Compare commits
35
Commits
b8f464607a
...
main
| Author | SHA1 | Date | |
|---|---|---|---|
|
|
b5f3417729 | ||
|
|
e03b539e19 | ||
|
|
b16e4be3e4 | ||
|
|
8c4b35a709 | ||
|
|
ac31eae36d | ||
|
|
1e07892a19 | ||
|
|
e1fb571338 | ||
|
|
ef51115b22 | ||
|
|
79e568525a | ||
|
|
5b36ef082c | ||
|
|
4c71345b2c | ||
|
|
6404f5810b | ||
|
|
9480e9af36 | ||
|
|
338fe17ded | ||
|
|
54bf763322 | ||
|
|
562b4787d0 | ||
|
|
7919381e14 | ||
|
|
ea9aad4207 | ||
|
|
17c54b75a8 | ||
|
|
d47a035f15 | ||
|
|
38fcee2785 | ||
|
|
c6d66d8b6a | ||
|
|
bad3dc7a46 | ||
|
|
12b01affe7 | ||
|
|
e6711c9bb1 | ||
|
|
caa1743128 | ||
|
|
fed7c83675 | ||
|
|
79f4e568ce | ||
|
|
4e0ec54fcd | ||
|
|
4e4009de30 | ||
|
|
60dfb19579 | ||
|
|
1315716436 | ||
|
|
c19dc8bb25 | ||
|
|
326d9317f8 | ||
|
|
60f3f394c0 |
@@ -0,0 +1,66 @@
|
||||
# 2026-11-07
|
||||
|
||||
## 概率论四讲统一改为「知识点带题」(第3 / 4 / 5上 / 5下 / 6)
|
||||
|
||||
延续「参考线性代数第6讲的笔记格式」的要求,把在学练习的概率论各讲从「考点手册 + 试题 + 解析」三件套全部改为
|
||||
`README` + `01-知识点盘点` + 每点一个分册 + 末号 `速查卡`。
|
||||
|
||||
| 讲 | 状态 | 文件数 | 题量 | 提交 |
|
||||
|---|---|---|---|---|
|
||||
| 第3讲 多维随机变量及其分布 | 重构(前序) | 10 | 27 | `60f3f39` |
|
||||
| 第4讲 随机变量的数字特征 | 新建(原无目录) | 7 | 19 | `326d931` |
|
||||
| 第5讲上 大数定律 | 由原第5讲拆出 | 6 | 14 | `60dfb19` |
|
||||
| 第5讲下 中心极限定理 | 由原第5讲拆出 | 6 | 7 | `60dfb19` |
|
||||
| 第6讲 数理统计 | 重构(删 4.8 万字符旧手册) | 10 | 26 | `4e4009d` |
|
||||
|
||||
**第5讲拆两册的理由**:大数定律(依概率收敛 / 切比雪夫 / 三条定律)与中心极限定理(列维-林德伯格 / 棣莫弗-拉普拉斯 /
|
||||
三种近似辨析)是两套独立工具,合在一册会超 1.3 万字符,且读法完全不同(前者判收敛,后者算概率)。
|
||||
|
||||
**第6讲八点**:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 / 最大似然 / 评价标准 /
|
||||
区间估计 / 假设检验与两类错误。分值极不均衡:MLE 约 45 分 + 评价标准约 33 分 = 全讲 67%,
|
||||
区间估计十年只考 1 道填空(2016·14)。盘点 §0.1 按分值排序,读法按分值而不是按章序。
|
||||
|
||||
**第6讲的贯穿设计**:点 7(区间)与点 8(检验)用**同一组数据**(点7题3 与 点8题4:$\bar x=20.5,s_1^2=0.4$ 与
|
||||
$\bar y=19.8,s_2^2=0.6$),区间 $[0.036,1.364]$ 不含 0 ⇔ $t=2.2136>2.101$ 拒绝 $H_0$,把「区间与检验对偶」做实。
|
||||
点 8 题 3 更用同一批数据演示「$\sigma$ 已知拒绝、未知不拒绝」($z=2.0>1.96$ 但 $t=2.0<2.131$),
|
||||
说明「用 $S$ 替 $\sigma$ 会翻转结论」。
|
||||
|
||||
## 同步改动
|
||||
|
||||
- `基于考研的学习/总览.md`:第6讲目录树由三件套换成盘点 + 八点 + 速查(26 题)。
|
||||
- `数学一/知识点构建/README.md`:第 20 行题量 18 → 26。
|
||||
- `数学一/知识点构建/20-背诵版-概率论-第6讲-数理统计.md`:回查入口改指新文件;题源注明旧 18 题清单已随重构失效、待重出。
|
||||
- `数学一/模拟卷/第一次模拟`、`第二次模拟` 的 README 只需指 README,无需改。
|
||||
|
||||
## 顺手修掉的旧死链(2026-10 第3讲重构的遗留)
|
||||
|
||||
- `大题十年考点/15-点14-概率多维随机变量.md`:7 处指向已删的 `概率论-第3讲/01-考点手册.md`,
|
||||
按知识点逐个改指新点文件(14.1→点3、14.2→点5、14.3/14.6→点7、14.4→点3+第4讲点4、14.5→第4讲点3、14.7→点6)。
|
||||
- `知识点构建/17-背诵版-概率论-第3讲.md`:回查入口 4 处指向已删文件,改指 README / 盘点 / 速查卡。
|
||||
|
||||
**教训**:`check_md_links.py` **只扫传入目录的单层**,重构某讲时只跑该讲目录必然漏掉下游引用;
|
||||
重构完必须 `grep -rn "<讲目录>/0"` 全局搜旧文件名。
|
||||
|
||||
## 工具坑(本轮新发现,已写入 MEMORY.md)
|
||||
|
||||
1. `verify_gitea_math.py` 会把**行内代码里的字面 `$…$` 误报为残留**——README 里别把公式写进反引号。
|
||||
2. bash 双引号内的**反引号会触发命令替换**:用 `python -c "..."` 批量改文本时,若替换串里含反引号,
|
||||
它会被 shell 先执行掉(本次 `(\`02\`—\`08\`)` 变成 `(—)`),必须改用 Edit 工具或 Python 文件脚本。
|
||||
|
||||
## 第3讲点6 §6.2 补「雅可比陪变量法」的推导(提交 fed7c83)
|
||||
|
||||
用户问「四则运算哪里补雅可比」,定在 **`07-点6-四则运算与最值.md` §6.2 正文之后**,理由:
|
||||
点 5 §5.2 讲的是通用框架(两新变量),点 6 才是「成品公式册」,学生问「商为什么多个 $|y|$」是在这里问的。
|
||||
|
||||
补的内容(约 1200 字符,07 由 7758 → 8962):
|
||||
|
||||
- 模板 $f_U(u)=\int f(x(u,v),y(u,v))|J|\,\mathrm dv$ ,即「再拉一个陪变量」把单函数分布变成一次变换;
|
||||
- 三行表:$X-Y$ / $XY$ / $X/Y$ 的反解与 $|J|$ 分别是 $1$ / $1/|v|$ / $|v|$ ;
|
||||
- 关键解释:取 $V=Y$ 是因为 $y=v$ 让 $J$ 成**下三角**,行列式=对角元之积,不用展开二阶;
|
||||
商里那个 $|y|$ 就是 $\partial x/\partial u=v$ 这一项;
|
||||
- 方向陷阱:乘在密度上的是 $\partial(x,y)/\partial(u,v)$ ,若先算反方向必须取倒数;
|
||||
- 三条替代时机:只要边缘→用成品式;要联合密度→只能雅可比;支撑分片怪→雅可比摆范围更清楚。
|
||||
|
||||
同步:点 5 §5.2 加一句交叉链接(单函数分布也能拉陪变量用雅可比)、速查卡第九节加「三式都出自雅可比」一行。
|
||||
校验:`fix_gitea_math --check` 0(先手改 `$V=Y$**` 与 `($v=y$)` 两处)、`check_md_links` 144 链接 0 异常、
|
||||
`verify_gitea_math` 三个文件残留 $0。
|
||||
@@ -0,0 +1,42 @@
|
||||
# 2026-11-08
|
||||
|
||||
## 概率论背诵版 16–20 号整轮重构(v2)
|
||||
|
||||
**背景**:用户反馈「知识点构建/概率论 排版和内容都有很大问题」,要求参考参考仓库 + 真题 sqlite 重构。
|
||||
|
||||
**已完成**(全部落在 `D:/考研/第二代数学笔记`):
|
||||
|
||||
| 文件 | 行数 | 题单 | 要点 |
|
||||
|---|---|---|---|
|
||||
| 16 第1-2讲 | 448 | 31(参考仓库) | 补超几何、概率六性质、随机分配/抽样模型、$F(g(x))$ 判定表 |
|
||||
| 17 第3讲 | 350 | **27(七点分册)** | 节名对齐点 1–7;补二维正态完整密度(原只写"见手册")、矩形增量 |
|
||||
| 18 第4讲 | 294 | **19(五点分册)** | 新增 §4.4 条件期望与重期望、§4.5 线性组合与最值 |
|
||||
| 19 第5讲 | 233 | **21(上 14 + 下 7)** | 题单分上/下篇;三定律四格对照表 |
|
||||
| 20 第6讲 | 456 | **26(八点分册)** | 符号约定表($u_\alpha$ 统一上侧分位点)、MLE 四载体表 |
|
||||
|
||||
**统一模板**:`§0 骨架(一句话+依赖链+十年真题地图+考点树)」→ 分块正文(定义/表/公式/口诀/易错,单节 ≤12 行)→ `## B 题型考点` → 纯题干题单。README 的「三、格式规范」也补了「分块」「真题地图」两条硬约束。
|
||||
|
||||
**借 sqlite 纠正的 4 处事实**:
|
||||
- 2020·8 原写 $n=400$、$\sum\le210$ → 实为 $n=100$、$\sum\le55$
|
||||
- 2025·9 原写 300 个 $B(1,0.01)$、$\lambda=3$ → 实为 20 个 $B(1,0.1)$、$\lambda=2$
|
||||
- 17 号「近十年 11 题 105 分」→ 10 题 86 分
|
||||
- 20 号「9 道解答题、8 道含 MLE」→ 8 道、5 道含 MLE
|
||||
|
||||
**数学修正 2 处**:
|
||||
- 参考仓库 $F(ax)$ 判分布函数的推导错了(把 $aF(x)$ 与 $F(ax)$ 记混);$a>0$ 合法,是 $X/a$ 的分布函数
|
||||
- 「互斥时 $P(AB)=0$」补上反方向不成立
|
||||
|
||||
## 🔴 重大教训:改错库
|
||||
|
||||
`D:/Development/创意/考研数学AI学习商业化平台/docs/原始项目参考/第二代数学笔记` 是同名**旧快照**,用户 Obsidian 用的是 `D:/考研/第二代数学笔记`。
|
||||
|
||||
第一轮(11-07)整轮概率重构全写进了快照,用户侧零变化,白做一轮。11-08 用户在文件管理器看到 17 号还是 137 行才发现。
|
||||
|
||||
**已写进 MEMORY.md 的硬规则**:只认 `D:/考研/第二代数学笔记`,`docs/原始项目参考/` 禁止读写。
|
||||
|
||||
**另一个坑**:用户 11-07 编辑 19 号时,把 `$P\{|X-\mu|\ge...\}$` 的竖线留在了表格单元里,Markdown 把 `|` 当列分隔符,整张表被撑成 4 列并错位——**表格内的数学式必须用 `\vert`,不能用 `|`**。这一条值得提到 .workbuddy 的写法约定里。
|
||||
|
||||
## 待办
|
||||
|
||||
- 08(无穷级数)、11–13(矩阵/向量/方程组)、15(二次型)仍是 v1 排版,待按同一模板重出。
|
||||
- 确认是否删除/改名 `docs/原始项目参考/第二代数学笔记`(真库内无任何引用,删除安全)。
|
||||
@@ -0,0 +1,108 @@
|
||||
# 2026-11-09
|
||||
|
||||
## 试卷精排:出 2017 年数学一(提交 38fcee2、README 微调)
|
||||
|
||||
用户要求「17 年卷子原始排版不行,改好放到试卷精排,推送上云」。按 `试卷/精排真题/README.md` 的流程做:
|
||||
|
||||
- 新增 `试卷/精排真题/2017-数学一.md`(8 选 + 6 填 + 9 解 = 23 题),照 2016 精排模板:
|
||||
`**N.**` 题号、选项独立成段全角(A)—(D)、填空统一 `\underline{\qquad}`、
|
||||
`\pmb`/`\mathbf` 归一(矩阵用 `pmatrix`、向量用 `\boldsymbol`)、
|
||||
`array` 环境改 `pmatrix`、罗马数字统一(Ⅰ)(Ⅱ)(Ⅲ)、硬断行合并(第 4 题速度曲线段)、
|
||||
逐题分值、卷末「考点与答案速查」23 行 + 科目归属(高数 82 / 线代 34 / 概率 34)。
|
||||
- 第 4 题插图入库:`试卷/精排真题/images/2017-第4题-速度曲线.jpg`(从
|
||||
`papers/images/2017年考研数学(一)真题/8e8f4df….jpg` 复制改名,路径含中文括号,直引会断)。
|
||||
三块阴影面积数值 10 / 20 / 3 写进卷末留白说明。
|
||||
- 答案逐题核对(选填 14 题):1 A / 2 C / 3 D / 4 C / 5 A / 6 B / 7 A / 8 B;9=0、10=通解、11=-1、
|
||||
12=1/(1+x)^2、13=2、14=2。8 题的陷阱仍是「2(Xn-X1)² = 4χ²(1) 不是 χ²」。
|
||||
- 顺带修 2016 + 2017 共 65 处公式收尾缺空格(`fix_gitea_math --apply`,先 git add 再跑)。
|
||||
- README 说明行去掉反引号里的字面公式(网页核验误报 6 处,与第 6 讲 README 同因)。
|
||||
- 网页核验:2017 / 2016 / README 全部残留 $0。
|
||||
|
||||
**工具坑(新)**:`git config` 里的代理 `http.proxy=http://127.0.0.1:7897` 已失效(旧代理端口),
|
||||
而环境变量代理是 `127.0.0.1:55184`。push 报「Failed to connect over proxy 127.0.0.1」时用
|
||||
`git -c http.proxy=http://127.0.0.1:55184 -c https.proxy=… push` 临时覆盖,不要动 git config。
|
||||
|
||||
## 遗留:傅里叶级数重写未提交
|
||||
|
||||
`基于考研的学习/数学一/在学练习/高等数学-无穷级数/08-点7-傅里叶级数.md` 有 +412/-31 的重写
|
||||
(上一轮「参考仓库知识点梳理、解决看不懂」被网络错误打断),**仍处于未暂存状态**,本轮未动。
|
||||
下次继续时:先读 diff 验内容 → 校验链 → 提交。
|
||||
|
||||
## 新增「线代与概率大题十年总览」(提交 ea9aad4)
|
||||
|
||||
用户问「总结十年间的线代和概率论大题」。产出 `大题十年考点/18-线代与概率大题十年总结.md`(10203 字符),
|
||||
不重讲题,只做总览:逐年表(考什么 / 起手式 / 落点 / 详讲)+ 硬统计 + 模板 + 取舍。
|
||||
|
||||
**从题库算出的硬数据(30 题 340 分,两科各 15 题 170 分)**:
|
||||
|
||||
- **2021 是分水岭**:2016—2020 解答题 9 题 94 分,线代、概率各 2 题 22 分(23.4%);
|
||||
2021—2025 解答题 6 题 70 分,两科各 1 题 12 分(17.1%)。**题数腰斩、单题分涨 1 分、没有第二题兜底**。
|
||||
- **线代按考点族(不是 chapter_id)**:特征值相似 **7**(2016·21、2017·20、2019·21、2020·21、2021·21、
|
||||
2024·21、2025·21)、二次型 **5**(2017·21、2018·20、2020·20、2022·21、2023·21)、方程组向量 3
|
||||
(2016·20、2018·21、2019·20)。注意 2024·21 的 chapter_id 是 ch10(递推+矩阵幂),考点族归点11。
|
||||
- **概率**:ch17 多维 **8**、ch21 数理统计 **7**,ch15/16/18/19/20/22 十年**解答题 0 次**(只考选填)。
|
||||
- 规律:线代第一问 11/15 是「求参数」($\lvert A\rvert=0$ / 迹与行列式相等 / 秩相等);
|
||||
概率「离散×连续混合」4 次(2017—2020 连年)、MLE 6 年 5 考、次序统计量 2 次、「不相关不独立」2 次。
|
||||
|
||||
**注意口径**:统计大题必须按「考点族」而非 `chapter_id`,否则 2024·21 会被漏到矩阵章;
|
||||
而选填的章节分布与解答题完全不同。
|
||||
|
||||
顺带修 `15`、`17`、`18` 三处「加粗以公式收尾」(`$XZ=X^2Y=Y$**`、`先 $F$ 后 $f$**`、`$F_XF_Y$**`)
|
||||
与 29 处公式收尾缺空格;`check_md_links` 该目录仍有 30 条 `参考仓库/zhangyu-1000-plus/本章复盘.md`
|
||||
历史死链(非本轮引入,仍未处理)。
|
||||
|
||||
## 新建「冲刺错题本」(提交 562b478)
|
||||
|
||||
用户先说「记录到错题本里面」,我按 `每日小练/做题本.md` 写入错题 5;随后改口「新开一个错题本,
|
||||
专门记录冲刺阶段错题」——已 `git checkout` 回退做题本(它只被我本轮改过,diff 52 行插入),另建独立目录。
|
||||
|
||||
- 位置 `基于考研的学习/数学一/冲刺错题本/`:`README.md` + `01-高等数学.md`
|
||||
- 与 `每日小练/做题本` 的分工写进 README 首段:那本按专题跟章节走,这本按**错因**定优先级、反复二刷
|
||||
- 每题**七段**:题目 / 我的错误 / 错因 / 正确思路 / 预防要点 / 二刷(比做题本多「二刷」)
|
||||
- 错因五类 + 对策表:A 概念不清 / B 方法选错 / C 计算失误 / D 步骤不全 / E 题意误读;
|
||||
**冲刺期优先修 C、D**(不是不会,是白丢分),A 类若要补半天的直接放弃
|
||||
- 首收 2016·19(压缩映射与级数收敛,10 分),附七条评分点清单
|
||||
- 复习节奏:当天复述预防要点 → 第 3 天二刷 → 每周扫 D 类默写评分点 → 考前一周只读预防要点
|
||||
- `总览.md` 目录树加该段;`每日小练` 的「做题本」一行注明范围是小练与章节练习
|
||||
- 网页核验:README 与 01 均残留 $0(01 行内公式 76、块级 2)
|
||||
|
||||
**工具坑(两个)**:
|
||||
|
||||
1. **git 代理端口随环境变,写死必炸**。`git config` 里的 `127.0.0.1:7897` 早已失效;上一轮用
|
||||
`-c http.proxy=…:55184` 临时覆盖(当时 `$http_proxy` 是 55184),这轮 55184 又不通了,环境变量已变成
|
||||
`127.0.0.1:61286`。**正确写法:`git -c http.proxy="$http_proxy" -c https.proxy="$https_proxy" push`**,
|
||||
跟随环境变量,永不写死端口。commit 前先 `env | grep -i proxy` 看一眼。
|
||||
2. **`check_md_links` 的锚点:全角 `|` 两侧不留 `-`**。标题 `## 错题 1|2016 年数一第 19 题 · …` 的真实锚点是
|
||||
`错题-12016-年数一第-19-题--压缩映射与级数收敛`——`1` 与 `2016` **粘在一起**(`|` 被删且两侧无空格),
|
||||
而 `·` 两侧有空格所以生成 `--`。第一版按「每个分隔符各留一个 `-`」写成 `错题-1-2016-…`,报「锚点未命中」。
|
||||
**别手推锚点**:`sys.path.insert` 导入 `check_md_links.anchor` 直接算,10 秒解决。
|
||||
3. 顺带确认:`fix_gitea_math --scope=` 支持**关键字**(帮助示例 `prob`)与**真实目录**两种模式;传目录时遍历该目录
|
||||
全部 `.md`。本轮传目录报「共 0 个文件」,与自写精确扫描脚本结论一致(0 处),不是漏扫。
|
||||
|
||||
## 点8 拆出独立知识点 8.4「压缩映射与不动点」(提交 338fe17)
|
||||
|
||||
用户先问「压缩映射一直不太懂,仔细讲讲」,讲完说「你以知识点的方式为我讲解」——
|
||||
落盘为知识点而不是只聊天。
|
||||
|
||||
**动因**:原 8.3「裂项望远镜与抽象证明两模板」把两件事塞一节,压缩映射只占
|
||||
一句「这是压缩思想」,而题 5 整道题建在它上面。正是记忆里「前置概念缺口」那类问题。
|
||||
|
||||
**做法**:8.3 收窄为「裂项望远镜」(留通式 + 首项规律),新增 8.4,题 5 标签 8.3 → 8.4。
|
||||
8.4 内容:定义三要素(统一 k / 严格 k<1 / 映到自身)→ 导数判定(sup|f'|<1)→
|
||||
三结论一套证(差成等比 → 级数收敛 → 不动点存在唯一)→ 误差估计 → 三个反例 →
|
||||
「压缩 → 望远镜 → 零点定理」三步表 → 为何可不出 x₁。
|
||||
|
||||
**三个反例是可复用的判定素材**:
|
||||
- $f=x+1/x$($x\ge1$):每对点都缩但比值 →1,无统一 k;且 $x_n\sim\sqrt{2n}\to\infty$
|
||||
- $f=\sqrt{x^2+1}$:|f'|<1 逐点成立但 sup=1
|
||||
- $f=x/2$ 在开区间 (0,1):不等号成立但不动点 0 不在定义域,迭代跑出去
|
||||
|
||||
**踩到的坑**:
|
||||
1. **点文件内部的 `## 知识点 X.Y …(出处:…)` 标题无法用短锚点链接**。`check_md_links`
|
||||
的 `anchor()` 对整个标题算哈希,把 `(出处:[知识章 …](…))` 全算进去,所以
|
||||
`#user-content-知识点-84-压缩映射与不动点` 必然 miss。**同文件内引用这类标题就别加链接**,
|
||||
写「见本节 §8.4」即可。(盘点里的 `### 8.1 xxx` 标题干净,才能用短锚点)
|
||||
2. `headings()` 接收的是**文本**不是路径,传路径会静默返回空列表,别拿它当验证手段。
|
||||
3. 三处 `**“$\le$”对应…**` 全角引号紧贴公式 → 改为无引号句式 `**$\le$ 这一边对应「统一」**`,
|
||||
比分两步(去引号 + 补空格)更稳。
|
||||
4. 08-点7-傅里叶仍有 51 处待修(上一轮重写遗留),本轮**故意不碰**,git add 只加 01/09/10。
|
||||
@@ -0,0 +1,124 @@
|
||||
# 2026-11-11
|
||||
|
||||
## 专项突破 10「多维随机变量」新建,30 题(提交 6404f58)
|
||||
|
||||
用户说「专题强化补齐多元随机变量,多出点题」。「专题强化」实指 `专项突破`(没有同名目录),
|
||||
「多元随机变量」即 ch17 多维随机变量。
|
||||
|
||||
**为什么该做**:ch17 十年 11 题 **105 分**,是概率分值最高的一章(第二是 ch21 参数估计 93 分),
|
||||
且是每年必出 11—12 分解答题的唯一章节(2022/2024 退到选填除外)。而 03 号专题只覆盖
|
||||
ch19—ch22,开头就写明「不涉及多维随机变量那种技巧性构造」。这是专项突破里最大的一块空白。
|
||||
|
||||
**题量按「多出点题」给到 30 题**(A12 / B10 / C8),其余各份 12—22 题。
|
||||
|
||||
**结构**(照章节型惯例,与 01/02/03 一致):
|
||||
`01-考点地图`(9443)+ `02-试题`(8443)+ `03a-解析-基础`(9607)+ `03b-解析-中等`(8597)
|
||||
+ `03c-解析-拔高`(8068)+ `04-答疑笔记` + `README`。
|
||||
|
||||
**核心层十二个动作**:分布律填表 / 联合密度归一化 / 边缘密度积分限 / 条件分布与条件密度 /
|
||||
独立性三判据 / 二维均匀 / 二维正态 / 分布函数法 / 最值 / 雅可比 / 和差积商与可加性 / 混合型。
|
||||
|
||||
**题目设计的几处刻意对照**(这套对照是本册的主要教学价值):
|
||||
- **A5 三小问** = 矩形+可分离(独立)/ 非矩形(不独立)/ 矩形但不可分离(不独立),
|
||||
专治「只会看第一种」;
|
||||
- **A6 与 C2** 都是含 `x+y` 型密度:A6 是三角形均匀、C2 是含参矩形,两者都不独立,
|
||||
说明「含 x+y 的密度永远不独立」可以一眼判;
|
||||
- **C6(Ⅲ) 与 C8-3**:前者问「f=gh **对一切**成立是否独立」(对,给证明),后者问
|
||||
「**支撑内**可分离是否独立」(错,反例 A5(Ⅱ))。两个措辞的差别正是命题人做手脚处;
|
||||
- **C5 归因**写了「E(max)+E(min)=EX₁+EX₂ 只对两个变量成立」,三变量时漏掉中间次序统计量;
|
||||
- **B1** 指示变量与 X 独立(竖切均分)却与 Y 不独立(横切不均分),同一把刀两个结果。
|
||||
|
||||
**数值全部 sympy 验算**:A3 的 ρ=1/2、A6 的 ρ=−1/2、B1 的 E(UX)=1/3=E(U)E(X)、
|
||||
B4 的 Cov=1/24、B10 的 EY=7/12、C1 的 1−5e⁻²=0.3233、C7 的 DY=1/4(不是 3/4,手算一开始错)。
|
||||
|
||||
**工具坑(新,值得记)**:`01-考点地图` 最初把「一圈 10 条」「二圈 8 条」写成**表格**,
|
||||
结果 B/C 组题目的 `> **考点**` 行**没有锚点可挂**——表格行不产生 heading id。
|
||||
改成 `### 3.1 标题` 形式才可链。**凡是题目要逐条挂链接的清单,一律用标题、不用表格**。
|
||||
(核心层本来就写成 `### 1.1 …`,所以只有三四节出问题。)
|
||||
|
||||
**另一个确认**:`check_md_links` 传目录时只扫该层 `.md`,但**能校验指向子目录文件的链接**
|
||||
(专项突破 README 12 条指向 10 个子目录 README,0 异常)。
|
||||
|
||||
校验链:`fix_gitea_math --check` 31 处 → 先 `git add` → `--apply` → 复查 0;
|
||||
7 处「加粗以公式收尾」手改句式(`**参数里没有 $\rho$ **` 这类,脚本补空格反而外露星号);
|
||||
`check_md_links` 0 异常;`verify_gitea_math` 六文件残留 `$` 全 0。
|
||||
|
||||
## 无穷级数点 7(傅里叶)重写收尾 + 拆三册(提交 5b36ef0,已推送)
|
||||
|
||||
用户「同步到云」。工作区只剩一份未提交改动:`08-点7-傅里叶级数.md` 的上一轮重写
|
||||
(被网络中断留下)。**不能直接推**——单文件 27344 字符,超 1.3 万上限一倍多。
|
||||
|
||||
**先确认内容完整**(曾误判"结尾截断":其实是 `tail | cut -c1-200` 把长行截短了),
|
||||
再按三个知识点拆册(章节字符量:7.1=7679 / 7.2=3997 / 7.3=6722,题 1=1544、
|
||||
题 2+3=3565、题 4+5=3159):
|
||||
|
||||
- `08`(10184)= 7.1 + 题 1,`08b`(8311)= 7.2 + 题 2、3,`08c`(10567)= 7.3 + 题 4、5
|
||||
- 三册各加 frontmatter、`# 点 7 傅里叶级数(一/二/三)`、真题锚点、组织原则、册间导航行,
|
||||
题目段各配一句"哪些题在本册、哪些在别的册"
|
||||
- **知识点编号 7.1.x / 7.2.x / 7.3.x 与题号 1—5 一律不动**(正文大量互引"见 7.3.4",
|
||||
改编号会全断);靠册首导航行解决跨册跳转
|
||||
|
||||
**改了两个脚本地基**(`gen_crosslinks.py`):
|
||||
|
||||
1. 点文件匹配 `^\d{2}-点` → `^\d{2}[a-z]?-点`。原正则不认 `08b-`,拆册后 08b/08c 的题会
|
||||
**从 §0.4、速查回查、所有关联行里整体消失**,而且不报错。
|
||||
2. 题号标签从 `it['order'] + 1` 改为从文件名 `-点(\d+)` 取。原先按排序推点号,插进
|
||||
08b/08c 后 `09-点8` 会被标成"点 10"。改完三册的题都正确显示"点 7 题 N"。
|
||||
|
||||
**踩到并修掉的三类格式问题**(都是上一轮重写留下的):
|
||||
|
||||
- `fix_gitea_math --apply` 修 52 处收尾缺空格(先 `git add`,它会重写整个 scope)
|
||||
- **19 处「加粗以公式收尾」**:脚本修不了——它补的空格落在 `**` 内侧,反而让星号外露。
|
||||
统一改成"加粗以汉字收尾":`**求 $a_n$ ** :` → `**求 $a_n$ 的办法**:`、
|
||||
`**周期 $2$ ** :` → `**周期 $2$ 的情形**:`、`**$x=\pi$ ** :` → `**在 $x=\pi$ 处**:`
|
||||
- **3 个标题含 `$`**:`7.1.4 走一遍:$x^2$ 在 …` → `平方函数在基本区间上的…`;
|
||||
`7.2.1 …:$f$、$\tilde f$、$S$` → `原函数、延拓、和函数`;`7.2.2 总原则:$S$ 取…` → `和函数取…`
|
||||
|
||||
**同步**:讲 README 文件清单由 1 行拆成 3 行(分值 15 只记在 08 行)、版本记录加 11-11 条;
|
||||
总览"26 个知识点"→ 27、"02~09 八册"注明点 7 分三册;两处模拟卷考点手册的 §7.2 链接
|
||||
(原来都指 `08`)改指 `08b`。
|
||||
|
||||
**校验**:`check_md_links` 讲目录 14 文件 245 链接 0 异常、两处模拟卷各 102 链接 0 异常;
|
||||
`fix_gitea_math` 归零;收尾加粗前带空格 0 处、标题含 `$` 0 处、`$**` 紧贴 0 处、加粗配对无误;
|
||||
`verify_gitea_math` 六文件残留 `$` 全 0(行内 231/198/275/25/194/144,块级 19/13/11/0/0/1)。
|
||||
|
||||
**推送到云**:代理端口这轮又变了(62633),用 `-c http.proxy="$http_proxy"` 跟随环境变量推送成功,
|
||||
`origin/main...main` 归零。
|
||||
|
||||
---
|
||||
|
||||
## 专项突破 10 多维随机变量 · 第二版(难度对齐真题与张宇)
|
||||
|
||||
**用户反馈**:30 题"太简单",要求题源参考张宇和真题。
|
||||
|
||||
**诊断**:第一版 A 组是"填表 / 归一化 / 套卷积"的一步题,比 ch17 真题低一档;
|
||||
B 组虽标真题骨架但都做了简化;C 组有 3 题(含参、商、三变量最值)与真题难度相当但
|
||||
数量不够。张宇 1000 题没有概率章节,但 `参考仓库/Math/probability-theory-and-
|
||||
mathematical-statistics/`(张宇基础三十讲的 tex 笔记)里有二维连续型的例题可用。
|
||||
|
||||
**重做**(5 个文件全写,仍是 30 题 A12/B10/C8):
|
||||
- A 组每题仍只练一个动作,但都包在真实区域里、都要分段:抛物区域 $0<y<1-x^2$ 的归一化
|
||||
与边缘两支(张宇例题骨架)、条件均匀 $Y|X=x\sim U(x,1)$ 的 Cov 与 $P\{X+Y\le1\}$、
|
||||
区域概率、可加性失效四问(均匀相加不是均匀、不独立时正态仍可加)。
|
||||
- B 组全部照 2016—2025 真题换数字:2016-22 抛物区域 + 指示变量 + 分段 $F_Z$、
|
||||
2018-22 两点乘泊松、2019-22 指数乘两点(不相关但不独立)、2020-22 混合正态联合
|
||||
$F=\frac12\Phi(x)\Phi(y)+\frac12\Phi(\min)$、2021-22 随机取点商的分布、
|
||||
2023-22 圆盘非均匀、**2025-22 保险赔付 + 泊松分裂(第一版漏掉)**、2024-9 条件均匀。
|
||||
- C 组换成五个"考场出新"方向:环域均匀的边缘分段、次序统计量与极差 $3r^2-2r^3$、
|
||||
非独立正态的残差分解 $W=Y-\rho\frac{\sigma_2}{\sigma_1}X$、商与 $EZ$ 发散、
|
||||
混合型 $F_Y=\frac14F(y)+\frac34F(y-1)$、泊松分裂的独立性完整证明、十断言。
|
||||
- 难度记号增加到 ★★★★(高于真题)。
|
||||
|
||||
**踩坑**:
|
||||
- 手算三处错,全部被 sympy 抓出:A4 的 $\operatorname{Cov}$ 应是 $\frac1{24}$(不是 $\frac38$)、
|
||||
C2 极差要分两块($x_1>1-r$ 那段上限被截断,漏了就少 $r^3$)、B9 的 $EX=1$ 不是 $\frac12$。
|
||||
- 自写格式检查脚本时,正则 `\$[^$]*\*\*` 匹配的是"公式后接加粗开始"(合法),不是
|
||||
"加粗以公式收尾";要判的是 `**` 收尾前一个字符是否 `$`。别再用 bash 内联 python 传复杂正则。
|
||||
- 01 考点地图里 2016·22 原写"三角形均匀",真题实际是抛物区域 $x^2<y<\sqrt x$,已订正。
|
||||
|
||||
**校验**:`check_md_links` 7 文件 43 链接 0 异常;`fix_gitea_math --apply` 修 16 处后归零;
|
||||
标题含 `$` 1 处已改(A12 标题把 $\Phi$ 写成"标准正态分布函数");`verify_gitea_math`
|
||||
六文件残留 `$` 全 0(02 行内 308/块级 7,03a 263/25,03b 247/41,03c 218/24)。
|
||||
字符数 9874 / 9850 / 10590 / 10467 / 8897,全部 < 1.3 万。
|
||||
|
||||
**推送**:commit `ef51115`,代理 61742,`origin/main...main` 归零。
|
||||
@@ -0,0 +1,59 @@
|
||||
# 2026-11-12
|
||||
|
||||
## 专项 03 补「四件套专练」13 题(统计量选择的四个格子)
|
||||
|
||||
**用户原话**:「大数定理和数理统计,对于一类题就是不知道 μ 和不知道 σ 时候的那种统计量,好像有四种,我对那个一直不太熟悉,多出几个题」。
|
||||
|
||||
**诊断**:他数得对,确实是四种——但根子不是「四个公式没背下来」,而是把同一张表的
|
||||
两行两列当成四件独立的事。所以在 01 考点地图 §1.5 先立表,再出题,顺序不能反。
|
||||
|
||||
四格表(张宇三十讲 `5-mathematical-statistics` §4 也有这张,是权威出处):
|
||||
|
||||
| 待估 | 另一参数 | 枢轴量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| μ | σ 已知 | $(\bar X-\mu)/(\sigma/\sqrt n)$ | N(0,1) |
|
||||
| μ | σ 未知 | $(\bar X-\mu)/(S/\sqrt n)$ | t(n−1) |
|
||||
| σ² | μ 未知 | $(n-1)S^2/\sigma^2$ | χ²(n−1) |
|
||||
| σ² | μ 已知 | $\sum(X_i-\mu)^2/\sigma^2$ | χ²(n) |
|
||||
|
||||
生成规则一句话:**枢轴量里不许出现"待估参数以外的未知量";每消掉一个未知参数就吃掉一个自由度。**
|
||||
|
||||
**新增文件**:
|
||||
- `02b-试题-四件套专练.md`(6429 字符)D1—D13
|
||||
- `03c-解析-四件套.md`(11927 字符)每题 怎么想/解/归因
|
||||
|
||||
**13 题的骨架分配**:
|
||||
- 真题:2016-14(上限反推置信度)、2017-8(四个量的分布)、2017-23(|X−μ| 估 σ,半正态)、
|
||||
2021-10(第二类错误 + 反求 n)、2022-22(综合素质)、2023-9(F 凑系数)
|
||||
- 张宇 30 讲:D2 基本置信空间表、D9 双总体合并 t
|
||||
- 自编:D3(μ 已知的灌装机)、D4(长度反求 n,t 情形要试算)、D7(有偏能不能当枢轴)、D13(八条断言)
|
||||
|
||||
**几个刻意设计的对照**(这是本册的价值所在,不是题量):
|
||||
- D2 同一批数据走完四格,只改"已知什么"
|
||||
- D3/D11 同一台机器 μ 已知 vs 未知,只改一个条件的取值
|
||||
- D7 同 σ² 用 $S^2$ 与用 $\hat\sigma^2$ 构造的区间**逐字相同**(因为 $n\hat\sigma^2=(n-1)S^2$)
|
||||
- D12 的陷阱:μ 已知的区间这一次反而**更长**($\bar x$ 离 93 有 0.6),
|
||||
正解是"区间长度是随机的,比精确要比期望长度"——期望长度 2.860 < 3.214 才对。
|
||||
|
||||
**踩坑**:
|
||||
- `fix_gitea_math --apply` 给 `**分母用 $S$ **` 补空格,补在 `**` **内侧**,反而让加粗失效。
|
||||
这是老问题,仍只能改句式。本轮改成「差别只在分母($\sigma$ 还是 $S$ )与分子中心」。
|
||||
- 同脚本把 `$\chi^2$。` 改成 `$\chi^2$ 。`(公式与全角句号之间插空格)——虽然读着怪,
|
||||
但这是 Gitea 渲染的必要条件,保留。
|
||||
- 我第一版检查脚本用 `\*\* ` 找"加粗右定界符前有空格",结果把 `**考点** ·` 这种
|
||||
「加粗结束后跟空格」全报出来。正确做法是**按行配对扫描 `**`**,取偶数位为右定界符,
|
||||
再看 `line[op+2:cl]` 是否以空格开头或结尾。
|
||||
- 标题含 `$` 的存量问题:02-试题、03a、03b 里有一批 `### 题 A4 · $\chi^2$ 分布的构造`。
|
||||
没人链这些标题(check_md_links 0 异常),本轮未动,留作待办。
|
||||
|
||||
**校验**:check_md_links 8 文件 36 链接 0 异常(专项目录)、2 文件 12 链接 0 异常(父目录);
|
||||
fix_gitea_math --apply 修 5 处后归零;加粗配对扫描 0 问题;新文件标题无 `$`;
|
||||
verify_gitea_math 四文件残留 `$` 全 0(02b 行内 251、03c 行内 285 块级 32、01 行内 214、README 24)。
|
||||
|
||||
**同步**:03 README(三层表加 D 行 + 为什么单开 + 版本记录)、专项突破总索引(03 由 20→33,总 182→195)、
|
||||
总览.md(03 已出 33 题)。
|
||||
|
||||
**推送**:commit `1e07892`,代理 53135,`origin/main...main` 归零。
|
||||
|
||||
**数值验证方式**:mpmath 二分反解 χ² 与 t 分位数(sympy 无 CDF 反函数,scipy 未装),
|
||||
表值全部核对无误;区间端点用 sympy 精确算术。
|
||||
@@ -0,0 +1,28 @@
|
||||
# 2026-11-17
|
||||
|
||||
## 概率论专背清单(知识点构建 21—27,六册 231 条)
|
||||
|
||||
**用户原话**:「概率论里面要背的东西特别多,不是我不理解,而是背的东西太多靠逻辑推演速度太慢,背诵是个好办法。」
|
||||
|
||||
**诊断**:已有 `知识点构建/16—20 背诵版` 覆盖全六讲,但那是**讲义态**——一讲 1.2—2.3 万字符,性质、推导、定理条件都在,读一遍 40 分钟且看完记不住。信息是"可读的",不是"可背的"。用户要的是**记忆态**。
|
||||
|
||||
**做法**:新建 7 个文件。
|
||||
- `21-专背清单-概率论-00-总纲与跨讲对照`(4255 字符):收录标准 + 五型标签 + 三轮刷法 + 六张跨讲对照 + 条目分布表
|
||||
- `22—27` 六讲分册:32 / 44 / 41 / 36 / 25 / 53 = **231 条**,字符 4632 / 6322 / 5890 / 5924 / 4367 / 8554
|
||||
|
||||
**关键设计(值得复用的三点)**:
|
||||
|
||||
1. **收录标准**:只收"推不出、或推起来超过十秒"的。能一行推出来的($D(aX+b)=a^2DX$、$P(\varnothing)=0$)一律不收。判据一句话:**考场上你愿不愿意现场推**。不这么筛,清单会膨胀成第二份讲义。
|
||||
2. **五型标签**:`式` 默写形式 | `表` 整表回忆 | `判` 判别顺序 | `模` 步骤骨架 | `反` 不成立断言与反例。**考前三只看「反」与「表」**——这两型不能临场推。
|
||||
3. **六张跨讲对照才是真痛点**:概率难背不在条目多,而在同一件事换了面孔。总纲 §四给了除数账本($n$ vs $n-1$)、独立四种说法、标准化三次出场、自由度账本、三对易混、两类错误。这是全书的缝合线。
|
||||
|
||||
**踩坑**:
|
||||
|
||||
- `fix_gitea_math --check --scope=` **传单文件路径会静默失效**,扫全仓库(报出线代、多元积分的问题);`--apply` 传目录会重写 01—20(3472 处)。正确做法:`sys.path.insert` 后逐文件调 `F.fix_text(s)` + `F.fix_frontmatter(s)`,只处理新文件。
|
||||
- `check_md_links` 把公式里的 `f'[a+\theta(b-a)](b-a)` 当成 markdown 链接(文本 `[...]`、目标 `(b-a)`)。修法是在 `]` 与 `(` 之间插 `\,`(数学上是乘法细空格,视觉无差别)。
|
||||
- 标题里写 `### 4.1 「除以 $n$ 还是 $n-1$」` 违规(标题禁 `$`),改成纯文字。这个错误自查脚本能抓,但要记得跑。
|
||||
- 总览.md 的目录树**从来没有"知识点构建"这一项**(专栏建了两周都没登记),本轮补上。
|
||||
|
||||
**校验**:`check_md_links` 28 文件 8 链接 0 异常;`fix_text` 逐文件修 25/32/33/12/17/19/41 处后幂等归零;标题含 `$` 0、加粗以公式收尾 0;`verify_gitea_math` 七文件残留 `$` 全 0(行内 86/95/175/132/150/82/239,块级 0/4/1/7/2/2/3)。六册字符数 4255—8554,远低于 1.3 万上限。
|
||||
|
||||
**推送**:commit `8c4b35a`,代理 63596,`origin/main...main` 归零。
|
||||
@@ -0,0 +1,45 @@
|
||||
# 2026-11-18
|
||||
|
||||
## 新建 `在学练习/高等数学-中值定理`(八点 49 题)
|
||||
|
||||
**请求**:在学练习里加一章中值定理,攻克所有题型,参考张宇与真题。
|
||||
|
||||
**先做的统计**:真题库 ch2(一元微积分)24 题 160 分,其中中值定理类解答题 6 道 68 分
|
||||
(2017·18 十、2020·19 十、2022·20 十二、2023·20 十二、2024·19 十二、2025·19 十二),
|
||||
占 ch2 的 42.5%,且**每年一道**。所以这讲的骨架直接由这六道题反推,不是按教材章节抄。
|
||||
|
||||
**结构**:12 文件 49 题。点 1 七题(补了 1.1 最值定理的应用),余七点各六题。
|
||||
链条:连续四定理 → 罗尔与辅助函数 → 拉格朗日 → 柯西与双中值 → 泰勒 → 高阶多次 → 积分中值 → 结论反推。
|
||||
六道真题的落点:2017·18 → 点1题5 + 点6题2;2020·19 → 点3题3、4;2022·20 → 点7题5;
|
||||
2023·20 → 点5题6 + 点6题3;2024·19 → 点5题4、5;2025·19 → 点8 判别表(未单独配题,属充要条件型)。
|
||||
|
||||
**张宇这条线**:`参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/` 有中值定理
|
||||
(§1 函数中值定理含平均值定理、§2 罗尔四条推广 + 拉格朗日 + 柯西 + 泰勒)。张宇 1000 题库仍无高数
|
||||
分章可用,所以只取知识点边界与例题骨架,题目按真题换数字。
|
||||
|
||||
## 四个自己造成的错误(都返工了)
|
||||
|
||||
1. **在解析里留下"试错过程"**。点 3 题 4(2020·19 Ⅱ)我先写了一段"这条路不行、换一条",还写了
|
||||
"上面的试错过程正是这道题的难点";点 3 题 6 出了个 `|f'|≥4` 的错命题,然后在解析里自我纠正。
|
||||
这是不能接受的:笔记给的是**答案**,不是草稿。教训——**证明题先在纸上走通再落盘**,
|
||||
正文里不允许出现"本题结论不成立"或"重写一遍"。
|
||||
2. **点 3 题 6 的常数算错**。原题只给"两端为零 + 最小值 −1",两侧斜率是 `1/x0` 与 `1/(1-x0)`,
|
||||
只能得 ≥2,不是 ≥4。正确写法是给"最大值为 1"并用**两斜率相加** `1/(x0(1-x0))≥4`。
|
||||
这条现在写进了点 3 题 6 的"带走结论",是最值型不等式题的通用起手式。
|
||||
3. **点 4 题 6 出了错命题**(f 不恒零 + 两端零 ⇒ 存在 ξ≠η 使 f' 相等)。反例 `x(1-x)`。
|
||||
换成"三个等值点 → 两个互异的一阶零点",并把"$n+1$ 个等值点给 $n$ 个导数为零的点"提为结论。
|
||||
4. **fix_gitea_math 又制造 20 处加粗失效**(`**… $x$ **`,空格落在 `**` 内侧)。全部改句式,
|
||||
一条硬删空格都不行(`$` 紧贴汉字公式就不渲染)。这一轮的具体改法:给加粗补一个汉字尾巴
|
||||
("才有 … 这个结论"、"取 … 这个形式"、"… 照此办理"),或把公式挪到加粗外。
|
||||
|
||||
## 格式流水
|
||||
|
||||
- `](b-a)` 伪链接又出现两处(`f'[a+\theta(b-a)](b-a)`),修法是 `]\,(`。
|
||||
- 标题含 `$` 8 处(`$e^{\lambda x}$ 型因子` 之类),全改纯文字;改后锚点变,必须重跑 gen_crosslinks。
|
||||
- 未配题的知识点最后剩 §3.1(定理陈述)与 §8.5(书写规范),都是元知识,可接受。
|
||||
|
||||
## 校验
|
||||
|
||||
`check_md_links` 12 文件 241 链接 0 异常;`fix_gitea_math` 58 处修完归零(修完再手动改 20 处加粗);
|
||||
`verify_gitea_math` 十文件残留 `$` 全 0(行内 327/276/279/234/214/300/275/257/182/144)。
|
||||
字符数 3347—10072,全部 < 1.3 万。提交 `e03b539`,代理 63269,`origin/main...main` 归零。
|
||||
+41
-81
@@ -1,90 +1,50 @@
|
||||
# 项目长期约定 · 第二代数学笔记
|
||||
|
||||
## 分层与目录
|
||||
## 一、路径与目录
|
||||
|
||||
- 工作区根:`D:/考研/第二代数学笔记`
|
||||
- 复习产出主线:`基于考研的学习/数学一/`
|
||||
- `每日小练/` —— 每日 10 题复盘(一轮 25 份)
|
||||
- `在学练习/<专题>-文件夹/` —— **正在学的章节**,采用「README + 01-考点手册 + 02-试题 + 03-解析 + 04-答疑笔记 + PDF/」多文件结构(用户 2026-10-13 确认)
|
||||
- 答疑按**题号增量追加**到 `04-答疑笔记.md`
|
||||
- 讲次 ↔ 真题库章节映射:**第3讲 多维随机变量 ↔ ch17**;**第5讲 大数定律与中心极限定理 ↔ ch19**;**第6讲 数理统计 ↔ ch20(基本概念)+ ch21(参数估计)+ ch22(假设检验)**。新讲次按「视频讲次 ↔ DB 章节」对应关系挂靠
|
||||
- **线性代数(2026-10-18 起)**:第2讲 矩阵 ↔ ch10(11 题 71 分,**不出习题**)、第3讲 向量 ↔ ch11(8 题 44 分)、第4讲 线性方程组 ↔ ch12(7 题 39 分)、第5讲 特征值 ↔ ch13(11 题 83 分)、第6讲 二次型 ↔ ch14(10 题 80 分);第1讲 行列式 ↔ ch9(3 题 13 分)。参考仓库 `linear-algebra/{knowledge,exercise}/{1..6}-*` 与六章一一对应
|
||||
- **高等数学(2026-10-26 起)**:目录命名 `高等数学-<章名>`(**不带讲次号**,避免与视频课讲次冲突);首个为 `高等数学-无穷级数` ↔ ch7(近十年 15 题 87 分:幂级数 8 题 48 / 傅里叶 3 题 15 / 判敛 4 题 24)。参考仓库 `advanced-math/{knowledge,exercise}/8-infinite-series/`。**张宇 1000 题高数止于第 15 章微分方程,没有级数章节**,故该讲全部原创、题首不标骨架
|
||||
- 考点/试题**同一知识点只归属其"正统"讲次**(如切比雪夫不等式属第 5 讲,不在第 3 讲展开,仅留一行交叉链接)
|
||||
- **考点手册的覆盖面 = 大纲要求 ∪ 真题考过 ∪ 参考仓库涉及**,不能只写"真题考过的"(例:第6讲「两个正态总体的均值差/方差比区间估计与假设检验」大纲明确要求、十年未考,仍须写全,标注为"高性价比冷门")
|
||||
- **盘点超 1.3 万字符时**:把「覆盖对照(大纲 vs 真题 vs 参考仓库)」+「相邻讲接口」拆成 `01b-覆盖对照与接口.md`,`01` 只留知识地图;**§0.x 编号保持不变**(README 与关联行会引用「盘点 §0.4」)。第4讲即按此拆(01 由 14038 → 12976)
|
||||
- **题源标注规则(2026-10-25 起)**:题目改自张宇题的在题首标 `【张宇 4-xx 骨架】`,原创题在文件头「组织原则」里写明哪些题是原创、为什么不套骨架(如张宇第 4 章无几何/矩阵方程题);不许把原创题也写成"骨架取自张宇"
|
||||
- **前置概念缺口规则(2026-10-26 起)**:某个点的题若用到**后面点/讲才讲的概念**(例:线代第 5 讲点 1 的题要求"讨论可对角化",而几何重数在 §2.3、判据在 §3.2),必须**在本点补一节「够用版摘要」**(定义 + 判据 + 算法 + 常见坑,不展开推导),并交叉链接到正统章节;同时在正统章节留一句"本点已给够用版"。**成稿后要反向扫一遍:每道题需要的前置知识是否都在本点或更早**——这是用户反馈"知识点没讲、题却要用,导致不会做"的根因
|
||||
- **机械扫法**:按 `## 题目` 把点文件切成「知识点段 / 题目段」,检查题目段出现的术语(谱分解、叉乘、惯性、伴随、施密特、二项式、正交补、行和…)是否在知识点段出现;脚本抓八成,剩两成靠通读。**改题目标签后要手数覆盖对照表的「点 N,X 题」**——`gen_crosslinks` 只重排 §0.4 与回查表,手写表不动
|
||||
- 真题库:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db`(2016–2025,225 题,表 `question`)
|
||||
- 参考仓库:`参考仓库/Math/`(`.tex`,已在 .gitignore 忽略,不入库)
|
||||
- **模拟卷**:`基于考研的学习/数学一/模拟卷/<第N次模拟-数学一>/`,结构与在学练习不同(用户 2026-10-27 定):
|
||||
- **试卷与知识点分文件**,四个部分:`01-模拟卷`(只有题目)、`02a/02b-答案与解析`(客观题 / 解答题分册,各含"怎么想—解—归因")、`03~05-考点手册`(按科目分册,条目编号 `H01/L01/P01`)、`06-考点预测与分布`(十年统计 + 逐题来源 + 命题规律 + 本卷空缺)
|
||||
- **每题末尾一行** `> **考点** · [H01 名称](03-考点手册-高等数学.md#user-content-h01-…)`,跨文件锚点必须手写 `user-content-` 前缀;手册条目标题用 `## H01 名称`,编号要算进锚点
|
||||
- **预测按"题位"不按"知识点重要性"**:卷面 **2021 起**锁死(10 选 5 分 / 6 填 5 分 / 17 题 10 分 / 18—22 各 12 分,高数 86 + 线代 32 + 概率 32),所以预测对象是"哪个位置该换什么"。**注意是 2021 不是 2022**——2021 年已是 10 选 6 填 6 解,卷一/卷二 06 都写错过
|
||||
- **多卷之间要写"互补表"**:同一个题位各卷走的是哪条路、哪章被谁覆盖,否则读单卷会误以为"这题位只能这么出"。卷三补卷二空掉的二次型与参数估计,三卷合起来 22 章走遍
|
||||
- **张宇 1000 题库的实际范围**:高数 15 章 + 线代 6 章(`参考仓库/张宇1000题-notes/`),不是"只有第 1 章"。别把"张宇骨架"一栏全填"无"
|
||||
- **必须写"本卷空缺"**:列出未覆盖的章 + 十年分值 + 补法,比假装全覆盖有用
|
||||
- **出完要查答案分布**:单选连续 3 个以上同字母、或某字母 0 次,都要重排选项
|
||||
- 含参题**设条件前先解一遍**,出现两组解就补条件(本次第 21 题加 `b<0`)
|
||||
- 张宇 1000 题**没有级数、没有曲线曲面积分、没有概率**,这三块只能以真题为参照,题首不标"张宇骨架"
|
||||
- **专项突破**:`基于考研的学习/数学一/专项突破/<NN>-<名称>/`(用户 2026-10-31 建,2026-11-04 扩到九份 152 题)
|
||||
- 两种性质要分清:**01—03 是章节型**(解决"这块我忘了"),**04—09 是工具型**(解决"这个动作我总做错/太慢")。工具型的优先级不按分值排,越早练越省时间
|
||||
- 工具型统一命名:`01-判定卡与速查` + `02-试题` + `03-解析` + `04-答疑笔记` + `README`(章节型则拆 `01-考点地图` + `03a/03b/03c-解析`)
|
||||
- **每份专题必须有一个"统一手法"**,否则只是刷题:08 用母函数 + 算子 `theta=x·d/dx` 统一四类变形;09 用"相消就降阶"统一三题;07 用指数平移一条恒等式推三个公式;05 用"三问定路径";06 用"对称性与形心互推"
|
||||
- **三层 A/B/C 的分工**:A 核心 = 每个动作各一题(不标真题骨架,通用训练结构);B 一圈 = 完整流程与真题常见包装;C 二圈 = 结构理解或含参讨论。**A 组必设限时**(09 是 90 秒),限时比答案本身重要
|
||||
- **题与题要成对编排**:08 的 A3(除 n)与 A4(除 n+1)合成 B2;09 的 A4(tanx-sinx)与 B3(ln(1+x)-x)同病根;09 的 A2 与 B4 是"根式差一阶/二阶"的反例对
|
||||
- **索引三处必须同步**:`专项突破/README.md`(专题表 + 合计题量 + 相互关系 + 版本记录)、`解题工具清单.md`(状态列改"已出(NN)")、`总览.md`(目录树)
|
||||
- 18 个工具的清单在 `专项突破/解题工具清单.md`,按"计算加速 / 判型构造 / 验算排除"三类分组,**不按科目分**(同一个直觉跨科复用)。T1—T6 已落地为 05—09
|
||||
- **🔴 只认 `D:/考研/第二代数学笔记`。** `D:/Development/创意/考研数学AI学习商业化平台/docs/原始项目参考/第二代数学笔记` 是同名旧快照(停在 2026-11-04),**2026-11-08 用户明令弃用**:禁止读、写、比对。动手前先确认路径前缀。
|
||||
- 复习产出主线在 `基于考研的学习/数学一/`:
|
||||
- `在学练习/<专题>-文件夹/` —— **知识点带题**结构:`README` + `01-知识点盘点` + 每点一分册(`02`—`NN`,知识点在前、题目紧随)+ `速查卡`。已建:无穷级数(42 题)、中值定理(49 题)。不退回「考点册 + 试题册 + 解析册」三件套(仅线代第 2—5 讲仍是旧结构)。
|
||||
- `专项突破/<NN>-<名称>/` —— 章节型(01—03、10)用 `01-考点地图` + `02-试题` + `03a/03b/03c-解析`;工具型(04—09)用 `01-判定卡与速查` + `02-试题` + `03-解析`。每份都要有 `04-答疑笔记` 与 `README`。
|
||||
- `模拟卷/<第N次模拟-数学一>/` —— `01-模拟卷`(只有题)+ `02a/02b-答案与解析` + `03~05-考点手册`(H01/L01/P01)+ `06-考点预测与分布`。
|
||||
- `每日小练/做题本.md` 记小练与章节练习的错;`冲刺错题本/` 只记真题、模拟卷、专项、限时训练的错(七段,含「二刷」)。
|
||||
- 真题库:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db`(2016—2025,225 题,表 `question`)。**`chapter_id` 存的是纯数字 `'17'`,不是 `'ch17'`。**
|
||||
- 参考仓库:`参考仓库/Math/`(张宇基础三十讲 + 李永乐 660 的 tex 笔记)、`参考仓库/张宇1000题-notes/`(高数 15 章 + 线代 6 章,**无概率、无级数、无曲线曲面积分**)。
|
||||
|
||||
## 用户偏好
|
||||
## 二、用户偏好(硬约束)
|
||||
|
||||
- 数学内容**必须准确渲染公式**;Markdown 用 `$…$` / `$$…$$`。
|
||||
- **写 `.md` 时,行内公式 `$…$` 的收尾 `$` 后面必须紧跟半角空格**,再写中文或全角标点(云端 Gitea 的硬性要求,见工具链)。例:`若 $X_n\to X$ ,则…`
|
||||
- **多行 `$$…$$` 块的开头与收尾 `$$` 必须独占一行**(Gitea 硬性要求)。
|
||||
- 标题/正文里 `**加粗**` 的收尾 `**` 后若是汉字,补一个半角空格(避免 CommonMark flank 规则导致星号外露)。
|
||||
- **绝对不要写 `$…$**`(加粗以公式收尾)**:Gitea 要求收尾 `$` 后是空白,补空格又会破坏 `**` 的 right-flanking,**两头都死**,只能改写句式——把公式挪出加粗,或在公式后补一个汉字再收 `**`(例:`**因式分解凑出 $XY=E$ 的形式**`)。同理避免 `$…$"`(半角引号)与 `$…$)`,改用空格或去掉引号。
|
||||
- 题目要求**难度分层**(A 基础 / B 中等 / C 拔高),题量可比小练多。
|
||||
- 出题**防过拟合**:数字/区域原创,只对齐考法;要标「真题骨架」锚点。
|
||||
- 讲解要**从零拆解 + 指出易错点**,并配图(show_widget 用 SVG)。
|
||||
- **不再生成 PDF**(2026-10-23 起)。讲义只出 Markdown,在网页端或 App 里看;`md2pdf.js` 工具链保留但不主动调用。
|
||||
- **讲义结构:知识点盘点 + 以题带点分册**。每讲 = `README` + `01-知识点盘点` + 每个考点一个分册 + 速查卡。盘点只做「定义/定理/判据/公式」的高密度地图,不展开例题;题目全部嵌在点分册里,绝不退回「考点册 + 试题册 + 解析册」三件套。
|
||||
- **单个 md 不超过 1.3 万字符(约 6000 汉字),超了就拆文件**。一个文件塞太多内容会逼着压缩,压缩就丢细节(第3讲 1.8 万字符塞 7 个点的教训)。
|
||||
- **唯一的存量豁免(2026-11-04 用户批准,原话「这次允许超过字数限制,下不为例」)**:`线性代数-第3讲-向量/01-知识点盘点.md`(17335)与 `大题十年考点/09-点8-曲线积分.md`(17689)。两个都**不拆**——拆会打断「15 个考点文件」的编号体系。豁免仅限这两处现状:**再往这两个文件里加内容导致字数上涨,一样算违规**;`vector-audit/check_vector_learning.py` 的 `SIZE_EXEMPT` 记了豁免字数,涨了即报 WARN
|
||||
- **例外到此为止**:新写的文件一律不得超 1.3 万,交付前先数;超了就当场拆(`01b` / `03a-03b` 两种拆法都已在用)
|
||||
- **文件间用相对路径 Markdown 链接做双向链接**(`[点 2](03-点2-秩与极大无关组.md)`),不用 `[[ ]]`:Gitea 会渲染成可点路径,Obsidian 也能进反链面板。
|
||||
- **双向链接做到「题级」**(用户 2026-10-23 要求):不止点末一张表,**每道题末尾都要有一行 `> **关联** · 盘点 … | 上游 … | 下游 … | 速查 …`**,四向都指向具体题目的锚点;盘点/速查里的反向索引(§0.4「章节 ↔ 题目」、速查「回查」)由同一份映射**反向生成**,保证对称不漏。
|
||||
- **Gitea 锚点规则(两条方向相反,极易踩)**:标题 id $=$ `user-content-` $+$ 小写化(保留字母数字汉字与下划线,空格→`-`,**其余标点全删**,`·` 两侧空格 → 两个 `-`)
|
||||
- **同文件**写 `#问题-2--变换后的向量组` —— Gitea 渲染时**自动**补 `user-content-`
|
||||
- **跨文件**写 `03-xxx.md#user-content-问题-1--…` —— Gitea **不补**,必须手写前缀
|
||||
- **标题里禁止出现 `$...$`**(2026-10-24 定):公式会让锚点漂移、Gitea 渲染文本与源码不一致,锚点算不出来。标题一律写纯文字(`### 题 4 · 4.1:乘积矩阵的正定性`)
|
||||
- 校验:`python .workbuddy/tools/md2pdf/check_md_links.py <目录>`(查目标文件与锚点是否存在)
|
||||
- **`gen_crosslinks.py`**(2026-10-24 建):单一数据源 = 题目标题 `### 题 N · X.Y:短标题(★★☆)`,幂等生成 ①每题关联行 ②盘点 `<!-- AUTO:KP -->` 之间的 §0.4 表 ③速查卡 `<!-- AUTO:回查 -->` 之间的回查表。`--check` 只统计。**速查卡里同一个 `<!-- KP: x.y -->` 只能挂在一个小节**(后写覆盖前写)
|
||||
- 单文件 **≤1.3 万字符**,超了就拆(`01b`、`03a/03b/c`、`08/08b/08c` 三种拆法都已在用)。唯一存量豁免:线代第3讲 `01-知识点盘点`(17335)与 `大题十年考点/09-点8-曲线积分`(17689),再涨即违规。
|
||||
- 题目难度分层 A/B/C;**专项突破里 A 组必设限时**;**出题要对齐真题与张宇难度,不许一步套公式**(2026-11-11 用户因"太简单"要求整组重做)。题源要标 `【真题 20xx-xx 骨架】` / `【张宇 30 讲 · … 骨架】`,原创题不假标骨架。
|
||||
- 出题防过拟合:换数字、换区域,只对齐考法。含参题设条件前先解一遍。
|
||||
- **不再生成 PDF**(2026-10-23 起),只出 Markdown。
|
||||
- 双向链接用相对路径 Markdown(不用 `[[ ]]`),做到题级:每题末 `> **关联** · 盘点 … | 上游 … | 下游 … | 速查 …`。
|
||||
- **标题里禁止出现 `$…$`**(锚点会漂)。
|
||||
- **表格里的数学式禁止裸 `|`**,一律 `\vert`。
|
||||
- 改动后三处索引同步:`专项突破/README.md`、`解题工具清单.md`、`总览.md`。
|
||||
|
||||
## 工具链(本项目自建,可复用)
|
||||
## 三、Gitea 网页渲染的六条硬规则(云端 Goldmark,和本地 KaTeX 不同)
|
||||
|
||||
- **md2pdf**:`D:/考研/第二代数学笔记/.workbuddy/tools/md2pdf/md2pdf.js`
|
||||
- 渲染链:Markdown → 公式占位 → markdown-it → KaTeX 服务端渲染 → Edge(puppeteer-core) 无头打印 A4
|
||||
- `--mode answer` 生成答题版(逐题留白:A 组 88mm、B/C 组 178mm)
|
||||
- `shot.js` 用于 HTML 视觉验收截图
|
||||
- 依赖装在托管 node 工作区:`C:/Users/Wang Ling/.workbuddy/binaries/node/workspace`
|
||||
- 本机**无 pandoc / 无 LaTeX**,勿尝试 xelatex 路线
|
||||
- **Gitea 网页端公式渲染的硬规则**(云端 `app.zhantiandoudi.cn` 走 Gitea 自己的 Goldmark 扩展,**与本地 md2pdf 的 KaTeX 链路不同**,本地正常不代表网页正常)
|
||||
- 行内 `$...$`:收尾 `$` 的后一个字符必须是**半角空白**(空格/换行);紧贴中文或全角标点 → 整对 `$` 不渲染。开头 `$` 的左邻若是 ASCII 字母/数字或 `. ! ? , ; :` 也不渲染
|
||||
- 多行 `$$...$$`:同一行上 `$$` 后面若还有内容,整个块被拒绝(Gitea `block_parser.Open()` 的 `idx=-1` 分支缺陷)
|
||||
- `**加粗**`:收尾 `**` 前是标点、后紧贴汉字 → 不生效(CommonMark right-flanking),星号外露
|
||||
- **front matter(`---` 包住的信息块)不过 markdown**(2026-10-26 发现):Gitea 把 `key: value` 渲染成表格,里面的 `$+$`、反引号会**原样露出**。信息块里只写纯文字(`+` 就写 `+`)。此问题本地 md 预览与 PDF 都看不出来,**只有抓网页才暴露**
|
||||
- **空位横线绝不能写进 `$$…$$` 内部**(2026-10-31 用户报错):`______` 在数学模式里等于连续空下标,KaTeX 抛 `Expected group after '_'`,**整块**渲染失败。写法固定为「公式块只放表达式本体,`的值为 ______ 。` 回到正文」。检测器:`fix_gitea_math.py` 的 `scan_math_underscore()`(只提示不自动改,改法取决于题意)
|
||||
- 一键检测/修复:`python .workbuddy/tools/md2pdf/fix_gitea_math.py --check|--apply [--scope=目录]`(已含 front matter 规则)
|
||||
- 网页核验(抓页面数残留 `$`):`python .workbuddy/tools/md2pdf/verify_gitea_math.py [仓库相对路径…]`,**交付前对新写文件跑一遍**,本地 0 处不代表网页 0 处
|
||||
- **三个校验器必须都跑,少跑一个等于没跑**(2026-11-04 因 07 只跑了链接校验而漏 18 处公式问题):`check_md_links`(链接与锚点)→ `fix_gitea_math --check`(公式与加粗与信息块)→ `verify_gitea_math`(真实网页残留 `$`)。**链接全绿 ≠ 网页能渲染**
|
||||
- `fix_gitea_math --apply` 只修"公式后缺空格",**不修"加粗以公式收尾"**(它补的空格会落到 `**` 内侧,反而让加粗失效)。这类必须手改句式:让 `**` 以汉字收尾(`**……$x$ 的情形**`),或把公式挪出加粗
|
||||
- `--scope=` 传**仓库相对路径**才生效;传绝对路径(如 `/tmp/x`)会因 `os.path.join(ROOT, …)` 拼错而静默跳过,`--apply` 什么都不改也不报错
|
||||
- 批量重生成概率论 PDF:`bash .workbuddy/tools/md2pdf/rebuild_prob_pdfs.sh`
|
||||
- 上述三类修复 KaTeX 输出不变(会 trim),故 PDF 可不必重生成
|
||||
1. 行内 `$…$` 收尾 `$` 后必须紧跟**半角空白**;紧贴中文或全角标点 → 整对不渲染。开头 `$` 左邻若是 ASCII 字母数字或 `. ! ? , : ;` 也不渲染。
|
||||
2. `$$` **块级**公式的开头与收尾必须独占一行;单行 `$$…$$` 成对是合法的。**空位横线 `______` 绝不能写进数学模式**(KaTeX 抛 `Expected group after '_'`,整块失败),公式块只放表达式本体。
|
||||
3. `**加粗**`:收尾 `**` 前是标点、后紧贴汉字 → 不生效。**绝不能写 `$…$**`**(两头都死),只能改写句式让 `**` 以汉字收尾。
|
||||
4. front matter 不过 markdown,里面只写纯文字(`+` 就写 `+`)。
|
||||
5. 跨文件锚点必须手写 `#user-content-` 前缀,同文件不用。锚点算法:小写化,保留字母数字汉字下划线,空格→`-`,**其余标点全删**(`|`、`·`、`:`、`$` 都删)。
|
||||
6. 清单要挂题锚点时**用标题不用表格**(表格行没有 heading id)。
|
||||
|
||||
## 云仓库
|
||||
## 四、工具链(`.workbuddy/tools/md2pdf/`)
|
||||
|
||||
- `origin = https://app.zhantiandoudi.cn/Yimu/MathNotesVersion2.git`(main 分支)
|
||||
- **`.gitignore` 注释必须独占行首**(行尾注释会静默失效,曾导致 259MB 误入待推送)
|
||||
- 推送前固定检查:`git fetch` → `git rev-list --left-right --count origin/main...main` → 待推送体积(`du -ch --files0-from=-`)→ 删除项人工确认
|
||||
- **交付前三个校验器必须都跑**:`check_md_links.py <目录>`(链接与锚点,**只扫单层不递归**)→ `fix_gitea_math.py --check`(公式空格、加粗、front matter)→ `verify_gitea_math.py <仓库相对路径…>`(抓真实网页数残留 `$`)。**链接全绿 ≠ 网页能渲染。**
|
||||
- `fix_gitea_math --apply` **会重写整个 scope**,先 `git add`;`--scope=` 只能传仓库相对路径(绝对路径静默失效);它**不修**「加粗以公式收尾」。
|
||||
- 重构某讲后必须全局搜旧文件名:`grep -rn "<讲目录>/0" --include=*.md .`,否则下游死链发现不了。
|
||||
- `verify_gitea_math` 会把行内代码里的字面 `$…$` 误报,README 里别把公式写进反引号。
|
||||
- bash 双引号内的反引号会触发命令替换;含反引号或多行文本改用 Write 一个临时 `.py`。
|
||||
- `gen_crosslinks.py`:单一数据源是题目标题 `### 题 N · X.Y:短标题`,幂等生成关联行 / §0.4 表 / 速查回查表。点文件匹配 `^\d{2}[a-z]?-点`,题号从文件名取。
|
||||
- Python:`C:/Users/Wang Ling/.workbuddy/binaries/python/envs/default/Scripts/python.exe`(跑仓库脚本);`C:/Python314/python.exe`(**带 sympy**,所有数值必须验算)。
|
||||
- 本机无 pandoc / 无 LaTeX。`md2pdf.js` 保留但不主动调用。
|
||||
|
||||
## 五、云仓库
|
||||
|
||||
- `origin = https://app.zhantiandoudi.cn/Yimu/MathNotesVersion2.git`(main)。
|
||||
- **代理端口每轮都变**(7897→55184→61286→62633→61742),一律 `git -c http.proxy="$https_proxy" -c https.proxy="$https_proxy" push`,`-c` 必须放在子命令**前**。
|
||||
- 推送前检查:`git status --short`(确认不含 `.workbuddy/tmp` 等临时物)→ 提交 → push → `git rev-list --left-right --count origin/main...main` 归零。
|
||||
- `.gitignore` 注释必须独占行首(行尾注释会静默失效)。
|
||||
|
||||
@@ -87,8 +87,9 @@ def scan_quick(kp_path):
|
||||
|
||||
def build(d, check_only=False):
|
||||
# 点文件:`NN-点K-*.md`(兼容 02..09 老讲次与 10 以上的新讲次)
|
||||
# 也兼容 `08b-点7-*.md` 这类"同一知识点拆多册"的命名(超 1.3 万字符时的拆法)
|
||||
point_files = sorted(fn for fn in os.listdir(d)
|
||||
if re.match(r'^\d{2}-点', fn) and fn.endswith('.md'))
|
||||
if re.match(r'^\d{2}[a-z]?-点', fn) and fn.endswith('.md'))
|
||||
inv = os.path.join(d, '01-知识点盘点.md')
|
||||
if not os.path.exists(inv):
|
||||
cand = [fn for fn in sorted(os.listdir(d))
|
||||
@@ -108,9 +109,12 @@ def build(d, check_only=False):
|
||||
index = {} # (file, no) -> item
|
||||
by_kp = {} # kp -> [item] 按 (文件名, 题号) 排序
|
||||
for order, fn in enumerate(point_files):
|
||||
m = re.match(r'^\d{2}[a-z]?-点(\d+)', fn)
|
||||
pno = int(m.group(1)) if m else order + 1
|
||||
for it in scan_point_file(os.path.join(d, fn)):
|
||||
it['file'] = fn
|
||||
it['order'] = order
|
||||
it['point'] = pno
|
||||
it['anchor'] = anchor(it['heading'])
|
||||
index[(fn, it['no'])] = it
|
||||
by_kp.setdefault(it['kp'], []).append(it)
|
||||
@@ -164,7 +168,7 @@ def build(d, check_only=False):
|
||||
if not items:
|
||||
return '—'
|
||||
return '、'.join('[点 %d 题 %d](%s#user-content-%s)' % (
|
||||
it2['order'] + 1, it2['no'], it2['file'], it2['anchor'])
|
||||
it2['point'], it2['no'], it2['file'], it2['anchor'])
|
||||
for it2 in items)
|
||||
|
||||
if kp in kp_quick:
|
||||
@@ -190,15 +194,24 @@ def build(d, check_only=False):
|
||||
write(path, res)
|
||||
|
||||
# ---- 2. 生成 §0.4 ----
|
||||
if os.path.exists(inv):
|
||||
txt = read(inv)
|
||||
# 反查表写到"含 AUTO:KP 标记的那份文件"——默认是盘点,但盘点超过 1.3 万字符时
|
||||
# 可以把表迁到 01b(标记跟着走),脚本不必改。找不到标记就退回盘点。
|
||||
target = inv
|
||||
if not (os.path.exists(inv) and '<!-- AUTO:KP -->' in read(inv)):
|
||||
for fn in sorted(os.listdir(d)):
|
||||
p = os.path.join(d, fn)
|
||||
if fn.endswith('.md') and os.path.exists(p) and '<!-- AUTO:KP -->' in read(p):
|
||||
target = p
|
||||
break
|
||||
if os.path.exists(target):
|
||||
txt = read(target)
|
||||
rows = ['| 盘点章节(知识点) | 对应题目 |', '|---|---|']
|
||||
all_kps = sorted(kp_names, key=lambda s: tuple(int(x) for x in s.split('.')))
|
||||
for kp in all_kps:
|
||||
items = by_kp.get(kp, [])
|
||||
if items:
|
||||
cell = '、'.join('[点 %d 题 %d](%s#user-content-%s)' % (
|
||||
it['order'] + 1, it['no'], it['file'], it['anchor']) for it in items)
|
||||
it['point'], it['no'], it['file'], it['anchor']) for it in items)
|
||||
else:
|
||||
cell = '(本讲未单独配题)'
|
||||
rows.append('| §%s %s | %s |' % (kp, kp_names[kp], cell))
|
||||
@@ -209,7 +222,7 @@ def build(d, check_only=False):
|
||||
if new_txt != txt:
|
||||
changed += 1
|
||||
if not check_only:
|
||||
write(inv, new_txt)
|
||||
write(target, new_txt)
|
||||
|
||||
# ---- 3. 生成速查卡「回查」表 ----
|
||||
if quick and os.path.exists(quick):
|
||||
@@ -234,7 +247,7 @@ def build(d, check_only=False):
|
||||
items.sort(key=lambda x: (x['order'], x['no']))
|
||||
if items:
|
||||
cell = '、'.join('[点 %d 题 %d](%s#user-content-%s)' % (
|
||||
it['order'] + 1, it['no'], it['file'], it['anchor'])
|
||||
it['point'], it['no'], it['file'], it['anchor'])
|
||||
for it in items)
|
||||
rows.append('| %s | %s |' % (cur, cell))
|
||||
tbl = '\n'.join(rows)
|
||||
|
||||
+76
-43
@@ -44,42 +44,58 @@ tags:
|
||||
│ ├── 02-数列.md ✓ 已出(2026-10-12,初版 10 题)
|
||||
│ ├── 02-数列-加强版.md ✓ 已出(2026-10-13,14 题)
|
||||
│ ├── 02-数列-知识点复习.md ✓ 数列与极限复习手册
|
||||
│ └── 02-数列-质量审计.md ✓ 命题依据审计
|
||||
│ └── 做题本.md ✓ 错题记录
|
||||
├── 在学练习/ ← 正在学的章节:考点/试题/解析 三件分离,按讲次建文件夹
|
||||
│ ├── 概率论-第3讲-多维随机变量及其分布/ ✓ 已出(2026-10-13)
|
||||
│ │ ├── README.md ✓ 文件夹索引与规划
|
||||
│ │ ├── 01-考点手册.md ✓ 全考点 + 雅可比行列式变换法
|
||||
│ │ ├── 02-试题.md ✓ 19 题(A/B/C 分层,不含答案)
|
||||
│ │ ├── 03-解析.md ✓ 19 题详解
|
||||
│ │ ├── 04-答疑笔记.md ✓ 卡壳题逐步答疑
|
||||
│ │ ├── 05-试题-中高难度.md ✓ 12 题(B 中等 7 / C 拔高 5)
|
||||
│ │ ├── 06-解析-中高难度.md ✓ 强化卷详解 + 缺口覆盖表
|
||||
│ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
|
||||
│ │ ├── 概率论第3讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
|
||||
│ │ ├── 概率论第3讲-试题-中高难度-答题版.pdf(13 页,全部整页留白)
|
||||
│ │ ├── 概率论第3讲-解析-中高难度.pdf(9 页)
|
||||
│ │ ├── 概率论第3讲-考点手册.pdf(10 页)
|
||||
│ │ ├── 概率论第3讲-解析.pdf(7 页)
|
||||
│ │ └── 概率论第3讲-答疑笔记.pdf(9 页)
|
||||
│ ├── 概率论-第5讲-大数定律与中心极限定理/ ✓ 已出(2026-10-16,真题库第 19 章)
|
||||
│ │ ├── README.md ✓ 文件夹索引与规划
|
||||
│ │ ├── 01-考点手册.md ✓ 依概率收敛 / 切比雪夫 / 三大数定律 / 两 CLT / 泊松近似
|
||||
│ │ ├── 02-试题.md ✓ 16 题(A 基础 6 / B 中等 6 / C 拔高 4,不含答案)
|
||||
│ │ ├── 03-解析.md ✓ 16 题详解 + 命题质量报告
|
||||
│ │ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
|
||||
│ │ ├── 概率论第5讲-试题-答题版.pdf(14 页,A 半页 / B·C 整页留白)
|
||||
│ │ ├── 概率论第5讲-解析.pdf(9 页)
|
||||
│ │ └── 概率论第5讲-考点手册.pdf(8 页)
|
||||
│ └── 概率论-第6讲-数理统计/ ✓ 已出(2026-10-16,真题库第 20/21/22 章,15 题 116 分)
|
||||
│ ├── README.md ✓ 文件夹索引与规划
|
||||
│ ├── 01-考点手册.md ✓ 总体与样本 / 统计量及其分布 / 点估计(含 MLE 不变性)/ 区间估计(单+两总体)/ 假设检验(单+两总体)/ 两类错误
|
||||
│ ├── 02-试题.md ✓ 18 题(A 基础 6 / B 中等 8 / C 拔高 4,不含答案)
|
||||
│ ├── 03-解析.md ✓ 18 题详解 + 命题质量报告
|
||||
│ └── PDF/ ✓ 平板书写版(KaTeX 渲染,试题逐题留白)
|
||||
│ ├── 概率论第6讲-试题-答题版.pdf(17 页,A 半页 / B·C 整页留白)
|
||||
│ ├── 概率论第6讲-解析.pdf(13 页)
|
||||
│ └── 概率论第6讲-考点手册.pdf(19 页,含两总体区间估计与检验)
|
||||
│ ├── 02-数列-质量审计.md ✓ 命题依据审计
|
||||
│ └── 做题本.md ✓ 错题记录(每日小练与章节练习)
|
||||
├── 冲刺错题本/ ← 冲刺阶段错题(真题、模拟卷、限时训练),按科目分册、按错因定回看顺序(2026-11-09 建)
|
||||
│ ├── README.md ✓ 用法、错因五类、复习节奏
|
||||
│ └── 01-高等数学.md ✓ 1 题(2016·19 压缩映射与级数收敛)
|
||||
├── 在学练习/ ← 正在学的章节:按「知识点盘点 + 逐点分册(知识点带题)+ 速查卡」组织,按讲次建文件夹
|
||||
│ ├── 概率论-第3讲-多维随机变量及其分布/ ✓ 已重构(2026-11-07,真题库第 17 章,11 题 105 分)
|
||||
│ │ ├── README.md ✓ 索引、三轮读法、锚点规则
|
||||
│ │ ├── 01-知识点盘点.md ✓ 七节 + 按分值/依赖链两张表 + §0.4 反查 + 覆盖对照 + 相邻讲接口
|
||||
│ │ ├── 02-点1-联合分布与边缘分布.md
|
||||
│ │ ├── 03-点2-二维离散型.md
|
||||
│ │ ├── 04-点3-二维连续型与两类分布.md
|
||||
│ │ ├── 05-点4-独立性.md
|
||||
│ │ ├── 06-点5-函数分布两条路.md
|
||||
│ │ ├── 07-点6-四则运算与最值.md
|
||||
│ │ ├── 08-点7-混合型与全概率.md
|
||||
│ │ └── 09-速查卡.md ✓ 十四组结论 + 六处丢分点 + AUTO 回查(共 27 题)
|
||||
│ ├── 概率论-第4讲-随机变量的数字特征/ ✓ 新建(2026-11-07,真题库第 18 章,7 题 32 分,全为选填)
|
||||
│ │ ├── README.md
|
||||
│ │ ├── 01-知识点盘点.md
|
||||
│ │ ├── 02-点1-数学期望.md
|
||||
│ │ ├── 03-点2-方差与矩.md
|
||||
│ │ ├── 04-点3-协方差与相关系数.md
|
||||
│ │ ├── 05-点4-条件期望与重期望.md
|
||||
│ │ ├── 06-点5-线性组合与最值.md
|
||||
│ │ └── 07-速查卡.md ✓ 九组结论 + 六处丢分点(共 19 题)
|
||||
│ ├── 概率论-第5讲上-大数定律/ ✓ 由原第 5 讲拆出(2026-11-07,真题库第 19 章前半)
|
||||
│ │ ├── README.md
|
||||
│ │ ├── 01-知识点盘点.md
|
||||
│ │ ├── 02-点1-依概率收敛.md
|
||||
│ │ ├── 03-点2-切比雪夫不等式.md
|
||||
│ │ ├── 04-点3-三条大数定律.md
|
||||
│ │ └── 05-速查卡.md ✓ 十组结论 + 六处丢分点(共 14 题)
|
||||
│ ├── 概率论-第5讲下-中心极限定理/ ✓ 由原第 5 讲拆出(2026-11-07,真题库第 19 章后半)
|
||||
│ │ ├── README.md
|
||||
│ │ ├── 01-知识点盘点.md
|
||||
│ │ ├── 02-点1-列维-林德伯格定理.md
|
||||
│ │ ├── 03-点2-棣莫弗-拉普拉斯定理.md
|
||||
│ │ ├── 04-点3-三种近似辨析.md
|
||||
│ │ └── 05-速查卡.md ✓ 七组结论 + 六处丢分点(共 7 题)
|
||||
│ └── 概率论-第6讲-数理统计/ ✓ 重构(2026-11-07,原三件套 → 知识点带题;真题库第 20/21/22 章,15 题 116 分)
|
||||
│ ├── README.md
|
||||
│ ├── 01-知识点盘点.md
|
||||
│ ├── 02-点1-总体样本与统计量.md
|
||||
│ ├── 03-点2-三大抽样分布.md
|
||||
│ ├── 04-点3-正态总体的抽样分布.md
|
||||
│ ├── 05-点4-矩估计.md
|
||||
│ ├── 06-点5-最大似然估计.md
|
||||
│ ├── 07-点6-估计量的评价标准.md
|
||||
│ ├── 08-点7-区间估计.md
|
||||
│ ├── 09-点8-假设检验与两类错误.md
|
||||
│ └── 10-速查卡.md ✓ 八组结论 + 六处丢分点(共 26 题)
|
||||
│ ├── 线性代数-第2讲-矩阵/ ✓ 已出(2026-10-18,真题库第 10 章,11 题 71 分)
|
||||
│ │ ├── README.md ✓ 2026-10-20 重写;新增 18 题与逐步解析
|
||||
│ │ └── 01-考点手册.md ✓ 从计算例子讲运算、逆、初等变换、秩、伴随、分块与幂
|
||||
@@ -100,14 +116,24 @@ tags:
|
||||
│ │ ├── 02-试题.md ✓ 18 题(A 6 / B 8 / C 4,不含答案)
|
||||
│ │ ├── 03-解析.md ✓ 18 题详解 + 命题质量报告
|
||||
│ │ └── PDF/ ✓ 平板书写版(考点手册 / 试题答题版 / 解析)
|
||||
│ └── 高等数学-无穷级数/ ✓ 已出(2026-10-26,真题库第 7 章,15 题 87 分)
|
||||
│ ├── 高等数学-无穷级数/ ✓ 已出(2026-10-26,真题库第 7 章,15 题 87 分)
|
||||
│ │ ├── README.md ✓ 结构说明与三轮读法
|
||||
│ │ ├── 01-知识点盘点.md ✓ 八节盘点(27 个知识点)+ §0.4 题级对照
|
||||
│ │ ├── 01b-覆盖对照与接口.md ✓ 大纲 / 真题 / 参考仓库并集对照
|
||||
│ │ ├── 02~09-点1~点8 ✓ 八个分册,共 42 题(点 7 拆 08 / 08b / 08c 三册)
|
||||
│ │ └── 10-速查卡.md ✓ 十五组结论 + 四处丢分点 + 回查表
|
||||
│ └── 高等数学-中值定理/ ✓ 已出(2026-11-18,真题库第 2 章,6 道大题 68 分)
|
||||
│ ├── README.md ✓ 结构说明与三轮读法
|
||||
│ ├── 01-知识点盘点.md ✓ 八节盘点(26 个知识点)+ §0.4 题级对照
|
||||
│ ├── 01b-覆盖对照与接口.md ✓ 大纲 / 真题 / 参考仓库并集对照
|
||||
│ ├── 02~09-点1~点8 ✓ 八个分册,共 42 题
|
||||
│ └── 10-速查卡.md ✓ 十五组结论 + 四处丢分点 + 回查表
|
||||
│ ├── 01-知识点盘点.md ✓ 八节盘点(34 个知识点)+ §0.4 题级对照
|
||||
│ ├── 01b-覆盖对照与接口.md ✓ 三条线对照 + 34 类题型覆盖表
|
||||
│ ├── 02~09-点1~点8 ✓ 八个分册,共 49 题(点 1 七题,余各六题)
|
||||
│ └── 10-速查卡.md ✓ 十组判别表 + 五处丢分点 + 回查表
|
||||
├── 知识点构建/ ← 背诵版(讲义态,20 份 739 题)+ 概率专背清单(记忆态,六册 231 条)
|
||||
│ ├── README.md ✓ 专栏用法、题量进度、题型考点补全表
|
||||
│ ├── 01—20-背诵版-*.md ✓ 高数 9 / 线代 6 / 概率 5,一讲一份
|
||||
│ └── 21—27-专背清单-概率论-*.md ✓ 口袋卡:总纲+六讲(2026-11-17 建)
|
||||
├── 专项突破/ ← 按薄弱点组织的扩散式复习(2026-10-31 建)
|
||||
│ ├── README.md ✓ 总索引:九份专题关系 + 扩散式复习说明
|
||||
│ ├── README.md ✓ 总索引:十份专题关系 + 扩散式复习说明
|
||||
│ ├── 01-反常积分与一元积分综合/ ✓ 已出(20 题,ch3 全章扩散)
|
||||
│ │ ├── 01-考点地图.md ✓ 三层扩散(核心 6 条 + 一圈 7 条 + 二圈 5 条)
|
||||
│ │ ├── 02-试题.md ✓ 20 题(A 核心 8 / B 一圈 7 / C 二圈 5,含张宇骨架标注)
|
||||
@@ -120,7 +146,7 @@ tags:
|
||||
│ │ ├── 03a-解析-核心.md ✓ A 组 10 题详解
|
||||
│ │ ├── 03b-解析-扩散.md ✓ B/C 组 11 题详解 + 错题归因表
|
||||
│ │ └── 04-答疑笔记.md ✓ 待填
|
||||
│ ├── 03-大数定律与数理统计/ ✓ 已出(20 题,ch19—ch22,真题约 138 分)
|
||||
│ ├── 03-大数定律与数理统计/ ✓ 已出(33 题,ch19—ch22,真题约 138 分)
|
||||
│ │ ├── 01-考点地图.md ✓ 切比雪夫 / 三大分布 / 四件套 / 两张区间表
|
||||
│ │ ├── 02-试题.md ✓ 20 题(A 核心 10 / B 一圈 5 / C 二圈 5)
|
||||
│ │ ├── 03a-解析-核心.md ✓ A 组 10 题详解
|
||||
@@ -158,6 +184,13 @@ tags:
|
||||
│ │ ├── 02-试题.md ✓ 13 题(A 6 / B 5 / C 2,A 组限时 90 秒)
|
||||
│ │ ├── 03-解析.md ✓ 逐题归因 + 七类错题表
|
||||
│ │ └── 04-答疑笔记.md ✓ 待填
|
||||
│ ├── 10-多维随机变量/ ✓ 已出(2026-11-11,30 题,章节型专题·概率 ch17)
|
||||
│ │ ├── 01-考点地图.md ✓ 十二个核心动作 + 十年真题索引 + 六个陷阱
|
||||
│ │ ├── 02-试题.md ✓ 30 题(A 核心 12 / B 一圈 10 / C 二圈 8)
|
||||
│ │ ├── 03a-解析-基础.md ✓ A 组 12 题详解
|
||||
│ │ ├── 03b-解析-中等.md ✓ B 组 10 题(真题包装形态)
|
||||
│ │ ├── 03c-解析-拔高.md ✓ C 组 8 题(含八个断言辨析)
|
||||
│ │ └── 04-答疑笔记.md ✓ 待填
|
||||
│ └── 解题工具清单.md ✓ 18 个工具的全景表(T1—T6 已落地为 05—09,11 个待建)
|
||||
├── 模拟卷/ ← 模拟卷(按十年库命题的自测卷)
|
||||
│ ├── README.md ✓ 系列索引 + 两代格式说明 + 出卷流程
|
||||
|
||||
@@ -74,6 +74,19 @@ $$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\xrightarrow{d}N(0,1).$$
|
||||
|
||||
第 4 条是最常用的:**$\sigma$ 未知时把 $\sigma$ 换成 $S$ ,正态就变 $t$ 分布**。这一条直接决定了置信区间用 $u$ 还是用 $t$ 。
|
||||
|
||||
**四个格子**(本章最该背死的一张表,四种组合就是四个枢轴量):
|
||||
|
||||
| 要估的参数 | 另一个参数 | 枢轴量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ |
|
||||
| $\mu$ | $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}$ | $\chi^2(n)$ |
|
||||
|
||||
生成规则只有一条:**枢轴量里不许出现"待估参数以外的未知量"**。估 $\mu$ 时 $\sigma$ 未知就用 $S$ 顶上,代价是变 $t$ ;估 $\sigma^2$ 时 $\mu$ 未知就用 $\bar X$ 顶上,代价是自由度掉一个。**每消掉一个未知参数就吃掉一个自由度**——这才是 $n-1$ 的来历。
|
||||
|
||||
用表的顺序是**先看被估对象,再看另一个参数**。多数人错在直接问"我该用 $t$ 吧",没先问"我要估谁"。十三道专项练在 [02b-试题-四件套专练](02b-试题-四件套专练.md)。
|
||||
|
||||
### 1.6 矩估计
|
||||
|
||||
**做法**:用样本矩代替总体矩,解方程。
|
||||
@@ -193,6 +206,8 @@ $\alpha$ 是**显著性水平**,检验时先定 $\alpha$ 再定拒绝域。**
|
||||
7. **假设检验把 $\alpha$ 用错侧**:双尾检验用 $\alpha/2$ ,单尾用 $\alpha$ 。
|
||||
8. **忘记"独立"这个条件**:$t$ 与 $F$ 的定义都要求两个 $\chi^2$ 型变量独立。
|
||||
9. **相合性当成无偏性**:两者是不同概念,相合是"样本量趋于无穷时收敛"。
|
||||
10. **四格表选错那一格**:$\mu$ 已知却用 $\chi^2(n-1)$ 估 $\sigma^2$ ,是**保守**(区间偏宽、置信度不降);$\mu$ 未知却用 $\chi^2(n)$ ,是**致命**($\sum(X_i-\mu)^2$ 根本算不出来)。两者错法不同,别混为一谈。
|
||||
11. **把"有偏"当成"不能当枢轴"**:$\frac{n\hat\sigma^2}{\sigma^2}$ 与 $\frac{(n-1)S^2}{\sigma^2}$ 是同一个量,构造出的区间逐字相同。
|
||||
|
||||
## 五、题目索引
|
||||
|
||||
@@ -218,3 +233,6 @@ $\alpha$ 是**显著性水平**,检验时先定 $\alpha$ 再定拒绝域。**
|
||||
| C3 | 双总体均值差检验 | 二圈 | 大纲要求、十年未考 |
|
||||
| C4 | 大数定律的证明 | 二圈 | 真题 2018-8 变体 |
|
||||
| C5 | 参数估计综合(MLE + 无偏 + 有效) | 二圈 | 真题 2024-22 变体 |
|
||||
| D1—D13 | **四件套专练**:四格表识别、同数据走四格、长度反求 $n$ 、上限反推置信度、$\chi^2(n)$ 的应用、合并 $t$ 、八条断言 | 专项 | 真题 2016-14 / 2017-8 / 2017-23 / 2021-10 / 2022-22 / 2023-9 骨架 + 张宇 30 讲 |
|
||||
|
||||
D 组单独成册([02b](02b-试题-四件套专练.md) 题 / [03c](03c-解析-四件套.md) 解析),13 题只练一件事:给定场景选对统计量。这份是本专题里**最该反复做的一册**,因为统计部分的失分八成倒在这一张表上。
|
||||
|
||||
@@ -0,0 +1,233 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 试题, 数理统计]
|
||||
专题: 大数定律与数理统计
|
||||
日期: 2026-11-12
|
||||
题量: 13 题(D 组 · 四件套专练)
|
||||
状态: 试题版,解析见 03c
|
||||
关联笔记: ["[[01-考点地图]]", "[[02-试题]]", "[[03c-解析-四件套]]", "[[04-答疑笔记]]"]
|
||||
---
|
||||
|
||||
# 四件套专练 · μ 与 σ 谁已知
|
||||
|
||||
**这一册只练一件事:给定场景,选对统计量。**
|
||||
|
||||
你说"不知道 $\mu$ 也不知道 $\sigma$ 时到底用哪个"——这个卡点不是记性问题。你脑子里存的是**四个孤立的公式**,而它们其实是同一张表的**两行两列**。表一旦立起来,就不是"背四个",而是"填一格"。
|
||||
|
||||
## 零、手边表(做题时一直开着)
|
||||
|
||||
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。
|
||||
|
||||
| 要估的参数 | 另一个参数 | 枢轴量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma$ **已知** | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ |
|
||||
| $\mu$ | $\sigma$ **未知** | $\dfrac{\bar X-\mu}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum_{i=1}^n(X_i-\mu)^2}{\sigma^2}$ | $\chi^2(n)$ |
|
||||
|
||||
**这张表只有一条生成规则:枢轴量里不许出现"待估参数以外的未知量"。**
|
||||
|
||||
- 估 $\mu$ 时,若 $\sigma$ 未知,就把 $\sigma$ 换成它的无偏估计 $S$ —— 代价是标准正态变成 $t$ 分布,自由度 $n-1$ 。
|
||||
- 估 $\sigma^2$ 时,若 $\mu$ 未知,就把 $\mu$ 换成 $\bar X$ —— 代价是自由度从 $n$ 掉到 $n-1$ 。
|
||||
- **每消掉一个未知参数,就吃掉一个自由度。** 这就是 $n-1$ 的全部来历,不是什么"因为用了样本方差"。
|
||||
|
||||
反过来,**表的使用顺序是先看被估对象,再看另一个参数**。绝大多数人选错,是因为先看"我应该用 $t$ 吧",而没先问"我要估谁"。
|
||||
|
||||
## 一、分位数附表
|
||||
|
||||
| 量 | 值 | 量 | 值 |
|
||||
|---|---|---|---|
|
||||
| $u_{0.025}$ | $1.96$ | $\chi^2_{0.025}(8)$ | $17.535$ |
|
||||
| $u_{0.05}$ | $1.645$ | $\chi^2_{0.975}(8)$ | $2.180$ |
|
||||
| $t_{0.025}(8)$ | $2.306$ | $\chi^2_{0.025}(9)$ | $19.023$ |
|
||||
| $t_{0.025}(15)$ | $2.131$ | $\chi^2_{0.975}(9)$ | $2.700$ |
|
||||
| $t_{0.025}(16)$ | $2.120$ | $\chi^2_{0.025}(10)$ | $20.483$ |
|
||||
| $t_{0.025}(60)$ | $2.000$ | $\chi^2_{0.975}(10)$ | $3.247$ |
|
||||
| $t_{0.025}(63)$ | $1.998$ | $\chi^2_{0.025}(15)$ | $27.488$ |
|
||||
| $t_{0.05}(15)$ | $1.753$ | $\chi^2_{0.975}(15)$ | $6.262$ |
|
||||
| $t_{0.01}(15)$ | $2.602$ | $\chi^2_{0.025}(16)$ | $28.845$ |
|
||||
| $t_{0.005}(15)$ | $2.947$ | $\chi^2_{0.975}(16)$ | $6.908$ |
|
||||
| $\Phi(1)$ | $0.8413$ | $\Phi(2)$ | $0.9772$ |
|
||||
|
||||
---
|
||||
|
||||
## 二、题目
|
||||
|
||||
### 题 D1 · 四个量各服从什么分布(★★☆)
|
||||
|
||||
【真题 2017-8 骨架】设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ($n\ge2$ )。写出下列四个量的分布,自由度要写清楚:
|
||||
|
||||
(Ⅰ)$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}$
|
||||
|
||||
(Ⅱ)$\dfrac{\sqrt n(\bar X-\mu)}{S}$
|
||||
|
||||
(Ⅲ)$\dfrac{(n-1)S^2}{\sigma^2}$
|
||||
|
||||
(Ⅳ)$\dfrac{\sum_{i=1}^n(X_i-\mu)^2}{\sigma^2}$
|
||||
|
||||
再回答三问:
|
||||
|
||||
(a)$\sigma^2$ 未知、要估计 $\mu$ 时,四个里哪个能当枢轴量?
