点 1–7;参考仓库 `knowledge/2-random-variables-and-distribution`(§多维各节)、`knowledge/3-digital-features`、`exercise/2`、`exercise/3`。