|
||||
|
||||
(b)$\mu$ 已知、要估计 $\sigma^2$ 时,用(Ⅲ)还是(Ⅳ)?
|
||||
|
||||
(c)若 $\mu$ 未知却硬用(Ⅳ)去算区间,会遇到什么麻烦?
|
||||
|
||||
### 题 D2 · 同一批数据走完四个格子(★★★★)
|
||||
|
||||
【张宇 30 讲 · 5-2 基本置信空间表 骨架】某催化剂收率服从正态分布,抽 $n=10$ ,算得 $\bar x=12.4$ ,$\sum_{i=1}^{10}(x_i-\bar x)^2=45$ 。
|
||||
|
||||
(Ⅰ)若工艺文件规定 $\sigma=2$ ,求 $\mu$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅱ)若 $\sigma$ 未知,求 $\mu$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅲ)若 $\mu$ 未知,求 $\sigma^2$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅳ)若另有独立资料证明 $\mu=12$ ,求 $\sigma^2$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅴ)(Ⅳ)的区间比(Ⅲ)的短还是长?一句话说清原因。
|
||||
|
||||
### 题 D3 · 灌装机的 μ 是已知的(★★★)
|
||||
|
||||
某灌装机出厂标定平均灌装量 $\mu=500$ g,且该批实测均值也恰在 $500$ 附近,故把 $\mu=500$ 视为**已知**。现抽 $9$ 瓶称重,得 $\sum_{i=1}^9(x_i-500)^2=72$ 。
|
||||
|
||||
(Ⅰ)求 $\sigma^2$ 的置信度 $0.95$ 的区间,并由此写出 $\sigma$ 的区间;
|
||||
|
||||
(Ⅱ)有人按"$\mu$ 未知"的做法,先算 $s^2=\frac{72}{8}=9$ ,再用 $\chi^2(8)$ 的分位数算区间。写出他的结果;
|
||||
|
||||
(Ⅲ)他那个区间比(Ⅰ)宽还是窄?置信度会低于 $0.95$ 吗?
|
||||
|
||||
### 题 D4 · 区间长度反求样本量(★★★)
|
||||
|
||||
某正态总体,置信度取 $0.95$ ,要求 $\mu$ 的置信区间长度不超过 $1$ 。
|
||||
|
||||
(Ⅰ)若 $\sigma=2$ 已知,样本量 $n$ 至少多少?
|
||||
|
||||
(Ⅱ)若 $\sigma$ 未知,据以往数据估计 $s\approx2$ ,$n$ 至少多少?请试算 $n=62$ 与 $n=64$ 两点;
|
||||
|
||||
(Ⅲ)为什么(Ⅱ)不能像(Ⅰ)那样一步解出 $n$ ?
|
||||
|
||||
### 题 D5 · 从置信上限反推(★★★)
|
||||
|
||||
【真题 2016-14 变体】设 $X_1,\dots,X_{16}$ 来自 $N(\mu,\sigma^2)$ ,$\sigma^2$ 未知,算得 $\bar x=9.5$ ,且 $\mu$ 的置信度 $0.95$ 的双侧区间上限为 $10.8$ 。
|
||||
|
||||
(Ⅰ)求该区间的下限;
|
||||
|
||||
(Ⅱ)若又知 $s=2$ ,反求这个区间的置信度;
|
||||
|
||||
(Ⅲ)若要求置信度提到 $0.99$ ,其他数据不变,区间长度变为多少?
|
||||
|
||||
### 题 D6 · 用绝对误差估 σ(★★★★)
|
||||
|
||||
【真题 2017-23 骨架】用天平称量质量为 $\mu$ (**已知**)的物体 $n$ 次,第 $i$ 次读数 $X_i\sim N(\mu,\sigma^2)$ 且相互独立。记绝对误差 $Z_i=|X_i-\mu|$ 。
|
||||
|
||||
(Ⅰ)求 $Z_1$ 的概率密度;
|
||||
|
||||
(Ⅱ)用一阶矩求 $\sigma$ 的矩估计量;
|
||||
|
||||
(Ⅲ)求 $\sigma$ 的极大似然估计量;
|
||||
|
||||
(Ⅳ)$\hat\sigma^2$ 是 $\sigma^2$ 的无偏估计吗?$\hat\sigma$ 是 $\sigma$ 的无偏估计吗?
|
||||
|
||||
(Ⅴ)这里为什么 $\mu$ 必须已知?若 $\mu$ 未知而改记 $Z_i=|X_i-\bar X|$ ,这 $n$ 个 $Z_i$ 还同分布吗?
|
||||
|
||||
### 题 D7 · 有偏的估计量能不能当枢轴(★★★)
|
||||
|
||||
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\mu$ 未知。
|
||||
|
||||
(Ⅰ)写出 $\sigma^2$ 的极大似然估计 $\hat\sigma^2$ ;
|
||||
|
||||
(Ⅱ)$E(\hat\sigma^2)$ 与 $E(S^2)$ 各是多少?
|
||||
|
||||
(Ⅲ)有人断言:"做区间估计必须用 $S^2$ ,因为 $\hat\sigma^2$ 有偏,有偏的不能当枢轴量。" 这句话对吗?证明你的判断;
|
||||
|
||||
(Ⅳ)若 $\mu$ 已知,$\sigma^2$ 的 MLE 是什么?它无偏吗?
|
||||
|
||||
### 题 D8 · 方差差一个倍数怎么凑(★★★★)
|
||||
|
||||
【真题 2023-9 骨架】$X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本独立,样本方差分别为 $S_1^2,S_2^2$ 。
|
||||
|
||||
(Ⅰ)$\dfrac{S_1^2}{2S_2^2}$ 服从什么分布?
|
||||
|
||||
(Ⅱ)$\dfrac{2S_1^2}{S_2^2}$ 服从什么分布?
|
||||
|
||||
(Ⅲ)若 $\sigma_1^2,\sigma_2^2$ 都未知且无任何比例关系,还能构造出不含未知参数的 $F$ 统计量吗?
|
||||
|
||||
### 题 D9 · 合并方差与合并自由度(★★★★)
|
||||
|
||||
【张宇 30 讲 · 5-1 正态总体下结论 骨架】两种工艺各抽样,数据如下:
|
||||
|
||||
| 工艺 | 样本量 | 样本均值 | 样本方差 |
|
||||
|---|---|---|---|
|
||||
| 甲 | $n_1=10$ | $52.4$ | $4.2$ |
|
||||
| 乙 | $n_2=8$ | $49.8$ | $3.6$ |
|
||||
|
||||
设两总体均为正态,方差相等($\sigma_1^2=\sigma_2^2=\sigma^2$ 未知),两样本独立。
|
||||
|
||||
(Ⅰ)求共同方差 $\sigma^2$ 的无偏估计 $S_w^2$ ;
|
||||
|
||||
(Ⅱ)检验 $H_0:\mu_1=\mu_2$ ($\alpha=0.05$ ,双侧),写出统计量、拒绝域并下结论;
|
||||
|
||||
(Ⅲ)自由度为什么是 $n_1+n_2-2$ ,而不是 $n_1+n_2$ ?
|
||||
|
||||
(Ⅳ)若两总体方差**不相等**,还能用(Ⅱ)的统计量吗?
|
||||
|
||||
### 题 D10 · 第二类错误与倒推样本量(★★★)
|
||||
|
||||
【真题 2021-10 变体】设 $X_1,\dots,X_{16}$ 来自 $N(\mu,4)$ ,检验 $H_0:\mu\le10$ ,$H_1:\mu>10$ ,拒绝域取 $W=\{\bar X\ge11\}$ 。
|
||||
|
||||
(Ⅰ)$\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;
|
||||
|
||||
(Ⅱ)$\mu=10$ 时 $\beta$ 等于多少?这个数说明什么?
|
||||
|
||||
(Ⅲ)若要求 $\mu=11.5$ 时 $\beta\le0.05$ ,在拒绝域仍取 $\{\bar X\ge11\}$ 的前提下,$n$ 至少多少?
|
||||
|
||||
### 题 D11 · 检验 σ² 的两个格子(★★★)
|
||||
|
||||
某总体 $N(\mu,\sigma^2)$ ,抽 $n=16$ ,算得 $\bar x=52.3$ ,$s^2=1.44$ 。检验 $H_0:\sigma^2=1$ ,$H_1:\sigma^2\ne1$ ,$\alpha=0.05$ 。
|
||||
|
||||
(Ⅰ)$\mu$ 未知,写统计量、拒绝域并下结论;
|
||||
|
||||
(Ⅱ)若另有可靠资料表明 $\mu=52$ ,重做(Ⅰ);
|
||||
|
||||
(Ⅲ)两问的统计量与自由度差在哪里?为什么同一个 $s^2$ 在(Ⅱ)里算出的统计量值更大?
|
||||
|
||||
### 题 D12 · 综合:一次抽样四问(★★★★)
|
||||
|
||||
【真题 2022-22 变体】某化工厂产品纯度服从正态分布,抽 $n=9$ ,算得 $\bar x=93.6$ ,$s=0.9$ 。
|
||||
|
||||
(Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅱ)求 $\sigma^2$ 的置信度 $0.95$ 的区间($\mu$ 未知),由此写出 $\sigma$ 的区间;
|
||||
|
||||
(Ⅲ)若该产品标准规定 $\mu=93$ ,求 $\sigma^2$ 的置信度 $0.95$ 的区间;
|
||||
|
||||
(Ⅳ)(Ⅲ)的区间比(Ⅱ)长还是短?这与"掌握的信息越多越精确"是否矛盾?
|
||||
|
||||
### 题 D13 · 八条断言(★★★)
|
||||
|
||||
判断对错,各给一句理由:
|
||||
|
||||
(1)$\sigma$ 已知时,仍可用 $\dfrac{\bar X-\mu}{S/\sqrt n}$ 构造 $\mu$ 的区间,只是区间比用 $Z$ 的宽。
|
||||
|
||||
(2)$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 成立的前提是 $\mu$ 未知。
|
||||
|
||||
(3)$\mu$ 已知时若仍用 $\dfrac{(n-1)S^2}{\sigma^2}$ 做 $\sigma^2$ 的区间,得到的区间置信度会低于 $0.95$ 。
|
||||
|
||||
(4)$\mu$ 未知时,$\dfrac{\sum(X_i-\mu)^2}{\sigma^2}$ 就不服从 $\chi^2(n)$ 了。
|
||||
|
||||
(5)置信区间的长度与 $\sqrt n$ 成正比。
|
||||
|
||||
(6)"$\mu$ 的置信度 $0.95$ 的区间为 $(a,b)$ " 的意思是 $\mu$ 落在 $(a,b)$ 内的概率是 $0.95$ 。
|
||||
|
||||
(7)$t$ 分布自由度是 $n-1$ ,是因为 $\sum(X_i-\bar X)=0$ 用掉了一个约束。
|
||||
|
||||
(8)两样本合并 $t$ 检验的自由度 $n_1+n_2-2$ ,是因为两个样本方差各自用掉一个自由度。
|
||||
|
||||
---
|
||||
|
||||
## 做完之后
|
||||
|
||||
1. **D2 与 D12 必须手写完整过程**,不许只写答案。这两题是四个格子的正反面。
|
||||
2. 对答案按两类归因:**选错格子**(该用 $\chi^2(n)$ 却用了 $\chi^2(n-1)$ )与**分位数方向反了**(上分位与下分位互换)。前一类回 [01 §1.5](01-考点地图.md#user-content-15-抽样分布定理正态总体的四件套),后一类只需在草稿纸上把区间解一遍不等式。
|
||||
3. 错题记 [04-答疑笔记](04-答疑笔记.md),模板里"我当时以为该用哪个"那一栏必须填,这一栏是本册的全部意义。
|
||||
4. D13 单独做,不看解析。八条里错三条以上,说明表还没立在脑子里,回到本册开头重读那三句生成规则。
|
||||
@@ -0,0 +1,376 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 解析, 数理统计]
|
||||
专题: 大数定律与数理统计
|
||||
日期: 2026-11-12
|
||||
状态: D 组四件套专练解析
|
||||
关联笔记: ["[[02b-试题-四件套专练]]", "[[01-考点地图]]", "[[03a-解析-核心]]", "[[03b-解析-扩散]]"]
|
||||
---
|
||||
|
||||
# 解析 · 四件套专练
|
||||
|
||||
题号与原卷一致,答案与题面见 [02b-试题-四件套专练](02b-试题-四件套专练.md)。
|
||||
|
||||
## 答案速查
|
||||
|
||||
| 题 | 答 |
|
||||
|---|---|
|
||||
| D1 | 见解析;(a)(Ⅱ);(b)(Ⅳ) |
|
||||
| D2 | (Ⅰ)$(11.16,13.64)$ (Ⅱ)$(10.80,14.00)$ (Ⅲ)$(2.37,16.66)$ (Ⅳ)$(2.28,14.35)$ |
|
||||
| D3 | (Ⅰ)$(3.78,26.67)$ (Ⅱ)$(4.11,33.03)$ (Ⅲ)偏宽,置信度不变 |
|
||||
| D4 | (Ⅰ)$62$ (Ⅱ)$64$ |
|
||||
| D5 | (Ⅰ)$8.2$ (Ⅱ)$0.98$ (Ⅲ)$2.947$ |
|
||||
| D6 | (Ⅱ)$\sqrt{\pi/2}\,\bar Z$ (Ⅲ)$\sqrt{\frac1n\sum Z_i^2}$ (Ⅳ)前者无偏,后者有偏 |
|
||||
| D7 | (Ⅰ)$\frac1n\sum(X_i-\bar X)^2$ (Ⅲ)断言错 |
|
||||
| D8 | (Ⅰ)$\frac12F(n-1,m-1)$ (Ⅱ)$F(n-1,m-1)$ (Ⅲ)不能 |
|
||||
| D9 | (Ⅰ)$3.9375$ (Ⅱ)$T=2.762$ ,拒绝 |
|
||||
| D10 | (Ⅰ)$1-\Phi(1)$ (Ⅱ)$\Phi(2)$ (Ⅲ)$44$ |
|
||||
| D11 | 两问均不拒绝 |
|
||||
| D12 | (Ⅰ)$(92.91,94.29)$ (Ⅱ)$(0.370,2.972)$ (Ⅲ)$(0.511,3.600)$ (Ⅳ)更长,不矛盾 |
|
||||
| D13 | 对错依次:对 错 错 错 错 错 对 对 |
|
||||
|
||||
---
|
||||
|
||||
### 题 D1 · 四个量各服从什么分布
|
||||
|
||||
**怎么想**:这题的关键不是算,而是认清(Ⅳ)的双重身份——**它作为随机变量永远服从 $\chi^2(n)$ ,但作为枢轴量只在 $\mu$ 已知时能用**。这两件事不冲突:分布性质取决于 $\mu$ 是不是真值,能不能用取决于你能不能把它算出数值。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)$ ,标准化得 $N(0,1)$ 。
|
||||
|
||||
(Ⅱ)$\sigma$ 未知时用 $S$ 替,$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$ 。
|
||||
|
||||
(Ⅲ)$\chi^2(n-1)$ 。这一条**与 $\mu$ 无关**,因为 $S^2$ 里根本没有 $\mu$ 。
|
||||
|
||||
(Ⅳ)$\chi^2(n)$ 。$\sum(X_i-\mu)^2/\sigma^2$ 是 $n$ 个独立标准正态的平方和。
|
||||
|
||||
(a)(Ⅱ)。(Ⅰ)含未知的 $\sigma$ ,(Ⅲ)(Ⅳ)含待估的 $\mu$ 本身,都不能当枢轴量。
|
||||
|
||||
(b)(Ⅳ)。(Ⅳ)自由度 $n$ ,(Ⅲ)只有 $n-1$ ,已知 $\mu$ 却不用,等于白扔一个自由度。
|
||||
|
||||
(c)算不出数值。区间公式 $\left(\frac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \frac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right)$ 里的分子含 $\mu$ ,而 $\mu$ 正是要估的那个。数学上它服从 $\chi^2(n)$ ,操作上却是一句空话。
|
||||
|
||||
**归因**:四个式的差别只在分母($\sigma$ 还是 $S$ )与分子中心($\mu$ 还是 $\bar X$ )两处。考试里四个选项就是这两处的排列组合,看到题先圈出"哪个参数没给"。
|
||||
|
||||
---
|
||||
|
||||
### 题 D2 · 同一批数据走完四个格子
|
||||
|
||||
**怎么想**:四问共用一组数据,唯一的变量是"已知什么"。做之前先把 $s$ 算出来:$s=\sqrt{45/9}=\sqrt5\approx2.236$ 。然后逐格套表。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\sigma=2$ 已知,用 $Z$ :
|
||||
|
||||
$$12.4\pm1.96\times\frac{2}{\sqrt{10}}=12.4\pm1.240\ \Longrightarrow\ (11.16,\ 13.64).$$
|
||||
|
||||
(Ⅱ)$\sigma$ 未知,用 $t(9)$ ,$t_{0.025}(9)=2.262$ :
|
||||
|
||||
$$12.4\pm2.262\times\frac{\sqrt5}{\sqrt{10}}=12.4\pm1.600\ \Longrightarrow\ (10.80,\ 14.00).$$
|
||||
|
||||
(Ⅲ)$\mu$ 未知,$\dfrac{45}{\sigma^2}\sim\chi^2(9)$ :
|
||||
|
||||
$$\left(\frac{45}{19.023},\ \frac{45}{2.700}\right)=(2.37,\ 16.66).$$
|
||||
|
||||
(Ⅳ)$\mu=12$ 已知,先补出以 $12$ 为中心的平方和:
|
||||
|
||||
$$\sum_{i=1}^{10}(x_i-12)^2=\sum(x_i-\bar x)^2+10(\bar x-12)^2=45+10\times0.16=46.6.$$
|
||||
|
||||
$\dfrac{46.6}{\sigma^2}\sim\chi^2(10)$ :
|
||||
|
||||
$$\left(\frac{46.6}{20.483},\ \frac{46.6}{3.247}\right)=(2.28,\ 14.35).$$
|
||||
|
||||
(Ⅴ)短。(Ⅳ)的自由度是 $10$ ,(Ⅲ)只有 $9$ ,多一个自由度换来更集中的 $\chi^2$ 分布,区间随之收窄。
|
||||
|
||||
**归因**:第(Ⅳ)问最容易卡住,因为它要给一个**没有直接给出的平方和**。记死这条分解:
|
||||
|
||||
$$\sum(x_i-\mu)^2=\sum(x_i-\bar x)^2+n(\bar x-\mu)^2.$$
|
||||
|
||||
这是"平方和分解"的最小版本,四个格子里凡是 $\mu$ 由未知变已知,都要用它。
|
||||
|
||||
---
|
||||
|
||||
### 题 D3 · 灌装机的 μ 是已知的
|
||||
|
||||
**怎么想**:题目已经把 $\mu$ 定死成 $500$ ,分母就该用 $\sum(x_i-500)^2/\sigma^2\sim\chi^2(9)$ ,自由度是瓶数 $9$ 而不是 $8$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\dfrac{72}{\sigma^2}\sim\chi^2(9)$ :
|
||||
|
||||
$$\sigma^2\in\left(\frac{72}{19.023},\ \frac{72}{2.700}\right)=(3.78,\ 26.67),\qquad \sigma\in(1.94,\ 5.16).$$
|
||||
|
||||
(Ⅱ)他把 $\sum(x_i-500)^2$ 当成了 $\sum(x_i-\bar x)^2$ ,于是 $s^2=72/8=9$ ,$(n-1)s^2=72$ ,自由度 $8$ :
|
||||
|
||||
$$\left(\frac{72}{17.535},\ \frac{72}{2.180}\right)=(4.11,\ 33.03).$$
|
||||
|
||||
(Ⅲ)**宽**,但置信度**不低于** $0.95$ 。原因不是"错",而是"白扔":$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 本来就是恒成立的结论,用它算区间置信度正好 $0.95$ ,只是没利用"$\mu=500$ 已知"这条信息,付出了少一个自由度的代价。
|
||||
|
||||
**归因**:这里要破一个误区——**用错格子不等于算错**。$\mu$ 已知却用 $\chi^2(n-1)$ ,结论仍然合法(保守),只是精度差。反过来 $\mu$ 未知却用 $\chi^2(n)$ 才是真错:$\sum(x_i-\mu)^2$ 根本算不出来。
|
||||
|
||||
---
|
||||
|
||||
### 题 D4 · 区间长度反求样本量
|
||||
|
||||
**怎么想**:区间长度是 $2\times$ 半长,把半长写成 $n$ 的函数,令它 $\le1$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\sigma=2$ 已知,半长 $1.96\times\frac{2}{\sqrt n}$ ,令 $2\times$ 半长 $\le1$ :
|
||||
|
||||
$$\frac{4\times1.96}{\sqrt n}\le1\ \Longrightarrow\ \sqrt n\ge7.84\ \Longrightarrow\ n\ge61.47,$$
|
||||
|
||||
取 $n=62$ 。
|
||||
|
||||
(Ⅱ)$\sigma$ 未知,半长为 $t_{0.025}(n-1)\frac{2}{\sqrt n}$ :
|
||||
|
||||
- $n=62$ :$\dfrac{4\times2.000}{\sqrt{62}}=\dfrac{8}{7.874}=1.016>1$ ,不够;
|
||||
- $n=64$ :$\dfrac{4\times1.998}{8}=0.999\le1$ ,够了。
|
||||
|
||||
取 $n=64$ 。
|
||||
|
||||
(Ⅲ)因为 $t_{\alpha/2}(n-1)$ 本身也随 $n$ 变。$n$ 出现在两个地方(分母的 $\sqrt n$ 与分位数的自由度),这是个不动点问题,只能代入试算;而(Ⅰ)里 $u_{0.025}=1.96$ 与 $n$ 无关,可以直接解出。
|
||||
|
||||
**归因**:真题喜欢在填空题里给"长度不超过某值"的话,答案往往要**向上取整**。$61.47$ 取 $61$ 是最常见的失分。另外 $t$ 情形下答案通常只比 $Z$ 情形大一两个,因为 $t$ 与 $u$ 到 $n=60$ 时几乎重合。
|
||||
|
||||
---
|
||||
|
||||
### 题 D5 · 从置信上限反推
|
||||
|
||||
**怎么想**:双侧区间关于 $\bar x$ 对称,这是唯一需要记住的结构。上限给出了半长,下限、置信度、长度全部连锁。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)半长 $=10.8-9.5=1.3$ ,下限 $=9.5-1.3=8.2$ ,区间 $(8.2,\ 10.8)$ 。
|
||||
|
||||
(Ⅱ)$s=2$ ,$n=16$ ,半长 $t\times\frac{2}{4}=\frac t2=1.3$ ,故 $t=2.6$ 。查表 $t_{0.01}(15)=2.602$ 最接近,即 $\alpha/2=0.01$ ,置信度 $1-2\times0.01=0.98$ 。
|
||||
|
||||
(Ⅲ)置信度 $0.99$ 对应 $t_{0.005}(15)=2.947$ ,半长 $2.947\times0.5=1.4735$ ,长度 $2.947$ 。
|
||||
|
||||
**归因**:2016 年那道填空只问下限,是送分的;加了(Ⅱ)(Ⅲ)就变成"由区间反推 $\alpha$ ",这是同一枚硬币的另一面。**区间、半长、分位数、置信度四个量知道任意两个就能求另两个**,都要能互推。
|
||||
|
||||
---
|
||||
|
||||
### 题 D6 · 用绝对误差估 σ
|
||||
|
||||
**怎么想**:$\mu$ 已知是把 $X_i$ 平移到原点,$Z_i=|X_i-\mu|$ 是标准正态取绝对值再乘 $\sigma$ ,即**半正态分布**。三步都在这一个密度上做。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$Z_1=\sigma|U|$ ,$U\sim N(0,1)$ 。$z>0$ 时
|
||||
|
||||
$$F_Z(z)=P\{|U|\le z/\sigma\}=2\Phi(z/\sigma)-1\ \Longrightarrow\ f_Z(z)=\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z^2}{2\sigma^2}},\quad z>0.$$
|
||||
|
||||
(Ⅱ)
|
||||
|
||||
$$E(Z_1)=\int_0^\infty z\cdot\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z^2}{2\sigma^2}}\mathrm{d}z=\sigma\sqrt{\frac2\pi}.$$
|
||||
|
||||
令 $\sigma\sqrt{2/\pi}=\bar Z$ ,得矩估计 $\hat\sigma=\sqrt{\dfrac\pi2}\,\bar Z$ 。
|
||||
|
||||
(Ⅲ)似然
|
||||
|
||||
$$L(\sigma)=\prod_{i=1}^n\frac{2}{\sqrt{2\pi}\sigma}\mathrm{e}^{-\frac{z_i^2}{2\sigma^2}},\qquad \ln L=n\ln\frac{2}{\sqrt{2\pi}}-n\ln\sigma-\frac{1}{2\sigma^2}\sum z_i^2.$$
|
||||
|
||||
$$\frac{\mathrm{d}\ln L}{\mathrm{d}\sigma}=-\frac n\sigma+\frac{\sum z_i^2}{\sigma^3}=0\ \Longrightarrow\ \hat\sigma^2=\frac1n\sum_{i=1}^nZ_i^2,\quad \hat\sigma=\sqrt{\frac1n\sum Z_i^2}.$$
|
||||
|
||||
(Ⅳ)$E(Z_i^2)=D(Z_i)+[E(Z_i)]^2=\sigma^2\left(1-\frac2\pi\right)+\frac2\pi\sigma^2=\sigma^2$ ,故 $E(\hat\sigma^2)=\sigma^2$ ,**无偏**。
|
||||
|
||||
但 $E(\hat\sigma)<\sigma$ :根号是凹函数,由 Jensen 不等式 $E\sqrt{W}\le\sqrt{E(W)}=\sigma$ ,等号只在 $W$ 退化时成立。**有偏,且偏小**。
|
||||
|
||||
(Ⅴ)$\mu$ 未知时 $Z_i=|X_i-\mu|$ 里的 $\mu$ 算不出来,不是统计量。改记 $Z_i=|X_i-\bar X|$ 后这 $n$ 个量**不同分布**:$\bar X$ 与每个 $X_i$ 都相关($\operatorname{Cov}(X_i,\bar X)=\sigma^2/n$ ),且 $\sum(X_i-\bar X)=0$ 使它们线性相关,似然不能写成 $\prod f(z_i)$ 。
|
||||
|
||||
**归因**:这题的考点是**"$\mu$ 已知"这个条件被用在哪**——用在把 $X_i$ 平移掉。一旦 $\mu$ 未知,整条路断掉,这正是"知道 $\mu$ 就能多榨一个自由度"的具体样子。另外注意矩估计 $\sqrt{\pi/2}\,\bar Z$ 与 MLE $\sqrt{\frac1n\sum Z_i^2}$ **不是同一个**,真题第三问专门考这一点。
|
||||
|
||||
---
|
||||
|
||||
### 题 D7 · 有偏的估计量能不能当枢轴
|
||||
|
||||
**怎么想**:断言把"无偏"和"能当枢轴"绑在一起,这两件事其实毫无关系。检验办法只有一个:把 $\hat\sigma^2$ 与 $S^2$ 的关系写出来。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\hat\sigma^2=\dfrac1n\sum(X_i-\bar X)^2$ 。
|
||||
|
||||
(Ⅱ)$E(\hat\sigma^2)=\dfrac{n-1}{n}\sigma^2$ (偏小),$E(S^2)=\sigma^2$ 。
|
||||
|
||||
(Ⅲ)**错**。由定义
|
||||
|
||||
$$n\hat\sigma^2=\sum(X_i-\bar X)^2=(n-1)S^2,$$
|
||||
|
||||
于是
|
||||
|
||||
$$\frac{n\hat\sigma^2}{\sigma^2}=\frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1).$$
|
||||
|
||||
两者是同一个量。用它构造区间:
|
||||
|
||||
$$\sigma^2\in\left(\frac{n\hat\sigma^2}{\chi^2_{\alpha/2}(n-1)},\ \frac{n\hat\sigma^2}{\chi^2_{1-\alpha/2}(n-1)}\right),$$
|
||||
|
||||
与用 $S^2$ 的公式**逐字相同**。无偏性只影响"点估计准不准",与"能不能构造枢轴量"无关。枢轴量的唯一要求是分布已知且不含未知参数。
|
||||
|
||||
(Ⅳ)$\mu$ 已知时 $\hat\sigma^2=\dfrac1n\sum(X_i-\mu)^2$ ,且 $E(\hat\sigma^2)=\sigma^2$ ,**无偏**。这里顺带看清一件事:$\hat\sigma^2$ 有偏无偏,取决于 $\mu$ 知不知道。
|
||||
|
||||
**归因**:$n$ 与 $n-1$ 的纠缠,根子在这条恒等式上。做题时不必背哪个有偏,只需要记住 $\sum(X_i-\bar X)^2=(n-1)S^2$ 这一句,剩下都能推。
|
||||
|
||||
---
|
||||
|
||||
### 题 D8 · 方差差一个倍数怎么凑
|
||||
|
||||
**怎么想**:$F$ 分布的定义是"两个独立 $\chi^2$ 各除自由度再相除"。凑的时候不是看 $S_1^2$ 与 $S_2^2$ ,而是看**它们各自除上真实方差之后**能不能变成标准 $\chi^2$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\dfrac{S_1^2}{\sigma^2}\sim\dfrac{\chi^2(n-1)}{n-1}$ ,$\dfrac{S_2^2}{2\sigma^2}\sim\dfrac{\chi^2(m-1)}{m-1}$ ,两者相除
|
||||
|
||||
$$\frac{S_1^2/\sigma^2}{S_2^2/(2\sigma^2)}=\frac{2S_1^2}{S_2^2}\sim F(n-1,m-1).$$
|
||||
|
||||
所以
|
||||
|
||||
$$\frac{S_1^2}{2S_2^2}=\frac12\cdot\frac{2S_1^2}{S_2^2}\sim\frac12F(n-1,m-1),$$
|
||||
|
||||
**不是标准 $F$ 分布**,只是它的二分之一倍。
|
||||
|
||||
(Ⅱ)$\dfrac{2S_1^2}{S_2^2}\sim F(n-1,m-1)$ 。
|
||||
|
||||
(Ⅲ)不能。任何 $F$ 型统计量都得把 $\sigma_1^2/\sigma_2^2$ 消掉,而两者之比未知时无法消。这正是"两样本方差比检验"必须先假设 $\sigma_1^2=\sigma_2^2$ (或已知比例)的原因。
|
||||
|
||||
**归因**:2023 年那道单选就是(Ⅰ)(Ⅱ)的辨析,四个选项在 $F(n-1,m-1)$ 与 $F(m-1,n-1)$ 之间倒。**凑系数的正确顺序**:先写 $\frac{S_1^2}{\sigma_1^2}$ 与 $\frac{S_2^2}{\sigma_2^2}$ ,再把 $\sigma_1^2,\sigma_2^2$ 按题目给的关系代进去,最后相除。别跳步去猜。
|
||||
|
||||
---
|
||||
|
||||
### 题 D9 · 合并方差与合并自由度
|
||||
|
||||
**怎么想**:方差相等时,两个样本方差都是 $\sigma^2$ 的估计,按自由度加权平均能得到更准的估计——这就是 $S_w^2$ 。它把自由度也合并了,于是 $t$ 分布的自由度是 $n_1+n_2-2$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)
|
||||
|
||||
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}=\frac{9\times4.2+7\times3.6}{16}=\frac{63}{16}=3.9375.$$
|
||||
|
||||
(Ⅱ)
|
||||
|
||||
$$T=\frac{\bar x-\bar y}{S_w\sqrt{\dfrac{1}{n_1}+\dfrac{1}{n_2}}}=\frac{2.6}{\sqrt{3.9375\times0.225}}=\frac{2.6}{0.9412}=2.762.$$
|
||||
|
||||
拒绝域 $|T|\ge t_{0.025}(16)=2.120$ 。$2.762>2.120$ ,**拒绝** $H_0$ ,两工艺均值有显著差异。
|
||||
|
||||
(Ⅲ)因为 $S_w^2$ 里两个样本方差各自损失了一个自由度:$\sum(x_i-\bar x)^2$ 的自由度是 $n_1-1$ ,$\sum(y_j-\bar y)^2$ 是 $n_2-1$ ,相加得 $n_1+n_2-2$ 。这也是 $\chi^2$ 可加性的直接结果。
|
||||
|
||||
(Ⅳ)不能。方差不等时 $T$ 不再服从 $t$ 分布(Behrens-Fisher 问题),只能用 Welch 近似(自由度由 Satterthwaite 公式给),或者在大样本下用 $Z$ 近似。考试若没说"方差相等",要么题目给了"方差相等",要么就该用配对设计。
|
||||
|
||||
**归因**:$S_w^2$ 的分母是 $n_1+n_2-2$ ,**不是** $n_1+n_2$ ,也**不是**两者的算术平均。记法:分母永远等于"平方和的总自由度"。
|
||||
|
||||
---
|
||||
|
||||
### 题 D10 · 第二类错误与倒推样本量
|
||||
|
||||
**怎么想**:$\beta$ 是"$H_0$ 假却没拒绝",即 $\mu$ 取真值时不落入拒绝域的概率。$\bar X$ 的实际分布用真 $\mu$ ,拒绝域的边界用 $11$ ,两者相减再标准化。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\mu=11.5$ 时 $\bar X\sim N(11.5,\ 4/16)=N(11.5,\ 0.25)$ ,标准差 $0.5$ :
|
||||
|
||||
$$\beta=P\{\bar X<11\}=\Phi\!\left(\frac{11-11.5}{0.5}\right)=\Phi(-1)=1-\Phi(1)=0.1587.$$
|
||||
|
||||
(Ⅱ)$\mu=10$ 时标准差仍 $0.5$ :
|
||||
|
||||
$$\beta=\Phi\!\left(\frac{11-10}{0.5}\right)=\Phi(2)=0.9772.$$
|
||||
|
||||
说明 $\mu$ 正好落在 $H_0$ 边界上时,几乎必然接受 $H_0$ ——这不是缺陷,而是"边界处的检验没有分辨力"这一事实的量化。
|
||||
|
||||
(Ⅲ)
|
||||
|
||||
$$\beta=\Phi\!\left(\frac{11-11.5}{2/\sqrt n}\right)=\Phi(-0.25\sqrt n)\le0.05\ \Longrightarrow\ -0.25\sqrt n\le-1.645,$$
|
||||
|
||||
$$\sqrt n\ge6.58\ \Longrightarrow\ n\ge43.3,$$
|
||||
|
||||
取 $n=44$ 。
|
||||
|
||||
**归因**:$\beta$ 的计算与 $\alpha$ 只差一个不等号方向。判断用哪一侧的通法:**写清"在什么条件下、什么事件"**——"$\mu=11.5$ 时没拒绝"就是 $\{\bar X<11\}$ ,别去背"左侧右侧"。
|
||||
|
||||
---
|
||||
|
||||
### 题 D11 · 检验 σ² 的两个格子
|
||||
|
||||
**怎么想**:$\sigma^2$ 的双侧检验有两个尾巴,$\chi^2$ 分布不对称,所以左右临界值都要查,而且方向相反(小的在左)。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\mu$ 未知,$\chi^2=\dfrac{15\times1.44}{1}=21.6\sim\chi^2(15)$ 。拒绝域
|
||||
|
||||
$$W=\{21.6<6.262\}\cup\{21.6>27.488\},$$
|
||||
|
||||
$21.6$ 落在中间,**不拒绝** $H_0$ 。
|
||||
|
||||
(Ⅱ)$\mu=52$ 已知,先算平方和:
|
||||
|
||||
$$\sum(x_i-52)^2=\sum(x_i-\bar x)^2+n(\bar x-52)^2=21.6+16\times0.09=23.04.$$
|
||||
|
||||
$\chi^2=\dfrac{23.04}{1}\sim\chi^2(16)$ ,拒绝域 $W=\{23.04<6.908\}\cup\{23.04>28.845\}$ ,**不拒绝**。
|
||||
|
||||
(Ⅲ)两处差别:分子多了 $n(\bar x-\mu)^2=1.44$ 这一项,自由度从 $15$ 变 $16$ 。统计量变大是必然的——平方和分解里那一项非负,$\mu$ 已知时不用 $\bar x$ 去中心化,反而把"样本均值偏离设定值"的那部分也计入了波动。
|
||||
|
||||
**归因**:$\chi^2$ 检验最容易错在**两侧临界值写反**:左临界是 $\chi^2_{1-\alpha/2}$ (小值),右临界是 $\chi^2_{\alpha/2}$ (大值),与 $t$ 检验的对称写法完全不同。
|
||||
|
||||
---
|
||||
|
||||
### 题 D12 · 综合:一次抽样四问
|
||||
|
||||
**怎么想**:(Ⅰ)到(Ⅲ)仍是四格表的直接应用,真正的考点在(Ⅳ)——它逼你想清楚**区间长度是随机的**。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\sigma$ 未知,$t_{0.025}(8)=2.306$ ,$s/\sqrt9=0.3$ :
|
||||
|
||||
$$93.6\pm2.306\times0.3=93.6\pm0.692\ \Longrightarrow\ (92.91,\ 94.29).$$
|
||||
|
||||
(Ⅱ)$\mu$ 未知,$\sum(x_i-\bar x)^2=(n-1)s^2=8\times0.81=6.48$ :
|
||||
|
||||
$$\left(\frac{6.48}{17.535},\ \frac{6.48}{2.180}\right)=(0.370,\ 2.972),$$
|
||||
|
||||
开方得 $\sigma\in(0.608,\ 1.724)$ 。
|
||||
|
||||
(Ⅲ)$\mu=93$ 已知:
|
||||
|
||||
$$\sum(x_i-93)^2=6.48+9\times(93.6-93)^2=6.48+3.24=9.72,$$
|
||||
|
||||
$$\left(\frac{9.72}{19.023},\ \frac{9.72}{2.700}\right)=(0.511,\ 3.600).$$
|
||||
|
||||
(Ⅳ)**(Ⅲ)更长,但不矛盾。**
|
||||
|
||||
原因是 $\bar x=93.6$ 偏离假定值 $93$ 有 $0.6$ ,这一项经 $n=9$ 放大后贡献了 $3.24$ ,占(Ⅲ)分子的一半。区间宽窄依赖样本,这一次恰巧落在"分子偏大"的一个实现上。
|
||||
|
||||
衡量"信息多就更精确"的正确口径是**期望长度**,不是单次长度。(Ⅱ)与(Ⅲ)的期望长度分别正比于
|
||||
|
||||
$$(n-1)\left(\frac{1}{\chi^2_{0.975}(n-1)}-\frac{1}{\chi^2_{0.025}(n-1)}\right)=8\times0.4017=3.214,$$
|
||||
|
||||
$$n\left(\frac{1}{\chi^2_{0.975}(n)}-\frac{1}{\chi^2_{0.025}(n)}\right)=9\times0.3178=2.860.$$
|
||||
|
||||
$\mu$ 已知时确实更短。所以结论是:**知道 $\mu$ 在平均意义上有好处,但具体到某一次样本,仍可能更宽**。
|
||||
|
||||
**归因**:这题的正解不是算出四个区间,而是第(Ⅳ)问那句"区间是随机变量"。绝大多数人把置信区间当成一个确定的东西,一旦遇到"这次为什么反而宽",就以为公式错了。
|
||||
|
||||
---
|
||||
|
||||
### 题 D13 · 八条断言
|
||||
|
||||
**怎么想**:八条全部围绕"哪个参数未知 → 用哪个格子"与"置信区间是随机的"这两个根。逐条对照前几题即可。
|
||||
|
||||
**解**:
|
||||
|
||||
(1)**对**。$\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ 与 $\sigma$ 知不知道无关,只要分母用 $S$ 就是 $t$ 。因 $t_{0.025}(n-1)>u_{0.025}$ ,区间更宽,但结论合法。
|
||||
|
||||
(2)**错**。$S^2$ 里没有 $\mu$ ,这条对任何 $\mu$ 都成立。
|
||||
|
||||
(3)**错**。置信度仍**正好**是 $0.95$ ,因为 $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 恒成立。代价只是区间偏宽,不是置信度下降。
|
||||
|
||||
(4)**错**。作为随机变量它永远服从 $\chi^2(n)$ ($\mu$ 取真值);只是你算不出它的数值,因而不能当枢轴量。
|
||||
|
||||
(5)**错**。与 $\sqrt n$ **成反比**,$n$ 变四倍长度减半。
|
||||
|
||||
(6)**错**。$\mu$ 是常数,不含随机性。正确说法:重复抽样中约 $95\%$ 的区间覆盖 $\mu$ 。
|
||||
|
||||
(7)**对**。$n$ 个 $(X_i-\bar X)$ 满足一条线性约束 $\sum(X_i-\bar X)=0$ ,独立方向只剩 $n-1$ 个。
|
||||
|
||||
(8)**对**。两个样本各自减去了自己的样本均值,各损失一个自由度。
|
||||
|
||||
**归因**:八条里(3)(4)最难,因为它们的错误不在计算,而在把"分布性质"与"能否当统计量"混为一谈。判断题的通法:**先问这句话是关于随机变量本身,还是关于你手上能算出的数**。
|
||||
@@ -2,8 +2,8 @@
|
||||
tags: [数学一, 专项突破, 说明]
|
||||
专题: 大数定律与数理统计
|
||||
日期: 2026-10-31
|
||||
状态: 完成, 20 题, 三层扩散
|
||||
关联笔记: ["[[01-考点地图]]", "[[02-试题]]", "[[03a-解析-核心]]", "[[03b-解析-扩散]]"]
|
||||
状态: 完成, 33 题(20 + 四件套专练 13), 三层扩散
|
||||
关联笔记: ["[[01-考点地图]]", "[[02-试题]]", "[[03a-解析-核心]]", "[[03b-解析-扩散]]", "[[02b-试题-四件套专练]]", "[[03c-解析-四件套]]"]
|
||||
---
|
||||
|
||||
# 专项突破 03 · 大数定律与数理统计
|
||||
@@ -21,6 +21,15 @@ tags: [数学一, 专项突破, 说明]
|
||||
| **核心** | 切比雪夫、辛钦、CLT、$\chi^2/t/F$ 、抽样分布四件套、矩估计、MLE、置信区间 | A1—A10 |
|
||||
| **一圈** | 无偏性、有效性、相合性、次序统计量、枢轴量法 | B1—B5 |
|
||||
| **二圈** | 两类错误、单侧检验、双总体检验、大数定律证明、MLE 综合大题 | C1—C5 |
|
||||
| **四件套专练** | $\mu$ 与 $\sigma$ 谁已知的四个格子:识别、同数据走四格、长度反求 $n$ 、上限反推、$\chi^2(n)$ 应用、合并 $t$ 、八条断言 | D1—D13 |
|
||||
|
||||
D 组是 2026-11-12 补的一册,单独成文件([02b](02b-试题-四件套专练.md) 题 / [03c](03c-解析-四件套.md) 解析)。理由见下。
|
||||
|
||||
## 为什么要单开 D 组
|
||||
|
||||
统计部分的失分**几乎全倒在"选哪个统计量"这一件事上**——不知道 $\mu$ 也不知道 $\sigma$ 时该用哪个、$\mu$ 已知时 $\sigma^2$ 的自由度是 $n$ 还是 $n-1$ 。这不是记性问题:如果脑子里存的是四个孤立公式,考场上必然犹豫;而这四个其实是一张表的两行两列,**填格子不问背公式**。
|
||||
|
||||
所以 D 组 13 题只练这一件事,题面刻意做成同一批数据走完四个格子(D2)、同一台机器 $\mu$ 已知与未知对照(D3、D11)、同一个 $\sigma^2$ 用 $S^2$ 与用 $\hat\sigma^2$ 对照(D7),全部是"只改一个条件"的对照实验。
|
||||
|
||||
## 数据支撑(十年真题)
|
||||
|
||||
@@ -37,15 +46,23 @@ tags: [数学一, 专项突破, 说明]
|
||||
|
||||
张宇 1000 题的库**只有高数与线代**(15 + 6 章),**完全没有概率**。所以本专题:
|
||||
|
||||
- 20 题全部以**真题骨架**为主,来源标在题首、汇总在 [01 §5](01-考点地图.md#user-content-五题目索引);
|
||||
- 30 余题全部以**真题骨架**为主,来源标在题首、汇总在 [01 §5](01-考点地图.md#user-content-五题目索引);
|
||||
- A3、A7、B3、C3 为自编或改写(真题无对应考法,或考法太单一);
|
||||
- **B5($\sigma^2$ 的置信区间)与 C3(双总体均值差检验)是大纲明确要求、十年未考的"高性价比冷门"**,真题库里找不到,只能自编——这类题恰恰最可能明年出现。
|
||||
- D 组另有一条来源:`参考仓库/Math/probability-theory-and-mathematical-statistics/` 是**张宇基础三十讲的 tex 笔记**,其中 `5-mathematical-statistics` 一章有四格置信空间表和双总体结论,D2、D9 标了 `【张宇 30 讲 · … 骨架】`。这份笔记比 1000 题更接近教材,四格表就出自它。
|
||||
|
||||
## 怎么用
|
||||
|
||||
1. **A 组限时 60 分钟**。这组是"认得分布就能做"的题,卡住说明四件套没记牢。
|
||||
2. 对答案后,把错题按两类分开:**分布认错**($u$ 还是 $t$ 、$n$ 还是 $n-1$ )与**算错**。前者抄表,后者练手。
|
||||
3. B 组的三性(无偏/有效/相合)是概念题,C 组是 12 分大题的形态。C5 建议**手写完整过程**,它是真题 2024-22 的变体。
|
||||
4. **D 组单独排一轮,限时 100 分钟**(每题 7 分钟)。做的时候把 [01 §1.5](01-考点地图.md#user-content-15-抽样分布定理正态总体的四件套) 的四格表摊在桌上,允许边看表边做——第一遍的目标是**把表和题对上号**,不是考记忆。第二遍再合表做。
|
||||
5. D13 的八条断言**不看解析先做**。错三条以上说明表还没立起来,回 02b 开头重读那三句生成规则。
|
||||
|
||||
## 版本记录
|
||||
|
||||
- 2026-10-31:建立。20 题(A10 / B5 / C5),三层扩散。
|
||||
- 2026-11-12:补 D 组四件套专练 13 题(02b / 03c),01 §1.5 加四格表、坑清单加两条。总 33 题。
|
||||
|
||||
## 与其他材料的关系
|
||||
|
||||
|
||||
@@ -30,14 +30,14 @@ tags: [数学一, 专项突破, 考点地图, 分部积分, 表格法]
|
||||
|
||||
原则只有一条:**哪边越求越简单,就放 D 列(求导列)**。
|
||||
|
||||
| 被积式形态 | D 列(求导) | I 列(积分) | 收尾方式 |
|
||||
|---|---|---|---|
|
||||
| $x^n e^{ax}$ | $x^n$ | $e^{ax}$ | 归零 |
|
||||
| $x^n\sin bx$ 、$x^n\cos bx$ | $x^n$ | $\sin bx$ 或 $\cos bx$ | 归零 |
|
||||
| $x^n\ln x$ | $\ln x$ | $x^n$ | 走一行即止 |
|
||||
| $x^n\arctan x$ 、$x^n\arcsin x$ | 反三角 | $x^n$ | 走一行,余项再凑 |
|
||||
| $e^{ax}\sin bx$ 、$e^{ax}\cos bx$ | 任选一族 | 另一族 | 循环,解方程 |
|
||||
| $\ln x$ 、$\arctan x$ 单独出现 | 它本身 | $1$ | 一行即止 |
|
||||
| 被积式形态 | D 列(求导) | I 列(积分) | 收尾方式 |
|
||||
| -------------------------------- | ------- | --------------------- | -------- |
|
||||
| $x^n e^{ax}$ | $x^n$ | $e^{ax}$ | 归零 |
|
||||
| $x^n\sin bx$ 、$x^n\cos bx$ | $x^n$ | $\sin bx$ 或 $\cos bx$ | 归零 |
|
||||
| $x^n\ln x$ | $\ln x$ | $x^n$ | 走一行即止 |
|
||||
| $x^n\arctan x$ 、$x^n\arcsin x$ | 反三角 | $x^n$ | 走一行,余项再凑 |
|
||||
| $e^{ax}\sin bx$ 、$e^{ax}\cos bx$ | 任选一族 | 另一族 | 循环,解方程 |
|
||||
| $\ln x$ 、$\arctan x$ 单独出现 | 它本身 | $1$ | 一行即止 |
|
||||
|
||||
**最容易记反的一条**:$\ln x$ 与反三角要放在**求导列**。因为它们求导后变成 $1/x$ 或 $1/(1+x^2)$ ,反而简单;若放积分列,$\int\ln x\,dx$ 要先算出 $x\ln x-x$ ,越积越复杂。
|
||||
|
||||
|
||||
@@ -0,0 +1,306 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 考点地图, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 考点地图, 三层扩散(核心 12 条 + 一圈 10 条 + 二圈 8 条)
|
||||
---
|
||||
|
||||
# 考点地图 · 多维随机变量
|
||||
|
||||
## 零、为什么单独做这一份
|
||||
|
||||
概率里分值最高的一章不是参数估计,是**多维随机变量**(ch17):
|
||||
|
||||
| 章 | 题数 | 分值 | 题型 |
|
||||
|---|---|---|---|
|
||||
| **ch17 多维随机变量** | **11** | **105** | 解答 9 + 选填 2 |
|
||||
| ch21 参数估计 | 10 | 93 | 解答 7 + 选填 3 |
|
||||
| ch15 随机事件与概率 | 8 | 36 | 选填为主 |
|
||||
| ch18 数字特征 | 7 | 32 | 选填为主 |
|
||||
| ch16 一维随机变量 | 6 | 27 | 选填为主 |
|
||||
|
||||
而且它是**每年必出一道 11—12 分大题**的唯一章节(2022、2024 两年除外,那两年它退到选填)。现有的 `03-大数定律与数理统计` 明确不覆盖它,理由是"那一块要靠技巧、不是背套路"——正因为如此才更需要单独练。
|
||||
|
||||
**这一章的失分点极其集中**,一句话概括:**不是不会公式,是区域想不清、积分限写错、分段漏掉一半**。所以这份地图 12 条核心每条都配一张"区域怎么画",题目里凡是分段的一律要求先画图。
|
||||
|
||||
## 一、扩散半径总览
|
||||
|
||||
| 层 | 内容 | 题号 |
|
||||
|---|---|---|
|
||||
| **核心** | 分布律反解、归一化与边缘分段、条件分布、独立性四判据、区域均匀、二维正态、和分布、最值、雅可比、可加性边界、由 $F$ 反求参数 | A1—A12 |
|
||||
| **一圈** | 指示变量 + 分布函数、两点乘指数、两点乘泊松、随机取点、混合正态、圆盘非均匀、保险赔付、异密度和、全方差与相关、条件均匀反解 | B1—B10 |
|
||||
| **二圈** | 环域均匀、次序统计量、非独立正态残差、商与期望发散、混合型、反例构造、泊松分裂、十断言 | C1—C8 |
|
||||
|
||||
**难度定位(2026-11-11 第二版)**:第一版的 A 组偏"套公式",比真题低一档,已整体重做。现在 **A 组每题仍只练一个动作,但都包在真实区域里、都要分段**;B 组照 2016—2025 年 ch17 的 11 道真题换数字,问法与分段照搬;C 组高于真题。记号:★★☆ 门槛、★★★ 真题档、★★★★ 高于真题。
|
||||
|
||||
**一句话总纲**:**二维题的一切麻烦都出在"区域"上**——密度写在哪、边缘积到哪、函数分布的新变量取哪些值,三件事都由区域决定。所以做任何一道题,第一步永远是画支撑集。
|
||||
|
||||
## 二、核心层(12 条)
|
||||
|
||||
### 1.1 联合分布函数与联合分布律
|
||||
|
||||
联合分布函数 $F(x,y)=P\{X\le x,\ Y\le y\}$ ,四条性质:对每个变量单调不减、右连续、$F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ 。
|
||||
|
||||
离散型用**表格**:行是 $X$ 的取值、列是 $Y$ 的取值、格子里填 $p_{ij}$ ,**全表之和必须为 1**(这一条是最快的自检)。边缘分布律 = 行和(对 $X$ )与列和(对 $Y$ )。
|
||||
|
||||
> **填表的顺序**:先把题给的每个格子的概率写进去,再看还缺哪些格子,用"全表 = 1"和"边缘 = 题给的某行某列和"去补。填空型考题基本都是缺一个格子。
|
||||
|
||||
### 1.2 联合密度与归一化
|
||||
|
||||
$f(x,y)\ge0$ 且 $\displaystyle\iint_{\mathbb R^2}f=1$ 。给的密度含未知常数时,**先用归一化定常数再算别的**,否则后面全错。
|
||||
|
||||
$$P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm dx\,\mathrm dy .$$
|
||||
|
||||
归一化那一步的积分区域**就是支撑集本身**,不是整个平面——这是最容易多积或少积的地方。
|
||||
|
||||
### 1.3 边缘密度的积分限
|
||||
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .$$
|
||||
|
||||
看起来是固定公式,**真正的难点是内层积分的上下限随 $x$ 变**。做法固定:把支撑集画出来,固定 $x$ 画一条竖线,看这条线穿过区域的那一段 $y$ 从哪到哪,那就是积分限。求 $f_Y$ 时改成画横线。
|
||||
|
||||
**检验边缘密度**:算完必须验证 $\int f_X=1$ ,且 $f_X$ 的支撑要比 $f$ 的支撑**宽或相等**(投影不会更窄)。
|
||||
|
||||
### 1.4 条件分布与条件密度
|
||||
|
||||
离散:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$ ,即**在表格里取那一列再按列和归一化**。
|
||||
|
||||
连续:$f_{X\mid Y}(x\mid y)=\dfrac{f(x,y)}{f_Y(y)}$ ,$f_Y(y)>0$ 。几何意义是"沿 $y$ 这条横线把联合密度重新归一化"。
|
||||
|
||||
条件期望 $E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy$ 是 $x$ 的函数,把 $x$ 换成 $X$ 得到随机变量 $E(Y\mid X)$ ,再取期望就是重期望公式 $E\big[E(Y\mid X)\big]=EY$ 。
|
||||
|
||||
### 1.5 独立性三重判据
|
||||
|
||||
按优先级用:
|
||||
|
||||
| 判据 | 怎么用 | 什么时候失效 |
|
||||
|---|---|---|
|
||||
| **支撑是矩形 + 可分离** | $f(x,y)=g(x)h(y)$ 且支撑是 $a<x<b,\ c<y<d$ | 最常用,两条件缺一不可 |
|
||||
| 定义 | $F(x,y)=F_X(x)F_Y(y)$ 对一切 $x,y$ | 通用但慢 |
|
||||
| 条件分布 | $f_{X\mid Y}(x\mid y)$ 与 $y$ 无关 | 连续型好用 |
|
||||
|
||||
**两个必须记住的结论**:① 支撑不是矩形(三角形、圆、$0<y<x$ 这类)**一定不独立**,不用算;② 支撑是矩形但密度不可分离,也**不一定独立**——必须真算边缘乘积去比(见 A5 第三例)。
|
||||
|
||||
### 1.6 二维均匀分布
|
||||
|
||||
$(X,Y)$ 在区域 $D$ 上均匀 $\iff$ $f=\dfrac{1}{S_D}$ 在 $D$ 内。**没有"均匀的边缘"**:三角形上均匀的两个边缘都是线性的,不是均匀分布。这是判断题的高频陷阱。
|
||||
|
||||
反过来,概率 = 面积比:$P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D}$ ,很多题不用积分,直接用面积算更快。
|
||||
|
||||
### 1.7 二维正态分布
|
||||
|
||||
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho).$$
|
||||
|
||||
三条必背:① 边缘仍是正态,且**边缘的参数里不含 $\rho$ 这一项** ;② $\rho=0\iff$ 独立(二维正态独有,一般情形不成立);③ 任何线性组合 $aX+bY$ 仍正态,$D(aX+bY)=a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2$ 。
|
||||
|
||||
条件分布也是正态:$Y\mid X=x\sim N\Big(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\Big)$ ,**条件方差与 $x$ 无关**。
|
||||
|
||||
### 1.8 分布函数法
|
||||
|
||||
求 $Z=g(X,Y)$ 的密度,万能的四步:
|
||||
|
||||
1. 写 $F_Z(z)=P\{g(X,Y)\le z\}$ ;
|
||||
2. **在支撑图上画出 $g(x,y)\le z$ 这条曲线**,找出它与区域相交的形状;
|
||||
3. 按 $z$ 的取值分段(曲线扫过区域的不同顶点时,形状变,公式就变);
|
||||
4. 对 $z$ 求导得 $f_Z$ ,并写明 $f_Z$ 的支撑。
|
||||
|
||||
**分段的临界值从哪来**:曲线恰好经过区域顶点时的 $z$ 。所以第 2 步画图时要把顶点坐标写出来。
|
||||
|
||||
### 1.9 雅可比变换法
|
||||
|
||||
求 $(U,V)=(g_1(X,Y),g_2(X,Y))$ 的联合密度:
|
||||
|
||||
$$f_{U,V}(u,v)=f\big(x(u,v),y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .$$
|
||||
|
||||
**三个坑**:① 反解要写全($x,y$ 都用 $u,v$ 表示);② 雅可比取绝对值;③ 支撑要跟着换——把 $x(u,v),y(u,v)$ 代回原来的不等式,得到的才是 $(u,v)$ 的区域。
|
||||
|
||||
只要求一个函数的分布时,**拉一个陪变量**(常取 $V=Y$ )把它补成一次变换,积掉 $v$ 就回到边缘,见 [第3讲 点6 §6.2](../../在学练习/概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md)。
|
||||
|
||||
### 1.10 和差积商与可加性
|
||||
|
||||
卷积:$f_{X+Y}(z)=\displaystyle\int f_X(x)f_Y(z-x)\,\mathrm dx$ (独立时)。**积分限由 $x$ 与 $z-x$ 同时落在各自支撑内决定**,所以 $z$ 要分段。
|
||||
|
||||
四张可加表(独立时成立,且是"同类型才可加"):
|
||||
|
||||
| 分布 | 可加性 |
|
||||
|---|---|
|
||||
| 正态 | $N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ |
|
||||
| 泊松 | $P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ |
|
||||
| 二项 | $B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$ (**$p$ 必须相同**) |
|
||||
| 卡方 | $\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ |
|
||||
|
||||
均匀分布、指数分布(同参数)**没有**这个性质——两个 $U(0,1)$ 相加是三角分布,不是均匀。
|
||||
|
||||
### 1.11 最值分布
|
||||
|
||||
独立时:
|
||||
|
||||
$$F_{\max}(z)=\prod F_{X_i}(z),\qquad F_{\min}(z)=1-\prod\big[1-F_{X_i}(z)\big].$$
|
||||
|
||||
同分布时简化为 $F^n$ 与 $1-(1-F)^n$ 。**$E(\max)$ 与 $E(\min)$ 别硬算密度**:同分布 $U(0,1)$ 时 $E(\max)=\frac{n}{n+1}$ ,$E(\min)=\frac{1}{n+1}$ ;一般地若 $F_{\max}=F^n$ 且 $E$ 好算,直接用 $\int_0^\infty[1-F^n]\,\mathrm dz$ 。
|
||||
|
||||
$\max-\min$ 的分布要单独求,不能用上面两式相减(两者不独立)。
|
||||
|
||||
### 1.12 混合型与全概率密度版
|
||||
|
||||
$X$ 离散、$Y$ 连续(或反之)时,**没有联合密度**,只能用全概率:
|
||||
|
||||
$$f_Y(y)=\sum_i P\{X=x_i\}\,f_{Y\mid X=x_i}(y),\qquad P\{Y\in B\}=\sum_i P\{X=x_i\}\,P\{Y\in B\mid X=x_i\}.$$
|
||||
|
||||
判断"有没有联合密度"的标准:**联合分布函数是否绝对连续**。混合型的 $F$ 在 $X$ 的取值处有跳跃,所以不存在。
|
||||
|
||||
## 三、一圈层(10 条)
|
||||
|
||||
### 3.1 区域均匀加指示变量
|
||||
|
||||
$I=\mathbf 1\{g(X,Y)\ge0\}$ 是真题最常见的包装(2016·22)。判它与其他变量的独立性,用**条件概率**:$P\{I=1\mid X=x\}$ 若是常数,则 $I$ 与 $X$ 独立,常数值就是 $P\{I=1\}$ ;若随 $x$ 变,就不独立。别去求联合分布。
|
||||
|
||||
### 3.2 混合正态与全方差公式
|
||||
|
||||
$X$ 的分布依赖一个离散变量 $T$ 时,$X$ 是混合分布,一般**不是正态**。均值用重期望、方差用全方差:
|
||||
|
||||
$$EX=E\big[E(X\mid T)\big],\qquad DX=E\big[D(X\mid T)\big]+D\big[E(X\mid T)\big].$$
|
||||
|
||||
第二项常被漏掉,漏了就一定偏小。
|
||||
|
||||
### 3.3 离散与连续的交叉
|
||||
|
||||
$X$ 离散、$Y$ 连续时按 $X$ 的取值用全概率拆开,每一支都是普通的一维问题。**顺序别倒**:先拆离散变量,再在每支里做连续运算。
|
||||
|
||||
### 3.4 条件分布反解联合
|
||||
|
||||
给 $f_{Y\mid X=x}$ 与 $f_X$ ,乘起来得 $f(x,y)=f_X(x)f_{Y\mid X}(x\mid y)$ ,再反求 $f_Y$ 。这条路的支撑往往是个三角形(因为条件区间依赖 $x$ ),所以求 $f_Y$ 时积分限含 $y$ 。
|
||||
|
||||
### 3.5 协方差与相关系数
|
||||
|
||||
$\operatorname{Cov}(X,Y)=EXY-EX\cdot EY$ 。$EXY$ 在离散型是表格加权求和,连续型是 $\iint xy f$ 。相关系数 $\rho=\dfrac{\operatorname{Cov}}{\sqrt{DX\cdot DY}}$ 。
|
||||
|
||||
**判断"不相关但不独立"**:算出 $\operatorname{Cov}=0$ 只说明没有线性关系,还要另找一对事件 $P\{X\le x,Y\le y\}\ne F_XF_Y$ 来证不独立。
|
||||
|
||||
### 3.6 雅可比的两个用途
|
||||
|
||||
一是**求联合密度**(正着用,见 1.9);二是**判独立**——算完 $f_{U,V}$ 看能否写成 $a(u)b(v)$ 且支撑是矩形。后者常让人意外:两个相依变量的某个变换可能变独立。反方向的例子也在同一题里:$U=X+Y$ 与 $V=X-Y$ 换完之后支撑是菱形(非矩形),条件密度仍随 $v$ 变,所以不独立(见 A10)。
|
||||
|
||||
### 3.7 四张可加表
|
||||
|
||||
认出分布类型直接写,比卷积快十倍,**但前提是独立**。最容易错的两处:二项可加要求 $p$ 相同;均匀与指数(不同参数)没有可加性。
|
||||
|
||||
### 3.8 最小与最大同时出现
|
||||
|
||||
不用求任何密度,只用两条尾概率:
|
||||
|
||||
$$P\{\max\le z\}=\prod F_i(z),\qquad P\{\min>z\}=\prod\big[1-F_i(z)\big].$$
|
||||
|
||||
$\max-\min$ 这类"极差"要单独处理,转成 $P\{\vert X-Y\vert>t\}$ 再来(独立同分布时往往有简洁形式)。
|
||||
|
||||
### 3.9 异分布的和
|
||||
|
||||
卷积必须分段,**临界值是两个支撑端点之和**:$X\in(0,1)$ 、$Y\in(0,2)$ 时,$Z$ 在 $1$ 与 $2$ 处换公式,分三段。
|
||||
|
||||
### 3.10 由分布函数反求密度与条件密度
|
||||
|
||||
$f(x,y)=\dfrac{\partial^2F}{\partial x\partial y}$ ,逐段求偏导($F$ 是分段函数时,每一段都要单独求)。求完立即验 $\iint f=1$ 。条件密度再用 1.4 的公式。
|
||||
|
||||
## 四、二圈层(8 条)
|
||||
|
||||
### 4.1 无穷区域上的二维连续
|
||||
|
||||
支撑是第一象限这类无界区域时,积分限含 $\infty$ 。**先看联合密度能否分离**——能分离就直接拆成两个一维积分,省一半计算。
|
||||
|
||||
### 4.2 含参密度先定参再讨论
|
||||
|
||||
密度带未知常数时,先用归一化定出它,**定完之后独立性的答案可能变**。所以顺序永远是:定参 → 边缘 → 判独立。
|
||||
|
||||
### 4.3 非独立正态的条件分布
|
||||
|
||||
$\rho\ne0$ 时 $Y\mid X=x$ 仍正态,条件均值是 $x$ 的**一次函数**,条件方差 $\sigma_2^2(1-\rho^2)$ 与 $x$ 无关。用它验证全方差公式很顺。
|
||||
|
||||
### 4.4 商的分布
|
||||
|
||||
$Z=X/Y$ 的密度要按 $z$ 的符号(或与 1 的大小关系)分段,因为 $y<z x$ 这条直线的方向会随 $z$ 变。绝对值、不等号方向两处都要照顾。
|
||||
|
||||
### 4.5 三个变量的最值
|
||||
|
||||
$F_{\max}=F^3$ 、$F_{\min}=1-(1-F)^3$ 。次序对称性很好用:连续型独立同分布时,$P\{X_1<X_2<X_3\}=\frac{1}{3!}=\frac16$ ,因为六种大小顺序等可能。
|
||||
|
||||
### 4.6 独立性反例构造
|
||||
|
||||
标准反例:$X\sim U(-1,1)$ 、$Y=X^2$ ,则 $\operatorname{Cov}=0$ 但 $Y$ 完全由 $X$ 决定。反过来"独立必不相关"永远成立。这两个方向要能各举一例。
|
||||
|
||||
### 4.7 条件期望与全方差
|
||||
|
||||
两段式:先算 $E[D(Y\mid X)]$ (条件方差再取期望),再算 $D[E(Y\mid X)]$ (条件均值作为随机变量的方差)。**两项量纲相同、都非负**,加起来才对。
|
||||
|
||||
### 4.8 概念辨析
|
||||
|
||||
八个断言逐条判,考的全是边界:不相关与独立的关系、二维正态的特殊性、均匀的边缘是否均匀、混合型能否写密度。这类题不计算,但错一个就整题错。
|
||||
|
||||
## 五、十年真题索引
|
||||
|
||||
| 年份·题号 | 题型 | 分 | 考法 | 本专题对应 |
|
||||
|---|---|---|---|---|
|
||||
| 2016·22 | 解答 | 11 | 抛物线区域均匀 + 指示变量 + 分布函数 | B1 |
|
||||
| 2017·22 | 解答 | 11 | 离散与连续的和,密度分段 | A8、B8 |
|
||||
| 2018·22 | 解答 | 11 | 两点乘泊松,协方差与分布律 | B3 |
|
||||
| 2019·8 | 单选 | 4 | 正态差的分布 | A7 |
|
||||
| 2019·22 | 解答 | 11 | 指数乘两点,"不相关但不独立" | B2 |
|
||||
| 2020·22 | 解答 | 11 | 混合正态的联合分布函数 | B5、B9 |
|
||||
| 2021·22 | 解答 | 12 | 随机取点分两段,商的分布 | B4 |
|
||||
| 2022·10 | 单选 | 5 | 条件均匀反解 + 相关系数 | A4 |
|
||||
| 2023·22 | 解答 | 12 | 圆盘非均匀密度,$X^2+Y^2$ 的分布 | B6 |
|
||||
| 2024·9 | 单选 | 5 | 条件均匀与协方差 | B10 |
|
||||
| 2025·22 | 解答 | 12 | 截断赔付 + 泊松分裂 | B7 |
|
||||
|
||||
合 11 题 105 分,是概率六章里的第一。**解答题的形态高度固定**:给一个区域上的密度或条件分布 → 求边缘或联合 → 求某个函数的分布 → 顺带算一个数字特征,三四问 11—12 分。**2019 年之后几乎每年都用"乘积型"或"条件均匀型"包装**(2018、2019、2024),这是最近五年的新增偏好,B2、B3、B10 就是照着这个偏好出的。
|
||||
|
||||
## 六、题目索引
|
||||
|
||||
| 题 | 考什么 | 难度 | 真题/张宇锚点 |
|
||||
|---|---|---|---|
|
||||
| A1 | 独立性反解分布律 | ★★☆ | — |
|
||||
| A2 | 抛物区域归一化 + 边缘两支 | ★★☆ | 张宇 30 讲 边缘密度例题 |
|
||||
| A3 | 条件分布律反解联合 | ★★☆ | — |
|
||||
| A4 | 条件均匀、协方差、区域概率 | ★★★ | 2022·10 |
|
||||
| A5 | 独立性四判据及各自适用边界 | ★★☆ | 概念题高频 |
|
||||
| A6 | 二维均匀,面积比 | ★★☆ | 2016·22 区域 |
|
||||
| A7 | 二维正态的差与条件分布 | ★★☆ | 2019·8 |
|
||||
| A8 | 离散与连续的和 | ★★★ | 2017·22 |
|
||||
| A9 | 异参数指数的最值 | ★★★ | 2021·22 变体 |
|
||||
| A10 | 雅可比、支撑换元、条件密度 | ★★★ | — |
|
||||
| A11 | 可加性什么时候失效 | ★★☆ | 选填常客 |
|
||||
| A12 | 由 $\Phi$ 里读出参数 | ★★☆ | 张宇 30 讲 标准正态化例题 |
|
||||
| B1 | 指示变量 + 分段分布函数 | ★★★★ | 2016·22 |
|
||||
| B2 | 两点乘指数:相关但不独立 | ★★★★ | 2019·22 |
|
||||
| B3 | 两点乘泊松:分布律与方差 | ★★★★ | 2018·22 |
|
||||
| B4 | 随机取点,商的分布 | ★★★★ | 2021·22 |
|
||||
| B5 | 混合正态的联合分布函数 | ★★★★ | 2020·22 |
|
||||
| B6 | 圆盘非均匀密度 | ★★★★ | 2023·22 |
|
||||
| B7 | 保险赔付与泊松分裂 | ★★★★ | 2025·22 |
|
||||
| B8 | 异密度混合的和 | ★★★ | 2017·22 变体 |
|
||||
| B9 | 全方差公式与相关系数 | ★★★★ | 2020·22 变体 |
|
||||
| B10 | 条件均匀反解联合 | ★★★★ | 2024·9 |
|
||||
| C1 | 环域均匀,边缘分段 | ★★★★ | — |
|
||||
| C2 | 次序统计量与极差 | ★★★★ | — |
|
||||
| C3 | 非独立正态的残差分解 | ★★★★ | — |
|
||||
| C4 | 商的分布与期望发散 | ★★★★ | — |
|
||||
| C5 | 混合型的分布函数与密度 | ★★★★ | — |
|
||||
| C6 | 反例构造三问 | ★★★★ | 概念题 |
|
||||
| C7 | 泊松分裂与独立性证明 | ★★★★ | 2025·22 推广 |
|
||||
| C8 | 十个断言辨析 | ★★★★ | 概念题 |
|
||||
|
||||
**A 组 12 题把 12 个动作各走一遍**(但都在真实区域里),B 组是真题原版换数字,C 组是"考场出新"的预演。合计 30 题。
|
||||
|
||||
## 七、六个高频陷阱
|
||||
|
||||
1. **支撑不是矩形却去算乘积**:$0<y<x<1$ 这类,题干里一旦出现不等关系连着两个变量,独立性的答案立刻是"不独立",省下五分钟。
|
||||
2. **边缘密度的积分限照抄 0 到 1**:必须按支撑投影写。三角形 $0<y<1-x$ 时 $f_X(x)=\int_0^{1-x}$ ,不是 $\int_0^1$ 。
|
||||
3. **分段少写一段**:$Z=X+Y$ 的两个均匀相加,$z$ 必须分两段(或三段,当支撑不等长)。**写完要验归一化,即 $\int f_Z=1$ 是否成立** ,少了段一定不归一。
|
||||
4. **把"不相关"当"独立"**:只有二维正态反过来成立;一维函数关系($Y=X^2$ )是标准反例。
|
||||
5. **在混合型上写联合密度**:$X$ 离散时 $f(x,y)$ 根本不存在,只能写 $P\{X=x_i\}f_{Y\mid X=x_i}(y)$ 。
|
||||
6. **最值用密度硬算**:$F_{\max}=F^n$ 一步到位,硬算密度要多写两行还容易错。
|
||||
|
||||
## 八、回到在学练习
|
||||
|
||||
这份专题是"扩散式加练",不是第一次学。第一次学的顺序在 [第3讲 README](../../在学练习/概率论-第3讲-多维随机变量及其分布/README.md):点 1 联合分布 → 点 2 离散 → 点 3 连续 → 点 4 独立 → 点 5 函数分布 → 点 6 四则运算 → 点 7 混合型。
|
||||
|
||||
**做完本专题若某条仍卡**,按上表回到对应点,只读那一条,不要再通读整讲。
|
||||
@@ -0,0 +1,383 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 试题, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
题量: 30 题(核心 12 + 一圈 10 + 二圈 8)
|
||||
状态: 第二版, 难度对齐 2016—2025 真题解答题;答案与解析见 03a/03b/03c
|
||||
关联笔记: ["[[01-考点地图]]", "[[03a-解析-基础]]", "[[03b-解析-中等]]", "[[03c-解析-拔高]]", "[[04-答疑笔记]]"]
|
||||
---
|
||||
|
||||
# 试题 · 多维随机变量
|
||||
|
||||
**第二版说明**:第一版的 A 组多是"一步套公式"(填表、归一化、套卷积),比真题低一个档次。这一版按 **2016—2025 年 ch17 的 11 道真题**和张宇三十讲的二维例题定难度:A 组每题仍只练一个动作,但都包在真实区域里、都要分段;B 组直接对着真题换数字,题量与问法照搬;C 组高于真题,用来防"考场出新"。
|
||||
|
||||
难度记号:★★☆ 门槛题 | ★★★ 真题档 | ★★★★ 高于真题(允许做不出,但要看懂答案)。
|
||||
|
||||
A 组 12 题一次性练完 12 个动作,**限时 100 分钟**;B 组 10 题**限时 120 分钟**(真题解答题 12 分钟一题,这里加了审题时间);C 组 8 题不限时,但要写完整过程。
|
||||
|
||||
**做之前准备**:每道题第一件事是画支撑集,画不出来就先不下笔。凡是出现"分段""讨论"字样的,答案必须写清每一段的范围,只写公式不写范围按错处理。
|
||||
|
||||
**附常用值**:$\Phi(1)=0.8413$ ,$\Phi(2)=0.9772$ ,$\Phi(0.378)=0.6472$ ,$\ln 2=0.6931$ ,$\mathrm e^{-1}=0.3679$ ,$\mathrm e^{-2}=0.1353$ 。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 核心(12 题)
|
||||
|
||||
### 题 A1 · 独立性能反解分布律(★★☆)
|
||||
|
||||
设 $(X,Y)$ 只在 $(0,0)$ 、$(0,1)$ 、$(1,0)$ 、$(1,1)$ 四点取值,记 $p_{ij}=P\{X=i,\ Y=j\}$ ,已知
|
||||
|
||||
$$p_{00}=0.1,\qquad p_{01}=0.15,$$
|
||||
|
||||
且 $X$ 与 $Y$ 相互独立。
|
||||
|
||||
求:(Ⅰ)$p_{10}$ 与 $p_{11}$ ;(Ⅱ)$P\{X+Y=1\}$ 、$P\{X=0\mid Y=1\}$ 、$E(X\mid Y=1)$ ;(Ⅲ)证明:对 $2\times2$ 表格,$X$ 与 $Y$ 独立 $\iff p_{00}p_{11}=p_{01}p_{10}$ 。
|
||||
|
||||
> **考点** · [§1.1 联合分布函数与联合分布律](01-考点地图.md#user-content-11-联合分布函数与联合分布律)
|
||||
|
||||
---
|
||||
|
||||
### 题 A2 · 抛物区域上的归一化与边缘(★★☆)
|
||||
|
||||
【张宇 30 讲 · 二维连续型 · 边缘密度例题骨架】设 $(X,Y)$ 的联合密度为
|
||||
|
||||
$$f(x,y)=c\,(x^2+y),\qquad 0<y<1-x^2 .$$
|
||||
|
||||
求:(Ⅰ)$c$ ;(Ⅱ)$f_X(x)$ 与 $f_Y(y)$ ,并各自验证 $\int f=1$ ;(Ⅲ)判断 $X$ 与 $Y$ 是否独立。
|
||||
|
||||
> **考点** · [§1.3 边缘密度的积分限](01-考点地图.md#user-content-13-边缘密度的积分限)
|
||||
|
||||
---
|
||||
|
||||
### 题 A3 · 条件分布律反解联合(★★☆)
|
||||
|
||||
设 $X$ 等可能地取 $1,2,3$ ;给定 $X=i$ 时,$Y\sim B(i,\ 1/2)$ 。
|
||||
|
||||
求:(Ⅰ)$(X,Y)$ 的联合分布律与 $Y$ 的边缘分布律;(Ⅱ)$E(X\mid Y=1)$ ;(Ⅲ)$\operatorname{Cov}(X,Y)$ ;(Ⅳ)$P\{X+Y=3\}$ 。
|
||||
|
||||
> **考点** · [§1.4 条件分布与条件密度](01-考点地图.md#user-content-14-条件分布与条件密度)
|
||||
|
||||
---
|
||||
|
||||
### 题 A4 · 条件密度、协方差与区域概率(★★★)
|
||||
|
||||
【真题 2022-10 骨架】设 $X\sim U(0,1)$ ;给定 $X=x$ 时,$Y\sim U(x,1)$ 。
|
||||
|
||||
求:(Ⅰ)$f(x,y)$ 与 $f_Y(y)$ ;(Ⅱ)$\operatorname{Cov}(X,Y)$ ;(Ⅲ)$P\{X+Y\le1\}$ 。
|
||||
|
||||
> **考点** · [§1.4 条件分布与条件密度](01-考点地图.md#user-content-14-条件分布与条件密度)
|
||||
|
||||
---
|
||||
|
||||
### 题 A5 · 独立性四判据(★★☆)
|
||||
|
||||
判断下列四个联合密度对应的 $X$ 与 $Y$ 是否独立,说明理由:
|
||||
|
||||
(Ⅰ)$f=4xy$ ,$0<x<1,\ 0<y<1$ ;
|
||||
|
||||
(Ⅱ)$f=8xy$ ,$0<y<x<1$ ;
|
||||
|
||||
(Ⅲ)$f=\dfrac65(x+y^2)$ ,$0<x<1,\ 0<y<1$ ;
|
||||
|
||||
(Ⅳ)$f=\dfrac1\pi$ ,$x^2+y^2<1$ 。
|
||||
|
||||
并回答:四个里哪几个**不用算边缘**就能定答案,依据是哪一条。
|
||||
|
||||
> **考点** · [§1.5 独立性三重判据](01-考点地图.md#user-content-15-独立性三重判据)
|
||||
|
||||
---
|
||||
|
||||
### 题 A6 · 二维均匀的区域与面积法(★★☆)
|
||||
|
||||
【真题 2016-22 区域】设 $(X,Y)$ 在区域 $D=\{(x,y):0<x<1,\ x^2<y<\sqrt x\}$ 上服从均匀分布。
|
||||
|
||||
求:(Ⅰ)$D$ 的面积与 $f(x,y)$ ;(Ⅱ)$f_X(x)$ 与 $f_Y(y)$ ;(Ⅲ)$P\{Y<X\}$ 。
|
||||
|
||||
> **考点** · [§1.6 二维均匀分布](01-考点地图.md#user-content-16-二维均匀分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 A7 · 二维正态的差与条件分布(★★☆)
|
||||
|
||||
设 $(X,Y)\sim N(1,2;\ 4,9;\ 0.5)$ 。
|
||||
|
||||
求:(Ⅰ)$D(X+Y)$ 、$D(X-Y)$ 、$\operatorname{Cov}(X+Y,\ X-Y)$ ;(Ⅱ)$P\{X<Y\}$ ;(Ⅲ)$Y\mid X=x$ 服从什么分布,写出均值与方差。
|
||||
|
||||
> **考点** · [§1.7 二维正态分布](01-考点地图.md#user-content-17-二维正态分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 A8 · 离散与连续的和(★★★)
|
||||
|
||||
【真题 2017-22 骨架】设 $X,Y$ 相互独立,$X$ 的分布律为 $P\{X=0\}=P\{X=2\}=\dfrac12$ ,$Y$ 的密度为
|
||||
|
||||
$$f_Y(y)=\begin{cases}2y, & 0<y<1,\\[2pt] 0, & \text{其他}.\end{cases}$$
|
||||
|
||||
求:(Ⅰ)$P\{Y\le EY\}$ ;(Ⅱ)$Z=X+Y$ 的密度 $f_Z(z)$ ;(Ⅲ)$EZ$ 与 $DZ$ 。
|
||||
|
||||
> **考点** · [§1.8 分布函数法](01-考点地图.md#user-content-18-分布函数法)
|
||||
|
||||
---
|
||||
|
||||
### 题 A9 · 异参数指数的最值(★★★)
|
||||
|
||||
设 $X\sim \mathrm{Exp}(1)$ ,$Y\sim \mathrm{Exp}(2)$ ,且相互独立,记 $M=\max\{X,Y\}$ ,$N=\min\{X,Y\}$ 。
|
||||
|
||||
求:(Ⅰ)$f_M(z)$ ;(Ⅱ)$N$ 服从什么分布;(Ⅲ)$EM$ ,并用 $E(M+N)=EX+EY$ 验证。
|
||||
|
||||
> **考点** · [§1.11 最值分布](01-考点地图.md#user-content-111-最值分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 A10 · 雅可比与条件密度(★★★)
|
||||
|
||||
设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,令 $U=X+Y$ ,$V=X-Y$ 。
|
||||
|
||||
求:(Ⅰ)$(U,V)$ 的联合密度,并写出支撑集(画图);(Ⅱ)$f_{U\mid V}(u\mid v)$ ;(Ⅲ)$U$ 与 $V$ 是否独立。
|
||||
|
||||
> **考点** · [§1.9 雅可比变换法](01-考点地图.md#user-content-19-雅可比变换法)
|
||||
|
||||
---
|
||||
|
||||
### 题 A11 · 可加性用得上与用不上(★★☆)
|
||||
|
||||
(Ⅰ)$X\sim B(3,0.4)$ ,$Y\sim B(4,0.4)$ 且独立,求 $P\{X+Y=2\}$ ;
|
||||
|
||||
(Ⅱ)$X\sim P(2)$ ,$Y\sim P(3)$ 且独立,求 $P\{X+Y=2\}$ ;
|
||||
|
||||
(Ⅲ)$X,Y$ 独立同 $U(0,1)$ ,$X+Y$ 与 $X-Y$ 是否仍服从均匀分布?说明理由;
|
||||
|
||||
(Ⅳ)$X\sim N(0,1)$ ,$Y\sim N(0,1)$ ,$\operatorname{Cov}(X,Y)=\dfrac12$ ,问 $X+Y$ 是否服从正态分布,$X+Y$ 与 $X-Y$ 是否独立。
|
||||
|
||||
> **考点** · [§1.10 和差积商与可加性](01-考点地图.md#user-content-110-和差积商与可加性)
|
||||
|
||||
---
|
||||
|
||||
### 题 A12 · 由分布函数反求参数(★★☆)
|
||||
|
||||
【张宇 30 讲 · 二维正态 · 标准正态化例题骨架】设 $(X,Y)$ 的分布函数为
|
||||
|
||||
$$F(x,y)=\Phi(2x+1)\,\Phi(2y-1),$$
|
||||
|
||||
其中 $\Phi$ 是标准正态分布函数。
|
||||
|
||||
求:(Ⅰ)$(X,Y)$ 服从什么分布,四个参数各是多少;(Ⅱ)$f(x,y)$ ;(Ⅲ)$P\{X>0\}$ 与 $P\{X+Y>0\}$ 。
|
||||
|
||||
> **考点** · [§1.1 联合分布函数与联合分布律](01-考点地图.md#user-content-11-联合分布函数与联合分布律)
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 一圈:照真题换数字(10 题)
|
||||
|
||||
### 题 B1 · 区域均匀加指示变量再求分布函数(★★★★)
|
||||
|
||||
【真题 2016-22 骨架】设 $(X,Y)$ 在题 A6 的区域 $D=\{0<x<1,\ x^2<y<\sqrt x\}$ 上服从均匀分布,令
|
||||
|
||||
$$U=\begin{cases}1, & Y\le X,\\[2pt] 0, & Y>X.\end{cases}$$
|
||||
|
||||
求:(Ⅰ)$P\{U=1\}$ ;(Ⅱ)判断 $U$ 与 $X$ 是否独立;(Ⅲ)$Z=U+X$ 的分布函数 $F_Z(z)$ 。
|
||||
|
||||
> **考点** · [§3.1 区域均匀加指示变量](01-考点地图.md#user-content-31-区域均匀加指示变量)
|
||||
|
||||
---
|
||||
|
||||
### 题 B2 · 指数与两点分布的乘积(★★★★)
|
||||
|
||||
【真题 2019-22 骨架】设 $X\sim \mathrm{Exp}(1)$ ,$Y$ 只取 $-1,1$ 两个值,$P\{Y=-1\}=p$ ,$P\{Y=1\}=1-p$ ,且 $X$ 与 $Y$ 相互独立,令 $Z=XY$ 。
|
||||
|
||||
求:(Ⅰ)$f_Z(z)$ ;(Ⅱ)$p$ 为何值时 $X$ 与 $Z$ 不相关(说明结论与 $\lambda$ 无关);(Ⅲ)此时 $X$ 与 $Z$ 是否独立。
|
||||
|
||||
> **考点** · [§3.5 协方差与相关系数](01-考点地图.md#user-content-35-协方差与相关系数)
|
||||
|
||||
---
|
||||
|
||||
### 题 B3 · 两点分布与泊松的乘积(★★★★)
|
||||
|
||||
【真题 2018-22 骨架】设 $X$ 只取 $-1,1$ 且等可能,$Y\sim P(\lambda)$ ,$X$ 与 $Y$ 独立,令 $Z=XY$ 。
|
||||
|
||||
求:(Ⅰ)$\operatorname{Cov}(X,Z)$ ;(Ⅱ)$Z$ 的分布律,并说明 $Z$ 是否服从泊松分布;(Ⅲ)$DZ$ 与 $DY$ 的关系。
|
||||
|
||||
> **考点** · [§3.5 协方差与相关系数](01-考点地图.md#user-content-35-协方差与相关系数)
|
||||
|
||||
---
|
||||
|
||||
### 题 B4 · 随机取点分两段(★★★★)
|
||||
|
||||
【真题 2021-22 骨架】在区间 $(0,2)$ 上随机取一点,把区间分成两段,短的一段长为 $X$ ,长的一段长为 $Y$ ,令 $Z=\dfrac{Y}{X}$ 。
|
||||
|
||||
求:(Ⅰ)$f_X(x)$ ;(Ⅱ)$f_Z(z)$ ;(Ⅲ)$E\left(\dfrac{X}{Y}\right)$ 。
|
||||
|
||||
> **考点** · [§4.4 商的分布](01-考点地图.md#user-content-44-商的分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 B5 · 混合正态的联合分布函数(★★★★)
|
||||
|
||||
【真题 2020-22 骨架】设 $X_1,X_2$ 相互独立且都服从 $N(0,1)$ ,$X_3$ 只取 $0,1$ 且等可能,并与 $X_1,X_2$ 独立,令 $Y=X_3X_1+(1-X_3)X_2$ 。
|
||||
|
||||
求:(Ⅰ)$(X_1,Y)$ 的分布函数(用 $\Phi$ 表示,须写清 $x\le y$ 与 $x>y$ 两种情形);(Ⅱ)证明 $Y\sim N(0,1)$ ;(Ⅲ)$\operatorname{Cov}(X_1,Y)$ 与 $\rho_{X_1Y}$ 。
|
||||
|
||||
> **考点** · [§3.2 混合正态与全方差公式](01-考点地图.md#user-content-32-混合正态与全方差公式)
|
||||
|
||||
---
|
||||
|
||||
### 题 B6 · 圆盘上的非均匀密度(★★★★)
|
||||
|
||||
【真题 2023-22 骨架】设 $(X,Y)$ 的密度为
|
||||
|
||||
$$f(x,y)=\frac2\pi\left(x^2+y^2\right),\qquad x^2+y^2\le1 .$$
|
||||
|
||||
求:(Ⅰ)$\operatorname{Cov}(X,Y)$ ;(Ⅱ)判断 $X$ 与 $Y$ 是否独立;(Ⅲ)$Z=X^2+Y^2$ 的密度 $f_Z(z)$ 。
|
||||
|
||||
> **考点** · [§4.1 无穷区域上的二维连续](01-考点地图.md#user-content-41-无穷区域上的二维连续)
|
||||
|
||||
---
|
||||
|
||||
### 题 B7 · 保险赔付与泊松分裂(★★★★)
|
||||
|
||||
【真题 2025-22 骨架】某险种单次损失额 $X$ 的密度为
|
||||
|
||||
$$f(x)=\frac{2\times100^2}{(100+x)^3},\qquad x>0,$$
|
||||
|
||||
保险公司的赔付额为 $Y=(X-100)^+$ (即 $X\le100$ 时赔 $0$ ,$X>100$ 时赔 $X-100$ )。
|
||||
|
||||
求:(Ⅰ)$P\{Y>0\}$ 与 $EY$ ;(Ⅱ)一年内损失事件次数 $N\sim P(8)$ ,每次损失是否获赔相互独立,获赔概率为 $p=P\{Y>0\}$ ,求获赔次数 $M$ 的分布;(Ⅲ)说明 $M$ 与 $N-M$ 是否独立。
|
||||
|
||||
> **考点** · [§3.3 离散与连续的交叉](01-考点地图.md#user-content-33-离散与连续的交叉)
|
||||
|
||||
---
|
||||
|
||||
### 题 B8 · 异密度混合的和(★★★)
|
||||
|
||||
【真题 2017-22 变体】设 $X,Y$ 相互独立,$P\{X=0\}=P\{X=1\}=\dfrac12$ ,$Y$ 的密度为 $f_Y(y)=3y^2$ ($0<y<1$ )。
|
||||
|
||||
求:(Ⅰ)$P\{Y\le EY\}$ ;(Ⅱ)$f_Z(z)$ ,$Z=X+Y$ ;(Ⅲ)$P\{Z\le1\}$ ,并用密度积分验证。
|
||||
|
||||
> **考点** · [§1.8 分布函数法](01-考点地图.md#user-content-18-分布函数法)
|
||||
|
||||
---
|
||||
|
||||
### 题 B9 · 全方差公式与相关系数(★★★★)
|
||||
|
||||
【真题 2020-22 变体】设 $X\sim U(0,2)$ ;给定 $X=x$ 时,$Y\sim B(1,\ x/2)$ 。
|
||||
|
||||
求:(Ⅰ)$E(Y\mid X)$ 与 $D(Y\mid X)$ ;(Ⅱ)$EY$ 与 $DY$ (全方差公式,两项要分别写出数值);(Ⅲ)$\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$ 。
|
||||
|
||||
> **考点** · [§4.7 条件期望与全方差](01-考点地图.md#user-content-47-条件期望与全方差)
|
||||
|
||||
---
|
||||
|
||||
### 题 B10 · 条件均匀反解联合(★★★★)
|
||||
|
||||
【真题 2024-9 骨架】设 $X$ 的密度为 $f_X(x)=2(1-x)$ ($0<x<1$ );给定 $X=x$ 时,$Y\sim U(x,1)$ 。
|
||||
|
||||
求:(Ⅰ)$f(x,y)$ 与你发现的特别之处;(Ⅱ)$E(XY)$ ;(Ⅲ)$\operatorname{Cov}(X,Y)$ 。
|
||||
|
||||
> **考点** · [§3.10 由分布函数反求密度与条件密度](01-考点地图.md#user-content-310-由分布函数反求密度与条件密度)
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 二圈:12 分大题与压轴形态(8 题)
|
||||
|
||||
### 题 C1 · 环域均匀与边缘分段(★★★★)
|
||||
|
||||
设 $(X,Y)$ 在区域 $D=\{1\le x^2+y^2\le4\}$ 上服从均匀分布。
|
||||
|
||||
求:(Ⅰ)$f(x,y)$ ;(Ⅱ)$f_X(x)$ (必须分段);(Ⅲ)$Z=X^2+Y^2$ 的密度;(Ⅳ)$P\{X^2+Y^2\le2\}$ 。
|
||||
|
||||
> **考点** · [§1.6 二维均匀分布](01-考点地图.md#user-content-16-二维均匀分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 C2 · 三个变量的次序统计量(★★★★)
|
||||
|
||||
设 $X_1,X_2,X_3$ 相互独立且都服从 $U(0,1)$ ,记 $X_{(1)}\le X_{(2)}\le X_{(3)}$ 为从小到大排列后的三个值(次序统计量)。
|
||||
|
||||
求:(Ⅰ)$P\{X_1<X_2<X_3\}$ ;(Ⅱ)$f_{X_{(2)}}(z)$ 与 $E X_{(2)}$ ;(Ⅲ)$P\{X_{(3)}-X_{(1)}>1/2\}$ 。
|
||||
|
||||
> **考点** · [§4.5 三个变量的最值](01-考点地图.md#user-content-45-三个变量的最值)
|
||||
|
||||
---
|
||||
|
||||
### 题 C3 · 非独立正态的条件分布与正交分解(★★★★)
|
||||
|
||||
设 $(X,Y)\sim N(0,1;\ 1,4;\ 0.6)$ 。
|
||||
|
||||
求:(Ⅰ)$Y\mid X=x$ 的分布;(Ⅱ)$E(Y^2\mid X=1)$ ;(Ⅲ)用全方差公式验证 $DY=4$ ;(Ⅳ)令 $W=Y-1.2X$ ,证明 $W$ 与 $X$ 独立并写出 $W$ 的分布。
|
||||
|
||||
> **考点** · [§4.3 非独立正态的条件分布](01-考点地图.md#user-content-43-非独立正态的条件分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 C4 · 商的分布与一个发散陷阱(★★★★)
|
||||
|
||||
设 $X,Y$ 相互独立且都服从 $U(0,1)$ ,$Z=\dfrac{X}{Y}$ 。
|
||||
|
||||
求:(Ⅰ)$f_Z(z)$ (分段);(Ⅱ)$P\{Z<2\}$ ;(Ⅲ)$EZ$ 是否存在?若存在求出,若不存在说明理由。
|
||||
|
||||
> **考点** · [§4.4 商的分布](01-考点地图.md#user-content-44-商的分布)
|
||||
|
||||
---
|
||||
|
||||
### 题 C5 · 混合型的分布函数与密度(★★★★)
|
||||
|
||||
设 $X_1$ 只取 $0,1$ ,$P\{X_1=1\}=\dfrac34$ ;$X_2\sim \mathrm{Exp}(1)$ ;$X_1$ 与 $X_2$ 独立,令 $Y=X_1+X_2$ 。
|
||||
|
||||
求:(Ⅰ)$F_Y(y)$ (写清 $y<0$ 、$0\le y<1$ 、$y\ge1$ 三段);(Ⅱ)$f_Y(y)$ ,并说明 $Y$ 是否服从指数分布;(Ⅲ)$EY$ 与 $P\{Y\le1\}$ 。
|
||||
|
||||
> **考点** · [§1.12 混合型与全概率密度版](01-考点地图.md#user-content-112-混合型与全概率密度版)
|
||||
|
||||
---
|
||||
|
||||
### 题 C6 · 反例构造三问(★★★★)
|
||||
|
||||
(Ⅰ)构造一对 $(X,Y)$ ,使 $\operatorname{Cov}(X,Y)=0$ 但 $X$ 与 $Y$ 不独立,要求 $X$ 连续、且 $Y$ 是 $X$ 的函数,并完整验证;
|
||||
|
||||
(Ⅱ)设 $X\sim N(0,1)$ ,$Y\sim N(0,1)$ 且相互独立,令 $Z=XY$ 。判断 $Z$ 是否服从正态分布,并说明 $(X,Z)$ 这个例子否定了什么说法;
|
||||
|
||||
(Ⅲ)判断:若 $f(x,y)=g(x)h(y)$ 对一切 $(x,y)$ 成立,则 $X$ 与 $Y$ 独立。对的给证明,错的给反例。
|
||||
|
||||
> **考点** · [§4.6 独立性反例构造](01-考点地图.md#user-content-46-独立性反例构造)
|
||||
|
||||
---
|
||||
|
||||
### 题 C7 · 泊松分裂与复合分布(★★★★)
|
||||
|
||||
设某路口一天内的事故次数 $N\sim P(\lambda)$ ,每次事故是否涉及出租车相互独立,涉及的概率为 $p$ ($0<p<1$ )。记 $M$ 为涉及出租车的事故次数。
|
||||
|
||||
求:(Ⅰ)$M$ 的分布律(提示:先写 $P\{M=k\mid N=n\}$ 再用全概率);
|
||||
|
||||
(Ⅱ)$N-M$ 的分布律;
|
||||
|
||||
(Ⅲ)证明 $M$ 与 $N-M$ 相互独立。
|
||||
|
||||
> **考点** · [§3.3 离散与连续的交叉](01-考点地图.md#user-content-33-离散与连续的交叉)
|
||||
|
||||
---
|
||||
|
||||
### 题 C8 · 十个断言辨析(★★★★)
|
||||
|
||||
判断下列断言的对错,错的各给一个反例或说明:
|
||||
|
||||
1. 若 $X$ 与 $Y$ 不相关,则 $X$ 与 $Y$ 独立。
|
||||
2. 若 $(X,Y)$ 服从二维正态分布,则 $\rho_{XY}=0$ 与"$X,Y$ 独立"等价。
|
||||
3. 若联合密度可写成 $f(x,y)=g(x)h(y)$ ,则 $X$ 与 $Y$ 独立。
|
||||
4. 两个服从均匀分布的随机变量之和仍服从均匀分布。
|
||||
5. 若 $X$ 与 $Y$ 独立,则 $\operatorname{Cov}(X,Y)=0$ 。
|
||||
6. 若 $X,Y$ 的边缘分布都是正态分布,则 $(X,Y)$ 服从二维正态分布。
|
||||
7. 若联合密度的支撑集是三角形,则 $X$ 与 $Y$ 一定不独立。
|
||||
8. 若 $X$ 取离散值、$Y$ 连续,则 $(X,Y)$ 存在联合密度。
|
||||
9. 若 $X$ 与 $Y$ 独立,则 $X^2$ 与 $Y^2$ 独立。
|
||||
10. 若 $P\{X<Y\}=\dfrac12$ ,则 $X$ 与 $Y$ 同分布。
|
||||
|
||||
> **考点** · [§4.8 概念辨析](01-考点地图.md#user-content-48-概念辨析)
|
||||
|
||||
---
|
||||
|
||||
## 做完之后
|
||||
|
||||
1. **A 组错 3 个以上**,回 [01-考点地图](01-考点地图.md) 找对应小节,只读那一条,然后把该题重做一遍(不看答案)。
|
||||
2. **B 组的错几乎都是"支撑画错"或"分段少一段"**,把错题的支撑集重画一遍再做;B 组的目标是 10 题至少 7 题过程完整。
|
||||
3. **C 组允许做不出**,但要求读懂答案后能自己复述思路;C1、C5、C7 三题是"考场出新"最可能的方向。
|
||||
|
||||
答案与解析:[A 组](03a-解析-基础.md) | [B 组](03b-解析-中等.md) | [C 组](03c-解析-拔高.md) 。答疑按题号追加到 [04-答疑笔记](04-答疑笔记.md) 。
|
||||
@@ -0,0 +1,324 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 解析, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 第二版 A 组解析,B/C 组见 03b 与 03c
|
||||
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03b-解析-中等]]"]
|
||||
---
|
||||
|
||||
# 解析(基础)· 多维随机变量 A 组
|
||||
|
||||
**这一组虽然叫"核心动作",但每题都包在真实区域里**——只记住公式不够,还要把积分限写对。每题末尾的归因只指一处。
|
||||
|
||||
## 答案速查
|
||||
|
||||
| 题 | 核心答案 |
|
||||
|---|---|
|
||||
| A1 | $p_{10}=0.3$ ,$p_{11}=0.45$ ;$P\{X+Y=1\}=0.45$ ;$E(X\vert Y=1)=0.75$ |
|
||||
| A2 | $c=\frac54$ ;$f_X=\frac58(1-x^4)$ ;$f_Y=\frac56(1+2y)\sqrt{1-y}$ ;不独立 |
|
||||
| A3 | $Y$ 边缘 $\frac7{24},\frac{11}{24},\frac5{24},\frac1{24}$ ;$E(X\vert Y=1)=\frac{21}{11}$ ;$\operatorname{Cov}=\frac13$ ;$P\{X+Y=3\}=\frac5{24}$ |
|
||||
| A4 | $f=\frac1{1-x}$ ;$f_Y=-\ln(1-y)$ ;$\operatorname{Cov}=\frac1{24}$ ;$1-\ln2$ |
|
||||
| A5 | 独立 / 不独立 / 不独立 / 不独立 |
|
||||
| A6 | 面积 $\frac13$ ,$f=3$ ;边缘 $3(\sqrt x-x^2)$ 型;$P\{Y<X\}=\frac12$ |
|
||||
| A7 | $19$ 、$7$ 、$-5$ ;$P\{X<Y\}=\Phi(\frac1{\sqrt7})=0.6472$ ;$N(\frac34x+\frac54,\frac{27}4)$ |
|
||||
| A8 | $\frac49$ ;$f_Z=z\ (0<z<1)$ 、$z-2\ (2<z<3)$ ;$EZ=\frac53$ ,$DZ=\frac{19}{18}$ |
|
||||
| A9 | $f_M=e^{-z}+2e^{-2z}-3e^{-3z}$ ;$N\sim\mathrm{Exp}(3)$ ;$EM=\frac76$ |
|
||||
| A10 | $f_{U,V}=\frac12$ (菱形);$f_{U\vert V}$ 是随 $v$ 变的均匀;不独立 |
|
||||
| A11 | $0.2613$ ;$12.5\mathrm e^{-5}$ ;都不是均匀;是正态且独立 |
|
||||
| A12 | $N(-\frac12,\frac12;\frac14,\frac14;0)$ ;$P\{X>0\}=0.1587$ ;$\frac12$ |
|
||||
|
||||
---
|
||||
|
||||
## A 组
|
||||
|
||||
### 题 A1 · 独立性给的是一个方程
|
||||
|
||||
**怎么想**:四个格子里只有一个自由度(三个边缘量定死第四格),所以"独立"这一个方程刚好能定一格。下手点是交叉相乘,不是套边缘公式——边缘里有未知量。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)独立性等价于 $p_{00}p_{11}=p_{01}p_{10}$ (第(Ⅲ)问证),代入
|
||||
|
||||
$$0.1\,p_{11}=0.15\,p_{10}\ \Longrightarrow\ p_{11}=1.5\,p_{10}.$$
|
||||
|
||||
又 $p_{00}+p_{01}+p_{10}+p_{11}=1$ ,即 $p_{10}+p_{11}=0.75$ ,故
|
||||
|
||||
$$p_{10}=0.3,\qquad p_{11}=0.45.$$
|
||||
|
||||
验:$P\{X=0\}=0.25$ ,$P\{Y=1\}=0.6$ ,$0.25\times0.6=0.15=p_{01}$ ✓。
|
||||
|
||||
(Ⅱ)$P\{X+Y=1\}=p_{01}+p_{10}=0.15+0.3=0.45$ 。
|
||||
|
||||
$P\{X=0\mid Y=1\}=\dfrac{0.15}{0.6}=0.25$ ,故 $P\{X=1\mid Y=1\}=0.75$ ,$E(X\mid Y=1)=0.75$ 。
|
||||
|
||||
(Ⅲ)若独立,则 $p_{ij}=p_{i\cdot}p_{\cdot j}$ ,于是
|
||||
|
||||
$$p_{00}p_{11}=p_{0\cdot}p_{\cdot0}\cdot p_{1\cdot}p_{\cdot1}=p_{01}p_{10}.$$
|
||||
|
||||
反之设 $p_{00}p_{11}=p_{01}p_{10}$ ,把 $p_{11}=1-p_{00}-p_{01}-p_{10}$ 代入,整理得
|
||||
|
||||
$$p_{00}=(p_{00}+p_{01})(p_{00}+p_{10})=p_{0\cdot}p_{\cdot0},$$
|
||||
|
||||
即 $P\{X=0,Y=0\}=P\{X=0\}P\{Y=0\}$ 。同一式子轮换即得其余三格,故独立。
|
||||
|
||||
> **归因**:A 类——把"独立"当成一项检验而不是一个可解的方程。表格题里"独立"是最强条件,能反解未知格子。
|
||||
|
||||
---
|
||||
|
||||
### 题 A2 · 抛物区域的边缘积分
|
||||
|
||||
**怎么想**:$0<y<1-x^2$ 蕴含 $-1<x<1$ ,支撑是开口向下的抛物线内部。求 $f_Y$ 时画横线,$x$ 从 $-\sqrt{1-y}$ 到 $\sqrt{1-y}$ ,不能只写 $0$ 到 $\sqrt{1-y}$ (漏左半)。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$\displaystyle\iint_D(x^2+y)\,\mathrm dx\,\mathrm dy=\int_{-1}^{1}\int_0^{1-x^2}(x^2+y)\,\mathrm dy\,\mathrm dx=\int_{-1}^{1}\Big(\frac12-\frac{x^4}{2}\Big)\mathrm dx=\frac45.$
|
||||
|
||||
故 $c=\dfrac54$ 。
|
||||
|
||||
(Ⅱ)固定 $x\in(-1,1)$ :
|
||||
|
||||
$$f_X(x)=\frac54\int_0^{1-x^2}(x^2+y)\,\mathrm dy=\frac54\cdot\frac{1-x^4}{2}=\frac58(1-x^4).$$
|
||||
|
||||
验证:$\displaystyle\int_{-1}^{1}\frac58(1-x^4)\mathrm dx=\frac58\cdot\frac85=1$ ✓。
|
||||
|
||||
固定 $y\in(0,1)$ ,$x$ 的左右两支要一起算:
|
||||
|
||||
$$f_Y(y)=\frac54\int_{-\sqrt{1-y}}^{\sqrt{1-y}}(x^2+y)\,\mathrm dx=2\cdot\frac54\int_0^{\sqrt{1-y}}(x^2+y)\,\mathrm dx.$$
|
||||
|
||||
取 $s=\sqrt{1-y}$ ,$\int_0^s(x^2+y)\mathrm dx=\frac{s^3}{3}+ys=s\Big(\frac{1-y}{3}+y\Big)=\frac{s(1+2y)}{3}$ ,故
|
||||
|
||||
$$f_Y(y)=\frac52\cdot\frac{(1+2y)\sqrt{1-y}}{3}=\frac56(1+2y)\sqrt{1-y}.$$
|
||||
|
||||
(Ⅲ)支撑不是矩形($y$ 的上界含 $x$ ),**直接判不独立**,不用算乘积。
|
||||
|
||||
> **归因**:C 类——求 $f_Y$ 时只积右半支。支撑对 $y$ 轴对称时,横线是"穿过去"的,必须左右都算。
|
||||
|
||||
---
|
||||
|
||||
### 题 A3 · 条件分布律先乘后加
|
||||
|
||||
**怎么想**:$P\{X=i,Y=j\}=P\{X=i\}P\{Y=j\mid X=i\}$ ,一个 $\frac13$ 乘一个二项概率。四个 $i$ 共 $1+2+3+4=10$ 个格子。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)联合分布律(空白为 $0$ ):
|
||||
|
||||
| $X\backslash Y$ | $0$ | $1$ | $2$ | $3$ |
|
||||
|---|---|---|---|---|
|
||||
| $1$ | $\frac16$ | $\frac16$ | | |
|
||||
| $2$ | $\frac1{12}$ | $\frac16$ | $\frac1{12}$ | |
|
||||
| $3$ | $\frac1{24}$ | $\frac18$ | $\frac18$ | $\frac1{24}$ |
|
||||
|
||||
列和:$Y$ 取 $0,1,2,3$ 的概率依次为 $\frac7{24},\frac{11}{24},\frac5{24},\frac1{24}$ ,合计 $1$ ✓。
|
||||
|
||||
(Ⅱ)$P\{X=1\mid Y=1\}=\frac{1/6}{11/24}=\frac4{11}$ ,同理 $P\{X=2\mid Y=1\}=\frac4{11}$ ,$P\{X=3\mid Y=1\}=\frac3{11}$ ,
|
||||
|
||||
$$E(X\mid Y=1)=\frac{4+8+9}{11}=\frac{21}{11}.$$
|
||||
|
||||
(Ⅲ)$EX=2$ ;$EY=0\cdot\frac7{24}+1\cdot\frac{11}{24}+2\cdot\frac5{24}+3\cdot\frac1{24}=1$ 。
|
||||
|
||||
$E(XY)=E\big[X\,E(Y\mid X)\big]=E\Big[X\cdot\frac X2\Big]=\frac12EX^2=\frac12\cdot\frac{14}{3}=\frac73.$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac73-2\cdot1=\frac13.$$
|
||||
|
||||
(Ⅳ)$P\{X+Y=3\}=P\{X=2,Y=1\}+P\{X=3,Y=0\}=\frac16+\frac1{24}=\frac5{24}.$
|
||||
|
||||
> **归因**:D 类——$E(XY)$ 逐格加权求和也能做,但用 $E[XE(Y\mid X)]$ 一行出结果。条件期望不只是求条件期望,它还是算 $EXY$ 的捷径。
|
||||
|
||||
---
|
||||
|
||||
### 题 A4 · 条件均匀的联合密度是常数
|
||||
|
||||
**怎么想**:$f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=1\cdot\frac1{1-x}$ 。注意 $f_Y$ 的积分限是 $x\in(0,y)$ ,因为 $x<y$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$f(x,y)=\dfrac{1}{1-x}$ ,$0<x<y<1$ 。
|
||||
|
||||
$$f_Y(y)=\int_0^y\frac{\mathrm dx}{1-x}=\Big[-\ln(1-x)\Big]_0^y=-\ln(1-y),\qquad 0<y<1.$$
|
||||
|
||||
(Ⅱ)$EX=\frac12$ ,$\displaystyle EY=\int_0^1 y\big[-\ln(1-y)\big]\mathrm dy=\frac34$ (令 $u=1-y$ 化成 $\int_0^1(-\ln u)\mathrm du-\int_0^1u(-\ln u)\mathrm du=1-\frac14$ )。
|
||||
|
||||
$$E(XY)=\int_0^1\!\!\int_x^1\frac{xy}{1-x}\,\mathrm dy\,\mathrm dx=\int_0^1\frac{x}{1-x}\cdot\frac{1-x^2}{2}\mathrm dx=\frac12\int_0^1 x(1+x)\mathrm dx=\frac{5}{12}.$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac5{12}-\frac12\cdot\frac34=\frac{5}{12}-\frac38=\frac1{24}.$$
|
||||
|
||||
(Ⅲ)$P\{X+Y\le1\}=\displaystyle\int_0^{1/2}\!\!\int_x^{1-x}\frac{\mathrm dy}{1-x}\mathrm dx=\int_0^{1/2}\frac{1-2x}{1-x}\mathrm dx.$
|
||||
|
||||
被积函数拆成 $2-\dfrac1{1-x}$ ,积分得
|
||||
|
||||
$$P\{X+Y\le1\}=\Big[2x+\ln(1-x)\Big]_0^{1/2}=1-\ln 2\approx0.3069.$$
|
||||
|
||||
> **归因**:B 类——条件密度求 $f_Y$ 时把积分限写成 $0$ 到 $1$ 。限来自"联合密度的支撑",不是边缘的支撑。
|
||||
|
||||
---
|
||||
|
||||
### 题 A5 · 四个判据各管一段
|
||||
|
||||
**怎么想**:先看支撑是否矩形,再看密度是否可分离。两关都过才敢说独立;任一关不过,只是"这条判据用不上",还要回到定义比一格。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)支撑是单位正方形(矩形),$f=4x\cdot y$ 可分离,且 $f_X=2x$ 、$f_Y=2y$ 、乘起来正是 $f$ ,**独立**。
|
||||
|
||||
(Ⅱ)支撑 $0<y<x<1$ 是三角形,**不独立**(这条不用算)。
|
||||
|
||||
(Ⅲ)支撑是矩形,但 $f=\frac65(x+y^2)$ 分不开。算边缘:$f_X(x)=\frac65\big(x+\frac13\big)$ ,$f_Y(y)=\frac65\big(y^2+\frac12\big)$ ,乘积 $\frac{36}{25}\big(x+\frac13\big)\big(y^2+\frac12\big)\ne f$ ,**不独立**。
|
||||
|
||||
(Ⅳ)支撑是圆盘(非矩形),**不独立**。
|
||||
|
||||
哪几个不用算:**(Ⅱ)和(Ⅳ)**,依据"支撑非矩形"。**(Ⅲ)必须算**——支撑是矩形却不可分离,这时判据失效,只能比一格,而结论恰好还是不独立,所以这题最容易被"不可分离就独立不了"这种半对的说法蒙对。
|
||||
|
||||
> **归因**:A 类——把"不可分离"当成"不独立"的充分条件。正确逻辑是:可分离 $+$ 矩形 $\Rightarrow$ 独立;不可分离 $\Rightarrow$ 该判据失效,须回到定义。
|
||||
|
||||
---
|
||||
|
||||
### 题 A6 · 均匀分布用面积比
|
||||
|
||||
**怎么想**:区域均匀的两件事——$f=\frac1{S_D}$ ,概率 $=\frac{S_{G\cap D}}{S_D}$ 。$P\{Y<X\}$ 完全不用积分。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$S_D=\displaystyle\int_0^1(\sqrt x-x^2)\mathrm dx=\frac23-\frac13=\frac13$ ,故 $f(x,y)=3$ 在 $D$ 内。
|
||||
|
||||
(Ⅱ)竖线:$y$ 从 $x^2$ 到 $\sqrt x$ ,$f_X(x)=3(\sqrt x-x^2)$ ,$0<x<1$ 。
|
||||
|
||||
横线:由 $x^2<y<\sqrt x$ 反解出 $y^2<x<\sqrt y$ ,故 $f_Y(y)=3(\sqrt y-y^2)$ ,$0<y<1$ (与 $f_X$ 同形,因为区域关于 $y=x$ 对称)。
|
||||
|
||||
(Ⅲ)$D$ 内满足 $y<x$ 的部分:$y\in(x^2,x)$ ,因为 $x^2<x<\sqrt x$ 在 $(0,1)$ 上恒成立。其面积
|
||||
|
||||
$$\int_0^1(x-x^2)\mathrm dx=\frac12-\frac13=\frac16,$$
|
||||
|
||||
故 $P\{Y<X\}=3\times\frac16=\frac12$ 。(也可由区域对称直接看出。)
|
||||
|
||||
> **归因**:C 类——$P\{Y<X\}$ 硬算二重积分。均匀分布下先想面积比,能省三四行,还不容易积错。
|
||||
|
||||
---
|
||||
|
||||
### 题 A7 · 差的分布与对称轴
|
||||
|
||||
**怎么想**:$\sigma_1=2$ 、$\sigma_2=3$ 、$\operatorname{Cov}=0.5\times2\times3=3$ 。$P\{X<Y\}$ 化成 $P\{Y-X>0\}$ ,只用一个正态。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$D(X+Y)=4+9+2\cdot3=19$ ,$D(X-Y)=4+9-2\cdot3=7$ ,
|
||||
|
||||
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=4-9=-5.$$
|
||||
|
||||
(Ⅱ)$Y-X\sim N(2-1,\ 7)=N(1,7)$ ,
|
||||
|
||||
$$P\{X<Y\}=P\{Y-X>0\}=\Phi\Big(\frac{1}{\sqrt7}\Big)=\Phi(0.378)=0.6472.$$
|
||||
|
||||
(Ⅲ)$Y\mid X=x\sim N\Big(2+0.5\cdot\frac32(x-1),\ 9(1-0.25)\Big)=N\Big(\frac34x+\frac54,\ \frac{27}{4}\Big).$
|
||||
|
||||
> **归因**:B 类——$P\{X<Y\}$ 写成 $1-\Phi(\cdot)$ 方向搞反。判方向:$E(Y-X)=1>0$ ,所以 $Y$ 多半更大,概率应 $>0.5$ 。
|
||||
|
||||
---
|
||||
|
||||
### 题 A8 · 离散把连续劈成两段
|
||||
|
||||
**怎么想**:$Z=X+Y$ 的两个可能来源:$X=0$ 给 $f_Y(z)$ ,$X=1$ 给 $f_Y(z-2)$ ,各带权重 $\frac12$ 。支撑是 $(0,1)\cup(2,3)$ ,中间 $(1,2)$ 是空的。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$EY=\displaystyle\int_0^12y^2\mathrm dy=\frac23$ ,$P\{Y\le EY\}=\int_0^{2/3}2y\,\mathrm dy=\frac49.$
|
||||
|
||||
(Ⅱ)
|
||||
|
||||
$$f_Z(z)=\frac12f_Y(z)+\frac12f_Y(z-2)=\begin{cases}z, & 0<z<1,\\[2pt] z-2, & 2<z<3,\\[2pt] 0, & \text{其他}.\end{cases}$$
|
||||
|
||||
(Ⅲ)$EZ=EX+EY=1+\frac23=\frac53$ 。$DX=1$ ($X$ 取 $0,2$ 各半,$EX=1$ ,$DX=1$ )。
|
||||
|
||||
$EY^2=\int_0^12y^3\mathrm dy=\frac12$ ,$DY=\frac12-\frac49=\frac1{18}$ ,故 $DZ=DX+DY=1+\frac{1}{18}=\frac{19}{18}$ 。
|
||||
|
||||
> **归因**:D 类——只写 $z\in(0,1)$ 那一段。离散型变量把连续变量的支撑**平移复制**,有几段全看离散变量取几个值。
|
||||
|
||||
---
|
||||
|
||||
### 题 A9 · 异参数指数的最值
|
||||
|
||||
**怎么想**:$F_{\max}$ 直接乘,但**不要**对 $F^{n}$ 套 $U(0,1)$ 的 $\frac{n}{n+1}$ ——那是同分布专用。这里用 $E(M+N)=EX+EY$ 反推 $EM$ ,比积分快得多。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$F_M(z)=(1-\mathrm e^{-z})(1-\mathrm e^{-2z})$ ,$z>0$ ,求导
|
||||
|
||||
$$f_M(z)=\mathrm e^{-z}(1-\mathrm e^{-2z})+2\mathrm e^{-2z}(1-\mathrm e^{-z})=\mathrm e^{-z}+2\mathrm e^{-2z}-3\mathrm e^{-3z}.$$
|
||||
|
||||
(Ⅱ)$P\{N>z\}=P\{X>z\}P\{Y>z\}=\mathrm e^{-z}\cdot\mathrm e^{-2z}=\mathrm e^{-3z}$ ,故 $N\sim\mathrm{Exp}(3)$ ,$EN=\frac13$ 。
|
||||
|
||||
(Ⅲ)$EM=\displaystyle\int_0^\infty z\,\big(\mathrm e^{-z}+2\mathrm e^{-2z}-3\mathrm e^{-3z}\big)\mathrm dz=1+2\cdot\frac14-3\cdot\frac19=\frac76.$
|
||||
|
||||
验证:$E(M+N)=\frac76+\frac13=\frac32$ ,而 $EX+EY=1+\frac12=\frac32$ ✓。
|
||||
|
||||
> **归因**:B 类——把 $N$ 当成 $\mathrm{Exp}(1)$ 或 $\mathrm{Exp}(2)$ 。取 $\min$ 后参数是**相加**的,$\lambda_1+\lambda_2$ 。
|
||||
|
||||
---
|
||||
|
||||
### 题 A10 · 换元后支撑才是重点
|
||||
|
||||
**怎么想**:$|J|=\frac12$ 是常数,说明 $(U,V)$ 在**变换后的区域**上均匀。区域由 $0<x<1$ 、$0<y<1$ 换元得到:$|v|<1$ 且 $|v|<u<2-|v|$ ,是个菱形。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$x=\frac{u+v}{2}$ ,$y=\frac{u-v}{2}$ ,$J=\dfrac{\partial(x,y)}{\partial(u,v)}=-\dfrac12$ ,$|J|=\frac12$ ,
|
||||
|
||||
$$f_{U,V}(u,v)=\frac12,\qquad \vert v\vert<1,\quad \vert v\vert<u<2-\vert v\vert .$$
|
||||
|
||||
(Ⅱ)先求 $f_V$ :固定 $v$ ,$u$ 的区间长 $(2-|v|)-|v|=2-2|v|$ ,
|
||||
|
||||
$$f_V(v)=\frac12(2-2\vert v\vert)=1-\vert v\vert,\qquad \vert v\vert<1 .$$
|
||||
|
||||
于是
|
||||
|
||||
$$f_{U\mid V}(u\mid v)=\frac{1/2}{1-\vert v\vert}=\frac{1}{2(1-\vert v\vert)},\qquad \vert v\vert<u<2-\vert v\vert .$$
|
||||
|
||||
(Ⅲ)条件密度含 $v$ (区间随 $v$ 变),故 $U$ 与 $V$ **不独立**。也可以直接说支撑不是矩形。
|
||||
|
||||
> **归因**:A 类——只换密度不换支撑。雅可比三步里第三步(支撑换元)最难,也最常漏。
|
||||
|
||||
---
|
||||
|
||||
### 题 A11 · 可加性什么时候失效
|
||||
|
||||
**怎么想**:可加性只对四类分布成立,且要求独立。第(Ⅲ)(Ⅳ)两问专门打"以为都能加"的人。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$X+Y\sim B(7,0.4)$ ,
|
||||
|
||||
$$P\{X+Y=2\}=\binom72(0.4)^2(0.6)^5=21\times0.16\times0.07776=0.2613.$$
|
||||
|
||||
(Ⅱ)$X+Y\sim P(5)$ ,$P\{X+Y=2\}=\mathrm e^{-5}\dfrac{5^2}{2!}=12.5\,\mathrm e^{-5}\approx0.0842$ 。
|
||||
|
||||
(Ⅲ)都不是。$X+Y$ 的密度是三角形 $f(z)=z\ (0<z<1)$ 、$2-z\ (1<z<2)$ ;$X-Y$ 的支撑是 $(-1,1)$ ,密度是 $1-|z|$ 。两者都不是常数。
|
||||
|
||||
(Ⅳ)$X+Y\sim N(0,3)$ (联合正态的线性组合仍是正态,**不需要独立**)。
|
||||
|
||||
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY+0=1-1=0,$$
|
||||
|
||||
而 $(X+Y,\ X-Y)$ 仍服从二维正态,故二者**独立**。
|
||||
|
||||
> **归因**:A 类——认为"不独立就不能用可加性"。正态的可加性只要求**联合正态**,不要求独立;而"不相关 $\Rightarrow$ 独立"这条只在二维正态下成立,这里正好用上。
|
||||
|
||||
---
|
||||
|
||||
### 题 A12 · 从标准正态分布函数里读出参数
|
||||
|
||||
**怎么想**:$\Phi(2x+1)=\Phi\Big(\dfrac{x-(-1/2)}{1/2}\Big)$ ,把括号里配成 $\frac{x-\mu}{\sigma}$ 就一次读出 $\mu,\sigma$ 。两个因子相乘且各自只含一个变量 $\Rightarrow$ 独立。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$X\sim N\Big(-\frac12,\frac14\Big)$ ,$Y\sim N\Big(\frac12,\frac14\Big)$ ,且 $F=F_XF_Y$ ,故 $\rho=0$ ,
|
||||
|
||||
$$(X,Y)\sim N\Big(-\frac12,\ \frac12;\ \frac14,\ \frac14;\ 0\Big).$$
|
||||
|
||||
(Ⅱ)$\sigma^2=\frac14$ ,$\dfrac{1}{2\pi\sigma^2}=\dfrac{2}{\pi}$ ,$2\sigma^2=\dfrac12$ ,
|
||||
|
||||
$$f(x,y)=\frac{2}{\pi}\exp\Big\{-2\Big(x+\frac12\Big)^2-2\Big(y-\frac12\Big)^2\Big\}.$$
|
||||
|
||||
(Ⅲ)$P\{X>0\}=1-\Phi\Big(\dfrac{0+1/2}{1/2}\Big)=1-\Phi(1)=0.1587$ 。
|
||||
|
||||
$X+Y\sim N\Big(-\frac12+\frac12,\ \frac14+\frac14\Big)=N\Big(0,\frac12\Big)$ ,故 $P\{X+Y>0\}=\frac12$ 。
|
||||
|
||||
> **归因**:C 类——$P\{X>0\}$ 忘记标准化。$\Phi$ 里的系数要先"除进去"变成 $\sigma$ ,再套 $1-\Phi(\cdot)$ 。
|
||||
@@ -0,0 +1,314 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 解析, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 第二版 B 组解析,A/C 组见 03a 与 03c
|
||||
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03a-解析-基础]]", "[[03c-解析-拔高]]"]
|
||||
---
|
||||
|
||||
# 解析(中等)· 多维随机变量 B 组
|
||||
|
||||
**这十题全部对着真题改的数字**(2016—2025 的 ch17 真题),问法、分值、分段数都保持原样。做完要能说出"这道题在真题里是哪一年、考的是哪一步"。
|
||||
|
||||
## 答案速查
|
||||
|
||||
| 题 | 核心答案 |
|
||||
|---|---|
|
||||
| B1 | $P\{U=1\}=\frac12$ ;不独立($\frac5{64}\ne\frac{15}{128}$ );$F_Z=2z^{3/2}-\frac32z^2$ 与 $\frac12+\frac32(z-1)^2-(z-1)^3$ |
|
||||
| B2 | $f_Z=p\mathrm e^{z}\ (z<0)$ 、$(1-p)\mathrm e^{-z}\ (z>0)$ ;$p=\frac12$ ;不独立 |
|
||||
| B3 | $\operatorname{Cov}=\lambda$ ;$P\{Z=0\}=\mathrm e^{-\lambda}$ ,$P\{Z=\pm k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!}$ ;非泊松;$DZ=\lambda^2+\lambda$ |
|
||||
| B4 | $f_X=1$ ;$f_Z=\frac{2}{(z+1)^2}\ (z>1)$ ;$2\ln2-1$ |
|
||||
| B5 | $F=\frac12\Phi(x)\Phi(y)+\frac12\Phi(\min\{x,y\})$ ;$\Phi(y)$ ;$\operatorname{Cov}=\frac12$ ,$\rho=\frac12$ |
|
||||
| B6 | $\operatorname{Cov}=0$ ;不独立;$f_Z=2z\ (0<z<1)$ |
|
||||
| B7 | $P\{Y>0\}=\frac14$ ,$EY=50$ ;$M\sim P(2)$ ;独立 |
|
||||
| B8 | $\frac{27}{64}$ ;$f_Z=\frac32z^2$ 与 $\frac32(z-1)^2$ ;$\frac12$ |
|
||||
| B9 | $E(Y\vert X)=\frac X2$ ;$DY=\frac14$ ;$\operatorname{Cov}=\frac16$ ,$\rho=\frac{\sqrt3}{3}$ |
|
||||
| B10 | $f=2$ (三角形上均匀);$E(XY)=\frac14$ ;$\operatorname{Cov}=\frac1{36}$ |
|
||||
|
||||
---
|
||||
|
||||
### 题 B1 · 指示变量、独立性与分段分布函数
|
||||
|
||||
**怎么想**:三问是三件事——第一问算面积,第二问挑一格比,第三问把 $X$ 的两个支撑段($U=0$ 与 $U=1$ )分别翻到 $z$ 轴上。$Z=U+X$ ,$U=0$ 时 $Z\in(0,1)$ ,$U=1$ 时 $Z\in(1,2)$ ,所以 $F_Z$ 必在 $z=1$ 处分段。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$D$ 中 $y<x$ 的部分是 $\{0<x<1,\ x^2<y<x\}$ ,面积 $\frac16$ ,又 $f=3$ ,故 $P\{U=1\}=3\times\frac16=\frac12$ 。
|
||||
|
||||
(Ⅱ)取 $x_0=\frac14$ 这一格:
|
||||
|
||||
$$P\Big\{U=1,\ X\le\frac14\Big\}=3\int_0^{1/4}(x-x^2)\,\mathrm dx=3\Big(\frac1{32}-\frac1{192}\Big)=\frac5{64},$$
|
||||
|
||||
$$P\{U=1\}\,P\Big\{X\le\frac14\Big\}=\frac12\cdot3\int_0^{1/4}(\sqrt x-x^2)\,\mathrm dx=\frac32\Big(\frac1{12}-\frac1{192}\Big)=\frac{15}{128}.$$
|
||||
|
||||
$\frac5{64}=\frac{10}{128}\ne\frac{15}{128}$ ,故 $U$ 与 $X$ **不独立**。
|
||||
|
||||
> 直观理由:$P\{U=1\mid X=x\}$ 是"竖线穿进三角形下支的比例",随 $x$ 变化,不是一个常数。
|
||||
|
||||
(Ⅲ)$F_Z(z)=P\{U=0,\ X\le z\}+P\{U=1,\ X\le z-1\}$ 。
|
||||
|
||||
当 $0\le z<1$ 时第二项为 $0$ (因 $X>0$ ),
|
||||
|
||||
$$F_Z(z)=3\int_0^z(\sqrt x-x^2)\,\mathrm dx=2z^{3/2}-\frac32z^2 .$$
|
||||
|
||||
当 $1\le z<2$ 时第一项已是 $P\{U=0\}=\frac12$ ,
|
||||
|
||||
$$F_Z(z)=\frac12+3\int_0^{z-1}(x-x^2)\,\mathrm dx=\frac12+\frac32(z-1)^2-(z-1)^3 .$$
|
||||
|
||||
合起来
|
||||
|
||||
$$F_Z(z)=\begin{cases}0, & z<0,\\[2pt] 2z^{3/2}-\frac32z^2, & 0\le z<1,\\[2pt] \frac12+\frac32(z-1)^2-(z-1)^3, & 1\le z<2,\\[2pt] 1, & z\ge2.\end{cases}$$
|
||||
|
||||
自检:$F_Z(1^-)=\frac12$ ,$F_Z(1)=\frac12$ ,$F_Z(2^-)=\frac12+\frac32-1=1$ ✓。
|
||||
|
||||
> **归因**:D 类——$P\{U=1,X\le z-1\}$ 忘了把 $z$ 平移。$U$ 把 $X$ 的支撑整段搬到 $(1,2)$ ,写 $F_Z$ 必须带这个平移量。
|
||||
|
||||
---
|
||||
|
||||
### 题 B2 · 两点分布乘指数:相关但不独立
|
||||
|
||||
**怎么想**:$Z$ 的支撑被 $Y$ 的符号劈成两半,两半的密度分别是 $X$ 密度的翻折与照搬。第(Ⅱ)问要用 $\operatorname{Cov}(X,Z)=E(X^2)EY-EX\cdot EZ$ ,注意 $E(X^2)$ 与 $EX$ 差一个 $\frac1\lambda$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)当 $Y=-1$ 时 $Z=-X<0$ ,密度 $p\,f_X(-z)=p\,\mathrm e^{z}$ ;当 $Y=1$ 时 $Z=X>0$ ,密度 $(1-p)\mathrm e^{-z}$ 。故
|
||||
|
||||
$$f_Z(z)=\begin{cases}p\,\mathrm e^{z}, & z<0,\\[2pt] (1-p)\,\mathrm e^{-z}, & z>0,\\[2pt] 0, & z=0.\end{cases}$$
|
||||
|
||||
(Ⅱ)设 $X\sim \mathrm{Exp}(\lambda)$ ,则 $EX=\frac1\lambda$ ,$EX^2=\frac{2}{\lambda^2}$ ,
|
||||
|
||||
$$E(XZ)=E(X^2Y)=EX^2\cdot EY=\frac{2}{\lambda^2}(1-2p),\qquad EX\cdot EZ=\frac1\lambda\cdot\frac{1-2p}{\lambda},$$
|
||||
|
||||
$$\operatorname{Cov}(X,Z)=\frac{2(1-2p)}{\lambda^2}-\frac{1-2p}{\lambda^2}=\frac{1-2p}{\lambda^2}.$$
|
||||
|
||||
故 $p=\frac12$ 时 $\operatorname{Cov}=0$ ,**与 $\lambda$ 无关**($\lambda^2$ 只是正因子,不改变零点位置)。题设 $\lambda=1$ 时 $\operatorname{Cov}=1-2p$ 。
|
||||
|
||||
(Ⅲ)不独立。$p=\frac12$ 时 $Z\le-1\iff Y=-1$ 且 $X\ge1$ ,与 $X\le1$ 同时成立的概率为 $0$ ,故
|
||||
|
||||
$$P\{X\le1,\ Z\le-1\}=0,$$
|
||||
|
||||
但
|
||||
|
||||
$$P\{X\le1\}\,P\{Z\le-1\}=(1-\mathrm e^{-1})\cdot\frac12\mathrm e^{-1}\approx0.116\ne0 .$$
|
||||
|
||||
不独立。更直接的:此时 $\vert Z\vert=X$ ,$X$ 完全决定 $\vert Z\vert$ 。
|
||||
|
||||
> **归因**:A 类——由 $\operatorname{Cov}=0$ 直接判"独立"。这题就是"不相关但不独立"的真题原版。
|
||||
|
||||
---
|
||||
|
||||
### 题 B3 · 两点分布乘泊松:分布律与方差
|
||||
|
||||
**怎么想**:$Z$ 的分布律按 $X=\pm1$ 用全概率拆两半。**注意 $Y$ 只取非负值**,负半轴的概率只来自 $X=-1$ 那一支,不是两支各半再加起来。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$EX=0$ ,$EZ=E(XY)=EX\cdot EY=0$ ,
|
||||
|
||||
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=E(X^2Y)=\lambda .$$
|
||||
|
||||
(Ⅱ)$k\ge1$ 时
|
||||
|
||||
$$P\{Z=k\}=\frac12P\{Y=k\}+\frac12P\{Y=-k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!},$$
|
||||
|
||||
同理 $P\{Z=-k\}=\frac12\mathrm e^{-\lambda}\frac{\lambda^k}{k!}$ ;而 $P\{Z=0\}=P\{Y=0\}=\mathrm e^{-\lambda}$ 。
|
||||
|
||||
验归一:$\mathrm e^{-\lambda}+2\cdot\frac12(1-\mathrm e^{-\lambda})=1$ ✓。
|
||||
|
||||
$Z$ **不服从泊松分布**——泊松只取非负值,$Z$ 却以正概率取负值。(相当于把泊松的概率关于 $0$ 对折,$P\{Z=0\}$ 保持不动。)
|
||||
|
||||
(Ⅲ)$EZ=0$ ,
|
||||
|
||||
$$EZ^2=\sum_{k\ge1}k^2\,\mathrm e^{-\lambda}\frac{\lambda^k}{k!}=\lambda^2+\lambda,$$
|
||||
|
||||
故 $DZ=\lambda^2+\lambda$ ,而 $DY=\lambda$ ,即 $DZ=DY+(EY)^2$ 。
|
||||
|
||||
> **归因**:C 类——写成 $\frac12P\{Y=k\}+\frac12P\{Y=-k\}$ 后忘了 $P\{Y=-k\}=0$ 。泊松的支撑是 $\{0,1,2,\dots\}$ ,负项直接删。
|
||||
|
||||
---
|
||||
|
||||
### 题 B4 · 随机取点:先求短的那一段
|
||||
|
||||
**怎么想**:设取到的点为 $U\sim U(0,2)$ ,则 $X=\min\{U,2-U\}$ 。$X\le x$ 对应 $U\le x$ 或 $U\ge2-x$ ,两段各长 $x$ ,故 $X\sim U(0,1)$ 。此后 $Y=2-X$ ,全化成一维。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$F_X(x)=P\{U\le x\}+P\{U\ge2-x\}=\dfrac x2+\dfrac x2=x$ ($0<x<1$ ),
|
||||
|
||||
$$f_X(x)=1,\qquad 0<x<1 .$$
|
||||
|
||||
(Ⅱ)$Y=2-X$ ,$Z=\dfrac{2-X}{X}=\dfrac2X-1$ 。反解 $X=\dfrac{2}{z+1}$ ,$\Big|\dfrac{\mathrm dx}{\mathrm dz}\Big|=\dfrac{2}{(z+1)^2}$ 。$X\in(0,1)$ 对应 $z>1$ ,
|
||||
|
||||
$$f_Z(z)=\frac{2}{(z+1)^2},\qquad z>1 .$$
|
||||
|
||||
验归一:$\displaystyle\int_1^\infty\frac{2}{(z+1)^2}\,\mathrm dz=\Big[-\frac{2}{z+1}\Big]_1^\infty=1$ ✓。
|
||||
|
||||
(Ⅲ)
|
||||
|
||||
$$E\Big(\frac XY\Big)=E\Big(\frac{X}{2-X}\Big)=\int_0^1\frac{x}{2-x}\,\mathrm dx=\int_0^1\Big(\frac{2}{2-x}-1\Big)\mathrm dx=2\ln2-1\approx0.386 .$$
|
||||
|
||||
> **归因**:C 类——$X$ 与 $Y$ 不独立($Y=2-X$ ),还想套卷积。两段有函数关系时必须走"一维函数分布",把 $Z$ 化成 $X$ 的函数。
|
||||
|
||||
---
|
||||
|
||||
### 题 B5 · 混合正态:先拆离散再写分布函数
|
||||
|
||||
**怎么想**:$Y$ 由 $X_3$ 决定"抄 $X_1$ 还是抄 $X_2$ "。联合分布函数按 $X_3=0,1$ 用全概率拆两项,第二项里 $X_1$ 同时受 $x$ 与 $y$ 限制,取 $\min$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)
|
||||
|
||||
$$F(x,y)=\frac12P\{X_1\le x,\ X_2\le y\}+\frac12P\{X_1\le x,\ X_1\le y\}=\frac12\Phi(x)\Phi(y)+\frac12\Phi\big(\min\{x,y\}\big).$$
|
||||
|
||||
$x\le y$ 时为 $\frac12\Phi(x)\Phi(y)+\frac12\Phi(x)$ ;$x>y$ 时为 $\frac12\Phi(x)\Phi(y)+\frac12\Phi(y)$ 。
|
||||
|
||||
(Ⅱ)令 $x\to+\infty$ :
|
||||
|
||||
$$F_Y(y)=\frac12\Phi(y)+\frac12\Phi(y)=\Phi(y),$$
|
||||
|
||||
故 $Y\sim N(0,1)$ 。(也可理解为"以 $\frac12$ 的概率取两个同分布的分量",混合后仍是原分布。)
|
||||
|
||||
(Ⅲ)$EX_1\cdot EY=0$ ,
|
||||
|
||||
$$E(X_1Y)=E\big[X_3X_1^2+(1-X_3)X_1X_2\big]=\frac12EX_1^2+0=\frac12,$$
|
||||
|
||||
$$\operatorname{Cov}(X_1,Y)=\frac12,\qquad \rho_{X_1Y}=\frac{1/2}{1\cdot1}=\frac12 .$$
|
||||
|
||||
> **归因**:D 类——第二项也写成 $\Phi(x)\Phi(y)$ 。$X_1\le x$ 与 $X_1\le y$ 是同一个变量,取 $\min$ 而不是相乘。
|
||||
|
||||
---
|
||||
|
||||
### 题 B6 · 圆盘上的非均匀密度
|
||||
|
||||
**怎么想**:区域与密度都关于两坐标轴偶对称,含 $xy$ 的项积分为 $0$ ,协方差不用硬算。独立性看边缘乘积,$Z$ 用极坐标。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$E(XY)=\displaystyle\iint_D xy\cdot\frac2\pi(x^2+y^2)\,\mathrm dA=0$ (被积函数关于 $x$ 奇对称),同理 $EX=EY=0$ ,故
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=0 .$$
|
||||
|
||||
(Ⅱ)$\displaystyle f_X(x)=\frac2\pi\int_{-\sqrt{1-x^2}}^{\sqrt{1-x^2}}(x^2+y^2)\,\mathrm dy=\frac{4}{3\pi}\sqrt{1-x^2}\,\big(1+2x^2\big).$
|
||||
|
||||
由对称性 $f_Y$ 同形。乘积含 $(1+2x^2)(1+2y^2)$ ,与原密度 $x^2+y^2$ 不是一回事,**不独立**;也可以直接说支撑是圆盘(非矩形)。
|
||||
|
||||
(Ⅲ)取极坐标 $x=r\cos\theta$ 、$y=r\sin\theta$ ,$r\in(0,1)$ 、$\theta\in(0,2\pi)$ ,注意面积元是 $r\,\mathrm dr\,\mathrm d\theta$ :
|
||||
|
||||
$$F_Z(z)=P\{X^2+Y^2\le z\}=\frac2\pi\int_0^{2\pi}\!\!\int_0^{\sqrt z}r^2\cdot r\,\mathrm dr\,\mathrm d\theta=z^2,\qquad 0<z<1 .$$
|
||||
|
||||
故
|
||||
|
||||
$$f_Z(z)=2z,\qquad 0<z<1 .$$
|
||||
|
||||
顺带:$E(X^2+Y^2)=\frac2\pi\cdot2\pi\int_0^1r^4\mathrm dr=\frac45$ ,故 $EX^2=\frac25$ 。
|
||||
|
||||
> **归因**:A 类——极坐标下漏掉面积元的那个 $r$ 。$r^2$ 是密度、$r$ 是面积元,两者相乘才是 $r^3$ 。
|
||||
|
||||
---
|
||||
|
||||
### 题 B7 · 保险赔付与泊松分裂
|
||||
|
||||
**怎么想**:第一问是"截断变量求期望",换元 $u=100+x$ ;第二问是"泊松 + 逐次独立标注",标注后两类计数仍是泊松且相互独立。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$F_X(x)=\displaystyle\int_0^x\frac{2\times100^2}{(100+t)^3}\,\mathrm dt=1-\frac{100^2}{(100+x)^2}$ ,
|
||||
|
||||
$$P\{Y>0\}=P\{X>100\}=\frac{100^2}{200^2}=\frac14 .$$
|
||||
|
||||
$$EY=\int_{100}^\infty(x-100)\frac{2\times100^2}{(100+x)^3}\,\mathrm dx .$$
|
||||
|
||||
令 $u=100+x$ ,则 $x-100=u-200$ ,
|
||||
|
||||
$$EY=2\times10^4\int_{200}^\infty\frac{u-200}{u^3}\,\mathrm du=2\times10^4\Big[\frac1{200}-\frac{200}{2\times200^2}\Big]=2\times10^4\cdot\frac1{400}=50 .$$
|
||||
|
||||
(Ⅱ)对 $k=0,1,2,\dots$ ,用全概率拆 $N$ :
|
||||
|
||||
$$P\{M=k\}=\sum_{n\ge k}\mathrm e^{-8}\frac{8^n}{n!}\binom nk p^k(1-p)^{n-k}=\mathrm e^{-8}\frac{(8p)^k}{k!}\sum_{m\ge0}\frac{[8(1-p)]^m}{m!}=\mathrm e^{-8p}\frac{(8p)^k}{k!}.$$
|
||||
|
||||
$p=\frac14$ 时 $8p=2$ ,故 $M\sim P(2)$ 。
|
||||
|
||||
(Ⅲ)$M$ 与 $N-M$ **相互独立**,且 $N-M\sim P(6)$ 。性质与证明见 [C7](03c-解析-拔高.md) :泊松计数按独立等概率"染色"后,两类计数是相互独立的泊松。
|
||||
|
||||
> **归因**:B 类——第二问问的是分布而不是期望,直接用 $EY$ 硬套。$Y=(X-100)^+$ 是截断变量,只在 $x>100$ 上积分。
|
||||
|
||||
---
|
||||
|
||||
### 题 B8 · 两种密度混合的和
|
||||
|
||||
**怎么想**:与 A8 同型,只是 $Y$ 换成 $3y^2$ 、$X$ 取 $0,1$ 。第(Ⅲ)问用"$X=0$ 那一支必然满足 $Z\le1$ "最快。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$EY=\displaystyle\int_0^13y^3\,\mathrm dy=\frac34$ ,$P\{Y\le EY\}=\int_0^{3/4}3y^2\,\mathrm dy=\Big(\frac34\Big)^3=\frac{27}{64}.$
|
||||
|
||||
(Ⅱ)
|
||||
|
||||
$$f_Z(z)=\frac12f_Y(z)+\frac12f_Y(z-1)=\begin{cases}\frac32z^2, & 0<z<1,\\[2pt] \frac32(z-1)^2, & 1<z<2,\\[2pt] 0, & \text{其他}.\end{cases}$$
|
||||
|
||||
(Ⅲ)$X=0$ 时 $Z=Y\in(0,1)$ ,必有 $Z\le1$ ;$X=1$ 时 $Z=1+Y>1$ 。故
|
||||
|
||||
$$P\{Z\le1\}=P\{X=0\}=\frac12 .$$
|
||||
|
||||
验证:$\displaystyle\int_0^1\frac32z^2\,\mathrm dz=\frac12$ ✓,$\displaystyle\int_1^2\frac32(z-1)^2\,\mathrm dz=\frac12$ ✓,合计 $1$ ✓。
|
||||
|
||||
> **归因**:D 类——第二段支撑写成 $0<z<2$ ,或漏掉 $\frac12$ 的权重。权重与支撑是两件事,都要写。
|
||||
|
||||
---
|
||||
|
||||
### 题 B9 · 全方差公式与相关方向
|
||||
|
||||
**怎么想**:$D(Y\mid X)$ 里 $p=x/2$ 是随机的,所以它是**二次**的,$E[D(Y\mid X)]$ 要算 $EX$ 与 $EX^2$ 两个矩。相关系数为正,符合"$X$ 越大越容易取 $1$ "的直觉。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$Y\mid X=x\sim B(1,x/2)$ ,
|
||||
|
||||
$$E(Y\mid X)=\frac X2,\qquad D(Y\mid X)=\frac X2\Big(1-\frac X2\Big)=\frac X2-\frac{X^2}{4}.$$
|
||||
|
||||
(Ⅱ)$EX=1$ ,$EX^2=\frac43$ ($U(0,2)$ 的方差为 $\frac13$ ,故 $EX^2=\frac13+1$ )。
|
||||
|
||||
$$EY=E\Big[\frac X2\Big]=\frac12,$$
|
||||
|
||||
$$E\big[D(Y\mid X)\big]=E\Big[\frac X2-\frac{X^2}{4}\Big]=\frac12-\frac13=\frac16,$$
|
||||
|
||||
$$D\big[E(Y\mid X)\big]=D\Big[\frac X2\Big]=\frac14\cdot\frac13=\frac1{12},$$
|
||||
|
||||
$$DY=\frac16+\frac1{12}=\frac14 .$$
|
||||
|
||||
(Ⅲ)
|
||||
|
||||
$$E(XY)=E\big[X\,E(Y\mid X)\big]=E\Big[\frac{X^2}{2}\Big]=\frac23,$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac23-1\cdot\frac12=\frac16,\qquad \rho_{XY}=\frac{1/6}{\sqrt{(1/3)\cdot(1/4)}}=\frac{\sqrt{12}}{6}=\frac{\sqrt3}{3}\approx0.577 .$$
|
||||
|
||||
> **归因**:C 类——漏掉 $D[E(Y\mid X)]$ 这一项。这题漏掉后 $DY=\frac16$ ,仍有 $\rho=0.707\le1$ ,**范围检查查不出来**,必须靠公式。
|
||||
|
||||
---
|
||||
|
||||
### 题 B10 · 条件均匀把密度乘成了常数
|
||||
|
||||
**怎么想**:$f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=2(1-x)\cdot\frac1{1-x}=2$ ——条件密度的分母正好约掉。于是这题其实是**三角形上的均匀分布**,三问都能用面积法复核。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)支撑 $0<x<y<1$ (上三角),面积 $\frac12$ ,
|
||||
|
||||
$$f(x,y)=2(1-x)\cdot\frac{1}{1-x}=2,\qquad 0<x<y<1 .$$
|
||||
|
||||
特别之处:$f$ 是常数,即 $(X,Y)$ 在三角形上均匀($1/S_D=1/\frac12=2$ ✓)。但这**不代表**独立——$f_X$ 不均匀,$Y\mid X$ 也依赖 $x$ 。
|
||||
|
||||
(Ⅱ)
|
||||
|
||||
$$EX=\int_0^1\!\!\int_x^12x\,\mathrm dy\,\mathrm dx=\int_0^12x(1-x)\,\mathrm dx=\frac13,$$
|
||||
|
||||
$$EY=\int_0^1\!\!\int_x^12y\,\mathrm dy\,\mathrm dx=\int_0^1(1-x^2)\,\mathrm dx=\frac23,$$
|
||||
|
||||
$$E(XY)=\int_0^1\!\!\int_x^12xy\,\mathrm dy\,\mathrm dx=\int_0^1x(1-x^2)\,\mathrm dx=\frac12-\frac14=\frac14 .$$
|
||||
|
||||
(Ⅲ)
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac14-\frac13\cdot\frac23=\frac14-\frac29=\frac1{36}.$$
|
||||
|
||||
> **归因**:B 类——看到条件均匀就写"独立"。条件密度依赖 $x$ 正是不独立的标志;联合密度是常数只说明"在区域上均匀"。
|
||||
@@ -0,0 +1,249 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 解析, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 第二版 C 组解析,A/B 组见 03a 与 03b
|
||||
关联笔记: ["[[02-试题]]", "[[01-考点地图]]", "[[03b-解析-中等]]", "[[04-答疑笔记]]"]
|
||||
---
|
||||
|
||||
# 解析(拔高)· 多维随机变量 C 组
|
||||
|
||||
**这一组高于真题**,用来防"考场出新"。八题里 C1、C5、C7 最可能是命题人换方向的落点:区域从单连通换成环域、变量从同分布换成混合分布、计数从二项换成泊松分裂。
|
||||
|
||||
## 答案速查
|
||||
|
||||
| 题 | 核心答案 |
|
||||
|---|---|
|
||||
| C1 | $f=\frac1{3\pi}$ ;$f_X$ 两段;$f_Z=\frac13\ (1<z<4)$ ;$P\{X^2+Y^2\le2\}=\frac13$ |
|
||||
| C2 | $\frac16$ ;$f_{X_{(2)}}=6z(1-z)$ ,$E=\frac12$ ;$\frac12$ |
|
||||
| C3 | $N(1.2x,2.56)$ ;$E(Y^2\vert X=1)=4$ ;$1.44+2.56=4$ ;$W\sim N(1,2.56)$ 且独立 |
|
||||
| C4 | $f_Z=\frac12$ 与 $\frac1{2z^2}$ ;$\frac34$ ;$EZ$ 不存在 |
|
||||
| C5 | $F_Y$ 三段;$f_Y$ 两段;$EY=\frac74$ ,$P\{Y\le1\}=1-\frac{\mathrm e^{-1}}4$ |
|
||||
| C6 | $Y=X^2$ 型反例;$Z=XY$ 非正态;断言要分"支撑内"与"全平面" |
|
||||
| C7 | $M\sim P(\lambda p)$ ,$N-M\sim P(\lambda(1-p))$ ,相互独立 |
|
||||
| C8 | 对:2、5、7、9、3(有前提);错:1、4、6、8、10 |
|
||||
|
||||
---
|
||||
|
||||
### 题 C1 · 环域均匀:边缘一定要分段
|
||||
|
||||
**怎么想**:环域面积 $\pi(2^2-1^2)=3\pi$ 。边缘密度分段的临界值来自"竖线与内圆相切",即 $\vert x\vert=1$ :$|x|\le1$ 时竖线只穿过环的外圈部分,$|x|>1$ 时要挖掉中间的空洞。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$S_D=3\pi$ ,
|
||||
|
||||
$$f(x,y)=\frac{1}{3\pi},\qquad 1\le x^2+y^2\le4 .$$
|
||||
|
||||
(Ⅱ)固定 $x$ ,竖线被 $x^2+y^2\le4$ 截出 $y\in[-\sqrt{4-x^2},\sqrt{4-x^2}]$ ,被 $x^2+y^2\ge1$ 挖去 $y\in(-\sqrt{1-x^2},\sqrt{1-x^2})$ 。
|
||||
|
||||
$|x|\le1$ 时只需外圈:
|
||||
|
||||
$$f_X(x)=\frac1{3\pi}\cdot2\sqrt{4-x^2},\qquad \vert x\vert\le1 .$$
|
||||
|
||||
$1<\vert x\vert\le2$ 时挖洞:
|
||||
|
||||
$$f_X(x)=\frac1{3\pi}\cdot2\Big(\sqrt{4-x^2}-\sqrt{1-x^2}\Big),\qquad 1<\vert x\vert\le2 .$$
|
||||
|
||||
(Ⅲ)$Z=X^2+Y^2$ 只取 $(1,4)$ 内的值,且
|
||||
|
||||
$$F_Z(z)=P\{X^2+Y^2\le z\}=\frac{\pi(z-1)}{3\pi}=\frac{z-1}{3},\qquad 1\le z<4 .$$
|
||||
|
||||
故 $f_Z(z)=\dfrac13$ ($1<z<4$ ),其余为 $0$ —— **均匀分布**。
|
||||
|
||||
(Ⅳ)$P\{X^2+Y^2\le2\}=\dfrac{(2-1)\pi}{3\pi}=\dfrac13 .$
|
||||
|
||||
> **归因**:C 类——$f_X$ 只写一段。环域、圆盘挖洞一类的区域,边缘密度的分段临界值就是内圆/内边界与外框的交点,一定要先画图找它。
|
||||
|
||||
---
|
||||
|
||||
### 题 C2 · 次序统计量:对称性省掉一大半计算
|
||||
|
||||
**怎么想**:三个 iid 连续变量有 $3!=6$ 种大小顺序,等可能,这一条能秒杀第(Ⅰ)问。第(Ⅱ)问用"至少两个不超过 $z$ ",第(Ⅲ)问用极差的分布。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$X_1,X_2,X_3$ 严格互不相等(连续型),六种顺序等可能,故
|
||||
|
||||
$$P\{X_1<X_2<X_3\}=\frac{1}{6}.$$
|
||||
|
||||
(Ⅱ)$X_{(2)}\le z$ 等价于"三个里至少两个不超过 $z$ ":
|
||||
|
||||
$$F_{X_{(2)}}(z)=P\{\text{恰两个}\le z\}+P\{\text{三个都}\le z\}=3z^2(1-z)+z^3=3z^2-2z^3,$$
|
||||
|
||||
$$f_{X_{(2)}}(z)=6z-6z^2=6z(1-z),\qquad 0<z<1 .$$
|
||||
|
||||
它关于 $z=\frac12$ 对称,故 $E X_{(2)}=\frac12$ (也可积分:$\int_0^16z^2(1-z)\mathrm dz=\frac12$ )。
|
||||
|
||||
(Ⅲ)极差 $R=X_{(3)}-X_{(1)}$ 。用次序统计量的联合密度 $6$ (在 $0<x_1<x_2<x_3<1$ 上),按"三点全落在某个长为 $r$ 的窗口内"分两块:
|
||||
|
||||
$$P\{R\le r\}=6\int_0^{1-r}\mathrm dx_1\int_{x_1}^{x_1+r}\mathrm dx_2\int_{x_2}^{x_1+r}\mathrm dx_3+6\int_{1-r}^1\mathrm dx_1\int_{x_1}^1\mathrm dx_2\int_{x_2}^1\mathrm dx_3 .$$
|
||||
|
||||
第一块的内两层给出 $\frac{r^2}{2}$ ,故为 $6\cdot\frac{r^2}{2}(1-r)=3r^2(1-r)$ ;第二块给出 $6\cdot\frac{r^3}{6}=r^3$ (这里 $x_1+r$ 已超过 $1$ ,上限被截断,正是容易漏的那部分)。相加
|
||||
|
||||
$$F_R(r)=3r^2(1-r)+r^3=3r^2-2r^3,\qquad 0<r<1 .$$
|
||||
|
||||
于是
|
||||
|
||||
$$P\{R>1/2\}=1-\Big(3\cdot\frac14-2\cdot\frac18\Big)=1-\frac12=\frac12 .$$
|
||||
|
||||
> **归因**:B 类——把 $P\{X_1<X_2<X_3\}$ 当 $\frac{1}{3}$ 。是 $3!$ 里的一个,不是"最大值的三种可能"。
|
||||
|
||||
---
|
||||
|
||||
### 题 C3 · 非独立正态:条件方差是常数
|
||||
|
||||
**怎么想**:$\operatorname{Cov}=\rho\sigma_1\sigma_2=0.6\times1\times2=1.2$ ,条件均值 $\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)=1.2x$ ,条件方差 $\sigma_2^2(1-\rho^2)=4\times0.64=2.56$ ,与 $x$ 无关——这一条是第(Ⅱ)(Ⅲ)问的关键。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$Y\mid X=x\sim N\big(1.2x,\ 2.56\big)$ 。
|
||||
|
||||
(Ⅱ)$E(Y^2\mid X=1)=D(Y\mid X=1)+\big[E(Y\mid X=1)\big]^2=2.56+1.2^2=2.56+1.44=4 .$
|
||||
|
||||
(Ⅲ)$DY=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big]=2.56+1.2^2\cdot DX=2.56+1.44\times1=4$ ✓(题设 $DY=\sigma_2^2=4$ )。
|
||||
|
||||
(Ⅳ)$\operatorname{Cov}(W,X)=\operatorname{Cov}(Y,X)-1.2DX=1.2-1.2=0$ ,而 $(W,X)$ 是 $(X,Y)$ 的线性变换、仍服从二维正态,故 $W$ 与 $X$ **独立**。
|
||||
|
||||
$EW=EY-1.2EX=1-0=1$ ,
|
||||
|
||||
$$DW=DY+1.2^2DX-2\times1.2\operatorname{Cov}(X,Y)=4+1.44-2.88=2.56,$$
|
||||
|
||||
故 $W\sim N(1,\ 2.56)$ 。(这正是"把 $Y$ 中与 $X$ 线性相关的部分扣掉,剩下就是残差、与 $X$ 正交且独立"。)
|
||||
|
||||
> **归因**:A 类——以为残差 $W$ 与 $X$ 只是"不相关"。正交(不相关)加联合正态才等于独立,这两个条件缺一不可。
|
||||
|
||||
---
|
||||
|
||||
### 题 C4 · 商的分布与"期望不存在"
|
||||
|
||||
**怎么想**:$Z=\frac XY$ 的密度必须分段——$y<zx$ 这条直线的两侧形状随 $z$ 变。第(Ⅲ)问是概念题:密度存在不等于期望存在。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$z\le0$ 时 $f_Z=0$ 。设 $0<z<1$ ,直线 $x=zy$ 的斜率 $\frac1z>1$ ,在正方形内它把左下角切出来:固定 $y$ 时 $x$ 从 $0$ 到 $zy$ (因为 $zy<y<1$ ,不会超过 $1$ ),
|
||||
|
||||
$$F_Z(z)=\int_0^1zy\,\mathrm dy=\frac z2\ \Longrightarrow\ f_Z(z)=\frac12 .$$
|
||||
|
||||
设 $z>1$ ,此时斜率小于 $1$ ,$zy$ 在 $y>\frac1z$ 后会超过 $1$ ,须分两块:
|
||||
|
||||
$$F_Z(z)=\int_0^{1/z}zy\,\mathrm dy+\int_{1/z}^1 1\,\mathrm dy=\frac1{2z}+1-\frac1z=1-\frac1{2z}\ \Longrightarrow\ f_Z(z)=\frac{1}{2z^2}.$$
|
||||
|
||||
合起来
|
||||
|
||||
$$f_Z(z)=\begin{cases}\dfrac12, & 0<z<1,\\[4pt] \dfrac{1}{2z^2}, & z\ge1 .\end{cases}$$
|
||||
|
||||
验归一:$\frac12+\int_1^\infty\frac{\mathrm dz}{2z^2}=\frac12+\frac12=1$ ✓。
|
||||
|
||||
(Ⅱ)$P\{Z<2\}=\dfrac12+\displaystyle\int_1^2\frac{\mathrm dz}{2z^2}=\frac12+\frac12\Big(1-\frac12\Big)=\frac34 .$
|
||||
|
||||
(Ⅲ)$EZ$ **不存在**。因为
|
||||
|
||||
$$E\vert Z\vert=\int_0^1z\cdot\frac12\mathrm dz+\int_1^\infty z\cdot\frac{1}{2z^2}\mathrm dz=\frac14+\frac12\int_1^\infty\frac{\mathrm dz}{z}=+\infty .$$
|
||||
|
||||
> **归因**:A 类——"有密度就有期望"。期望的存在性取决于 $\int\vert z\vert f_Z$ 是否收敛,$z\ge1$ 那段按 $\frac1z$ 发散,正是许多"比值型"变量的通病。
|
||||
|
||||
---
|
||||
|
||||
### 题 C5 · 混合型的分布函数与密度
|
||||
|
||||
**怎么想**:$Y=X_1+X_2$ ,$X_1$ 是两点、$X_2$ 连续,所以 $Y$ 的分布是两段的加权:$\frac14$ 份"照原样"、$\frac34$ 份"右移 $1$ "。这类题只需老老实实写 $F_Y(y)=\frac14F_{X_2}(y)+\frac34F_{X_2}(y-1)$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)由全概率,$F_Y(y)=P\{X_1=0\}F_{X_2}(y)+P\{X_1=1\}F_{X_2}(y-1)$ ,$F_{X_2}(t)=1-\mathrm e^{-t}$ ($t>0$ ),否则为 $0$ 。故
|
||||
|
||||
$$F_Y(y)=\begin{cases}0, & y<0,\\[2pt] \frac14\big(1-\mathrm e^{-y}\big), & 0\le y<1,\\[2pt] \frac14\big(1-\mathrm e^{-y}\big)+\frac34\big(1-\mathrm e^{-(y-1)}\big), & y\ge1.\end{cases}$$
|
||||
|
||||
(Ⅱ)对 $y$ 求导(分段求):
|
||||
|
||||
$$f_Y(y)=\begin{cases}\frac14\mathrm e^{-y}, & 0<y<1,\\[2pt] \frac14\mathrm e^{-y}+\frac34\mathrm e^{-(y-1)}, & y>1,\\[2pt] 0, & \text{其他}.\end{cases}$$
|
||||
|
||||
**不是**指数分布:$y\in(0,1)$ 段的系数是 $\frac14$ ,$y>1$ 段变成 $\frac14+\frac{3\mathrm e}{4}$ ,两段不成比例,且密度在 $y=1$ 处跳变。
|
||||
|
||||
(Ⅲ)$EY=EX_1+EX_2=\frac34+1=\frac74$ 。
|
||||
|
||||
$$P\{Y\le1\}=\frac14\big(1-\mathrm e^{-1}\big)+\frac34\cdot1=1-\frac{\mathrm e^{-1}}{4}\approx0.908 .$$
|
||||
|
||||
> **归因**:D 类——$F_Y(y-1)$ 的"旧支撑"处理错。$y-1>0$ 才用 $1-\mathrm e^{-(y-1)}$ ,即 $y>1$ ,这正是分段点 $1$ 的来源。
|
||||
|
||||
---
|
||||
|
||||
### 题 C6 · 反例要有细节,不能只报名字
|
||||
|
||||
**怎么想**:第(Ⅰ)问要"连续 $+$ 函数关系"这一对矛盾体;第(Ⅱ)问用四阶矩否掉正态;第(Ⅲ)问的关键是"对一切"三个字。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)取 $X\sim U(-1,1)$ ,$Y=X^2$ 。则
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(X^3)-EX\cdot EX^2=0-0\cdot\frac13=0 .$$
|
||||
|
||||
但 $Y$ 由 $X$ 完全决定,不独立。验证一格:$P\{X\le0,\ Y\le\frac14\}=P\{X\le0\}=\frac12$ (因 $X\le0$ 时 $X^2\le1$ 必然),而
|
||||
|
||||
$$P\{X\le0\}\,P\Big\{Y\le\frac14\Big\}=\frac12\cdot P\Big\{\vert X\vert\le\frac12\Big\}=\frac12\cdot\frac12=\frac14\ne\frac12 .$$
|
||||
|
||||
(Ⅱ)$Z=XY$ 不是正态。$\operatorname{Cov}(X,Z)=E(X^2Y)=0$ ,$DZ=E(X^2Y^2)=EX^2\cdot EY^2=1$ ,
|
||||
|
||||
$$EZ^4=E(X^4)E(Y^4)=3\times3=9 .$$
|
||||
|
||||
若 $Z\sim N(0,1)$ 则 $EZ^4=3(DZ)^2=3\ne9$ ,矛盾。所以 $Z$ 不是正态。
|
||||
|
||||
这个例子否定了"独立正态变量的函数仍服从正态",也否定了"边缘正态 $\Rightarrow$ 联合正态"($(X,Z)$ 的 $Z$ 这一侧就不是正态)。
|
||||
|
||||
(Ⅲ)断言**为真**,但关键在"对一切 $(x,y)$ 成立":此时 $f\ne0$ 的区域恰是 $\{g\ne0\}\times\{h\ne0\}$ ,自动是矩形,两边对 $x,y$ 分别积分即得 $f(x,y)=f_X(x)f_Y(y)$ 。
|
||||
|
||||
若把条件弱化成"**在支撑内**可写成 $f=g(x)h(y)$ ",则断言**为假**:反例 $f(x,y)=8xy$ ($0<y<x<1$ )在支撑内是 $x$ 与 $y$ 的乘积,但支撑是三角形,$X$ 与 $Y$ 不独立。这也是 [A5](03a-解析-基础.md) 第三例为什么必须真算边缘。
|
||||
|
||||
> **归因**:A 类——反例只说"$Y=X^2$ "不验证。考场上要拿分,必须把 $\operatorname{Cov}=0$ 与"不独立"两件事都算出来。
|
||||
|
||||
---
|
||||
|
||||
### 题 C7 · 泊松分裂:独立性的完整证明
|
||||
|
||||
**怎么想**:第(Ⅰ)(Ⅱ)问用全概率把二项概率与泊松概率套在一起,求和时凑成 $\mathrm e^{\lambda q}$ ;第(Ⅲ)问把联合分布律直接乘开,看能不能分解。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)$M\mid N=n\sim B(n,p)$ ,对 $k=0,1,2,\dots$
|
||||
|
||||
$$P\{M=k\}=\sum_{n\ge k}\mathrm e^{-\lambda}\frac{\lambda^n}{n!}\binom nk p^k q^{n-k},\qquad q=1-p .$$
|
||||
|
||||
用 $\binom nk\dfrac{1}{n!}=\dfrac{1}{k!\,(n-k)!}$ ,令 $m=n-k$ :
|
||||
|
||||
$$P\{M=k\}=\mathrm e^{-\lambda}\frac{(\lambda p)^k}{k!}\sum_{m\ge0}\frac{(\lambda q)^m}{m!}=\mathrm e^{-\lambda}\frac{(\lambda p)^k}{k!}\,\mathrm e^{\lambda q}=\mathrm e^{-\lambda p}\frac{(\lambda p)^k}{k!}.$$
|
||||
|
||||
故 $M\sim P(\lambda p)$ 。
|
||||
|
||||
(Ⅱ)同理(把 $p$ 与 $q$ 对调)$N-M\sim P(\lambda q)$ 。
|
||||
|
||||
(Ⅲ)对任意 $k,j\ge0$ ,事件 $\{M=k,\ N-M=j\}$ 等价于"总数 $k+j$ 次,其中恰 $k$ 次涉及出租车":
|
||||
|
||||
$$P\{M=k,\ N-M=j\}=\mathrm e^{-\lambda}\frac{\lambda^{k+j}}{(k+j)!}\cdot\frac{(k+j)!}{k!\,j!}p^kq^j=\mathrm e^{-\lambda p}\frac{(\lambda p)^k}{k!}\cdot\mathrm e^{-\lambda q}\frac{(\lambda q)^j}{j!},$$
|
||||
|
||||
恰好等于 $P\{M=k\}P\{N-M=j\}$ ,故相互独立。
|
||||
|
||||
(B7 的第(Ⅲ)问就是 $p=\frac14$ 、$\lambda=8$ 的特例。)
|
||||
|
||||
> **归因**:C 类——第(Ⅰ)问求和时把 $\binom nk$ 留在里面不敢动。把 $\frac{1}{n!}\binom nk$ 拆成 $\frac{1}{k!(n-k)!}$ ,剩下的恰好是 $\mathrm e^{\lambda q}$ 的泰勒展开。
|
||||
|
||||
---
|
||||
|
||||
### 题 C8 · 十个断言逐条判
|
||||
|
||||
**怎么想**:这类题不计算,考的全是边界条件。判完要能给一句"为什么",否则考场变体(换个说法)就错。
|
||||
|
||||
**解**:
|
||||
|
||||
1. **错**。反例见 C6(Ⅰ):$X\sim U(-1,1)$ 、$Y=X^2$ 不相关但不独立。只有二维正态下才对。
|
||||
2. **对**。这是二维正态专有的性质,因为它的联合密度在 $\rho=0$ 时正好分解成两个边缘之积。
|
||||
3. **对,但前提是"对一切 $(x,y)$ "**(此时支撑自动是矩形)。若只在支撑内可分离,则**错**:$f=8xy$ ($0<y<x<1$ )。
|
||||
4. **错**。两个 $U(0,1)$ 之和是三角分布,密度 $z$ 与 $2-z$ ,不是常数。
|
||||
5. **对**。独立时 $E(XY)=EX\cdot EY$ ,协方差必为 $0$ 。这是单向蕴涵。
|
||||
6. **错**。取 $X\sim N(0,1)$ 、$Z$ 与 $X$ 独立且 $P\{Z=\pm1\}=\frac12$ ,令 $Y=ZX$ ,则 $Y\sim N(0,1)$ ,但 $(X,Y)$ 只在两条直线 $y=\pm x$ 上有质量、不是二维正态。
|
||||
7. **对**。矩形支撑是独立的必要条件:独立时 $f=f_Xf_Y$ 的非零域必须是两个一维集合的乘积,即矩形。三角形不是,故一定不独立。
|
||||
8. **错**。$X$ 离散时 $F(x,y)$ 沿 $x$ 方向有跳跃,不绝对连续,联合密度不存在。只能写 $P\{X=x_i\}f_{Y\mid X=x_i}(y)$ 。
|
||||
9. **对**。独立性等价于"对任意可测函数 $g,h$ ,$g(X)$ 与 $h(Y)$ 独立",取 $g(x)=x^2$ 、$h(y)=y^2$ 即得。
|
||||
10. **错**。取 $X\sim N(0,1)$ 、$Y\sim N(0,4)$ 且独立,则 $Y-X$ 关于 $0$ 对称,$P\{X<Y\}=\frac12$ ,但两者方差不同。所以 $\frac12$ 只说明"中位数相等",不说明同分布。
|
||||
|
||||
> **归因**:A 类——第 3、7 两条最容易判反。记住一句话:**独立的关键是"支撑是矩形 + 密度可分离",两个条件缺一不可**;"支撑不是矩形"可以直接否掉独立,但"密度不可分离"只能说明判据失效,还得算。
|
||||
@@ -0,0 +1,39 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 答疑, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 待填, 按题号增量追加
|
||||
---
|
||||
|
||||
# 答疑笔记 · 多维随机变量
|
||||
|
||||
规则:**按题号递增追加**,一题一条。
|
||||
|
||||
这一章的卡点高度集中,所以模板只留三栏,逼自己写清楚"卡在哪一步"——**是区域没画出来,还是画出来但积分限写错,还是分段少了一段**。三种原因的对策完全不同。
|
||||
|
||||
## 记录模板
|
||||
|
||||
```
|
||||
### 题 X · 日期
|
||||
- 卡在哪一步(画支撑 / 定积分限 / 分段 / 判独立 / 算数字特征):
|
||||
- 我当时怎么想的:
|
||||
- 正确的第一步应该做什么:
|
||||
```
|
||||
|
||||
---
|
||||
|
||||
## 记录区
|
||||
|
||||
### 题 — · 2026-11-11
|
||||
|
||||
(示例,实际做错后替换)
|
||||
|
||||
- 卡在哪一步:求边缘密度时直接把积分限写成 $0$ 到 $1$ 。
|
||||
- 我当时怎么想的:以为 $f_X(x)$ 就是对 $y$ 从 $0$ 积到 $1$ ,没看支撑。
|
||||
- 正确的第一步应该做什么:先把支撑画出来,固定 $x$ 画竖线,看这条线穿进穿出区域的位置。
|
||||
|
||||
---
|
||||
|
||||
## 待填区
|
||||
|
||||
(首次做错后从这里开始记)
|
||||
@@ -0,0 +1,77 @@
|
||||
---
|
||||
tags: [数学一, 专项突破, 说明, 多维随机变量]
|
||||
专题: 多维随机变量
|
||||
日期: 2026-11-11
|
||||
状态: 完成, 30 题, 三层扩散
|
||||
关联笔记: ["[[01-考点地图]]", "[[02-试题]]", "[[03a-解析-基础]]", "[[03b-解析-中等]]", "[[03c-解析-拔高]]"]
|
||||
---
|
||||
|
||||
# 专项突破 10 · 多维随机变量
|
||||
|
||||
## 这份专题解决什么
|
||||
|
||||
**概率分值最高的一章,之前一直没有专项**。十年真题里 ch17 出现 **11 次、105 分**,比参数估计的 93 分还多,且是每年必出 11—12 分解答题的唯一章节。现有的 [03 大数定律与数理统计](../03-大数定律与数理统计/README.md) 只覆盖 ch19—ch22,开头就写明"不涉及多维随机变量那种技巧性构造"——正因为技巧性强,才更需要单独拆一份。
|
||||
|
||||
**这一章的失分不是"不会",是"画不清"**:区域想不明白、边缘的积分限照抄 $0$ 到 $1$ 、分段少一段、支撑非矩形还敢判独立。所以本专题每道题都要求先画支撑集,解析里凡涉及区域的都给出图形描述。
|
||||
|
||||
## 三层扩散
|
||||
|
||||
| 层 | 覆盖 | 题号 | 题量 |
|
||||
|---|---|---|---|
|
||||
| **核心** | 分布律反解、归一化与边缘分段、条件分布、独立性四判据、区域均匀、二维正态、和分布、最值、雅可比、可加性边界、由 $F$ 反求参数 | A1—A12 | 12 |
|
||||
| **一圈** | 指示变量 + 分布函数、两点乘指数、两点乘泊松、随机取点、混合正态、圆盘非均匀、保险赔付、异密度和、全方差与相关、条件均匀反解 | B1—B10 | 10 |
|
||||
| **二圈** | 环域均匀、次序统计量、非独立正态残差、商与期望发散、混合型、反例构造、泊松分裂、十断言 | C1—C8 | 8 |
|
||||
|
||||
**合计 30 题**,比其余九份(20—22 题)多出近一半。这是刻意的:这一章的考点密度最高,且每个动作都需要手感而非记忆。
|
||||
|
||||
**难度(第二版,2026-11-11 重做)**:第一版 A 组偏"套公式",比真题低一档,已全部替换。现在 A 组每题仍只练一个动作,但**都包在真实区域里、都要分段**;B 组照真题换数字;C 组高于真题。题首用 `【真题 20xx-xx 骨架】` 或 `【张宇 30 讲 · … 骨架】` 标出处,没有标注的是原创。
|
||||
|
||||
## 数据支撑(十年真题)
|
||||
|
||||
| 章 | 题数 | 分值 | 解答 | 选填 |
|
||||
|---|---|---|---|---|
|
||||
| **ch17 多维随机变量** | **11** | **105** | 9 | 2 |
|
||||
| ch21 参数估计 | 10 | 93 | 7 | 3 |
|
||||
| ch15 随机事件与概率 | 8 | 36 | 0 | 8 |
|
||||
| ch18 数字特征 | 7 | 32 | 0 | 7 |
|
||||
| ch16 一维随机变量 | 6 | 27 | 0 | 6 |
|
||||
|
||||
本专题覆盖全部 11 题、105 分(2025·22 的截断赔付与泊松分裂也在 B7)。**解答题的形态十年来没变**:给区域密度或条件分布 → 求边缘或联合 → 求某函数的分布 → 顺带一个数字特征,三四问 11—12 分。
|
||||
|
||||
## 真题锚点
|
||||
|
||||
| 年份·题号 | 考法 | 对应题 |
|
||||
|---|---|---|
|
||||
| 2016·22 | 抛物线区域均匀 + 指示变量 + 分布函数 | B1 |
|
||||
| 2017·22 | 离散配连续的和 | A8、B8 |
|
||||
| 2018·22 | 两点乘泊松,协方差与分布律 | B3 |
|
||||
| 2019·8 | 正态差的分布 | A7 |
|
||||
| 2019·22 | 指数乘两点,不相关但不独立 | B2 |
|
||||
| 2020·22 | 混合正态的联合分布函数 | B5、B9 |
|
||||
| 2021·22 | 随机取点,商的分布 | B4 |
|
||||
| 2022·10 | 条件均匀反解 + 相关系数 | A4 |
|
||||
| 2023·22 | 圆盘非均匀,$X^2+Y^2$ 的分布 | B6 |
|
||||
| 2024·9 | 条件均匀与协方差 | B10 |
|
||||
| 2025·22 | 截断赔付 + 泊松分裂 | B7、C7 |
|
||||
|
||||
**张宇 1000 题没有概率**(只有高数 15 章 + 线代 6 章),但参考仓库里有**张宇基础三十讲**的概率部分(`参考仓库/Math/probability-theory-and-mathematical-statistics/`),A2 与 A12 的骨架取自那里(边缘密度的抛物区域、$\Phi$ 里读参数两例)。其余题目分三类:**真题换数字**(B1—B10、C7)、**真题考法的变体**(A4、A7、A8、A9、C3、C4)、**原创补缺**(A1、A3、A5、A6、A10、A11、C1、C2、C5、C6、C8)。原创题补的是十年未考但大纲要求、或换个区域就能考的角度:环域均匀的边缘分段(C1)、次序统计量与极差(C2)、商的期望发散(C4)、混合型的分布函数(C5)。
|
||||
|
||||
## 怎么用
|
||||
|
||||
1. **A 组限时 100 分钟**(每题 8 分钟)。这组只考单一动作,但都套在真实区域里,卡住说明那个动作没定型。
|
||||
2. 对答案后按三类归因:**区域没画 / 分段漏段 / 概念边界**。第一类回题重画支撑,第二类数一遍 $\int f_Z=1$ 对不对,第三类只读 [考点地图 §1.5 与 §1.7](01-考点地图.md#user-content-15-独立性三重判据)。
|
||||
3. **B 组限时 120 分钟,是真题包装**,做之前先合上书,判断"这题该用哪条"——这一层练的是识别,不是计算。
|
||||
4. **C 组不限时但要写完整过程**。C1、C5、C7 最像命题人换方向的落点(环域、混合分布、泊松分裂)。
|
||||
5. **C8 必须单独做**,不看解析。十个断言错一个就整题错,这类题不考计算但杀伤力最大。
|
||||
|
||||
## 与其他材料的关系
|
||||
|
||||
- `在学练习/概率论-第3讲-多维随机变量及其分布`:系统学一遍的地方(七点 27 题),本专题不替代它。第一次学的顺序在 [第3讲 README](../../在学练习/概率论-第3讲-多维随机变量及其分布/README.md)。
|
||||
- `在学练习/概率论-第4讲-随机变量的数字特征`:协方差、相关系数、重期望的系统讲解,本专题只用到结论。
|
||||
- `03 大数定律与数理统计`:与这份形成概率的完整覆盖——ch17 在本册,ch18—ch22 在 03。两份都做完,概率的解答题部分就没有空档。
|
||||
- `大题十年考点/18-线代与概率大题十年总结`:说明为什么这两块要按"12 分必得"来准备(2021 年改革后各只剩一题)。
|
||||
|
||||
## 版本记录
|
||||
|
||||
- 2026-11-11:建立。30 题(A12 / B10 / C8),三层扩散,解析拆三册(03a 基础 / 03b 中等 / 03c 拔高)。补齐专项突破系列缺的概率第一块。
|
||||
- 2026-11-11(第二版):**A 组整体重做**。原 A 组是"填表、归一化、套卷积"的一步题,比真题低一档。新版每题都包在真实区域里、都要分段,新增条件密度、区域概率、可加性失效四问等真题高频点;B 组全部改为照真题换数字(补上 2025·22);C 组改成环域、次序统计量、残差分解、混合型、泊松分裂五个"考场出新"方向;难度记号增加到 ★★★★。题目索引与真题锚点在 [01-考点地图](01-考点地图.md) 与本页两处同步。
|
||||
@@ -2,7 +2,7 @@
|
||||
tags: [数学一, 专项突破, 索引]
|
||||
专题: 专项突破总索引
|
||||
日期: 2026-11-04
|
||||
状态: 九份专题完成, 共 152 题
|
||||
状态: 十份专题完成, 共 195 题
|
||||
---
|
||||
|
||||
# 专项突破 · 总索引
|
||||
@@ -15,24 +15,27 @@ tags: [数学一, 专项突破, 索引]
|
||||
| `专项突破/` | 跟薄弱点走,扩散式复习 | 某块忘了、或某块总失分 |
|
||||
| `模拟卷/` | 整卷模考,按真题格式 | 检验整体水平 |
|
||||
|
||||
## 九份专题
|
||||
## 十份专题
|
||||
|
||||
| 专题 | 题量 | 覆盖章节 | 十年分值 | 张宇兜底 |
|
||||
|---|---|---|---|---|
|
||||
| [01 反常积分与一元积分综合](01-反常积分与一元积分综合/README.md) | 20 | ch3 一元函数积分学 | 约 140 分(反常积分本身仅 9 分) | **有**(高数 8、9 章) |
|
||||
| [02 线面积分与三大公式](02-线面积分与三大公式/README.md) | 21 | ch6 多元函数积分学 | 约 125 分(线面部分) | **无** |
|
||||
| [03 大数定律与数理统计](03-大数定律与数理统计/README.md) | 20 | ch19—ch22 | 约 138 分 | **无**(张宇库没有概率) |
|
||||
| [03 大数定律与数理统计](03-大数定律与数理统计/README.md) | **33** | ch19—ch22 | 约 138 分 | **张宇 30 讲**(1000 题无概率,仅 30 讲有统计章) |
|
||||
| [04 表格法求原函数](04-表格法求原函数/README.md) | 22 | 跨章工具(ch3 为主) | 无独立分值,嵌在 2022·12 等题里 | **有**(高数 9 章 21 题涉及分部) |
|
||||
| [05 定积分加速](05-定积分加速/README.md) | 17 | ch3 计算工具 | 同上,属中间步骤 | **有**(高数 8、9 章同构) |
|
||||
| [06 二重积分加速](06-二重积分加速/README.md) | 14 | ch6 二重积分 | 多元积分 194 分的主要载体 | 部分(第 14 章二重积分) |
|
||||
| [07 微分算子法求特解](07-微分算子法求特解/README.md) | 12 | ch15 常微分方程 | 常系数非齐次几乎每年 1 题 | **有**(第 15 章) |
|
||||
| [08 幂级数求和](08-幂级数求和/README.md) | 13 | ch7 无穷级数 | 和函数 6 题 40 分 | **无**(张宇库没有级数章) |
|
||||
| [09 极限速算](09-极限速算/README.md) | 13 | 跨章工具(ch1 为主) | 极限每年必考,且常是大题第一步 | **有**(第 1 章) |
|
||||
| [10 多维随机变量](10-多维随机变量/README.md) | **30** | ch17 | **105 分(概率分值最高的一章)** | **张宇 30 讲**(1000 题无概率,仅 30 讲有例题) |
|
||||
|
||||
合计 **152 题**。
|
||||
合计 **195 题**(03 由 20 增至 33,2026-11-12 补四件套专练 13 题)。
|
||||
|
||||
**04—09 与前三份不一样**:它们不是"章节知识点",而是**工具**。前三份解决"这块我忘了",后六份解决"这个动作我总做错"或"算得太慢"。所以它们的优先级不该按分值排——越早练熟,做前三份与模拟卷时省下的时间越多。
|
||||
|
||||
**10 又回到章节型,是概率那半边补上的一块**:ch17 十年 105 分,比参数估计的 93 分还多,而 03 只覆盖 ch19—ch22。题量给到 30 题(其余各份 12—22 题),因为这一章的考点密度最高,而且它考的不是记忆、是"画区域"的手感,只能靠题量堆。
|
||||
|
||||
## 全部待建的工具在哪
|
||||
|
||||
`04`—`09` 之外还有 11 个工具(T7—T17:判型构造类与验算排除类),清单与优先级见 **[解题工具清单](解题工具清单.md)** 。那份文件说明每个工具是什么、十年真题依据、以及已建成哪张专题。**不要只在脑子里记"要用对称性",翻清单比翻书快。**
|
||||
@@ -51,7 +54,11 @@ tags: [数学一, 专项突破, 索引]
|
||||
- **B 组 · 一圈**:做 A 组必须用到的工具
|
||||
- **C 组 · 二圈**:真题里它真实的混合形态
|
||||
|
||||
## 九份专题的相互关系
|
||||
## 十份专题的相互关系
|
||||
|
||||
- **10 与 03 拼成完整概率**:10 管 ch17 多维随机变量(解答题必考),03 管 ch19—ch22(大数定律、抽样分布、参数估计、假设检验)。两份都做完,概率的解答题就没有空档;只做 03 会漏掉分值最高的那一章。
|
||||
- **10 是 03 的前置**:03 里凡出现"某统计量的分布",本质都是多维随机变量的函数分布;10 的函数分布法与雅可比没练熟,做到 03 的 A4—A7 会卡。
|
||||
- **10 与 04 都是"区域"题**:04 的二重积分与 10 的联合密度积分,画的都是同一个区域、写的都是同一组积分限。10 卡住时回 04 看"画区域、定限"那一节,往往一通百通。
|
||||
|
||||
- **01 与 03 都有"判敛/收敛"的味道**:01 是反常积分收敛,03 是依概率收敛与相合性。两处的"收敛"含义不同(前者是极限存在,后者是概率意义),一起做正好把概念分清。
|
||||
- **02 与 01 共享工具**:线面积分的计算大量依赖定积分技巧(尤其 01 的 B 组),若 02 算不动先回 01。
|
||||
@@ -68,7 +75,7 @@ tags: [数学一, 专项突破, 索引]
|
||||
|
||||
1. **一次只做一个专题**,A 组做完立刻对答案,别攒着。
|
||||
2. 每个专题的 `04-答疑笔记.md` 是空的,错一题记一条,**按题号递增追加**。
|
||||
3. 全部做完约需 **19—21 小时**(含对答案)。若时间紧,优先 **02 与 03**(无张宇兜底、真题分值最重),其次 **09 与 05**(一次学会、处处提速),再次 08(无兜底且是固定题位)。
|
||||
3. 全部做完约需 **25—27 小时**(含对答案)。若时间紧,优先 **02、03 与 10**(无张宇兜底、真题分值最重),其次 **09 与 05**(一次学会、处处提速),再次 08(无兜底且是固定题位)。**10 排在 03 之前做**——多维随机变量是统计量的分布的地基,反过来不顺。
|
||||
4. **工具类可以先插进来**:04—09 都不依赖别的专题,反过来能给其它专题提速。建议先把 05 的判定卡与 §1—§2 读完,A 组八题约 20 分钟;09 的 A 组六题约 10 分钟。
|
||||
5. **每份专题的 A 组都设了限时**,超时就是没记牢,别用"想清楚了"自我安慰。09 的限时最紧(90 秒),因为它的价值全在速度上。
|
||||
|
||||
@@ -80,3 +87,6 @@ tags: [数学一, 专项突破, 索引]
|
||||
| 2026-11-04 | 加 04 表格法(22 题,总 83 题) |
|
||||
| 2026-11-04 | 加 05 定积分加速(17 题)、06 二重积分加速(14 题),总 114 题;新增工具清单文件 |
|
||||
| 2026-11-04 | 加 07 微分算子法(12 题)、08 幂级数求和(13 题)、09 极限速算(13 题),总 152 题;计算加速型 T1—T6 全部落地 |
|
||||
| 2026-11-11 | 加 10 多维随机变量(**30 题**),总 182 题;补齐概率 ch17 这块空白,与 03 拼成完整概率覆盖 |
|
||||
| 2026-11-11 | **10 号第二版**:A 组整体重做(原版是一步套公式题,比真题低一档),B 组全部改为照真题换数字,C 组换成环域、次序统计量、残差分解、混合型、泊松分裂五个新方向;题量仍 30 题,难度记号增 ★★★★ |
|
||||
| 2026-11-12 | 03 补 **D 组四件套专练 13 题**($\mu$ 与 $\sigma$ 谁已知的四个统计量),03 由 20 增至 33 题,总 195 题 |
|
||||
|
||||
@@ -0,0 +1,72 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 冲刺
|
||||
- 错题本
|
||||
- 高等数学
|
||||
分册: 高等数学
|
||||
题数: 1
|
||||
更新: 2026-11-09
|
||||
状态: 进行中
|
||||
关联笔记:
|
||||
- "[[README]]"
|
||||
- "[[09-点8-数项级数求和与抽象证明]]"
|
||||
---
|
||||
|
||||
# 冲刺错题 · 高等数学
|
||||
|
||||
> **回看方式**:先看下面的索引,按「错因」挑要修的类(优先 C 计算失误、D 步骤不全),再点进具体题。每题都带「预防要点」,考前只读那一段。
|
||||
|
||||
## 索引
|
||||
|
||||
| 编号 | 日期 | 来源 | 考点 | 错因 | 二刷 |
|
||||
|---|---|---|---|---|---|
|
||||
| [错题 1](#错题-12016-年数一第-19-题--压缩映射与级数收敛) | 2026-11-09 | 2016·19(10 分) | 压缩映射与级数收敛 | A 概念不清 | ⬜ |
|
||||
|
||||
## 错题 1|2016 年数一第 19 题 · 压缩映射与级数收敛
|
||||
|
||||
**日期**:2026-11-09
|
||||
|
||||
**题目**:(2016·19,10 分)已知 $f(x)$ 可导,$f(0)=1$ ,$0<f'(x)<\dfrac12$ 。数列 $\{x_n\}$ 满足 $x_{n+1}=f(x_n)$ ($n=1,2,\cdots$ )。证明:(Ⅰ)$\sum_{n=1}^{\infty}(x_{n+1}-x_n)$ 绝对收敛;(Ⅱ)$\lim\limits_{n\to\infty}x_n$ 存在,且 $0<\lim\limits_{n\to\infty}x_n<2$ 。
|
||||
|
||||
**我的错误**:卡在"题干没给 $x_1$ "——认为初值未知、数列就定不下来,判为条件不足,交白卷。(按自己的实际错法改这一句。)
|
||||
|
||||
**错因**:**A 概念不清**。把"必须求出 $x_n$ 的通项"当成了前提。这类题根本不求通项,走的是**压缩映射**:$f'$ 有上界 $q<1$ 时,相邻两项之差被逐次压缩,差的级数被几何级数控制,于是 $\{x_n\}$ 收敛到不动点——**与初值无关**。命题人不给 $x_1$ 是刻意的。
|
||||
|
||||
**正确思路**:
|
||||
|
||||
**(Ⅰ)三步压缩。**
|
||||
|
||||
1)记 $d_n=x_{n+1}-x_n$ 。对 $n\ge2$ ,$x_{n+1}=f(x_n)$ 且 $x_n=f(x_{n-1})$ ,对以 $x_{n-1}$ 、$x_n$ 为端点的区间用拉格朗日中值定理:
|
||||
$$d_n=f(x_n)-f(x_{n-1})=f'(\xi_n)\,(x_n-x_{n-1})=f'(\xi_n)\,d_{n-1}.$$
|
||||
2)由 $0<f'<\dfrac12$ 得 $\lvert d_n\rvert<\dfrac12\lvert d_{n-1}\rvert$ ,反复迭代:
|
||||
$$\lvert x_{n+1}-x_n\rvert\le\frac{1}{2^{n-1}}\lvert x_2-x_1\rvert\qquad(n\ge1).$$
|
||||
($n=1$ 时右端就是 $\lvert x_2-x_1\rvert$ ,公式同样成立,不必把第一项单拎出来。)
|
||||
|
||||
3)右端是公比 $\dfrac12$ 的几何级数,收敛;由比较判别法,$\sum\lvert d_n\rvert$ 收敛,即原级数绝对收敛。顺带得到上界 $\sum_{n=1}^{\infty}\lvert d_n\rvert\le2\lvert x_2-x_1\rvert$ ,第(Ⅱ)问要用。
|
||||
|
||||
**(Ⅱ)望远镜 + 不动点。**
|
||||
|
||||
1)部分和:$x_{n+1}=x_1+\sum_{k=1}^{n}(x_{k+1}-x_k)=x_1+S_n$ 。(Ⅰ)已证 $\sum d_k$ 收敛,故 $\{S_n\}$ 收敛,$\lim\limits_{n\to\infty}x_n$ 存在,记为 $a$ 。
|
||||
|
||||
2)可导 ⇒ $f$ 连续,对 $x_{n+1}=f(x_n)$ 两边取极限得 $a=f(a)$ ,即 $a$ 是 $\varphi(x)=x-f(x)$ 的零点。
|
||||
|
||||
3)定位:$\varphi(0)=-f(0)=-1<0$ ;又 $f(2)-f(0)=2f'(\eta)<1$ 给出 $f(2)<2$ ,故 $\varphi(2)=2-f(2)>0$ 。由介值定理,$(0,2)$ 内有零点。
|
||||
|
||||
4)唯一:$\varphi'(x)=1-f'(x)>1-\dfrac12>0$ ,$\varphi$ 严格递增,零点唯一。故 $0<a<2$ 。
|
||||
|
||||
**评分点清单**(这题按步给分,缺一步就少一分):① 写出中值定理与 $f'(\xi_n)$ ;② 压缩不等式 $\lvert d_n\rvert<\frac12\lvert d_{n-1}\rvert$ ;③ 几何级数求和、由比较判别法得绝对收敛;④ 部分和是望远镜、$\sum d_k$ 收敛推出 $x_n$ 收敛;⑤ 交代 $f$ 连续、取极限得 $a=f(a)$ ;⑥ $\varphi(0)<0$ 与 $\varphi(2)>0$ 夹出 $a$ 的范围;⑦ $\varphi'>0$ 说明唯一。
|
||||
|
||||
**预防要点**:
|
||||
|
||||
1. **看到 $x_{n+1}=f(x_n)$ 与 $0<f'<q<1$ 就上压缩映射**:别找通项、别纠结初值。$q\ge1$ 时这套失效,题目会换给法。
|
||||
2. **中值定理必须用在 $x_{n-1}$ 与 $x_n$ 之间**,不是 $[0,x_n]$ ——两个函数值都是迭代出来的,"相邻差被压缩"正来自这里。
|
||||
3. **绝对收敛要带绝对值**:证的是 $\sum\lvert d_n\rvert$ 收敛,只写 $\sum d_n$ 收敛等于没答。
|
||||
4. **取极限前先交代 $f$ 连续**(可导即连续),这是给分点。
|
||||
5. **$f(2)<2$ 的根据必须写出 $f(2)-f(0)=2f'(\eta)<1$ 这一步**,不能由 $f'<\frac12$ 直接跳到 $f(2)<2$ 。
|
||||
6. **$0<a<2$ 的「唯一」来自 $\varphi'$ 恒正**,漏掉要扣分;$a$ 只能定位,不能求出具体值。
|
||||
7. 备选路线「单调有界」须按 $x_1$ 与不动点的大小关系**分两种情况**,比压缩映射啰嗦;命题人把(Ⅰ)设成级数,就是在指定路线。
|
||||
|
||||
**同类巩固**:[点 8 题 5](../在学练习/高等数学-无穷级数/09-点8-数项级数求和与抽象证明.md) 是本题的骨架改编(上界改 $\frac13$ 、初值 $x_0=0$ 、结论改成 $1<L<\frac32$ ),步骤逐字对应;原卷见 [精排真题 2016](../../../试卷/精排真题/2016-数学一.md) 第 19 题。
|
||||
|
||||
**二刷**:⬜ 待做(记完第 3 天,即 2026-11-12)
|
||||
@@ -0,0 +1,80 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 冲刺
|
||||
- 错题本
|
||||
建立: 2026-11-09
|
||||
状态: 进行中(错题持续追加)
|
||||
错题统计:
|
||||
- 总错题数: 1
|
||||
- 分册分布: 高等数学 1 / 线性代数 0 / 概率论 0
|
||||
- 按错因: 概念不清 1 / 方法选错 0 / 计算失误 0 / 步骤不全 0 / 题意误读 0
|
||||
关联笔记:
|
||||
- "[[总览]]"
|
||||
- "[[做题本]]"
|
||||
---
|
||||
|
||||
# 冲刺错题本
|
||||
|
||||
> **与 `每日小练/做题本` 的分工**:那本记章节练习与小练的错,按专题归档、跟着专题走;这本只记**冲刺阶段**的错——真题、模拟卷、专项突破、限时训练。分开的理由是复习方式不同:小练错题要回专题补基础,冲刺错题要**按错因排优先级、反复二刷**,考前只看预防要点。
|
||||
|
||||
## 一、什么题才记
|
||||
|
||||
满足任一条就记:
|
||||
|
||||
- 真题或模拟卷做错,**或蒙对但没把握**
|
||||
- 限时训练里**超时**才做出来的(超时等同于不会)
|
||||
- 会做但**漏了给分点**,解答题被扣步骤分
|
||||
- 同一个错法**第二次犯**(这条最该记,说明是习惯性错误)
|
||||
|
||||
不记:抄错数字这类一次性手误、完全没学过的整章(那种该回头补专题,不是记错题)。
|
||||
|
||||
## 二、每题七段
|
||||
|
||||
```text
|
||||
### 错题 N|来源 · 考点
|
||||
**日期**:
|
||||
**题目**:
|
||||
**我的错误**:
|
||||
**错因**(下面五类之一):
|
||||
**正确思路**:
|
||||
**预防要点**:
|
||||
**二刷**:(日期 / 结果)
|
||||
```
|
||||
|
||||
最后一段「二刷」是这本与普通错题本的区别:**记完不算完,第 3 天重做一遍才算完**。
|
||||
|
||||
## 三、错因五类(决定回看方式)
|
||||
|
||||
| 类型 | 症状 | 该记什么 | 对策 |
|
||||
|---|---|---|---|
|
||||
| **A 概念不清** | 看不懂题、不知从哪下手 | 定义与定理的**原话** + 出处链接 | 当天回点文件重读该节,再找一道同类题 |
|
||||
| **B 方法选错** | 会做,但走了弯路或算到一半卡死 | **起手式**:看到什么特征就用哪招 | 把判定条件写成一行,下次先扫特征再动笔 |
|
||||
| **C 计算失误** | 思路对、答案错 | 错在哪一步的**具体动作**(如"分部积分漏负号") | 该步拆成两小步,限时重算一遍 |
|
||||
| **D 步骤不全** | 会做,但被扣分 | **评分点清单**,写明缺了哪一条 | 按清单默写一遍解答骨架 |
|
||||
| **E 题意误读** | 答非所问、漏问、把"证明"当"求" | 题干关键词 + 我读成了什么 | 审题时把"求/证明/讨论/是否"圈出来 |
|
||||
|
||||
冲刺阶段最该盯的是 **C 与 D**:这两类不是不会,是白丢分,修起来最快、回报最高。A 类如果一题要补半天,直接放弃,把时间给 C、D。
|
||||
|
||||
## 四、复习节奏
|
||||
|
||||
1. **当天**:记完把「预防要点」合上书复述一遍,说不出来就是没真懂。
|
||||
2. **第 3 天**:只看「预防要点」重做原题,做对才在「二刷」打勾。
|
||||
3. **每周日**:只扫 D 类(步骤不全)的题,默写评分点清单。
|
||||
4. **考前一周**:只读「预防要点」与「错因」,不再重做题——这时要的是条件反射,不是重新理解。
|
||||
|
||||
## 五、分册
|
||||
|
||||
| 分册 | 覆盖 | 题数 |
|
||||
|---|---|---|
|
||||
| [01-高等数学](01-高等数学.md) | 级数、一元与多元积分、微分方程 | 1 |
|
||||
| 02-线性代数 | 未建,出现错题时新建 | 0 |
|
||||
| 03-概率论 | 未建,出现错题时新建 | 0 |
|
||||
|
||||
分册按科目拆,是因为冲刺期的回看是"按科目限时刷";而错因分类解决的是"先修哪一类",两者在索引表里各占一列。
|
||||
|
||||
## 六、版本记录
|
||||
|
||||
| 日期 | 变动 |
|
||||
|---|---|
|
||||
| 2026-11-09 | 建本,收 2016·19(压缩映射与级数收敛);建高等数学分册 |
|
||||
@@ -13,73 +13,9 @@ tags: [数学一, 大题十年考点, 知识点盘点, 高等数学, 线性代
|
||||
|
||||
## §0 导航
|
||||
|
||||
> §0.1 逐年对照表、§0.2 考点族热度、§0.3 三条命题规律,已并入 [01b-覆盖对照与接口](01b-覆盖对照与接口.md)(那里是"三条线的并集",这些统计表正好归它),本节只保留反查表。
|
||||
|
||||
### §0.4 考点与题目反查
|
||||
|
||||
> 由 `gen_crosslinks.py` 从题目标题反向生成,勿手改。
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 未定式与泰勒展开 | [点 1 题 1](02-点1-极限与数列极限.md#user-content-题-1--11通分之后才看得见极值) |
|
||||
| §1.2 积分上限函数 | [点 1 题 4](02-点1-极限与数列极限.md#user-content-题-4--12变限积分的三连问) |
|
||||
| §1.3 数列递推:单调有界与压缩 | [点 1 题 2](02-点1-极限与数列极限.md#user-content-题-2--13先证压缩再解极限方程)、[点 1 题 3](02-点1-极限与数列极限.md#user-content-题-3--13单调有界的两段式证明)、[点 1 题 5](02-点1-极限与数列极限.md#user-content-题-5--13压缩映射的四步模板)、[点 1 题 6](02-点1-极限与数列极限.md#user-content-题-6--13抽象函数版唯一根与误差) |
|
||||
| §2.1 零点定理与介值定理 | [点 2 题 1](03-点2-中值定理与不等式证明.md#user-content-题-1--21把极限翻译成端点符号) |
|
||||
| §2.2 罗尔定理与辅助函数 | [点 2 题 2](03-点2-中值定理与不等式证明.md#user-content-题-2--22三个零点造两个根) |
|
||||
| §2.3 拉格朗日与导数估计 | [点 2 题 3](03-点2-中值定理与不等式证明.md#user-content-题-3--23最大值点拆两段做导数估计) |
|
||||
| §2.4 泰勒公式证不等式 | [点 2 题 5](03-点2-中值定理与不等式证明.md#user-content-题-5--24两端各展一次泰勒) |
|
||||
| §2.5 凸函数与积分不等式 | [点 2 题 4](03-点2-中值定理与不等式证明.md#user-content-题-4--25切线放缩后积分) |
|
||||
| §2.6 充要条件型证明 | [点 2 题 6](03-点2-中值定理与不等式证明.md#user-content-题-6--26差商严格递增的充要条件) |
|
||||
| §3.1 隐函数求导与极值 | [点 3 题 1](04-点3-一元微分应用.md#user-content-题-1--31隐函数极值) |
|
||||
| §3.2 闭区间最值与应用题 | [点 3 题 2](04-点3-一元微分应用.md#user-content-题-2--32约束下的面积最小值) |
|
||||
| §3.3 凹凸性与拐点 | [点 3 题 3](04-点3-一元微分应用.md#user-content-题-3--33四问一体的函数性态) |
|
||||
| §4.1 不定积分三法与有理函数 | [点 4 题 1](05-点4-一元积分.md#user-content-题-1--41有理函数的部分分式)、[点 4 题 2](05-点4-一元积分.md#user-content-题-2--41根式换元加分部) |
|
||||
| §4.2 定积分定义求极限 | [点 4 题 3](05-点4-一元积分.md#user-content-题-3--42从和式里抠出-n-分之一的因子) |
|
||||
| §4.3 定积分应用 | [点 4 题 4](05-点4-一元积分.md#user-content-题-4--43振荡曲线的面积) |
|
||||
| §4.4 含参递推积分 | [点 4 题 5](05-点4-一元积分.md#user-content-题-5--44先分部造递推再夹逼求比值) |
|
||||
| §4.5 反常积分 | [点 4 题 6](05-点4-一元积分.md#user-content-题-6--45换元化无穷区间) |
|
||||
| §5.1 一阶线性方程 | [点 5 题 1](06-点5-常微分方程.md#user-content-题-1--51换元后套公式) |
|
||||
| §5.2 二阶常系数齐次 | [点 5 题 2](06-点5-常微分方程.md#user-content-题-2--52解出通解再证收敛) |
|
||||
| §5.3 周期解与解的结构 | [点 5 题 3](06-点5-常微分方程.md#user-content-题-3--53周期解的存在与唯一) |
|
||||
| §5.4 几何建模 | [点 5 题 4](06-点5-常微分方程.md#user-content-题-4--54几何条件翻译成方程) |
|
||||
| §6.1 复合函数偏导 | [点 6 题 1](07-点6-多元函数微分学.md#user-content-题-1--61一元复合的二阶导) |
|
||||
| §6.2 由偏导关系反求一元函数 | [点 6 题 2](07-点6-多元函数微分学.md#user-content-题-2--62消成全微分方程) |
|
||||
| §6.3 方向导数与梯度 | [点 6 题 3](07-点6-多元函数微分学.md#user-content-题-3--63方向导数最大反求系数) |
|
||||
| §6.4 无条件极值 | [点 6 题 4](07-点6-多元函数微分学.md#user-content-题-4--64三次因式分解型极值) |
|
||||
| §6.5 条件极值 | [点 6 题 5](07-点6-多元函数微分学.md#user-content-题-5--65约束消元加参数化) |
|
||||
| §6.6 切平面与闭区域最值 | [点 6 题 6](07-点6-多元函数微分学.md#user-content-题-6--66切平面围出的三角形上求最值) |
|
||||
| §7.1 二重积分:极坐标与对称性 | [点 7 题 1](08-点7-重积分.md#user-content-题-1--71极坐标加三角积分) |
|
||||
| §7.2 区域分解与换序 | [点 7 题 2](08-点7-重积分.md#user-content-题-2--72直线与圆混边界的分域) |
|
||||
| §7.3 三重积分与形心 | [点 7 题 3](08-点7-重积分.md#user-content-题-3--73截面法求形心) |
|
||||
| §7.4 积分区域的最值问题 | [点 7 题 4](08-点7-重积分.md#user-content-题-4--74让积分最大化的区域) |
|
||||
| §8.1 格林公式与挖洞法 | [点 8 题 1](09-点8-曲线积分.md#user-content-题-1--81挖洞法)、[点 8 题 2](09-点8-曲线积分.md#user-content-题-2--81奇点在不在内部决定挖不挖)、[点 8 题 3](09-点8-曲线积分.md#user-content-题-3--81奇点落在曲线上的参数讨论)、[点 8 题 4](09-点8-曲线积分.md#user-content-题-4--81直接格林) |
|
||||
| §8.2 路径无关与全微分 | [点 8 题 5](09-点8-曲线积分.md#user-content-题-5--82路径无关与势函数的还原) |
|
||||
| §8.3 斯托克斯公式 | [点 8 题 6](09-点8-曲线积分.md#user-content-题-6--83斯托克斯选曲面)、[点 8 题 7](09-点8-曲线积分.md#user-content-题-7--83旋度与法向点乘后整体约简) |
|
||||
| §9.1 高斯公式与补面 | [点 9 题 1](10-点9-曲面积分.md#user-content-题-1--91四面体上的高斯)、[点 9 题 2](10-点9-曲面积分.md#user-content-题-2--91柱体加斜面先删奇项) |
|
||||
| §9.2 第一类曲面积分 | [点 9 题 3](10-点9-曲面积分.md#user-content-题-3--92锥面被柱面割下的质量) |
|
||||
| §9.3 第二类曲面积分的直接投影 | [点 9 题 4](10-点9-曲面积分.md#user-content-题-4--93补面为零的巧劲) |
|
||||
| §9.4 旋转曲面与曲面方程 | [点 9 题 5](10-点9-曲面积分.md#user-content-题-5--94现场造曲面再高斯) |
|
||||
| §10.1 数项级数敛散证明 | [点 10 题 1](11-点10-无穷级数.md#user-content-题-1--101中值定理压缩成等比) |
|
||||
| §10.2 幂级数求和函数 | [点 10 题 2](11-点10-无穷级数.md#user-content-题-2--102递推系数转微分方程) |
|
||||
| §10.3 函数项级数的收敛域 | [点 10 题 3](11-点10-无穷级数.md#user-content-题-3--103两个子级数取交集) |
|
||||
| §11.1 相似判定与参数反求 | [点 11 题 1](12-点11-线代特征值与相似.md#user-content-题-1--111参数由可对角化定) |
|
||||
| §11.2 由特征值特征向量反求矩阵 | [点 11 题 2](12-点11-线代特征值与相似.md#user-content-题-2--112三组特征对反求矩阵) |
|
||||
| §11.3 矩阵幂与递推 | [点 11 题 3](12-点11-线代特征值与相似.md#user-content-题-3--113递推数列转矩阵幂) |
|
||||
| §11.4 实对称正交对角化与矩阵方程 | [点 11 题 4](12-点11-线代特征值与相似.md#user-content-题-4--114补特征向量加谱分解) |
|
||||
| §12.1 正交变换化标准形 | [点 12 题 1](13-点12-线代二次型.md#user-content-题-1--121正交变换化标准形) |
|
||||
| §12.2 惯性定理与规范形 | [点 12 题 2](13-点12-线代二次型.md#user-content-题-2--122惯性指数定参数) |
|
||||
| §12.3 二次曲面与可逆变换 | [点 12 题 3](13-点12-线代二次型.md#user-content-题-3--123配方法加曲面识别) |
|
||||
| §13.1 矩阵方程与解的判定 | [点 13 题 1](14-点13-线代方程组与向量.md#user-content-题-1--131矩阵方程逐列判相容) |
|
||||
| §13.2 基与过渡矩阵 | [点 13 题 2](14-点13-线代方程组与向量.md#user-content-题-2--132过渡矩阵与坐标) |
|
||||
| §13.3 初等变换与矩阵可逆 | [点 13 题 3](14-点13-线代方程组与向量.md#user-content-题-3--133列变换对应的矩阵) |
|
||||
| §14.1 二维密度、边缘与独立性 | [点 14 题 1](15-点14-概率多维随机变量.md#user-content-题-1--141曲边区域上的均匀分布) |
|
||||
| §14.2 随机变量函数的分布 | [点 14 题 2](15-点14-概率多维随机变量.md#user-content-题-2--142离散与连续混合的卷积) |
|
||||
| §14.3 混合型与全概率 | [点 14 题 3](15-点14-概率多维随机变量.md#user-content-题-3--143混合型用全概率与贝叶斯) |
|
||||
| §15.1 矩估计与极大似然 | [点 15 题 1](16-点15-概率参数估计.md#user-content-题-1--151矩估计与极大似然并排) |
|
||||
| §15.2 无偏性与均方误差 | [点 15 题 2](16-点15-概率参数估计.md#user-content-题-2--152最大值型估计的无偏修正) |
|
||||
| §15.3 次序统计量 | [点 15 题 3](16-点15-概率参数估计.md#user-content-题-3--153最小值型估计) |
|
||||
<!-- /AUTO:KP -->
|
||||
> §0.1 逐年对照表、§0.2 考点族热度、§0.3 三条命题规律、§0.4 考点与题目反查表,**全部**并入 [01b-覆盖对照与接口](01b-覆盖对照与接口.md)(那里是"三条线的并集",统计表与反查表都归它;反查表在 [§九](01b-覆盖对照与接口.md#user-content-九考点与题目反查))。
|
||||
>
|
||||
> 本节已无内容,读完这句直接进 §1。
|
||||
|
||||
---
|
||||
|
||||
@@ -299,6 +235,18 @@ $f\ge0$ 且 $\iint f=1$ ;$f_X(x)=\int f(x,y)dy$ 。独立 $\iff$ $f=f_Xf_Y$
|
||||
### 14.3 混合型与全概率
|
||||
$X$ 离散、$Y$ 连续时 $f_Y(y)=\sum_kP\{X=x_k\}f_{Y\mid X=x_k}(y)$ ;反向条件概率用贝叶斯,分母是该密度的积分。
|
||||
|
||||
### 14.4 条件分布与重期望
|
||||
$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}$ ,$E(Y\mid X=x)$ 把条件密度当一个普通密度求期望。**重期望** $EY=E\left[E(Y\mid X)\right]$ ;算协方差时用 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 最省——只要求一次一维期望,不必碰联合密度的二重积分。
|
||||
|
||||
### 14.5 协方差与相关系数
|
||||
$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$ ,双线性;$D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y)$ ;$\rho=\frac{\operatorname{Cov}}{\sqrt{DX\,DY}}$ 。**不相关 $\ne$ 独立**(二维正态时二者等价)。$EX=0$ 且独立时,乘积型 $Z=XY$ 有 $\operatorname{Cov}(X,Z)=E(X^2)EY$ 。
|
||||
|
||||
### 14.6 复合分布与泊松稀疏
|
||||
$N\sim P(\lambda)$ ,在 $N=n$ 下 $M\sim B(n,p)$ ,则 $M\sim P(\lambda p)$ (**泊松稀疏**),且 $EM=\lambda p$ 。分段赔付 $Y=(X-a)^+$ 先算 $p=P\{Y>0\}$ ,再套上述结论。
|
||||
|
||||
### 14.7 商的分布
|
||||
$Z=Y/X$ 用分布函数法:$F_Z(z)=P\{Y\le zX\}=\iint_{y\le zx}f$ ,**求导前先按 $z$ 的正负把半平面与支撑求交**,分段点通常就在支撑的角点上。$X=\min(U,1-U)$ 一类题先用 $P\{X\le x\}$ 求密度,再作变换 $Z=\frac{1-X}{X}$ 。
|
||||
|
||||
---
|
||||
|
||||
## §15 概率 · 参数估计
|
||||
|
||||
@@ -115,3 +115,78 @@ tags: [数学一, 大题十年考点, 覆盖对照, 高等数学, 线性代数,
|
||||
时间紧时的正确顺序:**点 9(52 分)$\to$ 点 2(88 分)$\to$ 点 6(78 分)$\to$ 点 7(54 分)$\to$ 点 8(44 分)$\to$ 点 5(50 分)$\to$ 点 4(50 分)$\to$ 点 11 $+$ 点 12(114 分)$\to$ 点 14 $+$ 点 15(170 分)$\to$ 点 3、点 10、点 1、点 13**。
|
||||
|
||||
理由:点 2、6、7、8、9 合计 316 分,占高数大题的三分之二;线代两族 114 分是"会做就满分、不会就清零"的题位;概率两族 170 分题型极窄,投入产出比最高。
|
||||
|
||||
|
||||
---
|
||||
|
||||
## 九、考点与题目反查
|
||||
|
||||
> 由 `gen_crosslinks.py` 从题目标题反向生成,勿手改。这是三个索引里"从知识点反查题目"的那一环,与每题末尾的「关联」行、速查卡的回查表由**同一份映射**反向生成,所以三者必然对称。
|
||||
|
||||
> 由 `gen_crosslinks.py` 从题目标题反向生成,勿手改。
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 未定式与泰勒展开 | [点 1 题 1](02-点1-极限与数列极限.md#user-content-题-1--11通分之后才看得见极值) |
|
||||
| §1.2 积分上限函数 | [点 1 题 4](02-点1-极限与数列极限.md#user-content-题-4--12变限积分的三连问) |
|
||||
| §1.3 数列递推:单调有界与压缩 | [点 1 题 2](02-点1-极限与数列极限.md#user-content-题-2--13先证压缩再解极限方程)、[点 1 题 3](02-点1-极限与数列极限.md#user-content-题-3--13单调有界的两段式证明)、[点 1 题 5](02-点1-极限与数列极限.md#user-content-题-5--13压缩映射的四步模板)、[点 1 题 6](02-点1-极限与数列极限.md#user-content-题-6--13抽象函数版唯一根与误差) |
|
||||
| §2.1 零点定理与介值定理 | [点 2 题 1](03-点2-中值定理与不等式证明.md#user-content-题-1--21把极限翻译成端点符号) |
|
||||
| §2.2 罗尔定理与辅助函数 | [点 2 题 2](03-点2-中值定理与不等式证明.md#user-content-题-2--22三个零点造两个根) |
|
||||
| §2.3 拉格朗日与导数估计 | [点 2 题 3](03-点2-中值定理与不等式证明.md#user-content-题-3--23最大值点拆两段做导数估计) |
|
||||
| §2.4 泰勒公式证不等式 | [点 2 题 5](03-点2-中值定理与不等式证明.md#user-content-题-5--24两端各展一次泰勒) |
|
||||
| §2.5 凸函数与积分不等式 | [点 2 题 4](03-点2-中值定理与不等式证明.md#user-content-题-4--25切线放缩后积分) |
|
||||
| §2.6 充要条件型证明 | [点 2 题 6](03-点2-中值定理与不等式证明.md#user-content-题-6--26差商严格递增的充要条件) |
|
||||
| §3.1 隐函数求导与极值 | [点 3 题 1](04-点3-一元微分应用.md#user-content-题-1--31隐函数极值) |
|
||||
| §3.2 闭区间最值与应用题 | [点 3 题 2](04-点3-一元微分应用.md#user-content-题-2--32约束下的面积最小值) |
|
||||
| §3.3 凹凸性与拐点 | [点 3 题 3](04-点3-一元微分应用.md#user-content-题-3--33四问一体的函数性态) |
|
||||
| §4.1 不定积分三法与有理函数 | [点 4 题 1](05-点4-一元积分.md#user-content-题-1--41有理函数的部分分式)、[点 4 题 2](05-点4-一元积分.md#user-content-题-2--41根式换元加分部) |
|
||||
| §4.2 定积分定义求极限 | [点 4 题 3](05-点4-一元积分.md#user-content-题-3--42从和式里抠出-n-分之一的因子) |
|
||||
| §4.3 定积分应用 | [点 4 题 4](05-点4-一元积分.md#user-content-题-4--43振荡曲线的面积) |
|
||||
| §4.4 含参递推积分 | [点 4 题 5](05-点4-一元积分.md#user-content-题-5--44先分部造递推再夹逼求比值) |
|
||||
| §4.5 反常积分 | [点 4 题 6](05-点4-一元积分.md#user-content-题-6--45换元化无穷区间) |
|
||||
| §5.1 一阶线性方程 | [点 5 题 1](06-点5-常微分方程.md#user-content-题-1--51换元后套公式) |
|
||||
| §5.2 二阶常系数齐次 | [点 5 题 2](06-点5-常微分方程.md#user-content-题-2--52解出通解再证收敛) |
|
||||
| §5.3 周期解与解的结构 | [点 5 题 3](06-点5-常微分方程.md#user-content-题-3--53周期解的存在与唯一) |
|
||||
| §5.4 几何建模 | [点 5 题 4](06-点5-常微分方程.md#user-content-题-4--54几何条件翻译成方程) |
|
||||
| §6.1 复合函数偏导 | [点 6 题 1](07-点6-多元函数微分学.md#user-content-题-1--61一元复合的二阶导) |
|
||||
| §6.2 由偏导关系反求一元函数 | [点 6 题 2](07-点6-多元函数微分学.md#user-content-题-2--62消成全微分方程) |
|
||||
| §6.3 方向导数与梯度 | [点 6 题 3](07-点6-多元函数微分学.md#user-content-题-3--63方向导数最大反求系数) |
|
||||
| §6.4 无条件极值 | [点 6 题 4](07-点6-多元函数微分学.md#user-content-题-4--64三次因式分解型极值) |
|
||||
| §6.5 条件极值 | [点 6 题 5](07-点6-多元函数微分学.md#user-content-题-5--65约束消元加参数化) |
|
||||
| §6.6 切平面与闭区域最值 | [点 6 题 6](07-点6-多元函数微分学.md#user-content-题-6--66切平面围出的三角形上求最值) |
|
||||
| §7.1 二重积分:极坐标与对称性 | [点 7 题 1](08-点7-重积分.md#user-content-题-1--71极坐标加三角积分) |
|
||||
| §7.2 区域分解与换序 | [点 7 题 2](08-点7-重积分.md#user-content-题-2--72直线与圆混边界的分域) |
|
||||
| §7.3 三重积分与形心 | [点 7 题 3](08-点7-重积分.md#user-content-题-3--73截面法求形心) |
|
||||
| §7.4 积分区域的最值问题 | [点 7 题 4](08-点7-重积分.md#user-content-题-4--74让积分最大化的区域) |
|
||||
| §8.1 格林公式与挖洞法 | [点 8 题 1](09-点8-曲线积分.md#user-content-题-1--81挖洞法)、[点 8 题 2](09-点8-曲线积分.md#user-content-题-2--81奇点在不在内部决定挖不挖)、[点 8 题 3](09-点8-曲线积分.md#user-content-题-3--81奇点落在曲线上的参数讨论)、[点 8 题 4](09-点8-曲线积分.md#user-content-题-4--81直接格林) |
|
||||
| §8.2 路径无关与全微分 | [点 8 题 5](09-点8-曲线积分.md#user-content-题-5--82路径无关与势函数的还原) |
|
||||
| §8.3 斯托克斯公式 | [点 8 题 6](09-点8-曲线积分.md#user-content-题-6--83斯托克斯选曲面)、[点 8 题 7](09-点8-曲线积分.md#user-content-题-7--83旋度与法向点乘后整体约简) |
|
||||
| §9.1 高斯公式与补面 | [点 9 题 1](10-点9-曲面积分.md#user-content-题-1--91四面体上的高斯)、[点 9 题 2](10-点9-曲面积分.md#user-content-题-2--91柱体加斜面先删奇项) |
|
||||
| §9.2 第一类曲面积分 | [点 9 题 3](10-点9-曲面积分.md#user-content-题-3--92锥面被柱面割下的质量) |
|
||||
| §9.3 第二类曲面积分的直接投影 | [点 9 题 4](10-点9-曲面积分.md#user-content-题-4--93补面为零的巧劲) |
|
||||
| §9.4 旋转曲面与曲面方程 | [点 9 题 5](10-点9-曲面积分.md#user-content-题-5--94现场造曲面再高斯) |
|
||||
| §10.1 数项级数敛散证明 | [点 10 题 1](11-点10-无穷级数.md#user-content-题-1--101中值定理压缩成等比) |
|
||||
| §10.2 幂级数求和函数 | [点 10 题 2](11-点10-无穷级数.md#user-content-题-2--102递推系数转微分方程) |
|
||||
| §10.3 函数项级数的收敛域 | [点 10 题 3](11-点10-无穷级数.md#user-content-题-3--103两个子级数取交集) |
|
||||
| §11.1 相似判定与参数反求 | [点 11 题 1](12-点11-线代特征值与相似.md#user-content-题-1--111参数由可对角化定) |
|
||||
| §11.2 由特征值特征向量反求矩阵 | [点 11 题 2](12-点11-线代特征值与相似.md#user-content-题-2--112三组特征对反求矩阵) |
|
||||
| §11.3 矩阵幂与递推 | [点 11 题 3](12-点11-线代特征值与相似.md#user-content-题-3--113递推数列转矩阵幂) |
|
||||
| §11.4 实对称正交对角化与矩阵方程 | [点 11 题 4](12-点11-线代特征值与相似.md#user-content-题-4--114补特征向量加谱分解) |
|
||||
| §12.1 正交变换化标准形 | [点 12 题 1](13-点12-线代二次型.md#user-content-题-1--121正交变换化标准形) |
|
||||
| §12.2 惯性定理与规范形 | [点 12 题 2](13-点12-线代二次型.md#user-content-题-2--122惯性指数定参数) |
|
||||
| §12.3 二次曲面与可逆变换 | [点 12 题 3](13-点12-线代二次型.md#user-content-题-3--123配方法加曲面识别) |
|
||||
| §13.1 矩阵方程与解的判定 | [点 13 题 1](14-点13-线代方程组与向量.md#user-content-题-1--131矩阵方程逐列判相容) |
|
||||
| §13.2 基与过渡矩阵 | [点 13 题 2](14-点13-线代方程组与向量.md#user-content-题-2--132过渡矩阵与坐标) |
|
||||
| §13.3 初等变换与矩阵可逆 | [点 13 题 3](14-点13-线代方程组与向量.md#user-content-题-3--133列变换对应的矩阵) |
|
||||
| §14.1 二维密度、边缘与独立性 | [点 14 题 1](15-点14-概率多维随机变量.md#user-content-题-1--141曲边区域上的均匀分布) |
|
||||
| §14.2 随机变量函数的分布 | [点 14 题 2](15-点14-概率多维随机变量.md#user-content-题-2--142离散与连续混合的卷积) |
|
||||
| §14.3 混合型与全概率 | [点 14 题 3](15-点14-概率多维随机变量.md#user-content-题-3--143混合型用全概率与贝叶斯) |
|
||||
| §14.4 条件分布与重期望 | [点 14 题 4](15-点14-概率多维随机变量.md#user-content-题-4--144条件分布算协方差) |
|
||||
| §14.5 协方差与相关系数 | [点 14 题 5](15-点14-概率多维随机变量.md#user-content-题-5--145乘积型与相关性) |
|
||||
| §14.6 复合分布与泊松稀疏 | [点 14 题 6](15-点14-概率多维随机变量.md#user-content-题-6--146复合分布与泊松稀疏) |
|
||||
| §14.7 商的分布 | [点 14 题 7](15-点14-概率多维随机变量.md#user-content-题-7--147商的分布与折叠) |
|
||||
| §15.1 矩估计与极大似然 | [点 15 题 1](16-点15-概率参数估计.md#user-content-题-1--151矩估计与极大似然并排) |
|
||||
| §15.2 无偏性与均方误差 | [点 15 题 2](16-点15-概率参数估计.md#user-content-题-2--152最大值型估计的无偏修正) |
|
||||
| §15.3 次序统计量 | [点 15 题 3](16-点15-概率参数估计.md#user-content-题-3--153最小值型估计) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
@@ -2,7 +2,7 @@
|
||||
tags: [数学一, 大题十年考点, 概率论与数理统计, 多维随机变量, 函数分布, 混合型]
|
||||
专题: 大题十年考点 · 点14 概率·多维随机变量
|
||||
日期: 2026-11-01
|
||||
状态: 知识点带题(14.1 二维密度与独立性、14.2 函数分布、14.3 混合型与全概率,共 3 题)
|
||||
状态: 知识点带题(14.1 二维密度与独立性、14.2 函数分布、14.3 混合型与全概率、14.4 条件分布与重期望、14.5 协方差与相关系数、14.6 复合分布、14.7 商的分布,共 7 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]", "[[概率论-第3讲-多维随机变量及其分布]]"]
|
||||
---
|
||||
|
||||
@@ -11,9 +11,9 @@ tags: [数学一, 大题十年考点, 概率论与数理统计, 多维随机变
|
||||
> 真题锚点:2016·22、2017·22、2018·22、2019·22、2020·22、2021·22、2023·22、2025·22(十年 **8 题 91 分**)|重要度 ★★★
|
||||
> 依赖:一维分布、二重积分。盘点对应:§14 全节。完整知识见 [概率论-第3讲](../概率论-第3讲-多维随机变量及其分布/README.md)。
|
||||
|
||||
**组织原则**:概率大题**只有两个来源**,这是其中更大的一半(8 题 91 分)。3 题按"给定联合密度(求边缘、判独立)$\to$ 求函数分布(卷积)$\to$ 混合型(全概率)"排,正好是十年出现过的三种骨架。
|
||||
**组织原则**:概率大题**只有两个来源**,这是其中更大的一半(十年 **11 题 105 分**,含 8 道解答题 91 分与 3 道填选 14 分)。7 题按"给定联合密度(求边缘、判独立)$\to$ 卷积 $\to$ 混合型全概率 $\to$ 条件分布算协方差 $\to$ 乘积型与相关性 $\to$ 复合分布(泊松稀疏)$\to$ 商的分布"排。**前三题是 2016—2020 的老骨架,后四题对准 2022—2025 的新重心**——近三年条件分布与协方差连着考了三次(2022·10、2023·22、2024·9),只练前三题会漏掉这一块。
|
||||
|
||||
## 知识点 14.1 二维密度、边缘与独立性(出处:参考仓库未收录,转引 [概率论-第3讲](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
|
||||
## 知识点 14.1 二维密度、边缘与独立性(出处:参考仓库未收录,转引 [概率论-第3讲 点3 二维连续型](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md))
|
||||
|
||||
联合密度 $f(x,y)$ 的两条基本性质:$f\ge0$ 且 $\iint_{\mathbb R^2}f=1$ 。
|
||||
|
||||
@@ -25,7 +25,7 @@ $$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}
|
||||
|
||||
**判独立的快速法**:若 $f\ne0$ 的区域是三角形、圆、$y\ge x^2$ 之类的**非矩形**,一定不独立(边缘密度的支撑不重合)。
|
||||
|
||||
## 知识点 14.2 随机变量函数的分布(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
|
||||
## 知识点 14.2 随机变量函数的分布(出处:[概率论-第3讲 · 点5 函数分布两条路](../概率论-第3讲-多维随机变量及其分布/06-点5-函数分布两条路.md))
|
||||
|
||||
**和的分布(卷积)**:
|
||||
|
||||
@@ -39,7 +39,7 @@ $$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{g(x,y)\le z}f(x,y)\,dxdy,$$
|
||||
|
||||
再对 $z$ 求导。**比"套公式"通用**,商、极值、平方都用它。
|
||||
|
||||
## 知识点 14.3 混合型与全概率公式(出处:参考仓库未收录,转引 [概率论-第3讲 · 条件分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
|
||||
## 知识点 14.3 混合型与全概率公式(出处:参考仓库未收录,转引 [概率论-第3讲 · 点7 混合型与全概率](../概率论-第3讲-多维随机变量及其分布/08-点7-混合型与全概率.md))
|
||||
|
||||
两个随机变量一个离散一个连续时,用**全概率**:
|
||||
|
||||
@@ -51,6 +51,28 @@ $$P\{X=x_k\mid Y\le y_0\}=\frac{P\{X=x_k\}P\{Y\le y_0\mid X=x_k\}}{P\{Y\le y_0\}
|
||||
|
||||
分母就是上面那个 $f_Y$ 的积分。**这类题的分数全在"分母算对没有"**。
|
||||
|
||||
## 知识点 14.4 条件分布与重期望(出处:[概率论-第3讲 · 点3 条件密度](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md)与[第4讲 · 点4 重期望](../概率论-第4讲-随机变量的数字特征/05-点4-条件期望与重期望.md))
|
||||
|
||||
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)} .$$
|
||||
|
||||
条件密度是**一族**密度,支撑随 $x$ 变——分段点就从这里来。**第一步永远先乘出联合密度**,即 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$ ;乘积与 $x$ 无关时,说明 $(X,Y)$ 在某区域上均匀。重期望 $EY=E\left[E(Y\mid X)\right]$ ,算协方差用 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 。
|
||||
|
||||
## 知识点 14.5 协方差与相关系数(出处:[概率论-第4讲 · 点3 协方差与相关系数](../概率论-第4讲-随机变量的数字特征/04-点3-协方差与相关系数.md))
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY,\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX\cdot DY}} .$$
|
||||
|
||||
双线性;$D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y)$ 。**不相关 $\ne$ 独立**(二维正态除外)。乘积型固定套路:$X=\pm1$ 时 $X^2=1$ ,故 $XZ=X^2Y=Y$ 、$E(XZ)=EY$ 。
|
||||
|
||||
## 知识点 14.6 复合分布与泊松稀疏(出处:[概率论-第3讲 · 点7 混合型与全概率](../概率论-第3讲-多维随机变量及其分布/08-点7-混合型与全概率.md))
|
||||
|
||||
$N\sim P(\lambda)$ 且 $M\mid N=n\sim B(n,p)$ 时,$M\sim P(\lambda p)$ ,$EM=DM=\lambda p$ 。每个事件独立地以概率 $p$ 被留下,留下的仍是泊松——**认出结论直接写,别展开那个和式**。
|
||||
|
||||
## 知识点 14.7 商的分布(出处:[概率论-第3讲 · 点6 四则运算](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md))
|
||||
|
||||
$$F_Z(z)=P\{Y\le zX\}=\iint_{y\le zx}f(x,y)\,dxdy,\qquad f_Z=F_Z' .$$
|
||||
|
||||
**先求 $F$ 再求导**,因为"$Z\le z$ "能直接翻译成半平面不等式。折叠型:$U\sim U(0,1)$ 时短段 $X=\min(U,1-U)$ 有 $f_X=2\ \left(0<x<\frac12\right)$ ,再用 $Z=\frac1X-1$ 的单调性一次算完。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
@@ -176,3 +198,125 @@ $$P\{X=1\mid Y\le1\}=\frac{\frac12}{\frac34}=\frac23 .$$
|
||||
> **关联** · 盘点 [§14.3 混合型与全概率](01-知识点盘点.md#user-content-143-混合型与全概率) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 14.4:条件分布算协方差(★★★)
|
||||
|
||||
> 【2024·9 骨架】设 $X$ 的概率密度为 $f_X(x)=2x\ (0<x<1)$ ,其余为 $0$ ;在给定 $X=x$ 的条件下,$Y$ 服从 $(0,x)$ 上的均匀分布。
|
||||
>
|
||||
> (Ⅰ)求 $Y$ 的概率密度;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与相关系数 $\rho_{XY}$ 。
|
||||
|
||||
**怎么想**:条件密度乘边缘密度得联合密度 $f(x,y)=2x\cdot\frac1x=2$ ——**是常数**,说明 $(X,Y)$ 在三角形 $0<y<x<1$ 上均匀。认出这一点,后面全是三角形上的积分。
|
||||
|
||||
**解**:(Ⅰ)固定 $y\in(0,1)$ ,$x$ 从 $y$ 积到 $1$ :
|
||||
|
||||
$$f_Y(y)=\int_y^1 2\,dx=2(1-y),\quad 0<y<1 .$$
|
||||
|
||||
(Ⅱ)$EX=\int_0^12x^2dx=\frac23$ ,$EX^2=\frac12$ ,故 $DX=\frac1{18}$ ;同法 $EY=\frac13$ 、$EY^2=\frac16$ 、$DY=\frac1{18}$ 。又
|
||||
|
||||
$$E(XY)=\int_0^1dx\int_0^x2xy\,dy=\int_0^1x^3dx=\frac14 .$$
|
||||
|
||||
故
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac14-\frac23\cdot\frac13=\frac1{36},\qquad \rho_{XY}=\frac{1/36}{\sqrt{1/18\cdot1/18}}=\frac12 .$$
|
||||
|
||||
**验算**:$\int_0^12(1-y)dy=1$ ✓。$\rho_{XY}=\frac12>0$ 合理——$Y$ 的上限就是 $X$ ,$X$ 大时 $Y$ 被抬高;但 $Y$ 在 $(0,x)$ 内仍均匀乱跳,所以远不到 $1$ 。
|
||||
|
||||
**带走结论**:**给条件密度的题,第一步永远是乘出联合密度**;乘出来是常数就按区域均匀处理。本题若走重期望更快:$E(Y\mid X)=\frac X2$ ,故 $E(XY)=E\left[\frac{X^2}{2}\right]=\frac{EX^2}{2}=\frac14$ ,一行到位。
|
||||
|
||||
> **关联** · 盘点 [§14.4 条件分布与重期望](01-知识点盘点.md#user-content-144-条件分布与重期望) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 14.5:乘积型与相关性(★★★)
|
||||
|
||||
> 【2018·22、2019·22 骨架】设 $X$ 与 $Y$ 相互独立,$P\{X=1\}=P\{X=-1\}=\frac12$ ,$Y$ 服从参数为 $2$ 的泊松分布。令 $Z=XY$ 。
|
||||
>
|
||||
> (Ⅰ)求 $\operatorname{Cov}(X,Z)$ ;(Ⅱ)求 $Z$ 的分布律;(Ⅲ)问 $X$ 与 $Z$ 是否相互独立。
|
||||
|
||||
**怎么想**:别展开 $\operatorname{Cov}$ 的四项。$X=\pm1$ 时 $X^2=1$ ,于是 $XZ=X^2Y=Y$ ,故 $E(XZ)=EY=2$ ;又 $EX=0$ ,得 $\operatorname{Cov}(X,Z)=2$ 。(Ⅱ)$Z$ 的正负完全由 $X$ 的符号决定,$Z=0$ 只在 $Y=0$ 时出现。
|
||||
|
||||
**解**:(Ⅰ)
|
||||
|
||||
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=EY-0=2 .$$
|
||||
|
||||
(Ⅱ)$Y\ge0$ ,故 $Z=0\iff Y=0$ ,$P\{Z=0\}=e^{-2}$ 。对 $k\ge1$ :
|
||||
|
||||
$$P\{Z=k\}=P\{X=1,Y=k\}=\frac12\cdot\frac{2^k}{k!}e^{-2},\qquad P\{Z=-k\}=P\{X=-1,Y=k\}=\frac12\cdot\frac{2^k}{k!}e^{-2} .$$
|
||||
|
||||
归一性:$e^{-2}+2\sum_{k\ge1}\frac12\frac{2^k}{k!}e^{-2}=e^{-2}+\left(1-e^{-2}\right)=1$ ✓。
|
||||
|
||||
(Ⅲ)**不独立**。取 $Z=2$ :
|
||||
|
||||
$$P\{X=1,Z=2\}=P\{X=1,Y=2\}=\frac12\cdot2e^{-2}=e^{-2},$$
|
||||
|
||||
$$P\{X=1\}\cdot P\{Z=2\}=\frac12\cdot\frac12\cdot2e^{-2}=\frac12e^{-2}\ne e^{-2} .$$
|
||||
|
||||
**验算**:$EZ=0$ (正负对称)✓,与(Ⅰ)的 $\operatorname{Cov}=E(XZ)$ 一致;$E(Z^2)=E(X^2Y^2)=EY^2=2+4=6$ ,与 $DZ=EZ^2-(EZ)^2=6$ 相符。
|
||||
|
||||
**带走结论**:**乘积型的第一反应是"$X$ 只改符号、不改大小"**。$X=\pm1$ 时所有 $X^2$ 都退成 $1$ ,而 $\operatorname{Cov}(X,XY)=E(X^2Y)-EX\cdot E(XY)$ 的第二项因 $EX=0$ 直接消失——$\operatorname{Cov}=\lambda$ 不是巧合。
|
||||
|
||||
> **关联** · 盘点 [§14.5 协方差与相关系数](01-知识点盘点.md#user-content-145-协方差与相关系数) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 14.6:复合分布与泊松稀疏(★★★)
|
||||
|
||||
> 【2025·22 骨架】设损失额 $X$ 的概率密度为 $f(x)=\frac{2}{(1+x)^3}\ (x>0)$ ,其余为 $0$ 。赔付额
|
||||
>
|
||||
> $$Y=\begin{cases}0,&X\le1\\ X-1,&X>1\end{cases}$$
|
||||
>
|
||||
> (Ⅰ)求 $P\{Y>0\}$ 与 $EY$ ;(Ⅱ)一年内损失次数 $N\sim P(4)$ ,在 $N=n$ 的条件下理赔次数 $M\sim B(n,p)$ ($p=P\{Y>0\}$ ),求 $M$ 的分布律与 $EM$ 。
|
||||
|
||||
**怎么想**:$Y>0\iff X>1$ ,一个积分;$EY$ 是 $(x-1)$ 乘密度在 $(1,+\infty)$ 上积分,令 $t=1+x$ 后变成两个幂函数。第二问是**两级随机**:先得 $p$ ,再认"泊松稀疏"直接写 $M\sim P(4p)$ 。
|
||||
|
||||
**解**:(Ⅰ)
|
||||
|
||||
$$p=P\{Y>0\}=\int_1^{+\infty}\frac{2}{(1+x)^3}dx=\left[-\frac{1}{(1+x)^2}\right]_1^{+\infty}=\frac14 .$$
|
||||
|
||||
$$EY=\int_1^{+\infty}\frac{2(x-1)}{(1+x)^3}dx\ \overset{t=1+x}{=}\ 2\int_2^{+\infty}\frac{t-2}{t^3}dt=2\left(\frac12-\frac14\right)=\frac12 .$$
|
||||
|
||||
(Ⅱ)$\lambda=4$ 、$p=\frac14$ ,由泊松稀疏:
|
||||
|
||||
$$M\sim P(1),\qquad P\{M=k\}=\frac{1}{k!}e^{-1}\ (k=0,1,2,\dots),\qquad EM=4p=1 .$$
|
||||
|
||||
**验算**:$\int_0^{+\infty}\frac{2}{(1+x)^3}dx=1$ ✓;$P\{X>1\}=\frac14$ 与 $F(1)=1-\frac14=\frac34$ 一致 ✓。又 $E[Y\mid Y>0]=\frac{EY}{p}=2$ ,即"一旦出险平均赔 2",量级合理。
|
||||
|
||||
**带走结论**:**"次数乘次数"的题,第二级若是二项就套泊松稀疏**:$M\sim P(\lambda p)$ ,$\lambda$ 直接乘 $p$ ,$E$ 与 $D$ 都是 $\lambda p$ 。这类题的分全在(Ⅰ)的两个积分上,(Ⅱ)是一行结论——只在题目要求"证明"时才展开那个和式。
|
||||
|
||||
> **关联** · 盘点 [§14.6 复合分布与泊松稀疏](01-知识点盘点.md#user-content-146-复合分布与泊松稀疏) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
|
||||
|
||||
---
|
||||
|
||||
### 题 7 · 14.7:商的分布与折叠(★★☆)
|
||||
|
||||
> 【2021·22 骨架】在区间 $(0,1)$ 上随机取一点,把区间分成两段,较短一段的长度记为 $X$ 、较长一段记为 $Y$ ,令 $Z=\frac YX$ 。
|
||||
>
|
||||
> (Ⅰ)求 $X$ 的概率密度;(Ⅱ)求 $Z$ 的概率密度;(Ⅲ)求 $E\left(\frac XY\right)$ 。
|
||||
|
||||
**怎么想**:设取点 $U\sim U(0,1)$ ,则 $X=\min(U,1-U)$ ——这是一次**折叠**,先用分布函数求密度。$Z=\frac{1-X}{X}=\frac1X-1$ 是 $X$ 的减函数,"$Z\le z$ "可直接翻译成"$X\ge\frac{1}{1+z}$ "。
|
||||
|
||||
**解**:(Ⅰ)$0<x\le\frac12$ 时
|
||||
|
||||
$$F_X(x)=P\{X\le x\}=P\{U\le x\}+P\{U\ge1-x\}=2x,$$
|
||||
|
||||
故
|
||||
|
||||
$$f_X(x)=2,\quad 0<x<\frac12;\ \text{其余为 }0 .$$
|
||||
|
||||
(Ⅱ)$z\ge1$ 时
|
||||
|
||||
$$F_Z(z)=P\left\{X\ge\frac{1}{1+z}\right\}=1-2\cdot\frac{1}{1+z}=\frac{z-1}{z+1},$$
|
||||
|
||||
$$f_Z(z)=F_Z'(z)=\frac{2}{(1+z)^2},\quad z>1;\ \text{其余为 }0 .$$
|
||||
|
||||
(Ⅲ)
|
||||
|
||||
$$E\left(\frac XY\right)=\int_0^{1/2}\frac{2x}{1-x}dx=2\left[-\ln(1-x)-x\right]_0^{1/2}=2\ln2-1\approx0.386 .$$
|
||||
|
||||
**验算**:$\int_1^{+\infty}\frac{2}{(1+z)^2}dz=2\cdot\frac12=1$ ✓;$Z>1$ 与"长段大于短段"一致 ✓;$0<\frac XY<1$ 而 $2\ln2-1\approx0.386\in(0,1)$ ✓。
|
||||
|
||||
**带走结论**:**商的题"先 $F$ 后 $f$ "**:$Z\le z$ 是半平面,与支撑求交只动一个上限;硬凑 $f_Z=\int|x|f(x,xz)dx$ 容易漏绝对值与分段。折叠型 $\min(U,1-U)$ 先算 $F$ 得到均匀密度,是全套的入口。
|
||||
|
||||
> **关联** · 盘点 [§14.7 商的分布](01-知识点盘点.md#user-content-147-商的分布) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
|
||||
|
||||
---
|
||||
|
||||
@@ -13,7 +13,7 @@ tags: [数学一, 大题十年考点, 概率论与数理统计, 参数估计,
|
||||
|
||||
**组织原则**:概率大题的另一个来源(7 题 79 分)。老卷固定在解 23,新卷与点 14 轮换。3 题覆盖三种问法:**矩估计 $+$ MLE**、**无偏性与均方误差**、**次序统计量(最大/最小)**。
|
||||
|
||||
## 知识点 15.1 矩估计与极大似然(出处:参考仓库未收录,转引 [概率论-第6讲](../概率论-第6讲-数理统计/01-考点手册.md))
|
||||
## 知识点 15.1 矩估计与极大似然(出处:[概率论-第6讲 点4 矩估计](../概率论-第6讲-数理统计/05-点4-矩估计.md) 与 [点5 最大似然](../概率论-第6讲-数理统计/06-点5-最大似然估计.md))
|
||||
|
||||
**矩估计**:令"样本均值 $=$ 总体均值",解出参数。
|
||||
|
||||
@@ -28,7 +28,7 @@ $$\frac{d\ln L}{d\theta}=0\ \Longrightarrow\ \hat\theta_{\text{MLE}} .$$
|
||||
1. 当 $L$ 关于 $\theta$ **单调**(如总体是 $U(0,\theta)$ 、$f=e^{-(x-\theta)}$ )时,导数不为零,MLE 落在**参数的边界**上,由"所有 $x_i$ 都必须落在支撑内"给出,答案形如 $\hat\theta=\max X_i$ 或 $\min X_i$ ;
|
||||
2. 含指示函数的密度**不能直接求导**,必须先写清支撑条件。
|
||||
|
||||
## 知识点 15.2 无偏性与均方误差(出处:[概率论-第6讲 · 点 3](../概率论-第6讲-数理统计/01-考点手册.md))
|
||||
## 知识点 15.2 无偏性与均方误差(出处:[概率论-第6讲 · 点6 估计量的评价标准](../概率论-第6讲-数理统计/07-点6-估计量的评价标准.md))
|
||||
|
||||
$$\text{无偏}:\ E(\hat\theta)=\theta;\qquad \operatorname{MSE}(\hat\theta)=E\left(\hat\theta-\theta\right)^2=D(\hat\theta)+\left[E(\hat\theta)-\theta\right]^2 .$$
|
||||
|
||||
@@ -36,7 +36,7 @@ $$\text{无偏}:\ E(\hat\theta)=\theta;\qquad \operatorname{MSE}(\hat\theta)=E\l
|
||||
|
||||
**修正为无偏**:若 $E(\hat\theta)=c\theta$ ($c$ 为常数),则 $\frac{1}{c}\hat\theta$ 无偏。
|
||||
|
||||
## 知识点 15.3 次序统计量(出处:[概率论-第6讲 · 点 6](../概率论-第6讲-数理统计/01-考点手册.md))
|
||||
## 知识点 15.3 次序统计量(出处:[概率论-第6讲 · 点1 总体样本与统计量](../概率论-第6讲-数理统计/02-点1-总体样本与统计量.md))
|
||||
|
||||
设 $X_1,\dots,X_n$ iid,分布函数 $F$ ,密度 $f$ 。
|
||||
|
||||
|
||||
@@ -144,11 +144,15 @@ $$\int_{-\pi/2}^{\pi/2}\cos^4=\frac{3\pi}{8},\quad \int_0^1x(1-x)dx=\frac16,\qua
|
||||
|
||||
## 十四 概率多维:两条主线
|
||||
|
||||
<!-- KP: 14.1, 14.2, 14.3 -->
|
||||
<!-- KP: 14.1, 14.2, 14.3, 14.4, 14.5, 14.6, 14.7 -->
|
||||
|
||||
- 均匀分布:面积倒数 $\to$ 固定一个变量积另一个 $\to$ 判独立看**支撑是否矩形**。
|
||||
- 卷积分段点来自"被积区间端点切换"。
|
||||
- 离散 $+$ 连续:$f_Y=\sum_kP\{X=x_k\}f_{Y\mid k}$ ;贝叶斯分母单独算。
|
||||
- 给条件密度:**先乘出联合密度**,乘出常数就是区域均匀;协方差走 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 一行。
|
||||
- 协方差**不展开四项**:$X=\pm1$ 时 $XZ=X^2Y=Y$ ,于是 $\operatorname{Cov}(X,XY)=E(X^2Y)$ 。不相关 $\ne$ 独立。
|
||||
- 泊松稀疏:$N\sim P(\lambda)$ 、$M\mid N\sim B(n,p)$ $\Rightarrow$ $M\sim P(\lambda p)$ ,$EM=DM=\lambda p$ 。
|
||||
- 商的题**一律先求 $F$ 再求导**;折叠型 $\min(U,1-U)$ 的密度是常数 $2$ ($0<x<\frac12$ )。
|
||||
|
||||
## 十五 参数估计:两个必背
|
||||
|
||||
@@ -189,6 +193,6 @@ $$\int_{-\pi/2}^{\pi/2}\cos^4=\frac{3\pi}{8},\quad \int_0^1x(1-x)dx=\frac16,\qua
|
||||
| 十一 线代特征值:四步闭环 | [点 11 题 1](12-点11-线代特征值与相似.md#user-content-题-1--111参数由可对角化定)、[点 11 题 2](12-点11-线代特征值与相似.md#user-content-题-2--112三组特征对反求矩阵)、[点 11 题 3](12-点11-线代特征值与相似.md#user-content-题-3--113递推数列转矩阵幂)、[点 11 题 4](12-点11-线代特征值与相似.md#user-content-题-4--114补特征向量加谱分解) |
|
||||
| 十二 二次型:四步与三判 | [点 12 题 1](13-点12-线代二次型.md#user-content-题-1--121正交变换化标准形)、[点 12 题 2](13-点12-线代二次型.md#user-content-题-2--122惯性指数定参数)、[点 12 题 3](13-点12-线代二次型.md#user-content-题-3--123配方法加曲面识别) |
|
||||
| 十三 方程组与向量:三个方向 | [点 13 题 1](14-点13-线代方程组与向量.md#user-content-题-1--131矩阵方程逐列判相容)、[点 13 题 2](14-点13-线代方程组与向量.md#user-content-题-2--132过渡矩阵与坐标)、[点 13 题 3](14-点13-线代方程组与向量.md#user-content-题-3--133列变换对应的矩阵) |
|
||||
| 十四 概率多维:两条主线 | [点 14 题 1](15-点14-概率多维随机变量.md#user-content-题-1--141曲边区域上的均匀分布)、[点 14 题 2](15-点14-概率多维随机变量.md#user-content-题-2--142离散与连续混合的卷积)、[点 14 题 3](15-点14-概率多维随机变量.md#user-content-题-3--143混合型用全概率与贝叶斯) |
|
||||
| 十四 概率多维:两条主线 | [点 14 题 1](15-点14-概率多维随机变量.md#user-content-题-1--141曲边区域上的均匀分布)、[点 14 题 2](15-点14-概率多维随机变量.md#user-content-题-2--142离散与连续混合的卷积)、[点 14 题 3](15-点14-概率多维随机变量.md#user-content-题-3--143混合型用全概率与贝叶斯)、[点 14 题 4](15-点14-概率多维随机变量.md#user-content-题-4--144条件分布算协方差)、[点 14 题 5](15-点14-概率多维随机变量.md#user-content-题-5--145乘积型与相关性)、[点 14 题 6](15-点14-概率多维随机变量.md#user-content-题-6--146复合分布与泊松稀疏)、[点 14 题 7](15-点14-概率多维随机变量.md#user-content-题-7--147商的分布与折叠) |
|
||||
| 十五 参数估计:两个必背 | [点 15 题 1](16-点15-概率参数估计.md#user-content-题-1--151矩估计与极大似然并排)、[点 15 题 2](16-点15-概率参数估计.md#user-content-题-2--152最大值型估计的无偏修正)、[点 15 题 3](16-点15-概率参数估计.md#user-content-题-3--153最小值型估计) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
@@ -0,0 +1,144 @@
|
||||
---
|
||||
tags: [数学一, 大题十年考点, 线性代数, 概率论与数理统计, 十年总结]
|
||||
专题: 大题十年考点 · 附录 线代与概率大题十年总结
|
||||
日期: 2026-11-09
|
||||
状态: 总结(30 题 340 分逐年对照 + 七条规律 + 取舍建议)
|
||||
关联笔记: ["[[README]]", "[[12-点11-线代特征值与相似]]", "[[13-点12-线代二次型]]", "[[14-点13-线代方程组与向量]]", "[[15-点14-概率多维随机变量]]", "[[16-点15-概率参数估计]]"]
|
||||
---
|
||||
|
||||
# 线代与概率大题 · 十年总览(2016—2025)
|
||||
|
||||
> 数据口径:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db`,`question` 表,`question_type = 解答`,`chapter_id` 落在 9—22。共 **30 题 340 分**,线代、概率各 **15 题 170 分**。
|
||||
|
||||
这份文件的定位:`12`—`16` 那五份是**练**(每点配 3—4 题,动手做),这份是**看**——把 30 题摊在一张桌上,回答四个问题:考在哪一题位、分值多少、高频到第几次、如果只剩三天该放弃什么。
|
||||
|
||||
## 一、先看卷面:2021 年切了一刀
|
||||
|
||||
同一道题的分值没变多少,但**在解答题里的比重变了**:
|
||||
|
||||
| 年份 | 解答题结构 | 线代 | 概率 | 高数 |
|
||||
|---|---|---|---|---|
|
||||
| 2016—2020 | 9 题 94 分(15—19 高数、20—21 线代、22—23 概率) | 2 题 **22 分**(23.4%) | 2 题 **22 分**(23.4%) | 50 分(53.2%) |
|
||||
| 2021—2025 | 6 题 70 分(17 高数 10 分、18—20 高数各 12、21 线代、22 概率) | 1 题 **12 分**(17.1%) | 1 题 **12 分**(17.1%) | 46 分(65.7%) |
|
||||
|
||||
两件事同时发生:
|
||||
|
||||
1. **题数腰斩**:线代概率从"各两题"变成"各一题",意味着**没有第二次机会**——一道题做不出,该科解答题直接 0 分。
|
||||
2. **单题分上涨**:11 分 → 12 分,而卷面总分没变,涨的分来自高数占比提高。
|
||||
|
||||
> **这条直接决定策略**:2021 年后的卷子里,线代和概率的解答题是"**一锤子买卖**"。它们的性价比不再是"分值 ÷ 时间",而是"**12 分 ÷ 出错概率**"。所以这两科的目标不是"做难题拿高分",而是"**把 12 分变成必得**"——近五年这 10 题的解法全在四个模板里,没有一道需要灵感。
|
||||
|
||||
## 二、线性代数:15 题里 12 题落在两个动作上
|
||||
|
||||
### 逐年对照
|
||||
|
||||
> 起手式 = 看到题干第一句该做什么;落点 = 最后必须交出什么。
|
||||
|
||||
| 年份·题位 | 分值 | 考什么 | 起手式 | 落点 | 详讲 |
|
||||
|---|---|---|---|---|---|
|
||||
| 2016·20 | 11 | $AX=B$ 何时无解、唯一、无穷多 | 写成增广矩阵,用 $\lvert A\rvert=0$ 解出 $a$ 的两个值 | 三种情形分别给通解(含特解 + 齐次基础解系) | [点13](14-点13-线代方程组与向量.md) |
|
||||
| 2016·21 | 11 | 求 $A^{99}$ 与 $B^{100}$ 的列表示 | 先算 $A^2$ 看是否幂零,或对 $A$ 求特征值做对角化 | $B^2=BA\Rightarrow B^n=BA^{n-1}$ ,故 $B^{100}=BA^{99}$ ,用第一问的 $A^{99}$ 拼 | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2017·20 | 11 | 三个不同特征值 + 列相关,证 $r(A)=2$ 、解 $Ax=\beta$ | 由 $\alpha_3=\alpha_1+2\alpha_2$ 立刻得 $\lvert A\rvert=0$ ,故 $0$ 是特征值 | 单根推出 $r(A)=3-1=2$ ;再由 $\beta=A(1,1,1)^{\mathrm T}$ 写通解 | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2017·21 | 11 | 正交变换下标准形**缺一项**,反求 $a$ 与 $Q$ | 标准形只有 $\lambda_1y_1^2+\lambda_2y_2^2$ $\Rightarrow$ 第三个特征值为 $0$ $\Rightarrow\lvert A\rvert=0$ | 解 $a$ ,再顺序:特征值→特征向量→施密特→单位化 | [点12](13-点12-线代二次型.md) |
|
||||
| 2018·20 | 11 | 平方和型二次型,求 $f=0$ 的解与规范形 | $f$ 是三个实平方之和 $\Rightarrow f=0$ 等价于三个括号全为 $0$ | 解三元方程组;规范形只看正负惯性指数 | [点12](13-点12-线代二次型.md) |
|
||||
| 2018·21 | 11 | $A$ 经初等列变换化为 $B$ ,求 $a$ 与可逆 $P$ | 列变换 $=$ 右乘可逆阵 $\Rightarrow A$ 与 $B$ **列等价**,秩必相同 | $r(A)=r(B)$ 定 $a$ ;$P=A^{-1}B$ ,再验 $P$ 可逆 | [点13](14-点13-线代方程组与向量.md) |
|
||||
| 2019·20 | 11 | 基与坐标、过渡矩阵 | $\beta$ 在基下坐标为 $(b,c,1)^{\mathrm T}$ $\Rightarrow$ 直接解 $(\alpha_1,\alpha_2,\alpha_3)(b,c,1)^{\mathrm T}=\beta$ | 解出 $a,b,c$ ;过渡矩阵按定义逐列求像的坐标 | [点13](14-点13-线代方程组与向量.md) |
|
||||
| 2019·21 | 11 | $A$ 与 $B$ 相似,求 $x,y$ 与 $P^{-1}AP=B$ | 相似 $\Rightarrow$ **迹与行列式都相等**,两个方程解 $x,y$ | 求 $A$ 的特征向量拼 $P$ ,按 $B$ 的列顺序排 | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2020·20 | 11 | 二次型经正交变换化为另一二次型 | $f$ 与 $g$ 正交相似 $\Rightarrow$ 特征值相同 $\Rightarrow$ 比迹与行列式 | 解 $a,b$ ($a\ge b$ 定序);$Q$ 由特征向量单位化 | [点12](13-点12-线代二次型.md) |
|
||||
| 2020·21 | 11 | $P=(\alpha,A\alpha)$ 可逆性、$A$ 能否对角化 | 若 $\alpha,A\alpha$ 线性相关则 $\alpha$ 是特征向量,与题设矛盾 | 由 $A^2\alpha+A\alpha-6\alpha=0$ 得 $AP=P\begin{pmatrix}0&6\\1&-1\end{pmatrix}$ ,再看可对角化 | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2021·21 | 12 | 正交对角化 + 正定矩阵开方 | 求 $A$ 的特征值(含参 $a$ ,注意重根情形) | $P$ 正交单位化;$C^2=(a+3)E-A$ 用**特征值开根号**构造 $C=Q\Lambda^{1/2}Q^{\mathrm T}$ | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2022·21 | 12 | $\sum ij\,x_ix_j$ 的矩阵、正交变换、曲面 | 矩阵 $A=(ij)$ 是**秩 1** 矩阵(列成比例) | 特征值 $0,0,\operatorname{tr}A$ ;标准形定正负惯性指数判曲面 | [点12](13-点12-线代二次型.md) |
|
||||
| 2023·21 | 12 | 可逆变换化 $f$ 为 $g$ ;是否存在正交变换 | "可逆变换"用**配方法**即可,不必求特征值 | 配出 $g$ 的系数;正交变换的判据是**特征值是否相同** | [点12](13-点12-线代二次型.md) |
|
||||
| 2024·21 | 12 | 三个数列递推,求通项 | 写成 $\boldsymbol u_n=M\boldsymbol u_{n-1}$ ,问题变成求 $M^n$ | 对 $M$ 求特征值/对角化,或算 $M^2,M^3$ 找规律 | [点11](12-点11-线代特征值与相似.md) |
|
||||
| 2025·21 | 12 | $1$ 是特征多项式重根求 $a$ ;$A\alpha=\alpha+\beta$ 求 $\alpha,\beta$ | "重根" $\Rightarrow$ $\lvert A-E\rvert=0$ 且导数值也为 $0$ (或验证代数重数) | 解 $a$ ;把条件改写成 $(A-E)\alpha=\beta$ ,用秩与通解求非零解 | [点11](12-点11-线代特征值与相似.md) |
|
||||
|
||||
### 三条硬统计
|
||||
|
||||
| 考点族 | 题数 | 占比 | 十年分布 |
|
||||
|---|---|---|---|
|
||||
| **特征值与相似**(含矩阵幂、递推) | **7** | 46.7% | 2016·21、2017·20、2019·21、2020·21、2021·21、2024·21、2025·21 |
|
||||
| **二次型**(正交/可逆变换、规范形、曲面) | **5** | 33.3% | 2017·21、2018·20、2020·20、2022·21、2023·21 |
|
||||
| 方程组与向量(矩阵方程、基、初等变换) | 3 | 20.0% | 2016·20、2018·21、2019·20 |
|
||||
|
||||
**12/15 落在前两族**,而这两族其实是同一件事的两面:**都是"找一组基,把矩阵变成对角"**。特征值题问"能不能对角化、$P$ 是什么",二次型题问"化完长什么样、惯性指数是多少"。
|
||||
|
||||
### 四条可复用的规律
|
||||
|
||||
1. **第一问几乎总是"求参数"**(15 题里 11 题)。参数靠三个条件之一求出:$\lvert A\rvert=0$ (有零特征值/不可逆)、迹与行列式相等(相似)、秩相等(列等价)。**参数错则第二问全错**,所以解完必须代回验证原始条件。
|
||||
2. **"缺项"就是信息**:标准形只写到 $\lambda_1y_1^2+\lambda_2y_2^2$ ,说明第三个特征值是 $0$ ;"二次型在正交变换下为 $g$ 且 $f=g$ 形式不同",说明两者特征值相同但顺序可换。
|
||||
3. **可逆变换 vs 正交变换要分清**(2023·21 直接考了这个区分):问"可逆 $P$ "用**配方法**,问"正交 $Q$ "才需要特征值与施密特;两者的标准形可以不同,只有**规范形(惯性指数)** 必然相同。
|
||||
4. **矩阵幂题都是"先对角化,再乘"**:$A^{99}=P\Lambda^{99}P^{-1}$ ,或发现 $A$ 幂零。2016·21 的 $B^{100}=BA^{98}$ 是同一思路的变体——把陌生矩阵往已知矩阵上靠。
|
||||
|
||||
## 三、概率论:15 题只有两族,各占一半
|
||||
|
||||
### 逐年对照
|
||||
|
||||
| 年份·题位 | 分值 | 考什么 | 起手式 | 落点 | 详讲 |
|
||||
|---|---|---|---|---|---|
|
||||
| 2016·22 | 11 | 区域上的二维均匀 + 指示变量 + 独立性 | 先算 $D$ 的面积(本题为 $\frac13$ ,故 $f=3$ ),务必验积分为 1 | 独立性用 $P(U=1\mid X=x)$ 是否为常数判;$F_Z$ 按 $U=0/1$ 分两支 | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2016·23 | 11 | 次序统计量 $T=\max$ 的密度与无偏修正 | $F_T(z)=[F(z)]^3$ ,求导得 $f_T$ | $ET=\frac{3n}{3n+1}\theta$ 类,取 $a=\frac{3n+1}{3n}$ 使 $aT$ 无偏 | [点15](16-点15-概率参数估计.md) |
|
||||
| 2017·22 | 11 | 离散 + 连续混合,求 $Z=X+Y$ 密度 | 全概率:$f_Z(z)=\frac12f_Y(z)+\frac12f_Y(z-2)$ | 分段写清 $0<z<1$ 、$1<z<2$ 、$2<z<3$ | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2017·23 | 11 | 半正态 $Z=\lvert X-\mu\rvert$ 的密度 + 矩估计 + MLE | 先求 $Z$ 的密度(对称性用一半),再 $EZ=\sigma\sqrt{2/\pi}$ | 矩估计 $\hat\sigma=\sqrt{\pi/2}\cdot\bar Z$ ;MLE 对 $\ln L$ 求导 | [点15](16-点15-概率参数估计.md) |
|
||||
| 2018·22 | 11 | $Z=XY$ ($X$ 对称离散、$Y$ 泊松)的协方差 | 用条件期望:$E(Z\mid X)=X\,EY$ | $\operatorname{Cov}(X,Z)=E(X^2)EY-EX\cdot E(X)EY$ ;再列 $Z$ 的分布律 | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2018·23 | 11 | 拉普拉斯密度 MLE + 无偏性 | 写出 $\ln L=-n\ln2\sigma-\frac{1}{\sigma}\sum\lvert x_i\rvert$ | $\hat\sigma=\frac1n\sum\lvert x_i\rvert$ ,再算 $E\hat\sigma$ 判无偏 | [点15](16-点15-概率参数估计.md) |
|
||||
| 2019·22 | 11 | $Z=XY$ ($X$ 指数、$Y=\pm1$ )的密度、不相关、独立性 | $Z$ 的取值是 $\pm X$ ,先写 $F_Z$ 或直接拼密度 | $f_Z(z)=pf_X(-z)+(1-p)f_X(z)$ 类;不相关但不独立是标准反例 | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2019·23 | 11 | 截断正态的常数 $A$ 与 MLE | 先由 $\int_\mu^\infty f=1$ 定 $A=\sqrt{2/\pi}$ | 再写似然求 $\hat\sigma$ ,注意支撑 $x\ge\mu$ | [点15](16-点15-概率参数估计.md) |
|
||||
| 2020·22 | 11 | 混合正态:$Y=X_3X_1+(1-X_3)X_2$ | 按 $X_3=0/1$ 用全概率拆成两支 | 证 $Y\sim N(0,1)$ 用 $F_Y(y)=\frac12\Phi(y)+\frac12\Phi(y)$ | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2020·23 | 11 | 威布尔分布的条件概率 + MLE | $P(T>t)=1-F(t)$ 直接写;条件概率用 $P(T>s+t)/P(T>s)$ | $m$ 已知时 $\hat\theta=\left(\frac1n\sum t_i^m\right)^{1/m}$ | [点15](16-点15-概率参数估计.md) |
|
||||
| 2021·22 | 12 | 几何概率分两段、$Z=Y/X$ | 先定 $X=\min(U,2-U)\sim U(0,1)$ ,密度立刻是 $1$ | $Z=\frac{2-X}{X}$ 用分布函数法:$F_Z(z)=P\{X\ge\frac{2}{1+z}\}$ | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2022·22 | 12 | 双泊松样本 MLE + $D(\hat\theta)$ | 联合似然 $(\theta^{\sum x}\mathrm e^{-n\theta})(2\theta)^{\sum y}\mathrm e^{-2m\theta}$ | $\hat\theta=\frac{\sum x+\sum y}{n+2m}$ ,再算方差 $\frac{(n+4m)\theta}{(n+2m)^2}$ | [点15](16-点15-概率参数估计.md) |
|
||||
| 2023·22 | 12 | 圆盘密度 $\frac2\pi(x^2+y^2)$ :协方差、独立性、函数分布 | 极坐标或对称性先判 $\operatorname{Cov}=0$ | 不独立要**举反例**($f\ne f_Xf_Y$ );函数分布用分布函数法 | [点14](15-点14-概率多维随机变量.md) |
|
||||
| 2024·22 | 12 | $U(0,\theta)$ 的 $cX_{(n)}$ :无偏 + MSE 最优 | $X_{(n)}$ 的密度是 $\frac{nx^{n-1}}{\theta^n}$ | $c=\frac{n+1}{n}$ 无偏;$c^*=\frac{n+2}{n+1}$ 使 MSE 最小 | [点15](16-点15-概率参数估计.md) |
|
||||
| 2025·22 | 12 | 分段赔付额 $Y=(X-100)^+$ + 随机和 $N$ | 先 $P(Y>0)=P(X>100)$ ,再 $EY=\int_{100}^{\infty}(x-100)f$ | 随机和用 $E\sum=EN\cdot EY$ 、$D\sum=EN\cdot DY+DN\cdot(EY)^2$ | [点14](15-点14-概率多维随机变量.md) |
|
||||
|
||||
### 三条硬统计
|
||||
|
||||
| 考点族 | 题数 | 占比 | 十年分布 |
|
||||
|---|---|---|---|
|
||||
| **多维随机变量**(函数分布、协方差、独立性) | **8** | 53.3% | 2016·22、2017·22、2018·22、2019·22、2020·22、2021·22、2023·22、2025·22 |
|
||||
| **参数估计**(MLE、矩估计、无偏) | **7** | 46.7% | 2016·23、2017·23、2018·23、2019·23、2020·23、2022·22、2024·22 |
|
||||
| 其余章节(ch15、16、18、19、20、22) | **0** | 0% | 一次都没考 |
|
||||
|
||||
**十年零例外**:概率解答题只在 ch17(多维)与 ch21(数理统计)之间轮换。概率的大数定律(ch19)、数字特征(ch18)、随机事件(ch15)**只出现在选填**。
|
||||
|
||||
### 五条可复用的规律
|
||||
|
||||
1. **ch17 的核心永远是"函数的分布"**,8 题里 6 题最后都要求 $Z=g(X,Y)$ 的密度或分布函数。协方差、独立性只是顺带的第二问。
|
||||
2. **"离散 × 连续"混合出现 4 次**(2017、2018、2019、2020),是最高频形态。通用解法就一句:**按离散变量的取值用全概率拆开**,$f_Z(z)=\sum_k p_k\,f_{Y\mid X=x_k}$ 或 $F_Z(z)=\sum_k p_k F_{\cdot\mid k}(z)$ 。
|
||||
3. **MLE 六年考了五次**(2017、2018、2019、2020、2022),且年年都要"**先对 $\ln L$ 求导、再解方程**"。真正的区分点不在求导,而在**支撑集含参数**的处理(2016·23、2019·23、2024·22 都是这类)。
|
||||
4. **次序统计量两次**(2016·23 的 $\max$ 、2024·22 的 $X_{(n)}$ ),套路固定:$F_{\max}=F^n$ → 密度 → 期望 → 定无偏系数。
|
||||
5. **"不相关但不独立"十年考了两次**(2019·22、2023·22),都是"先算 $\operatorname{Cov}=0$ 、再举反例证明不独立"。反例的通用做法是**取一个事件,比较 $P\{X\le x,Y\le y\}$ 与 $F_XF_Y$ 是否相等**。
|
||||
|
||||
## 四、两科的四个模板(背下来就能动笔)
|
||||
|
||||
| 模板 | 适用信号 | 固定步骤 |
|
||||
|---|---|---|
|
||||
| **含参相似/二次型** | "相似""正交变换下标准形为…""有重根" | ① 迹相等 ② 行列式相等(或 $\lvert A-\lambda E\rvert=0$ )→ 解参数 → 代回验 → 求特征值 → 特征向量 → 施密特 + 单位化 → 拼 $P$ |
|
||||
| **矩阵幂 / 递推** | $A^{99}$ 、数列递推、$B^{100}$ | ① 写成矩阵递推 $\boldsymbol u_n=M\boldsymbol u_{n-1}$ ② 求 $M$ 的特征值 ③ 对角化或找 $M^2,M^3$ 规律 ④ 代初始值 |
|
||||
| **随机变量函数分布** | "求 $Z=g(X,Y)$ 的密度/分布函数" | ① 定 $(X,Y)$ 的联合密度(先验归一化)② 分离散/连续:离散用全概率、连续用分布函数法或雅可比 ③ 写清分段区间 ④ 验积分为 1 |
|
||||
| **MLE / 矩估计** | "求最大似然估计""利用一阶矩" | ① 写似然(**注意支撑集**)② 取 $\ln$ ③ 求导置零 ④ 检查导数是否恒正/恒负(边界解)⑤ 求期望方差判无偏 |
|
||||
|
||||
## 五、如果只剩三天
|
||||
|
||||
按"12 分必得"的目标排优先级,**不按分值排,按出错概率排**:
|
||||
|
||||
| 优先级 | 内容 | 理由 | 时间 |
|
||||
|---|---|---|---|
|
||||
| ★★★ | 线代:含参求参数 + 正交对角化 + 二次型化标准形 | 12/15 落在这里,且步骤完全固定,练 6 题就能稳 | 1 天 |
|
||||
| ★★★ | 概率:混合型函数分布 + MLE 求导 | 高频形态各占一半,模板化最彻底 | 1 天 |
|
||||
| ★★☆ | 线代:矩阵幂/递推 | 2016、2024 考过,思路单一但算量大 | 半天 |
|
||||
| ★★☆ | 概率:次序统计量与无偏修正 | 2016、2024 考过,公式只有一组 | 半天 |
|
||||
| ★☆☆ | 概率:随机和($E\sum$ 、$D\sum$ ) | 只在 2025 出现一次,但一旦考就是 12 分的第二问,值得记公式 | 半小时 |
|
||||
| 可放弃 | 向量空间的基与过渡矩阵 | 十年只考 1 次(2019·20),且 2021 后题位被压缩,几乎不会再出 | — |
|
||||
| 可放弃 | 概率的假设检验(ch22) | 十年解答题 0 次,只在选填出现 | — |
|
||||
|
||||
## 六、接口
|
||||
|
||||
- **练题**:`12`—`16` 五份点文件,共 16 题(线代 10、概率 6),每点 3—4 题正好覆盖上表的模板。
|
||||
- **知识**:线代 → [第5讲 特征值](../线性代数-第5讲-特征值与特征向量/README.md)、[第6讲 二次型](../线性代数-第6讲-二次型/README.md)、[第4讲 方程组](../线性代数-第4讲-线性方程组/README.md)、[第3讲 向量](../线性代数-第3讲-向量/README.md);概率 → [第3讲 多维](../概率论-第3讲-多维随机变量及其分布/README.md)、[第6讲 数理统计](../概率论-第6讲-数理统计/README.md)。
|
||||
- **速查**:[17-速查卡](17-速查卡.md) 的第十一、十二、十四、十五组对应本文第二、三节。
|
||||
- **选填对照**:本表只统计解答题。选填里线代与概率的分布完全不同(概率的 ch15、18、19 全在选填),需要看选填规律时另查 `01b-覆盖对照与接口.md` §二。
|
||||
|
||||
## 七、一句话结论
|
||||
|
||||
**线代与概率的大题,十年的变化只有"从两题变一题",考法本身几乎没动**:线代 12/15 是"找基对角化",概率 8/15 是"求函数分布"、7/15 是"MLE"。这四类题的解法各自不超过五步,**练到能默写步骤,12 分就是送的**;反过来,任何一道卡住都是 12 分全丢,没有第二题兜底。
|
||||
@@ -2,7 +2,7 @@
|
||||
tags: [数学一, 大题十年考点, README, 高等数学, 线性代数, 概率论与数理统计]
|
||||
专题: 大题十年考点 · 三科解答题(2016—2025)
|
||||
日期: 2026-11-01
|
||||
状态: 十五个考点族 + 64 题 + 速查卡
|
||||
状态: 十五个考点族 + 64 题 + 速查卡 + 线代概率十年总览(附录)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[01b-覆盖对照与接口]]", "[[17-速查卡]]"]
|
||||
---
|
||||
|
||||
@@ -48,9 +48,12 @@ tags: [数学一, 大题十年考点, README, 高等数学, 线性代数, 概率
|
||||
| `14-点13-线代方程组与向量.md` | 矩阵方程、过渡矩阵、初等变换 | 2016·20、2018·21、2019·20 | 3 |
|
||||
| `15-点14-概率多维随机变量.md` | 二维均匀、卷积、混合型 | 2016·22、2017·22、2018·22、2019·22、2020·22、2021·22、2023·22、2025·22 | 3 |
|
||||
| `16-点15-概率参数估计.md` | 矩估计与 MLE、无偏与 MSE、次序统计量 | 2016·23、2017·23、2018·23、2019·23、2020·23、2022·22、2024·22 | 3 |
|
||||
| `18-线代与概率大题十年总结.md` | **附录**:30 题逐年对照、七条规律、四个模板、三天取舍 | 线代 15 题 + 概率 15 题全量 | 0(总览,不配题) |
|
||||
|
||||
合计 **64 题**。难度口径:**核心考点 2—3 题、边缘考点 1—2 题**,所以点 2、4、6、8、9 各配 5—6 题;点 1 属边缘考点,但压缩映射是模拟卷高频形态,补到 6 题;点 10、13、14、15 各配 3 题。
|
||||
|
||||
`18` 是后加的附录,编号排在速查卡之后,**不计入 64 题**:它把 `12`—`16` 覆盖的 30 道真题摊成一张总表,回答"考在哪一题位、分多少、如果只剩三天放弃什么",读法是先看它定优先级,再回点文件动手。
|
||||
|
||||
## 建议的三轮读法
|
||||
|
||||
**第一轮(3 小时)——先补"必考且最容易忘"的三块**:`10` 曲面积分、`09` 曲线积分、`08` 重积分。这三块合计 150 分,占高数大题的三分之一,且公式最集中(格林 / 高斯 / 斯托克斯)。做完自查:能否 30 秒内判出"平面闭曲线用格林、空间闭曲面用高斯、空间闭曲线用斯托克斯"。
|
||||
|
||||
@@ -0,0 +1,354 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 知识点盘点]
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点(七节 + 覆盖对照表),配套 7 个点分册共 27 题
|
||||
关联笔记: ["[[README]]", "[[09-速查卡]]"]
|
||||
---
|
||||
|
||||
# 第3讲 · 多维随机变量及其分布:知识点盘点
|
||||
|
||||
真题库第 17 章。近十年 **11 题 105 分**:**8 道解答题(91 分)+ 3 道选填(14 分)**,**年年一道 11—12 分解答题,从未缺席**。
|
||||
|
||||
这一讲是**概率论分值第二重的一讲**(仅次于数理统计的参数估计)。它的全部内容可以压成一句话:**把一维的"分布函数/密度"升维成二维的,再学会从二维里切出一维来用**。
|
||||
|
||||
**一句话定性**:一维题考"求 $F$ 或 $f$ ";二维题考**三种换算**——**联合 → 边缘**(积分掉一个变量)、**联合 → 条件**(除边缘)、**联合 → 函数**(换元或求 $F$ )。所有大题都是这三种换算的组合。
|
||||
|
||||
## 0 三张表
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 函数分布(分布函数法 + 雅可比) | 2017·22、2019·22、2021·22、2023·22 | **约 46** | `06` |
|
||||
| 2 | 二维连续型与两类特殊分布 | 2016·22、2023·22 | **约 24** | `04` |
|
||||
| 3 | 混合型与全概率 | 2020·22、2025·22 | **约 24** | `08` |
|
||||
| 4 | 四则运算与最值 | 2019·8、2018·22 | **约 15** | `07` |
|
||||
| 5 | 独立性判定 | 2016·22、2022·10 | 嵌在大题里 | `05` |
|
||||
| 6 | 联合分布与边缘分布 | 一切题的起手 | — | `02` |
|
||||
| 7 | 二维离散型 | 选填为主 | 冷门 | `03` |
|
||||
|
||||
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
||||
|
||||
```
|
||||
02 联合分布与边缘分布 ← 定义层:F(x,y) 与三个"边缘"
|
||||
↓
|
||||
03 二维离散型 ← 表格法:联合律 → 边缘律 → 条件律
|
||||
↓
|
||||
04 二维连续型与两类分布 ← 密度法 + 均匀/正态这两个"模板分布"
|
||||
↓
|
||||
05 独立性 ← 判据:可分离 + 支撑矩形
|
||||
↓
|
||||
06 函数分布两条路 ← 分布函数法(通法)/ 雅可比(快法)
|
||||
↓
|
||||
07 四则运算与最值 ← 卷积、商、max/min 的成品公式
|
||||
↓
|
||||
08 混合型与全概率 ← 一个离散一个连续
|
||||
```
|
||||
|
||||
**为什么函数分布排在独立性之后**:独立性决定联合密度能不能拆开,而函数分布的所有积分都要先知道联合密度长什么样。顺序反了会一直在"这个 $f(x,y)$ 到底能不能写成乘积"上卡住。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $F(x,y)=P\{X\le x,\ Y\le y\}$ | 联合分布函数 |
|
||||
| $f(x,y)$ | 联合概率密度(连续型) |
|
||||
| $p_{ij}=P\{X=x_i,Y=y_j\}$ | 联合分布律(离散型) |
|
||||
| $f_X(x),\ f_Y(y)$ | 边缘密度(把另一个变量积掉) |
|
||||
| $f_{Y\mid X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)}$ | 条件密度(**一族**密度,随 $x$ 变) |
|
||||
| $D$ 或 $\operatorname{supp}$ | 支撑集 = 密度非零的区域,**求一切积分前先画它** |
|
||||
| $J=\dfrac{\partial(u,v)}{\partial(x,y)}$ | 雅可比行列式,换元时乘 $\lvert J\rvert$ |
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 联合分布函数 | [点 1 题 1](02-点1-联合分布与边缘分布.md#user-content-题-1--11联合分布函数的四条性质)、[点 1 题 2](02-点1-联合分布与边缘分布.md#user-content-题-2--11由分布函数算矩形概率) |
|
||||
| §1.2 边缘分布函数 | [点 1 题 3](02-点1-联合分布与边缘分布.md#user-content-题-3--12由联合密度求边缘与区域概率) |
|
||||
| §1.3 条件分布函数 | [点 1 题 4](02-点1-联合分布与边缘分布.md#user-content-题-4--13条件密度是一族密度) |
|
||||
| §2.1 联合分布律 | [点 2 题 1](03-点2-二维离散型.md#user-content-题-1--21不放回抽样的联合分布律) |
|
||||
| §2.2 独立性判据(离散版) | [点 2 题 2](03-点2-二维离散型.md#user-content-题-2--22由独立性反解未知概率) |
|
||||
| §2.3 三类常见模型 | [点 2 题 3](03-点2-二维离散型.md#user-content-题-3--23泊松分解与条件二项) |
|
||||
| §3.1 联合概率密度 | [点 3 题 1](04-点3-二维连续型与两类分布.md#user-content-题-1--31归一化与区域概率) |
|
||||
| §3.2 边缘密度 | [点 3 题 2](04-点3-二维连续型与两类分布.md#user-content-题-2--32圆域均匀的边缘与矩形判据) |
|
||||
| §3.3 条件密度 | [点 3 题 3](04-点3-二维连续型与两类分布.md#user-content-题-3--33条件密度与族的含义) |
|
||||
| §3.4 二维均匀分布 | [点 3 题 5](04-点3-二维连续型与两类分布.md#user-content-题-5--34矩形支撑才独立) |
|
||||
| §3.5 二维正态分布 | [点 3 题 4](04-点3-二维连续型与两类分布.md#user-content-题-4--35二维正态的六条结论) |
|
||||
| §4.1 三种等价说法 | [点 4 题 1](05-点4-独立性.md#user-content-题-1--41三种说法的一致性) |
|
||||
| §4.2 判据:可分离 + 支撑矩形 | [点 4 题 2](05-点4-独立性.md#user-content-题-2--42可分离却仍不独立) |
|
||||
| §4.3 独立与不相关 | [点 4 题 3](05-点4-独立性.md#user-content-题-3--43不相关但不独立的反例) |
|
||||
| §4.4 独立同分布的可加结论 | [点 4 题 4](05-点4-独立性.md#user-content-题-4--44独立同分布的四条推论) |
|
||||
| §5.1 分布函数法(通法,必掌握) | [点 5 题 1](06-点5-函数分布两条路.md#user-content-题-1--51分布函数法求和的分布)、[点 5 题 2](06-点5-函数分布两条路.md#user-content-题-2--51区域型支撑上的函数分布) |
|
||||
| §5.2 雅可比变换法(快法) | [点 5 题 3](06-点5-函数分布两条路.md#user-content-题-3--52雅可比法与顺带判独立) |
|
||||
| §5.3 三条路怎么选 | [点 5 题 4](06-点5-函数分布两条路.md#user-content-题-4--53四条路的选择) |
|
||||
| §6.1 和的分布(卷积) | [点 6 题 1](07-点6-四则运算与最值.md#user-content-题-1--61不同区间上均匀分布之和) |
|
||||
| §6.2 差、积、商 | [点 6 题 2](07-点6-四则运算与最值.md#user-content-题-2--62差的绝对值与先求-f) |
|
||||
| §6.3 最值 | [点 6 题 3](07-点6-四则运算与最值.md#user-content-题-3--63最值分布与期望) |
|
||||
| §6.4 四种运算的"成品结论" | [点 6 题 4](07-点6-四则运算与最值.md#user-content-题-4--64可加性四张表) |
|
||||
| §7.1 全概率公式求密度 | [点 7 题 1](08-点7-混合型与全概率.md#user-content-题-1--71两条指数分布的加权)、[点 7 题 2](08-点7-混合型与全概率.md#user-content-题-2--71随机个数叠加的复合模型) |
|
||||
| §7.2 混合正态 | [点 7 题 3](08-点7-混合型与全概率.md#user-content-题-3--72混合正态与总方差) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 联合分布与边缘分布
|
||||
|
||||
### 1.1 联合分布函数
|
||||
|
||||
$$F(x,y)=P\{X\le x,\ Y\le y\},\qquad -\infty<x,y<+\infty .$$
|
||||
|
||||
**四条性质**(前三条例题照搬一维,第四条是二维新增):
|
||||
|
||||
1. **单调不减**:对 $x$ 与对 $y$ 分别单调不减;
|
||||
2. **右连续**:对 $x$ 与对 $y$ 分别右连续;
|
||||
3. **规范性**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;
|
||||
4. **矩形概率公式**:
|
||||
|
||||
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
|
||||
|
||||
> **第四条是二维的"照妖镜"**。一维只需单调 + 右连续 + 规范就能当分布函数;二维还要求上式对**一切**矩形非负。典型反例:$F(x,y)$ 分别对 $x$ 、对 $y$ 都单调递增,但某个矩形上算出来是负的。
|
||||
|
||||
### 1.2 边缘分布函数
|
||||
|
||||
$$F_X(x)=F(x,+\infty)=\lim_{y\to+\infty}F(x,y),\qquad F_Y(y)=F(+\infty,y).$$
|
||||
|
||||
**含义**:不管 $Y$ 取什么值,只看 $X$ 的分布。所以"边缘"这个词的意思就是**把另一个变量放走**。
|
||||
|
||||
对密度与分布律,对应的动作是**积分掉 / 求和掉**:
|
||||
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_{j}p_{ij}.$$
|
||||
|
||||
### 1.3 条件分布函数
|
||||
|
||||
$$F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\quad(\text{离散}),$$
|
||||
|
||||
$$F_{Y\mid X}(y\mid x)=\frac{\int_{-\infty}^{y}f(x,t)\,\mathrm dt}{f_X(x)}\quad(\text{连续,要求 }f_X(x)>0).$$
|
||||
|
||||
> **连续型条件分布的两个要点**:① 它是**对固定 $x$ 的一族分布**,支撑随 $x$ 变——这正是后面函数分布分段点的来源;② 分母必须 $f_X(x)>0$ ,否则条件无定义。
|
||||
|
||||
## 2 二维离散型
|
||||
|
||||
### 2.1 联合分布律
|
||||
|
||||
用一个**矩形表**列出全部 $p_{ij}$ ,满足 $p_{ij}\ge0$ 且 $\sum_i\sum_j p_{ij}=1$ 。
|
||||
|
||||
**边缘律**:把行加起来得 $Y$ 的边缘,把列加起来得 $X$ 的边缘(**顺手在表的右缘与下缘写"合计"列/行**,这是最不容易错的做法)。
|
||||
|
||||
**条件律**:$p_{j\mid i}=\dfrac{p_{ij}}{p_{i\cdot}}$ ,即"**用行和去除这一行**"。
|
||||
|
||||
### 2.2 独立性判据(离散版)
|
||||
|
||||
$$X\perp Y\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}\ \text{对一切}\ i,j .$$
|
||||
|
||||
**考场动作**:不必逐格验证,**找到一格不成立就停**(通常是边缘为 $0$ 或表格出现"整行只有一格非零"的那种)。
|
||||
|
||||
### 2.3 三类常见模型
|
||||
|
||||
| 模型 | 结构 | 用途 |
|
||||
|---|---|---|
|
||||
| 二项分解 | $X\sim B(n,p)$ 拆成 $n$ 个相互独立的 $0$ 或 $1$ 的两点变量之和 | 求 $\max$ 、$\min$ 、条件分布 |
|
||||
| 多项分布 | $n$ 次试验落入 $k$ 个类的计数 $(N_1,\dots,N_k)$ | 相关系数($2016\cdot8$ 骨架) |
|
||||
| 泊松分解 | $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 独立 $\Rightarrow X+Y\sim P(\lambda_1+\lambda_2)$ | 和的分布、条件分布($X\mid X+Y=n\sim B(n,\frac{\lambda_1}{\lambda_1+\lambda_2})$ ) |
|
||||
|
||||
## 3 二维连续型
|
||||
|
||||
### 3.1 联合概率密度
|
||||
|
||||
$f(x,y)\ge0$ ,$\displaystyle\int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx\mathrm dy=1$ ,且
|
||||
|
||||
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du,\qquad f(x,y)=\frac{\partial^2F}{\partial x\partial y}\ \text{(连续点)}.$$
|
||||
|
||||
**区域概率**:$P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm d\sigma$ 。**积分域就是题目给的那个区域**,不是矩形——这是与一维最不一样的地方。
|
||||
|
||||
### 3.2 边缘密度
|
||||
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .$$
|
||||
|
||||
> **真正的难点是定限,不是积分**。当支撑是三角形、圆、$0<y<x$ 这类区域时,$f_X(x)$ 的积分上限是 $y$ 的**活动端点**,必须按 $x$ 分段。做法固定:**先在草图上画一条竖线(固定 $x$ ),看它穿过区域的那一段**。
|
||||
|
||||
### 3.3 条件密度
|
||||
|
||||
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)},\qquad f_X(x)>0 .$$
|
||||
|
||||
**两条必须记住的性质**:
|
||||
|
||||
$$f_{X\mid Y}(x\mid y)=\frac{f_{Y\mid X}(y\mid x)f_X(x)}{f_Y(y)}\ \text{(贝叶斯)};\qquad X\perp Y\iff f_{Y\mid X}(y\mid x)=f_Y(y).$$
|
||||
|
||||
### 3.4 二维均匀分布
|
||||
|
||||
$D$ 为有界区域、面积为 $S_D$ :
|
||||
|
||||
$$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{cases}$$
|
||||
|
||||
**两条秒杀结论**:① $P\{(X,Y)\in G\}=\dfrac{S_{D\cap G}}{S_D}$ (**面积比**);② **$X\perp Y$ 当且仅当 $D$ 是边平行于坐标轴的矩形**(几乎矩形)。
|
||||
|
||||
> 这条"矩形判据"是选择题与大题第一问的高频点:$D$ 是三角形、圆、菱形时,**边缘密度的乘积一定不等于联合密度**,所以一定不独立——不必算,看形状即可。
|
||||
|
||||
### 3.5 二维正态分布
|
||||
|
||||
$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ ,密度为
|
||||
|
||||
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.$$
|
||||
|
||||
**六条结论(考试只考这六条)**:
|
||||
|
||||
1. **边缘仍是正态**:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ ,**与 $\rho$ 无关**;
|
||||
2. **线性组合仍正态**:$aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right)$ ;
|
||||
3. **条件分布仍是正态**:$Y\mid X=x\sim N\!\left(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right)$ ;
|
||||
4. **独立 $\iff$ 不相关**($\rho=0$ )——**这条只对二维正态成立**;
|
||||
5. 若 $\rho=0$ ,则联合密度等于两个边缘密度之积(由 1、4 直接看出);
|
||||
6. **可加性**:$X+Y$ 与 $X-Y$ 相互独立 $\iff \sigma_1^2=\sigma_2^2$ (**这是常考的判断题**)。
|
||||
|
||||
## 4 独立性
|
||||
|
||||
### 4.1 三种等价说法
|
||||
|
||||
$$X\perp Y\iff F(x,y)=F_X(x)F_Y(y)\ \forall x,y\iff f(x,y)=f_X(x)f_Y(y)\ \text{(a.e.)}\iff p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j .$$
|
||||
|
||||
### 4.2 判据:可分离 + 支撑矩形
|
||||
|
||||
**连续型的考场三步**:
|
||||
|
||||
1. 写联合密度 $f(x,y)=g(x)h(y)$ 能否**拆成"只含 $x$ "乘"只含 $y$ "**;
|
||||
2. 看支撑集:**必须能写成 $x\in I_1$ 、$y\in I_2$ 的矩形(含无穷端点)**;
|
||||
3. 归一化系数也拆得开,于是 $f_Xf_Y=f$ 。
|
||||
|
||||
> **只要支撑不是矩形,一定不独立**,与 $f$ 能不能拆无关。例:$f(x,y)=8xy$ 在 $0<y<x<1$ 上,虽然 $8xy$ 能拆成 $8x\cdot y$ ,但支撑是三角形,故**不独立**(本讲点 4 题 2 会算到底)。
|
||||
|
||||
### 4.3 独立与不相关
|
||||
|
||||
| | 含义 | 强度 |
|
||||
|---|---|---|
|
||||
| 独立 | 联合分布 $=$ 边缘之积(**全部信息**) | 强 |
|
||||
| 不相关 | $\operatorname{Cov}(X,Y)=0$ (**只有二阶信息**) | 弱 |
|
||||
|
||||
**结论链**:独立 $\Rightarrow$ 不相关(只要二阶矩存在);反之**不成立**,除非 $(X,Y)$ 服从二维正态。
|
||||
|
||||
**标准反例**:$X\sim U(-1,1)$ ,$Y=X^2$ 。此时 $\operatorname{Cov}(X,Y)=EX^3-EX\cdot EY=0$ ,但不独立($Y$ 由 $X$ 完全决定)。
|
||||
|
||||
### 4.4 独立同分布的可加结论
|
||||
|
||||
若 $X_1,\dots,X_n$ 相互独立,则
|
||||
|
||||
$$f_{X_1+\cdots+X_n}=f_{X_1}*\cdots*f_{X_n}\ \text{(卷积)},\qquad F_{\max}=\prod F_{X_i},\qquad F_{\min}=1-\prod\left(1-F_{X_i}\right).$$
|
||||
|
||||
**常见封闭性**:二项 + 二项(同 $p$ )、泊松 + 泊松、正态 + 正态、$\chi^2+\chi^2$ (自由度相加)、$\Gamma(\alpha,\lambda)+\Gamma(\beta,\lambda)$ 。
|
||||
|
||||
## 5 函数分布
|
||||
|
||||
### 5.1 分布函数法(通法,必掌握)
|
||||
|
||||
求 $Z=g(X,Y)$ 的分布:
|
||||
|
||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm d\sigma,\qquad f_Z(z)=F_Z'(z).$$
|
||||
|
||||
**三步**:① 把 $g(x,y)\le z$ 翻译成平面上的区域;② 画图,按 $z$ 的取值**分段**;③ 积分、求导。
|
||||
|
||||
> **这条路的优点是"永远能做",缺点是"分段容易漏"**。分段点来自两处:区域的几何临界位置(如 $z=0$ 、$z=1$ ),以及被积函数表达式的切换点。
|
||||
|
||||
### 5.2 雅可比变换法(快法)
|
||||
|
||||
设 $\begin{cases}u=g_1(x,y)\\v=g_2(x,y)\end{cases}$ 有唯一反解 $x=x(u,v)$ 、$y=y(u,v)$ ,则
|
||||
|
||||
$$f_{U,V}(u,v)=f\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}x_u&x_v\\y_u&y_v\end{vmatrix}.$$
|
||||
|
||||
再对不要的那个变量积分得边缘。
|
||||
|
||||
**二维正态的线性变换**(最常用的一次):$U=X+Y$ 、$V=X-Y$ ,则 $J=-\frac12$ ,$\lvert J\rvert=\frac12$ 。
|
||||
|
||||
### 5.3 三条路怎么选
|
||||
|
||||
| 题目长相 | 走哪条 |
|
||||
|---|---|
|
||||
| 求 $Z=X+Y$ 且已知两个边缘(独立) | **卷积公式**(点 6 的成品表) |
|
||||
| 求 $Z=g(X,Y)$ 的一般函数,$f$ 是分片/有区域 | **分布函数法**(画区域) |
|
||||
| 需要 $Z$ 与另一个量的**联合密度**(如 $X+Y$ 与 $X/(X+Y)$ ) | **雅可比** |
|
||||
| 求 $\max$ 、$\min$ | 直接用 $F^n$ 、$1-(1-F)^n$ |
|
||||
|
||||
## 6 四则运算与最值
|
||||
|
||||
### 6.1 和的分布(卷积)
|
||||
|
||||
$X\perp Y$ 时
|
||||
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)\,\mathrm dy .$$
|
||||
|
||||
**定限口诀**:**两个密度的支撑同时非零**才有贡献,所以积分限是"两个区间 $[a_1,b_1]$ 与 $[z-b_2,z-a_2]$ 的交"。
|
||||
|
||||
### 6.2 差、积、商
|
||||
|
||||
$$f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{1}{\lvert x\rvert}\,\mathrm dx;$$
|
||||
|
||||
$$f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .$$
|
||||
|
||||
**商的分布更稳的算法**:先求 $F_Z(z)=P\{Y\le zX\}$ (半平面区域),再求导——因为绝对值与符号常常在 $z<0$ 与 $z>0$ 上不同。
|
||||
|
||||
### 6.3 最值
|
||||
|
||||
$$F_{\max}(z)=\prod_{i=1}^{n}F_{X_i}(z),\qquad F_{\min}(z)=1-\prod_{i=1}^{n}\left[1-F_{X_i}(z)\right].$$
|
||||
|
||||
独立同分布时:$F_{\max}=F^n$ ,$f_{\max}=nF^{n-1}f$ ;$F_{\min}=1-(1-F)^n$ ,$f_{\min}=n(1-F)^{n-1}f$ 。
|
||||
|
||||
### 6.4 四种运算的"成品结论"
|
||||
|
||||
| 组合 | 结果 |
|
||||
|---|---|
|
||||
| $X\sim B(n_1,p)$ 、$Y\sim B(n_2,p)$ 独立 | $X+Y\sim B(n_1+n_2,p)$ |
|
||||
| $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 独立 | $X+Y\sim P(\lambda_1+\lambda_2)$ |
|
||||
| $X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ 独立 | $X\pm Y\sim N(\mu_1\pm\mu_2,\ \sigma_1^2+\sigma_2^2)$ (**差也是加**) |
|
||||
| $X\sim\Gamma(\alpha,\lambda)$ 、$Y\sim\Gamma(\beta,\lambda)$ 独立 | $X+Y\sim\Gamma(\alpha+\beta,\lambda)$ (指数分布是 $\alpha=1$ ) |
|
||||
|
||||
## 7 混合型(一个离散、一个连续)
|
||||
|
||||
### 7.1 全概率公式求密度
|
||||
|
||||
设 $X$ 离散(取值 $x_k$ ,概率 $p_k$ )、$Y$ 在 $X=x_k$ 下连续(密度 $f_{Y\mid X=x_k}$ ),则
|
||||
|
||||
$$f_Y(y)=\sum_k p_k\,f_{Y\mid X=x_k}(y),\qquad F_Y(y)=\sum_k p_k F_{Y\mid X=x_k}(y).$$
|
||||
|
||||
**反向(贝叶斯)**:
|
||||
|
||||
$$P\{X=x_k\mid Y=y\}=\frac{p_k f_{Y\mid X=x_k}(y)}{f_Y(y)} .$$
|
||||
|
||||
### 7.2 混合正态
|
||||
|
||||
两层正态叠加后,**边缘一般不是正态**(除非两层的均值与方差都相同)。但无条件期望、方差仍可用全期望公式:
|
||||
|
||||
$$EY=E\left[E(Y\mid X)\right],\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
|
||||
|
||||
> **第二个式子是"总方差公式"**(也叫 Eve 公式):**总方差 = 组内方差均值 + 组间方差**。$2020\cdot22$ 与 $2025\cdot22$ 的最后一问都靠它。
|
||||
|
||||
## 8 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
||||
|
||||
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
||||
|---|---|---|---|---|
|
||||
| 联合分布函数与性质 | 掌握 | 2023·22 | 有 | 点 1,2 题 |
|
||||
| 边缘分布(函数/律/密度) | **掌握** | 每题必用 | 有 | 点 1、2、3,共 4 题 |
|
||||
| 条件分布 | **掌握** | 2016·22、2022·10、2024·9 | 有 | 点 1、3,共 3 题 |
|
||||
| 二维离散型 | 掌握 | 选填 | 有 | 点 2,3 题 |
|
||||
| 二维连续型 | **掌握(核心)** | 2016·22、2023·22 | 有 | 点 3,4 题 |
|
||||
| 二维均匀分布 | **掌握** | 2016·22 | 有 | 点 3,2 题 |
|
||||
| 二维正态分布 | **掌握** | 2019·8、2022·10 | 有 | 点 3、4,共 3 题 |
|
||||
| 独立性判定 | **掌握** | 2016·22、2022·10、2024·9 | 有 | 点 4,3 题 |
|
||||
| 独立与不相关 | **掌握** | 2022·10 | 有 | 点 4,2 题 |
|
||||
| 分布函数法 | **掌握(核心)** | 2017·22、2019·22、2021·22、2023·22 | 有 | 点 5,4 题 |
|
||||
| 雅可比变换法 | 掌握(快法) | 2019·22 | 有 | 点 5,2 题 |
|
||||
| 和、差、积、商 | **掌握** | 2017·22、2018·22、2019·8 | 有 | 点 6,4 题 |
|
||||
| 最值分布 | 掌握 | 2025·22 | 有 | 点 6,2 题 |
|
||||
| 混合型与全概率 | **掌握** | 2017·22、2020·22、2025·22 | 有 | 点 7,3 题 |
|
||||
| 混合正态 | 掌握 | 2020·22 | 有 | 点 7,2 题 |
|
||||
|
||||
**判断**:15 个知识点中,**大纲"掌握"的 13 个全部配了题**;点 6、点 7 的题型在十年里没有单独立题,但都以"最后一问"的形式出现过(2025·22 的最值、2020·22 的混合正态),所以照配。
|
||||
|
||||
## 9 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $F(x)=\int f\,\mathrm dx$ 、密度的归一化 | 第 2 讲(一维随机变量) | 本讲所有的积分都是它的二维版 |
|
||||
| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$\rho$ | 第 4 讲(数字特征) | 本讲点 4 的"独立 vs 不相关"直接用 $\operatorname{Cov}$ 定义 |
|
||||
| 条件期望 $E(Y\mid X)$ 、重期望 | 第 4 讲(数字特征) | 点 7 的混合型期望靠它 |
|
||||
| 二维正态的 $\rho$ 与 $\sigma$ | 第 4 讲(协方差) | 点 3 的六条结论与第 4 讲的相关系数是同一件事 |
|
||||
| 独立同分布、和的分布 | 第 5 讲上(大数定律)与第 5 讲下(中心极限定理) | 两讲都以"$n$ 个独立同分布之和"为对象,正是点 6 的卷积推广 |
|
||||
| 统计量与样本分布 | 第 6 讲(数理统计) | 样本 $(X_1,\dots,X_n)$ 就是 $n$ 维随机变量,联合密度连乘即本讲点 3 的推广 |
|
||||
|
||||
> **跨讲一句话**:本讲解决"两个变量怎么一起分布";第 4 讲解决"用几个数概括它";第 5 讲解决"无穷多个加起来会怎样";第 6 讲解决"反过来,用样本猜总体"。
|
||||
@@ -1,302 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 考点手册
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布 · 考点手册
|
||||
日期: 2026-10-13
|
||||
关联: "[[README]] · [[02-试题]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 多维随机变量及其分布 · 考点手册
|
||||
|
||||
> **来源记号**:🟦 视频讲次 · 🟨 真题库第 17 章 · 🟩 参考仓库方法。
|
||||
> **学习法**:先通读一遍建立框架 → 做 [[02-试题]] → 对 [[03-解析]] → 回本手册补齐薄弱点。
|
||||
|
||||
---
|
||||
|
||||
## 0. 本讲定位与学习地图
|
||||
|
||||
**为什么重要** 🟨:真题库第 17 章(多维随机变量及其分布)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**。
|
||||
|
||||
**六讲次 → 本手册章节映射** 🟦:
|
||||
|
||||
| 视频讲次 | 本手册章节 |
|
||||
|---|---|
|
||||
| 01 n 维随机变量及其分布函数 | §1 |
|
||||
| 02/03 两类二维变量(离散/连续) | §2、§3 |
|
||||
| 04 随机变量的相互独立性 | §4 |
|
||||
| 05/06 多维随机变量函数的分布 | **§5(核心,含雅可比)** |
|
||||
| 07 综合题举例 | §6、§7 |
|
||||
|
||||
**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。**
|
||||
|
||||
---
|
||||
|
||||
## 1. 二维随机变量与联合分布函数 🟦01
|
||||
|
||||
### 1.1 概念
|
||||
设 $X,Y$ 是定义在**同一样本空间**上的随机变量,称 $(X,Y)$ 为**二维随机变量**(二维随机向量)。$n$ 个即为 $n$ 维。
|
||||
|
||||
### 1.2 联合分布函数
|
||||
$$F(x,y)=P\{X\le x,\ Y\le y\}.$$
|
||||
**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**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;
|
||||
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 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$ 。
|
||||
|
||||
### 1.4 边缘分布函数 🟩
|
||||
$$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$
|
||||
**口诀**(仓库原话):**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. 二维离散型随机变量 🟦02 🟨2016·8
|
||||
|
||||
### 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 $\displaystyle\sum_i\sum_j p_{ij}=1$ 。
|
||||
|
||||
### 2.2 三类分布(表格记忆法)
|
||||
把 $p_{ij}$ 写成矩形表:
|
||||
|
||||
| $X\backslash Y$ | $y_1$ | $y_2$ | $\cdots$ | $p_{i\cdot}$ |
|
||||
|---|---|---|---|---|
|
||||
| $x_1$ | $p_{11}$ | $p_{12}$ | $\cdots$ | $p_{1\cdot}$ |
|
||||
| $x_2$ | $p_{21}$ | $p_{22}$ | $\cdots$ | $p_{2\cdot}$ |
|
||||
| $\vdots$ | | | | |
|
||||
| $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ |
|
||||
|
||||
- **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**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$ 。
|
||||
|
||||
### 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,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$ ,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$ 。
|
||||
|
||||
---
|
||||
|
||||
## 3. 二维连续型随机变量 🟦02/03 🟨2016·22、2021·22、2023·22
|
||||
|
||||
### 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 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$ 。
|
||||
|
||||
### 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**:不同联合可共享同一对边缘。
|
||||
> - **矩形域 + 密度可分离** ⟹ **一眼独立**;
|
||||
> - **非矩形域** ⟹ **一眼不独立**。
|
||||
|
||||
### 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**:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$ 。
|
||||
|
||||
> **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
|
||||
$$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}$$
|
||||
几何概型的升维:**概率 = 面积占比**。
|
||||
|
||||
### 3.5 二维正态分布(深挖)🟩
|
||||
$$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.$$
|
||||
$$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}$$
|
||||
**五条必背性质**:
|
||||
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$ ,$Y\sim N(\mu_2,\sigma_2^2)$ ;
|
||||
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:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$ ;
|
||||
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 $(X,Y)\sim N\!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$ 。
|
||||
|
||||
---
|
||||
|
||||
## 4. 随机变量的相互独立性 🟦04 🟨2016·22、2019·22、2023·22
|
||||
|
||||
### 4.1 定义(三等价)
|
||||
$$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}.$$
|
||||
|
||||
### 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:$B(n,p)+B(m,p)=B(n+m,p)$ ;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ ;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||
|
||||
### 4.3 判断独立性三步走(考场流程)
|
||||
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 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$ 。
|
||||
> **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)。
|
||||
|
||||
---
|
||||
|
||||
## 5. 多维随机变量函数的分布 ★核心 🟦05/06 🟨2017·22、2018·22、2019·8、2019·22、2020·22、2021·22
|
||||
|
||||
### 5.0 三条总路线(选择依据)
|
||||
|
||||
| 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 |
|
||||
| **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 |
|
||||
|
||||
> **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。**
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
> **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
|
||||
$$u=u(x,y),\qquad v=v(x,y)$$
|
||||
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
|
||||
$$\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}$$
|
||||
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**:$f_Z(z)=\displaystyle\int f_{UV}(z,v)\,\mathrm dv$ 。
|
||||
|
||||
**三条常用变换(务必记熟 $J$ )**:
|
||||
|
||||
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|
||||
|---|---|---|---|---|
|
||||
| 和 $Z=X+Y$ | $V=X$ | $x=v,\ y=z-v$ | $1$ | $f_Z(z)=\displaystyle\int f(v,z-v)\,\mathrm dv$ |
|
||||
| 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。
|
||||
|
||||
**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
|
||||
$$f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.$$
|
||||
> 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 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$ 。
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 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 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ 。
|
||||
|
||||
### 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。
|
||||
|
||||
### 5.5 积的分布
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).$$
|
||||
|
||||
### 5.6 商的分布
|
||||
$$f_Z(z)=\int_{-\infty}^{+\infty}\lvert x\rvert f(x,zx)\,\mathrm dx\quad(\text{独立时}=\int\lvert x\rvert f_X(x)f_Y(zx)\,\mathrm dx).$$
|
||||
|
||||
### 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 $f$ ):$f_{\max}(z)=2F(z)f(z)$ ;$f_{\min}(z)=2[1-F(z)]f(z)$ 。
|
||||
|
||||
### 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:
|
||||
$$F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.$$
|
||||
> **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**:$P\{X=0\}=P\{X=1\}=\tfrac12$ ,$Y\sim U(0,1)$ ,$Z=X+Y$ ⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$ 。
|
||||
|
||||
### 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,$X_1,X_2\sim N(0,1)$ ):
|
||||
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**"。
|
||||
|
||||
---
|
||||
|
||||
## 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)。
|
||||
|
||||
---
|
||||
|
||||
## 7. 十年真题落点地图(🟨 第 17 章 11 题)
|
||||
|
||||
| 年份·题号 | 分值 | 考法 | 关键动作 |
|
||||
|---|---|---|---|
|
||||
| 2016·22 | 11 | 二维均匀 + 离散化 $U$ + $Z=U+X$ 分布函数 | 判独立 + 分布函数法 |
|
||||
| 2017·22 | 11 | 混合型 $Z=X+Y$ | 全概率 + $P\{Y\le EY\}$ |
|
||||
| 2018·22 | 11 | $Z=XY$ + 协方差 | 积分布 + $\operatorname{Cov}$ |
|
||||
| 2019·8 | 4 | 正态差 $\lvert X-Y\rvert$ | $X-Y\sim N(0,2\sigma^2)$ |
|
||||
| 2019·22 | 11 | $Z=XY$ 密度 + 不相关 + 独立性 | 反解两分支求和 |
|
||||
| 2020·22 | 11 | 混合正态 + 证明 $Y\sim N(0,1)$ | 全概率 + $\Phi$ |
|
||||
| 2021·22 | 11 | 取点分段 + 商分布 $Z=Y/X$ | 几何概型 + 商的密度 |
|
||||
| 2022·10 | 5 | 条件分布求相关系数 | $Y\mid X=x\sim N(x,1)$ |
|
||||
| 2023·22 | 12 | 圆形域密度 + $\operatorname{Cov}$ + 独立 + $Z=X^2+Y^2$ | 极坐标 |
|
||||
| 2024·9 | 5 | 条件均匀分布 + 协方差 | $f=f_Xf_{Y\mid X}$ |
|
||||
| 2025·22 | 12 | 复合分布 + 混合概率模型 | 全概率 + 复合 |
|
||||
|
||||
**跨章牵连**(数字特征/条件分布):2016·8、2020·14、2021·16、2022·8、2024·10、2025·8。
|
||||
|
||||
---
|
||||
|
||||
## 8. 速查卡 · 陷阱清单
|
||||
|
||||
### 8.1 十句速记
|
||||
1. **联合决定边缘,边缘不决定联合**;
|
||||
2. **区域不是矩形 ⟹ 立刻怀疑不独立**;
|
||||
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);
|
||||
7. **非一一变换要按分支求和**,否则漏项;
|
||||
8. **圆形域先极坐标**,$J=r$ ;
|
||||
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。
|
||||
|
||||
### 8.2 高频陷阱
|
||||
| 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 |
|
||||
| $Z=X^2+Y^2$ 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) |
|
||||
| 正态线性组合忘了 $\rho$ 交叉项 | $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ |
|
||||
|
||||
---
|
||||
|
||||
> **下一步**:开做 [[02-试题]](19 题,约 95 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
|
||||
@@ -0,0 +1,205 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 联合分布, 边缘分布]
|
||||
专题: 概率论 第3讲 · 点1 联合分布与边缘分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(1.1 联合分布函数、1.2 边缘分布、1.3 条件分布,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 联合分布与边缘分布
|
||||
|
||||
> 真题锚点:2023·22(联合分布函数)、2016·22(边缘与条件)|重要度 ★★★
|
||||
> 依赖:第 2 讲的一维分布函数与密度。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:先立定义层——**联合 → 边缘 → 条件**是一条单向的换算链,三者顺序不能颠倒。出题按这条链的条目顺序走。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
|
||||
|
||||
## 知识点 1.1 联合分布函数与四条性质(出处:[知识章 random-variables-and-distribution.tex §5.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex)|[练习章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/exercise/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$F(x,y)=P\{X\le x,\ Y\le y\}.$$
|
||||
|
||||
四条性质:① 对 $x$ 、对 $y$ 分别**单调不减**;② 对 $x$ 、对 $y$ 分别**右连续**;③ $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ;④ **矩形非负**:
|
||||
|
||||
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
|
||||
|
||||
第 ④ 条是二维新增的,前三条只是把一维照抄两遍。**一维的"单调 + 右连续 + 规范"在二维不再是充分条件**。
|
||||
|
||||
## 知识点 1.2 边缘分布函数(出处:[知识章 §5.1 边缘分布函数](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$F_X(x)=F(x,+\infty)=\lim_{y\to+\infty}F(x,y),\qquad F_Y(y)=F(+\infty,y).$$
|
||||
|
||||
密度与分布律的对应动作是**积分掉 / 求和掉**:
|
||||
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_j p_{ij}.$$
|
||||
|
||||
## 知识点 1.3 条件分布函数与条件密度(出处:[知识章 §6.3、§7.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$F_{Y\mid X}(y\mid x)=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\ (\text{离散});\qquad f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (\text{连续,}f_X(x)>0).$$
|
||||
|
||||
两条要点:① 条件密度是**一族**密度,支撑随 $x$ 变,**分段点就从这里来**;② 分母必须为正,否则条件无定义。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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 $\rho=0$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)问的是"前三条够不够",答案是不够,缺的正是矩形非负;(Ⅱ)考边缘的定义式;(Ⅲ)考"可分离 + 矩形"这两个条件缺一不可,但还要补一句归一化常数为什么也被吸收了;(Ⅳ)是二维正态独有的性质,要能与一般情形区分开。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)**错误**。取 $F(x,y)=\max\{x+y,\,0\}$ 限制在 $0\le x,y\le1$ 上(区域外按 $0$ 与 $1$ 延拓)。它对 $x$ 、对 $y$ 都单调不减,$F(0,0)=0$ 、$F(1,1)=1$ ,规范性满足。但取矩形 $0<x\le1,\ 0<y\le1$ :
|
||||
|
||||
$$F(1,1)-F(1,0)-F(0,1)+F(0,0)=1-1-1+0=-1<0 .$$
|
||||
|
||||
矩形概率为负,故不是分布函数。**前三条在二维只是必要条件**。
|
||||
|
||||
(Ⅱ)**正确**。这就是边缘分布的定义:$F_X(x)=P\{X\le x\}=P\{X\le x,\ Y<+\infty\}=F(x,+\infty)$ 。
|
||||
|
||||
(Ⅲ)**正确**(但需 $I\times J$ 是矩形)。设 $f=g(x)h(y)$ 在 $I\times J$ 上非零,令 $G=\int_I g$ 、$H=\int_J h$ 。归一化给出 $GH=1$ ,于是
|
||||
|
||||
$$f_X(x)=g(x)\int_J h=g(x)H,\qquad f_Y(y)=h(y)\int_I g=h(y)G,$$
|
||||
|
||||
$$f_X(x)f_Y(y)=g(x)h(y)\,HG=g(x)h(y)=f(x,y).$$
|
||||
|
||||
**归一化恰好把 $GH$ 变成 1**,这就是"可分离"能直接推出独立的原因。
|
||||
|
||||
(Ⅳ)**正确**。二维正态的联合密度中,$\rho=0$ 时指数部分分裂成两个平方项之和,密度恰好等于两个边缘密度之积。**注意这条不能推广**:一般情形下 $\rho=0$ 只能推出不相关。
|
||||
|
||||
**带走结论**:**二维分布函数多一条"矩形非负",少任何一条都不行**。构造反例的套路是"让它在矩形上出现负值"——$\max\{x+y,0\}$ 是最省事的模板。
|
||||
|
||||
> **关联** · 盘点 [§1.1 联合分布函数](01-知识点盘点.md#user-content-11-联合分布函数) | 上游 — | 下游 [点 1 题 2](02-点1-联合分布与边缘分布.md#user-content-题-2--11由分布函数算矩形概率) | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
|
||||
|
||||
---
|
||||
|
||||
### 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 $P\{1<X\le2,\ Y>1\}$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)用 $F(+\infty,+\infty)=1$ ;(Ⅱ)令 $y\to+\infty$ ;(Ⅲ)$Y>1$ 不是"$\le$ "型,先转成 $1-P\{Y\le1\}$ ,再用矩形公式——或者直接用独立性绕开。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 令 $x,y\to+\infty$ :
|
||||
|
||||
$$F(+\infty,+\infty)=A\cdot1\cdot1=A=1 .$$
|
||||
|
||||
**(Ⅱ)** 令 $y\to+\infty$ :
|
||||
|
||||
$$F_X(x)=A\left(1-\mathrm e^{-x}\right)\cdot1=1-\mathrm e^{-x}\quad(x>0),$$
|
||||
|
||||
$x\le0$ 时为 $0$ 。这正是参数为 $1$ 的指数分布:$X\sim E(1)$ 。
|
||||
|
||||
**(Ⅲ)** 由(Ⅱ)同理 $Y\sim E(1)$ ,且 $F(x,y)=F_X(x)F_Y(y)$ ,故 $X\perp Y$ ,于是
|
||||
|
||||
$$P\{1<X\le2,\ Y>1\}=P\{1<X\le2\}\cdot P\{Y>1\}=\left(\mathrm e^{-1}-\mathrm e^{-2}\right)\mathrm e^{-1}\approx0.0855 .$$
|
||||
|
||||
**验算(不靠独立性)**:用矩形公式的"无穷版本"
|
||||
|
||||
$$P\{1<X\le2,\ Y>1\}=F(2,+\infty)-F(2,1)-F(1,+\infty)+F(1,1),$$
|
||||
|
||||
$$=\left(1-\mathrm e^{-2}\right)-\left(1-\mathrm e^{-2}\right)\left(1-\mathrm e^{-1}\right)-\left(1-\mathrm e^{-1}\right)+\left(1-\mathrm e^{-1}\right)^2=\mathrm e^{-1}\left(\mathrm e^{-1}-\mathrm e^{-2}\right),$$
|
||||
|
||||
与上面一致 ✓。
|
||||
|
||||
**带走结论**:**遇到 "$Y>1$ " 这类反向不等式,先换成 $F(+\infty)$ 再套矩形公式**。四个端点里只要有一个是 $+\infty$ ,就退回一维的 $1-F$ 结构。
|
||||
|
||||
> **关联** · 盘点 [§1.1 联合分布函数](01-知识点盘点.md#user-content-11-联合分布函数) | 上游 [点 1 题 1](02-点1-联合分布与边缘分布.md#user-content-题-1--11联合分布函数的四条性质) | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
|
||||
|
||||
---
|
||||
|
||||
### 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 $P\{X+Y<1\}$ 。
|
||||
|
||||
**怎么想**:均匀分布先算面积。边缘密度的积分限要**画竖线**:固定 $x$ 后 $y$ 从 $0$ 跑到 $x$ ,上限是活动的。第三问是区域概率,能算面积就别积分。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $D$ 是顶点为 $(0,0)$ 、$(1,0)$ 、$(1,1)$ 的三角形,面积 $S_D=\frac12$ ,故
|
||||
|
||||
$$f(x,y)=\begin{cases}2,&0<y<x<1\\[2pt]0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(Ⅱ)** 固定 $x\in(0,1)$ ,$y$ 的区间是 $(0,x)$ :
|
||||
|
||||
$$f_X(x)=\int_0^x2\,\mathrm dy=2x,\quad 0<x<1 .$$
|
||||
|
||||
固定 $y\in(0,1)$ ,$x$ 的区间是 $(y,1)$ :
|
||||
|
||||
$$f_Y(y)=\int_y^1 2\,\mathrm dx=2(1-y),\quad 0<y<1 .$$
|
||||
|
||||
**归一化自检**:$\int_0^12x\,\mathrm dx=1$ 、$\int_0^12(1-y)\,\mathrm dy=1$ ✓。
|
||||
|
||||
**(Ⅲ)** 区域概率 $=$ 面积比。$D\cap\{x+y<1\}$ 的边界是 $y=x$ 与 $y=1-x$ ,交于 $x=\frac12$ ,故
|
||||
|
||||
$$S_{\cap}=\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx=\frac18+\frac18=\frac14,$$
|
||||
|
||||
$$P\{X+Y<1\}=2\times\frac14=\frac12 .$$
|
||||
|
||||
**验算**:区域 $D$ 关于直线 $x+y=1$ 与 $y=x$ 的对称性给出 $P\{X+Y<1\}=\frac12$ ✓(也可以直接积分 $\int_0^{1/2}\!\!\int_0^x2\,\mathrm dy\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}2\,\mathrm dy\mathrm dx$ )。
|
||||
|
||||
**带走结论**:**均匀分布的一切概率都是面积比**,$f$ 只是那个常数。而边缘密度的上限永远是"区域在竖线方向上的活动端点",这就是支撑非矩形时边缘密度会变成 $2x$ 这种非均匀形状的原因。
|
||||
|
||||
> **关联** · 盘点 [§1.2 边缘分布函数](01-知识点盘点.md#user-content-12-边缘分布函数) | 上游 — | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:先看支撑 $0<x<y$ (第一象限里 $y=x$ 上方的那片)。固定 $x$ 时 $y$ 从 $x$ 到 $+\infty$ ,固定 $y$ 时 $x$ 从 $0$ 到 $y$ 。条件密度 $=$ 联合 $÷$ 边缘,商出来是什么形状,答案就在形状里。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 归一化:
|
||||
|
||||
$$\int_0^{+\infty}\!\!\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy\,\mathrm dx=\int_0^{+\infty}\mathrm e^{-x}\,\mathrm dx=1\ ✓$$
|
||||
|
||||
边缘:
|
||||
|
||||
$$f_X(x)=\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy=\mathrm e^{-x},\qquad x>0,$$
|
||||
|
||||
即 $X\sim E(1)$ 。
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{\mathrm e^{-y}}{\mathrm e^{-x}}=\mathrm e^{-(y-x)},\qquad y>x .$$
|
||||
|
||||
令 $t=y-x$ ,则 $f_{T}(t)=\mathrm e^{-t}\ (t>0)$ ,即
|
||||
|
||||
$$Y-X\mid X=x\ \sim\ E(1),\qquad \text{与 }x\text{ 无关}.$$
|
||||
|
||||
**(Ⅲ)** 这里"一族"的含义是:**每给定一个 $x$ ,就有一条密度曲线** $y\mapsto\mathrm e^{-(y-x)}$ 。这些曲线的**形状完全相同**(都是 $E(1)$ ),只是**起点不同**——起点是 $y=x$ 。所以条件密度的表达式里含 $x$ ,但"分布类型"不含 $x$ 。
|
||||
|
||||
对比点 3 题 2 的 $D:0<y<x<1$ :那里 $f_{Y\mid X}(y\mid x)=\frac1x$ ,支撑 $(0,x)$ ,**形状也随 $x$ 变**(区间长度变),这是"族"的另一种形态。
|
||||
|
||||
**验算**:$\int_x^{+\infty}\mathrm e^{-(y-x)}\mathrm dy=1$ ✓;且 $f_{X}(x)f_{Y\mid X}(y\mid x)=\mathrm e^{-x}\mathrm e^{-(y-x)}=\mathrm e^{-y}=f(x,y)$ ✓(这条恒等式说明**联合密度总能分解成"边缘 × 条件"**,是贝叶斯公式的密度版)。
|
||||
|
||||
**带走结论**:**联合 $=$ 边缘 $\times$ 条件**(永远成立);**联合 $=$ 边缘 $\times$ 边缘**(只在独立时成立)。两式的差别就是"独立性"这三个字的全部内容。
|
||||
|
||||
> **关联** · 盘点 [§1.3 条件分布函数](01-知识点盘点.md#user-content-13-条件分布函数) | 上游 — | 下游 — | 速查 [一 三种换算的方向](09-速查卡.md#user-content-一-三种换算的方向)
|
||||
|
||||
---
|
||||
@@ -1,91 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 试题
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布 · 试题(19 题)
|
||||
日期: 2026-10-13
|
||||
题量: 19 题(A 基础 6 / B 中等 8 / C 拔高 5)
|
||||
建议用时: 95 分钟(可拆两天)
|
||||
关联: "[[01-考点手册]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 多维随机变量及其分布 · 试题
|
||||
|
||||
> **用法**:先过一遍 [[01-考点手册]],再**限时**做本卷,最后对 [[03-解析]]。
|
||||
> **来源记号**:🟨 真题库第 17 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,做完可刷真题原题。
|
||||
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础(识别与直接计算,★☆☆)
|
||||
|
||||
**1.** 【离散型 · 联合→边缘→独立性 🟦02】设 $(X,Y)$ 的联合分布律为
|
||||
|
||||
| $X\backslash Y$ | 0 | 1 | 2 |
|
||||
|---|---|---|---|
|
||||
| **1** | 0.1 | 0.2 | 0.1 |
|
||||
| **2** | 0.2 | 0.3 | 0.1 |
|
||||
|
||||
(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 $P\{X+Y\le1\}$ 。
|
||||
|
||||
**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。
|
||||
|
||||
**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 $P\{Y<\tfrac12 \mid X=\tfrac34\}$ 。
|
||||
|
||||
**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;
|
||||
- (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 $0$ 。
|
||||
|
||||
## 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 $P\{Z>1\}$ 。
|
||||
|
||||
**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 $f_Z(z)$ 。
|
||||
|
||||
**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。
|
||||
|
||||
**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 $E(Y\mid X=x)$ 。
|
||||
|
||||
**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 $f_Z(z)$ 。
|
||||
|
||||
**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
|
||||
$$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2.$$
|
||||
(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 $Y\sim N(0,1)$ 。
|
||||
|
||||
**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 $f_Z(z)$ 。
|
||||
|
||||
**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 $f_{UV}(u,v)$ ;
|
||||
(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)。
|
||||
@@ -0,0 +1,182 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 二维离散型, 分布律]
|
||||
专题: 概率论 第3讲 · 点2 二维离散型随机变量
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(2.1 联合分布律、2.2 条件与独立、2.3 分解模型,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 二维离散型随机变量
|
||||
|
||||
> 真题锚点:选填为主(2016·8 多项分布、2022·10 条件分布)|重要度 ★★☆
|
||||
> 依赖:点 1 的边缘与条件。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:离散型的全部技术就是**一张表**——联合律写成矩形表,边缘是行和与列和,条件是"除以行和"。出题顺序:建表 → 用表算条件与判独立 → 用分解模型把表"化掉"。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2 题。
|
||||
|
||||
## 知识点 2.1 联合分布律与边缘分布律(出处:[知识章 §6.1、§6.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$p_{ij}=P\{X=x_i,\ Y=y_j\},\qquad p_{ij}\ge0,\quad \sum_i\sum_j p_{ij}=1 .$$
|
||||
|
||||
**边缘**:$p_{i\cdot}=\sum_j p_{ij}$ (行和,即 $X=x_i$ 的概率)、$p_{\cdot j}=\sum_i p_{ij}$ (列和)。
|
||||
|
||||
**表格法**:把 $p_{ij}$ 填进矩形表,**右缘写行和、下缘写列和**,右下角写 $1$ 。这一步做完,边缘与条件全部免费。
|
||||
|
||||
## 知识点 2.2 条件分布律与独立性(出处:[知识章 §6.3、§8](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$p_{j\mid i}=P\{Y=y_j\mid X=x_i\}=\frac{p_{ij}}{p_{i\cdot}}\ (p_{i\cdot}>0);\qquad X\perp Y\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}\ \forall i,j .$$
|
||||
|
||||
**判独立的省力做法**:找**一行**看比例。若第 $i$ 行的各格比例与 $Y$ 的边缘比例一致,就对所有行再验;只要有一行不成比例,立刻判不独立。等价说法:**独立性 $\iff$ 表中各行的对应格成比例(且比例因子就是行和)**。
|
||||
|
||||
## 知识点 2.3 三个分解模型(出处:[知识章 §6.1 常见分布、§8.4 独立同分布运算](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
| 模型 | 内容 | 典型问法 |
|
||||
| -------- | ----------------------------------------------------------------------------------------------------------------------------------------------------------------------- | ------------------------------ |
|
||||
| **二项分解** | $X\sim B(n,p)$ 等于 $n$ 个独立 $0$ 或 $1$ 的两点变量之和,每个指示"第 $k$ 次成功" | 求 $\max$ 、$\min$ ,求"至少一次"型条件概率 |
|
||||
| **泊松分解** | $X\sim P(\lambda_1)$ 、$Y\sim P(\lambda_2)$ 独立 $\Rightarrow X+Y\sim P(\lambda_1+\lambda_2)$ ,且 $X\mid X+Y=n\sim B\!\left(n,\frac{\lambda_1}{\lambda_1+\lambda_2}\right)$ | 已知总数求某一类的分布 |
|
||||
| **多项分布** | $n$ 次试验落入 $k$ 类的计数,$\operatorname{Cov}(N_i,N_j)=-np_ip_j\ (i\ne j)$ | 求相关系数(2016·8 骨架) |
|
||||
|
||||
> 泊松分解那条结论的推导只有一行:$\dfrac{P\{X=k\}P\{Y=n-k\}}{P\{X+Y=n\}}$ 中 $\mathrm e^{-\lambda_1-\lambda_2}$ 与 $n!$ 全部约掉,剩 $\dbinom nk\left(\frac{\lambda_1}{\lambda_1+\lambda_2}\right)^k\left(\frac{\lambda_2}{\lambda_1+\lambda_2}\right)^{n-k}$ 。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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 $P\{X+Y=4\}$ 。
|
||||
|
||||
**怎么想**:不放回意味着 $i\ne j$ 才可能,先列出 6 个等可能的样本点(概率各 $\frac16$ ),再把对角线填 $0$ 。判独立只需找一格。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 每个有序对 $(i,j)$ ($i\ne j$ )的概率都是 $\frac{1}{3}\times\frac{1}{2}=\frac16$ :
|
||||
|
||||
| $X\backslash Y$ | 1 | 2 | 3 | 行和 |
|
||||
|---|---|---|---|---|
|
||||
| **1** | 0 | $\frac16$ | $\frac16$ | $\frac13$ |
|
||||
| **2** | $\frac16$ | 0 | $\frac16$ | $\frac13$ |
|
||||
| **3** | $\frac16$ | $\frac16$ | 0 | $\frac13$ |
|
||||
| **列和** | $\frac13$ | $\frac13$ | $\frac13$ | 1 |
|
||||
|
||||
**(Ⅱ)** 边缘都是 $\frac13,\frac13,\frac13$ (即 $X,Y$ 各自服从 $\{1,2,3\}$ 上的均匀分布)。
|
||||
|
||||
不独立:$P\{X=1,Y=1\}=0\ne\frac13\cdot\frac13=\frac19$ 。
|
||||
|
||||
**(Ⅲ)** 满足 $i+j=4$ 的有 $(1,3)$ 与 $(3,1)$ :
|
||||
|
||||
$$P\{X+Y=4\}=\frac16+\frac16=\frac13 .$$
|
||||
|
||||
**验算**:六格概率之和 $6\times\frac16=1$ ✓;$X+Y$ 取 $3,4,5$ ,概率分别为 $\frac13$ ($(1,2),(2,1)$ )、$\frac13$ 、$\frac13$ ,合计 $1$ ✓。
|
||||
|
||||
**带走结论**:**"不放回"的最强信号是对角线为 $0$ 这件事**。看到对角线上有 $0$ ,立刻可以判不独立(只要对应边缘非零),不必再算其他格。
|
||||
|
||||
> **关联** · 盘点 [§2.1 联合分布律](01-知识点盘点.md#user-content-21-联合分布律) | 上游 — | 下游 — | 速查 [十三 离散型表格法](09-速查卡.md#user-content-十三-离散型表格法)
|
||||
|
||||
---
|
||||
|
||||
### 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
|
||||
>
|
||||
> | $X\backslash Y$ | 1 | 2 | 3 |
|
||||
> |---|---|---|---|
|
||||
> | **0** | 0.12 | $a$ | 0.18 |
|
||||
> | **1** | $b$ | 0.20 | $c$ |
|
||||
>
|
||||
> 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 $P\{X=1\mid Y\ne2\}$ 。
|
||||
|
||||
**怎么想**:独立性给出的是**比例关系**:同一列的两格之比等于两行的行和之比。取第 1 列($0.12$ 与 $b$ )和第 3 列($0.18$ 与 $c$ )各得一个比例,联立行和为 $1$ 就能解。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 设 $P\{X=0\}=p$ ,则 $P\{X=1\}=1-p$ 。
|
||||
|
||||
由第 1 列独立:$\dfrac{b}{0.12}=\dfrac{1-p}{p}$ ;由第 3 列独立:$\dfrac{c}{0.18}=\dfrac{1-p}{p}$ 。两列给出**同一个比值**,记 $r=\dfrac{1-p}{p}$ ,则
|
||||
|
||||
$$b=0.12r,\qquad c=0.18r .$$
|
||||
|
||||
由第 2 列:$a=p\,q_2$ 、$0.20=(1-p)q_2$ ,即 $a=0.20r$ ,于是
|
||||
|
||||
$$p=0.12+a+0.18=0.30+0.20r .$$
|
||||
|
||||
又 $p+(1-p)=p+rp=1$ ,把 $p=0.30+0.20r$ 代入并注意 $1-p=rp$ :
|
||||
|
||||
$$p(1+r)=1\Longrightarrow(0.30+0.20r)(1+r)=1\Longrightarrow0.20r^2+0.50r-0.70=0\Longrightarrow r=1\ (r>0).$$
|
||||
|
||||
故 $p=\frac12$ ,
|
||||
|
||||
$$a=0.20,\qquad b=0.12,\qquad c=0.18 .$$
|
||||
|
||||
**验算**:补全后表为
|
||||
|
||||
| $X\backslash Y$ | 1 | 2 | 3 | 行和 |
|
||||
|---|---|---|---|---|
|
||||
| **0** | 0.12 | 0.20 | 0.18 | 0.50 |
|
||||
| **1** | 0.12 | 0.20 | 0.18 | 0.50 |
|
||||
| **列和** | 0.24 | 0.40 | 0.36 | 1 |
|
||||
|
||||
两行完全相同,故 $p_{ij}=\frac12 q_j$ 对一切格成立 ✓(这正是独立的定义)。
|
||||
|
||||
**(Ⅱ)** 用第 0 行除以行和 $0.50$ :
|
||||
|
||||
$$P\{Y=1\mid X=0\}=0.24,\quad P\{Y=2\mid X=0\}=0.40,\quad P\{Y=3\mid X=0\}=0.36 .$$
|
||||
|
||||
(在独立的表里,条件分布律**就是边缘分布律**——这是独立的直接体现。)
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$P\{Y\ne2\}=0.24+0.36=0.60,\qquad P\{X=1,\ Y\ne2\}=0.12+0.18=0.30,$$
|
||||
|
||||
$$P\{X=1\mid Y\ne2\}=\frac{0.30}{0.60}=\frac12 .$$
|
||||
|
||||
**带走结论**:**独立性的表观特征是"各行成比例"**,比例因子就是行和。反解未知格时不要逐格套 $p_{ij}=p_ip_j$ ,直接写"同一列两格之比 $=$ 两行和之比",一步一个方程。
|
||||
|
||||
> **关联** · 盘点 [§2.2 独立性判据(离散版)](01-知识点盘点.md#user-content-22-独立性判据离散版) | 上游 — | 下游 — | 速查 [十三 离散型表格法](09-速查卡.md#user-content-十三-离散型表格法)
|
||||
|
||||
---
|
||||
|
||||
### 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 $E(X\mid X+Y=3)$ 。
|
||||
|
||||
**怎么想**:这是"泊松分解"的标准形态。$X+Y$ 用可加性;条件分布**不要真的去算三个概率再相除**——结论是二项分布,参数 $\frac{\lambda_1}{\lambda_1+\lambda_2}$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由泊松的可加性,
|
||||
|
||||
$$X+Y\sim P(\lambda_1+\lambda_2)=P(3),$$
|
||||
|
||||
即 $P\{X+Y=n\}=\dfrac{3^n\mathrm e^{-3}}{n!}$ 。
|
||||
|
||||
**(Ⅱ)** 对 $0\le k\le n$ :
|
||||
|
||||
$$P\{X=k\mid X+Y=n\}=\frac{P\{X=k\}P\{Y=n-k\}}{P\{X+Y=n\}}=\frac{\dfrac{2^k\mathrm e^{-2}}{k!}\cdot\dfrac{1^{n-k}\mathrm e^{-1}}{(n-k)!}}{\dfrac{3^n\mathrm e^{-3}}{n!}}=\binom nk\left(\frac23\right)^k\left(\frac13\right)^{n-k}.$$
|
||||
|
||||
故 $X\mid X+Y=n\ \sim\ B\!\left(n,\frac23\right)$ 。
|
||||
|
||||
**(Ⅲ)** 取 $n=3$ :
|
||||
|
||||
$$P\{X=1\mid X+Y=3\}=\binom31\cdot\frac23\cdot\left(\frac13\right)^2=\frac{2}{9}\approx0.2222 .$$
|
||||
|
||||
$$E(X\mid X+Y=3)=np=3\times\frac23=2 .$$
|
||||
|
||||
**验算(直接除)**:$P\{X=1,Y=2\}=\dfrac{2\mathrm e^{-2}}{1!}\cdot\dfrac{\mathrm e^{-1}}{2!}=\mathrm e^{-3}$ ;$P\{X+Y=3\}=\dfrac{27\mathrm e^{-3}}{6}=4.5\mathrm e^{-3}$ ;比值 $=\dfrac{1}{4.5}=\dfrac29$ ✓。
|
||||
|
||||
**带走结论**:**"泊松之和 + 已知总数"必然落到二项**,比例是 $\frac{\lambda_1}{\lambda_1+\lambda_2}$ 。这条结论让整类题从"算三个无穷级数"变成"套一个二项公式",是选填题里最省时间的一招。
|
||||
|
||||
> **关联** · 盘点 [§2.3 三类常见模型](01-知识点盘点.md#user-content-23-三类常见模型) | 上游 — | 下游 — | 速查 [十三 离散型表格法](09-速查卡.md#user-content-十三-离散型表格法)
|
||||
|
||||
---
|
||||
@@ -1,212 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 解析
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布 · 解析(19 题)
|
||||
日期: 2026-10-13
|
||||
关联: "[[01-考点手册]] · [[02-试题]]"
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 多维随机变量及其分布 · 解析
|
||||
|
||||
> 每题含 **答案 / 思路 / 易错点**,标「真题骨架」的题给出对应真题。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础
|
||||
|
||||
### 1.(Ⅰ)行和、列和:
|
||||
|
||||
| $X\backslash Y$ | 0 | 1 | 2 | $p_{i\cdot}$ |
|
||||
|---|---|---|---|---|
|
||||
| **1** | 0.1 | 0.2 | 0.1 | **0.4** |
|
||||
| **2** | 0.2 | 0.3 | 0.1 | **0.6** |
|
||||
| $p_{\cdot j}$ | **0.3** | **0.5** | **0.2** | 1 |
|
||||
|
||||
$X\sim\begin{pmatrix}1&2\\0.4&0.6\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1&2\\0.3&0.5&0.2\end{pmatrix}$ 。
|
||||
|
||||
**(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)$S_D=\dfrac12$ ,
|
||||
$$f(x,y)=\begin{cases}2,&0\le x\le1,\ 0\le y\le x\\0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(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 $1-x$ 。
|
||||
$$P\{X+Y\le1\}=2\left[\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx\right]=2\left(\frac18+\frac18\right)=\frac12.$$
|
||||
> **易错点**:**先画图再定限**,$y=x$ 与 $y=1-x$ 把区域切成两段。
|
||||
|
||||
### 3.(Ⅰ)$\displaystyle\iint f=c\int_0^1x\,\mathrm dx\int_0^2y\,\mathrm dy=c\cdot\frac12\cdot2=c=1\Rightarrow c=1$ 。
|
||||
|
||||
**(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**。
|
||||
> **思路**:矩形域 + 密度可分离 ⟹ 一眼独立。
|
||||
|
||||
### 4.(Ⅰ)$f_X(x)=\displaystyle\int_0^x3x\,\mathrm dy=3x^2\ (0<x<1)$ ;$f_Y(y)=\displaystyle\int_y^13x\,\mathrm dx=\dfrac32(1-y^2)\ (0<y<1)$ 。
|
||||
|
||||
**(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 $\tfrac12$ 。
|
||||
|
||||
### 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。
|
||||
|
||||
### 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);
|
||||
- (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)
|
||||
$$f_Z(z)=\int_0^1 x\,f_Y(zx)\,\mathrm dx,\qquad f_Y(zx)=1\iff 0<x<\frac1z.$$
|
||||
- $0<z<1$ :上限 $1$ ,$f_Z(z)=\displaystyle\int_0^1x\,\mathrm dx=\dfrac12$ ;
|
||||
- $z\ge1$ :上限 $\dfrac1z$ ,$f_Z(z)=\displaystyle\int_0^{1/z}x\,\mathrm dx=\dfrac{1}{2z^2}$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[4pt]\dfrac{1}{2z^2},&z\ge1\\[2pt]0,&z<0\end{cases},\qquad P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\,\mathrm dz=\frac12.$$
|
||||
> **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。
|
||||
|
||||
### 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**。
|
||||
> **秒杀**:取值区域是**圆**(非矩形),一步否定。
|
||||
|
||||
### 9. $f(x,y)=\dfrac12$ ($0<x<1,0<y<2$ ),$Z=XY$ :
|
||||
$$f_Z(z)=\int\frac1x\cdot\frac12\cdot\mathbb 1\{0<\tfrac zx<2\}\,\mathrm dx,\qquad 0<\frac zx<2\iff x>\frac z2.$$
|
||||
对 $0<z<2$ ,$x\in\big(\tfrac z2,1\big)$ :$\displaystyle f_Z(z)=\int_{z/2}^{1}\frac{1}{2x}\,\mathrm dx=\frac12\ln\frac2z$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}\dfrac12\ln\dfrac2z,&0<z<2\\0,&\text{其他}\end{cases}$$
|
||||
> **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。
|
||||
|
||||
### 10. 全概率(离散 $X$ 拆权重):
|
||||
$$F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1),\qquad F_Y(t)=0\,(t<0),\ t\,(0\le t<1),\ 1\,(t\ge1).$$
|
||||
- $z<0$ :$0$ ;$0\le z<1$ :$\dfrac z2$ ;$1\le z<2$ :$\dfrac12+\dfrac{z-1}{2}=\dfrac z2$ ;$z\ge2$ :$1$ 。
|
||||
|
||||
$$F_Z(z)=\begin{cases}0,&z<0\\ \dfrac z2,&0\le z<2\\1,&z\ge2\end{cases}\ \Longrightarrow\ f_Z(z)=\begin{cases}\dfrac12,&0<z<2\\0,&\text{其他}\end{cases}\ (\textbf{即 }Z\sim U(0,2))$$
|
||||
> **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 $\frac z2$ )。
|
||||
|
||||
### 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:
|
||||
$$f_Z(z)=2\lambda e^{-\lambda z}(1-e^{-\lambda z})=2\lambda\big(e^{-\lambda z}-e^{-2\lambda z}\big)\quad(z>0).$$
|
||||
> **配套**:$\min$ 用 $F_{\min}(z)=1-e^{-2\lambda z}$ (仍服从指数分布,参数 $2\lambda$ )。
|
||||
|
||||
### 13.(Ⅰ)$X\sim N(1,1)$ ,$Y\sim N(2,4)$ 。
|
||||
|
||||
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=0.5\times1\times2=1$ ;$D(X+Y)=1+4+2\times1=7$ 。
|
||||
|
||||
**(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 $U\sim U(0,1)$ ,$X=\min(U,1-U)\in(0,\tfrac12)$ :
|
||||
$$F_X(x)=P\{U\le x\}+P\{U\ge1-x\}=2x\quad(0<x<\tfrac12)\ \Rightarrow\ f_X(x)=\begin{cases}2,&0<x<\frac12\\0,&\text{其他}\end{cases}$$
|
||||
> **真题骨架**:🟨2021·22(Ⅰ)。
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 拔高
|
||||
|
||||
### 15.(Ⅰ)$S_D=\dfrac12$ ,$f(x,y)=\begin{cases}2,&0<y<x<1\\0,&\text{其他}\end{cases}$
|
||||
|
||||
**(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**。
|
||||
> **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,$f_Z(z)=\dfrac12f_X(z)+\dfrac12f_X(z-1)$ ,$f_X(x)=2x\ (0<x<1)$ :
|
||||
$$
|
||||
f_Z(z)=\begin{cases}z,&0<z<1\\ z-1,&1\le z<2\\0,&\text{其他}\end{cases},\qquad
|
||||
F_Z(z)=\begin{cases}0,&z<0\\[2pt]\dfrac{z^2}{2},&0\le z<1\\[4pt]\dfrac12+\dfrac{(z-1)^2}{2},&1\le z<2\\[4pt]1,&z\ge2\end{cases}
|
||||
$$
|
||||
> **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 $y=x/2$ 。
|
||||
|
||||
### 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**:$\displaystyle\int_0^1 t^n(-\ln t)\,\mathrm dt=\frac{1}{(n+1)^2}$ 。
|
||||
|
||||
### 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 $\pm1$ )。
|
||||
|
||||
### 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 $\operatorname{Cov}(X,Y)=0$ 。
|
||||
|
||||
**(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)** $0<z<1$ :
|
||||
$$F_Z(z)=\int_0^{2\pi}\!\!\int_0^{\sqrt z}\frac{3}{2\pi}r\cdot r\,\mathrm dr\,\mathrm d\theta=\frac{3}{2\pi}\cdot2\pi\cdot\frac{z^{3/2}}{3}=z^{3/2}\ \Rightarrow\ f_Z(z)=\begin{cases}\dfrac32\sqrt z,&0<z<1\\0,&\text{其他}\end{cases}$$
|
||||
> **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 $f_Z$ 。
|
||||
|
||||
### 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
|
||||
$$f_{UV}(u,v)=f\big(uv,\ u(1-v)\big)\cdot\lvert J\rvert=e^{-(uv+u(1-v))}\cdot u=u\,e^{-u},\quad u>0,\ 0<v<1.$$
|
||||
|
||||
**(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。
|
||||
|
||||
---
|
||||
|
||||
## 附 · 出题质量报告
|
||||
|
||||
### 考点覆盖(对照 ch17 的 11 道真题)
|
||||
|
||||
| 真题 | 考法 | 对应题 | 覆盖 |
|
||||
|---|---|---|---|
|
||||
| 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** | ✅ |
|
||||
| 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** | ✅ |
|
||||
| 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** | ✅ |
|
||||
| 2023·22 | 圆形区域+Cov+独立+$X^2+Y^2$ | **18** | ✅ |
|
||||
| 2024·9 | 条件均匀+协方差 | **4 + 16** | ✅ |
|
||||
| 2025·22 | 复合分布+混合模型 | **10 + 17** | ◐ 部分 |
|
||||
|
||||
### 手法覆盖
|
||||
和(5、10、15)、差(13)、积(9)、商(7)、最值(12)、平方和(18)、混合型(10、17)、离散化(15)、分布函数法(15、18)、卷积(5、9、10)、**雅可比变换(19,另 7/9/15 给出雅可比视角)**、极坐标(18)。
|
||||
|
||||
### 未覆盖方向(供二轮补)
|
||||
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;
|
||||
5. 2025·22 保险赔付应用建模。
|
||||
@@ -0,0 +1,281 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 二维连续型, 二维正态]
|
||||
专题: 概率论 第3讲 · 点3 二维连续型与两类特殊分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(3.1 联合密度、3.2 边缘密度、3.3 条件密度、3.4 均匀、3.5 二维正态,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 二维连续型与两类特殊分布
|
||||
|
||||
> 真题锚点:2016·22(二维均匀)、2023·22(二维连续型)、2019·8 与 2022·10(二维正态)|重要度 ★★★
|
||||
> 依赖:点 1 的边缘与条件定义。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:连续型比离散型多出来的唯一难点是**定限**。所以四道题分别压三件事:归一化与区域概率、边缘密度的分段、条件密度的"族"、以及二维正态的六条结论。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 3 题。
|
||||
|
||||
## 知识点 3.1 联合概率密度(出处:[知识章 §7.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$f(x,y)\ge0,\qquad \int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx\mathrm dy=1,$$
|
||||
|
||||
$$F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du,\qquad P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm d\sigma .$$
|
||||
|
||||
**与一维的唯一区别**:$P\{X=a,Y=b\}=0$ ,所以"$\le$ 与 $<$ "在连续型里随便换;但**积分域必须是题目给的那个区域**,不能默认矩形。
|
||||
|
||||
## 知识点 3.2 边缘密度与分段(出处:[知识章 §7.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .$$
|
||||
|
||||
**定限三步**:① 画出支撑集 $D$ ;② 固定 $x$ 画一条竖线,看它穿过 $D$ 的那一段 $[y_1(x),y_2(x)]$ ;③ 若 $y_1,y_2$ 的表达式随 $x$ 换段,就**按 $x$ 分段**写。
|
||||
|
||||
> **判据**:只要支撑不是"矩形",边缘密度就一定是**分片函数或非均匀函数**。看到题目给的 $D$ 是三角形、圆、$0<y<x$ ,先默认"边缘要分段"。
|
||||
|
||||
## 知识点 3.3 条件密度(出处:[知识章 §7.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)},\qquad f_X(x)>0 .$$
|
||||
|
||||
**两条恒等式**:联合 $=$ 边缘 $\times$ 条件(永远成立);$X\perp Y\iff f_{Y\mid X}(y\mid x)=f_Y(y)$ 。
|
||||
|
||||
**贝叶斯(密度版)**:$f_{X\mid Y}(x\mid y)=\dfrac{f_{Y\mid X}(y\mid x)f_X(x)}{f_Y(y)}$ 。
|
||||
|
||||
## 知识点 3.4 二维均匀分布(出处:[知识章 §7.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$D$ 有界、面积 $S_D$ :
|
||||
|
||||
$$f(x,y)=\frac{1}{S_D}\ ({(x,y)\in D}),\qquad P\{(X,Y)\in G\}=\frac{S_{D\cap G}}{S_D}.$$
|
||||
|
||||
**两条结论**:① 一切概率都是**面积比**;② **$X\perp Y\iff D$ 是边平行于坐标轴的矩形**。
|
||||
|
||||
## 知识点 3.5 二维正态分布(出处:[知识章 §7.5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
记 $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ 。**六条必背结论**:
|
||||
|
||||
1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ ,**与 $\rho$ 无关**;
|
||||
2. 线性组合:$aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right)$ ;
|
||||
3. 条件:$Y\mid X=x\sim N\!\left(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right)$ ;
|
||||
4. **独立与 $\rho=0$ 等价**(只对二维正态成立);
|
||||
5. $\rho=0$ 时联合密度 $=$ 两个边缘密度之积;
|
||||
6. $X+Y$ 与 $X-Y$ 独立 $\iff\sigma_1^2=\sigma_2^2$ 。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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 $P\{X=Y\}$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)在单位正方形上积 $x+y$ ,注意 $\int_0^1x\,\mathrm dx=\frac12$ 与 $\int_0^1y\,\mathrm dy=\frac12$ 各出现一次。(Ⅱ)积分域是三角形,**先画出来**再定限。(Ⅲ)是"一条线",面积为零。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$\int_0^1\!\!\int_0^1(x+y)\,\mathrm dx\mathrm dy=\int_0^1\left(\frac12+y\right)\mathrm dy=\frac12+\frac12=1,$$
|
||||
|
||||
故 $A=1$ 。
|
||||
|
||||
**(Ⅱ)** 区域 $0<x<1$ 、$0<y<1-x$ :
|
||||
|
||||
$$P\{X+Y<1\}=\int_0^1\!\!\int_0^{1-x}(x+y)\,\mathrm dy\,\mathrm dx=\int_0^1\left[x(1-x)+\frac{(1-x)^2}{2}\right]\mathrm dx .$$
|
||||
|
||||
括号内通分:$x(1-x)+\frac{(1-x)^2}{2}=\frac{1-x}{2}\left[2x+(1-x)\right]=\frac{1-x^2}{2}$ ,故
|
||||
|
||||
$$P\{X+Y<1\}=\frac12\int_0^1\left(1-x^2\right)\mathrm dx=\frac12\cdot\frac23=\frac13 .$$
|
||||
|
||||
**(Ⅲ)** $\{X=Y\}$ 是平面上的一条线段,面积为 $0$ ,而连续型对零面积集积分为 $0$ ,故 $P\{X=Y\}=0$ 。
|
||||
|
||||
**验算(换序积分)**:先对 $x$ 积分,$x$ 的区间是 $(0,1-y)$ :
|
||||
|
||||
$$\int_0^1\!\!\int_0^{1-y}(x+y)\,\mathrm dx\,\mathrm dy=\int_0^1\left[\frac{(1-y)^2}{2}+y(1-y)\right]\mathrm dy=\int_0^1\frac{1-y^2}{2}\,\mathrm dy=\frac13\ ✓$$
|
||||
|
||||
> **顺带堵一个误用**:本题 $f(x,y)=x+y$ 满足 $f(x,y)=f(y,x)$ ,只能推出 $X$ 与 $Y$ **同分布**,**推不出** $P\{X+Y<1\}=\frac12$ 。要得到"对半分",需要 $f(x,y)=f(1-x,1-y)$ ,而本题在该变换下变成 $2-x-y\ne x+y$ ,不成立。
|
||||
|
||||
**带走结论**:**连续型对"线""点"的概率一律为零**;而区域概率必须先画出积分域再定限,别指望对称性偷懒——对称性只在密度本身对称时成立。
|
||||
|
||||
> **关联** · 盘点 [§3.1 联合概率密度](01-知识点盘点.md#user-content-31-联合概率密度) | 上游 — | 下游 — | 速查 [二 边缘密度的定限](09-速查卡.md#user-content-二-边缘密度的定限)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:先算面积 $\frac{\pi}{4}$ 。边缘密度的上限是 $\sqrt{1-x^2}$ (活动端点),这就是它变成半圆形的来源。第三问用面积比,第四问用"矩形判据"——**支撑不是矩形,直接判不独立**。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $S_D=\frac14\pi\cdot1^2=\frac{\pi}{4}$ ,
|
||||
|
||||
$$f(x,y)=\begin{cases}\dfrac{4}{\pi},&x^2+y^2\le1,\ x\ge0,\ y\ge0\\[4pt]0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(Ⅱ)** 固定 $x\in(0,1)$ ,$y$ 从 $0$ 到 $\sqrt{1-x^2}$ :
|
||||
|
||||
$$f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{4}{\pi}\,\mathrm dy=\frac{4}{\pi}\sqrt{1-x^2},\qquad 0<x<1 .$$
|
||||
|
||||
形状解释:**竖线越靠右,穿过圆盘的那一段越短**,所以 $f_X$ 随 $x$ 增大而递减——这正是圆弧边界的痕迹。若 $D$ 是正方形,则每一条竖线等长,$f_X$ 才是常数。
|
||||
|
||||
**归一化自检**:$\frac4\pi\int_0^1\sqrt{1-x^2}\,\mathrm dx=\frac4\pi\cdot\frac\pi4=1$ ✓。
|
||||
|
||||
**(Ⅲ)** 由对称性,$D$ 关于 $y=x$ 对称且 $f$ 为常数,故
|
||||
|
||||
$$P\{X<Y\}=\frac12 .$$
|
||||
|
||||
内切四分之一圆 $x^2+y^2\le\frac14$ 完全含于 $D$ ,面积 $\frac14\pi\left(\frac12\right)^2=\frac{\pi}{16}$ :
|
||||
|
||||
$$P\left\{X^2+Y^2\le\frac14\right\}=\frac{\pi/16}{\pi/4}=\frac14 .$$
|
||||
|
||||
**(Ⅳ)** **不独立**。理由:支撑 $D$ 是四分之一圆盘,**不是边平行于坐标轴的矩形**。若要硬证:
|
||||
|
||||
$$f_X(x)f_Y(y)=\frac{16}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\frac4\pi=f(x,y)\quad(\text{在 }D\text{ 内部}) .$$
|
||||
|
||||
**带走结论**:**圆域均匀一定不独立**,而且边缘密度带根号、带分段——这两件事是同一个原因:活动端点 $\sqrt{1-x^2}$ 。看到根号边缘,就该想到"支撑是曲线围成的"。
|
||||
|
||||
> **关联** · 盘点 [§3.2 边缘密度](01-知识点盘点.md#user-content-32-边缘密度) | 上游 — | 下游 — | 速查 [二 边缘密度的定限](09-速查卡.md#user-content-二-边缘密度的定限)
|
||||
|
||||
---
|
||||
|
||||
### 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 $P\left\{Y<\frac12\ \middle|\ X=\frac34\right\}$ 。
|
||||
|
||||
**怎么想**:$f_{Y\mid X}$ 是"固定 $x$ 切一刀"得到的;$f_{X\mid Y}$ 是"固定 $y$ 切一刀"。两刀的切片长度不同,所以两个条件密度一个是 $\frac1x$ 、一个是 $\frac{1}{1-y}$ ,**形状完全不同**——这就是"族"的具体含义。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 先把两个边缘算出来(点 1 题 3 已算过):
|
||||
|
||||
$$f_X(x)=2x\ (0<x<1),\qquad f_Y(y)=2(1-y)\ (0<y<1).$$
|
||||
|
||||
于是
|
||||
|
||||
$$f_{Y\mid X}(y\mid x)=\frac{2}{2x}=\frac1x,\quad 0<y<x;\qquad f_{X\mid Y}(x\mid y)=\frac{2}{2(1-y)}=\frac{1}{1-y},\quad y<x<1 .$$
|
||||
|
||||
**(Ⅱ)** 支撑分别是 $(0,x)$ 与 $(y,1)$ :
|
||||
|
||||
$$Y\mid X=x\ \sim\ U(0,x),\qquad X\mid Y=y\ \sim\ U(y,1).$$
|
||||
|
||||
"族"的含义:**每给定一个 $x$ ,就得到一条新的密度曲线**。给定 $x=\frac14$ 时 $Y\mid X=\frac14$ 是 $U\!\left(0,\frac14\right)$ ;给定 $x=\frac34$ 时变成 $U\!\left(0,\frac34\right)$ 。**分布类型(均匀)不变,参数(区间右端)随 $x$ 变**。这与点 1 题 4 的"形状不变、起点平移"是同一件事的两种表现。
|
||||
|
||||
**(Ⅲ)** 取 $x=\frac34$ ,条件分布是 $U\!\left(0,\frac34\right)$ :
|
||||
|
||||
$$P\left\{Y<\frac12\ \middle|\ X=\frac34\right\}=\frac{1/2}{3/4}=\frac23 .$$
|
||||
|
||||
**验算**:条件密度在 $(0,\frac34)$ 上积分为 $\frac43\cdot\frac34=1$ ✓;题干中 $\frac12<\frac34$ ,所以概率小于 $1$ 且等于区间长度比 ✓。
|
||||
|
||||
**带走结论**:**条件密度的分母是"切片的边缘值",所以切片越靠近边界,条件分布越集中**。求条件概率时,只要认出条件分布是均匀,就是**长度比**,不必积分。
|
||||
|
||||
> **关联** · 盘点 [§3.3 条件密度](01-知识点盘点.md#user-content-33-条件密度) | 上游 — | 下游 — | 速查 —
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:四问对应六条结论里的四条。第(Ⅱ)问用线性组合公式,注意交叉项 $2ab\rho\sigma_1\sigma_2$ ;第(Ⅲ)问套条件期望与条件方差;第(Ⅳ)问先算 $\operatorname{Cov}$ ,再依赖"联合正态 + 不相关 $\Rightarrow$ 独立"。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 边缘与 $\rho$ 无关:
|
||||
|
||||
$$X\sim N(0,1),\qquad Y\sim N(0,4).$$
|
||||
|
||||
**(Ⅱ)** $a=b=1$ ,$\mu_1=\mu_2=0$ :
|
||||
|
||||
$$D(X+Y)=\sigma_1^2+\sigma_2^2+2\rho\sigma_1\sigma_2=1+4+2\cdot\frac12\cdot1\cdot2=7 .$$
|
||||
|
||||
故 $X+Y\sim N(0,7)$ ,标准化:
|
||||
|
||||
$$P\{X+Y>0\}=1-\Phi(0)=\frac12 .$$
|
||||
|
||||
(**零均值对称,不必查表**。)
|
||||
|
||||
**(Ⅲ)** $\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)=0+\dfrac12\cdot\frac21\cdot x=x$ ,方差
|
||||
|
||||
$$\sigma_2^2(1-\rho^2)=4\left(1-\frac14\right)=3,$$
|
||||
|
||||
故
|
||||
|
||||
$$Y\mid X=x\ \sim\ N(x,3).$$
|
||||
|
||||
**(Ⅳ)** 先算协方差(用到 $\operatorname{Cov}(X,X)=DX=1$ 、$\operatorname{Cov}(Y,Y)=4$ 、$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=1$ ):
|
||||
|
||||
$$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY+\operatorname{Cov}(Y,X)-\operatorname{Cov}(X,Y)=1-4+1-1=-3\ne0 .$$
|
||||
|
||||
故两者**相关**;又 $(X+Y,X-Y)$ 是 $(X,Y)$ 的线性变换,仍服从二维正态,而正态下不相关 $\iff$ 独立,所以**不独立**。
|
||||
|
||||
一般结论:$\operatorname{Cov}(X+Y,X-Y)=\sigma_1^2-\sigma_2^2$ ,故
|
||||
|
||||
$$X+Y\perp X-Y\iff\sigma_1^2=\sigma_2^2 .$$
|
||||
|
||||
本题 $1\ne4$ ,不独立 ✓。
|
||||
|
||||
**验算**:$D(X+Y)=7$ 、$D(X-Y)=1+4-2\cdot1=3$ ;$D(X+Y)+D(X-Y)=10=2(DX+DY)=2\cdot5$ ✓(因为交叉项相消)。再由 $\operatorname{Cov}^2\le D(X+Y)D(X-Y)$ 检验:$(-3)^2=9\le7\times3=21$ ✓。
|
||||
|
||||
**带走结论**:**"二维正态"这四个字一出现,独立与不相关就可以互相替换**;而 $X+Y$ 与 $X-Y$ 的独立性判据是**方差是否相等**,与 $\rho$ 无关。
|
||||
|
||||
> **关联** · 盘点 [§3.5 二维正态分布](01-知识点盘点.md#user-content-35-二维正态分布) | 上游 — | 下游 — | 速查 [四 二维正态六条](09-速查卡.md#user-content-四-二维正态六条)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:矩形的面积是 $2$ ,密度是 $\frac12$ 。矩形支撑下"可分离 + 矩形"两条都满足,必独立。第三问只改支撑形状,看判据怎么变。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $S_D=2\times1=2$ ,故
|
||||
|
||||
$$f(x,y)=\frac12\quad(0<x<2,\ 0<y<1).$$
|
||||
|
||||
边缘:
|
||||
|
||||
$$f_X(x)=\int_0^1\frac12\,\mathrm dy=\frac12\ (0<x<2);\qquad f_Y(y)=\int_0^2\frac12\,\mathrm dx=1\ (0<y<1).$$
|
||||
|
||||
$$f_X(x)f_Y(y)=\frac12\cdot1=\frac12=f(x,y)\ \Rightarrow\ X\perp Y\ ✓$$
|
||||
|
||||
**(Ⅱ)** 面积比:目标矩形面积 $1\times\frac12=\frac12$ ,
|
||||
|
||||
$$P\left\{X<1,\ Y<\frac12\right\}=\frac{1/2}{2}=\frac14 .$$
|
||||
|
||||
与独立性一致:$\frac12\cdot\frac12=\frac14$ ✓。
|
||||
|
||||
**(Ⅲ)** **变成不独立**。$T$ 的面积是 $\frac12\cdot2\cdot2=2$ (三角形顶点 $(0,0),(2,0),(2,2)$ ),密度仍为 $\frac12$ ,但边缘变了:
|
||||
|
||||
$$f_X(x)=\int_0^x\frac12\,\mathrm dy=\frac x2,\qquad f_Y(y)=\int_y^2\frac12\,\mathrm dx=\frac{2-y}{2}.$$
|
||||
|
||||
$$f_Xf_Y=\frac{x(2-y)}{4}\ne\frac12 .$$
|
||||
|
||||
**判据的用法**:$T$ 的支撑是三角形,**不必算就判不独立**;上面的计算只是复核。
|
||||
|
||||
**带走结论**:**矩形支撑是独立的"准入条件"**。本题三问共用同一个常数密度 $\frac12$ ,唯一变化是支撑形状——形状一变,独立性就变。这条对比是选择题最爱的陷阱。
|
||||
|
||||
> **关联** · 盘点 [§3.4 二维均匀分布](01-知识点盘点.md#user-content-34-二维均匀分布) | 上游 — | 下游 — | 速查 [三 两个均匀结论](09-速查卡.md#user-content-三-两个均匀结论)
|
||||
|
||||
---
|
||||
@@ -1,323 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 答疑
|
||||
专题: 概率论 第3讲 · 答疑笔记(按题号增量追加)
|
||||
日期: 2026-10-13
|
||||
覆盖题目: 第 2 题、第 4 题、第 7 题
|
||||
关联: "[[README]] · [[01-考点手册]] · [[02-试题]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 答疑笔记 · 概率论 第3讲(多维随机变量及其分布)
|
||||
|
||||
> 本文件按**题号增量追加**。已完成答疑:
|
||||
> **第 2 题**(二维均匀分布 + 画图定限,含两处误解纠偏)、**第 4 题**(区域面积 ≠ 1,均匀/非均匀归一化辨析)、**第 7 题**(商分布 $Z=Y/X$ 的雅可比行列式法)。
|
||||
|
||||
---
|
||||
|
||||
**第 2 题 · 二维均匀分布 + 画图定限**
|
||||
|
||||
> 用户反馈:第 2 题卡住。核心卡点是**"二维均匀分布怎么定限求概率"**。本笔记把这道题的完整思考链拆开,并抽出可复用的通用套路。
|
||||
|
||||
**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 $P\{X+Y\le1\}$ 。
|
||||
|
||||
## 一、先认题型:这是"二维均匀分布"
|
||||
|
||||
**信号**:题干出现"在区域 $D$ 上服从**均匀分布**"。
|
||||
**结论**:密度不是给出来的,而是**由区域反算**:
|
||||
$$f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{cases}$$
|
||||
所以**第一步永远是先求 $D$ 的面积**。
|
||||
|
||||
## 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)。
|
||||
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。
|
||||
|
||||
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 $(0,0),(1,0),\big(\tfrac12,\tfrac12\big)$ 。
|
||||
|
||||
### 算法 A:面积比法(均匀分布专属捷径)
|
||||
|
||||
$$S_G=\frac12\times1\times\frac12=\frac14,\qquad P\{X+Y\le1\}=\frac{S_G}{S_D}=\frac{1/4}{1/2}=\boxed{\frac12}$$
|
||||
> 均匀分布 = 几何概型升维,**概率 = 面积占比**,连积分都不用算。
|
||||
|
||||
### 算法 B:积分法(通用,考场上稳妥)
|
||||
|
||||
$$P=\iint_G f\,\mathrm dx\,\mathrm dy=\iint_G 2\,\mathrm dx\,\mathrm dy=2S_G=\frac12$$
|
||||
|
||||
**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 $1-x<x$ )。
|
||||
|
||||
$$P=2\left[\int_0^{1/2}\!\!\int_0^{x}\mathrm dy\,\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}\mathrm dy\,\mathrm dx\right]=2\left[\frac18+\frac18\right]=\frac12$$
|
||||
|
||||
**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 $y\le\tfrac12$ 。
|
||||
$$P=2\int_0^{1/2}\!\!\int_{y}^{1-y}\mathrm dx\,\mathrm dy=2\int_0^{1/2}(1-2y)\,\mathrm dy=2\left[\frac12-\frac14\right]=\frac12$$
|
||||
|
||||
## 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** |
|
||||
|
||||
> **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。**
|
||||
> 再加一句:**条件线切断区域处 → 必须分段**。
|
||||
|
||||
## 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 $f=1/S_D$ ;
|
||||
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。
|
||||
|
||||
> 同类练手:第 8 题(圆盘均匀,改用极坐标 + 面积比)、第 15 题(三角形域上再叠加离散化)。
|
||||
|
||||
---
|
||||
|
||||
## 六、误解 1 纠偏:区域是「面」,不是「线」
|
||||
|
||||
**用户原话**:「误认为 $y$ 是 0、1 之间的一条线,因为 $x$ 是 0、1 的取值。」
|
||||
|
||||
**错在哪**:把 $0\le y\le x\le1$ **当作数轴上的不等式链**来读,于是把二维区域**降维**成了一条线段。真正的读法是"**两个变量各一个不等式**":
|
||||
|
||||
$$0\le x\le1\ (\text{关于 }x),\qquad 0\le y\le x\ (\text{关于 }y).$$
|
||||
|
||||
**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** $S_D=\tfrac12$ 。
|
||||
|
||||
> **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**)。
|
||||
|
||||
## 七、误解 2 纠偏:事件必须先与 $D$ 求交(这是分布函数法的命门)
|
||||
|
||||
**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 $D$ 。
|
||||
|
||||
**正确公式**($D$ 必须显式出现):
|
||||
|
||||
$$P\{X+Y\le1\}=\iint_{\{x+y\le1\}\;\cap\;D}f(x,y)\,\mathrm dx\,\mathrm dy.$$
|
||||
|
||||
原因:本题密度为
|
||||
|
||||
$$f(x,y)=\begin{cases}2,&(x,y)\in D\\ 0,&(x,y)\notin D\end{cases}$$
|
||||
|
||||
**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。
|
||||
|
||||
### 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 $D$ 。
|
||||
|
||||
> 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)
|
||||
|
||||
| | 错误想法 | 实际 | 后果 |
|
||||
|---|---|---|---|
|
||||
| **误解 1** | 区域是**一条线**(读成数轴上的不等式链) | 区域是**一个二维面** | $S_D$ 求不出 → $f=1/S_D$ 写错 |
|
||||
| **误解 2** | 条件写在**整个实数平面**上 | 条件须**与 $D$ 求交**($D$ 是全集) | 积分区域取大 → 概率算错 |
|
||||
|
||||
**解题总纲**:拿到题先念一句——"$D$ 是 $0\le y\le x\le1$ 的**三角形**,$(X,Y)$ 只活在这个三角形里"。
|
||||
这句话同时把"**范围**(形状+面积)"和"**全集**(事件要不要裁剪)"都说清了,两个坑自动规避。
|
||||
|
||||
> 一句话口诀:**"在 $D$ 上分布" —— 既是范围,也是全集。**
|
||||
|
||||
---
|
||||
|
||||
## 九、第 4 题答疑:区域「面积」不是 1,也不该是 1
|
||||
|
||||
**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**。
|
||||
|
||||
### 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。
|
||||
|
||||
> **归一化的对象是「密度的积分」,不是「区域的面积」**:
|
||||
> $$\iint_D f(x,y)\,\mathrm dx\,\mathrm dy=1,\qquad\textbf{而不是}\ S_D=1.$$
|
||||
|
||||
### 第 4 题常数 $3$ 的来源
|
||||
|
||||
$$\iint_D 3x\,\mathrm dx\,\mathrm dy=\int_0^1\!\!\int_0^x 3x\,\mathrm dy\,\mathrm dx=\int_0^1 3x\cdot x\,\mathrm dx=3\int_0^1 x^2\,\mathrm dx=3\times\frac13=1\ \checkmark$$
|
||||
|
||||
常数 $3$ 是为使积分凑成 1 而确定的,**与 $S_D=\frac12$ 无关**。
|
||||
|
||||
### 三题对照(关键表)
|
||||
|
||||
| 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** |
|
||||
|
||||
> **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。
|
||||
|
||||
### 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。**
|
||||
|
||||
### 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)$P\{Y<\frac12\mid X=\frac34\}=\int_0^{1/2}\dfrac{1}{3/4}\,\mathrm dy=\dfrac43\cdot\dfrac12=\dfrac23$ 。
|
||||
|
||||
> **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)
|
||||
|
||||
**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**:$f_{XY}(x,y)=1,\ (x,y)\in(0,1)^2$ 。
|
||||
|
||||
### 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 $V$ **。
|
||||
|
||||
### 第 ①步 · 选辅助变量
|
||||
|
||||
取 $V=X$ (最省事,因 $Z=Y/X$ 中已含 $X$ ):
|
||||
|
||||
$$Z=\frac YX,\qquad V=X .$$
|
||||
|
||||
> 为什么取 $V=X$ 最省事?见下文"与商的密度公式的关系"。
|
||||
|
||||
### 第 ②步 · 反解 + 雅可比
|
||||
|
||||
$$x=v,\qquad y=zv .$$
|
||||
|
||||
$$
|
||||
J=\frac{\partial(x,y)}{\partial(z,v)}
|
||||
=\begin{vmatrix}\dfrac{\partial x}{\partial z} & \dfrac{\partial x}{\partial v}\\[6pt] \dfrac{\partial y}{\partial z} & \dfrac{\partial y}{\partial v}\end{vmatrix}
|
||||
=\begin{vmatrix}0 & 1\\ v & z\end{vmatrix}
|
||||
=0\cdot z-1\cdot v=-v,\qquad |J|=v\ (v>0).
|
||||
$$
|
||||
|
||||
### 第 ③步 · 联合密度 + **定义域一起变换**
|
||||
|
||||
$$f_{ZV}(z,v)=f_{XY}(v,zv)\cdot|J|=1\cdot v=v .$$
|
||||
|
||||
定义域:$0<x<1\Rightarrow 0<v<1$ ;$0<y<1\Rightarrow 0<zv<1\Rightarrow 0<z<\dfrac1v$ 。
|
||||
|
||||
$$f_{ZV}(z,v)=v,\qquad 0<v<1,\quad 0<z<1/v .$$
|
||||
|
||||
> **$(z,v)$ 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 $+\infty$ **。
|
||||
|
||||
### 第 ④步 · 积掉 $v$
|
||||
|
||||
对固定 $z>0$ ,$v$ 上限为 $\min(1,\,1/z)$ :
|
||||
|
||||
$$f_Z(z)=\int_0^{\min(1,1/z)}v\,\mathrm dv=\frac12\min\!\left(1,\frac1z\right)^2$$
|
||||
|
||||
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac12,&0<z<1\\[6pt]\dfrac{1}{2z^2},&z\ge1\\[6pt]0,&z<0\end{cases}\ }$$
|
||||
|
||||
自检:$\int_0^1\frac12\mathrm dz+\int_1^\infty\frac{1}{2z^2}\mathrm dz=\frac12+\frac12=1\ \checkmark$
|
||||
|
||||
### $P\{Z>1\}$
|
||||
|
||||
$$P\{Z>1\}=\int_1^{+\infty}\frac{1}{2z^2}\mathrm dz=\left[-\frac{1}{2z}\right]_1^{+\infty}=\frac12 .$$
|
||||
|
||||
> **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 $=1-\dfrac{1}{2z}$ 。
|
||||
|
||||
**$z=1$ (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 $EZ$ 。
|
||||
|
||||
### 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。
|
||||
|
||||
---
|
||||
|
||||
## 十一、第 7 题补充:两个基本功(雅可比排列 & $z$ 的取值范围)
|
||||
|
||||
**用户反馈两处不会**:①雅可比行列式**每一项怎么排**记不住;②**$z$ 的取值范围不会算**。
|
||||
|
||||
### 基本功 A:行列式的元素排列 —— 「分子排成行,分母排成列」
|
||||
|
||||
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 $v$ );
|
||||
- **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)。
|
||||
|
||||
> **⚡ 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。
|
||||
|
||||
> **🛡 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**)。
|
||||
|
||||
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 $z\in(0,+\infty)$ 。
|
||||
|
||||
> ⚠️ **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** $z=1$ |
|
||||
|
||||
⇒ **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 $+\infty$ 。
|
||||
|
||||
**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。**
|
||||
@@ -0,0 +1,224 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 独立性]
|
||||
专题: 概率论 第3讲 · 点4 随机变量的独立性
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(4.1 三种等价说法、4.2 可分离与矩形支撑、4.3 独立与不相关,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 4 随机变量的独立性
|
||||
|
||||
> 真题锚点:2016·22、2022·10、2024·9(都以"第一问判独立"出现)|重要度 ★★★
|
||||
> 依赖:点 1—点 3 的边缘与条件。盘点对应:§4 全节。
|
||||
|
||||
**组织原则**:先立三种等价说法(定义层),再练判据(技术层),最后辨析"独立 vs 不相关"(概念层)。这三层顺序不能乱——判据是从定义推出来的,不相关是独立的一个**必要条件**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2 题。
|
||||
|
||||
## 知识点 4.1 三种等价说法(出处:[知识章 §8.1、§8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$X\perp Y\iff F(x,y)=F_X(x)F_Y(y)\ \forall x,y\iff f(x,y)=f_X(x)f_Y(y)\ (\text{a.e.})\iff p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j .$$
|
||||
|
||||
**含义**:独立是"**联合分布被两个边缘完全决定**"。所以判独立永远只需要比"联合"与"边缘之积"。
|
||||
|
||||
**三条常用推论**:
|
||||
|
||||
1. 若 $X\perp Y$ ,则 $g(X)\perp h(Y)$ 对任意(可测)函数成立;
|
||||
2. 若 $X\perp Y$ 且 $E$ 存在,则 $E(XY)=EX\cdot EY$ (**逆命题不成立**);
|
||||
3. $n$ 个变量相互独立 $\iff$ 联合密度 $=\prod f_{X_i}$ ,且**任意分组后仍独立**。
|
||||
|
||||
## 知识点 4.2 判据:可分离 + 支撑矩形(出处:[知识章 §8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
**连续型三步**:
|
||||
|
||||
1. 把 $f(x,y)$ 写成 $g(x)h(y)$ 的形状(**只看表达式,不看区域**);
|
||||
2. 检查支撑集能否写成 $x\in I_1$ 、$y\in I_2$ 的**矩形**(端点为常数或 $\pm\infty$ );
|
||||
3. 归一化:$f_Xf_Y=g h\cdot GH$ ,而 $GH=1$ ,故 $f_Xf_Y=f$ 。
|
||||
|
||||
**核心判据(一步定生死)**:
|
||||
|
||||
> **支撑不是矩形 $\Rightarrow$ 一定不独立**,无论 $f$ 能不能分离。
|
||||
|
||||
反过来:**$f$ 不能分离 $\Rightarrow$ 一定不独立**,无论支撑是不是矩形。两条合起来:**独立 $\iff$ 可分离 且 支撑矩形**。
|
||||
|
||||
## 知识点 4.3 独立与不相关(出处:[知识章 §9](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY,\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX\cdot DY}} .$$
|
||||
|
||||
| | 定义 | 强度 |
|
||||
|---|---|---|
|
||||
| 独立 | $f=f_Xf_Y$ (**全部分布信息**) | 强 |
|
||||
| 不相关 | $\rho=0$ ,即 $E(XY)=EX\,EY$ (**只有二阶信息**) | 弱 |
|
||||
|
||||
**结论链**:独立 $\Rightarrow$ 不相关(要求二阶矩存在);反之不成立,**唯一例外是二维正态**。
|
||||
|
||||
**标准反例族**:$X\sim U(-1,1)$ 、$Y=X^2$ (偶函数型);$X\sim U(-1,1)$ 、$Y=\lvert X\rvert$ 。两者都因对称性使 $E(XY)=0$ ,但 $Y$ 由 $X$ 完全决定。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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 $P\{X=Y\}=0$ )。
|
||||
|
||||
**怎么想**:(Ⅰ)考"函数不破坏独立";(Ⅱ)考"不相关推不出独立";(Ⅲ)考"a.e. 相等就够"——这是连续性带来的宽容;(Ⅳ)是独立同分布的标准用法。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)**正确**。独立是分布层面的性质,对 $X$ 作函数、对 $Y$ 作函数后,联合分布仍是"边缘之积":$f_{X^2,\mathrm e^Y}(u,v)=f_{X^2}(u)f_{\mathrm e^Y}(v)$ 。
|
||||
|
||||
(Ⅱ)**错误**。这是把"不相关"当成"独立"。反例见本点题 3。
|
||||
|
||||
(Ⅲ)**正确**。密度只在**零测集**上不同,不影响任何积分,故仍独立。这正是等价说法里写"a.e."的原因。
|
||||
|
||||
(Ⅳ)**正确**。因同分布,$P\{X<Y\}=P\{Y<X\}$ ;又 $P\{X=Y\}=0$ ,故两者各为 $\frac12$ 。
|
||||
|
||||
**带走结论**:**独立只看"联合是否等于边缘之积"**,与函数、与零测集上的差异都无关;但**不能反着用**——$E(XY)=EX\,EY$ 只是二阶层面的信息。
|
||||
|
||||
> **关联** · 盘点 [§4.1 三种等价说法](01-知识点盘点.md#user-content-41-三种等价说法) | 上游 — | 下游 — | 速查 [五 判独立两步](09-速查卡.md#user-content-五-判独立两步)
|
||||
|
||||
---
|
||||
|
||||
### 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 $P\left\{Y<\frac X2\right\}$ 。
|
||||
|
||||
**怎么想**:$8xy=(8x)\cdot y$ ,形式上确实分离。但支撑 $0<y<x<1$ 是三角形,$x$ 的取值范围依赖 $y$ ——这是"**分离的是表达式,不分离的是区域**"。算完边缘即可看到乘积对不上。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$\int_0^1\!\!\int_0^x8xy\,\mathrm dy\,\mathrm dx=\int_0^1 4x^3\,\mathrm dx=1\ ✓$$
|
||||
|
||||
**(Ⅱ)** 固定 $x$ ,$y\in(0,x)$ :
|
||||
|
||||
$$f_X(x)=\int_0^x8xy\,\mathrm dy=4x^3,\qquad 0<x<1 .$$
|
||||
|
||||
固定 $y$ ,$x\in(y,1)$ :
|
||||
|
||||
$$f_Y(y)=\int_y^1 8xy\,\mathrm dx=4y\left(1-y^2\right),\qquad 0<y<1 .$$
|
||||
|
||||
**归一化自检**:$\int_0^14x^3\mathrm dx=1$ ✓;$\int_0^14y(1-y^2)\mathrm dy=4\left(\frac12-\frac14\right)=1$ ✓。
|
||||
|
||||
**(Ⅲ)** **不独立**。看乘积:
|
||||
|
||||
$$f_X(x)f_Y(y)=16x^3y\left(1-y^2\right)\ne8xy=f(x,y)\quad(0<y<x<1).$$
|
||||
|
||||
**为什么"能分离"不够**:真正的分离必须形如 $f(x,y)=g(x)h(y)\cdot I\{x\in I_1\}I\{y\in I_2\}$ ,其中两个指示函数**各自只管一个变量**。本题的指示函数是 $I\{0<y<x<1\}$ ,它同时含 $x$ 与 $y$ ,**无法拆成两个一维指示函数的乘积**。所以"表达式分离"只是必要条件,**支撑矩形才是充分性缺的那一半**。
|
||||
|
||||
**(Ⅳ)** 区域 $0<y<\frac x2$ 含于 $D$ :
|
||||
|
||||
$$P\left\{Y<\frac X2\right\}=\int_0^1\!\!\int_0^{x/2}8xy\,\mathrm dy\,\mathrm dx=\int_0^1 8x\cdot\frac{x^2}{8}\,\mathrm dx=\int_0^1x^3\,\mathrm dx=\frac14 .$$
|
||||
|
||||
**验算**:$\int_0^{x/2}8xy\,\mathrm dy=8x\cdot\frac{(x/2)^2}{2}=x^3$ ✓,再积得 $\frac14$ ✓。
|
||||
|
||||
**带走结论**:**判独立先看支撑,再看表达式**。支撑是三角形、圆、$0<y<x$ 这类"耦合"区域时,一律不独立——这条比算边缘快十倍。
|
||||
|
||||
> **关联** · 盘点 [§4.2 判据:可分离 + 支撑矩形](01-知识点盘点.md#user-content-42-判据可分离--支撑矩形) | 上游 — | 下游 — | 速查 [五 判独立两步](09-速查卡.md#user-content-五-判独立两步)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:(Ⅰ)$Y$ 是 $X$ 的偶函数,$E(XY)=E(X^3)$ 在对称区间上是 $0$ 。(Ⅱ)不相关成立,但独立性要用**事件**去否定:找一个"$Y$ 被 $X$ 完全决定"的显著事件。(Ⅲ)整理层次:独立 $\Rightarrow$ 不相关,反向与"相关"各给一例。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $X$ 的密度为 $\frac12$ ($-1<x<1$ ):
|
||||
|
||||
$$EX=\int_{-1}^{1}\frac x2\,\mathrm dx=0,\qquad EY=EX^2=\int_{-1}^{1}\frac{x^2}{2}\,\mathrm dx=\frac13,$$
|
||||
|
||||
$$E(XY)=E\left(X^3\right)=\int_{-1}^{1}\frac{x^3}{2}\,\mathrm dx=0 .$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY=0-0\cdot\frac13=0 .$$
|
||||
|
||||
**(Ⅱ)** **不相关**($\operatorname{Cov}=0$ ),但**不独立**。取事件 $\{X>1/2\}$ 与 $\{Y<1/4\}$ :
|
||||
|
||||
$$P\left\{X>\frac12,\ Y<\frac14\right\}=P\left\{X>\frac12,\ \lvert X\rvert<\frac12\right\}=0 .$$
|
||||
|
||||
而
|
||||
|
||||
$$P\left\{X>\frac12\right\}=\frac{1-\frac12}{2}=\frac14,\qquad P\left\{Y<\frac14\right\}=P\left\{\lvert X\rvert<\frac12\right\}=\frac12,$$
|
||||
|
||||
乘积 $\frac14\cdot\frac12=\frac18\ne0$ ,故不独立。
|
||||
|
||||
(直观看:知道 $X>\frac12$ 就必然知道 $Y>\frac14$ ,信息完全传递,所以不独立。)
|
||||
|
||||
**(Ⅲ)** 三组例子:
|
||||
|
||||
| 关系 | 例子 | 判据 |
|
||||
|---|---|---|
|
||||
| 独立(必不相关) | $X\sim N(0,1)$ 、$Y\sim N(0,1)$ 独立 | $f=f_Xf_Y$ |
|
||||
| 不相关但不独立 | 本题 $Y=X^2$ | $\operatorname{Cov}=0$ 但 $f\ne f_Xf_Y$ |
|
||||
| 相关(必不独立) | $Y=X$ | $\operatorname{Cov}=DX>0$ |
|
||||
|
||||
**唯一例外**:若 $(X,Y)$ 服从**二维正态**,则不相关 $\iff$ 独立(点 3 题 4 已用)。
|
||||
|
||||
**带走结论**:**独立是"分布层",不相关是"二阶层"**。二阶层的信息量小,所以"不相关"能推出的结论少得多。考场上看到"不相关"三个字,先问一句:**是不是二维正态?** 不是,就不能换成独立。
|
||||
|
||||
> **关联** · 盘点 [§4.3 独立与不相关](01-知识点盘点.md#user-content-43-独立与不相关) | 上游 — | 下游 — | 速查 [六 独立与不相关](09-速查卡.md#user-content-六-独立与不相关)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:独立同分布的三条推论各用一次:**卷积(和)**、**$F^n$ (最大)**、**$1-(1-F)^n$ (最小)**。第(Ⅲ)问的恒等式是"最大值与最小值之和等于两变量之和",即 $M+m=X+Y$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 卷积:
|
||||
|
||||
$$f_{X+Y}(z)=\int_0^z\mathrm e^{-x}\mathrm e^{-(z-x)}\,\mathrm dx=z\mathrm e^{-z},\qquad z>0 .$$
|
||||
|
||||
这是 $\Gamma(2,1)$ 的密度($\dfrac{z^{2-1}\mathrm e^{-z}}{\Gamma(2)}$ )。**它与 $E(1)$ 完全不同**:$E(1)$ 的密度是 $\mathrm e^{-z}$ ,在 $z=0$ 处取最大值;而 $z\mathrm e^{-z}$ 在 $z=0$ 处为 $0$ ,峰值移到 $z=1$ 。
|
||||
|
||||
**(Ⅱ)** $F(x)=1-\mathrm e^{-x}$ ,故 $F_M=F^2$ :
|
||||
|
||||
$$F_M(x)=\left(1-\mathrm e^{-x}\right)^2,\qquad f_M(x)=2\left(1-\mathrm e^{-x}\right)\mathrm e^{-x}\quad(x>0).$$
|
||||
|
||||
$$EM=\int_0^{+\infty}x\cdot2\left(1-\mathrm e^{-x}\right)\mathrm e^{-x}\,\mathrm dx=2\left(1-\frac14\right)=\frac32 .$$
|
||||
|
||||
(分项积:$\int_0^{+\infty}x\mathrm e^{-x}\mathrm dx=1$ ,$\int_0^{+\infty}x\mathrm e^{-2x}\mathrm dx=\frac14$ 。)
|
||||
|
||||
**(Ⅲ)** $F_m=1-(1-F)^2=1-\mathrm e^{-2x}$ ,即 $m\sim E(2)$ ,故
|
||||
|
||||
$$Em=\frac12 .$$
|
||||
|
||||
$$EM+Em=\frac32+\frac12=2=EX+EY\ ✓$$
|
||||
|
||||
恒等式的来源:**$M+m=X+Y$ 逐点成立**(两个数中较大的加较小的等于两者之和),取期望即得。
|
||||
|
||||
**(Ⅳ)** 可加性来自**卷积**——卷积只处理"相加"这种线性运算。$\max$ 是非线性的:$\max\{x,y\}+\max\{x',y'\}\ne\max\{x+x',y+y'\}$ ,所以不存在"最大值分布 $=$ 两者分布相加"这种结论,只能回到 $F^n$ 去算。
|
||||
|
||||
**验算**:$m\sim E(2)$ 的结论可独立验证:$P\{m>x\}=P\{X>x\}P\{Y>x\}=\mathrm e^{-2x}$ ✓(这正是指数分布的"最小值仍是指数"性质)。
|
||||
|
||||
**带走结论**:**独立同分布只会带来三件礼物**:卷积(和)、$F^n$ (最大)、$1-(1-F)^n$ (最小)。**别指望它给"差的分布"或"商的分布"**——那两个要重新算。
|
||||
|
||||
> **关联** · 盘点 [§4.4 独立同分布的可加结论](01-知识点盘点.md#user-content-44-独立同分布的可加结论) | 上游 — | 下游 — | 速查 [十 最值](09-速查卡.md#user-content-十-最值)
|
||||
|
||||
---
|
||||
@@ -1,84 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 试题
|
||||
- 中高难度
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷(12 题)
|
||||
日期: 2026-10-16
|
||||
题量: 12 题(B 中等 7 / C 拔高 5,不含基础题)
|
||||
建议用时: 100 分钟(可拆两天)
|
||||
关联: "[[01-考点手册]] · [[06-解析-中高难度]] · [[02-试题]]"
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 多维随机变量及其分布 · 试题(中高难度卷)
|
||||
|
||||
> **定位**:本章**只收 B / C 两档**(中等 + 拔高),基础题见 [[02-试题]] 的 A 组。题号 1–12 **独立成卷**。
|
||||
> **用法**:先过 [[01-考点手册]],再限时 100 分钟做本卷,最后对 [[06-解析-中高难度]]。
|
||||
> **来源记号**:🟨 真题库第 17 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字与区域全部原创**,做完可直接回刷真题原题。
|
||||
> **难度**:B ★★☆ · C ★★★。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等(多步计算,★★☆)
|
||||
|
||||
**1.** 【离散型函数分布 · **填缺口**】设 $(X,Y)$ 的联合分布律为
|
||||
|
||||
| $X\backslash Y$ | 0 | 1 |
|
||||
|---|---|---|
|
||||
| **0** | 0.2 | 0.3 |
|
||||
| **1** | 0.4 | 0.1 |
|
||||
|
||||
(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,$X\sim N(1,4)$ ,$Y\sim N(2,9)$ 。
|
||||
(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。
|
||||
|
||||
**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 $E(Y)$ 。
|
||||
|
||||
**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 $P\{X>Y\}$ 。
|
||||
|
||||
**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 $N(0,0;1,4;-0.5)$ 。
|
||||
(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。
|
||||
|
||||
## 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;
|
||||
(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 $E(U)$ 、$E(V)$ 。
|
||||
|
||||
**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 $\rho_{XY}$ 。
|
||||
|
||||
**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。
|
||||
@@ -0,0 +1,211 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 函数分布, 雅可比]
|
||||
专题: 概率论 第3讲 · 点5 随机变量函数的分布:两条路
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(5.1 分布函数法、5.2 雅可比法、5.3 选路,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 5 随机变量函数的分布:两条路
|
||||
|
||||
> 真题锚点:2017·22、2019·22、2021·22、2023·22(十年约 **46 分**,本讲分值最重)|重要度 ★★★
|
||||
> 依赖:点 1—点 4 的联合密度与独立性。盘点对应:§5 全节。
|
||||
|
||||
**组织原则**:这一点的全部内容是**两条路 + 一张选路表**。分布函数法是通法(永远能做),雅可比法是快法(要会写反解)。出题顺序:通法两题(矩形区域、区域型各一)→ 快法一题 → 选路一题。难度标准:★★☆ 两题、★★★ 一题、★☆☆ 一题。
|
||||
|
||||
## 知识点 5.1 分布函数法(出处:[知识章 §10.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm d\sigma,\qquad f_Z(z)=F_Z'(z).$$
|
||||
|
||||
**三步**:① 把 $g(x,y)\le z$ 翻译成**平面区域**(这是全部功夫);② 按 $z$ 的取值**分段**(分段点来自区域的几何临界位置:$z$ 小于最小值、落在中间、大于最大值);③ 积分后**求导**。
|
||||
|
||||
**分段的判据**:把 $z$ 看成"水平面在移动",看它扫过支撑集时**交线形状是否换型**。例如 $Z=X+Y$ 在单位正方形上:$z<0$ 无交、$0<z<1$ 三角、$1<z<2$ 五边形(补三角)、$z>2$ 全含。
|
||||
|
||||
## 知识点 5.2 雅可比变换法(出处:[知识章 §10.2 连续型](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
设 $\begin{cases}u=g_1(x,y)\\v=g_2(x,y)\end{cases}$ 有唯一反解 $x=x(u,v)$ 、$y=y(u,v)$ ,则
|
||||
|
||||
$$f_{U,V}(u,v)=f\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[6pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}.$$
|
||||
|
||||
**四个动作**:① 写反解;② 算 $J$ (**取绝对值**);③ 把 $f$ 里的 $x,y$ 全换掉;④ 对不要的那个变量积分得边缘。
|
||||
|
||||
**为什么能"顺带判独立"**:若 $f_{U,V}(u,v)$ 恰好能写成 $a(u)b(v)$ 且支撑是矩形,则 $U\perp V$ ——一眼看出,不必再算边缘。
|
||||
|
||||
> **只要求一个函数的分布时也能用它**:拉一个**陪变量** $V=Y$ 把"一个函数"补成"一次变换",积分掉 $v$ 就回到边缘。点 6 §6.2 的三个成品公式(差、积、商)就是这样推出来的,见 [点 6 §6.2 差、积、商](07-点6-四则运算与最值.md)。
|
||||
|
||||
## 知识点 5.3 三条路怎么选(出处:本讲点 6 与 §5 综合)
|
||||
|
||||
| 题目长相 | 走哪条 | 理由 |
|
||||
|---|---|---|
|
||||
| 求 $Z=g(X,Y)$ ,$g$ 一般(含平方、商、绝对值) | **分布函数法** | "$g\le z$ "总能翻译成区域 |
|
||||
| 已知两个**边缘**且独立,求 $Z=X+Y$ | **卷积公式** | 卷积就是分布函数法在这里的成品 |
|
||||
| 需要**两个函数**的联合分布(如 $X+Y$ 与 $X/(X+Y)$ ) | **雅可比** | 分布函数法处理不了"两个新变量" |
|
||||
| 求 $\max$ 、$\min$ | 直接用 $F^n$ 、$1-(1-F)^n$ | 独立性使"全部 $\le z$ "变成乘积 |
|
||||
|
||||
> **一条保险策略**:不确定时**先走分布函数法**。它慢但不会错;做完后用雅可比复核(若时间允许),两法结果一致才敢交卷。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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 $P\left\{Z<\frac12\right\}$ 。
|
||||
|
||||
**怎么想**:$F_Z(z)$ 是"单位正方形被 $x+y\le z$ 切下的面积"。$z$ 从 $0$ 移到 $2$ 时,切下的形状从"无"→"三角形"→"五边形"→"全含",四次换型就是三个分段点。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 支撑是单位正方形,面积为 $1$ ,故 $f(x,y)=1$ 在正方形上,且
|
||||
|
||||
$$F_Z(z)=P\{X+Y\le z\}=\text{区域}\{x+y\le z\}\cap[0,1]^2\text{的面积}.$$
|
||||
|
||||
- $z<0$ :$F_Z=0$ ;
|
||||
- $0\le z<1$ :切下的是直角边为 $z$ 的等腰直角三角形,$F_Z(z)=\dfrac{z^2}{2}$ ;
|
||||
- $1\le z<2$ :补集是直角边为 $2-z$ 的三角形,$F_Z(z)=1-\dfrac{(2-z)^2}{2}$ ;
|
||||
- $z\ge2$ :$F_Z=1$ 。
|
||||
|
||||
求导:
|
||||
|
||||
$$f_Z(z)=\begin{cases}z,&0<z<1\\[2pt]2-z,&1<z<2\\[2pt]0,&\text{其他}\end{cases}$$
|
||||
|
||||
**(Ⅱ)** 分段点来自**交线换型**:$z=0$ 时区域从"空"变"非空";$z=1$ 时区域从"三角形"变成"五边形"(正方形的一角被切出去了);$z=2$ 时区域吞满整个正方形。**三个点是"形状分类"的临界值,不是随便取的**。
|
||||
|
||||
**(Ⅲ)** $\frac12$ 落在第一段:
|
||||
|
||||
$$P\left\{Z<\frac12\right\}=F_Z\left(\frac12\right)=\frac{(1/2)^2}{2}=\frac18 .$$
|
||||
|
||||
**验算**:$\int_0^1z\,\mathrm dz+\int_1^2(2-z)\,\mathrm dz=\frac12+\frac12=1$ ✓;且 $f_Z$ 在 $z=1$ 处左右极限都是 $1$ ,连续 ✓(三角形分布)。
|
||||
|
||||
**带走结论**:**$Z=X+Y$ 的两个均匀变量给出三角分布**,峰值在 $z=1$ 。这个形状与"两个骰子点数之和"完全同构——卷积就是把分布"越卷越尖"。
|
||||
|
||||
> **关联** · 盘点 [§5.1 分布函数法(通法,必掌握)](01-知识点盘点.md#user-content-51-分布函数法通法必掌握) | 上游 — | 下游 [点 5 题 2](06-点5-函数分布两条路.md#user-content-题-2--51区域型支撑上的函数分布) | 速查 [七 函数分布三条路](09-速查卡.md#user-content-七-函数分布三条路)
|
||||
|
||||
---
|
||||
|
||||
### 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"。
|
||||
|
||||
**怎么想**:$0<y<x$ 保证 $Z\in(0,1)$ 。求 $F_Z$ 就是算 $\{Y\le zX\}\cap D$ 的面积——注意 $z<1$ 时直线 $y=zx$ **落在 $y=x$ 下方**,所以它把三角形整个"压扁"成一个小三角形,面积好算。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由 $0<y<x$ 得 $0<\dfrac yx<1$ ,故 $Z\in(0,1)$ 。
|
||||
|
||||
**(Ⅱ)** 对 $0<z<1$ :
|
||||
|
||||
$$F_Z(z)=P\left\{\frac YX\le z\right\}=P\{Y\le zX\}=2\times\text{面积}\{0<y<zx,\ 0<x<1\},$$
|
||||
|
||||
面积 $=\int_0^1zx\,\mathrm dx=\dfrac z2$ ,故
|
||||
|
||||
$$F_Z(z)=2\cdot\frac z2=z .$$
|
||||
|
||||
于是
|
||||
|
||||
$$f_Z(z)=1,\qquad 0<z<1,$$
|
||||
|
||||
即 $Z\sim U(0,1)$ 。($z\le0$ 时 $F_Z=0$ ,$z\ge1$ 时 $F_Z=1$ 。)
|
||||
|
||||
**(Ⅲ)** $Z\sim U(0,1)$ ,故 $EZ=\frac12$ 。
|
||||
|
||||
"自然"的理由:在三角形 $0<y<x<1$ 上均匀取点,**射线角度是均匀的**——$Z=y/x$ 正是斜率,而斜率在 $(0,1)$ 上均匀分布。可以验证:$P\{Y\le zX\}=z$ 对一切 $z\in(0,1)$ 成立,正是均匀分布的标志。
|
||||
|
||||
**验算**:$F_Z(1)=1$ ✓;$\int_0^1z\cdot1\,\mathrm dz=\frac12=EZ$ ✓。另一条路(直接积分):
|
||||
|
||||
$$EZ=\int_0^1\!\!\int_0^x\frac yx\cdot2\,\mathrm dy\,\mathrm dx=\int_0^1\frac{2}{x}\cdot\frac{x^2}{2}\,\mathrm dx=\int_0^1x\,\mathrm dx=\frac12\ ✓$$
|
||||
|
||||
**带走结论**:**商的分布先看几何意义**。均匀分布在三角形上时,"比值"多半是均匀的;这类结论能省掉整个积分。若支撑换成一般区域,就必须老老实实算面积函数再求导。
|
||||
|
||||
> **关联** · 盘点 [§5.1 分布函数法(通法,必掌握)](01-知识点盘点.md#user-content-51-分布函数法通法必掌握) | 上游 [点 5 题 1](06-点5-函数分布两条路.md#user-content-题-1--51分布函数法求和的分布) | 下游 — | 速查 [七 函数分布三条路](09-速查卡.md#user-content-七-函数分布三条路)
|
||||
|
||||
---
|
||||
|
||||
### 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 $E\!\left(\dfrac{X}{X+Y}\right)$ 。
|
||||
|
||||
**怎么想**:这是"两个新变量"的典型——分布函数法完全没法处理,必须雅可比。反解要写成 $x,y$ 关于 $u,v$ 的式子:由 $v=\frac{x}{x+y}$ 得 $x=uv$ ,再由 $u=x+y$ 得 $y=u(1-v)$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 反解
|
||||
|
||||
$$x=uv,\qquad y=u(1-v),\qquad u>0,\ 0<v<1 .$$
|
||||
|
||||
雅可比
|
||||
|
||||
$$J=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[6pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix}=\begin{vmatrix}v&u\\1-v&-u\end{vmatrix}=-uv-u(1-v)=-u,\qquad \lvert J\rvert=u .$$
|
||||
|
||||
联合密度($X,Y$ 独立同分布,$f(x,y)=\mathrm e^{-x}\mathrm e^{-y}=\mathrm e^{-(x+y)}$ ):
|
||||
|
||||
$$f_{U,V}(u,v)=\mathrm e^{-u}\cdot u=u\,\mathrm e^{-u},\qquad u>0,\ 0<v<1 .$$
|
||||
|
||||
**(Ⅱ)** 上式可分离:$f_{U,V}=\underbrace{u\mathrm e^{-u}}_{\text{只含 }u}\cdot\underbrace{1}_{\text{只含 }v}$ ,且支撑 $u>0$ 、$0<v<1$ 是矩形,故 $U$ 与 $V$ **相互独立**。归一化后
|
||||
|
||||
$$f_U(u)=u\mathrm e^{-u}\ (u>0)\ \Rightarrow\ U\sim\Gamma(2,1);\qquad f_V(v)=1\ (0<v<1)\ \Rightarrow\ V\sim U(0,1).$$
|
||||
|
||||
($u\mathrm e^{-u}$ 是 $\Gamma(2,1)$ 的密度:$\int_0^{+\infty}u\mathrm e^{-u}\mathrm du=1$ ✓。)
|
||||
|
||||
**(Ⅲ)** 因 $V\sim U(0,1)$ ,
|
||||
|
||||
$$E\!\left(\frac{X}{X+Y}\right)=EV=\frac12 .$$
|
||||
|
||||
**验算(不靠雅可比)**:由对称性,$X$ 与 $Y$ 同分布且 $\frac{X}{X+Y}+\frac{Y}{X+Y}=1$ ,故两者期望相等,各为 $\frac12$ ✓。这条"对称性验算"是本题最好的自检。
|
||||
|
||||
**带走结论**:**见到"$X+Y$ 与 $X/(X+Y)$ "这对组合,立刻想到雅可比**——它把"和"与"比例"拆成两个独立变量,是概率论里最漂亮的一次坐标变换。同类还有"$X+Y$ 与 $X-Y$ "(和为积分的因子化)。
|
||||
|
||||
> **关联** · 盘点 [§5.2 雅可比变换法(快法)](01-知识点盘点.md#user-content-52-雅可比变换法快法) | 上游 — | 下游 — | 速查 [七 函数分布三条路](09-速查卡.md#user-content-七-函数分布三条路)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:判断标准只有两条——**要不要处理"两个新变量"**(要,则雅可比)、**函数是不是四则运算中的和**(是,则卷积)。其余一律分布函数法。
|
||||
|
||||
**解**:
|
||||
|
||||
(Ⅰ)**卷积公式**。已知两个**边缘密度**且独立,$Z$ 是"和",卷积一步到位:
|
||||
|
||||
$$f_Z(z)=\int_0^{z}\mathrm e^{-x}\cdot2\mathrm e^{-2(z-x)}\,\mathrm dx=\begin{cases}2\mathrm e^{-z}-2\mathrm e^{-2z},&z>0\\0,&z\le0\end{cases}$$
|
||||
|
||||
(**注意**:不是 $\Gamma$ 族的简单相加,因为两个 $\lambda$ 不同——可加性要求 $\lambda$ 相同。)
|
||||
|
||||
(Ⅱ)**分布函数法**。$Z=X^2+Y^2$ 不是四则运算,卷积公式用不上;但"$X^2+Y^2\le z$ "是**圆**,区域好画:
|
||||
|
||||
$$F_Z(z)=P\left\{X^2+Y^2\le z\right\}=\frac{\pi z}{4}\ (0<z<1)\ \Rightarrow\ f_Z(z)=\frac\pi4\quad(0<z<1).$$
|
||||
|
||||
($z\ge1$ 时要扣掉四角,需分段。)
|
||||
|
||||
(Ⅲ)**雅可比**。要求的是**两个**新变量的联合密度,分布函数法给不出来。反解 $x=\frac{u+w}{2}$ 、$y=\frac{u-w}{2}$ ,$\lvert J\rvert=\frac12$ 。
|
||||
|
||||
(Ⅳ)**最值公式**。独立同分布,$F_M=F^5$ :
|
||||
|
||||
$$F_M(z)=\left(1-\mathrm e^{-z}\right)^5,\qquad f_M(z)=5\left(1-\mathrm e^{-z}\right)^4\mathrm e^{-z}\quad(z>0).$$
|
||||
|
||||
**带走结论**:**"和"用卷积,"两个新变量"用雅可比,其余用分布函数法,最值用 $F^n$ 的公式**。四条路按这个顺序试,30 秒内一定能定下来。
|
||||
|
||||
> **关联** · 盘点 [§5.3 三条路怎么选](01-知识点盘点.md#user-content-53-三条路怎么选) | 上游 — | 下游 — | 速查 [七 函数分布三条路](09-速查卡.md#user-content-七-函数分布三条路)
|
||||
|
||||
---
|
||||
@@ -1,244 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 多维随机变量
|
||||
- 解析
|
||||
- 中高难度
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷解析(12 题)
|
||||
日期: 2026-10-16
|
||||
关联: "[[05-试题-中高难度]] · [[01-考点手册]]"
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 中高难度卷 · 解析
|
||||
|
||||
> 每题含 **答案 / 思路 / 易错点**;标「真题骨架」的题给出对应真题。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等
|
||||
|
||||
### 1.(Ⅰ)行和、列和:
|
||||
|
||||
| $X\backslash Y$ | 0 | 1 | $p_{i\cdot}$ |
|
||||
|---|---|---|---|
|
||||
| **0** | 0.2 | 0.3 | **0.5** |
|
||||
| **1** | 0.4 | 0.1 | **0.5** |
|
||||
| $p_{\cdot j}$ | **0.6** | **0.4** | 1 |
|
||||
|
||||
$X\sim\begin{pmatrix}0&1\\0.5&0.5\end{pmatrix}$ ,$Y\sim\begin{pmatrix}0&1\\0.6&0.4\end{pmatrix}$ 。
|
||||
|
||||
**(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:
|
||||
$$P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1.$$
|
||||
$$Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}$$
|
||||
> **思路**:离散"和的分布"= 沿**反对角线**求和($X+Y=k$ 的那条线)。
|
||||
> **易错点**:$X,Y$ **不独立**不影响求和的分布——求 $Z$ 的分布律**永远只用联合表**,与独立性无关。
|
||||
|
||||
### 2.(Ⅰ)独立正态的差仍正态,均值相减、方差相加:
|
||||
$$X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).$$
|
||||
|
||||
**(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
|
||||
$$P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.$$
|
||||
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。
|
||||
|
||||
### 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
|
||||
$$f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1),$$
|
||||
$$f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).$$
|
||||
|
||||
**(Ⅲ)**
|
||||
$$E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.$$
|
||||
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 $1-x$ ;$B(2,4)=\dfrac{1!\,3!}{5!}=\dfrac{1}{20}$ 。
|
||||
|
||||
### 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 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$ ):
|
||||
$$\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }$$
|
||||
**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 $z^2$ 。
|
||||
|
||||
### 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**。
|
||||
|
||||
**(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 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$ 。
|
||||
$$P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.$$
|
||||
> **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。
|
||||
|
||||
### 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 $(-1,0)$ 。
|
||||
|
||||
$$f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}$$
|
||||
**自检**:$\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1$ ✓
|
||||
|
||||
**(Ⅱ)** $EX=\dfrac12$ ,$EX^2=\dfrac13$ ,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$ 。
|
||||
$$E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3},$$
|
||||
$$\operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.$$
|
||||
|
||||
**(Ⅲ)** $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$ 。
|
||||
|
||||
**(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)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$ ,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$ 。
|
||||
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).$$
|
||||
|
||||
**(Ⅱ)** $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$ 。
|
||||
|
||||
**(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**;$\operatorname{Cov}(aX+bY,\,cX+dY)=ac\,DX+(ad+bc)\operatorname{Cov}+bd\,DY$ 。
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 拔高
|
||||
|
||||
### 8.(Ⅰ)反解
|
||||
$$u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.$$
|
||||
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
|
||||
$$|v|<u<2-|v|\iff |v|<1.$$
|
||||
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
|
||||
$$(0,0),\ (1,1),\ (2,0),\ (1,-1).$$
|
||||
|
||||
**(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 $2(2-u)$ ⟹ $f_{X+Y}(u)=2-u$ 。
|
||||
|
||||
$$f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})$$
|
||||
**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)。
|
||||
> **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):
|
||||
$$f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).$$
|
||||
**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)。
|
||||
$$E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.$$
|
||||
> **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。
|
||||
|
||||
### 10. 卷积(对 $x$ 积分,注意 $f_X$ 只在 $(0,1)$ 非零):
|
||||
$$f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.$$
|
||||
- $0<z<1$ :$x\in(0,z)$ ,
|
||||
$$f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};$$
|
||||
- $z\ge1$ :$x\in(0,1)$ ,
|
||||
$$f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1).$$
|
||||
|
||||
$$\boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }$$
|
||||
**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 $z-x>0$ 。
|
||||
|
||||
### 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
|
||||
$$
|
||||
\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad
|
||||
\rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.
|
||||
$$
|
||||
> **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 $U(x,2x)$ 。
|
||||
|
||||
### 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** $T_2=\max(X,Y)$ :
|
||||
$$
|
||||
F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad
|
||||
f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).
|
||||
$$
|
||||
用**期望的可加性**($\max+\min=X+Y$ ):
|
||||
$$E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.$$
|
||||
|
||||
**(Ⅲ)** 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$ :
|
||||
$$E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark$$
|
||||
**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。
|
||||
> **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。
|
||||
|
||||
---
|
||||
|
||||
## 附 · 出题质量报告
|
||||
|
||||
### 一、与既有 19 题的分工(**不重复号、不重复数字**)
|
||||
|
||||
| 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 |
|
||||
|
||||
### 二、真题覆盖(对照 ch17 的 11 题)
|
||||
|
||||
| 真题 | 考法 | 对应题 | 说明 |
|
||||
|---|---|---|---|
|
||||
| 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** |
|
||||
| 2019·22 | 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 $E(1)$ ) |
|
||||
| 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** |
|
||||
|
||||
### 三、手法覆盖
|
||||
|
||||
离散和分布(1)、正态差(2)、条件密度与条件期望(3、11)、商分布(4)、非矩形域均匀 + 面积比(5)、离散×连续乘积(6)、二维正态线性组合与协方差(7)、**雅可比一一变换 + 菱形支撑集(8)**、**顺序统计量(9)**、**卷积分段(10)**、**min / max 与期望恒等式(12)**。
|
||||
|
||||
### 四、相对 02-试题 新填的 5 个缺口
|
||||
|
||||
1. 离散型二维函数分布(两离散变量之和的表格题)→ **第 1 题**;
|
||||
2. $\lvert X-Y\rvert$ 正态差的完整选择题(2019·8)→ **第 2 题**;
|
||||
3. 条件期望 / 全期望递推 → **第 3、11 题**;
|
||||
4. 一般二维函数的联合分布(**雅可比 + 支撑集形状**)→ **第 8 题**;
|
||||
5. 2025·22 式应用建模 → **第 12 题**。
|
||||
|
||||
> 仍**未**覆盖(留作三轮):二维离散与连续的混合卷积(需同时用两种全概率)、二维正态的密度形式推导($\rho$ 的实际含义)。
|
||||
@@ -0,0 +1,247 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 卷积, 最值分布]
|
||||
专题: 概率论 第3讲 · 点6 四则运算与最值
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(6.1 和、6.2 差积商、6.3 最值、6.4 成品结论,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 6 四则运算与最值
|
||||
|
||||
> 真题锚点:2019·8(正态差)、2018·22(和与协方差)、2025·22(最值最后一问)|重要度 ★★☆
|
||||
> 依赖:点 5 的分布函数法与卷积思想。盘点对应:§6 全节。
|
||||
|
||||
**组织原则**:点 5 讲"怎么求",这一点讲"**已经求好的成品**"。四道题分别压:卷积的定限、差的绝对值、最值公式、以及四张"封闭性"表。**这一点的价值全在省时间**。难度标准:★☆☆ 一题、★★☆ 三题。
|
||||
|
||||
## 知识点 6.1 和的分布与卷积(出处:[知识章 §10.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$X\perp Y$ 时
|
||||
|
||||
$$f_{X+Y}(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)\,\mathrm dy .$$
|
||||
|
||||
**定限口诀**:**两个密度的支撑必须同时非零**。若 $f_X$ 在 $[a_1,b_1]$ 非零、$f_Y$ 在 $[a_2,b_2]$ 非零,则被积变量必须同时满足
|
||||
|
||||
$$a_1<x<b_1,\qquad a_2<z-x<b_2\iff z-b_2<x<z-a_2 .$$
|
||||
|
||||
积分限 $=\max(a_1,z-b_2)$ 到 $\min(b_1,z-a_2)$ ,**这个区间非空才积**,非空条件给出 $z$ 的分段点 $a_1+a_2<z<b_1+b_2$ 。
|
||||
|
||||
## 知识点 6.2 差、积、商的分布(出处:[知识章 §10.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
$$f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{\mathrm dx}{\lvert x\rvert};$$
|
||||
|
||||
$$f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .$$
|
||||
|
||||
**差的一条常用变形**:$X-Y=X+(-Y)$ ,先把 $-Y$ 的密度写出来($f_{-Y}(t)=f_Y(-t)$ ),再套卷积。这条比记差公式更不容易出错。
|
||||
|
||||
> **商的稳妥做法**:先求 $F_Z(z)=P\{Y\le zX\}$ (半平面区域),再求导。绝对值与不等号方向在 $z<0$ 与 $z>0$ 上常常相反,先分段再积。
|
||||
|
||||
**三个公式的出处(雅可比一行推完)**:上面三式不是要背的独立结论,它们全是点 5 §5.2 雅可比法的**特例**。诀窍是**再拉一个陪变量 $V=Y$ 进来** ,把"一个函数"补成"一次坐标变换",先得联合密度,再把陪变量积掉:
|
||||
|
||||
$$f_U(u)=\int f\big(x(u,v),\,y(u,v)\big)\lvert J\rvert\,\mathrm dv .$$
|
||||
|
||||
| 要的 $U$ | 反解(取 $v=y$ ) | $\lvert J\rvert$ |
|
||||
|---|---|---|
|
||||
| $X-Y$ | $x=u+v$ 、$y=v$ | $1$ |
|
||||
| $XY$ | $x=u/v$ 、$y=v$ | $1/\lvert v\rvert$ |
|
||||
| $X/Y$ | $x=uv$ 、$y=v$ | $\lvert v\rvert$ |
|
||||
|
||||
以最后一行代入模板:
|
||||
|
||||
$$f_{X/Y}(z)=\int f_X(zv)f_Y(v)\lvert v\rvert\,\mathrm dv ,$$
|
||||
|
||||
与 §6.2 的 $\int f_X(zy)f_Y(y)\lvert y\rvert\mathrm dy$ 只差哑变量的名字。
|
||||
|
||||
**陪变量的选择理由**:固定取 $V=Y$ 是因为 $y=v$ 让反解的第二个方程成为恒等式,雅可比矩阵变成**下三角**,行列式就是对角元之积 $\left\lvert\dfrac{\partial x}{\partial u}\right\rvert$ ——不用真的展开二阶行列式,$1$ 、$1/\lvert v\rvert$ 、$\lvert v\rvert$ 都是一眼写出的。这也是"为什么商的公式里偏偏多一个 $\lvert y\rvert$ "的全部原因:它就是对 $x=uv$ 求 $\partial x/\partial u=v$ 的那一项。
|
||||
|
||||
**方向别搞反**:乘在密度上的是 $J=\dfrac{\partial(x,y)}{\partial(u,v)}$ ,即**从新变量到旧变量**。若顺手先算出 $\dfrac{\partial(u,v)}{\partial(x,y)}$ ,必须取倒数再取绝对值。三个式子里 $J$ 都不等于 $0$ (只要 $y\ne0$ ),所以变换在支撑内是一一的——这也是商要求 $Y\ne0$ 的隐含条件。
|
||||
|
||||
**什么时候用它替代成品式**:
|
||||
|
||||
- 只要 $Z$ 的**边缘**密度 → 直接用上面三式,最快;
|
||||
- 要 $(Z,W)$ 的**联合**密度(如 $Z=XY$ 与 $W=X$ )→ 成品式给不出,只能雅可比;
|
||||
- 支撑分片怪($Y$ 只在某一段非零)→ 雅可比把 $v$ 的取值范围直接摆在积分号上,比套公式少错。
|
||||
|
||||
> **一句话**:成品式是"结果",雅可比是"来源"。背不下来时现推,代价是 30 秒。
|
||||
|
||||
## 知识点 6.3 最值分布(出处:[知识章 §10.2、§8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
**独立性是全部前提**——"全部 $\le z$ "能拆成乘积,靠的就是独立:
|
||||
|
||||
$$F_{\max}(z)=\prod_{i=1}^{n}F_{X_i}(z),\qquad F_{\min}(z)=1-\prod_{i=1}^{n}\left[1-F_{X_i}(z)\right].$$
|
||||
|
||||
独立同分布时:
|
||||
|
||||
$$f_{\max}(z)=nF^{n-1}(z)f(z),\qquad f_{\min}(z)=n\left[1-F(z)\right]^{n-1}f(z).$$
|
||||
|
||||
**两个高频结论**:$X_i\sim U(0,1)$ 时 $EM=\dfrac{n}{n+1}$ 、$Em=\dfrac{1}{n+1}$ ;$X_i\sim E(\lambda)$ 时 $Em=\dfrac{1}{n\lambda}$ (最小值仍是指数,参数 $n\lambda$ )。
|
||||
|
||||
## 知识点 6.4 四张封闭性表(出处:[知识章 §8.4 独立同分布运算](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
| 分布 | 可加条件 | 结果 |
|
||||
|---|---|---|
|
||||
| 二项 | **$p$ 相同** | $B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$ |
|
||||
| 泊松 | 无 | $P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ |
|
||||
| 正态 | 无(**不要求同方差**) | $N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ |
|
||||
| $\Gamma$ | **$\lambda$ 相同** | $\Gamma(\alpha,\lambda)+\Gamma(\beta,\lambda)=\Gamma(\alpha+\beta,\lambda)$ |
|
||||
|
||||
> **两个"相同"必须记牢**:二项要 $p$ 相同,$\Gamma$ 要 $\lambda$ 相同(指数分布是 $\alpha=1$ 的特例,所以**不同参数的指数分布相加不再是 $\Gamma$ 分布**)。正态最宽容,没有附加条件。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:两个支撑长度不同($1$ 与 $2$ ),卷积时"重叠长度"先增后平后减,于是出现三段:斜升、平台、斜降。用"两个区间求交"的定限口诀走一遍即可。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $f_X=1$ 在 $(0,1)$ 上,$f_Y=\frac12$ 在 $(0,2)$ 上。卷积
|
||||
|
||||
$$f_Z(z)=\int f_X(x)f_Y(z-x)\,\mathrm dx=\frac12\int_{\max(0,z-2)}^{\min(1,z)}1\,\mathrm dx .$$
|
||||
|
||||
- $0<z<1$ :区间 $(0,z)$ ,长 $z$ ,$f_Z=\dfrac z2$ ;
|
||||
- $1\le z<2$ :区间 $(0,1)$ ,长 $1$ ,$f_Z=\dfrac12$ ;
|
||||
- $2\le z<3$ :区间 $(z-2,1)$ ,长 $3-z$ ,$f_Z=\dfrac{3-z}{2}$ ;
|
||||
- 其他:$0$ 。
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$P\{Z<1\}=\int_0^1\frac z2\,\mathrm dz=\frac14,\qquad P\{Z>2\}=\int_2^3\frac{3-z}{2}\,\mathrm dz=\frac14 .$$
|
||||
|
||||
**(Ⅲ)** 原因是**支撑长度不等**:$Y$ 的区间(长 $2$ )比 $X$ 的区间(长 $1$ )长,所以当 $z$ 从 $1$ 增到 $2$ 时,$X$ 的整段 $(0,1)$ 都能落进 $Y$ 的窗口,**重叠长度饱和**,密度出现平台。若两者长度相等(点 5 题 1 的情形),平台退化成一点,梯形变三角形。
|
||||
|
||||
**验算**:$\int_0^1\frac z2+\int_1^2\frac12+\int_2^3\frac{3-z}{2}=\frac14+\frac12+\frac14=1$ ✓;$EZ=EX+EY=\frac12+1=\frac32$ ,与 $\int zf_Z\,\mathrm dz$ 一致(可直接检验)✓。
|
||||
|
||||
**带走结论**:**卷积的形状由"两个支撑长度是否相等"决定**:等长 → 三角;不等长 → 梯形(平台长度 $=$ 长度差)。这条能让你不算积分就画出密度草图。
|
||||
|
||||
> **关联** · 盘点 [§6.1 和的分布(卷积)](01-知识点盘点.md#user-content-61-和的分布卷积) | 上游 — | 下游 — | 速查 [八 卷积定限](09-速查卡.md#user-content-八-卷积定限)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:绝对值把"带符号的差"折成"距离"。几何上 $|X-Y|\le z$ 是正方形里夹在两条平行线 $y=x\pm z$ 之间的**带状区域**,面积 $=1-(1-z)^2$ ——比积分快。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 对 $0<z<1$ :
|
||||
|
||||
$$F_Z(z)=P\{\lvert X-Y\rvert\le z\}=1-P\{X-Y>z\}-P\{Y-X>z\} .$$
|
||||
|
||||
两个"角上的三角形"各是直角边 $1-z$ 的等腰直角三角形,面积 $\frac{(1-z)^2}{2}$ :
|
||||
|
||||
$$F_Z(z)=1-2\cdot\frac{(1-z)^2}{2}=1-(1-z)^2=2z-z^2 .$$
|
||||
|
||||
求导
|
||||
|
||||
$$f_Z(z)=2-2z=2(1-z),\qquad 0<z<1 .$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$EZ=\int_0^1z\cdot2(1-z)\,\mathrm dz=2\left(\frac12-\frac13\right)=\frac13 .$$
|
||||
|
||||
**(Ⅲ)** $W=X-Y$ 的分布是**三角形分布**(对称,支撑 $(-1,1)$ ):
|
||||
|
||||
$$f_W(w)=1-\lvert w\rvert,\qquad -1<w<1 .$$
|
||||
|
||||
**$Z$ 是 $W$ 的"折叠"**:把 $W$ 的负半轴翻到正半轴再叠加,所以
|
||||
|
||||
$$f_Z(z)=f_W(z)+f_W(-z)=2(1-z)\quad(0<z<1)\ ✓$$
|
||||
|
||||
**验算**:$\int_0^12(1-z)\,\mathrm dz=1$ ✓;$f_W$ 的归一化 $\int_{-1}^1(1-\lvert w\rvert)\mathrm dw=2\cdot\frac12=1$ ✓;$EZ=\frac13$ 与"两个均匀变量的平均距离"一致(可数值验证)✓。
|
||||
|
||||
**带走结论**:**绝对值型一律"两角三角形相减"**,面积 $1-(1-z)^2$ 。而"折叠"关系 $f_{|W|}(z)=f_W(z)+f_W(-z)$ 是通用的——先算无绝对值的密度,再折叠,常常比直接积更快。
|
||||
|
||||
> **关联** · 盘点 [§6.2 差、积、商](01-知识点盘点.md#user-content-62-差积商) | 上游 — | 下游 — | 速查 [九 差、积、商](09-速查卡.md#user-content-九-差积商)
|
||||
|
||||
---
|
||||
|
||||
### 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 $P\{M>0.9\}$ 。
|
||||
|
||||
**怎么想**:最值公式是"$n$ 个都不超过 $z$ "——独立性把 $n$ 重概率变成 $n$ 次方。$U(0,1)$ 的 $F(z)=z$ ,所以直接是幂函数。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $F(z)=z$ ($0<z<1$ ),故
|
||||
|
||||
$$F_M(z)=z^5,\qquad f_M(z)=5z^4\quad(0<z<1);$$
|
||||
|
||||
$$F_m(z)=1-(1-z)^5,\qquad f_m(z)=5(1-z)^4\quad(0<z<1).$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$EM=\int_0^1z\cdot5z^4\,\mathrm dz=5\cdot\frac16=\frac56,\qquad Em=\int_0^1z\cdot5(1-z)^4\,\mathrm dz=5\cdot\frac{1}{5\times6}=\frac16 .$$
|
||||
|
||||
(第二个积分用 $t=1-z$ 换元:$\int_0^1(1-t)t^4\mathrm dt=\frac15-\frac16=\frac1{30}$ ,乘 $5$ 得 $\frac16$ 。)
|
||||
|
||||
$$EM+Em=\frac56+\frac16=1\ ✓$$
|
||||
|
||||
**为什么必然等于 $1$ 呢**:由对称性 $X_i$ 与 $1-X_i$ 同分布,故 $M\overset{d}{=}1-m$ ,于是 $EM=1-Em$ 。
|
||||
|
||||
**(Ⅲ)** 用补事件最快:
|
||||
|
||||
$$P\{M>0.9\}=1-P\{M\le0.9\}=1-(0.9)^5=1-0.59049=0.40951 .$$
|
||||
|
||||
**带走结论**:**$U(0,1)$ 的最值期望分别是 $\frac{n}{n+1}$ 与 $\frac{1}{n+1}$ 这两个数**,两者相加为 $1$ 。$n=5$ 时最大值平均已到 $0.833$ ——这就是"取五次最大"的直观含义。
|
||||
|
||||
> **关联** · 盘点 [§6.3 最值](01-知识点盘点.md#user-content-63-最值) | 上游 — | 下游 — | 速查 [十 最值](09-速查卡.md#user-content-十-最值)
|
||||
|
||||
---
|
||||
|
||||
### 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。
|
||||
|
||||
**怎么想**:四问分别对应表里四行,重点是**看清"可加"的附加条件**:(Ⅰ)要 $p$ 相同、(Ⅳ)要 $\lambda$ 相同。第(Ⅲ)问用"差仍是正态",避开求密度。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $p$ 相同(都是 $0.3$ ),故
|
||||
|
||||
$$X+Y\sim B(15,\ 0.3).$$
|
||||
|
||||
**(Ⅱ)** 泊松无附加条件:
|
||||
|
||||
$$X+Y\sim P(5),\qquad P\{X+Y=4\}=\frac{5^4\mathrm e^{-5}}{4!}=\frac{625\,\mathrm e^{-5}}{24}\approx0.1755 .$$
|
||||
|
||||
**(Ⅲ)** $X-Y\sim N(2-0,\ 1+4)=N(2,5)$ ,故
|
||||
|
||||
$$P\{X<Y\}=P\{X-Y<0\}=\Phi\!\left(\frac{0-2}{\sqrt5}\right)=\Phi(-0.894)\approx0.186 .$$
|
||||
|
||||
(**注意方差相加而非相减**:$D(X-Y)=DX+(-1)^2DY=1+4=5$ 。)
|
||||
|
||||
**(Ⅳ)** **不服从**。$\Gamma$ 的可加性要求**相同的 $\lambda$ 值** ,而这里 $1\ne2$ 。具体地,卷积
|
||||
|
||||
$$f_{X+Y}(z)=\int_0^z\mathrm e^{-x}\cdot2\mathrm e^{-2(z-x)}\,\mathrm dx=2\mathrm e^{-z}-2\mathrm e^{-2z}$$
|
||||
|
||||
不是 $\Gamma$ 型的 $c\,z^{\alpha-1}\mathrm e^{-\lambda z}$ 。
|
||||
|
||||
**验算**:$\Phi(-0.894)\approx0.186$ ,与"$EX=2$ 大于 $EY=0$ "的直觉一致——既然 $X$ 平均比 $Y$ 大 $2$ ,$P\{X<Y\}$ 当然远小于 $\frac12$ ✓;也可用切比雪夫界的思路粗估:标准化后偏离均值 $0.894$ 个标准差,概率在 $0.1$ —$0.2$ 之间。
|
||||
|
||||
**带走结论**:**可加性表要连"条件列"一起背**。考场上最常错的是把 $E(1)+E(2)$ 当成 $\Gamma(2,?)$ ,或者把 $B(10,0.3)+B(5,0.4)$ 当成 $B(15,\cdot)$ 。
|
||||
|
||||
> **关联** · 盘点 [§6.4 四种运算的"成品结论"](01-知识点盘点.md#user-content-64-四种运算的成品结论) | 上游 — | 下游 — | 速查 [十一 可加性四张表](09-速查卡.md#user-content-十一-可加性四张表)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,180 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 混合型, 全概率]
|
||||
专题: 概率论 第3讲 · 点7 混合型与全概率
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(7.1 全概率求密度、7.2 混合正态与总方差,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 7 混合型与全概率
|
||||
|
||||
> 真题锚点:2017·22、2020·22(混合正态)、2025·22(复合分布)|重要度 ★★★
|
||||
> 依赖:点 3 的条件密度、点 4 的独立性。盘点对应:§7 全节。
|
||||
|
||||
**组织原则**:混合型的全部技术是**先按离散变量分层,再在每层里用条件密度,最后加权求和**。这正是全概率公式的连续版。出题顺序:一层(离散 + 连续)→ 复合(随机个数的叠加)→ 混合正态(含总方差公式)。难度标准:★★☆ 两题、★★★ 一题。
|
||||
|
||||
## 知识点 7.1 全概率公式的密度版(出处:[知识章 §7.3、§10](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
|
||||
|
||||
设 $X$ 离散(取值 $x_k$ ,概率 $p_k$ ),在 $X=x_k$ 下 $Y$ 的密度为 $f_{Y\mid X=x_k}$ ,则
|
||||
|
||||
$$f_Y(y)=\sum_k p_k\,f_{Y\mid X=x_k}(y),\qquad F_Y(y)=\sum_k p_kF_{Y\mid X=x_k}(y).$$
|
||||
|
||||
**这就是"全概率公式"的密度版**:$f_Y$ 是若干条密度的**加权平均**,权重是层的概率(和为 $1$ ,所以加权平均仍是密度)。
|
||||
|
||||
**反向(贝叶斯)**:
|
||||
|
||||
$$P\{X=x_k\mid Y=y\}=\frac{p_k f_{Y\mid X=x_k}(y)}{f_Y(y)} .$$
|
||||
|
||||
> **注意 $f_Y$ 可能不是任何"标准分布"**:它是几个不同形状密度的凸组合,常常没有名字。**不要试图把它认成某个分布**,直接按分段写出来即可。
|
||||
|
||||
## 知识点 7.2 混合正态与总方差公式(出处:[知识章 §10、数字特征章 §二维数字特征](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$f_Y(y)=\sum_k p_k\,\varphi\!\left(\frac{y-\mu_k}{\sigma_k}\right)\frac{1}{\sigma_k},\qquad EY=\sum_k p_k\mu_k .$$
|
||||
|
||||
**总方差公式(Eve 公式)**:
|
||||
|
||||
$$DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
|
||||
|
||||
读法:**总方差 = 组内方差的平均 + 组间(均值之间)的方差**。
|
||||
|
||||
**两个必记结论**:
|
||||
|
||||
1. 混合正态**一般不是正态**(除非所有 $\mu_k,\sigma_k$ 都相同)——两条不同中心的钟形叠加会出现**双峰**或**平顶**;
|
||||
2. 但 $EY$ 与 $DY$ 仍可用上面的公式算,**不需要写出 $f_Y$ 的表达式** 。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 7.1:两条指数分布的加权(★★☆)
|
||||
|
||||
> 设随机变量 $X$ 的分布律为 $P\{X=0\}=P\{X=1\}=\dfrac12$ 。在 $X=0$ 的条件下 $Y\sim E(1)$ ;在 $X=1$ 的条件下 $Y\sim E(2)$ 。
|
||||
>
|
||||
> (Ⅰ)求 $f_Y(y)$ ,并验证它是密度;
|
||||
> (Ⅱ)求 $P\{Y>1\}$ ;
|
||||
> (Ⅲ)求 $P\{X=0\mid Y=2\}$ 。
|
||||
|
||||
**怎么想**:两层、两条指数,加权求和即可。第三问是贝叶斯——**分母就是第一问算出的 $f_Y(2)$ 值**,所以先算 $f_Y$ 是必要投资。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 两个条件密度分别为 $\mathrm e^{-y}$ 与 $2\mathrm e^{-2y}$ ($y>0$ ),故
|
||||
|
||||
$$f_Y(y)=\frac12\mathrm e^{-y}+\frac12\cdot2\mathrm e^{-2y}=\frac12\mathrm e^{-y}+\mathrm e^{-2y},\qquad y>0 .$$
|
||||
|
||||
**验证**:
|
||||
|
||||
$$\int_0^{+\infty}\left(\frac12\mathrm e^{-y}+\mathrm e^{-2y}\right)\mathrm dy=\frac12+\frac12=1\ ✓$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$P\{Y>1\}=\int_1^{+\infty}\left(\frac12\mathrm e^{-y}+\mathrm e^{-2y}\right)\mathrm dy=\frac12\mathrm e^{-1}+\frac12\mathrm e^{-2}\approx0.2516 .$$
|
||||
|
||||
(第二项:$\int_1^{+\infty}\mathrm e^{-2y}\mathrm dy=\frac{\mathrm e^{-2}}{2}$ 。)
|
||||
|
||||
**(Ⅲ)** 先算 $f_Y(2)=\frac12\mathrm e^{-2}+\mathrm e^{-4}=\mathrm e^{-2}\left(\frac12+\mathrm e^{-2}\right)$ ,分子是第 $0$ 层的贡献:
|
||||
|
||||
$$P\{X=0\mid Y=2\}=\frac{\frac12\mathrm e^{-2}}{\frac12\mathrm e^{-2}+\mathrm e^{-4}}=\frac{1}{1+2\mathrm e^{-2}}\approx\frac{1}{1+0.2707}\approx0.787 .$$
|
||||
|
||||
**验算**:$P\{X=1\mid Y=2\}=\dfrac{2\mathrm e^{-4}}{\frac12\mathrm e^{-2}+\mathrm e^{-4}}=\dfrac{2\mathrm e^{-2}}{1+2\mathrm e^{-2}}\approx0.213$ ,两者和为 $1$ ✓。直观上 $Y=2$ 偏大,而 $E(2)$ 衰减更快,所以**更可能来自衰减较慢的 $E(1)$ 这一层** ,答案 $0.787>\frac12$ 合理 ✓。
|
||||
|
||||
**带走结论**:**混合密度的三项检查**:加权和归一、每一项的支撑都要写、贝叶斯的分母就是混合密度在该点的值。这三步做完,混合型题就只剩算术。
|
||||
|
||||
> **关联** · 盘点 [§7.1 全概率公式求密度](01-知识点盘点.md#user-content-71-全概率公式求密度) | 上游 — | 下游 [点 7 题 2](08-点7-混合型与全概率.md#user-content-题-2--71随机个数叠加的复合模型) | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 7.1:随机个数叠加的复合模型(★★☆)
|
||||
|
||||
> 某设备在时间区间 $[0,T]$ 内发生故障的次数 $N\sim P(\lambda)$ ,且各次故障的发生时刻在 $[0,T]$ 上**独立且均匀分布**。记 $T_1$ 为**首次故障时刻**(若一次也没发生,规定 $T_1=+\infty$ )。
|
||||
>
|
||||
> (Ⅰ)求 $P\{T_1>t\}$ ($0\le t\le T$ );
|
||||
> (Ⅱ)求 $T_1$ 在 $(0,T)$ 上的密度,并说明 $P\{T_1=+\infty\}$ 是多少;
|
||||
> (Ⅲ)求 $P\{N=0\mid T_1>t\}$ 。
|
||||
|
||||
**怎么想**:$T_1>t$ 有两种来源——**根本没有故障**,或**有 $n$ 次、但每次都落在 $(t,T]$ 里** 。前者是离散概率,后者要用"$n$ 个时刻都在长度 $T-t$ 的区间里"的独立性。求和对 $n$ 求和会合成一个指数。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 用全概率(对 $N$ 分层):
|
||||
|
||||
$$P\{T_1>t\}=P\{N=0\}+\sum_{n=1}^{+\infty}P\{N=n\}\left(\frac{T-t}{T}\right)^n .$$
|
||||
|
||||
代入泊松分布律:
|
||||
|
||||
$$=\mathrm e^{-\lambda}+\sum_{n=1}^{+\infty}\frac{\lambda^n\mathrm e^{-\lambda}}{n!}\left(1-\frac tT\right)^n=\mathrm e^{-\lambda}\exp\left\{\lambda\left(1-\frac tT\right)\right\}=\exp\left(-\frac{\lambda t}{T}\right).$$
|
||||
|
||||
(用了 $\sum_{n\ge0}\frac{a^n}{n!}=\mathrm e^{a}$ 与 $\mathrm e^{-\lambda}\mathrm e^{\lambda}=1$ 。)
|
||||
|
||||
**(Ⅱ)** 对 $t$ 求导($0<t<T$ ):
|
||||
|
||||
$$f_{T_1}(t)=\frac{\lambda}{T}\exp\left(-\frac{\lambda t}{T}\right),\qquad 0<t<T .$$
|
||||
|
||||
在 $t=T$ 处,$P\{T_1>t\}$ 从 $\mathrm e^{-\lambda}$ 突然跳到 $1$ (因为 $t\ge T$ 时"全部时刻都 $>t$ "不可能,只剩"无故障"),所以 $T_1$ **在 $T$ 之后没有密度**,而是有一个**质量**:
|
||||
|
||||
$$P\{T_1=+\infty\}=P\{N=0\}=\mathrm e^{-\lambda} .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$P\{N=0\mid T_1>t\}=\frac{P\{N=0\}}{P\{T_1>t\}}=\frac{\mathrm e^{-\lambda}}{\mathrm e^{-\lambda t/T}}=\exp\left\{-\lambda\left(1-\frac tT\right)\right\}.$$
|
||||
|
||||
**验算**:$\int_0^T\frac{\lambda}{T}\mathrm e^{-\lambda t/T}\mathrm dt=1-\mathrm e^{-\lambda}$ ;加上质量 $\mathrm e^{-\lambda}$ 恰为 $1$ ✓——这说明"密度部分 $+$ 原子部分"合起来才是完整分布。再取 $t=0$ :$P\{T_1>0\}=1$ ✓;取 $t=T$ :$P\{T_1>T\}=\mathrm e^{-\lambda}=P\{N=0\}$ ✓。
|
||||
|
||||
**带走结论**:**"随机个数的复合"必然出现全概率 + 幂级数求和**,求和后一般化成指数或幂函数。**别忘了检查是否留下原子**——"一次都没发生"这种情况会变成一个质量点,只写密度是不完整的。
|
||||
|
||||
> **关联** · 盘点 [§7.1 全概率公式求密度](01-知识点盘点.md#user-content-71-全概率公式求密度) | 上游 [点 7 题 1](08-点7-混合型与全概率.md#user-content-题-1--71两条指数分布的加权) | 下游 — | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 7.2:混合正态与总方差(★★★)
|
||||
|
||||
> 设 $X$ 等可能地取 $1$ 与 $2$ (即 $P\{X=1\}=P\{X=2\}=\frac12$ )。在 $X=k$ 的条件下 $Y\sim N(k,1)$ 。
|
||||
>
|
||||
> (Ⅰ)写出 $f_Y(y)$ ;
|
||||
> (Ⅱ)求 $EY$ 与 $DY$ ;
|
||||
> (Ⅲ)说明 $f_Y$ 不是正态密度(不必求导,用取值即可);
|
||||
> (Ⅳ)求 $P\{Y<1.5\}$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)两条同方差的正态按 $\frac12$ 加权;(Ⅱ)**不要用 $f_Y$ 积分**,直接用 $EY=E[E(Y\mid X)]$ 与总方差公式;(Ⅲ)算 $f_Y$ 在两个峰与中点处的值就能看出"双峰";(Ⅳ)对称性。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 记 $\varphi$ 为标准正态密度,
|
||||
|
||||
$$f_Y(y)=\frac12\varphi(y-1)+\frac12\varphi(y-2),\qquad -\infty<y<+\infty .$$
|
||||
|
||||
**(Ⅱ)** 条件期望 $E(Y\mid X)=X$ ,故
|
||||
|
||||
$$EY=E[E(Y\mid X)]=EX=\frac{1+2}{2}=\frac32 .$$
|
||||
|
||||
条件方差 $D(Y\mid X)=1$ (与 $X$ 无关),故 $E[D(Y\mid X)]=1$ ;又 $D[E(Y\mid X)]=DX=\dfrac{(1-1.5)^2+(2-1.5)^2}{2}=0.25$ 。于是
|
||||
|
||||
$$DY=1+0.25=1.25 .$$
|
||||
|
||||
**(Ⅲ)** 取三点比较($\varphi(0)=\frac{1}{\sqrt{2\pi}}\approx0.3989$ 、$\varphi(1)=0.3989\,\mathrm e^{-0.5}\approx0.2420$ ):
|
||||
|
||||
$$f_Y(1)=f_Y(2)=\frac{\varphi(0)+\varphi(1)}{2}\approx\frac{0.3989+0.2420}{2}=0.3205,$$
|
||||
|
||||
$$f_Y(1.5)=\frac{\varphi(0.5)+\varphi(-0.5)}{2}=\varphi(0.5)=0.3989\,\mathrm e^{-0.125}\approx0.3521 .$$
|
||||
|
||||
**中点反而比两"峰"更高,所以没有双峰**。原因:两中心相距 $1$ 而 $\sigma=1$ ,门限 $\lvert\mu_1-\mu_2\rvert>2\sigma=2$ 不满足,两条钟形几乎完全重叠,叠加后仍是单峰(峰在 $1.5$ )。
|
||||
|
||||
但它**依然不是正态**。判据是:正态密度的对数是**二次函数**。这里
|
||||
|
||||
$$\ln f_Y(y)=\text{常数}+\ln\left[\mathrm e^{-\frac{(y-1)^2}{2}}+\mathrm e^{-\frac{(y-2)^2}{2}}\right],$$
|
||||
|
||||
方括号里是"两个指数之和",它的对数(log-sum-exp)**不是二次函数**——例如它在 $y\to\pm\infty$ 时的衰减速率会在两段之间切换,四阶导数不为零。所以 $f_Y$ 是"单峰但非正态"的密度。
|
||||
|
||||
**(Ⅳ)** 由对称性:$Y-1.5$ 的分布关于 $0$ 对称(因为 $X-1.5$ 关于 $0$ 对称,且条件方差相同),故
|
||||
|
||||
$$P\{Y<1.5\}=\frac12 .$$
|
||||
|
||||
也可以硬算:$\frac12\Phi(0.5)+\frac12\Phi(-0.5)=\frac12$ 。
|
||||
|
||||
**验算**:$DY=1.25$ 也可由 $EY^2=E[X^2+1]=2.5+1=3.5$ 得 $DY=3.5-2.25=1.25$ ✓;$P\{Y<1.5\}=\frac12$ 与对称性一致 ✓。
|
||||
|
||||
**带走结论**:**混合正态的三个考点**:$EY$ 用重期望、$DY$ 用总方差、是否双峰看 $\lvert\mu_1-\mu_2\rvert$ 与 $2\sigma$ 的比较。**别一看到"正态的加权和"就说它是正态**——正态的线性组合才是正态,凸组合不是。
|
||||
|
||||
> **关联** · 盘点 [§7.2 混合正态](01-知识点盘点.md#user-content-72-混合正态) | 上游 — | 下游 — | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,178 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, 速查卡]
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布(速查)
|
||||
日期: 2026-11-07
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 第3讲 · 多维随机变量及其分布:速查卡
|
||||
|
||||
考前十分钟只看这一页。
|
||||
|
||||
## 一 三种换算的方向
|
||||
|
||||
<!-- KP: 1.1, 1.2, 1.3 -->
|
||||
|
||||
```
|
||||
联合 ──积分掉 y──► 边缘 X
|
||||
│ │
|
||||
│除边缘 │
|
||||
▼ ▼
|
||||
条件 ──贝叶斯──► 反向条件
|
||||
```
|
||||
|
||||
**永远是"联合 → 边缘 / 条件",反方向不成立**(除非独立)。$f=f_Xf_{Y\mid X}$ 恒成立,$f=f_Xf_Y$ 只在独立时成立。
|
||||
|
||||
## 二 边缘密度的定限
|
||||
|
||||
<!-- KP: 3.1, 3.2 -->
|
||||
|
||||
```
|
||||
① 画支撑 D
|
||||
② 固定 x 画竖线,看穿过多长 → 上下限
|
||||
③ 端点含 x 就要分段
|
||||
```
|
||||
|
||||
**判据**:支撑不是矩形 $\Rightarrow$ 边缘一定是分片/非均匀函数。
|
||||
|
||||
## 三 两个均匀结论
|
||||
|
||||
<!-- KP: 3.4 -->
|
||||
|
||||
- 一切概率 $=$ **面积比** $S_{D\cap G}/S_D$ ;
|
||||
- $X\perp Y\iff D$ 是**边平行坐标轴的矩形**(圆、三角、菱形一律不独立)。
|
||||
|
||||
## 四 二维正态六条
|
||||
|
||||
<!-- KP: 3.5 -->
|
||||
|
||||
1. 边缘 $N(\mu_i,\sigma_i^2)$ ,与 $\rho$ 无关;
|
||||
2. $aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right)$ ;
|
||||
3. $Y\mid X=x\sim N\!\left(\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right)$ ;
|
||||
4. **独立与 $\rho=0$ 等价**(仅限二维正态);
|
||||
5. $\rho=0$ 时 $f=f_Xf_Y$ ;
|
||||
6. $X+Y\perp X-Y\iff\sigma_1^2=\sigma_2^2$ 。
|
||||
|
||||
## 五 判独立两步
|
||||
|
||||
<!-- KP: 4.1, 4.2 -->
|
||||
|
||||
```
|
||||
① 表达式能否写成 g(x)h(y)? 不能 → 不独立
|
||||
② 支撑是否矩形? 不是 → 不独立
|
||||
两条都通过 → 独立(归一化把 GH 吸收成 1)
|
||||
```
|
||||
|
||||
## 六 独立与不相关
|
||||
|
||||
<!-- KP: 4.3 -->
|
||||
|
||||
- 独立 $\Rightarrow$ 不相关;**反向只在二维正态成立**;
|
||||
- 反例模板:$X\sim U(-1,1)$ 、$Y=X^2$ ;
|
||||
- 量级:独立管**全部分布**,不相关只管**二阶矩**。
|
||||
|
||||
## 七 函数分布三条路
|
||||
|
||||
<!-- KP: 5.1, 5.2, 5.3 -->
|
||||
|
||||
| 长相 | 路 |
|
||||
|---|---|
|
||||
| 一般 $g(X,Y)$ | 分布函数法(画区域、分段、求导) |
|
||||
| $Z=X+Y$ 且已知两个边缘 | 卷积公式 |
|
||||
| 要**两个**新变量 | 雅可比 $\lvert J\rvert$ |
|
||||
| $\max$ / $\min$ | $F^n$ / $1-(1-F)^n$ |
|
||||
|
||||
**分段点 $=$ 区域换型处**($Z=X+Y$ 在单位正方形:$0,1,2$ )。
|
||||
|
||||
## 八 卷积定限
|
||||
|
||||
<!-- KP: 6.1 -->
|
||||
|
||||
$$f_Z(z)=\int f_X(x)f_Y(z-x)\,\mathrm dx,\qquad \max(a_1,z-b_2)<x<\min(b_1,z-a_2).$$
|
||||
|
||||
**区间非空才积**,非空条件给出分段:$a_1+a_2<z<b_1+b_2$ 。
|
||||
**等长支撑 → 三角;不等长 → 梯形**(平台长 $=$ 长度差)。
|
||||
|
||||
## 九 差、积、商
|
||||
|
||||
<!-- KP: 6.2 -->
|
||||
|
||||
- 差:$X-Y=X+(-Y)$ ,$f_{-Y}(t)=f_Y(-t)$ ;
|
||||
- 绝对值:$F_{\lvert X-Y\rvert}(z)=1-2\times$ 两角三角形面积 $=1-(1-z)^2$ ;
|
||||
- 折叠:$f_{\lvert W\rvert}(z)=f_W(z)+f_W(-z)$ ;
|
||||
- 商:先 $F_Z(z)=P\{Y\le zX\}$ 再求导,**$z<0$ 与 $z>0$ 要分开**;
|
||||
- **三式都出自雅可比**:拉陪变量 $V=Y$ ,$y=v$ 使雅可比矩阵成下三角,$\lvert J\rvert$ 依次是 $1$ 、$1/\lvert v\rvert$ 、$\lvert v\rvert$ 。商里的 $\lvert y\rvert$ 就是 $\partial x/\partial u=v$ 那一项,不是凭空多出来的。
|
||||
|
||||
## 十 最值
|
||||
|
||||
<!-- KP: 6.3, 4.4 -->
|
||||
|
||||
$$F_{\max}=\prod F_i,\quad F_{\min}=1-\prod(1-F_i).$$
|
||||
|
||||
$U(0,1)$ 时 $EM=\frac{n}{n+1}$ 、$Em=\frac{1}{n+1}$ ;$E(\lambda)$ 的 $\min$ 是 $E(n\lambda)$ ,$Em=\frac{1}{n\lambda}$ 。
|
||||
|
||||
## 十一 可加性四张表
|
||||
|
||||
<!-- KP: 6.4 -->
|
||||
|
||||
| 分布 | 条件 | 结果 |
|
||||
|---|---|---|
|
||||
| 二项 | $p$ **相同** | $B(n_1+n_2,p)$ |
|
||||
| 泊松 | 无 | $P(\lambda_1+\lambda_2)$ |
|
||||
| 正态 | 无 | $N(\mu_1+\mu_2,\ \sigma_1^2+\sigma_2^2)$ |
|
||||
| $\Gamma$ | $\lambda$ **相同** | $\Gamma(\alpha+\beta,\lambda)$ |
|
||||
|
||||
**两个"相同"**:二项要 $p$ 同,$\Gamma$ 要 $\lambda$ 同($E(1)+E(2)$ **不是** $\Gamma$ )。
|
||||
|
||||
## 十二 混合型两条公式
|
||||
|
||||
<!-- KP: 7.1, 7.2 -->
|
||||
|
||||
$$f_Y(y)=\sum_k p_kf_{Y\mid X=x_k}(y);\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
|
||||
|
||||
贝叶斯分母 $=$ 混合密度在该点的值。**混合正态一般不是正态**;双峰需 $\lvert\mu_1-\mu_2\rvert>2\sigma$ 。
|
||||
|
||||
## 十三 离散型表格法
|
||||
|
||||
<!-- KP: 2.1, 2.2, 2.3 -->
|
||||
|
||||
```
|
||||
联合律填表 → 右缘行和(X边缘) / 下缘列和(Y边缘)
|
||||
条件 = 该格 ÷ 行和
|
||||
独立 ⟺ 各行成比例
|
||||
```
|
||||
|
||||
**对角线上有 0 $\Rightarrow$ 不独立**。泊松分解:$X\mid X+Y=n\sim B\!\left(n,\frac{\lambda_1}{\lambda_1+\lambda_2}\right)$ 。
|
||||
|
||||
## 十四 最容易丢分的六处
|
||||
|
||||
1. **拿圆周当投影域**(离散类比:拿"边界"当"区域")——圆域求概率必须先换成面积。
|
||||
2. **边缘密度不分段**:$0<y<x$ 型支撑,$f_X$ 的上限是 $x$ ,写常数的必错。
|
||||
3. **看到 $8xy$ 就说独立**:支撑是三角形,一定不独立。
|
||||
4. **卷积积分限不能一律写成从 $0$ 到 $z$ 的形式**:只有当两个密度的支撑都从 $0$ 起才成立。
|
||||
5. **把 $D(X-Y)$ 写成 $DX-DY$ 是错的**:应为 $DX+DY-2\operatorname{Cov}$ ,独立时是 $DX+DY$ 。
|
||||
6. **混合型只写密度**:忘了"一次也没发生"会留下原子。
|
||||
|
||||
---
|
||||
|
||||
## 回查
|
||||
|
||||
<!-- AUTO:回查 -->
|
||||
| 想查什么 | 对应题目 |
|
||||
|---|---|
|
||||
| 一 三种换算的方向 | [点 1 题 1](02-点1-联合分布与边缘分布.md#user-content-题-1--11联合分布函数的四条性质)、[点 1 题 2](02-点1-联合分布与边缘分布.md#user-content-题-2--11由分布函数算矩形概率)、[点 1 题 3](02-点1-联合分布与边缘分布.md#user-content-题-3--12由联合密度求边缘与区域概率)、[点 1 题 4](02-点1-联合分布与边缘分布.md#user-content-题-4--13条件密度是一族密度) |
|
||||
| 二 边缘密度的定限 | [点 3 题 1](04-点3-二维连续型与两类分布.md#user-content-题-1--31归一化与区域概率)、[点 3 题 2](04-点3-二维连续型与两类分布.md#user-content-题-2--32圆域均匀的边缘与矩形判据) |
|
||||
| 三 两个均匀结论 | [点 3 题 5](04-点3-二维连续型与两类分布.md#user-content-题-5--34矩形支撑才独立) |
|
||||
| 四 二维正态六条 | [点 3 题 4](04-点3-二维连续型与两类分布.md#user-content-题-4--35二维正态的六条结论) |
|
||||
| 五 判独立两步 | [点 4 题 1](05-点4-独立性.md#user-content-题-1--41三种说法的一致性)、[点 4 题 2](05-点4-独立性.md#user-content-题-2--42可分离却仍不独立) |
|
||||
| 六 独立与不相关 | [点 4 题 3](05-点4-独立性.md#user-content-题-3--43不相关但不独立的反例) |
|
||||
| 七 函数分布三条路 | [点 5 题 1](06-点5-函数分布两条路.md#user-content-题-1--51分布函数法求和的分布)、[点 5 题 2](06-点5-函数分布两条路.md#user-content-题-2--51区域型支撑上的函数分布)、[点 5 题 3](06-点5-函数分布两条路.md#user-content-题-3--52雅可比法与顺带判独立)、[点 5 题 4](06-点5-函数分布两条路.md#user-content-题-4--53四条路的选择) |
|
||||
| 八 卷积定限 | [点 6 题 1](07-点6-四则运算与最值.md#user-content-题-1--61不同区间上均匀分布之和) |
|
||||
| 九 差、积、商 | [点 6 题 2](07-点6-四则运算与最值.md#user-content-题-2--62差的绝对值与先求-f) |
|
||||
| 十 最值 | [点 4 题 4](05-点4-独立性.md#user-content-题-4--44独立同分布的四条推论)、[点 6 题 3](07-点6-四则运算与最值.md#user-content-题-3--63最值分布与期望) |
|
||||
| 十一 可加性四张表 | [点 6 题 4](07-点6-四则运算与最值.md#user-content-题-4--64可加性四张表) |
|
||||
| 十二 混合型两条公式 | [点 7 题 1](08-点7-混合型与全概率.md#user-content-题-1--71两条指数分布的加权)、[点 7 题 2](08-点7-混合型与全概率.md#user-content-题-2--71随机个数叠加的复合模型)、[点 7 题 3](08-点7-混合型与全概率.md#user-content-题-3--72混合正态与总方差) |
|
||||
| 十三 离散型表格法 | [点 2 题 1](03-点2-二维离散型.md#user-content-题-1--21不放回抽样的联合分布律)、[点 2 题 2](03-点2-二维离散型.md#user-content-题-2--22由独立性反解未知概率)、[点 2 题 3](03-点2-二维离散型.md#user-content-题-3--23泊松分解与条件二项) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-联合分布与边缘分布.md)、[点 2](03-点2-二维离散型.md)、[点 3](04-点3-二维连续型与两类分布.md)、[点 4](05-点4-独立性.md)、[点 5](06-点5-函数分布两条路.md)、[点 6](07-点6-四则运算与最值.md)、[点 7](08-点7-混合型与全概率.md)。
|
||||
@@ -1,76 +1,106 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- MOC
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布(真题库第 17 章)
|
||||
日期: 2026-10-13
|
||||
状态: 已出(考点 + 试题 + 解析 三件分离)
|
||||
对应视频:
|
||||
- 01 一、n 维随机变量及其分布函数
|
||||
- 02/03 二、常见的两类二维随机变量——离散型与连续型
|
||||
- 04 三、随机变量的相互独立性
|
||||
- 05 四、多维随机变量函数的分布
|
||||
- 06 五、多维随机变量函数的分布(续)
|
||||
- 07 六、综合题举例
|
||||
tags: [数学一, 在学练习, 概率论, 多维随机变量, README]
|
||||
专题: 概率论 第3讲 · 多维随机变量及其分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点 + 七点分册(知识点带题,27 题)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[09-速查卡]]"]
|
||||
---
|
||||
|
||||
# 概率论 第3讲 · 多维随机变量及其分布
|
||||
|
||||
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
|
||||
真题库第 17 章。近十年 **11 题 105 分**:**8 道解答题(91 分)$+$ 3 道选填(14 分)**,**年年一道 11—12 分解答题**。
|
||||
|
||||
## 一、本文件夹文件
|
||||
这一讲把一维的"分布函数 / 密度"**升维**成二维的,再学会从二维里切出一维来用。所有大题都是三种换算的组合:**联合 → 边缘**、**联合 → 条件**、**联合 → 函数**。
|
||||
|
||||
| 文件 | 用途 | 打开时机 |
|
||||
|---|---|---|
|
||||
| **[[01-考点手册]]** | 本讲全部考点 + 方法库(含**雅可比行列式变换法**) | 学之前/复习时 |
|
||||
| **[[02-试题]]** | 19 题分层练习(A 基础 / B 中等 / C 拔高),**不含答案** | 限时自测 |
|
||||
| **[[03-解析]]** | 19 题详解 + 思路 + 易错点 + 真题骨架 | 做完对答案 |
|
||||
| **[[04-答疑笔记]]** | 卡壳题的逐步答疑(第 2 / 4 / 7 题已收) | 哪题卡了看哪题 |
|
||||
| **[[05-试题-中高难度]]** | **中高难度卷 12 题**(B 中等 7 + C 拔高 5,**无基础题**),独立成卷 | 一轮做完后的强化 |
|
||||
| **[[06-解析-中高难度]]** | 中高难度卷详解 + 与 02-试题 的分工说明 + 缺口覆盖表 | 做完对答案 |
|
||||
## 这一版的结构
|
||||
|
||||
## 二、训练目标
|
||||
| 层 | 文件 | 作用 | 读法 |
|
||||
|---|---|---|---|
|
||||
| **地图** | `01-知识点盘点.md` | 大纲、真题、参考仓库三条线的知识点全摊开 | 先通读,之后只查不读 |
|
||||
| **练** | `02`—`08` 七个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目顺序逐一对应出题,共 27 题 | 一天一个点,动手做 |
|
||||
| **查** | `09-速查卡.md` | 十三组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
|
||||
|
||||
- 这一讲是概率论**分值最重**的板块:真题库 **第 17 章**近十年 **11 题、105 分**,年年一道 11–12 分解答题。
|
||||
- 核心:把一维的分布函数法、密度法**升维**到二维,打通 **联合 ↔ 边缘 ↔ 条件** 换算,掌握**独立性判定**与**随机变量函数分布**两大类问题。
|
||||
## 文件清单
|
||||
|
||||
## 三、难度与用时
|
||||
|
||||
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|
||||
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|
||||
|---|---|---|---|---|
|
||||
| A 基础 | 6(1–6) | 识别与直接计算 | 25 分钟 | ★☆☆ |
|
||||
| B 中等 | 8(7–14) | 多步计算 | 40 分钟 | ★★☆ |
|
||||
| C 拔高 | 5(15–19) | 综合与辨析 | 30 分钟 | ★★★ |
|
||||
| **合计** | **19** | | **约 95 分钟** | 可拆两天 |
|
||||
| `01-知识点盘点.md` | 七节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
|
||||
| `02-点1-联合分布与边缘分布.md` | 四条性质、矩形公式、边缘、条件密度 | 2023·22 | — | 4 |
|
||||
| `03-点2-二维离散型.md` | 表格法、条件律、泊松与二项分解 | 2016·8、2022·10 | — | 3 |
|
||||
| `04-点3-二维连续型与两类分布.md` | 归一化、分段边缘、条件密度、均匀、二维正态 | 2016·22、2019·8、2023·22 | **约 24** | 5 |
|
||||
| `05-点4-独立性.md` | 三种等价说法、可分离 $+$ 矩形判据、不相关、独立同分布推论 | 2016·22、2022·10、2024·9 | — | 4 |
|
||||
| `06-点5-函数分布两条路.md` | 分布函数法、雅可比、选路表 | 2017·22、2019·22、2021·22、2023·22 | **约 46** | 4 |
|
||||
| `07-点6-四则运算与最值.md` | 卷积、差与绝对值、最值、四张可加性表 | 2018·22、2019·8、2025·22 | **约 15** | 4 |
|
||||
| `08-点7-混合型与全概率.md` | 全概率密度版、贝叶斯、复合模型、总方差 | 2017·22、2020·22、2025·22 | **约 24** | 3 |
|
||||
| `09-速查卡.md` | 十三组结论 $+$ 六处丢分点 | — | — | 0 |
|
||||
|
||||
## 四、命题依据与来源记号
|
||||
合计 **27 题**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
|
||||
|
||||
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 17 章(2016·22、2017·22、2018·22、2019·8、2019·22、2020·22、2021·22、2022·10、2023·22、2024·9、2025·22)。
|
||||
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/2` 多维章、`knowledge/3` 二维数字特征、`exercise/2`、`exercise/3`)。
|
||||
- 🟦 **视频**:第 3 讲 6 个讲次(本文件夹对应目录见 frontmatter)。
|
||||
- **防过拟合**:试题数字与区域全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
|
||||
## 建议的三轮读法
|
||||
|
||||
## 五、平板书写版(PDF)
|
||||
**第一轮(1 小时)**:`01` 通读 $+$ `02`。点 1 只有一件事——**三个换算的方向**。方向记反,后面每个点都会跟着错。
|
||||
|
||||
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
|
||||
**第二轮(3 小时)**:`03`、`04`、`05`。这三节是"全部的准备工作":边缘、条件、独立判据。**`04` 的定限功夫是整讲地基**,$0<y<x$ 型支撑练不顺,函数分布一定做不完。
|
||||
|
||||
| 文件 | 页数 | 用途 |
|
||||
**第三轮(2 小时)**:`06`、`07`、`08`。**`06` 的 46 分是本讲主场**,分布函数法必须练到"看到 $g(X,Y)\le z$ 就能画出区域"。
|
||||
|
||||
时间不够时按这个顺序砍:`03` $\to$ `07` 的题 4 $\to$ `02` 的题 1 。**`04`、`06`、`08` 一定不能砍**。
|
||||
|
||||
## 双向链接怎么用
|
||||
|
||||
| 粒度 | 在哪儿 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| `概率论第3讲-试题-答题版.pdf` | 17 | **主用**:19 题逐题留白——A 组每题约半页,B/C 组每题约整页(带浅色虚框与横线格) |
|
||||
| `概率论第3讲-试题-中高难度-答题版.pdf` | 13 | **强化卷**:12 题全部整页留白(1 封面 + 12 题页) |
|
||||
| `概率论第3讲-解析-中高难度.pdf` | 9 | 强化卷答案 |
|
||||
| `概率论第3讲-考点手册.pdf` | 10 | 复习查阅 |
|
||||
| `概率论第3讲-解析.pdf` | 7 | 第一轮 19 题答案 |
|
||||
| `概率论第3讲-答疑笔记.pdf` | 9 | 卡壳题逐步答疑 |
|
||||
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
|
||||
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
|
||||
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
|
||||
|
||||
> **重新生成**:改完 `.md` 后运行
|
||||
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第3讲-试题-答题版.pdf --mode answer`
|
||||
> (去掉 `--mode answer` 即为普通版;留白尺寸在脚本 `pageCss()` 的 `.q-space.half / .full` 处调整。)
|
||||
每道题末尾固定一行:
|
||||
|
||||
## 六、关联
|
||||
```
|
||||
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
|
||||
```
|
||||
|
||||
- 上层:[[总览]] · [[README]](每日小练规划)
|
||||
- 相邻讲次:[[02-数列-加强版]](方法论参考)
|
||||
- 错题:[[做题本]]
|
||||
四个方向全部指向**具体题目的锚点**。
|
||||
|
||||
## 锚点怎么写(Gitea 两条方向相反的规则)
|
||||
|
||||
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
|
||||
|
||||
| 链接类型 | 写法 |
|
||||
|---|---|
|
||||
| 同文件 | `#题-1--11联合分布函数的四条性质` |
|
||||
| 跨文件 | `04-点3-二维连续型与两类分布.md#user-content-题-2--32圆域均匀的边缘与矩形判据` |
|
||||
|
||||
**标题里不许出现公式**:`$...$` 会让锚点漂移,脚本算不出来(本讲所有题目标题已改为纯文字)。
|
||||
|
||||
写完校验:
|
||||
|
||||
```bash
|
||||
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第3讲-多维随机变量及其分布
|
||||
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第3讲-多维随机变量及其分布
|
||||
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第3讲-多维随机变量及其分布
|
||||
```
|
||||
|
||||
## 与其他讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| 分布函数、密度、归一化 | 第 2 讲(一维随机变量) | 本讲所有积分都是它的二维版 |
|
||||
| 二维正态的 $\rho$ | 第 4 讲(数字特征) | 点 3 题 4 的条件方差 $\sigma_2^2(1-\rho^2)$ 靠它 |
|
||||
| 条件期望 $E(Y\mid X)$ | 第 4 讲(数字特征) | 点 7 的混合型期望、总方差公式 |
|
||||
| 独立同分布之和 | 第 5 讲上(大数定律)、第 5 讲下(中心极限定理) | 两讲都以"$n$ 个独立同分布之和"为对象,是点 6 的推广 |
|
||||
| 样本 $(X_1,\dots,X_n)$ | 第 6 讲(数理统计) | 样本是 $n$ 维随机变量,联合密度连乘即点 3 的推广 |
|
||||
|
||||
## 版本记录
|
||||
|
||||
| 日期 | 变更 |
|
||||
|---|---|
|
||||
| 2026-10-13 | 建文件夹,按「考点手册 $+$ 试题 $+$ 解析」三件套共 7 个文件(19 题 $+$ 中高难度 12 题) |
|
||||
| 2026-11-07 | **按线性代数第 6 讲的「知识点带题」格式整体重构**:删去三件套与答疑分册,改为「知识点盘点 $+$ 七点分册 $+$ 速查卡」共 9 个文件、27 题;每题嵌知识点级出处与题目级双向链接;新增 §8 覆盖对照、§9 相邻讲接口 |
|
||||
|
||||
## 两条写作约定
|
||||
|
||||
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
|
||||
2. **单个文件不超过 1.3 万字符**,超了就拆。
|
||||
|
||||
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/` 与 `exercise/2-random-variables-and-distribution/` 。
|
||||
|
||||
@@ -0,0 +1,250 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 知识点盘点]
|
||||
专题: 概率论 第4讲 · 随机变量的数字特征
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点(五节 + 覆盖对照表),配套 5 个点分册共 19 题
|
||||
关联笔记: ["[[README]]", "[[06-速查卡]]"]
|
||||
---
|
||||
|
||||
# 第4讲 · 随机变量的数字特征:知识点盘点
|
||||
|
||||
真题库第 18 章。近十年 **7 题 32 分**,**全部是选填**(单选 4 题 19 分 $+$ 填空 3 题 13 分),没有独立的大题。
|
||||
|
||||
**这一讲的特殊性**:它自己不出大题,但**第 3 讲的解答题、第 6 讲的参数估计,处处要用它**——$E$ 、$D$ 、$\operatorname{Cov}$ 是概率论里唯一的"通用工具"。所以这里的定位是**工具册**,不是考点册。
|
||||
|
||||
**一句话定性**:数字特征 = **用几个数概括一个分布**。$EX$ 说"在哪",$DX$ 说"多散",$\operatorname{Cov}$ 说"怎么一起动"。所有公式都是这三件事的推论。
|
||||
|
||||
## 0 三张表
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 协方差与相关系数 | 2016·8、2020·14、2021·16 | **约 13** | `04` |
|
||||
| 2 | 数学期望(含函数期望、绝对偏差) | 2017·14、2023·8 | **约 9** | `02` |
|
||||
| 3 | 方差与矩 | 2022·8、2025·8 | **约 10** | `03` |
|
||||
| 4 | 线性组合与最值 | 2025·8 | 嵌在选择里 | `06` |
|
||||
| 5 | 条件期望与重期望 | 大纲要求、十年未单考 | — | `05` |
|
||||
|
||||
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
||||
|
||||
```
|
||||
02 数学期望 ← 一切的地基:先把 E 算对
|
||||
↓
|
||||
03 方差与矩 ← E 的"二阶版":DX = EX² - (EX)²
|
||||
↓
|
||||
04 协方差与相关系数 ← 两个变量的"二阶版"
|
||||
↓
|
||||
05 条件期望与重期望 ← 把 E 拆成两层:E[E(Y|X)]
|
||||
↓
|
||||
06 线性组合与最值 ← D(aX+bY) 与它的极值
|
||||
```
|
||||
|
||||
**为什么条件期望排在协方差之后**:重期望 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 是算协方差的主力工具,没有协方差的需求就不会想到用它。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $EX$ | $\sum x_ip_i$ 或 $\int xf(x)\mathrm dx$ |
|
||||
| $DX=\operatorname{Var}(X)$ | $E(X-EX)^2=EX^2-(EX)^2$ |
|
||||
| $\sigma_X=\sqrt{DX}$ | 标准差 |
|
||||
| $\operatorname{Cov}(X,Y)$ | $E(X-EX)(Y-EY)=E(XY)-EX\cdot EY$ |
|
||||
| $\rho_{XY}$ | $\dfrac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}\in[-1,1]$ |
|
||||
| $E(Y\mid X)$ | 条件期望,本身是 $X$ 的**函数**(随机变量) |
|
||||
| $A_k=EX^k$ 、$B_k=E(X-EX)^k$ | $k$ 阶原点矩、$k$ 阶中心矩 |
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 定义与四条性质 | [点 1 题 1](02-点1-数学期望.md#user-content-题-1--11由分布律算期望与函数期望) |
|
||||
| §1.2 随机变量函数的期望(不需求分布) | [点 1 题 2](02-点1-数学期望.md#user-content-题-2--12连续型上的函数期望)、[点 1 题 3](02-点1-数学期望.md#user-content-题-3--12绝对偏差与平方偏差) |
|
||||
| §1.3 常见分布的期望 | [点 1 题 4](02-点1-数学期望.md#user-content-题-4--13用性质速算不积分) |
|
||||
| §2.1 定义与计算公式 | [点 2 题 1](03-点2-方差与矩.md#user-content-题-1--21二项分布的方差) |
|
||||
| §2.2 四条性质 | [点 2 题 2](03-点2-方差与矩.md#user-content-题-2--22方差性质与协方差交叉项) |
|
||||
| §2.3 常见分布的方差 | [点 2 题 3](03-点2-方差与矩.md#user-content-题-3--23由期望与方差反求参数) |
|
||||
| §2.4 矩与标准化 | [点 2 题 4](03-点2-方差与矩.md#user-content-题-4--24矩偏度与标准化) |
|
||||
| §3.1 定义 | [点 3 题 1](04-点3-协方差与相关系数.md#user-content-题-1--31由联合分布律求协方差与相关系数) |
|
||||
| §3.2 双线性(算协方差的唯一公式) | [点 3 题 2](04-点3-协方差与相关系数.md#user-content-题-2--32双线性展开) |
|
||||
| §3.3 相关系数的意义与极值 | [点 3 题 3](04-点3-协方差与相关系数.md#user-content-题-3--33相关系数的三条性质)、[点 3 题 4](04-点3-协方差与相关系数.md#user-content-题-4--33多项分布的负相关) |
|
||||
| §4.1 条件期望 | [点 4 题 1](05-点4-条件期望与重期望.md#user-content-题-1--41条件期望是一个函数) |
|
||||
| §4.2 重期望公式 | [点 4 题 2](05-点4-条件期望与重期望.md#user-content-题-2--42重期望算混合型) |
|
||||
| §4.3 条件方差与总方差公式 | [点 4 题 3](05-点4-条件期望与重期望.md#user-content-题-3--43随机个数的和) |
|
||||
| §5.1 线性组合的期望与方差 | [点 5 题 1](06-点5-线性组合与最值.md#user-content-题-1--51两项线性组合的展开) |
|
||||
| §5.2 方差的最值(选择压轴常客) | [点 5 题 2](06-点5-线性组合与最值.md#user-content-题-2--52同方差下的最值)、[点 5 题 3](06-点5-线性组合与最值.md#user-content-题-3--52异方差下配方) |
|
||||
| §5.3 三条常用恒等式 | [点 5 题 4](06-点5-线性组合与最值.md#user-content-题-4--53样本均值与偏差平方和) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 数学期望
|
||||
|
||||
### 1.1 定义与四条性质
|
||||
|
||||
$$EX=\sum_i x_ip_i\ (\text{离散}),\qquad EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx\ (\text{连续}).$$
|
||||
|
||||
性质(**不要求独立**):
|
||||
|
||||
$$E(aX+bY+c)=aEX+bEY+c;\qquad X\le Y\Rightarrow EX\le EY;\qquad \lvert EX\rvert\le E\lvert X\rvert .$$
|
||||
|
||||
> **注意**:$E(XY)=EX\cdot EY$ **只在独立(或不相关)时成立**,不属于"性质",是"额外结论"。
|
||||
|
||||
### 1.2 随机变量函数的期望(不需求分布)
|
||||
|
||||
$$E\,g(X)=\sum_i g(x_i)p_i\quad\text{或}\quad E\,g(X)=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx;$$
|
||||
|
||||
$$E\,g(X,Y)=\iint g(x,y)f(x,y)\,\mathrm d\sigma .$$
|
||||
|
||||
> **这是全讲最重要的一条技术**:求 $E(1/X)$ 、$E\lvert X-a\rvert$ 、$E\min(X,c)$ 时,**不要先求新变量的分布再求期望**,直接把 $g$ 塞进原积分。省掉一次"求密度 $+$ 积分"。
|
||||
|
||||
### 1.3 常见分布的期望
|
||||
|
||||
| 分布 | $EX$ | 记忆方式 |
|
||||
|---|---|---|
|
||||
| $B(n,p)$ | $np$ | 拆成 $n$ 个 $0$ -$1$ 之和 |
|
||||
| $P(\lambda)$ | $\lambda$ | 参数即均值 |
|
||||
| $G(p)$ (几何) | $\dfrac1p$ | 平均等 $\frac1p$ 次 |
|
||||
| $U(a,b)$ | $\dfrac{a+b}{2}$ | 中点 |
|
||||
| $E(\lambda)$ | $\dfrac1\lambda$ | 参数是"速率",期望是"时间" |
|
||||
| $N(\mu,\sigma^2)$ | $\mu$ | 参数即均值 |
|
||||
| $\chi^2(n)$ | $n$ | 自由度即均值 |
|
||||
|
||||
## 2 方差与矩
|
||||
|
||||
### 2.1 定义与计算公式
|
||||
|
||||
$$DX=E(X-EX)^2=E X^2-(EX)^2 .$$
|
||||
|
||||
**考场一律用右边那个**:先算 $EX$ 与 $EX^2$ ,相减。定义式只在证明里用。
|
||||
|
||||
### 2.2 四条性质
|
||||
|
||||
$$D(aX+b)=a^2DX\quad(\text{常数项不影响});\qquad D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y).$$
|
||||
|
||||
**独立时**交叉项消失,$D(X\pm Y)=DX+DY$ ——**注意"差"也是加**,这是最高频的错点。
|
||||
|
||||
$$DC=0;\qquad DX=0\iff X\ \text{几乎处处为常数}.$$
|
||||
|
||||
### 2.3 常见分布的方差
|
||||
|
||||
| 分布 | $DX$ |
|
||||
|---|---|
|
||||
| $B(n,p)$ | $np(1-p)$ |
|
||||
| $P(\lambda)$ | $\lambda$ |
|
||||
| $G(p)$ | $\dfrac{1-p}{p^2}$ |
|
||||
| $U(a,b)$ | $\dfrac{(b-a)^2}{12}$ |
|
||||
| $E(\lambda)$ | $\dfrac{1}{\lambda^2}$ |
|
||||
| $N(\mu,\sigma^2)$ | $\sigma^2$ |
|
||||
| $\chi^2(n)$ | $2n$ |
|
||||
|
||||
### 2.4 矩与标准化
|
||||
|
||||
$k$ 阶原点矩 $A_k=EX^k$ ;$k$ 阶中心矩 $B_k=E(X-EX)^k$ 。其中 **$A_1=EX$ 与 $B_2=DX$ 最常用** 。
|
||||
|
||||
标准化:$X^*=\dfrac{X-EX}{\sqrt{DX}}$ ,则 $EX^*=0$ 、$DX^*=1$ 。这一步是中心极限定理与所有"查表"题的前提。
|
||||
|
||||
## 3 协方差与相关系数
|
||||
|
||||
### 3.1 定义
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(X-EX)(Y-EY)=E(XY)-EX\cdot EY,\qquad \rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}} .$$
|
||||
|
||||
### 3.2 双线性(算协方差的唯一公式)
|
||||
|
||||
$$\operatorname{Cov}(aX+bY,\ cZ+dW)=ac\operatorname{Cov}(X,Z)+ad\operatorname{Cov}(X,W)+bc\operatorname{Cov}(Y,Z)+bd\operatorname{Cov}(Y,W).$$
|
||||
|
||||
**三条特例**:$\operatorname{Cov}(X,X)=DX$ ;$\operatorname{Cov}(X,c)=0$ ;$\operatorname{Cov}(X+Y,Z)=\operatorname{Cov}(X,Z)+\operatorname{Cov}(Y,Z)$ 。
|
||||
|
||||
> **实战写法**:把 $\operatorname{Cov}$ 当成"**带符号的乘法表**",逐项展开成 $\operatorname{Cov}(X,X)$ 、$\operatorname{Cov}(X,Y)$ 这样的原子,再代入数值。这一步比用 $E(XY)-EX\,EY$ 快得多,也不容易错。
|
||||
|
||||
### 3.3 相关系数的意义与极值
|
||||
|
||||
**三条结论**:
|
||||
|
||||
1. $\lvert\rho\rvert\le1$ ;
|
||||
2. $\lvert\rho\rvert=1\iff P\{Y=aX+b\}=1$ (**完全线性相关**,$a>0$ 时 $\rho=1$ ,$a<0$ 时 $\rho=-1$ );
|
||||
3. $\rho$ 只度量**线性**关系:$\rho=0$ 只说明"没有线性关系",不说明"没有关系"。
|
||||
|
||||
**独立与不相关的分界**:独立 $\Rightarrow$ 不相关(二阶矩存在时);反向只在**二维正态**下成立。完整辨析见 [第3讲 点4 题3](../概率论-第3讲-多维随机变量及其分布/05-点4-独立性.md#user-content-题-3--43不相关但不独立的反例)。
|
||||
|
||||
## 4 条件期望与重期望
|
||||
|
||||
### 4.1 条件期望
|
||||
|
||||
$$E(Y\mid X=x)=\sum_j y_j\,p_{j\mid i}\quad\text{或}\quad E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy .$$
|
||||
|
||||
**关键认识**:$E(Y\mid X)$ 是 $X$ 的**函数**,因此它本身是一个**随机变量**;而 $E(Y\mid X=x)$ 是一个**数**。
|
||||
|
||||
### 4.2 重期望公式
|
||||
|
||||
$$EY=E\left[E(Y\mid X)\right].$$
|
||||
|
||||
**用途**:当 $Y$ 的分布要分两层才能写清(混合型、分层抽样、随机个数的和)时,先求内层再求外层。
|
||||
|
||||
**乘法版本**(算协方差的主力):
|
||||
|
||||
$$E(XY)=E\left[X\cdot E(Y\mid X)\right].$$
|
||||
|
||||
### 4.3 条件方差与总方差公式
|
||||
|
||||
$$DY=\underbrace{E\left[D(Y\mid X)\right]}_{\text{组内}}+\underbrace{D\left[E(Y\mid X)\right]}_{\text{组间}} .$$
|
||||
|
||||
读法:**总方差 $=$ 组内方差的平均 $+$ 组间(各组均值之间)的方差**。混合型题里算 $DY$ 只需这一条,不必写出 $f_Y$ 。
|
||||
|
||||
## 5 线性组合与最值
|
||||
|
||||
### 5.1 线性组合的期望与方差
|
||||
|
||||
$$E\left(\sum a_iX_i\right)=\sum a_iEX_i;\qquad D\left(\sum a_iX_i\right)=\sum a_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j).$$
|
||||
|
||||
两项情形:$D(aX+bY)=a^2DX+b^2DY+2ab\rho\sigma_X\sigma_Y$ 。
|
||||
|
||||
### 5.2 方差的最值(选择压轴常客)
|
||||
|
||||
在约束 $a^2+b^2=1$ 下最大化 $D(aX+bY)$ :
|
||||
|
||||
$$D(aX+bY)=\sigma_X^2a^2+\sigma_Y^2b^2+2\rho\sigma_X\sigma_Yab .$$
|
||||
|
||||
- **$\sigma_X=\sigma_Y=\sigma$ 时**:$=\sigma^2\left(1+2\rho ab\right)$ ,在 $a=b=\frac{1}{\sqrt2}$ 处取最大 $\sigma^2(1+\rho)$ ,在 $a=-b$ 处取最小 $\sigma^2(1-\rho)$ ;
|
||||
- **$\sigma_X\ne\sigma_Y$ 时**:配方为二次型,最大值 $=\dfrac{\sigma_X^2+\sigma_Y^2+\sqrt{(\sigma_X^2-\sigma_Y^2)^2+4\rho^2\sigma_X^2\sigma_Y^2}}{2}$ (**考场上用配方或拉格朗日,别背这个式子**)。
|
||||
|
||||
### 5.3 三条常用恒等式
|
||||
|
||||
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2;\qquad E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n};$$
|
||||
|
||||
$$E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(\text{在 }c=EX\text{ 处最小}).$$
|
||||
|
||||
> 最后一条是"**均方误差分解**":$c$ 取均值时期望平方偏差最小,最小值就是方差。这条在参数估计的 MSE 比较里还会再用一次。
|
||||
|
||||
## 6 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
||||
|
||||
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
||||
|---|---|---|---|---|
|
||||
| 数学期望的定义与性质 | **掌握** | 2017·14 | 有 | 点 1,2 题 |
|
||||
| 随机变量函数的期望 | **掌握** | 2023·8 | 有 | 点 1,3 题 |
|
||||
| 常见分布的期望 | **掌握** | 每题必用 | 有 | 点 1,2 题 |
|
||||
| 方差的定义与性质 | **掌握** | 2022·8、2025·8 | 有 | 点 2,4 题 |
|
||||
| 常见分布的方差 | **掌握** | 2022·8 | 有 | 点 2,2 题 |
|
||||
| 矩与标准化 | 了解 | 嵌在别处 | 有 | 点 2,1 题 |
|
||||
| 协方差与双线性 | **掌握** | 2020·14、2024·9 | 有 | 点 3,3 题 |
|
||||
| 相关系数与极值 | **掌握** | 2016·8、2021·16 | 有 | 点 3,3 题 |
|
||||
| 条件期望与重期望 | **掌握** | 大纲要求、十年未单考 | 有 | 点 4,3 题 |
|
||||
| 总方差公式 | 掌握 | 2020·22(第3讲) | 有 | 点 4,1 题 |
|
||||
| 线性组合的方差 | **掌握** | 2025·8 | 有 | 点 5,1 题 |
|
||||
| 方差的最值 | 掌握 | 2025·8 | 无(自编) | 点 5,2 题 |
|
||||
| 样本均值与偏差平方和 | **掌握** | 嵌在别处 | 有 | 点 5,1 题 |
|
||||
|
||||
**判断**:13 个知识点里,**大纲"掌握"的 12 个全部配题**;余下"矩与标准化"属"了解"层次,也配了 1 题。"方差最值"参考仓库未单列,属自编题,用于补齐 2025·8 的新形态。
|
||||
|
||||
## 7 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| 密度、分布律、边缘、条件 | 第 2、3 讲 | 本讲所有 $E$ 都是在它们的积分上加一个权 |
|
||||
| 独立与不相关的完整辨析 | [第3讲点4](../概率论-第3讲-多维随机变量及其分布/05-点4-独立性.md) | 本讲只做"$\rho$ 的极值",不重复讲独立性 |
|
||||
| 二维正态的 $\rho$ 与条件分布 | [第3讲点3 §3.5](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 5 的方差最值直接用它 |
|
||||
| $D\bar X=\sigma^2/n$ | 第 6 讲(数理统计) | 样本均值的方差,参数估计的基础 |
|
||||
| $\operatorname{Cov}$ 的样本版 $S^2$ | 第 6 讲(数理统计) | 无偏性证明全靠它 |
|
||||
| 切比雪夫不等式 | 第 5 讲上(大数定律) | 它就是用 $DX$ 去控制"偏离" |
|
||||
|
||||
> **跨讲一句话**:本讲把"分布"压成"数";第 5 讲用这些数去谈极限;第 6 讲用这些数去评价估计量。
|
||||
@@ -0,0 +1,212 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 数学期望]
|
||||
专题: 概率论 第4讲 · 点1 数学期望
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(1.1 定义与性质、1.2 函数期望、1.3 常见分布,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 数学期望
|
||||
|
||||
> 真题锚点:2017·14(填空)、2023·8(单选,绝对偏差)|重要度 ★★★
|
||||
> 依赖:第 2、3 讲的分布律与密度。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:先立定义与性质(1.1),再攻本讲最有价值的技术——**函数期望不需求分布**(1.2),最后收表(1.3)。四道题里两道都在练 1.2,因为这是考场上唯一能"省一步"的地方。难度标准:★☆☆ 一题、★★☆ 三题。
|
||||
|
||||
## 知识点 1.1 定义与四条性质(出处:[知识章 digital-features.tex §1.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex)|[练习章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/exercise/3-digital-features/digital-features.tex))
|
||||
|
||||
$$EX=\sum_i x_ip_i\ (\text{离散});\qquad EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx\ (\text{连续}).$$
|
||||
|
||||
四条性质(**都不要求独立**):
|
||||
|
||||
1. $E(aX+bY+c)=aEX+bEY+c$ (线性);
|
||||
2. $X\le Y\Rightarrow EX\le EY$ (保序);
|
||||
3. $\lvert EX\rvert\le E\lvert X\rvert$ ;
|
||||
4. $EC=C$ (常数视为退化随机变量)。
|
||||
|
||||
> **$E(XY)=EX\,EY$ 不在性质里**。它是"独立(或不相关)"的**额外结论**,套用前必须确认前提。
|
||||
|
||||
## 知识点 1.2 随机变量函数的期望(出处:[知识章 §1.1、§2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$E\,g(X)=\sum_i g(x_i)p_i\quad\text{或}\quad E\,g(X)=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx .$$
|
||||
|
||||
二维版本:$E\,g(X,Y)=\iint g(x,y)f(x,y)\,\mathrm d\sigma$ 。
|
||||
|
||||
**三条要点**:
|
||||
|
||||
1. **不需求 $g(X)$ 的分布**——这是它最大的价值;
|
||||
2. $g$ 一般**不能提出去**:$E(1/X)\ne1/EX$ 、$E(X^2)\ne(EX)^2$ 、$E\lvert X\rvert\ne\lvert EX\rvert$ ;
|
||||
3. 分段函数(如 $\min$ 、$\max$ 、绝对值)要**按段拆积分**,分段点就是 $g$ 的换型点。
|
||||
|
||||
## 知识点 1.3 常见分布的期望(出处:[知识章 §1.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
| 分布 | $EX$ | 备注 |
|
||||
|---|---|---|
|
||||
| $B(n,p)$ | $np$ | 用"$n$ 个 $0$ -$1$ 之和"推 |
|
||||
| $P(\lambda)$ | $\lambda$ | 参数即均值 |
|
||||
| $G(p)$ | $\dfrac1p$ | 平均等 $\frac1p$ 次 |
|
||||
| $U(a,b)$ | $\dfrac{a+b}{2}$ | 中点 |
|
||||
| $E(\lambda)$ | $\dfrac1\lambda$ | 参数是速率 |
|
||||
| $N(\mu,\sigma^2)$ | $\mu$ | 参数即均值 |
|
||||
| $\chi^2(n)$ | $n$ | 自由度即均值 |
|
||||
|
||||
> **用法**:考场上遇到这些分布,**期望直接写**,把时间留给后面的积分。只有在"要写过程"的解答题里才用定义推一遍。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 1.1:由分布律算期望与函数期望(★☆☆)
|
||||
|
||||
> 设 $X$ 的分布律为
|
||||
>
|
||||
> | $X$ | $-1$ | $0$ | $1$ | $2$ |
|
||||
> |---|---|---|---|---|
|
||||
> | $p$ | $0.2$ | $0.3$ | $0.3$ | $0.2$ |
|
||||
>
|
||||
> 求 $EX$ 、$E X^2$ 、$DX$ 、$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 。
|
||||
|
||||
**怎么想**:$EX$ 与 $E X^2$ 都是"加权平均",只是权前的数换了。$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 属于函数期望——**逐项代 $g$ 即可**,不必求新分布。
|
||||
|
||||
**解**:
|
||||
|
||||
$$EX=(-1)(0.2)+0(0.3)+1(0.3)+2(0.2)=-0.2+0.3+0.4=0.5 .$$
|
||||
|
||||
$$E X^2=(1)(0.2)+0(0.3)+(1)(0.3)+(4)(0.2)=0.2+0.3+0.8=1.3 .$$
|
||||
|
||||
$$DX=EX^2-(EX)^2=1.3-0.25=1.05=\frac{21}{20} .$$
|
||||
|
||||
$$E\lvert X\rvert=(1)(0.2)+0+(1)(0.3)+(2)(0.2)=0.2+0.3+0.4=0.9 .$$
|
||||
|
||||
$E\min\{X,1\}$ :把每个 $x_i$ 换成 $\min\{x_i,1\}$ ,即 $-1,0,1,1$ :
|
||||
|
||||
$$E\min\{X,1\}=(-1)(0.2)+0(0.3)+(1)(0.3)+(1)(0.2)=-0.2+0.3+0.2=0.3 .$$
|
||||
|
||||
**验算**:$DX>0$ ✓;$E\min\{X,1\}<EX=0.5$ ✓(因为 $\min\{x,1\}\le x$ 逐点成立,期望必须更小);$E\lvert X\rvert=0.9>\lvert EX\rvert=0.5$ ✓。
|
||||
|
||||
**带走结论**:**算 $EX^2$ 要用平方值加权,不能拿 $(EX)^2$ 顶替**,两者差 $DX$ 。本题 $(EX)^2=0.25$ 、$EX^2=1.3$ ,差得极远——这就是"方差大"的含义。
|
||||
|
||||
> **关联** · 盘点 [§1.1 定义与四条性质](01-知识点盘点.md#user-content-11-定义与四条性质) | 上游 — | 下游 — | 速查 [一 三条定义式](07-速查卡.md#user-content-一-三条定义式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 1.2:连续型上的函数期望(★★☆)
|
||||
|
||||
> 设 $X$ 的概率密度为 $f(x)=2x$ ($0<x<1$ ),其他为 $0$ 。
|
||||
>
|
||||
> (Ⅰ)求 $EX$ 与 $DX$ ;
|
||||
> (Ⅱ)求 $E\!\left(\dfrac1X\right)$ ,并与 $\dfrac{1}{EX}$ 比较;
|
||||
> (Ⅲ)求 $E\min\left\{X,\dfrac12\right\}$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)直接积。(Ⅱ)把 $\frac1x$ 塞进积分,**注意它在 $x=0$ 处发散**——但乘上 $f(x)=2x$ 之后变成常数 $2$ ,所以收敛,这是本题的巧处。(Ⅲ)$\min$ 在 $x=\frac12$ 换段,必须拆两个积分。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$EX=\int_0^1x\cdot2x\,\mathrm dx=\frac23,\qquad E X^2=\int_0^1x^2\cdot2x\,\mathrm dx=\frac12,$$
|
||||
|
||||
$$DX=\frac12-\frac49=\frac{1}{18} .$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$E\!\left(\frac1X\right)=\int_0^1\frac1x\cdot2x\,\mathrm dx=\int_0^12\,\mathrm dx=2 .$$
|
||||
|
||||
而 $\dfrac{1}{EX}=\dfrac{3}{2}=1.5$ 。两者**不相等**:$E\!\left(\frac1X\right)>1/EX$ 。
|
||||
|
||||
**原因**:$g(x)=\frac1x$ 是**凸函数**,由琴生不等式 $E g(X)\ge g(EX)$ ,等号只在 $X$ 为常数时成立。
|
||||
|
||||
**(Ⅲ)** 在 $x=\frac12$ 处分段:
|
||||
|
||||
$$E\min\left\{X,\frac12\right\}=\int_0^{1/2}x\cdot2x\,\mathrm dx+\int_{1/2}^{1}\frac12\cdot2x\,\mathrm dx=\left[\frac{2x^3}{3}\right]_0^{1/2}+\left[\frac{x^2}{2}\right]_{1/2}^{1}$$
|
||||
|
||||
$$=\frac{1}{12}+\left(\frac12-\frac18\right)=\frac{1}{12}+\frac38=\frac{11}{24}\approx0.458 .$$
|
||||
|
||||
**验算**:$\frac{11}{24}<\frac23=EX$ ✓(因为 $\min\{x,\frac12\}\le x$ );且 $\frac{11}{24}<\frac12$ ✓(截断后期望不超过截断值)。
|
||||
|
||||
**带走结论**:一般 **$E g(X)\ne g(EX)$ 才是常态**,方向由凹凸性决定:$g$ 凸则 $E g(X)\ge g(EX)$ ,$g$ 凹则相反。$\frac1x$ 、$x^2$ 、$\lvert x\rvert$ 都是凸的,所以"倒数的期望 $>$ 期望的倒数"是常态。
|
||||
|
||||
> **关联** · 盘点 [§1.2 随机变量函数的期望(不需求分布)](01-知识点盘点.md#user-content-12-随机变量函数的期望不需求分布) | 上游 — | 下游 [点 1 题 3](02-点1-数学期望.md#user-content-题-3--12绝对偏差与平方偏差) | 速查 [三 不需求分布就能算函数期望](07-速查卡.md#user-content-三-不需求分布就能算函数期望)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 1.2:绝对偏差与平方偏差(★★☆)
|
||||
|
||||
> 设 $X\sim U(0,1)$ 。
|
||||
>
|
||||
> (Ⅰ)求 $E\left\lvert X-\dfrac13\right\rvert$ ;
|
||||
> (Ⅱ)求 $E\left(X-\dfrac13\right)^2$ ;
|
||||
> (Ⅲ)若要让 $E\lvert X-c\rvert$ 最小,$c$ 应取多少?若要让 $E(X-c)^2$ 最小呢?
|
||||
|
||||
**怎么想**:绝对值必须**在 $x=\frac13$ 处分段**,两段方向相反。平方不用分段——展开即可。第三问是"最小化平均偏差",两个目标给出两个不同的答案,这正是本题的教学点。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $f(x)=1$ ($0<x<1$ )。分段:
|
||||
|
||||
$$E\left\lvert X-\frac13\right\rvert=\int_0^{1/3}\left(\frac13-x\right)\mathrm dx+\int_{1/3}^{1}\left(x-\frac13\right)\mathrm dx .$$
|
||||
|
||||
第一段:$\left[\frac x3-\frac{x^2}{2}\right]_0^{1/3}=\frac19-\frac{1}{18}=\frac{1}{18}$ 。
|
||||
|
||||
第二段:$\left[\frac{x^2}{2}-\frac x3\right]_{1/3}^{1}=\left(\frac12-\frac13\right)-\left(\frac1{18}-\frac19\right)=\frac16+\frac1{18}=\frac{2}{9}$ 。
|
||||
|
||||
故
|
||||
|
||||
$$E\left\lvert X-\frac13\right\rvert=\frac{1}{18}+\frac{2}{9}=\frac{1}{18}+\frac{4}{18}=\frac{5}{18}\approx0.278 .$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$E\left(X-\frac13\right)^2=E X^2-\frac23EX+\frac19=\frac13-\frac23\cdot\frac12+\frac19=\frac13-\frac13+\frac19=\frac19 .$$
|
||||
|
||||
**(Ⅲ)** 两个目标的最优 $c$ **不同**:
|
||||
|
||||
- **平方偏差**:$E(X-c)^2=DX+(EX-c)^2$ ,在 $c=EX=\frac12$ 处最小,最小值 $DX=\frac{1}{12}$ ;
|
||||
- **绝对偏差**:$E\lvert X-c\rvert$ 在 $c=$ **中位数**处最小,$U(0,1)$ 的中位数是 $\frac12$ ,最小值 $=\frac14$ (可验证:$\int_0^c(c-x)+\int_c^1(x-c)=c^2-c+\frac12$ ,在 $c=\frac12$ 取 $\frac14$ )。
|
||||
|
||||
本题两者恰好都在 $\frac12$ (因为均匀分布对称),**但一般分布不重合**——平方偏差配均值,绝对偏差配中位数。
|
||||
|
||||
**验算**:$\frac{5}{18}\approx0.278>\frac19\approx0.111$ ✓(同一量纲下"绝对偏差"必不小于"平方偏差",因为约束在 $[0,1]$ 内偏差绝对值小于 $1$ ,平方后更小)。
|
||||
|
||||
**带走结论**:**绝对值分段、平方展开**。另外记住这对"最优 $c$ ":**平方偏差 $\to$ 均值,绝对偏差 $\to$ 中位数**——这是 2023·8 型选择题的常见考法。
|
||||
|
||||
> **关联** · 盘点 [§1.2 随机变量函数的期望(不需求分布)](01-知识点盘点.md#user-content-12-随机变量函数的期望不需求分布) | 上游 [点 1 题 2](02-点1-数学期望.md#user-content-题-2--12连续型上的函数期望) | 下游 — | 速查 [三 不需求分布就能算函数期望](07-速查卡.md#user-content-三-不需求分布就能算函数期望)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 1.3:用性质速算,不积分(★★☆)
|
||||
|
||||
> 设 $X\sim B(10,0.3)$ 、$Y\sim P(2)$ 、$Z\sim E\!\left(\dfrac12\right)$ ,且三者**相互独立**。求
|
||||
>
|
||||
> (Ⅰ)$E(3X-2Y+1)$ ;
|
||||
> (Ⅱ)$E(X^2)$ 与 $E(XY)$ ;
|
||||
> (Ⅲ)$E\left(\dfrac{1}{Z}\right)$ 。
|
||||
|
||||
**怎么想**:三问都在考"**用已知的 $E$ 与 $D$ 反推**"。(Ⅰ)只用线性;(Ⅱ)$EX^2=DX+(EX)^2$ ,$E(XY)$ 靠独立;(Ⅲ)指数分布的倒数期望要单独积一次——它是"$1/Z$ 不是常数"的又一次提醒。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $EX=10\times0.3=3$ ,$EY=2$ ,故
|
||||
|
||||
$$E(3X-2Y+1)=3\cdot3-2\cdot2+1=9-4+1=6 .$$
|
||||
|
||||
**(Ⅱ)** $DX=10\times0.3\times0.7=2.1$ ,故
|
||||
|
||||
$$E X^2=DX+(EX)^2=2.1+9=11.1 .$$
|
||||
|
||||
由独立性 $E(XY)=EX\cdot EY=3\times2=6$ 。
|
||||
|
||||
**(Ⅲ)** $Z$ 的密度是 $\frac12\mathrm e^{-z/2}$ ($z>0$ ),故
|
||||
|
||||
$$E\!\left(\frac1Z\right)=\int_0^{+\infty}\frac1z\cdot\frac12\mathrm e^{-z/2}\,\mathrm dz .$$
|
||||
|
||||
这个积分**发散**($\frac1z$ 在 $0$ 附近使被积函数 $\sim\frac{1}{2z}$ )。所以本题的正确结论是:**$E\left(\frac1Z\right)$ 不存在**。
|
||||
|
||||
$\dfrac{1}{EZ}=\dfrac{1}{2}=0.5$ 只是"倒数的期望"的**错误替代品**,两者不能互换。
|
||||
|
||||
**验算**:$\int_{\varepsilon}^{1}\frac{1}{2z}\mathrm dz=\frac12\ln\frac1\varepsilon\to+\infty$ ✓(对数发散)。
|
||||
|
||||
**带走结论**:**只有独立才能拆 $E(XY)$ 这一步**;**$E X^2=DX+(EX)^2$ 是最常用的反推式**;而"期望存在"要先检查积分收敛——指数分布的倒数期望就是典型的发散例。
|
||||
|
||||
> **关联** · 盘点 [§1.3 常见分布的期望](01-知识点盘点.md#user-content-13-常见分布的期望) | 上游 — | 下游 — | 速查 [二 七大分布的期望与方差](07-速查卡.md#user-content-二-七大分布的期望与方差)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,214 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 方差]
|
||||
专题: 概率论 第4讲 · 点2 方差与矩
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(2.1 定义与公式、2.2 性质、2.3 常见分布、2.4 矩与标准化,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 方差与矩
|
||||
|
||||
> 真题锚点:2022·8(方差反求参数)、2025·8(线性组合方差)|重要度 ★★★
|
||||
> 依赖:点 1 的数学期望。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:方差的一切计算都归结为一个式子 $DX=EX^2-(EX)^2$ ,所以先练这个(2.1),再练它的运算法则(2.2),然后收表与反求参数(2.3),最后补矩与标准化(2.4)。难度标准:★☆☆ 一题、★★☆ 三题。
|
||||
|
||||
## 知识点 2.1 定义与计算公式(出处:[知识章 §1.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$DX=E(X-EX)^2=E X^2-(EX)^2 .$$
|
||||
|
||||
**两条等价定义**:左边是"偏差平方的期望"(意义),右边是"先算二阶矩再减"(算法)。**考场一律用右边**。
|
||||
|
||||
$$DX=\sum_i(x_i-EX)^2p_i\quad\text{或}\quad DX=\int_{-\infty}^{+\infty}(x-EX)^2f(x)\,\mathrm dx .$$
|
||||
|
||||
## 知识点 2.2 四条性质(出处:[知识章 §1.2 性质](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$D(aX+b)=a^2DX;\qquad D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y);\qquad DC=0 .$$
|
||||
|
||||
$$DX=0\iff P\{X=EX\}=1\ (\text{几乎处处为常数}).$$
|
||||
|
||||
> **两个高频错点**:① 常数项 $b$ 不影响方差(不是 $a^2DX+b^2$ );② **$D(X-Y)=DX+DY$ 才对**(独立时),**不是 $DX-DY$ 的形式**。记忆锚点:**方差是"散布程度",相减不会让散布变小**。
|
||||
|
||||
## 知识点 2.3 常见分布的方差(出处:[知识章 §1.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
| 分布 | $DX$ | 与 $EX$ 的关系 |
|
||||
|---|---|---|
|
||||
| $B(n,p)$ | $np(1-p)$ | $=EX(1-p)$ |
|
||||
| $P(\lambda)$ | $\lambda$ | $=EX$ (泊松的"等散"性) |
|
||||
| $G(p)$ | $\dfrac{1-p}{p^2}$ | $\dfrac{EX-1}{p}$ |
|
||||
| $U(a,b)$ | $\dfrac{(b-a)^2}{12}$ | 只看区间长度 |
|
||||
| $E(\lambda)$ | $\dfrac{1}{\lambda^2}$ | $=(EX)^2$ |
|
||||
| $N(\mu,\sigma^2)$ | $\sigma^2$ | 参数即方差 |
|
||||
| $\chi^2(n)$ | $2n$ | $=2EX$ |
|
||||
|
||||
**反求参数的套路**:二项给 $EX$ 与 $DX$ 两个条件,则
|
||||
|
||||
$$\frac{DX}{EX}=1-p\ \Rightarrow\ p;\qquad n=\frac{EX}{p} .$$
|
||||
|
||||
这一步比解方程组快,因为它先消掉 $n$ 。
|
||||
|
||||
## 知识点 2.4 矩与标准化(出处:[知识章 §1.1、§2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$A_k=EX^k\ (\text{原点矩}),\qquad B_k=E(X-EX)^k\ (\text{中心矩}).$$
|
||||
|
||||
**两条对应**:$A_1=EX$ 、$B_2=DX$ ;$B_3$ 刻画**偏度**($B_3=0$ 说明分布关于均值对称),$B_4$ 刻画峰度。
|
||||
|
||||
**标准化**:
|
||||
|
||||
$$X^*=\frac{X-EX}{\sqrt{DX}}\ \Longrightarrow\ EX^*=0,\quad DX^*=1 .$$
|
||||
|
||||
标准化是"查表"与"中心极限定理"的前置动作:任何正态都能化到 $N(0,1)$ ,任何和都能化成近似 $N(0,1)$ 。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 2.1:二项分布的方差(★☆☆)
|
||||
|
||||
> 设 $X\sim B\!\left(3,\dfrac12\right)$ 。
|
||||
>
|
||||
> (Ⅰ)写出分布律,求 $EX$ 、$E X^2$ 、$DX$ ;
|
||||
> (Ⅱ)用 $DX=EX(1-p)$ 复核;
|
||||
> (Ⅲ)求 $D(2X+1)$ 。
|
||||
|
||||
**怎么想**:三项二项分布手算即可。第(Ⅱ)问是"用公式验算",第(Ⅲ)问只考一条性质 $D(aX+b)=a^2DX$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 分布律:
|
||||
|
||||
| $X$ | 0 | 1 | 2 | 3 |
|
||||
|---|---|---|---|---|
|
||||
| $p$ | $\frac18$ | $\frac38$ | $\frac38$ | $\frac18$ |
|
||||
|
||||
$$EX=0\cdot\frac18+1\cdot\frac38+2\cdot\frac38+3\cdot\frac18=\frac{3+6+3}{8}=\frac32 .$$
|
||||
|
||||
$$E X^2=0+1\cdot\frac38+4\cdot\frac38+9\cdot\frac18=\frac{3+12+9}{8}=3 .$$
|
||||
|
||||
$$DX=3-\left(\frac32\right)^2=3-\frac94=\frac34 .$$
|
||||
|
||||
**(Ⅱ)** $EX(1-p)=\dfrac32\cdot\dfrac12=\dfrac34=DX$ ✓。
|
||||
|
||||
**(Ⅲ)** $D(2X+1)=4DX=4\times\dfrac34=3$ 。
|
||||
|
||||
**验算**:逐项定义式核对:$DX=\sum(x_i-1.5)^2p_i=\left(2.25\cdot\frac18\right)+\left(0.25\cdot\frac38\right)+\left(0.25\cdot\frac38\right)+\left(2.25\cdot\frac18\right)$
|
||||
|
||||
$=0.28125+0.09375+0.09375+0.28125=0.75$ ✓。
|
||||
|
||||
**带走结论**:**常数项不进方差**——$D(2X+1)=D(2X)=4DX$ 。这条每年都有人写成 $4DX+1$ 。
|
||||
|
||||
> **关联** · 盘点 [§2.1 定义与计算公式](01-知识点盘点.md#user-content-21-定义与计算公式) | 上游 — | 下游 — | 速查 [一 三条定义式](07-速查卡.md#user-content-一-三条定义式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 2.2:方差性质与协方差交叉项(★★☆)
|
||||
|
||||
> 设 $DX=4$ 、$DY=9$ 、$\rho_{XY}=\dfrac13$ ,求
|
||||
>
|
||||
> (Ⅰ)$\operatorname{Cov}(X,Y)$ ;
|
||||
> (Ⅱ)$D(2X-3Y+1)$ ;
|
||||
> (Ⅲ)$D(X-Y)$ 与 $D\!\left(\dfrac X2+\dfrac Y3\right)$ 。
|
||||
|
||||
**怎么想**:先由 $\rho$ 反解 $\operatorname{Cov}$ ($\operatorname{Cov}=\rho\sigma_X\sigma_Y$ ,注意是**标准差**之积,不是方差之积)。然后一律套 $D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}$ ,**符号跟着 $a,b$ 走**。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\sigma_X=2$ 、$\sigma_Y=3$ ,故
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\rho\sigma_X\sigma_Y=\frac13\cdot2\cdot3=2 .$$
|
||||
|
||||
**(Ⅱ)** $a=2$ 、$b=-3$ :
|
||||
|
||||
$$D(2X-3Y+1)=4DX+9DY+2(2)(-3)\operatorname{Cov}=4\cdot4+9\cdot9-12\cdot2=16+81-24=73 .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$D(X-Y)=DX+DY-2\operatorname{Cov}=4+9-4=9 .$$
|
||||
|
||||
$$D\!\left(\frac X2+\frac Y3\right)=\frac14DX+\frac19DY+2\cdot\frac12\cdot\frac13\operatorname{Cov}=1+1+\frac{2}{3}=\frac83 .$$
|
||||
|
||||
**验算**:$D(X-Y)+D(X+Y)=2(DX+DY)=26$ ;本题 $D(X+Y)=4+9+4=17$ ,$17+9=26$ ✓(交叉项相消的检验)。
|
||||
|
||||
**带走结论**:**协方差公式的符号规则**:$a,b$ 同号则交叉项为正("同向放大"),异号则为负("相互抵消")。第(Ⅱ)问里 $-3Y$ 使交叉项变负,$73<16+81=97$ ,说明两变量部分抵消——这正是"负相关能降风险"的数学表达。
|
||||
|
||||
> **关联** · 盘点 [§2.2 四条性质](01-知识点盘点.md#user-content-22-四条性质) | 上游 — | 下游 — | 速查 [四 方差性质与矩](07-速查卡.md#user-content-四-方差性质与矩)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 2.3:由期望与方差反求参数(★★☆)
|
||||
|
||||
> 设 $X\sim B(n,p)$ ,已知 $EX=2.4$ 、$DX=1.44$ 。
|
||||
>
|
||||
> (Ⅰ)求 $n$ 与 $p$ ;
|
||||
> (Ⅱ)求 $P\{X=0\}$ 与 $P\{X\ge1\}$ ;
|
||||
> (Ⅲ)若 $Y=3X-2$ ,求 $EY$ 与 $DY$ 。
|
||||
|
||||
**怎么想**:把两个条件写成 $np=2.4$ 、$np(1-p)=1.44$ ,**两式相除立刻得 $1-p$ 的值**,这是最快的路。别展开成一元二次方程。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 两式相除:
|
||||
|
||||
$$\frac{DX}{EX}=1-p=\frac{1.44}{2.4}=0.6\ \Rightarrow\ p=0.4 .$$
|
||||
|
||||
再由 $np=2.4$ 得 $n=\dfrac{2.4}{0.4}=6$ 。
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$P\{X=0\}=(1-p)^6=0.6^6=0.046656,$$
|
||||
|
||||
$$P\{X\ge1\}=1-0.046656=0.953344 .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$EY=3EX-2=3(2.4)-2=5.2,\qquad DY=9DX=9(1.44)=12.96 .$$
|
||||
|
||||
**验算**:$DX=np(1-p)=6\cdot0.4\cdot0.6=1.44$ ✓;$EX=6\cdot0.4=2.4$ ✓。
|
||||
|
||||
**带走结论**:**给 $EX$ 与 $DX$ 求二项参数,先算 $1-p=DX/EX$ 这个比值**。同样的技巧对泊松无效(泊松只有一个参数,$EX=DX=\lambda$ ,两个条件必须相容才算得出)。
|
||||
|
||||
> **关联** · 盘点 [§2.3 常见分布的方差](01-知识点盘点.md#user-content-23-常见分布的方差) | 上游 — | 下游 — | 速查 [二 七大分布的期望与方差](07-速查卡.md#user-content-二-七大分布的期望与方差)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 2.4:矩、偏度与标准化(★★☆)
|
||||
|
||||
> 设 $X$ 的分布律为 $P\{X=0\}=P\{X=2\}=\dfrac14$ 、$P\{X=1\}=\dfrac12$ 。
|
||||
>
|
||||
> (Ⅰ)求 $A_1$ 、$A_2$ 、$B_2$ 、$B_3$ ;
|
||||
> (Ⅱ)写出标准化变量 $X^*$ ,验证 $EX^*=0$ 、$DX^*=1$ ;
|
||||
> (Ⅲ)由 $B_3=0$ 能得出什么结论?反过来成立吗?
|
||||
|
||||
**怎么想**:$A_1$ 与 $A_2$ 是原点矩,直接加权;$B_2$ 就是 $DX$ ;$B_3$ 要按定义 $E(X-EX)^3$ 加权。第(Ⅲ)问是辨析题——"对称 $\Rightarrow B_3=0$ "成立,"$B_3=0\Rightarrow$ 对称"不成立。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 先算 $EX$ :
|
||||
|
||||
$$A_1=EX=0\cdot\frac14+1\cdot\frac12+2\cdot\frac14=1 .$$
|
||||
|
||||
$$A_2=EX^2=0+1\cdot\frac12+4\cdot\frac14=1.5 .$$
|
||||
|
||||
$$B_2=DX=A_2-A_1^2=1.5-1=0.5 .$$
|
||||
|
||||
$$B_3=E(X-1)^3=(-1)^3\cdot\frac14+0^3\cdot\frac12+(1)^3\cdot\frac14=-\frac14+\frac14=0 .$$
|
||||
|
||||
**(Ⅱ)** $X^*=\dfrac{X-1}{\sqrt{0.5}}=\sqrt2\,(X-1)$ 。于是 $X^*$ 取值 $-\sqrt2,\,0,\,\sqrt2$ ,概率 $\frac14,\frac12,\frac14$ :
|
||||
|
||||
$$EX^*=\sqrt2\left(-1\cdot\frac14+0+1\cdot\frac14\right)=0\ ✓$$
|
||||
|
||||
$$D X^*=2\cdot DX=2\cdot0.5=1\ ✓$$
|
||||
|
||||
(也可直接用性质:$E(aX+b)=aEX+b$ 、$D(aX+b)=a^2DX$ ,取 $a=\frac{1}{\sqrt{DX}}$ 、$b=-\frac{EX}{\sqrt{DX}}$ 即得。)
|
||||
|
||||
**(Ⅲ)** $B_3=0$ 说明**分布没有偏斜的方向**。本题的分布律关于 $x=1$ 对称,所以 $B_3=0$ 是必然的。
|
||||
|
||||
**反过来不成立**:存在不对称但 $B_3=0$ 的分布(例如把 $X$ 的若干概率做小幅非对称调整,使三阶矩恰好抵消)。三阶矩只是一个"加权和",**一个等式控制不了整个分布的形状**。
|
||||
|
||||
**验算**:$P\{X=0\}+P\{X=1\}+P\{X=2\}=\frac14+\frac12+\frac14=1$ ✓;$B_2>0$ ✓。
|
||||
|
||||
**带走结论**:**矩只能刻画分布的"几个侧面"**:一阶看位置、二阶看散布、三阶看偏斜。任何"由矩反推分布"的结论都需要额外条件(如正态、或所有阶矩都已知)。
|
||||
|
||||
> **关联** · 盘点 [§2.4 矩与标准化](01-知识点盘点.md#user-content-24-矩与标准化) | 上游 — | 下游 — | 速查 [四 方差性质与矩](07-速查卡.md#user-content-四-方差性质与矩)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,210 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 协方差, 相关系数]
|
||||
专题: 概率论 第4讲 · 点3 协方差与相关系数
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(3.1 定义、3.2 双线性、3.3 相关系数,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 协方差与相关系数
|
||||
|
||||
> 真题锚点:2020·14(协方差)、2021·16(相关系数)、2016·8(多项分布相关系数)|重要度 ★★★
|
||||
> 依赖:点 1、点 2 的期望与方差。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:$\operatorname{Cov}$ 的全部技术是**双线性展开**(3.2 是核心),$\rho$ 的全部内容是**取值范围与等号条件**(3.3)。先练定义(3.1),再练展开(3.2),最后练 $\rho$ (3.3)。难度标准:★☆☆ 一题、★★☆ 两题、★★★ 一题。
|
||||
|
||||
## 知识点 3.1 定义与两种算法(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E(X-EX)(Y-EY)=E(XY)-EX\cdot EY .$$
|
||||
|
||||
**两种算法分别适用**:
|
||||
|
||||
| 已知什么 | 用哪个 |
|
||||
|---|---|
|
||||
| 联合分布律 / 联合密度 | **定义式**(直接算 $E(XY)$ ) |
|
||||
| 各自方差 + $\rho$ | **反向式** $\operatorname{Cov}=\rho\sigma_X\sigma_Y$ |
|
||||
| 各种线性组合 | **双线性**(见 3.2) |
|
||||
|
||||
$$\rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1].$$
|
||||
|
||||
## 知识点 3.2 双线性(算协方差的唯一通用武器)
|
||||
|
||||
$$\operatorname{Cov}(aX+bY,\ cZ+dW)=ac\operatorname{Cov}(X,Z)+ad\operatorname{Cov}(X,W)+bc\operatorname{Cov}(Y,Z)+bd\operatorname{Cov}(Y,W).$$
|
||||
|
||||
**三条原子**:$\operatorname{Cov}(X,X)=DX$ 、$\operatorname{Cov}(Y,Y)=DY$ 、$\operatorname{Cov}(X,Y)=\operatorname{Cov}(Y,X)$ 。
|
||||
|
||||
> **实战顺序**:① 展开成原子;② 代入数值;③ 检查"同变量"与"异变量"是否分清了。**90% 的错都错在第 ③ 步**——把 $\operatorname{Cov}(X,X)$ 写成 $DX$ 时漏掉,或者把两个不同的变量当成同一个。
|
||||
|
||||
## 知识点 3.3 相关系数的三条结论(出处:[知识章 §2.2、§3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
1. **有界性 $\lvert\rho\rvert\le1$ 恒成立** ,等价于 $\left[\operatorname{Cov}(X,Y)\right]^2\le DX\cdot DY$ (柯西–施瓦茨不等式的概率版);
|
||||
2. **$\lvert\rho\rvert=1\iff P\{Y=aX+b\}=1$ 即完全线性相关** ,且 $a$ 的符号就是 $\rho$ 的符号,$\lvert a\rvert=\dfrac{\sigma_Y}{\sigma_X}$ ;
|
||||
3. **$\rho$ 只度量线性关系**:$\rho=0$ 说明"没有线性关系",不说明"没有关系"。
|
||||
|
||||
**两条运算性质**(选择常考):
|
||||
|
||||
$$\rho(aX+b,\ cY+d)=\operatorname{sign}(ac)\,\rho(X,Y) .$$
|
||||
|
||||
即:**平移与正数缩放不改变 $\rho$ ,负数缩放改变符号**。
|
||||
|
||||
> **独立与不相关的完整辨析在第 3 讲**:独立 $\Rightarrow$ 不相关,反向只在二维正态成立。本讲不再重复,只在题 4 的归因里点一下。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 3.1:由联合分布律求协方差与相关系数(★☆☆)
|
||||
|
||||
> 设 $(X,Y)$ 的联合分布律为
|
||||
>
|
||||
> | $X\backslash Y$ | 0 | 1 |
|
||||
> |---|---|---|
|
||||
> | **0** | $0.3$ | $0.2$ |
|
||||
> | **1** | $0.2$ | $0.3$ |
|
||||
>
|
||||
> 求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$ 。
|
||||
|
||||
**怎么想**:先用边缘求 $EX,EY$ ,再用"$XY$ 只在下标都为 1 时非零"算 $E(XY)$ 。方差用 $0$ -$1$ 变量的快捷式 $DX=p(1-p)$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**第 1 步:边缘。** 行和给出 $P\{X=0\}=0.5$ 、$P\{X=1\}=0.5$ ;列和给出 $P\{Y=0\}=0.5$ 、$P\{Y=1\}=0.5$ 。故
|
||||
|
||||
$$EX=0.5,\qquad EY=0.5 .$$
|
||||
|
||||
**第 2 步:$E(XY)$ 。** 只有 $X=1,Y=1$ 这一格贡献:
|
||||
|
||||
$$E(XY)=1\cdot0.3=0.3 .$$
|
||||
|
||||
**第 3 步:协方差与相关系数。**
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=0.3-0.5\times0.5=0.3-0.25=0.05 .$$
|
||||
|
||||
$$DX=0.5\times0.5=0.25,\qquad DY=0.25,$$
|
||||
|
||||
$$\rho=\frac{0.05}{\sqrt{0.25\times0.25}}=\frac{0.05}{0.25}=0.2 .$$
|
||||
|
||||
**验算**:若独立,各格应为 $0.25$ ;本题对角两格是 $0.3$ (偏大),非对角是 $0.2$ (偏小),说明**同向**变化,故 $\rho>0$ ✓,且 $\rho=0.2$ 属弱正相关,与"偏离 $0.05$ "的量级相符。
|
||||
|
||||
**带走结论**:**$0$ -$1$ 变量的协方差就是"联合概率 $-$ 边缘之积"**,一行算术就能看出方向:对角格偏大 $\Rightarrow$ 正相关,偏小 $\Rightarrow$ 负相关。
|
||||
|
||||
> **关联** · 盘点 [§3.1 定义](01-知识点盘点.md#user-content-31-定义) | 上游 — | 下游 — | 速查 [一 三条定义式](07-速查卡.md#user-content-一-三条定义式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 3.2:双线性展开(★★☆)
|
||||
|
||||
> 设 $DX=4$ 、$DY=9$ 、$\operatorname{Cov}(X,Y)=2$ ,求
|
||||
>
|
||||
> (Ⅰ)$\operatorname{Cov}(X+2Y,\ 3X-Y)$ ;
|
||||
> (Ⅱ)$\operatorname{Cov}(X+Y,\ X-Y)$ ;
|
||||
> (Ⅲ)$\rho_{X+Y,\,X-Y}$ 。
|
||||
|
||||
**怎么想**:展开成原子,逐项代入。第三问要用到刚算的协方差与两个和的方差,注意 $D(X\pm Y)=DX+DY\pm2\operatorname{Cov}$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$\operatorname{Cov}(X+2Y,3X-Y)=3\operatorname{Cov}(X,X)-\operatorname{Cov}(X,Y)+6\operatorname{Cov}(Y,X)-2\operatorname{Cov}(Y,Y)$$
|
||||
|
||||
$$=3DX-\operatorname{Cov}+6\operatorname{Cov}-2DY=3\cdot4+5\cdot2-2\cdot9=12+10-18=4 .$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$\operatorname{Cov}(X+Y,X-Y)=DX-\operatorname{Cov}(X,Y)+\operatorname{Cov}(Y,X)-DY=4-9=-5 .$$
|
||||
|
||||
**(Ⅲ)** 先算两个和的方差:
|
||||
|
||||
$$D(X+Y)=4+9+2\cdot2=17,\qquad D(X-Y)=4+9-2\cdot2=9 .$$
|
||||
|
||||
$$\rho=\frac{-5}{\sqrt{17}\sqrt{9}}=\frac{-5}{3\sqrt{17}}\approx-0.404 .$$
|
||||
|
||||
**验算**:用"$D(X+Y)+D(X-Y)=2(DX+DY)$ "核对:$17+9=26=2(4+9)$ ✓。
|
||||
|
||||
**带走结论**:**$\operatorname{Cov}(X+Y,X-Y)=DX-DY$ 与 $\rho$ 无关**——这条在第 3 讲点 3 题 4 里以"$X+Y$ 与 $X-Y$ 独立 $\iff\sigma_X^2=\sigma_Y^2$ "的形式出现过,两处是同一件事。
|
||||
|
||||
> **关联** · 盘点 [§3.2 双线性(算协方差的唯一公式)](01-知识点盘点.md#user-content-32-双线性算协方差的唯一公式) | 上游 — | 下游 — | 速查 [五 协方差的双线性](07-速查卡.md#user-content-五-协方差的双线性)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 3.3:相关系数的三条性质(★★☆)
|
||||
|
||||
> 设 $DX=1$ 、$DY=4$ 、$\rho_{XY}=\dfrac12$ 。
|
||||
>
|
||||
> (Ⅰ)求 $\rho(2X+1,\ -3Y)$ 与 $\rho(X,Y+5)$ ;
|
||||
> (Ⅱ)求 $\rho(X+Y,\ X-Y)$ ;
|
||||
> (Ⅲ)若已知 $\rho_{XY}=1$ ,写出 $Y$ 与 $X$ 的线性关系。
|
||||
|
||||
**怎么想**:$\rho$ 对平移免疫、对正数缩放免疫、对负数缩放变号——先把符号定下来,绝对值仍是 $\frac12$ 。第(Ⅲ)问用 $\lvert\rho\rvert=1$ 的充要条件。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由 $\rho(aX+b,\,cY+d)=\operatorname{sign}(ac)\rho(X,Y)$ :
|
||||
|
||||
$$\rho(2X+1,\ -3Y)=\operatorname{sign}(-6)\cdot\frac12=-\frac12;\qquad \rho(X,\ Y+5)=\operatorname{sign}(1)\cdot\frac12=\frac12 .$$
|
||||
|
||||
**(Ⅱ)** $\operatorname{Cov}(X,Y)=\rho\sigma_X\sigma_Y=\dfrac12\cdot1\cdot2=1$ ,故
|
||||
|
||||
$$\operatorname{Cov}(X+Y,X-Y)=DX-DY=1-4=-3,$$
|
||||
|
||||
$$D(X+Y)=1+4+2=7,\qquad D(X-Y)=1+4-2=3,$$
|
||||
|
||||
$$\rho=\frac{-3}{\sqrt{7}\sqrt{3}}=-\frac{3}{\sqrt{21}}\approx-0.655 .$$
|
||||
|
||||
**(Ⅲ)** $\rho=1$ 意味着**完全正线性相关**:
|
||||
|
||||
$$P\{Y=aX+b\}=1,\qquad a=\frac{\sigma_Y}{\sigma_X}\cdot\rho=\frac21\cdot1=2 .$$
|
||||
|
||||
即 $Y=2X+b$ ,$b$ 由均值定:$b=EY-2EX$ 。
|
||||
|
||||
**验算**:若 $Y=2X+b$ ,则 $DY=4DX=4$ ✓(与题设一致);$\operatorname{Cov}(X,Y)=2DX=2=\rho\sigma_X\sigma_Y=1\cdot1\cdot2$ ✓。
|
||||
|
||||
**带走结论**:**$\rho$ 的绝对值是"线性程度",符号是"方向"**。$\lvert\rho\rvert=1$ 时两变量由一条直线完全决定,此时斜率 $=\rho\dfrac{\sigma_Y}{\sigma_X}$ (这是线性回归的斜率,第 6 讲还会用到)。
|
||||
|
||||
> **关联** · 盘点 [§3.3 相关系数的意义与极值](01-知识点盘点.md#user-content-33-相关系数的意义与极值) | 上游 — | 下游 [点 3 题 4](04-点3-协方差与相关系数.md#user-content-题-4--33多项分布的负相关) | 速查 [六 相关系数三条](07-速查卡.md#user-content-六-相关系数三条)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 3.3:多项分布的负相关(★★★)
|
||||
|
||||
> 将一次试验独立重复 $n=10$ 次,每次落进类别 $A,B,C$ 的概率分别为 $p_1=0.2$ 、$p_2=0.3$ 、$p_3=0.5$ 。以 $N_1,N_2$ 分别表示落进 $A,B$ 的次数。
|
||||
>
|
||||
> (Ⅰ)写出 $N_1$ 的分布,并求 $EN_1$ 、$DN_1$ ;
|
||||
> (Ⅱ)求 $\operatorname{Cov}(N_1,N_2)$ ;
|
||||
> (Ⅲ)求 $\rho_{N_1N_2}$ ,并解释为什么必然是负的。
|
||||
|
||||
**怎么想**:$N_k$ 是"$n$ 个独立指示变量之和",所以每个都是二项。关键是协方差:把 $N_1=\sum I_i$ 、$N_2=\sum J_i$ 展开,**同一次试验的两个指示变量不能同时为 1**(类别互斥),于是只有异次项有贡献。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $N_1\sim B(10,0.2)$ :
|
||||
|
||||
$$EN_1=10\times0.2=2,\qquad DN_1=10\times0.2\times0.8=1.6 .$$
|
||||
|
||||
(同理 $N_2\sim B(10,0.3)$ ,$DN_2=10\times0.3\times0.7=2.1$ 。)
|
||||
|
||||
**(Ⅱ)** 令 $I_i=I\{\text{第 }i\text{ 次落进 }A\}$ 、$J_i=I\{\text{第 }i\text{ 次落进 }B\}$ ,则 $N_1=\sum_iI_i$ 、$N_2=\sum_iJ_i$ :
|
||||
|
||||
$$\operatorname{Cov}(N_1,N_2)=\sum_i\operatorname{Cov}(I_i,J_i)+\sum_{i\ne j}\operatorname{Cov}(I_i,J_j) .$$
|
||||
|
||||
- **同次**($i=j$ ):$I_iJ_i\equiv0$ (互斥),故 $\operatorname{Cov}(I_i,J_i)=0-EI_iEJ_i=-p_1p_2$ ;
|
||||
- **异次**($i\ne j$ ):两次独立,$\operatorname{Cov}=0$ 。
|
||||
|
||||
共 $n$ 个同次项,故
|
||||
|
||||
$$\operatorname{Cov}(N_1,N_2)=-np_1p_2=-10\times0.2\times0.3=-0.6 .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$\rho=\frac{-0.6}{\sqrt{1.6}\sqrt{2.1}}=\frac{-0.6}{\sqrt{3.36}}=-\frac{\sqrt{21}}{14}\approx-0.327 .$$
|
||||
|
||||
**为什么必然为负**:总次数固定为 $10$ 。$A$ 出现得越多,名额就被占得越多,留给 $B$ 的就越少——**此消彼长**。数学上就是"同次互斥"导致的 $-np_1p_2$ 。
|
||||
|
||||
**验算**:$N_1+N_2\sim B(10,0.5)$ ,故 $D(N_1+N_2)=10\times0.5\times0.5=2.5$ ;另一方面 $D(N_1+N_2)=DN_1+DN_2+2\operatorname{Cov}=1.6+2.1+2(-0.6)=3.7-1.2=2.5$ ✓——**这条验算同时确认了协方差的数值**。
|
||||
|
||||
**带走结论**:**多项分布任意两类的协方差恒为 $-np_ip_j$ 的形式**,这个式子里的负号来自"类别互斥"。它与"独立"毫无矛盾:两类在**不同次试验**中完全独立,只是**同次**不能共存。
|
||||
|
||||
> **关联** · 盘点 [§3.3 相关系数的意义与极值](01-知识点盘点.md#user-content-33-相关系数的意义与极值) | 上游 [点 3 题 3](04-点3-协方差与相关系数.md#user-content-题-3--33相关系数的三条性质) | 下游 — | 速查 [六 相关系数三条](07-速查卡.md#user-content-六-相关系数三条)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,189 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 条件期望, 重期望]
|
||||
专题: 概率论 第4讲 · 点4 条件期望与重期望
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(4.1 条件期望、4.2 重期望、4.3 总方差,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 4 条件期望与重期望
|
||||
|
||||
> 大纲要求、近十年未单独出题,但**第 3 讲与第 6 讲的每一道混合型题都要用它**|重要度 ★★★
|
||||
> 依赖:点 1—点 3,以及第 3 讲的条件密度。盘点对应:§4 全节。
|
||||
|
||||
**组织原则**:条件期望是"分两层算期望"的技术,核心只有两个式子:**重期望** $EY=E[E(Y\mid X)]$ 与**总方差** $DY=E[D(Y\mid X)]+D[E(Y\mid X)]$ 。三道题按"会算条件期望 → 会用重期望 → 会用总方差"递进。难度标准:★★☆ 两题、★★★ 一题。
|
||||
|
||||
## 知识点 4.1 条件期望(出处:[知识章 §2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$E(Y\mid X=x)=\sum_j y_j\,p_{j\mid i}\quad\text{或}\quad E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy .$$
|
||||
|
||||
**三条性质**:
|
||||
|
||||
1. **线性**:$E(aY+bZ\mid X)=aE(Y\mid X)+bE(Z\mid X)$ ;
|
||||
2. **提出已知量**:若 $g(X)$ 是 $X$ 的函数,则 $E\left[g(X)Y\mid X\right]=g(X)E(Y\mid X)$ ;
|
||||
3. **独立时退化**:$X\perp Y\Rightarrow E(Y\mid X)=EY$ 。
|
||||
|
||||
> **最关键的认识**:$E(Y\mid X)$ 里 $X$ 是随机的,所以**它本身是一个随机变量**($X$ 的函数);而 $E(Y\mid X=x)$ 是一个**确定的数**。混淆这两者,后面的重期望就无法理解。
|
||||
|
||||
## 知识点 4.2 重期望公式(出处:[知识章 §2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$EY=E\left[E(Y\mid X)\right].$$
|
||||
|
||||
**使用场景**:$Y$ 的分布要"分层"才写得清——混合型、分层抽样、随机个数的和。
|
||||
|
||||
**乘法版本**(算协方差的主力):
|
||||
|
||||
$$E(XY)=E\left[X\,E(Y\mid X)\right].$$
|
||||
|
||||
> 这条比 $E\left[E(XY\mid X)\right]$ 更好用,因为提出已知量那一步已经把 $X$ 挪到期望外面。
|
||||
|
||||
## 知识点 4.3 条件方差与总方差公式(出处:[知识章 §2.1、§2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$D(Y\mid X)=E\left(Y^2\mid X\right)-\left[E(Y\mid X)\right]^2,$$
|
||||
|
||||
$$\boxed{DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right]}.$$
|
||||
|
||||
读法:**总方差 = 组内方差的平均 + 组间(各组均值之间)的方差**。
|
||||
|
||||
**随机和的两个公式**($S=\sum_{i=1}^{N}Y_i$ ,$Y_i$ 独立同分布且与 $N$ 独立):
|
||||
|
||||
$$ES=EN\cdot EY_1,\qquad DS=EN\cdot DY_1+DN\cdot(EY_1)^2 .$$
|
||||
|
||||
> 这两个式子其实就是重期望与总方差在"随机个数"上的落地:$E(S\mid N)=N\,EY_1$ 、$D(S\mid N)=N\,DY_1$ ,再取一次期望即得。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 4.1:条件期望是一个函数(★★☆)
|
||||
|
||||
> 设 $(X,Y)$ 在 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布(联合密度为 $2$ )。
|
||||
>
|
||||
> (Ⅰ)求 $E(Y\mid X=x)$ ;
|
||||
> (Ⅱ)由此求 $EY$ ,并用直接积分复核;
|
||||
> (Ⅲ)求 $E(XY)$ 与 $\operatorname{Cov}(X,Y)$ 。
|
||||
|
||||
**怎么想**:先求条件密度($f_{Y\mid X}(y\mid x)=\frac1x$ ,即 $U(0,x)$ ),条件期望就是区间中点 $\frac x2$ 。第(Ⅱ)问是重期望:$EY=E\left(\frac X2\right)$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由点 1 的同类计算(见第 3 讲点 3 题 3),$Y\mid X=x\sim U(0,x)$ ,故
|
||||
|
||||
$$E(Y\mid X=x)=\frac{0+x}{2}=\frac x2 .$$
|
||||
|
||||
作为随机变量:$E(Y\mid X)=\dfrac X2$ 。
|
||||
|
||||
**(Ⅱ)** 重期望:
|
||||
|
||||
$$EY=E\left(\frac X2\right)=\frac12EX .$$
|
||||
|
||||
$f_X(x)=2x$ ($0<x<1$ ),$EX=\dfrac23$ ,故 $EY=\dfrac13$ 。
|
||||
|
||||
**直接积分复核**:
|
||||
|
||||
$$EY=\int_0^1\!\!\int_0^xy\cdot2\,\mathrm dy\,\mathrm dx=\int_0^1x^2\,\mathrm dx=\frac13\ ✓$$
|
||||
|
||||
**(Ⅲ)** 用乘法版本:
|
||||
|
||||
$$E(XY)=E\left[X\cdot E(Y\mid X)\right]=E\left(X\cdot\frac X2\right)=\frac12EX^2=\frac12\cdot\frac12=\frac14 .$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\frac14-\frac23\cdot\frac13=\frac14-\frac29=\frac{1}{36}\approx0.0278 .$$
|
||||
|
||||
**验算**:直接积 $E(XY)=\int_0^1\!\!\int_0^x2xy\,\mathrm dy\,\mathrm dx=\int_0^1x^3\mathrm dx=\frac14$ ✓。
|
||||
|
||||
**带走结论**:**条件期望先当"数"算,再当"随机变量"用**。$E(Y\mid X=x)=\frac x2$ 是一个数;把 $x$ 换成 $X$ 得 $\frac X2$ ,才能取期望得到 $EY$ 。
|
||||
|
||||
> **关联** · 盘点 [§4.1 条件期望](01-知识点盘点.md#user-content-41-条件期望) | 上游 — | 下游 — | 速查 [七 重期望与总方差](07-速查卡.md#user-content-七-重期望与总方差)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 4.2:重期望算混合型(★★☆)
|
||||
|
||||
> 设 $X$ 满足 $P\{X=0\}=P\{X=1\}=\dfrac12$ 。在 $X=0$ 时 $Y\sim E(1)$ ;在 $X=1$ 时 $Y\sim E\!\left(\dfrac12\right)$ 。
|
||||
>
|
||||
> (Ⅰ)求 $E(Y\mid X=0)$ 与 $E(Y\mid X=1)$ ,进而求 $EY$ ;
|
||||
> (Ⅱ)求 $E\left(Y^2\mid X\right)$ 与 $EY^2$ ,进而求 $DY$ ;
|
||||
> (Ⅲ)用总方差公式复核 $DY$ ,并求 $\operatorname{Cov}(X,Y)$ 。
|
||||
|
||||
**怎么想**:$E(\lambda)$ 的期望是 $\frac1\lambda$ 、二阶矩是 $\frac{2}{\lambda^2}$ ,先写出两层再按 $\frac12$ 加权。第(Ⅲ)问是本节的核心检验:两条路必须同值。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 两层期望:
|
||||
|
||||
$$E(Y\mid X=0)=\frac{1}{1}=1,\qquad E(Y\mid X=1)=\frac{1}{1/2}=2 .$$
|
||||
|
||||
$$EY=E\left[E(Y\mid X)\right]=\frac12\cdot1+\frac12\cdot2=\frac32 .$$
|
||||
|
||||
**(Ⅱ)** $E(\lambda)$ 的二阶矩为 $\frac{2}{\lambda^2}$ :
|
||||
|
||||
$$E\left(Y^2\mid X=0\right)=\frac{2}{1^2}=2,\qquad E\left(Y^2\mid X=1\right)=\frac{2}{(1/2)^2}=8 .$$
|
||||
|
||||
$$EY^2=\frac12\cdot2+\frac12\cdot8=5,\qquad DY=5-\left(\frac32\right)^2=5-2.25=2.75=\frac{11}{4} .$$
|
||||
|
||||
**(Ⅲ)** 条件方差:$D(Y\mid X=0)=2-1^2=1$ ;$D(Y\mid X=1)=8-2^2=4$ 。故
|
||||
|
||||
$$E\left[D(Y\mid X)\right]=\frac12\cdot1+\frac12\cdot4=2.5 .$$
|
||||
|
||||
而 $E(Y\mid X)$ 只取 $1,2$ ,各 $\frac12$ :
|
||||
|
||||
$$D\left[E(Y\mid X)\right]=E\left[\left(E(Y\mid X)\right)^2\right]-\left(E\left[E(Y\mid X)\right]\right)^2=\frac{1+4}{2}-\left(\frac32\right)^2=2.5-2.25=0.25 .$$
|
||||
|
||||
$$DY=2.5+0.25=2.75\ ✓$$
|
||||
|
||||
**协方差**:
|
||||
|
||||
$$E(XY)=E\left[X\,E(Y\mid X)\right]=\frac12\cdot0\cdot1+\frac12\cdot1\cdot2=1,$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=1-\frac12\cdot\frac32=1-\frac34=\frac14 .$$
|
||||
|
||||
**带走结论**:**总方差公式的两项各有名字**:$2.5$ 是"层内波动",$0.25$ 是"层间差异"。本题层内远大于层间——说明"知道 $X$ 是 0 还是 1"对减少不确定性的帮助很小,因此 $\operatorname{Cov}$ 只有 $0.25$ 的量级。
|
||||
|
||||
> **关联** · 盘点 [§4.2 重期望公式](01-知识点盘点.md#user-content-42-重期望公式) | 上游 — | 下游 — | 速查 [七 重期望与总方差](07-速查卡.md#user-content-七-重期望与总方差)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 4.3:随机个数的和(★★★)
|
||||
|
||||
> 设某设备一天内发生故障的次数 $N\sim P(2)$ ,第 $i$ 次故障的维修费用 $Y_i\sim E(1)$ ,各 $Y_i$ 相互独立且与 $N$ 独立。记一天的总费用
|
||||
>
|
||||
> $$S=\sum_{i=1}^{N}Y_i\quad(N=0\ \text{时}\ S=0).$$
|
||||
>
|
||||
> (Ⅰ)求 $ES$ ;
|
||||
> (Ⅱ)求 $DS$ ;
|
||||
> (Ⅲ)解释 $DS$ 里两项的含义。
|
||||
|
||||
**怎么想**:$N$ 是随机的,所以先**把 $N$ 固定成 $n$ 这个数**,再求 $E(S\mid N=n)$ 与 $D(S\mid N=n)$ ,再用重期望与总方差。注意 $E(S\mid N)=N\,EY_1$ 这一步用的是"独立"。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 固定 $N=n$ :$S$ 是 $n$ 个独立同分布之和,
|
||||
|
||||
$$E(S\mid N=n)=nE Y_1=n .$$
|
||||
|
||||
于是 $E(S\mid N)=N\cdot1=N$ ,
|
||||
|
||||
$$ES=E\left[E(S\mid N)\right]=EN=2 .$$
|
||||
|
||||
**(Ⅱ)** 固定 $N=n$ :
|
||||
|
||||
$$D(S\mid N=n)=nD Y_1=n\cdot1=n\ \Rightarrow\ D(S\mid N)=N .$$
|
||||
|
||||
总方差:
|
||||
|
||||
$$DS=E\left[D(S\mid N)\right]+D\left[E(S\mid N)\right]=EN+DN=2+2=4 .$$
|
||||
|
||||
**(Ⅲ)** 两项的含义:
|
||||
|
||||
- $EN\cdot DY_1=2\times1=2$ :**"次数的不确定性之外的"波动**——即使恰好发生 $2$ 次,费用本身还是随机的(每次费用指数分布,方差 $1$ );
|
||||
- $DN\cdot(EY_1)^2=2\times1=2$ :**"次数波动"带来的波动**——次数的泊松波动(方差 $2$ )乘上"每次平均花多少"的平方。
|
||||
|
||||
本题两项恰好相等(因为 $E(\lambda)$ 的均值与方差都是 $1$ ),合计 $4$ 。
|
||||
|
||||
**验算**:用矩母函数或直接求 $E S^2$ 也可得 $DS=4$ :$E(S^2\mid N)=D(S\mid N)+(E(S\mid N))^2=N+N^2$ ,故 $ES^2=EN+EN^2=2+(2+4)=8$ ,$DS=8-4=4$ ✓(用了 $EN^2=DN+(EN)^2=2+4=6$ )。
|
||||
|
||||
**带走结论**:**随机和的两个公式必须背下来**:$ES=EN\cdot EY$ 、$DS=EN\cdot DY+DN\cdot(EY)^2$ 。它们是"复合分布"(2025·22 骨架)最后一问的唯一通路。**若 $N$ 是常数**,第二项消失,退化成普通的 $n\,DY$ 。
|
||||
|
||||
> **关联** · 盘点 [§4.3 条件方差与总方差公式](01-知识点盘点.md#user-content-43-条件方差与总方差公式) | 上游 — | 下游 — | 速查 [七 重期望与总方差](07-速查卡.md#user-content-七-重期望与总方差)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,222 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 线性组合, 方差最值]
|
||||
专题: 概率论 第4讲 · 点5 线性组合与最值
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(5.1 线性组合、5.2 方差最值、5.3 三条恒等式,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 5 线性组合与最值
|
||||
|
||||
> 2025·8 直接问"$\sigma_X=\sigma_Y$ 时 $D(aX+bY)$ 的最值",命题组已经把它当独立考点在用|重要度 ★★★
|
||||
> 依赖:点 1—点 4,尤其 §3.2 的双线性。盘点对应:§5 全节。
|
||||
|
||||
**组织原则**:这一点看着有三节,其实是**同一条式子的三种问法**——$D(aX+bY)$ 怎么展开(5.1)、在 $a^2+b^2=1$ 下怎么求极值(5.2)、系数全取 $1/n$ 时得到什么(5.3)。四题按"展开 → 同方差极值 → 异方差极值 → 平均与偏差平方和"递进,最后一题是第 6 讲无偏性的直接铺垫。难度标准:★☆☆ 一题、★★☆ 两题、★★★ 一题。
|
||||
|
||||
## 知识点 5.1 线性组合的期望与方差(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$D\left(\sum_{i=1}^{n}a_iX_i\right)=\sum_{i=1}^{n}a_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j).$$
|
||||
|
||||
两项的情形(**考场上 99% 用到的是这个**):
|
||||
|
||||
$$D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}(X,Y)=a^2DX+b^2DY+2ab\rho_{XY}\sigma_X\sigma_Y .$$
|
||||
|
||||
**三条操作提示**:
|
||||
|
||||
1. **常数项直接扔**:$D(aX+bY+c)=D(aX+bY)$ ;
|
||||
2. **系数取平方**:是 $a^2$ ,不是 $|a|$ ,所以 $a=-2$ 与 $a=2$ 对 $DX$ 的贡献一样;
|
||||
3. **交叉项跟着符号走**:$b<0$ 时交叉项为负——这是唯一需要留心的地方,也是 $D(X-Y)$ 不等于 $DX+DY$ 的原因。
|
||||
|
||||
> **一个随手可用的上界**:由 $|\rho|\le1$ 得 $\operatorname{Cov}\le\sigma_X\sigma_Y$ ,故 $D(X+Y)\le(\sigma_X+\sigma_Y)^2$ 。算出来的值超过这个数,一定是把某处符号弄反了。
|
||||
|
||||
## 知识点 5.2 方差的最值(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
在约束 $a^2+b^2=1$ 下求 $D(aX+bY)$ 的极值,把它写成二次型:
|
||||
|
||||
$$D(aX+bY)=\begin{pmatrix}a&b\end{pmatrix}\Sigma\begin{pmatrix}a\\b\end{pmatrix},\qquad \Sigma=\begin{pmatrix}\sigma_X^2&\rho\sigma_X\sigma_Y\\ \rho\sigma_X\sigma_Y&\sigma_Y^2\end{pmatrix}.$$
|
||||
|
||||
**结论**:最大值 $=$ $\Sigma$ 的较大特征值,最小值 $=$ 较小特征值;两根 $\lambda$ 是
|
||||
|
||||
$$\lambda^2-\left(\sigma_X^2+\sigma_Y^2\right)\lambda+\sigma_X^2\sigma_Y^2\left(1-\rho^2\right)=0$$
|
||||
|
||||
的解。等价的两条检验:**两特征值之和 $=DX+DY$ 恒成立**、**两特征值之积 $=DX\cdot DY\cdot(1-\rho^2)$ 也恒成立** 。
|
||||
|
||||
**同方差特例**($\sigma_X=\sigma_Y=\sigma$ ):$\lambda=\sigma^2(1\pm\rho)$ ,即
|
||||
|
||||
$$\max D=\sigma^2\left(1+|\rho|\right)\quad(\rho\ge0\ \text{取}\ a=b,\ \rho<0\ \text{取}\ a=-b),\qquad \min D=\sigma^2\left(1-|\rho|\right).$$
|
||||
|
||||
> **别背异方差的那个根式**。考场上写特征方程 $\lambda^2-S\lambda+P=0$ 更快,$S$ 是两方差之和,$P$ 是 $DX\cdot DY\cdot(1-\rho^2)$ ,然后开根。
|
||||
|
||||
## 知识点 5.3 三条常用恒等式(出处:[知识章 §1.1、§1.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$\sum_{i=1}^{n}\left(X_i-\bar X\right)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2;\qquad E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n};$$
|
||||
|
||||
$$E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(\text{在 }c=EX\text{ 处取最小 }DX).$$
|
||||
|
||||
第二条一行就能推($X_i$ 独立同分布时):$D\bar X=\dfrac{1}{n^2}\sum DX_i=\dfrac{\sigma^2}{n}$ 。**分母取 $n$ 而不是 $n-1$ 这一点最易记错** —— 这是样本均值与样本方差最容易被记串的一处。
|
||||
|
||||
第三条是**均方误差分解**:用常数 $c$ 去猜 $X$ ,误差被拆成"不可消除的波动 $DX$ "加"猜偏了的那一段 $(EX-c)^2$ "。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 5.1:两项线性组合的展开(★☆☆)
|
||||
|
||||
> 设 $DX=1$ 、$DY=4$ 、$\rho_{XY}=\dfrac12$ 。
|
||||
>
|
||||
> (Ⅰ)求 $D(2X-Y+3)$ ;
|
||||
> (Ⅱ)求 $\operatorname{Cov}(X+Y,\ X-Y)$ ;
|
||||
> (Ⅲ)分别求 $D(X+Y)$ 与 $D(X-Y)$ ,并验证二者之和等于 $2(DX+DY)$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)(Ⅲ)都是把 $D(aX+bY)$ 的三项照抄,先把 $\operatorname{Cov}$ 算成数;(Ⅱ)把 $\operatorname{Cov}$ 当双线性乘法表逐项展开,$\operatorname{Cov}(X,X)$ 就是 $DX$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
先算中间量:$\sigma_X=1$ 、$\sigma_Y=2$ 、
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=\rho_{XY}\sigma_X\sigma_Y=\frac12\cdot1\cdot2=1 .$$
|
||||
|
||||
**(Ⅰ)** 取 $a=2$ 、$b=-1$ :
|
||||
|
||||
$$D(2X-Y+3)=4DX+DY+2\cdot2\cdot(-1)\cdot\operatorname{Cov}(X,Y)=4+4-4=4 .$$
|
||||
|
||||
**(Ⅱ)** 双线性展开:
|
||||
|
||||
$$\operatorname{Cov}(X+Y,\ X-Y)=\operatorname{Cov}(X,X)-\operatorname{Cov}(X,Y)+\operatorname{Cov}(Y,X)-\operatorname{Cov}(Y,Y)$$
|
||||
|
||||
$$=DX-DY=1-4=-3 .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2=7,$$
|
||||
|
||||
$$D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2=3 .$$
|
||||
|
||||
$$D(X+Y)+D(X-Y)=10=2(1+4)=2(DX+DY)\ ✓$$
|
||||
|
||||
**带走结论**:$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY$ **与 $\rho$ 完全无关**,可以直接当公式用。它就说明"和与差相不相关只取决于方差是否相等":$DX=DY$ 时和与差必然不相关。
|
||||
|
||||
> **关联** · 盘点 [§5.1 线性组合的期望与方差](01-知识点盘点.md#user-content-51-线性组合的期望与方差) | 上游 — | 下游 — | 速查 [八 线性组合与方差最值](07-速查卡.md#user-content-八-线性组合与方差最值)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 5.2:同方差下的最值(★★☆)
|
||||
|
||||
> 设 $DX=DY=1$ 、$\rho_{XY}=\dfrac35$ 。对满足 $a^2+b^2=1$ 的实数 $a,b$ ,记 $Z=aX+bY$ 。
|
||||
>
|
||||
> (Ⅰ)把 $DZ$ 写成 $a,b$ 的函数;
|
||||
> (Ⅱ)求 $DZ$ 的最大值与最小值,并指出取到时的 $(a,b)$ ;
|
||||
> (Ⅲ)把 $\rho$ 换成任意值,写出最大值的一般式。
|
||||
|
||||
**怎么想**:$\sigma_X=\sigma_Y=1$ 时 $a^2DX+b^2DY=a^2+b^2=1$ 是个常数,于是 $DZ$ 只剩"$1$ 加一个交叉项",最值就完全落在 $ab$ 的取值范围上。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\sigma_X=\sigma_Y=1$ ,
|
||||
|
||||
$$DZ=a^2\cdot1+b^2\cdot1+2\cdot\frac35\cdot ab=a^2+b^2+\frac65ab=1+\frac65ab .$$
|
||||
|
||||
**(Ⅱ)** 由 $a^2+b^2=1$ 得 $|ab|\le\dfrac{a^2+b^2}{2}=\dfrac12$ ,等号在 $a=\pm b=\dfrac{1}{\sqrt2}$ 时成立。故
|
||||
|
||||
$$\max DZ=1+\frac65\cdot\frac12=1+\frac35=\frac85\quad\left(a=b=\frac{1}{\sqrt2}\right),$$
|
||||
|
||||
$$\min DZ=1+\frac65\cdot\left(-\frac12\right)=1-\frac35=\frac25\quad\left(a=\frac{1}{\sqrt2},\ b=-\frac{1}{\sqrt2}\right).$$
|
||||
|
||||
**(Ⅲ)** 一般地
|
||||
|
||||
$$\max DZ=\sigma^2\left(1+|\rho|\right),\qquad \min DZ=\sigma^2\left(1-|\rho|\right).$$
|
||||
|
||||
$\rho\ge0$ 时取 $a=b$ ,$\rho<0$ 时取 $a=-b$ ($\rho$ 的符号决定"同向叠加"还是"反向抵消"涨方差)。
|
||||
|
||||
**验算**:用特征方程 $\lambda^2-2\lambda+(1-\rho^2)=0$ ,$\rho=\frac35$ 时 $\lambda^2-2\lambda+\frac{16}{25}=0$ ,$\lambda=1\pm\frac35$ ,即 $\frac85$ 与 $\frac25$ ✓。
|
||||
|
||||
**带走结论**:**同方差时两个最值一相加正好 $2\sigma^2$ 、一相减正好 $2\sigma^2|\rho|$ 这两个数** 。所以看到"$\sigma_X=\sigma_Y$ 、求 $D(aX+bY)$ 最值"的选项,先在心里算出 $\sigma^2(1+\rho)$ 与 $\sigma^2(1-\rho)$ ,选项里没有这两个数就直接判错。
|
||||
|
||||
> **关联** · 盘点 [§5.2 方差的最值(选择压轴常客)](01-知识点盘点.md#user-content-52-方差的最值选择压轴常客) | 上游 — | 下游 [点 5 题 3](06-点5-线性组合与最值.md#user-content-题-3--52异方差下配方) | 速查 [八 线性组合与方差最值](07-速查卡.md#user-content-八-线性组合与方差最值)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 5.2:异方差下配方(★★★)
|
||||
|
||||
> 设 $DX=4$ 、$DY=1$ 、$\rho_{XY}=\dfrac12$ 。在 $a^2+b^2=1$ 下求 $D(aX+bY)$ 的最大值与最小值,并给出取到最大值时的 $a:b$ 。
|
||||
|
||||
**怎么想**:$\sigma_X\ne\sigma_Y$ 时 $a^2+b^2=1$ 这个约束**消不掉**两项,硬套同方差结论必错。只有两条路:拉格朗日乘子,或认成二次型求特征值。后者快得多。
|
||||
|
||||
**解**:
|
||||
|
||||
先写开:
|
||||
|
||||
$$D(aX+bY)=4a^2+b^2+2\cdot\frac12\cdot2\cdot1\cdot ab=4a^2+b^2+2ab .$$
|
||||
|
||||
写成二次型:
|
||||
|
||||
$$D(aX+bY)=\begin{pmatrix}a&b\end{pmatrix}\begin{pmatrix}4&1\\1&1\end{pmatrix}\begin{pmatrix}a\\b\end{pmatrix}.$$
|
||||
|
||||
特征方程(迹 $=5$ ,行列式 $=4-1=3$ ):
|
||||
|
||||
$$\lambda^2-5\lambda+3=0\quad\Rightarrow\quad\lambda=\frac{5\pm\sqrt{13}}{2}.$$
|
||||
|
||||
故
|
||||
|
||||
$$\max D(aX+bY)=\frac{5+\sqrt{13}}{2}\approx4.303,\qquad \min D(aX+bY)=\frac{5-\sqrt{13}}{2}\approx0.697 .$$
|
||||
|
||||
取到最大值时特征向量满足 $(4-\lambda)a+b=0$ ,即 $b=(\lambda-4)a=\dfrac{\sqrt{13}-3}{2}a$ ,故
|
||||
|
||||
$$a:b=2:\left(\sqrt{13}-3\right)\approx1:0.303 .$$
|
||||
|
||||
归一化后 $a\approx0.957$ 、$b\approx0.290$ 。
|
||||
|
||||
**验算**:$4(0.957)^2+(0.290)^2+2(0.957)(0.290)=3.664+0.084+0.555=4.303$ ✓,且 $a^2+b^2=0.916+0.084=1$ ✓。
|
||||
|
||||
**三条合理性检查**(考场上用来秒杀错误选项):
|
||||
|
||||
- $\lambda_{\max}\ge\max\{DX,DY\}=4$ ;
|
||||
- $\lambda_{\min}\le\min\{DX,DY\}=1$ ;
|
||||
- $\lambda_{\max}+\lambda_{\min}=5=DX+DY$ ,$\lambda_{\max}\lambda_{\min}=3=DX\cdot DY\cdot(1-\rho^2)=4\cdot\frac34$ 。
|
||||
|
||||
**带走结论**:**约束 $a^2+b^2=1$ 下二次型的极值就是协方差矩阵的特征值**,因此必然满足"两特征值之和 $=$ 方差之和"。这一条检验能一秒否掉一半的错误选项——选项里若出现 $8$ 或 $1$ ,都不用算就知道是错的。
|
||||
|
||||
> **关联** · 盘点 [§5.2 方差的最值(选择压轴常客)](01-知识点盘点.md#user-content-52-方差的最值选择压轴常客) | 上游 [点 5 题 2](06-点5-线性组合与最值.md#user-content-题-2--52同方差下的最值) | 下游 — | 速查 [八 线性组合与方差最值](07-速查卡.md#user-content-八-线性组合与方差最值)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 5.3:样本均值与偏差平方和(★★☆)
|
||||
|
||||
> 设 $X_1,X_2,X_3,X_4$ 独立同分布,$EX_i=2$ 、$DX_i=4$ ,记 $\bar X=\dfrac14\sum_{i=1}^{4}X_i$ 。
|
||||
>
|
||||
> (Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;
|
||||
> (Ⅱ)用恒等式 $\sum_{i=1}^{4}(X_i-\bar X)^2=\sum_{i=1}^{4}X_i^2-4\bar X^2$ 求 $E\sum_{i=1}^{4}(X_i-\bar X)^2$ ;
|
||||
> (Ⅲ)求使 $E\left[(X_1-c)^2\right]$ 最小的 $c$ 及该最小值。
|
||||
|
||||
**怎么想**:(Ⅰ)用线性组合的期望方差;(Ⅱ)把恒等式两边的期望分别算出来相减,**不要试图求 $\sum(X_i-\bar X)^2$ 的分布**;(Ⅲ)展开成 $DX_1+(EX_1-c)^2$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$E\bar X=\frac14\sum EX_i=\frac{4\cdot2}{4}=2,$$
|
||||
|
||||
$$D\bar X=\frac{1}{4^2}\sum DX_i=\frac{4\cdot4}{16}=1 .$$
|
||||
|
||||
**(Ⅱ)** 两边分别取期望:
|
||||
|
||||
$$E\sum_{i=1}^{4}X_i^2=4\left(DX_i+(EX_i)^2\right)=4(4+4)=32,$$
|
||||
|
||||
$$E\left(4\bar X^2\right)=4\left(D\bar X+(E\bar X)^2\right)=4(1+4)=20,$$
|
||||
|
||||
$$E\sum_{i=1}^{4}(X_i-\bar X)^2=32-20=12 .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$E\left[(X_1-c)^2\right]=E X_1^2-2c\,EX_1+c^2=DX_1+(EX_1-c)^2=4+(2-c)^2\ \ge\ 4,$$
|
||||
|
||||
等号在 $c=2=EX_1$ 处成立。最小值 $=4=DX_1$ 。
|
||||
|
||||
**验算**:(Ⅱ)的结果应等于 $(n-1)\sigma^2=3\times4=12$ ✓。这正是样本方差 $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ 的期望为 $\sigma^2$ 的根据——分母取 $n-1$ 而不是 $n$ ,就是为了把这个 $12$ 除回 $4$ 。
|
||||
|
||||
**带走结论**:**$E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ 必须背**。第 6 讲判断 $S^2$ 的无偏性、算 $\chi^2(n-1)$ 的自由度、推 $t$ 分布,全靠这一条。它比 $n$ 少一个,是因为"减掉 $\bar X$ "用掉了一个自由度。
|
||||
|
||||
> **关联** · 盘点 [§5.3 三条常用恒等式](01-知识点盘点.md#user-content-53-三条常用恒等式) | 上游 — | 下游 — | 速查 [九 三条恒等式](07-速查卡.md#user-content-九-三条恒等式)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,147 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, 速查卡]
|
||||
专题: 概率论 第4讲 · 随机变量的数字特征(速查)
|
||||
日期: 2026-11-07
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 第4讲 · 随机变量的数字特征:速查卡
|
||||
|
||||
考前十分钟只看这一页。
|
||||
|
||||
## 一 三条定义式
|
||||
|
||||
<!-- KP: 1.1, 2.1, 3.1 -->
|
||||
|
||||
$$EX=\sum x_ip_i\ \text{或}\ \int xf(x)\,\mathrm dx;\qquad DX=E X^2-(EX)^2;\qquad \operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY .$$
|
||||
|
||||
三者分工:$EX$ 说"**在哪**",$DX$ 说"**多散**",$\operatorname{Cov}$ 说"**怎么一起动**"。
|
||||
|
||||
$D$ 与 $\operatorname{Cov}$ 都用"**平方的期望减期望的平方**"这一招,区别只是 $\operatorname{Cov}$ 里是两个不同的变量。
|
||||
|
||||
## 二 七大分布的期望与方差
|
||||
|
||||
<!-- KP: 1.3, 2.3 -->
|
||||
|
||||
| 分布 | $EX$ | $DX$ |
|
||||
|---|---|---|
|
||||
| $B(n,p)$ | $np$ | $np(1-p)$ |
|
||||
| $P(\lambda)$ | $\lambda$ | $\lambda$ |
|
||||
| $G(p)$ | $\dfrac1p$ | $\dfrac{1-p}{p^2}$ |
|
||||
| $U(a,b)$ | $\dfrac{a+b}{2}$ | $\dfrac{(b-a)^2}{12}$ |
|
||||
| $E(\lambda)$ | $\dfrac1\lambda$ | $\dfrac1{\lambda^2}$ |
|
||||
| $N(\mu,\sigma^2)$ | $\mu$ | $\sigma^2$ |
|
||||
| $\chi^2(n)$ | $n$ | $2n$ |
|
||||
|
||||
**两组"同值"**:泊松的 $EX=DX=\lambda$ ,指数的 $EX=DX=\frac1\lambda$ (量纲正好相反,一个按"率",一个按"时间")。正态与卡方则是"参数即矩"。$U(a,b)$ 的方差里那个 $12$ 来自 $\frac{(b-a)^2}{12}$ ,不是 $4$ 。
|
||||
|
||||
## 三 不需求分布就能算函数期望
|
||||
|
||||
<!-- KP: 1.2 -->
|
||||
|
||||
$$E\,g(X)=\int g(x)f(x)\,\mathrm dx\quad(\text{或}\ \sum g(x_i)p_i).$$
|
||||
|
||||
三条高频用法:
|
||||
|
||||
- $E(1/X)$ :直接积 $\int\frac{f(x)}{x}\mathrm dx$ ,**千万不要写成 $1/EX$ 的样子** ;
|
||||
- $E\lvert X-a\rvert$ :按 $x<a$ 与 $x>a$ 拆成两段;
|
||||
- $E\min(X,c)$ :按 $x<c$ 与 $x>c$ 拆两段($c$ 处是截断点)。
|
||||
|
||||
**方向感**:$1/x$ 是凸函数,故 $E(1/X)\ge\dfrac{1}{EX}$ ,等号只在 $X$ 为常数时成立(琴生)。
|
||||
|
||||
## 四 方差性质与矩
|
||||
|
||||
<!-- KP: 2.2, 2.4 -->
|
||||
|
||||
$$D(aX+b)=a^2DX,\quad DC=0,\quad D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y).$$
|
||||
|
||||
**独立时**交叉项消失,$D(X\pm Y)=DX+DY$ ——**"差"也是加**,这是最高频的错点。
|
||||
|
||||
矩:$A_k=EX^k$ 、$B_k=E(X-EX)^k$ ,且 $A_1=EX$ 、$B_2=DX$ 。$B_3$ 度量偏斜:对称分布(正态、均匀、$t$ )的 $B_3=0$ 。
|
||||
|
||||
标准化:$X^*=\dfrac{X-EX}{\sqrt{DX}}$ 使 $EX^*=0$ 、$DX^*=1$ 。
|
||||
|
||||
## 五 协方差的双线性
|
||||
|
||||
<!-- KP: 3.2 -->
|
||||
|
||||
$$\operatorname{Cov}(aX+bY,\ cZ+dW)=ac\operatorname{Cov}(X,Z)+ad\operatorname{Cov}(X,W)+bc\operatorname{Cov}(Y,Z)+bd\operatorname{Cov}(Y,W).$$
|
||||
|
||||
**当乘法表用**:把每一项拆成 $\operatorname{Cov}(X,X)=DX$ 、$\operatorname{Cov}(X,Y)$ 这样的原子,再代数值。三条特例:$\operatorname{Cov}(X,X)=DX$ 、$\operatorname{Cov}(X,c)=0$ 、$\operatorname{Cov}(X+Y,Z)=\operatorname{Cov}(X,Z)+\operatorname{Cov}(Y,Z)$ 。
|
||||
|
||||
**一个白送的结论**:$\operatorname{Cov}(X+Y,\ X-Y)=DX-DY$ ,与 $\rho$ 无关。
|
||||
|
||||
## 六 相关系数三条
|
||||
|
||||
<!-- KP: 3.3 -->
|
||||
|
||||
1. $\lvert\rho\rvert\le1$ ;
|
||||
2. $\lvert\rho\rvert=1\iff P\{Y=aX+b\}=1$ ($a>0$ 时 $\rho=1$ ,$a<0$ 时 $\rho=-1$ );
|
||||
3. $\rho=0$ 只否定**线性**关系,不否定一切关系。
|
||||
|
||||
**独立与不相关的分界**:独立 $\Rightarrow$ 不相关;反向只在**二维正态**下成立。反例模板 $X\sim U(-1,1)$ 、$Y=X^2$ ,此时 $\rho=0$ 但 $Y$ 完全由 $X$ 决定。
|
||||
|
||||
## 七 重期望与总方差
|
||||
|
||||
<!-- KP: 4.1, 4.2, 4.3 -->
|
||||
|
||||
$$EY=E\left[E(Y\mid X)\right];\qquad E(XY)=E\left[X\,E(Y\mid X)\right];\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].$$
|
||||
|
||||
**口诀:先固定、再平均**。总方差的两项读作"**组内 $+$ 组间**"。
|
||||
|
||||
随机和($S=\sum_{i=1}^{N}Y_i$ ,各 $Y_i$ 同分布且与 $N$ 独立):
|
||||
|
||||
$$ES=EN\cdot EY_1,\qquad DS=EN\cdot DY_1+DN\cdot(EY_1)^2 .$$
|
||||
|
||||
## 八 线性组合与方差最值
|
||||
|
||||
<!-- KP: 5.1, 5.2 -->
|
||||
|
||||
$$D(aX+bY)=a^2DX+b^2DY+2ab\rho_{XY}\sigma_X\sigma_Y .$$
|
||||
|
||||
约束 $a^2+b^2=1$ 下求极值:写特征方程
|
||||
|
||||
$$\lambda^2-\left(DX+DY\right)\lambda+DX\cdot DY\left(1-\rho^2\right)=0,$$
|
||||
|
||||
最大值取较大根、最小值取较小根。
|
||||
|
||||
**同方差特例**($\sigma_X=\sigma_Y=\sigma$ ):$\max=\sigma^2(1+\lvert\rho\rvert)$ 、$\min=\sigma^2(1-\lvert\rho\rvert)$ ,两数之和恰为 $2\sigma^2$ 。这一条可当算错的自检。
|
||||
|
||||
## 九 三条恒等式
|
||||
|
||||
<!-- KP: 5.3 -->
|
||||
|
||||
$$\sum_{i=1}^{n}\left(X_i-\bar X\right)^2=\sum X_i^2-n\bar X^2;\qquad E\bar X=\mu,\ D\bar X=\frac{\sigma^2}{n};$$
|
||||
|
||||
$$E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(c=EX\ \text{时最小}).$$
|
||||
|
||||
**必记推论**:$E\sum_{i=1}^{n}\left(X_i-\bar X\right)^2=(n-1)\sigma^2$ 。第 6 讲的 $S^2$ 分母取 $n-1$ 、$\chi^2$ 自由度是 $n-1$ ,全部由它而来。
|
||||
|
||||
## 十 最容易丢分的六处
|
||||
|
||||
1. **把 $D(X-Y)$ 写成 $DX-DY$ 是错的**:应为 $DX+DY-2\operatorname{Cov}$ ,独立时是 $DX+DY$ 。
|
||||
2. **把 $E(1/X)$ 写成 $1/EX$ 是错的**:两者差着一个方差项,只有 $X$ 为常数时才相等。
|
||||
3. **默认 $E(XY)=EX\cdot EY$ 是错的**:这需要独立(或不相关),不是"性质"。
|
||||
4. **由 $\rho=0$ 断言独立**:只有二维正态可以这样反推。
|
||||
5. **同方差最值漏掉绝对值**:$\rho<0$ 时的最大值是 $\sigma^2(1-\rho)$ ,不是 $\sigma^2(1+\rho)$ 。
|
||||
6. **$D\bar X$ 与 $DS^2$ 的分母混用**:$D\bar X=\sigma^2/n$ ,而 $E S^2=\sigma^2$ 要求 $S^2$ 的分母是 $n-1$ 。
|
||||
|
||||
---
|
||||
|
||||
## 回查
|
||||
|
||||
<!-- AUTO:回查 -->
|
||||
| 想查什么 | 对应题目 |
|
||||
|---|---|
|
||||
| 一 三条定义式 | [点 1 题 1](02-点1-数学期望.md#user-content-题-1--11由分布律算期望与函数期望)、[点 2 题 1](03-点2-方差与矩.md#user-content-题-1--21二项分布的方差)、[点 3 题 1](04-点3-协方差与相关系数.md#user-content-题-1--31由联合分布律求协方差与相关系数) |
|
||||
| 二 七大分布的期望与方差 | [点 1 题 4](02-点1-数学期望.md#user-content-题-4--13用性质速算不积分)、[点 2 题 3](03-点2-方差与矩.md#user-content-题-3--23由期望与方差反求参数) |
|
||||
| 三 不需求分布就能算函数期望 | [点 1 题 2](02-点1-数学期望.md#user-content-题-2--12连续型上的函数期望)、[点 1 题 3](02-点1-数学期望.md#user-content-题-3--12绝对偏差与平方偏差) |
|
||||
| 四 方差性质与矩 | [点 2 题 2](03-点2-方差与矩.md#user-content-题-2--22方差性质与协方差交叉项)、[点 2 题 4](03-点2-方差与矩.md#user-content-题-4--24矩偏度与标准化) |
|
||||
| 五 协方差的双线性 | [点 3 题 2](04-点3-协方差与相关系数.md#user-content-题-2--32双线性展开) |
|
||||
| 六 相关系数三条 | [点 3 题 3](04-点3-协方差与相关系数.md#user-content-题-3--33相关系数的三条性质)、[点 3 题 4](04-点3-协方差与相关系数.md#user-content-题-4--33多项分布的负相关) |
|
||||
| 七 重期望与总方差 | [点 4 题 1](05-点4-条件期望与重期望.md#user-content-题-1--41条件期望是一个函数)、[点 4 题 2](05-点4-条件期望与重期望.md#user-content-题-2--42重期望算混合型)、[点 4 题 3](05-点4-条件期望与重期望.md#user-content-题-3--43随机个数的和) |
|
||||
| 八 线性组合与方差最值 | [点 5 题 1](06-点5-线性组合与最值.md#user-content-题-1--51两项线性组合的展开)、[点 5 题 2](06-点5-线性组合与最值.md#user-content-题-2--52同方差下的最值)、[点 5 题 3](06-点5-线性组合与最值.md#user-content-题-3--52异方差下配方) |
|
||||
| 九 三条恒等式 | [点 5 题 4](06-点5-线性组合与最值.md#user-content-题-4--53样本均值与偏差平方和) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-数学期望.md)、[点 2](03-点2-方差与矩.md)、[点 3](04-点3-协方差与相关系数.md)、[点 4](05-点4-条件期望与重期望.md)、[点 5](06-点5-线性组合与最值.md)。
|
||||
@@ -0,0 +1,103 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数字特征, README]
|
||||
专题: 概率论 第4讲 · 随机变量的数字特征
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点 + 五点分册(知识点带题,19 题)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[07-速查卡]]"]
|
||||
---
|
||||
|
||||
# 概率论 第4讲 · 随机变量的数字特征
|
||||
|
||||
真题库第 18 章。近十年 **7 题 32 分**,**全部是选填**(单选 4 题 19 分 $+$ 填空 3 题 13 分),没有独立的大题。
|
||||
|
||||
**这一讲的定位是工具册,不是考点册**。它自己不出大题,但第 3 讲每道解答题的第二、三问,第 6 讲的无偏性与方差比较,全都在用它。**换算链只有一条**:先把分布压成 $E$ 、$D$ 、$\operatorname{Cov}$ 三个数,再用这三个数去谈极限、评估计。
|
||||
|
||||
## 这一版的结构
|
||||
|
||||
| 层 | 文件 | 作用 | 读法 |
|
||||
|---|---|---|---|
|
||||
| **地图** | `01-知识点盘点.md` | 五节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
|
||||
| **练** | `02`—`06` 五个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 19 题 | 一天一个点,动手做 |
|
||||
| **查** | `07-速查卡.md` | 九组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
|
||||
|
||||
## 文件清单
|
||||
|
||||
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|
||||
|---|---|---|---|---|
|
||||
| `01-知识点盘点.md` | 五节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
|
||||
| `02-点1-数学期望.md` | 定义与性质、函数期望、七张期望表 | 2017·14、2023·8 | **约 9** | 4 |
|
||||
| `03-点2-方差与矩.md` | $EX^2-(EX)^2$ 、四条性质、矩与标准化 | 2022·8、2025·8 | **约 10** | 4 |
|
||||
| `04-点3-协方差与相关系数.md` | 双线性、$\rho$ 的三条性质、独立与不相关 | 2016·8、2020·14、2021·16、2024·9 | **约 13** | 4 |
|
||||
| `05-点4-条件期望与重期望.md` | 条件期望、重期望、总方差、随机和 | 大纲要求、十年未单考 | — | 3 |
|
||||
| `06-点5-线性组合与最值.md` | $D(aX+bY)$ 展开、约束极值、三条恒等式 | 2025·8 | 嵌在选择里 | 4 |
|
||||
| `07-速查卡.md` | 九组结论 $+$ 六处丢分点 | — | — | 0 |
|
||||
|
||||
合计 **19 题**。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
|
||||
|
||||
## 建议的三轮读法
|
||||
|
||||
**第一轮(40 分钟)**:`01` 通读 $+$ `02` 全做。点 1 只有一件事——**先把 $E$ 算对**。$E\,g(X)$ 直接积、不先求分布,是本讲最省时间的一招,也是后面所有点的前提。
|
||||
|
||||
**第二轮(1.5 小时)**:`03`、`04`。这两点决定了 32 分里的 23 分。`04` 的**双线性展开**必须练到"看到 $\operatorname{Cov}(aX+bY,\ cZ+dW)$ 就自动拆成四个原子"。
|
||||
|
||||
**第三轮(1.5 小时)**:`05`、`06`。`05` 的随机和两式是 2025·22 唯一通路;`06` 的约束极值 2025 年刚考过,是明年的高频。
|
||||
|
||||
时间不够时按这个顺序砍:`05` 的题 3 $\to$ `06` 的题 3 。**`04` 一定不能砍**。
|
||||
|
||||
## 双向链接怎么用
|
||||
|
||||
| 粒度 | 在哪儿 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
|
||||
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
|
||||
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
|
||||
|
||||
每道题末尾固定一行:
|
||||
|
||||
```
|
||||
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
|
||||
```
|
||||
|
||||
四个方向全部指向**具体题目的锚点**。
|
||||
|
||||
## 锚点怎么写(Gitea 两条方向相反的规则)
|
||||
|
||||
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
|
||||
|
||||
| 链接类型 | 写法 |
|
||||
|---|---|
|
||||
| 同文件 | `#题-1--11由分布律算期望与函数期望` |
|
||||
| 跨文件 | `04-点3-协方差与相关系数.md#user-content-题-4--33多项分布的负相关` |
|
||||
|
||||
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本讲所有题目标题已改为纯文字)。
|
||||
|
||||
写完校验:
|
||||
|
||||
```bash
|
||||
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第4讲-随机变量的数字特征
|
||||
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第4讲-随机变量的数字特征
|
||||
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第4讲-随机变量的数字特征
|
||||
```
|
||||
|
||||
## 与其他讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| 密度、分布律、边缘、条件密度 | 第 2、3 讲 | 本讲所有 $E$ 都是在它们的积分上加一个权 |
|
||||
| 独立与不相关的完整辨析 | [第3讲点4](../概率论-第3讲-多维随机变量及其分布/05-点4-独立性.md) | 本讲只做"$\rho$ 的极值",不重讲独立性 |
|
||||
| 二维正态的条件期望与条件方差 | [第3讲点3 §3.5](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 5 的方差最值直接用它 |
|
||||
| 切比雪夫不等式 | 第 5 讲上(大数定律) | 它就是用 $DX$ 去控制"偏离" |
|
||||
| $\operatorname{Cov}$ 的样本版 $S^2$ 与 $D\bar X$ | 第 6 讲(数理统计) | 无偏性证明全靠点 5 题 4 的恒等式 |
|
||||
|
||||
## 版本记录
|
||||
|
||||
| 日期 | 变更 |
|
||||
|---|---|
|
||||
| 2026-11-07 | **新建**(此前本讲无目录)。按线性代数第 6 讲的「知识点带题」格式搭建:知识点盘点 $+$ 五点分册 $+$ 速查卡,共 7 个文件、19 题;含 §6 覆盖对照、§7 相邻讲接口 |
|
||||
|
||||
## 两条写作约定
|
||||
|
||||
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
|
||||
2. **单个文件不超过 1.3 万字符**,超了就拆。
|
||||
|
||||
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/` 与 `exercise/3-digital-features/` 。
|
||||
@@ -1,307 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 大数定律
|
||||
- 中心极限定理
|
||||
- 考点
|
||||
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
|
||||
日期: 2026-10-16
|
||||
来源: 🟦视频 第5讲(4 讲次) · 🟨真题库第 19 章 · 🟩参考仓库 knowledge/4 + exercise/4、knowledge/3 §切比雪夫
|
||||
关联: "[[README]] · [[02-试题]] · [[03-解析]] · [[概率论-第3讲-多维随机变量及其分布/01-考点手册]]"
|
||||
---
|
||||
|
||||
# 概率论 第5讲 · 大数定律与中心极限定理 · 考点手册
|
||||
|
||||
> **定位**:这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束。真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」,但**几乎年年有选填**,属"低投入、必拿分"板块。
|
||||
> **用法**:先通读本手册建立框架 → 做 [[02-试题]](16 题,约 70 分钟)→ 对 [[03-解析]]。
|
||||
> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
|
||||
|
||||
---
|
||||
|
||||
## 0. 本讲定位与学习地图
|
||||
|
||||
**一句话概括全讲**:**大数定律管「均值稳定」,中心极限定理管「和的分布趋正态」**,而**切比雪夫不等式**是证明前者的工具。
|
||||
|
||||
**三条主线(对应视频 4 个讲次)**
|
||||
|
||||
| 讲次 | 主题 | 核心产出 |
|
||||
|---|---|---|
|
||||
| 01 | 基础知识结构 | 三条条件主线:**独立** · **期望存在** · **方差存在** |
|
||||
| 02 | 依概率收敛 | 极限的"概率语言" |
|
||||
| 03 | 大数定律 | 切比雪夫 / 伯努利 / 辛钦 |
|
||||
| 04 | 中心极限定理 | 列维–林德伯格 / 棣莫弗–拉普拉斯 + 泊松近似 |
|
||||
|
||||
**学习地图(依赖链)**
|
||||
|
||||
```
|
||||
依概率收敛(语言)
|
||||
│
|
||||
切比雪夫不等式(工具)───► 大数定律(均值 → 期望)
|
||||
│
|
||||
└──────────────► 中心极限定理(和 → 正态)
|
||||
│
|
||||
三种近似:正态近似 / 泊松近似
|
||||
```
|
||||
|
||||
> ⚠️ **全讲的三个"开关"**:① 是否**独立**(或两两不相关);② **期望**是否存在;③ **方差**是否存在(辛钦不要求)。绝大多数概念题的答案就藏在这三点里。
|
||||
|
||||
---
|
||||
|
||||
## 1. 依概率收敛 🟦02 🟩
|
||||
|
||||
### 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** $\varepsilon>0$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\{\lvert X_n-X\rvert\ge\varepsilon\}=0\qquad\Longleftrightarrow\qquad \lim_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1,$$
|
||||
|
||||
则称 $\{X_n\}$ **依概率收敛**于 $X$ ,记作
|
||||
|
||||
$$X_n\overset{P}{\longrightarrow}X\quad(n\to\infty).$$
|
||||
|
||||
### 1.2 为什么叫"依概率"(与数列极限的区别)
|
||||
|
||||
数列极限要求"**从某一项起,每一项都**落在邻域内";依概率收敛只要求"**落在邻域外的概率趋于 0**"——**允许个别项"跑飞",只要它们出现的概率越来越小**。
|
||||
|
||||
> **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
|
||||
> $$P\{\lvert X_n\rvert\ge\varepsilon\}=\frac1n\longrightarrow0,$$
|
||||
> 即 $X_n\overset{P}{\longrightarrow}0$ 。但 $E X_n=\dfrac1n\left(1-\dfrac1n\right)+n\cdot\dfrac1n\to1\ne0$ 。
|
||||
> **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。
|
||||
|
||||
---
|
||||
|
||||
## 2. 切比雪夫不等式(核心工具)🟨2022·9 🟩
|
||||
|
||||
### 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** $\varepsilon>0$ ,
|
||||
|
||||
$$\boxed{\ P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\ }\qquad\text{等价于}\qquad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
||||
|
||||
**读法**:**方差越小(波动越小),$X$ 就越"集中"在期望附近**;$\varepsilon$ 越大,$\dfrac{\sigma^2}{\varepsilon^2}$ 越小、界越紧。
|
||||
|
||||
### 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 $\dfrac{(x-\mu)^2}{\varepsilon^2}\ge1$ ":
|
||||
|
||||
$$\sigma^2=\int_{-\infty}^{+\infty}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \int_{D}(x-\mu)^2f(x)\,\mathrm dx\ \ge\ \varepsilon^2\!\!\int_{D}f(x)\,\mathrm dx=\varepsilon^2P\{\lvert X-\mu\rvert\ge\varepsilon\}.$$
|
||||
|
||||
两边除以 $\varepsilon^2$ 即得。
|
||||
|
||||
### 2.3 常用变形表
|
||||
|
||||
| 场景 | 结论 |
|
||||
|---|---|
|
||||
| 一般形式 | $P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2}$ |
|
||||
| 取 $\varepsilon=k\sigma$ ($k>0$ ) | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac{1}{k^2}$ |
|
||||
| **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 $\operatorname{Cov}$ ) |
|
||||
|
||||
### 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。
|
||||
|
||||
### 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**) |
|
||||
| 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) |
|
||||
| 不检查矩存在 | 必须 $EY,DY$ **存在** |
|
||||
| 二项方差写成 $np$ | 是 $np(1-p)$ |
|
||||
|
||||
---
|
||||
|
||||
## 3. 大数定律 🟦03 🟩
|
||||
|
||||
### 3.1 共同形式
|
||||
|
||||
在满足一定条件下,**样本均值依概率收敛于期望的均值**:
|
||||
|
||||
$$\frac1n\sum_{i=1}^nX_i\ \overset{P}{\longrightarrow}\ \frac1n\sum_{i=1}^nE X_i\qquad(\text{即}\ \bar X\overset{P}{\longrightarrow}E\bar X).$$
|
||||
|
||||
> **考法**:大数定律**几乎不考计算**,只考「**定律成立的条件**」与「**结论是否正确**」——即判断某个序列是否满足独立/不相关、期望是否存在、方差是否有界。
|
||||
|
||||
### 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)。
|
||||
|
||||
**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 $\dfrac Cn\to0$ 。
|
||||
|
||||
**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。
|
||||
|
||||
**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。
|
||||
|
||||
> **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。
|
||||
|
||||
### 3.4 辛钦大数定律
|
||||
|
||||
**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**:$\dfrac1n\sum\limits_{i=1}^nX_i\overset{P}{\longrightarrow}\mu$ 。
|
||||
|
||||
> **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 $\{X_n\}$ ( )。
|
||||
(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,$\bar X\overset{P}{\longrightarrow}3.5$ 。)
|
||||
|
||||
### 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($p(1-p)$ ) |
|
||||
| **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。
|
||||
|
||||
---
|
||||
|
||||
## 4. 中心极限定理 🟦04 🟨2020·8 🟩
|
||||
|
||||
### 4.1 共同形式
|
||||
|
||||
若 $X_i$ 独立同分布(或"近似"),则**和**的分布趋于正态:
|
||||
|
||||
$$\sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2)\qquad(n\ \text{充分大}).$$
|
||||
|
||||
> **与两大数定律的分工**:大数定律说"**均值趋于常数**",中心极限定理说"**围绕该常数的波动趋于正态**"——后者信息更细。
|
||||
> **实用门槛**:$n$ 一般 **≥ 30**(若接近对称,$n\ge10$ 也可)即可使用。
|
||||
|
||||
### 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**)。
|
||||
|
||||
**结论**:对任意实数 $x$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\frac{\sum\limits_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x),$$
|
||||
|
||||
即
|
||||
|
||||
$$\frac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad \sum_{i=1}^nX_i\ \overset{\text{近似}}{\sim}\ N(n\mu,\ n\sigma^2).$$
|
||||
|
||||
### 4.3 棣莫弗–拉普拉斯定理(二项版)
|
||||
|
||||
**条件**:$Y_n\sim B(n,p)$ ($0<p<1$ )。
|
||||
|
||||
**结论**:
|
||||
|
||||
$$\frac{Y_n-np}{\sqrt{np(1-p)}}\ \overset{\text{近似}}{\sim}\ N(0,1),\qquad Y_n\ \overset{\text{近似}}{\sim}\ N\big(np,\ np(1-p)\big).$$
|
||||
|
||||
> 即**二项分布的正态近似**:$n$ 大、且 $np$ 与 $n(1-p)$ 都不太小时使用。
|
||||
|
||||
### 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 $\Phi$ **:$P\{Z\le z\}=\Phi(z)$ 、$P\{Z>z\}=1-\Phi(z)$ 、$P\{\lvert Z\rvert\le z\}=2\Phi(z)-1$ 。
|
||||
|
||||
> ⚠️ **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 $0.977$ ?($\Phi(2)=0.977$ )
|
||||
|
||||
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 $ET_n=50n$ 、$DT_n=25n$ 、$\sqrt{DT_n}=5\sqrt n$ 。
|
||||
|
||||
$$P\{T_n\le5000\}\approx\Phi\!\left(\frac{5000-50n}{5\sqrt n}\right)>0.977=\Phi(2)\ \Longrightarrow\ \frac{5000-50n}{5\sqrt n}\ge2\ \Longrightarrow\ n\le98 .$$
|
||||
|
||||
---
|
||||
|
||||
## 5. 三种「近似」辨析(正态近似 / 泊松近似)🟨2025·9
|
||||
|
||||
二项分布 $B(n,p)$ 有**两种**近似,**用哪个取决于 $p$ 的大小**:
|
||||
|
||||
| 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 |
|
||||
| **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 $\lambda=np=3$ ,$T\approx P(3)$ :
|
||||
$$P\{T\le1\}\approx P\{T=0\}+P\{T=1\}=e^{-3}(1+3)=4e^{-3}.$$
|
||||
|
||||
**对照**(🟨 2025·9 原题):$X_i\sim B(1,0.1)$ ,$n=20$ ,$\lambda=2$ ,$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}$ 。
|
||||
|
||||
---
|
||||
|
||||
## 6. 十年真题落点地图(🟨 第 19 章 3 题)
|
||||
|
||||
| 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 |
|
||||
|
||||
**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。
|
||||
|
||||
> **规律**:本讲**只出选填**(4–5 分),十年 3 题全部是**单选**,且**每 4–5 年一轮**(2020、2022、2025)。属于"**背条件 + 套模板**"就能拿分的题型。
|
||||
|
||||
---
|
||||
|
||||
## 7. 速查卡 · 陷阱清单
|
||||
|
||||
### 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**;
|
||||
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**($\lambda=np$ );
|
||||
8. **大数定律考条件、中心极限定理考计算**。
|
||||
|
||||
### 7.2 高频陷阱
|
||||
|
||||
| 陷阱 | 正确做法 |
|
||||
|---|---|
|
||||
| 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 $1-$ |
|
||||
| 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 $n^{2}$ :$D\!\left(\frac1n\sum Y_i\right)=\frac{1}{n^2}\sum DY_i$ |
|
||||
|
||||
---
|
||||
|
||||
> **下一步**:开做 [[02-试题]](16 题,约 70 分钟)。做完对 [[03-解析]],错题回挂 [[做题本]]。
|
||||
@@ -1,97 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 大数定律
|
||||
- 中心极限定理
|
||||
- 切比雪夫不等式
|
||||
- 试题
|
||||
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 试题(16 题)
|
||||
日期: 2026-10-16
|
||||
题量: 16 题(A 基础 6 / B 中等 6 / C 拔高 4)
|
||||
建议用时: 70 分钟(可拆两天)
|
||||
关联: "[[01-考点手册]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 概率论 第5讲 · 大数定律与中心极限定理 · 试题
|
||||
|
||||
> **用法**:先过 [[01-考点手册]],再限时 70 分钟做本卷,最后对 [[03-解析]]。
|
||||
> **来源记号**:🟨 真题库第 19 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题同结构,**数字全部原创**,做完可直接回刷真题原题。
|
||||
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础(直接套用,★☆☆)
|
||||
|
||||
**1.** 【依概率收敛】设随机变量序列 $\{X_n\}$ 满足
|
||||
|
||||
$$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
|
||||
|
||||
(Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
|
||||
|
||||
(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:
|
||||
|
||||
(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。
|
||||
|
||||
**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 $\{X_n\}$ ( )。
|
||||
|
||||
(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)。
|
||||
|
||||
## 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 $Y_i=X_i^2$ 。
|
||||
|
||||
(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
|
||||
|
||||
$$P\{\lvert\bar X-20\rvert<1\}\ge0.9,$$
|
||||
|
||||
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 $0.977$ ?($\Phi(2)=0.977$ )
|
||||
|
||||
**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。
|
||||
|
||||
**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( )。
|
||||
|
||||
(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)$X_1,2^2X_2,\cdots,n^2X_n,\cdots$
|
||||
|
||||
**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 $P\left\{\sum\limits_{i=1}^nX_i\ge10000\right\}\ge0.95$ 。($\Phi(1.645)=0.95$ )
|
||||
|
||||
**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 $\bar X\overset{P}{\longrightarrow}\mu$ ;
|
||||
|
||||
(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?
|
||||
|
||||
---
|
||||
|
||||
> **做完对答案** → [[03-解析]]。
|
||||
@@ -1,327 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 大数定律
|
||||
- 中心极限定理
|
||||
- 解析
|
||||
专题: 概率论 第5讲 · 大数定律与中心极限定理 · 解析(16 题)
|
||||
日期: 2026-10-16
|
||||
关联: "[[02-试题]] · [[01-考点手册]]"
|
||||
---
|
||||
|
||||
# 概率论 第5讲 · 大数定律与中心极限定理 · 解析
|
||||
|
||||
> 对应 [[02-试题]]。每题给「**答案 / 思路 / 易错点 / 真题骨架**」。
|
||||
|
||||
**核心公式(贴在眼前)**
|
||||
|
||||
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2},\qquad \frac{\sum X_i-n\mu}{\sqrt n\,\sigma}\approx N(0,1),\qquad Y_n\sim B(n,p)\Rightarrow Y_n\approx N\!\big(np,\,np(1-p)\big).$$
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础
|
||||
|
||||
### 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**。
|
||||
|
||||
**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
|
||||
$$P\{\lvert X_n-0\rvert\ge\varepsilon\}=P\{X_n=n\}=\frac1n\longrightarrow0 .$$
|
||||
所以 $X_n\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
(Ⅱ)$$E X_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=1+\frac1n-\frac1{n^2}\ \xrightarrow{\ n\to\infty\ }\ 1\ne0 .$$
|
||||
|
||||
**结论**:**依概率收敛不能推出期望收敛**。(一般地,需要"一致可积"或"有界"等额外条件。)
|
||||
|
||||
**易错点**:不要因为 $P\{X_n=n\}=\frac1n$ 很小就忽略它——**期望是"值 × 概率"**,$n\cdot\frac1n=1$ 恰好贡献了一个常数,这正是反例的精妙处。
|
||||
|
||||
---
|
||||
|
||||
### 第 2 题
|
||||
|
||||
**答案**:(Ⅰ)$\le\dfrac18$ ;(Ⅱ)$\ge\dfrac78$ 。
|
||||
|
||||
**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)。
|
||||
|
||||
---
|
||||
|
||||
### 第 3 题
|
||||
|
||||
**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 $\varepsilon=50$ :
|
||||
$$P\{\lvert X-500\rvert\ge50\}\le\frac{250}{50^2}=0.1\ \Longrightarrow\ P\{450<X<550\}\ge1-0.1=0.9 .$$
|
||||
|
||||
**易错点**:二项方差是 $np(1-p)=250$ ,**不是** $np=500$ 。
|
||||
|
||||
---
|
||||
|
||||
### 第 4 题
|
||||
|
||||
**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 $\bar X\overset{P}{\longrightarrow}E X_i=3.5$ 。
|
||||
|
||||
**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)。
|
||||
|
||||
---
|
||||
|
||||
### 第 5 题
|
||||
|
||||
**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 $\pm2$ ),✗;
|
||||
- (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,✓。
|
||||
|
||||
**易错点**:「同一**类型**分布」≠「**同一个**分布」——这是本题最核心的文字陷阱。
|
||||
|
||||
---
|
||||
|
||||
### 第 6 题
|
||||
|
||||
**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
|
||||
$$P\left\{\sum_{i=1}^{100}X_i\le120\right\}\approx\Phi\!\left(\frac{120-100}{20}\right)=\Phi(1).$$
|
||||
|
||||
**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**。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等
|
||||
|
||||
### 第 7 题 【真题骨架 2022·9】
|
||||
|
||||
**答案**:(Ⅰ)$E Y_i=1$ ,$D Y_i=4$ ;(Ⅱ)$\le\dfrac{4}{n\varepsilon^2}$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
(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:
|
||||
$$E\bar Y=1,\qquad D\bar Y=\frac{1}{n^2}\sum_{i=1}^nD Y_i=\frac{n\cdot4}{n^2}=\frac4n .$$
|
||||
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** $\mu_4=5$ 。
|
||||
|
||||
**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**:$n\ge90$ 。
|
||||
|
||||
**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 $90$ )。
|
||||
|
||||
---
|
||||
|
||||
### 第 9 题
|
||||
|
||||
**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
|
||||
$$E T_n=10n,\qquad D T_n=0.25n,\qquad \sqrt{D T_n}=0.5\sqrt n,$$
|
||||
$$P\{T_n\le1000\}\approx\Phi\!\left(\frac{1000-10n}{0.5\sqrt n}\right)>0.977=\Phi(2)$$
|
||||
$$\Longrightarrow\ \frac{1000-10n}{0.5\sqrt n}\ge2\ \Longrightarrow\ 1000-10n\ge\sqrt n .$$
|
||||
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**。
|
||||
|
||||
**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 $100$ )。
|
||||
|
||||
---
|
||||
|
||||
### 第 10 题 【真题骨架 2020·8】
|
||||
|
||||
**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
|
||||
$$P\left\{\sum_{i=1}^{400}X_i\le210\right\}\approx\Phi\!\left(\frac{210-200}{10}\right)=\Phi(1).$$
|
||||
|
||||
**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。
|
||||
|
||||
**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**:$\approx4e^{-3}\approx0.199$ 。
|
||||
|
||||
**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。
|
||||
|
||||
**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**:$\le\dfrac{1}{16}$ 。
|
||||
|
||||
**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 $\varepsilon=4$ :
|
||||
$$P\{\lvert X-Y\rvert\ge4\}=P\{\lvert Z-E Z\rvert\ge4\}\le\frac{D Z}{16}=\frac1{16}.$$
|
||||
|
||||
**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**。
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 拔高
|
||||
|
||||
### 第 13 题
|
||||
|
||||
**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:
|
||||
|
||||
| 选项 | 序列 | $D(\cdot)$ | 是否有界 |
|
||||
|---|---|---|---|
|
||||
| A | $\dfrac1nX_n$ | $\dfrac{1}{n^2}\cdot\dfrac1{n^2}=\dfrac{1}{n^4}$ | ✓ $\le1$ |
|
||||
| B | $X_n$ | $\dfrac1{n^2}$ | ✓ $\le1$ |
|
||||
| C | $nX_n$ | $n^2\cdot\dfrac1{n^2}=1$ | ✓ $=1$ |
|
||||
| D | $n^2X_n$ | $n^4\cdot\dfrac1{n^2}=n^2$ | ✗ $\to\infty$ |
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 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**($\operatorname{Cov}(X_i,X_j)=0,\ i\ne j$ ):
|
||||
$$D\bar X=\frac{1}{n^2}D\!\left(\sum_{i=1}^nX_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^nD X_i+2\!\!\sum_{i<j}\!\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^nD X_i\le\frac{nC}{n^2}=\frac Cn .$$
|
||||
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。
|
||||
|
||||
**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**:$n_{\min}=102$ 。
|
||||
|
||||
**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
|
||||
$$\frac{10000-100n}{10\sqrt n}\le-1.645\ \Longrightarrow\ 10000-100n\le-16.45\sqrt n\ \Longrightarrow\ 100n-16.45\sqrt n-10000\ge0 .$$
|
||||
令 $t=\sqrt n$ :$100t^2-16.45t-10000\ge0$ ,解得
|
||||
$$t\ge\frac{16.45+\sqrt{16.45^2+4\,000\,000}}{200}\approx10.082\ \Longrightarrow\ n\ge101.6 .$$
|
||||
故 $n_{\min}=102$ 。
|
||||
|
||||
**验证**:$n=101$ :$z=\dfrac{10000-10100}{10\sqrt{101}}\approx-0.995>-1.645$ ✗;$n=102$ :$z\approx-1.98\le-1.645$ ✓。
|
||||
|
||||
**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** $\sigma n$ 。
|
||||
|
||||
---
|
||||
|
||||
### 第 16 题 【综合辨析】
|
||||
|
||||
**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
|
||||
$$P\{\lvert\bar X-\mu\rvert\ge\varepsilon\}\le\frac{D\bar X}{\varepsilon^2}=\frac{\sigma^2}{n\varepsilon^2}\ \xrightarrow{\ n\to\infty\ }\ 0,$$
|
||||
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。)
|
||||
|
||||
(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 $\to1$ 。
|
||||
|
||||
(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**。
|
||||
|
||||
> **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 $\sigma^2$ )。
|
||||
|
||||
---
|
||||
|
||||
## 命题质量报告
|
||||
|
||||
### 一、考点覆盖
|
||||
|
||||
| 考点 | 题号 | 覆盖 |
|
||||
|---|---|---|
|
||||
| 依概率收敛的定义与反例 | 1 | ✅ |
|
||||
| 切比雪夫不等式:直接套 + 方向 | 2 | ✅ |
|
||||
| 切比雪夫不等式:二项分布 | 3 | ✅ |
|
||||
| 辛钦大数定律:应用(求极限值) | 4 | ✅ |
|
||||
| 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 | ✅ |
|
||||
| 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 | ✅ |
|
||||
| 切比雪夫 vs 中心极限定理:精度/条件对比 | 16 | ✅ |
|
||||
|
||||
### 二、难度与用时
|
||||
|
||||
| 组 | 题量 | 难度 | 建议用时 |
|
||||
|---|---|---|---|
|
||||
| A 基础 | 6(1–6) | ★☆☆ | 22 分钟 |
|
||||
| B 中等 | 6(7–12) | ★★☆ | 28 分钟 |
|
||||
| C 拔高 | 4(13–16) | ★★★ | 20 分钟 |
|
||||
| **合计** | **16** | | **70 分钟** |
|
||||
|
||||
### 三、真题使用情况
|
||||
|
||||
- **骨架题**:
|
||||
- 第 7 题 ← **2022·9**(单选 5 分,「大数定律(切比雪夫不等式)」),数字原创;
|
||||
- 第 10 题 ← **2020·8**(单选 4 分,「中心极限定理」),数字原创;
|
||||
- 第 11 题 ← **2025·9**(单选 5 分,「泊松近似(二项分布)」),数字原创。
|
||||
- **仓库例题改编**:第 4、5、9、13 题(`knowledge/4`、`exercise/4`、`knowledge/3 §切比雪夫`)。
|
||||
- **本章十年 3 题全覆盖**(2020·8、2022·9、2025·9)。
|
||||
|
||||
### 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;
|
||||
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.
@@ -1,72 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 大数定律
|
||||
- 中心极限定理
|
||||
- MOC
|
||||
专题: 概率论 第5讲 · 大数定律与中心极限定理(真题库第 19 章)
|
||||
日期: 2026-10-16
|
||||
状态: 已出(考点 + 试题 + 解析 三件分离)
|
||||
对应视频:
|
||||
- 01 一、基础知识结构
|
||||
- 02 二、依概率收敛
|
||||
- 03 三、大数定律
|
||||
- 04 四、中心极限定理
|
||||
---
|
||||
|
||||
# 概率论 第5讲 · 大数定律与中心极限定理
|
||||
|
||||
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
|
||||
|
||||
## 一、本文件夹文件
|
||||
|
||||
| 文件 | 用途 | 打开时机 |
|
||||
|---|---|---|
|
||||
| **[[01-考点手册]]** | 全考点:依概率收敛 / **切比雪夫不等式** / 三大数定律 / 两大中心极限定理 / 泊松近似 | 学之前/复习时 |
|
||||
| **[[02-试题]]** | 16 题分层练习(A 基础 6 / B 中等 6 / C 拔高 4),**不含答案** | 限时自测 |
|
||||
| **[[03-解析]]** | 16 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
|
||||
|
||||
## 二、训练目标
|
||||
|
||||
- 真题库 **第 19 章**近十年 **3 题**(2020·8 中心极限、2022·9 切比雪夫、2025·9 泊松近似),标注「冷门」但**几乎年年有选填**。
|
||||
- 这一讲是**概率论 → 数理统计的过渡**,也是"极限行为"的收束:**大数定律管"均值稳定",中心极限定理管"和趋正态"**。
|
||||
- 三个"开关"贯穿全讲:**是否独立** · **期望是否存在** · **方差是否存在**。
|
||||
|
||||
## 三、难度与用时
|
||||
|
||||
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|
||||
|---|---|---|---|---|
|
||||
| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
|
||||
| B 中等 | 6(7–12) | 多步计算 | 28 分钟 | ★★☆ |
|
||||
| C 拔高 | 4(13–16) | 条件辨析与证明 | 20 分钟 | ★★★ |
|
||||
| **合计** | **16** | | **约 70 分钟** | 可拆两天 |
|
||||
|
||||
## 四、命题依据与来源记号
|
||||
|
||||
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 19 章(2020·8、2022·9、2025·9,**十年仅此 3 题,全为单选**)。
|
||||
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/4` 大数定律与中心极限定理、`exercise/4`、`knowledge/3 §切比雪夫不等式`)。
|
||||
- 🟦 **视频**:第 5 讲 4 个讲次(见 frontmatter)。
|
||||
- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的题可直接回刷真题原题。
|
||||
|
||||
## 五、平板书写版(PDF)
|
||||
|
||||
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
|
||||
|
||||
| 文件 | 页数 | 用途 |
|
||||
|---|---|---|
|
||||
| `概率论第5讲-试题-答题版.pdf` | 14 | **主用**:16 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
|
||||
| `概率论第5讲-解析.pdf` | 9 | 答案与详解 |
|
||||
| `概率论第5讲-考点手册.pdf` | 8 | 复习查阅 |
|
||||
|
||||
> **重新生成**:改完 `.md` 后运行
|
||||
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第5讲-试题-答题版.pdf --mode answer`
|
||||
> (去掉 `--mode answer` 即为普通版。)
|
||||
|
||||
## 六、关联
|
||||
|
||||
- 上层:[[总览]]
|
||||
- 相邻讲次:[[概率论-第3讲-多维随机变量及其分布/README]](多维随机变量)
|
||||
- 后续:数字特征(第 4 讲)、数理统计(第 6 讲起)
|
||||
- 错题:[[做题本]]
|
||||
@@ -0,0 +1,217 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, 依概率收敛, 切比雪夫, 知识点盘点]
|
||||
专题: 概率论 第5讲上 · 大数定律
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 14 题
|
||||
关联笔记: ["[[README]]", "[[05-速查卡]]"]
|
||||
---
|
||||
|
||||
# 第5讲上 · 大数定律:知识点盘点
|
||||
|
||||
真题库第 19 章。近十年 **3 题 14 分**,**全部是单选**:2020·8(中心极限定理 4 分)、2022·9(切比雪夫不等式 5 分)、2025·9(泊松近似 5 分)。
|
||||
|
||||
**上下两册怎么切**:**上册只谈"趋于一个数"**(依概率收敛、切比雪夫不等式、三条大数定律),**下册只谈"趋于一个分布"**(中心极限定理、两种近似)。分界点是**收敛的强弱**——依分布收敛比依概率收敛强,但考场上用得更多的反而是弱的那个,因为它的条件好验(只要方差存在)。
|
||||
|
||||
**一句话定性**:大数定律回答"**为什么能用频率代替概率、用样本均值代替总体均值**"。三条定律的差别只在**要什么条件**,结论长得一模一样。
|
||||
|
||||
## 0 三张表
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 切比雪夫不等式 | **2022·9** | **5** | `03` |
|
||||
| 2 | 三条大数定律 | 2022·9 的前置、十年未单独考 | — | `04` |
|
||||
| 3 | 依概率收敛 | 大纲要求、作为工具嵌在各题 | — | `02` |
|
||||
|
||||
**注意**:只有 5 分直接落在上册,但这 5 分是**纯套公式**就能拿的,性价比最高。真正费时间的是"三条定律的条件辨析"——它不直接考,却决定你能否判断一道题"该用哪条定律"。
|
||||
|
||||
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
||||
|
||||
```
|
||||
02 依概率收敛 ← 先把"趋于"这个词定义清楚
|
||||
↓
|
||||
03 切比雪夫不等式 ← 唯一的定量工具:把"偏差"翻译成"概率上界"
|
||||
↓
|
||||
04 三条大数定律 ← 用切比雪夫去证,得到"频率 → 概率"
|
||||
```
|
||||
|
||||
**为什么切比雪夫必须在前**:三条定律里唯一需要证明的(切比雪夫大数定律)就是"对 $\bar X$ 用一次切比雪夫不等式"。不等式不会用,定律就只能背结论。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $X_n\overset{P}{\longrightarrow}X$ | 依概率收敛 |
|
||||
| $\bar X=\dfrac1n\sum_{i=1}^nX_i$ | 样本均值 |
|
||||
| $\nu_n$ | $n$ 重伯努利试验中 $A$ 发生的次数 |
|
||||
| $\dfrac{\nu_n}{n}$ | 频率 |
|
||||
| $\varepsilon$ | 任意给定的小正数("允许的偏差") |
|
||||
| $C$ | 方差的一致上界,$DX_i\le C$ |
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 定义 | [点 1 题 1](02-点1-依概率收敛.md#user-content-题-1--11按定义验证依概率收敛) |
|
||||
| §1.2 与数列极限的三条区别 | [点 1 题 2](02-点1-依概率收敛.md#user-content-题-2--12只控制概率不控制数值) |
|
||||
| §1.3 常用推论 | [点 1 题 3](02-点1-依概率收敛.md#user-content-题-3--13四则运算与连续映射) |
|
||||
| §2.1 不等式与变形表 | [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向)、[点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) |
|
||||
| §2.2 使用三步与四个陷阱 | [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) |
|
||||
| §3.1 共同形式 | [点 3 题 1](04-点3-三条大数定律.md#user-content-题-1--31三个平均值都收敛到自己的期望) |
|
||||
| §3.2 切比雪夫大数定律 | [点 3 题 2](04-点3-三条大数定律.md#user-content-题-2--32切比雪夫大数定律的证明)、[点 3 题 3](04-点3-三条大数定律.md#user-content-题-3--32条件辨析谁不满足) |
|
||||
| §3.3 伯努利大数定律 | [点 3 题 4](04-点3-三条大数定律.md#user-content-题-4--33用伯努利定律反解试验次数) |
|
||||
| §3.4 辛钦大数定律 | [点 3 题 5](04-点3-三条大数定律.md#user-content-题-5--34辛钦定律的条件够不够) |
|
||||
| §3.5 三条定律对照(高频辨析) | [点 3 题 6](04-点3-三条大数定律.md#user-content-题-6--35三条定律的条件对照) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 依概率收敛
|
||||
|
||||
### 1.1 定义
|
||||
|
||||
$$X_n\overset{P}{\longrightarrow}X\quad\iff\quad\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
|
||||
|
||||
等价写法(把"$\ge$ "换成"$<$ "的补):$\lim\limits_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。
|
||||
|
||||
**逐字读法**:先固定 $\varepsilon$ ,再看"偏差超过 $\varepsilon$ "这件坏事的概率,最后让 $n\to\infty$ 。**$\varepsilon$ 在前、$n$ 在后,顺序不能换**(换了就成了"对每个 $n$ 都存在 $\varepsilon$ ",是废话)。
|
||||
|
||||
### 1.2 与数列极限的三条区别
|
||||
|
||||
| 对比项 | 数列极限 $\lim a_n=a$ | 依概率收敛 $X_n\overset{P}{\to}a$ |
|
||||
|---|---|---|
|
||||
| 对象 | 确定的数 | 随机变量(有分布) |
|
||||
| "接近"的含义 | 从某项起**每个**都接近 | 接近的**概率**趋于 $1$ ,个别项可以离谱 |
|
||||
| 是否要求 $EX_n\to EX$ | — | **不要求**(这是最大的坑) |
|
||||
|
||||
**第三条必须记住**:依概率收敛是"**大概率落在附近**",它对"偶尔跑得很远的那些情形"毫无约束,而那些情形正是期望的贡献者。所以 $X_n\overset{P}{\to}0$ 完全可以配 $EX_n\to\infty$ 。
|
||||
|
||||
### 1.3 常用推论
|
||||
|
||||
**四则运算**(与数列极限同形):$X_n\overset{P}{\to}a$ 、$Y_n\overset{P}{\to}b$ ,则
|
||||
|
||||
$$X_n\pm Y_n\overset{P}{\longrightarrow}a\pm b,\qquad X_nY_n\overset{P}{\longrightarrow}ab,\qquad \frac{X_n}{Y_n}\overset{P}{\longrightarrow}\frac{a}{b}\ (b\ne0).$$
|
||||
|
||||
**连续映射**:若 $g$ 在 $a$ 处连续,则 $g(X_n)\overset{P}{\longrightarrow}g(a)$ 。
|
||||
|
||||
特例:$X_n^k\overset{P}{\to}a^k$ 、$\sqrt{X_n}\overset{P}{\to}\sqrt a$ ($a>0$ )、$\dfrac{1}{X_n}\overset{P}{\to}\dfrac1a$ ($a\ne0$ )。
|
||||
|
||||
> **用之前先看 $a$ 的取值**:$\frac1{X_n}$ 的结论里带着"$a\ne0$ ",$\sqrt{X_n}$ 带着"$a>0$ "。条件不满足时结论可能直接崩($a=0$ 时 $\frac1{X_n}$ 根本没有极限)。
|
||||
|
||||
## 2 切比雪夫不等式
|
||||
|
||||
### 2.1 不等式与变形表
|
||||
|
||||
$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
|
||||
|
||||
**只说三件事**:中心是 $EX$ 、尺度是 $\sqrt{DX}$ 、衰减是 $\frac1{\varepsilon^2}$ 。它不需要知道分布,这是它唯一的、也是最大的优点。
|
||||
|
||||
| 问法 | 写法 |
|
||||
|---|---|
|
||||
| $P\{\lvert X-EX\rvert\ge\varepsilon\}$ 的**上界** | $\dfrac{DX}{\varepsilon^2}$ |
|
||||
| $P\{\lvert X-EX\rvert<\varepsilon\}$ 的**下界** | $1-\dfrac{DX}{\varepsilon^2}$ |
|
||||
| $X$ 落在 $(EX-\varepsilon,EX+\varepsilon)$ 外的上界 | $\dfrac{DX}{\varepsilon^2}$ |
|
||||
| 已知上界 $\alpha$ 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
|
||||
| 涉及 $\bar X$ | 先换成 $D\bar X=\sigma^2/n$ 再套 |
|
||||
| 涉及 $\lvert X-Y\rvert$ | 先算 $E(X-Y)$ 与 $D(X-Y)=DX+DY-2\operatorname{Cov}$ |
|
||||
|
||||
**标准差写法最好用**:取 $\varepsilon=k\sqrt{DX}$ ,则上界就是 $\dfrac{1}{k^2}$ 。所以"偏离 2 个标准差"的概率不超过 $\frac14$ ,"3 个标准差"不超过 $\frac19$ 。
|
||||
|
||||
### 2.2 使用三步与四个陷阱
|
||||
|
||||
**三步**:
|
||||
|
||||
1. 认出形状——题里出现"偏差""不少于""不小于"配一个概率;
|
||||
2. 算**被控变量**的 $E$ 与 $D$ (是 $\bar X$ 就算 $D\bar X=\frac{\sigma^2}{n}$ ,是 $\sum X_i^2$ 就先求 $E X^2$ 与 $E X^4$ );
|
||||
3. 套表,注意"$\ge$ 给上界、$<$ 给下界",方向不能反。
|
||||
|
||||
**四个陷阱**:
|
||||
|
||||
- 它给的是**界**不是**值**,题目问"估计"才用它,问"求"就是别的方法;
|
||||
- 上界算出大于 $1$ 时**并不算错**,只说明这个界太粗(真实概率当然 $\le1$ );
|
||||
- $\varepsilon$ 与 $DX$ 必须同量纲:$\varepsilon$ 是"元"、$DX$ 是"元的平方"才对得上;
|
||||
- **绝不能**用它求"$\ge$ "的下界或"$<$ "的上界——那是另一个方向的估计,切比雪夫给不出来。
|
||||
|
||||
## 3 三条大数定律
|
||||
|
||||
### 3.1 共同形式
|
||||
|
||||
三条定律的结论都是同一句话:
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
|
||||
|
||||
同分布时右半截就是常数 $\mu$ ,于是简写成 $\bar X\overset{P}{\longrightarrow}\mu$ 。**所以背定律只要背"条件",结论是共享的。**
|
||||
|
||||
### 3.2 切比雪夫大数定律
|
||||
|
||||
**条件**:$X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ 使 $DX_i\le C$ 。
|
||||
|
||||
**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
**证明主线**(一行都不能省):
|
||||
|
||||
$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\to0,$$
|
||||
|
||||
再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得。
|
||||
|
||||
> **"两两不相关"这个条件就为了这一步**:不相关才能让 $D(\sum)=\sum D$ 。若只给"独立",当然更强,也照样成立。
|
||||
|
||||
### 3.3 伯努利大数定律
|
||||
|
||||
**条件**:$n$ 重伯努利试验,$A$ 每次发生的概率为 $p$ ,$\nu_n$ 为发生次数。
|
||||
|
||||
**结论**:
|
||||
|
||||
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
||||
|
||||
它是切比雪夫定律在 $0$ -$1$ 变量上的特例:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界这件事自动成立。
|
||||
|
||||
**意义**:这是"**用频率估计概率**"的全部理论依据——第 6 讲参数估计的相合性就建立在这上面。
|
||||
|
||||
### 3.4 辛钦大数定律
|
||||
|
||||
**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
|
||||
|
||||
**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
|
||||
|
||||
**它和切比雪夫定律的关键差别**:辛钦**不要方差存在**,但要**同分布**。所以柯西分布这类"期望都不存在"的分布用不了;而"期望存在、方差不存在"的分布(如某些重尾分布)恰恰只有辛钦能管。
|
||||
|
||||
### 3.5 三条定律对照(高频辨析)
|
||||
|
||||
| 定律 | 独立要求 | 同分布 | 方差要求 | 期望要求 | 结论 |
|
||||
|---|---|---|---|---|---|
|
||||
| 切比雪夫 | 两两**不相关** | 不要求 | $DX_i\le C$ | 存在 | $\bar X-E\bar X\overset{P}{\to}0$ |
|
||||
| 伯努利 | 独立($0$ -$1$ 试验) | 自动满足 | 自动满足 | 自动满足 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
|
||||
| 辛钦 | **独立** | **要求** | **不要求** | 存在 | $\bar X\overset{P}{\to}\mu$ |
|
||||
|
||||
**一句话记法**:**切比雪夫管"方差有界",辛钦管"同分布",伯努利是二者的交集特例。**
|
||||
|
||||
## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
||||
|
||||
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
||||
|---|---|---|---|---|
|
||||
| 依概率收敛的定义 | **理解** | 嵌在各题 | 有 | 点 1,1 题 |
|
||||
| 与数列极限的区别 | 了解 | 未考 | 有 | 点 1,1 题 |
|
||||
| 四则运算与连续映射 | **掌握** | 嵌在别处 | 有 | 点 1,1 题 |
|
||||
| 切比雪夫不等式 | **掌握** | 2022·9 | 有 | 点 2,2 题 |
|
||||
| 变形表与使用陷阱 | **掌握** | 2022·9 | 部分 | 点 2,3 题 |
|
||||
| 大数定律的共同形式 | 理解 | 未单考 | 有 | 点 3,1 题 |
|
||||
| 切比雪夫大数定律 | **掌握** | 2022·9 前置 | 有 | 点 3,2 题 |
|
||||
| 伯努利大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
|
||||
| 辛钦大数定律 | **掌握** | 未单考 | 有 | 点 3,1 题 |
|
||||
| 三条定律的条件对照 | **掌握** | 未单考 | 有 | 点 3,1 题 |
|
||||
|
||||
**判断**:10 个知识点里,大纲"掌握"的 7 个全部配题。"切比雪夫不等式"是唯一直接落在卷面上的(2022·9 五分),所以点 2 给了 5 题——**它必须练到不假思索**。
|
||||
|
||||
## 5 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$\operatorname{Cov}$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 切比雪夫不等式的分子就是 $DX$ |
|
||||
| $D\bar X=\sigma^2/n$ | [第4讲点5 题4](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 所有"反解 $n$ "的题都从它出发 |
|
||||
| $D(X-Y)=DX+DY-2\operatorname{Cov}$ | [第4讲点5](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 点 2 题 5 直接用它 |
|
||||
| 依概率收敛 → 依分布收敛 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 中心极限定理给的是更强的收敛 |
|
||||
| 频率 → 概率(伯努利定律) | 第 6 讲(数理统计) | 矩估计的相合性、大样本区间估计的根据 |
|
||||
| $\bar X$ 的分布 | 第 6 讲(数理统计) | 正态总体下 $\bar X\sim N(\mu,\sigma^2/n)$ 是精确版 |
|
||||
|
||||
> **跨讲一句话**:上册说"$\bar X$ 会**靠近** $\mu$ ",下册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"。前者只给方向,后者给形状。
|
||||
@@ -0,0 +1,162 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, 依概率收敛]
|
||||
专题: 概率论 第5讲上 · 点1 依概率收敛
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(1.1 定义、1.2 与数列极限的区别、1.3 常用推论,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 依概率收敛
|
||||
|
||||
> 大纲"理解"层次、十年未单独出题,但**它就是大数定律和中心极限定理里那个"趋于"的定义**|重要度 ★★★
|
||||
> 依赖:第 4 讲的期望与方差。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:这一点只解决一个词——"**趋于**"在概率里是什么意思。三题按"验证定义 → 看清它管不住什么 → 学会用它做四则运算"递进。第 2 题是全讲最重要的**反例**:它证明依概率收敛**推不出**期望收敛,这个反例一立,后面"为什么切比雪夫要单独证"就顺理成章了。难度标准:★☆☆ 一题、★★☆ 两题。
|
||||
|
||||
## 知识点 1.1 定义(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
$$X_n\overset{P}{\longrightarrow}X\quad\iff\quad\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
|
||||
|
||||
等价说法:$\lim\limits_{n\to\infty}P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。
|
||||
|
||||
**逐字读法(顺序不能换)**:
|
||||
|
||||
1. 先固定一个 $\varepsilon$ ——"允许的偏差";
|
||||
2. 再看"实际偏差**超过** $\varepsilon$ "这件坏事的概率;
|
||||
3. 最后让 $n\to\infty$ 。
|
||||
|
||||
若把 $\varepsilon$ 与 $n$ 的顺序对调("对每个 $n$ 存在 $\varepsilon$ "),命题就成了废话。**这就是它与数列极限"$\forall\varepsilon\exists N$ "表面相似、实质不同的地方。**
|
||||
|
||||
> **注意 $\ge$ 与 $<$ 这两个符号**:定义里用"$\ge\varepsilon$ ",所以它的补是"$<\varepsilon$ "。写成"$\le\varepsilon$ "也对,只要前后一致;但把"$\ge$ "的上界和"$<$ "的下界混着用,就会写出不成立的式子。
|
||||
|
||||
## 知识点 1.2 与数列极限的三条区别(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
| 对比项 | $\lim a_n=a$ | $X_n\overset{P}{\to}a$ |
|
||||
|---|---|---|
|
||||
| 对象 | 确定的数列 | 随机变量序列 |
|
||||
| "接近"的含义 | 从某项起**每一项**都接近 | **概率**趋于 $1$ ,允许个别项离谱 |
|
||||
| 是否要求 $EX_n\to EX$ | — | **不要求** |
|
||||
|
||||
**第三条是全部误区的根源**:依概率收敛只保证"大概率落在附近",而对"小概率跑得很远"的那部分**只要求概率趋于零,不要求数值有界**。期望恰恰是"数值 × 概率"的和——小概率配大数值,乘起来照样能剩下一块。
|
||||
|
||||
## 知识点 1.3 常用推论(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
**四则运算**:$X_n\overset{P}{\to}a$ 、$Y_n\overset{P}{\to}b$ ,则
|
||||
|
||||
$$X_n\pm Y_n\overset{P}{\longrightarrow}a\pm b;\qquad X_nY_n\overset{P}{\longrightarrow}ab;\qquad \frac{X_n}{Y_n}\overset{P}{\longrightarrow}\frac ab\ (b\ne0).$$
|
||||
|
||||
**连续映射**:$g$ 在 $a$ 处连续 $\Rightarrow g(X_n)\overset{P}{\longrightarrow}g(a)$ 。
|
||||
|
||||
**三条常用特例**:$X_n^k\overset{P}{\to}a^k$ ;$\sqrt{X_n}\overset{P}{\to}\sqrt a$ (需 $a>0$ );$\dfrac{1}{X_n}\overset{P}{\to}\dfrac1a$ (需 $a\ne0$ )。
|
||||
|
||||
> **用之前先检查极限值是否落在定义域内**:$\ln X_n$ 要求 $a>0$ ,$\frac1{X_n}$ 要求 $a\ne0$ ,$\sqrt{X_n}$ 要求 $a\ge0$ 。条件不满足时,结论不是"趋于无穷",而是"根本没有极限"。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 1.1:按定义验证依概率收敛(★☆☆)
|
||||
|
||||
> 设随机变量序列 $\{X_n\}$ 满足
|
||||
>
|
||||
> $$P\left\{X_n=\frac1n\right\}=1-\frac1n,\qquad P\{X_n=n\}=\frac1n\quad(n=1,2,\cdots).$$
|
||||
>
|
||||
> (Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
|
||||
> (Ⅱ)求 $EX_n$ ,判断它是否趋于 $0$ ;
|
||||
> (Ⅲ)由(Ⅰ)(Ⅱ)能得出什么结论?
|
||||
|
||||
**怎么想**:验证依概率收敛只有一条路——**写出事件 $\{\lvert X_n\rvert\ge\varepsilon\}$ 到底是什么**。本题只有两个取值,所以这个事件必是其中之一,比较 $\frac1n$ 与 $\varepsilon$ 的大小即可。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 任给 $\varepsilon>0$ 。取 $N>\max\left\{\dfrac1\varepsilon,\ \varepsilon\right\}$ ,则当 $n>N$ 时同时有 $\dfrac1n<\varepsilon$ 与 $n\ge\varepsilon$ ,于是
|
||||
|
||||
$$\left\{\lvert X_n-0\rvert\ge\varepsilon\right\}=\{X_n=n\},\qquad P\left\{\lvert X_n\rvert\ge\varepsilon\right\}=\frac1n\longrightarrow0 .$$
|
||||
|
||||
故 $X_n\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$EX_n=\frac1n\left(1-\frac1n\right)+n\cdot\frac1n=\frac1n-\frac1{n^2}+1\longrightarrow1 .$$
|
||||
|
||||
$EX_n\to1\ne0$ ,**并不趋于零** 。
|
||||
|
||||
**(Ⅲ)** 结论:**依概率收敛推不出"期望收敛"**。本题 $X_n\overset{P}{\to}0$ 而 $EX_n\to1$ 。
|
||||
|
||||
原因就在那条尾巴:$X_n$ 以 $\frac1n$ 的概率取到 $n$ ,这一项给期望贡献了 $n\cdot\frac1n=1$ ,且这个贡献**不随 $n$ 衰减**。而依概率收敛只要求"$1/n$ 趋于零",对这个"$1$ "毫无意见。
|
||||
|
||||
**带走结论**:**看到"$X_n$ 以 $\frac1n$ 的概率取一个很大的值"这种构造,第一反应就该是"期望会出问题"**。这是命题人最爱的反例模板,本讲与第 6 讲(相合但不相容的估计量)都会用到。
|
||||
|
||||
> **关联** · 盘点 [§1.1 定义](01-知识点盘点.md#user-content-11-定义) | 上游 — | 下游 — | 速查 [一 依概率收敛的定义](05-速查卡.md#user-content-一-依概率收敛的定义)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 1.2:只控制概率、不控制数值(★★☆)
|
||||
|
||||
> 设随机变量序列 $\{X_n\}$ 满足
|
||||
>
|
||||
> $$P\left\{X_n=n^2\right\}=\frac1n,\qquad P\{X_n=0\}=1-\frac1n\quad(n=1,2,\cdots).$$
|
||||
>
|
||||
> (Ⅰ)证明 $X_n\overset{P}{\longrightarrow}0$ ;
|
||||
> (Ⅱ)求 $EX_n$ ,判断它是否收敛;
|
||||
> (Ⅲ)把 $n^2$ 换成 $n$ 后 $EX_n$ 又如何?据此说明依概率收敛"管得住什么、管不住什么"。
|
||||
|
||||
**怎么想**:与题 1 同构,但把"离谱值"从 $n$ 加到 $n^2$ 。目的很明确——**看依概率收敛会不会因为尾部更离谱而失效**。答案是"不会",这正说明它对尾部数值完全不设防。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 任给 $\varepsilon>0$ ,当 $n^2\ge\varepsilon$ (即 $n\ge\sqrt\varepsilon$ )时 $\{X_n=n^2\}\subseteq\{\lvert X_n\rvert\ge\varepsilon\}$ ,而 $\{X_n=0\}$ 不含于其中,故
|
||||
|
||||
$$P\left\{\lvert X_n\rvert\ge\varepsilon\right\}=P\{X_n=n^2\}=\frac1n\longrightarrow0 .$$
|
||||
|
||||
所以 $X_n\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$EX_n=n^2\cdot\frac1n+0\cdot\left(1-\frac1n\right)=n\longrightarrow+\infty,$$
|
||||
|
||||
**发散到无穷**。
|
||||
|
||||
**(Ⅲ)** 换成 $n$ 时 $EX_n=n\cdot\dfrac1n=1$ ,恒等于 $1$ ,仍不趋于 $0$ (只是不发散而已)。
|
||||
|
||||
**结论**:依概率收敛管住的是"**坏事件的概率**",管不住"**坏事件里的数值**",更管不住"数值与概率的乘积"。前者只要 $\frac1n\to0$ 就够,后者却可以是 $\frac{n^2}{n}=n$ 。
|
||||
|
||||
**验算**:把三组数据摆在一起看更清楚——取值 $n$ 时 $EX_n\to1$ ;取值 $n^2$ 时 $EX_n=n\to\infty$ ;取值 $\sqrt n$ 时 $EX_n=\frac{1}{\sqrt n}\to0$ 。**只有"离谱程度低于 $\frac1p$ "时,期望才跟着收敛。**
|
||||
|
||||
**带走结论**:判断"能否由 $X_n\overset{P}{\to}0$ 推出 $EX_n\to0$ ",只看两点——**尾部取值的增长速度**是否低于概率衰减速度,以及**是否一致可积**(考研不考这个名字,但考这个判断)。考场上遇到,一律回到定义算 $EX_n$ ,不要想当然。
|
||||
|
||||
> **关联** · 盘点 [§1.2 与数列极限的三条区别](01-知识点盘点.md#user-content-12-与数列极限的三条区别) | 上游 — | 下游 — | 速查 [二 与数列极限的三条区别](05-速查卡.md#user-content-二-与数列极限的三条区别)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 1.3:四则运算与连续映射(★★☆)
|
||||
|
||||
> 设 $X_n\overset{P}{\longrightarrow}2$ 、$Y_n\overset{P}{\longrightarrow}-1$ 。写出下列各式依概率收敛的极限,并指出哪些需要额外条件才成立:
|
||||
>
|
||||
> (Ⅰ)$X_n+Y_n$ ;(Ⅱ)$X_nY_n$ ;(Ⅲ)$\dfrac{X_n}{Y_n}$ ;(Ⅳ)$\sqrt{X_n}$ ;(Ⅴ)$\ln X_n$ 。
|
||||
|
||||
**怎么想**:四则运算直接套;连续映射要先看**极限值是否落在函数的定义域内**。本题 $a=2$ 、$b=-1$ ,五个都合规,所以全部直接代入。
|
||||
|
||||
**解**:
|
||||
|
||||
| 小题 | 极限 | 依据 | 额外条件 |
|
||||
|---|---|---|---|
|
||||
| (Ⅰ) | $2+(-1)=1$ | 加法 | 无 |
|
||||
| (Ⅱ) | $2\times(-1)=-2$ | 乘法 | 无 |
|
||||
| (Ⅲ) | $\dfrac{2}{-1}=-2$ | 除法 | $b\ne0$ ,本题满足 |
|
||||
| (Ⅳ) | $\sqrt2$ | $g(x)=\sqrt x$ 在 $2$ 处连续 | $a>0$ ,本题满足 |
|
||||
| (Ⅴ) | $\ln2$ | $g(x)=\ln x$ 在 $2$ 处连续 | $a>0$ ,本题满足 |
|
||||
|
||||
**(Ⅲ)(Ⅳ)(Ⅴ)的额外条件各自是什么**:
|
||||
|
||||
- 若 $b=0$ ,$\dfrac{X_n}{Y_n}$ 可能根本没有极限($Y_n\to0$ 时商可以发散);
|
||||
- 若 $a<0$ ,$\sqrt{X_n}$ 在实数范围内无意义(此时 $\sqrt{X_n}$ 本身就没定义,谈不上收敛);
|
||||
- 若 $a=0$ ,$\ln X_n\to-\infty$ ,不是有限极限,因而不满足定义。
|
||||
|
||||
**一个容易漏的细节**:即使 $P\{X_n>0\}=1$ 对所有 $n$ 成立,也只能推出 $\lim a\ge0$ ,推不出 $a>0$ 。例:$X_n=1+\dfrac1n$ 恒大于 $1$ ,极限却是 $1$ ;$X_n=\dfrac1n$ 恒大于 $0$ ,极限是 $0$ 。**严格不等式在取极限时会退化成非严格**——这正是上面 $\sqrt{\ }$ 、$\ln$ 的条件必须写"$a>0$ "而不是"$X_n>0$ "的原因。
|
||||
|
||||
**带走结论**:**先算极限值,再检查定义域**。考场上写"由连续映射得 $g(X_n)\to g(a)$ "之前,务必确认 $a$ 在 $g$ 的定义域**内部**(不是边界)。这一步不写,过程分就丢在这里。
|
||||
|
||||
> **关联** · 盘点 [§1.3 常用推论](01-知识点盘点.md#user-content-13-常用推论) | 上游 — | 下游 — | 速查 [三 四则运算与连续映射](05-速查卡.md#user-content-三-四则运算与连续映射)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,201 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, 切比雪夫不等式]
|
||||
专题: 概率论 第5讲上 · 点2 切比雪夫不等式
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(2.1 不等式与变形表、2.2 使用三步与陷阱,共 5 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 切比雪夫不等式
|
||||
|
||||
> **2022·9 单选 5 分**,近十年唯一直接落在上册的分数;而且是"会套公式就得分"的那种|重要度 ★★★
|
||||
> 依赖:第 4 讲的 $EX$ 、$DX$ 、$\operatorname{Cov}$ 与 $D\bar X=\sigma^2/n$ 。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:这一点是全讲唯一需要"算"的地方。五题按"最直接的估计 → 换成 $\bar X$ 或 $\sum X_i^2$ → 反解 $n$ → 真题 → 带协方差的两个变量"递进,其中第 4 题是 2022·9 的真题骨架。难度标准:★☆☆ 一题、★★☆ 四题。
|
||||
|
||||
## 知识点 2.1 不等式与变形表(出处:[知识章 §1.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
|
||||
|
||||
**它只说三件事**:中心是 $EX$ 、尺度是 $\sqrt{DX}$ 、概率按 $\frac{1}{\varepsilon^2}$ 衰减。**不要求知道分布**——这是它唯一的、也是最大的优点。
|
||||
|
||||
**标准差写法(最好用)**:取 $\varepsilon=k\sqrt{DX}$ ,则上界化为 $\dfrac{1}{k^2}$ 。于是"偏离 $2$ 个标准差"的概率不超过 $\frac14$ ,"$3$ 个标准差"不超过 $\frac19$ 。
|
||||
|
||||
| 问法 | 写法 |
|
||||
|---|---|
|
||||
| $\lvert X-EX\rvert\ge\varepsilon$ 的**上界** | $\dfrac{DX}{\varepsilon^2}$ |
|
||||
| $\lvert X-EX\rvert<\varepsilon$ 的**下界** | $1-\dfrac{DX}{\varepsilon^2}$ |
|
||||
| 落在 $(EX-\varepsilon,\ EX+\varepsilon)$ 外的上界 | $\dfrac{DX}{\varepsilon^2}$ |
|
||||
| 已知上界 $\alpha$ 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
|
||||
| 涉及 $\bar X$ | 换成 $D\bar X=\dfrac{\sigma^2}{n}$ 再套 |
|
||||
| 涉及 $\lvert X-Y\rvert$ | 先算 $E(X-Y)$ 与 $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)$ |
|
||||
|
||||
## 知识点 2.2 使用三步与四个陷阱(出处:[知识章 §1.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex))
|
||||
|
||||
**三步**:
|
||||
|
||||
1. **认形状**:题里出现"偏差""不少于""不小于"配一个概率;
|
||||
2. **要算的是被控变量的 $E$ 与 $D$ 这两项**——注意是"被控的那个",不是"原来那个":控 $\bar X$ 就用 $\frac{\sigma^2}{n}$ ,控 $\frac1n\sum X_i^2$ 就先求 $EX^2$ 与 $EX^4$ ;
|
||||
3. **套表**,方向不能反:**"$\ge$ "给上界,"$<$ "给下界**。
|
||||
|
||||
**四个陷阱**:
|
||||
|
||||
- 它给的是**界**,不是值。题目问"估计"才用它;
|
||||
- 上界算出 $>1$ 不算错,只说明界太粗(真实概率当然不超过 $1$ );
|
||||
- $\varepsilon$ 与 $DX$ 必须同量纲:$\varepsilon$ 是"元",$DX$ 就得是"元的平方";
|
||||
- **绝不能**用它求"$\ge$ "的下界或"$<$ "的上界,那个方向它给不出来。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 2.1:直接套式与两个方向(★☆☆)
|
||||
|
||||
> 设随机变量 $X$ 满足 $EX=5$ 、$DX=2$ 。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;
|
||||
> (Ⅲ)若想使 $P\{\lvert X-5\rvert\ge\varepsilon\}\le0.05$ ,$\varepsilon$ 至少取多少?
|
||||
|
||||
**怎么想**:中心 $5$ 、尺度 $\sqrt2$ 、偏差 $4$ ,全部对上号,直接套。第(Ⅲ)问是唯一需要动一下的:把 $\varepsilon$ 当未知数解出来。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$P\{\lvert X-5\rvert\ge4\}\le\frac{DX}{4^2}=\frac{2}{16}=\frac18=0.125 .$$
|
||||
|
||||
**(Ⅱ)** 取补事件:
|
||||
|
||||
$$P\{\lvert X-5\rvert<4\}=1-P\{\lvert X-5\rvert\ge4\}\ge1-\frac18=\frac78=0.875 .$$
|
||||
|
||||
**(Ⅲ)** 要求
|
||||
|
||||
$$\frac{2}{\varepsilon^2}\le0.05\quad\Longrightarrow\quad\varepsilon^2\ge\frac{2}{0.05}=40\quad\Longrightarrow\quad\varepsilon\ge\sqrt{40}=2\sqrt{10}\approx6.325 .$$
|
||||
|
||||
**验算**:$\dfrac{4}{\sqrt2}=2\sqrt2\approx2.83$ ,即偏差约为 $2.83$ 倍标准差,界应为 $\dfrac{1}{2.83^2}\approx0.125$ ✓,与(Ⅰ)一致。第(Ⅲ)问 $6.325/\sqrt2=4.47$ 倍标准差,界 $\dfrac{1}{4.47^2}=0.05$ ✓。
|
||||
|
||||
**带走结论**:**"$\ge$ 给上界、$<$ 给下界"是这一点的铁律**。题干问"不超过/至少"时,先判断它落在哪个方向上,再决定是 $\frac{DX}{\varepsilon^2}$ 还是 $1-\frac{DX}{\varepsilon^2}$ 。
|
||||
|
||||
> **关联** · 盘点 [§2.1 不等式与变形表](01-知识点盘点.md#user-content-21-不等式与变形表) | 上游 — | 下游 [点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) | 速查 [四 切比雪夫不等式](05-速查卡.md#user-content-四-切比雪夫不等式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 2.1:二项分布上的估计(★★☆)
|
||||
|
||||
> 设 $X\sim B(1000,\ 0.5)$ 。用切比雪夫不等式估计 $P\{450<X<550\}$ 的下界,并说明这个界为什么这么松。
|
||||
|
||||
**怎么想**:先把 $450<X<550$ 改写成"$\lvert X-EX\rvert<\varepsilon$ "的形状,才好看清 $\varepsilon$ 是多少。二项分布的 $EX$ 与 $DX$ 都是现成的。
|
||||
|
||||
**解**:
|
||||
|
||||
$EX=1000\times0.5=500$ ,$DX=1000\times0.5\times0.5=250$ 。而
|
||||
|
||||
$$450<X<550\iff\lvert X-500\rvert<50,$$
|
||||
|
||||
故取 $\varepsilon=50$ :
|
||||
|
||||
$$P\{450<X<550\}=P\{\lvert X-500\rvert<50\}\ge1-\frac{250}{50^2}=1-\frac{250}{2500}=1-0.1=0.9 .$$
|
||||
|
||||
下界为 $0.9$ 。
|
||||
|
||||
**为什么这么松**:$\varepsilon=50$ 约等于 $3.16$ 个标准差($\sqrt{250}\approx15.81$ ),而正态分布下 $3.16$ 个标准差的覆盖率约 $0.998$ ,切比雪夫只敢说 $0.9$ 。**原因是完全不使用"二项分布接近正态"这个信息**——它必须对**所有**方差为 $250$ 的分布成立,包括那些把质量堆在两端、中间空心的分布。要想估得更准,只能换工具(第 5 讲下的中心极限定理)。
|
||||
|
||||
**带走结论**:**切比雪夫给的是"万能的坏界"**。选择题里出现"用切比雪夫估计得"就问三件事:中心对不对、$\varepsilon$ 取对没有、上下界方向对不对。算出来的数比直觉小很多是**正常的**,不必怀疑。
|
||||
|
||||
> **关联** · 盘点 [§2.1 不等式与变形表](01-知识点盘点.md#user-content-21-不等式与变形表) | 上游 [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向) | 下游 — | 速查 [四 切比雪夫不等式](05-速查卡.md#user-content-四-切比雪夫不等式)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 2.2:反解样本量(★★☆)
|
||||
|
||||
> 某试验中随机变量 $X$ 满足 $EX=20$ 、$DX=9$ 。独立重复观测 $n$ 次得 $\bar X$ 。问 $n$ **至少**取多少,才能保证
|
||||
>
|
||||
> $$P\{\lvert\bar X-20\rvert<1\}\ge0.9\ ?$$
|
||||
|
||||
**怎么想**:被控变量不是 $X$ 而是 $\bar X$ ,所以第 2 步必须先把 $D\bar X$ 算出来。这是本点最容易漏的一步——直接拿 $DX=9$ 去套会得到一个荒谬的小 $n$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
$\bar X$ 的期望与方差:
|
||||
|
||||
$$E\bar X=20,\qquad D\bar X=\frac{DX}{n}=\frac{9}{n}.$$
|
||||
|
||||
套切比雪夫不等式的下界形式,取 $\varepsilon=1$ :
|
||||
|
||||
$$P\{\lvert\bar X-20\rvert<1\}\ge1-\frac{D\bar X}{1^2}=1-\frac9n .$$
|
||||
|
||||
要求 $1-\dfrac9n\ge0.9$ ,即 $\dfrac9n\le0.1$ ,故
|
||||
|
||||
$$n\ge90 .$$
|
||||
|
||||
**至少取 $90$ 次**。
|
||||
|
||||
**验算**:$n=90$ 时界恰为 $1-0.1=0.9$ ,取等;$n=89$ 时 $1-\frac{9}{89}=0.899<0.9$ ,不满足。所以 $90$ 确实是最小值 ✓。
|
||||
|
||||
**对比一下真实需要**:若 $X$ 近似正态,$\lvert\bar X-20\rvert<1$ 即 $\lvert Z\rvert<\sqrt{n}/3$ ,要求 $2\Phi(\sqrt n/3)-1\ge0.9$ ,得 $\sqrt n/3\ge1.645$ ,$n\ge25$ 。**切比雪夫要 $90$ 次,正态只要 $25$ 次**——差了 $3.6$ 倍,这是"通用界"的代价。
|
||||
|
||||
**带走结论**:**凡"反解 $n$ ",分母永远是 $D\bar X=\frac{\sigma^2}{n}$ 这一点不能错**。看到 $\sigma^2$ 直接当成 $DX$ 套进去,答案会小 $n$ 倍,是这类题最常见的错。另外答案要**向上取整**并验证 $n-1$ 不满足。
|
||||
|
||||
> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 — | 下游 [点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 2.2:平方和的均值也要用切比雪夫(★★☆)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_n$ 独立同分布,$E\left(X_1^k\right)=\mu_k$ ($k=1,2,3,4$ 均存在)。令 $Y_i=X_i^2$ 。
|
||||
>
|
||||
> (Ⅰ)求 $EY_i$ 与 $DY_i$ ;
|
||||
> (Ⅱ)对任意 $\varepsilon>0$ ,用切比雪夫不等式给出
|
||||
>
|
||||
> $$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}$$
|
||||
>
|
||||
> 的上界。
|
||||
|
||||
**怎么想**:被控变量是 $\frac1n\sum X_i^2$ ,它的中心恰好是 $\mu_2$ (这正是题目写成 $\mu_2$ 的原因),所以只需算 $Y_i=X_i^2$ 的方差。**先换元再套式**,这是 2022·9 的核心动作。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$EY_i=E X_i^2=\mu_2,\qquad DY_i=E X_i^4-\left(E X_i^2\right)^2=\mu_4-\mu_2^2 .$$
|
||||
|
||||
**(Ⅱ)** 记 $\bar Y=\dfrac1n\sum\limits_{i=1}^{n}X_i^2=\dfrac1n\sum\limits_{i=1}^{n}Y_i$ 。由 $X_i$ 独立知 $Y_i$ 独立,故
|
||||
|
||||
$$E\bar Y=\mu_2,\qquad D\bar Y=\frac{DY_1}{n}=\frac{\mu_4-\mu_2^2}{n}.$$
|
||||
|
||||
套切比雪夫不等式:
|
||||
|
||||
$$P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i^2-\mu_2\right\rvert\ge\varepsilon\right\}\le\frac{\mu_4-\mu_2^2}{n\,\varepsilon^2} .$$
|
||||
|
||||
**验算**:取 $X_i\sim N(0,1)$ ,则 $\mu_2=1$ 、$\mu_4=3$ ,上界化为 $\frac{2}{n\varepsilon^2}$ 。而 $\sum X_i^2\sim\chi^2(n)$ ,$D(\chi^2(n))=2n$ ,$D\left(\frac1n\chi^2(n)\right)=\frac{2n}{n^2}=\frac2n$ ✓,与公式一致。
|
||||
|
||||
**带走结论**:**2022·9 考的就是"换元 + 套式"两步**。看到"$\frac1n\sum X_i^2$ "要立刻想到:这不是 $\bar X$ ,它的方差分母也是 $n$ ,但分子是 $\mu_4-\mu_2^2$ 而不是 $\mu_2-\mu_1^2$ 。选项里凡是出现 $\mu_1$ 或 $n^2$ 的,直接排除。
|
||||
|
||||
> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量) | 下游 [点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 2.2:两个变量的差(★★☆)
|
||||
|
||||
> 设 $X,Y$ 满足 $EX=EY$ 、$DX=DY=1$ 、$\rho_{XY}=\dfrac12$ 。用切比雪夫不等式估计 $P\{\lvert X-Y\rvert\ge4\}$ 的上界。
|
||||
|
||||
**怎么想**:被控变量是 $X-Y$ ,所以先把它的期望和方差算出来。期望用线性,方差**必须带协方差**——这一步用第 4 讲的双线性。
|
||||
|
||||
**解**:
|
||||
|
||||
$$E(X-Y)=EX-EY=0,$$
|
||||
|
||||
$$D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+1-2\cdot\frac12\cdot1\cdot1=2-1=1 .$$
|
||||
|
||||
中心是 $0$ 、方差是 $1$ ,取 $\varepsilon=4$ :
|
||||
|
||||
$$P\{\lvert X-Y\rvert\ge4\}\le\frac{D(X-Y)}{4^2}=\frac{1}{16} .$$
|
||||
|
||||
**验算**:若误写成 $D(X-Y)=DX-DY=0$ ,就会得出"$P=0$ "这个荒谬结论(方差为 $0$ 意味着 $X-Y$ 恒为常数)。$D(X-Y)=DX+DY-2\operatorname{Cov}$ 里的**加号**是唯一不能记错的地方。
|
||||
|
||||
**带走结论**:**"$\lvert X-Y\rvert$ 型"三步**:算 $E(X-Y)$ → 算 $D(X-Y)$ (带 $-2\operatorname{Cov}$ )→ 套式。$\rho>0$ 时 $D(X-Y)$ 变小、界变紧;$\rho=1$ 且同方差时 $D(X-Y)=0$ ,此时 $\lvert X-Y\rvert$ 恒等于 $0$ ,概率当然为 $0$ 。
|
||||
|
||||
> **关联** · 盘点 [§2.2 使用三步与四个陷阱](01-知识点盘点.md#user-content-22-使用三步与四个陷阱) | 上游 [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫) | 下游 — | 速查 [五 使用三步与四个陷阱](05-速查卡.md#user-content-五-使用三步与四个陷阱)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,316 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, 辛钦, 伯努利, 切比雪夫]
|
||||
专题: 概率论 第5讲上 · 点3 三条大数定律
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(3.1 共同形式、3.2 切比雪夫、3.3 伯努利、3.4 辛钦、3.5 对照,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 三条大数定律
|
||||
|
||||
> 2022·9 的前置、十年未单独出题,但**"该用哪条定律"是选择题的固定考法**|重要度 ★★★
|
||||
> 依赖:点 1 的依概率收敛、点 2 的切比雪夫不等式。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:三条定律的**结论完全一样**,差别只在条件,所以本点的核心是"**条件对照**"而不是"背三条结论"。六题按"共同形式 → 切比雪夫的证明 → 切比雪夫的条件辨析 → 伯努利的应用 → 辛钦的条件 → 三条对照"递进,第 3 题与第 6 题是两种典型的选择题形态。难度标准:★☆☆ 两题、★★☆ 两题、★★★ 两题。
|
||||
|
||||
## 知识点 3.1 三条定律的共同形式(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
|
||||
|
||||
同分布时右半截就是常数 $\mu$ ,简写为 $\bar X\overset{P}{\longrightarrow}\mu$ 。
|
||||
|
||||
**所以要背的只有条件**:
|
||||
|
||||
| 定律 | 条件 |
|
||||
|---|---|
|
||||
| 切比雪夫 | 两两不相关,$DX_i\le C$ |
|
||||
| 伯努利 | $n$ 重伯努利试验 |
|
||||
| 辛钦 | 独立同分布,期望存在 |
|
||||
|
||||
## 知识点 3.2 切比雪夫大数定律(出处:[知识章 §2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
**条件**:$X_1,X_2,\cdots$ **两两不相关**,存在常数 $C$ 使 $DX_i\le C$ 。
|
||||
|
||||
**结论**:$\dfrac1n\sum X_i-\dfrac1n\sum EX_i\overset{P}{\longrightarrow}0$ 。
|
||||
|
||||
**证明主线(两行都不能省)**:
|
||||
|
||||
$$D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\sum_{i=1}^{n}DX_i\le\frac{nC}{n^2}=\frac{C}{n}\longrightarrow0,$$
|
||||
|
||||
再对 $\frac1n\sum X_i$ 用切比雪夫不等式,令 $n\to\infty$ 即得结论。
|
||||
|
||||
> **"两两不相关"就为了第一行**:不相关才允许把"和的方差"拆成"方差的和"。若条件给的是"独立",更强,当然也成立。
|
||||
>
|
||||
> **实际用到的是更弱的条件**:证明里只用到 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,"一致有界"只是它的一个充分条件。所以判断某个序列"是否满足切比雪夫大数定律"时,**直接算 $\frac{1}{n^2}\sum DX_i$ 的极限**最保险。
|
||||
|
||||
## 知识点 3.3 伯努利大数定律(出处:[知识章 §2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
**条件**:$n$ 重伯努利试验,每次 $A$ 发生概率为 $p$ ,$\nu_n$ 为 $A$ 发生的次数。
|
||||
|
||||
**结论**:
|
||||
|
||||
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
||||
|
||||
**它是切比雪夫定律的特例**:$X_i\sim B(1,p)$ ,$EX_i=p$ 、$DX_i=p(1-p)\le\frac14$ ,方差一致有界自动成立。
|
||||
|
||||
**意义**:这是"**用频率估计概率**"的全部依据,也是第 6 讲"矩估计相合性"的出发点。
|
||||
|
||||
## 知识点 3.4 辛钦大数定律(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
**条件**:$X_1,X_2,\cdots$ **独立同分布**,且**期望存在**($EX_i=\mu$ )。
|
||||
|
||||
**结论**:$\bar X\overset{P}{\longrightarrow}\mu$ 。
|
||||
|
||||
**与切比雪夫的关键差别**:辛钦**不要方差存在**,但要**同分布**。
|
||||
|
||||
- 柯西分布(期望不存在)用不了辛钦;
|
||||
- "期望存在但方差不存在"的重尾分布,只有辛钦能管;
|
||||
- 分布不同(但期望相同)时,切比雪夫可以、辛钦不行。
|
||||
|
||||
## 知识点 3.5 三条定律的对照(出处:[知识章 §2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
| 定律 | 独立要求 | 同分布 | 方差要求 | 期望要求 | 结论 |
|
||||
|---|---|---|---|---|---|
|
||||
| 切比雪夫 | 两两**不相关** | 不要求 | $DX_i\le C$ | 存在 | $\bar X-E\bar X\overset{P}{\to}0$ |
|
||||
| 伯努利 | 独立($0$ -$1$ 试验) | 自动 | 自动 | 自动 | $\frac{\nu_n}{n}\overset{P}{\to}p$ |
|
||||
| 辛钦 | **独立** | **要求** | **不要求** | 存在 | $\bar X\overset{P}{\to}\mu$ |
|
||||
|
||||
**一句话记法**:**切比雪夫管"方差有界",辛钦管"同分布",伯努利是二者的交集特例。**
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 3.1:三个平均值都收敛到自己的期望(★☆☆)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_n$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2$ 。又设 $A$ 在每次试验中发生的概率为 $p$ ,$\nu_n$ 为 $n$ 次试验中 $A$ 发生的次数。写出下列三个量的依概率极限,并各自说明依据:
|
||||
>
|
||||
> (Ⅰ)$\dfrac1n\sum\limits_{i=1}^{n}X_i$ ;(Ⅱ)$\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ ;(Ⅲ)$\dfrac{\nu_n}{n}$ 。
|
||||
|
||||
**怎么想**:三条定律的"共同形式"就是"**平均值 → 期望**"。所以第(Ⅱ)问的关键是认出"$Y_i=(X_i-\mu)^2$ 也是一个独立同分布序列,它的期望是 $\sigma^2$ "。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由辛钦大数定律(独立同分布、期望存在),
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}X_i\overset{P}{\longrightarrow}\mu .$$
|
||||
|
||||
**(Ⅱ)** 令 $Y_i=(X_i-\mu)^2$ 。$Y_i$ 独立同分布,且
|
||||
|
||||
$$EY_i=E(X_i-\mu)^2=DX_i=\sigma^2 .$$
|
||||
|
||||
对 $\{Y_i\}$ 用辛钦大数定律:
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}(X_i-\mu)^2\overset{P}{\longrightarrow}\sigma^2 .$$
|
||||
|
||||
**(Ⅲ)** 令 $X_i=\begin{cases}1,&A\text{ 发生}\\0,&A\text{ 不发生}\end{cases}$ ,则 $\nu_n=\sum X_i$ ,且 $X_i$ 独立同分布、$EX_i=p$ 。由伯努利大数定律(或直接对 $\{X_i\}$ 用辛钦定律),
|
||||
|
||||
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
||||
|
||||
**带走结论**:**"平均值的极限 = 期望"是全讲唯一的句式**。看到 $\frac1n\sum(\text{某个函数})$ 就问一句:"这个函数的期望是多少?"——答案就是极限。第(Ⅱ)问的 $\sigma^2$ 与第(Ⅲ)问的 $p$ ,都是这样"读"出来的,而不是算出来的。
|
||||
|
||||
> **关联** · 盘点 [§3.1 共同形式](01-知识点盘点.md#user-content-31-共同形式) | 上游 — | 下游 — | 速查 [六 三条定律的共同形式](05-速查卡.md#user-content-六-三条定律的共同形式)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 3.2:切比雪夫大数定律的证明(★★★)
|
||||
|
||||
> 设随机变量序列 $X_1,X_2,\cdots$ **两两不相关**,且存在常数 $C$ ,使 $DX_i\le C$ ($i=1,2,\cdots$ )。证明:对任意 $\varepsilon>0$ ,
|
||||
>
|
||||
> $$\lim_{n\to\infty}P\left\{\left\lvert\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\right\rvert\ge\varepsilon\right\}=0 .$$
|
||||
|
||||
**怎么想**:这是"用切比雪夫不等式证依概率收敛"的标准三步——**算期望 → 算方差 → 套不等式 → 让 $n\to\infty$ 这四步** 。注意被控变量是 $\frac1n\sum X_i$ 减自己的期望,所以中心就是 $0$ 。
|
||||
|
||||
**证**:
|
||||
|
||||
记 $\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。先算它的期望与方差。
|
||||
|
||||
**期望**(线性,不要求独立):
|
||||
|
||||
$$E\bar X=\frac1n\sum_{i=1}^{n}EX_i .$$
|
||||
|
||||
**方差**(这里用到"两两不相关",交叉项才全为 $0$ ):
|
||||
|
||||
$$D\bar X=D\left(\frac1n\sum_{i=1}^{n}X_i\right)=\frac{1}{n^2}\left[\sum_{i=1}^{n}DX_i+2\sum_{i<j}\operatorname{Cov}(X_i,X_j)\right]=\frac{1}{n^2}\sum_{i=1}^{n}DX_i .$$
|
||||
|
||||
代入 $DX_i\le C$ :
|
||||
|
||||
$$D\bar X\le\frac{nC}{n^2}=\frac{C}{n}.$$
|
||||
|
||||
**套切比雪夫不等式**:对 $\bar X$ 用不等式,取 $\varepsilon>0$ ,
|
||||
|
||||
$$0\le P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}\le\frac{D\bar X}{\varepsilon^2}\le\frac{C}{n\varepsilon^2}.$$
|
||||
|
||||
令 $n\to\infty$ ,右端趋于 $0$ ,由夹逼得
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\left\lvert\bar X-E\bar X\right\rvert\ge\varepsilon\right\}=0 . \qquad\blacksquare$$
|
||||
|
||||
**验算**:把证明里的两个条件各去掉一条,看哪里断——若去掉"不相关",$\operatorname{Cov}$ 项留不下来,$D\bar X$ 的上界不成立;若去掉"$DX_i\le C$ "而改成一列方差 $DX_i=i^2$ ,则 $D\bar X=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\to\infty$ ,结论崩。
|
||||
|
||||
**带走结论**:**证明题的四个得分点**:写出 $\bar X$ 的定义、算 $E\bar X$ 、算 $D\bar X$ 时点明"不相关所以交叉项为零"、最后夹逼。少任何一个都要扣分。**"两两不相关"这句话必须写出来并说明用途**,只写结论不给分。
|
||||
|
||||
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 — | 下游 [点 3 题 3](04-点3-三条大数定律.md#user-content-题-3--32条件辨析谁不满足) | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 3.2:条件辨析,谁不满足(★★★)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_n,\cdots$ 相互独立,且 $X_n\sim E(n)$ (参数为 $n$ 的指数分布)。下列随机变量序列中,**不**满足切比雪夫大数定律条件的是( )。
|
||||
>
|
||||
> (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)$X_1,\ 2^2X_2,\ \cdots,\ n^2X_n,\ \cdots$
|
||||
|
||||
**怎么想**:切比雪夫大数定律真正用到的条件是 $\dfrac{1}{n^2}\sum\limits_{i=1}^{n}DX_i\to0$ ,不要只盯着"一致有界"。$E(n)$ 的方差是 $\frac{1}{n^2}$ ,乘上系数 $c_n$ 后方差变成 $\frac{c_n^2}{n^2}$ ,逐个算一遍即可。
|
||||
|
||||
**解**:
|
||||
|
||||
先记基本量:$X_n\sim E(n)$ ,故 $EX_n=\dfrac1n$ 、$DX_n=\dfrac{1}{n^2}$ 。
|
||||
|
||||
依次算"和的方差 / $n^2$ ":
|
||||
|
||||
**(A)** 第 $k$ 项为 $\frac1kX_k$ ,$D\left(\frac1kX_k\right)=\frac{1}{k^2}\cdot\frac{1}{k^2}=\frac{1}{k^4}$ ,
|
||||
|
||||
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^4}\le\frac{1}{n^2}\cdot\frac{\pi^4}{90}\longrightarrow0\ ✓$$
|
||||
|
||||
**(B)** $D X_k=\dfrac{1}{k^2}$ ,
|
||||
|
||||
$$\frac{1}{n^2}\sum_{k=1}^{n}\frac{1}{k^2}\le\frac{1}{n^2}\cdot\frac{\pi^2}{6}\longrightarrow0\ ✓$$
|
||||
|
||||
**(C)** 第 $k$ 项为 $kX_k$ ,$D(kX_k)=k^2\cdot\dfrac{1}{k^2}=1$ ,
|
||||
|
||||
$$\frac{1}{n^2}\sum_{k=1}^{n}1=\frac{n}{n^2}=\frac1n\longrightarrow0\ ✓$$
|
||||
|
||||
**(D)** 第 $k$ 项为 $k^2X_k$ ,$D\left(k^2X_k\right)=k^4\cdot\dfrac{1}{k^2}=k^2$ ,
|
||||
|
||||
$$\frac{1}{n^2}\sum_{k=1}^{n}k^2=\frac{1}{n^2}\cdot\frac{n(n+1)(2n+1)}{6}\sim\frac{n}{3}\longrightarrow+\infty\ \times$$
|
||||
|
||||
所以 **(D)** 不满足。
|
||||
|
||||
**验算**:(C)这一项最容易误判——直觉上"系数乘 $n$ 一定发散",但 $E(n)$ 的方差本来就按 $\frac{1}{n^2}$ 衰减,乘 $n$ 之后恰好抵消成一个常数 $1$ 。**"方差一致有界"是充分条件而不是必要条件**,(C)的方差恒为 $1$ (确实一致有界),(A)(B)的方差趋于 $0$ 但不一致有下界(无所谓),三者都合格;只有(D)的方差按 $k^2$ 增长,把 $\frac{1}{n^2}$ 的平滑吃光了。
|
||||
|
||||
**带走结论**:**判断这类题只做一件事:算 $\dfrac{1}{n^2}\sum\limits_{k=1}^{n}DX_k$ 的阶**。它是 $O(1/n)$ 或更快就满足,是 $O(n)$ 就崩。别去背"一致有界",那个条件会骗人。
|
||||
|
||||
> **关联** · 盘点 [§3.2 切比雪夫大数定律](01-知识点盘点.md#user-content-32-切比雪夫大数定律) | 上游 [点 3 题 2](04-点3-三条大数定律.md#user-content-题-2--32切比雪夫大数定律的证明) | 下游 — | 速查 [七 切比雪夫大数定律](05-速查卡.md#user-content-七-切比雪夫大数定律)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 3.3:用伯努利定律反解试验次数(★★☆)
|
||||
|
||||
> 反复抛一枚均匀硬币,记 $\nu_n$ 为 $n$ 次中出现正面的次数。问 $n$ **至少**取多少,才能用切比雪夫不等式保证
|
||||
>
|
||||
> $$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge0.95\ ?$$
|
||||
|
||||
**怎么想**:$\frac{\nu_n}{n}$ 就是 $0$ -$1$ 变量的样本均值,所以 $D\left(\frac{\nu_n}{n}\right)=\frac{p(1-p)}{n}$ 。套点 2 的反解套路即可。
|
||||
|
||||
**解**:
|
||||
|
||||
令 $X_i$ 为第 $i$ 次的结果(正面记 $1$ 、反面记 $0$ ),则 $X_i\sim B(1,0.5)$ ,$EX_i=0.5$ 、$DX_i=0.25$ ,且 $\frac{\nu_n}{n}=\bar X$ 。于是
|
||||
|
||||
$$D\left(\frac{\nu_n}{n}\right)=\frac{0.25}{n}.$$
|
||||
|
||||
套切比雪夫不等式的下界形式,取 $\varepsilon=0.01$ :
|
||||
|
||||
$$P\left\{\left\lvert\frac{\nu_n}{n}-0.5\right\rvert<0.01\right\}\ge1-\frac{0.25}{n\times10^{-4}}=1-\frac{2500}{n}.$$
|
||||
|
||||
要求 $1-\dfrac{2500}{n}\ge0.95$ ,即 $\dfrac{2500}{n}\le0.05$ ,故
|
||||
|
||||
$$n\ge\frac{2500}{0.05}=50000 .$$
|
||||
|
||||
**至少抛 $50000$ 次**。
|
||||
|
||||
**这个数为什么这么夸张**:真正需要多少次?由中心极限定理([第5讲下](../概率论-第5讲下-中心极限定理/README.md)),$\frac{\nu_n}{n}$ 近似 $N\!\left(0.5,\frac{0.25}{n}\right)$ ,要求
|
||||
|
||||
$$2\Phi\left(\frac{0.01\sqrt n}{0.5}\right)-1\ge0.95\ \Longrightarrow\ 0.02\sqrt n\ge1.96\ \Longrightarrow\ n\ge9604 .$$
|
||||
|
||||
**切比雪夫要 $50000$ 次,中心极限定理只要 $9604$ 次**,差 $5$ 倍多。原因是切比雪夫对分布形状一无所知,只能按最坏情形估。
|
||||
|
||||
**验算**:$n=50000$ 时 $\frac{2500}{50000}=0.05$ ,界恰为 $0.95$ ✓;$n=49999$ 时界为 $0.9499<0.95$ ,不满足。
|
||||
|
||||
**带走结论**:**"切比雪夫给的 $n$ 一定是偏大的、但一定够用"**。考试若同时允许两种方法,题目会明确说"用切比雪夫不等式估计";不说而只要一个"近似值"时,用中心极限定理。**两者不能混用**——用 CLT 算出的 $9604$ 代入切比雪夫不等式是不成立的。
|
||||
|
||||
> **关联** · 盘点 [§3.3 伯努利大数定律](01-知识点盘点.md#user-content-33-伯努利大数定律) | 上游 — | 下游 — | 速查 [八 伯努利大数定律](05-速查卡.md#user-content-八-伯努利大数定律)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 3.4:辛钦定律的条件够不够(★☆☆)
|
||||
|
||||
> 将一枚均匀骰子独立重复投掷 $n$ 次,$X_i$ 表示第 $i$ 次掷出的点数,$\bar X=\dfrac1n\sum\limits_{i=1}^{n}X_i$ 。
|
||||
>
|
||||
> (Ⅰ)$\bar X$ 依概率收敛于何值?依据哪条定律?条件是否满足?
|
||||
> (Ⅱ)若改为考察 $\dfrac1n\sum\limits_{i=1}^{n}X_i^2$ ,它收敛于何值?
|
||||
|
||||
**怎么想**:辛钦定律三条件——独立、同分布、期望存在——本题全部满足,所以直接算期望即可。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $X_i$ 独立同分布,且
|
||||
|
||||
$$EX_i=\frac{1+2+3+4+5+6}{6}=\frac{21}{6}=3.5 .$$
|
||||
|
||||
由辛钦大数定律,
|
||||
|
||||
$$\bar X\overset{P}{\longrightarrow}3.5 .$$
|
||||
|
||||
三条条件逐一核对:独立性(各次投掷互不影响)、同分布(每次都是 $1$ 到 $6$ 等可能)、期望存在(有限个取值,期望必存在)。**注意不需要方差**——虽然本题方差当然存在($DX_i=\frac{35}{12}$ ),但辛钦定律用不到它。
|
||||
|
||||
**(Ⅱ)** 令 $Y_i=X_i^2$ 。$Y_i$ 独立同分布,且
|
||||
|
||||
$$EY_i=EX_i^2=\frac{1+4+9+16+25+36}{6}=\frac{91}{6}\approx15.17 .$$
|
||||
|
||||
由辛钦大数定律,
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}X_i^2\overset{P}{\longrightarrow}\frac{91}{6} .$$
|
||||
|
||||
**验算**:用 $DX=EX^2-(EX)^2$ 反查:$\frac{91}{6}-\left(\frac72\right)^2=\frac{91}{6}-\frac{49}{4}=\frac{182-147}{12}=\frac{35}{12}$ ,正是均匀骰子的方差 ✓。
|
||||
|
||||
**带走结论**:**辛钦定律只要求"独立同分布 + 期望存在"**,方差有无完全不影响。这一点与切比雪夫定律恰好相反,是两条定律最容易考的反差。凡是题目给的是"独立同分布"而没有提方差,就用辛钦。
|
||||
|
||||
> **关联** · 盘点 [§3.4 辛钦大数定律](01-知识点盘点.md#user-content-34-辛钦大数定律) | 上游 — | 下游 — | 速查 [九 辛钦大数定律](05-速查卡.md#user-content-九-辛钦大数定律)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 3.5:三条定律的条件对照(★★☆)
|
||||
|
||||
> (Ⅰ)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 $\dfrac1n\sum\limits_{i=1}^{n}X_i$ 依概率收敛于其数学期望,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
|
||||
>
|
||||
> (Ⅱ)说明(A)(B)(D)为什么都不够,各举一个反例。
|
||||
|
||||
**怎么想**:辛钦定律要三条:**独立、同分布、期望存在**。选项必须**同时**满足后两条。逐个检验"期望是否存在"是关键——同分布不等于期望存在。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)选(C)**。
|
||||
|
||||
**(Ⅱ)逐项反驳**:
|
||||
|
||||
**(A)有相同的数学期望**:不同分布也能有相同的期望。例如 $X_n$ 取 $n$ 的概率为 $\frac{1}{2n}$ 、取 $-n$ 的概率为 $\frac{1}{2n}$ 、取 $0$ 的概率为 $1-\frac1n$ ,则 $EX_n=0$ 恒成立,但 $\frac1n\sum X_i$ 并不依概率收敛于 $0$ (尾部贡献不可控,与 [点 1 题 2](02-点1-依概率收敛.md#user-content-题-2--12只控制概率不控制数值) 同型)。**同分布这一条不能被"同期望"替代。**
|
||||
|
||||
**(B)服从同一离散型分布**:取同一个分布
|
||||
|
||||
$$P\{X=k\}=\frac{6}{\pi^2k^2}\quad(k=1,2,3,\cdots),$$
|
||||
|
||||
它是合法的离散型分布($\sum\frac{6}{\pi^2k^2}=1$ ),所有 $X_n$ 都服从它,**同分布成立**。但
|
||||
|
||||
$$E\lvert X\rvert=\sum_{k=1}^{\infty}\frac{6}{\pi^2k^2}\cdot k=\frac{6}{\pi^2}\sum_{k=1}^{\infty}\frac1k=+\infty,$$
|
||||
|
||||
期望**不存在**,辛钦定律用不了。**"同一离散型分布"根本不保证期望存在**——只要尾部按 $\frac{1}{k^2}$ 衰减,概率和收敛而期望和发散,这正是"期望存在"比"分布合法"严格得多的地方。
|
||||
|
||||
**(C)服从同一泊松分布**:泊松分布 $P(\lambda)$ 的期望就是 $\lambda$ ,有限,一定存在。**它是四个选项里唯一能保证"同分布 + 期望存在"的。**
|
||||
|
||||
**(D)服从同一连续型分布**:标准柯西分布 $f(x)=\dfrac{1}{\pi(1+x^2)}$ 是同一连续型分布,但
|
||||
|
||||
$$\int_{-\infty}^{+\infty}\frac{\lvert x\rvert}{\pi(1+x^2)}\,\mathrm dx=+\infty,$$
|
||||
|
||||
期望**不存在**,辛钦定律同样用不了。
|
||||
|
||||
**验算**:(B)与(D)是同一个毛病的两种写法——**密度/概率只要求"可积到 $1$ ",期望却要求"乘上 $\lvert x\rvert$ 之后仍可积"**。$\frac{1}{x^2}$ 型尾部的和(积分)收敛,但乘上 $x$ 之后变成 $\frac1x$ 型,就发散了。所以"分布合法"与"期望存在"之间隔着整整一阶。
|
||||
|
||||
**带走结论**:**看到"根据辛钦大数定律……只要"这类题,一律按三步筛选项**:先删"只同期望不同分布"(A),再删"同分布但不保证期望存在"(B)(D),剩下那个"参数本身就等于期望"的具体分布(C)就是答案。这个套路在选择题里反复出现。
|
||||
|
||||
> **关联** · 盘点 [§3.5 三条定律对照(高频辨析)](01-知识点盘点.md#user-content-35-三条定律对照高频辨析) | 上游 — | 下游 — | 速查 [十 三条定律对照](05-速查卡.md#user-content-十-三条定律对照)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,161 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, 速查卡]
|
||||
专题: 概率论 第5讲上 · 大数定律(速查)
|
||||
日期: 2026-11-07
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 第5讲上 · 大数定律:速查卡
|
||||
|
||||
考前十分钟只看这一页。
|
||||
|
||||
## 一 依概率收敛的定义
|
||||
|
||||
<!-- KP: 1.1 -->
|
||||
|
||||
$$X_n\overset{P}{\longrightarrow}X\iff\forall\varepsilon>0,\ \lim_{n\to\infty}P\left\{\lvert X_n-X\rvert\ge\varepsilon\right\}=0 .$$
|
||||
|
||||
读法:**先固定 $\varepsilon$ ,再让 $n\to\infty$ ,顺序不能换** 。顺序反过来就成了废话。
|
||||
|
||||
等价写法:$\lim P\{\lvert X_n-X\rvert<\varepsilon\}=1$ 。定义里用"$\ge$ ",补事件就用"$<$ ",前后要一致。
|
||||
|
||||
## 二 与数列极限的三条区别
|
||||
|
||||
<!-- KP: 1.2 -->
|
||||
|
||||
- 对象:确定数列 **vs** 随机变量序列;
|
||||
- "接近":每项都接近 **vs** 概率趋于 $1$ ,个别项可以离谱;
|
||||
- 是否要求 $EX_n\to EX$ :**不要求**。
|
||||
|
||||
**反例模板(必背)**:$P\{X_n=n^2\}=\frac1n$ 、$P\{X_n=0\}=1-\frac1n$ 。则 $X_n\overset{P}{\to}0$ 而 $EX_n=n\to\infty$ 。
|
||||
|
||||
口诀:**依概率收敛只控制"坏事件的概率",不控制"坏事件里的数值"**。
|
||||
|
||||
## 三 四则运算与连续映射
|
||||
|
||||
<!-- KP: 1.3 -->
|
||||
|
||||
$$X_n\overset{P}{\to}a,\ Y_n\overset{P}{\to}b\ \Longrightarrow\ X_n\pm Y_n\overset{P}{\to}a\pm b,\ X_nY_n\overset{P}{\to}ab,\ \frac{X_n}{Y_n}\overset{P}{\to}\frac ab\ (b\ne0).$$
|
||||
|
||||
连续映射:$g$ 在 $a$ 处连续 $\Rightarrow g(X_n)\overset{P}{\to}g(a)$ 。
|
||||
|
||||
**三个定义域条件**:$\frac1{X_n}$ 需 $a\ne0$ ;$\sqrt{X_n}$ 需 $a>0$ ;$\ln X_n$ 需 $a>0$ 。
|
||||
|
||||
**注意**:$X_n>0$ 恒成立只能推出 $a\ge0$ ,推不出 $a>0$ (严格不等式取极限会退化)。
|
||||
|
||||
## 四 切比雪夫不等式
|
||||
|
||||
<!-- KP: 2.1 -->
|
||||
|
||||
$$P\left\{\lvert X-EX\rvert\ge\varepsilon\right\}\le\frac{DX}{\varepsilon^2},\qquad P\left\{\lvert X-EX\rvert<\varepsilon\right\}\ge1-\frac{DX}{\varepsilon^2}.$$
|
||||
|
||||
| 问法 | 写法 |
|
||||
|---|---|
|
||||
| $\ge\varepsilon$ 上界 | $\dfrac{DX}{\varepsilon^2}$ |
|
||||
| $<\varepsilon$ 下界 | $1-\dfrac{DX}{\varepsilon^2}$ |
|
||||
| 反解 $\varepsilon$ | $\varepsilon\ge\sqrt{DX/\alpha}$ |
|
||||
| 反解 $n$ | 用 $D\bar X=\dfrac{\sigma^2}{n}$ |
|
||||
| 涉及 $\lvert X-Y\rvert$ | 先算 $D(X-Y)=DX+DY-2\operatorname{Cov}$ |
|
||||
|
||||
标准差写法:$\varepsilon=k\sqrt{DX}$ 时上界就是 $\dfrac{1}{k^2}$ ($2$ 倍标准差 $\le\frac14$ ,$3$ 倍 $\le\frac19$ )。
|
||||
|
||||
## 五 使用三步与四个陷阱
|
||||
|
||||
<!-- KP: 2.2 -->
|
||||
|
||||
```
|
||||
① 认形状:偏差 + 概率
|
||||
② 算"被控变量"的 E 与 D(不是原变量)
|
||||
③ 套表:≥ 给上界,< 给下界
|
||||
```
|
||||
|
||||
- 它是**界**不是值,题目问"估计"才用;
|
||||
- 界算出来 $>1$ 不算错,只说明太粗;
|
||||
- $\varepsilon$ 与 $DX$ 必须同量纲;
|
||||
- **不能**求"$\ge$ "的下界或"$<$ "的上界。
|
||||
|
||||
**换元提示**:控 $\frac1n\sum X_i^2$ 时先令 $Y_i=X_i^2$ ,$DY_i=\mu_4-\mu_2^2$ (2022·9 就是这一步)。
|
||||
|
||||
## 六 三条定律的共同形式
|
||||
|
||||
<!-- KP: 3.1 -->
|
||||
|
||||
$$\frac1n\sum_{i=1}^{n}X_i-\frac1n\sum_{i=1}^{n}EX_i\overset{P}{\longrightarrow}0 .$$
|
||||
|
||||
同分布时简写为 $\bar X\overset{P}{\to}\mu$ 。**结论共享,只有条件不同——所以只背条件。**
|
||||
|
||||
推广句式:$\frac1n\sum g(X_i)$ 收敛到 $E\,g(X_1)$ (对 $\{g(X_i)\}$ 再用一次)。
|
||||
|
||||
## 七 切比雪夫大数定律
|
||||
|
||||
<!-- KP: 3.2 -->
|
||||
|
||||
**条件**:两两不相关,$DX_i\le C$ 。**证明两行**:
|
||||
|
||||
$$D\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\sum DX_i\le\frac{C}{n}\to0,$$
|
||||
|
||||
再对 $\bar X$ 用切比雪夫不等式,夹逼。
|
||||
|
||||
**实际判据比"一致有界"更弱**:只要 $\dfrac{1}{n^2}\sum\limits_{k=1}^{n}DX_k\to0$ 即可。做题时直接算这个阶,别盯着"有界"。
|
||||
|
||||
## 八 伯努利大数定律
|
||||
|
||||
<!-- KP: 3.3 -->
|
||||
|
||||
$$\frac{\nu_n}{n}\overset{P}{\longrightarrow}p .$$
|
||||
|
||||
**意义**:频率估计概率的合法依据,第 6 讲相合性的源头。
|
||||
|
||||
$D\left(\frac{\nu_n}{n}\right)=\dfrac{p(1-p)}{n}\le\dfrac{1}{4n}$ ,所以反解 $n$ 时分子最大是 $\frac14$ 。
|
||||
|
||||
## 九 辛钦大数定律
|
||||
|
||||
<!-- KP: 3.4 -->
|
||||
|
||||
**条件**:独立、**同分布**、**期望存在**。结论:$\bar X\overset{P}{\to}\mu$ 。
|
||||
|
||||
**不要方差**——这是与切比雪夫定律最大的反差。柯西分布(期望不存在)用不了;重尾分布(方差不存在)只有它能管。
|
||||
|
||||
## 十 三条定律对照
|
||||
|
||||
<!-- KP: 3.5 -->
|
||||
|
||||
| 定律 | 独立 | 同分布 | 方差 | 期望 |
|
||||
|---|---|---|---|---|
|
||||
| 切比雪夫 | 两两不相关 | 不要求 | $DX_i\le C$ | 存在 |
|
||||
| 伯努利 | 独立($0$ -$1$ ) | 自动 | 自动 | 自动 |
|
||||
| 辛钦 | 独立 | **要求** | **不要求** | 存在 |
|
||||
|
||||
**一句话**:切比雪夫管"方差有界",辛钦管"同分布",伯努利是二者的交集特例。
|
||||
|
||||
**选择题筛选项套路**:只同期望不同分布 $\to$ 删;同分布但不保证期望存在(如 $P\{X=k\}\propto\frac{1}{k^2}$ 、柯西) $\to$ 删;剩下"参数即期望"的具体分布(泊松)$\to$ 选它。
|
||||
|
||||
## 十一 最容易丢分的六处
|
||||
|
||||
1. **反解 $n$ 时把 $DX$ 当成 $D\bar X$ 是错的** :分母必须是 $\frac{\sigma^2}{n}$ 。
|
||||
2. **"$\ge$ "与"$<$ "的方向用反**:前者只能给上界。
|
||||
3. **以为依概率收敛能推出期望收敛**:反例模板见第二节。
|
||||
4. **判断定律时不看同分布**:辛钦要同分布,切比雪夫不要,两者常被互换。
|
||||
5. **忽略 $\frac{1}{n^2}\sum DX_k$ 的阶**:只盯着"方差是否一致有界",会误判(系数乘 $n$ 的序列可能仍满足)。
|
||||
6. **答案不向上取整、不回验 $n-1$ 都不行** :反解出的 $n$ 必须是整数且验证边界。
|
||||
|
||||
---
|
||||
|
||||
## 回查
|
||||
|
||||
<!-- AUTO:回查 -->
|
||||
| 想查什么 | 对应题目 |
|
||||
|---|---|
|
||||
| 一 依概率收敛的定义 | [点 1 题 1](02-点1-依概率收敛.md#user-content-题-1--11按定义验证依概率收敛) |
|
||||
| 二 与数列极限的三条区别 | [点 1 题 2](02-点1-依概率收敛.md#user-content-题-2--12只控制概率不控制数值) |
|
||||
| 三 四则运算与连续映射 | [点 1 题 3](02-点1-依概率收敛.md#user-content-题-3--13四则运算与连续映射) |
|
||||
| 四 切比雪夫不等式 | [点 2 题 1](03-点2-切比雪夫不等式.md#user-content-题-1--21直接套式与两个方向)、[点 2 题 2](03-点2-切比雪夫不等式.md#user-content-题-2--21二项分布上的估计) |
|
||||
| 五 使用三步与四个陷阱 | [点 2 题 3](03-点2-切比雪夫不等式.md#user-content-题-3--22反解样本量)、[点 2 题 4](03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫)、[点 2 题 5](03-点2-切比雪夫不等式.md#user-content-题-5--22两个变量的差) |
|
||||
| 六 三条定律的共同形式 | [点 3 题 1](04-点3-三条大数定律.md#user-content-题-1--31三个平均值都收敛到自己的期望) |
|
||||
| 七 切比雪夫大数定律 | [点 3 题 2](04-点3-三条大数定律.md#user-content-题-2--32切比雪夫大数定律的证明)、[点 3 题 3](04-点3-三条大数定律.md#user-content-题-3--32条件辨析谁不满足) |
|
||||
| 八 伯努利大数定律 | [点 3 题 4](04-点3-三条大数定律.md#user-content-题-4--33用伯努利定律反解试验次数) |
|
||||
| 九 辛钦大数定律 | [点 3 题 5](04-点3-三条大数定律.md#user-content-题-5--34辛钦定律的条件够不够) |
|
||||
| 十 三条定律对照 | [点 3 题 6](04-点3-三条大数定律.md#user-content-题-6--35三条定律的条件对照) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-依概率收敛.md)、[点 2](03-点2-切比雪夫不等式.md)、[点 3](04-点3-三条大数定律.md)。
|
||||
@@ -0,0 +1,102 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 大数定律, README]
|
||||
专题: 概率论 第5讲上 · 大数定律
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点 + 三点分册(知识点带题,14 题)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[05-速查卡]]"]
|
||||
---
|
||||
|
||||
# 概率论 第5讲上 · 大数定律
|
||||
|
||||
真题库第 19 章的前半。近十年 **3 题 14 分**里,只有 **2022·9 的 5 分**落在本册,但这一册是下册的地基:不理解"依概率收敛",中心极限定理的结论就只剩一个背不下来的公式。
|
||||
|
||||
**为什么把第 5 讲拆成两册**:这一讲原本有三件事——**依概率收敛**(定义)、**大数定律**(趋于常数)、**中心极限定理**(趋于分布)。前两件是"收敛",第三件是"分布的极限",考法完全不同:上册全是"条件辨析 + 套不等式",下册全是"标准化 + 查表 + 反解 $n$ "。混在一册里,精力会被中间那堆定律的条件吃掉。
|
||||
|
||||
## 这一版的结构
|
||||
|
||||
| 层 | 文件 | 作用 | 读法 |
|
||||
|---|---|---|---|
|
||||
| **地图** | `01-知识点盘点.md` | 三节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
|
||||
| **练** | `02`—`04` 三个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 14 题 | 一天一个点,动手做 |
|
||||
| **查** | `05-速查卡.md` | 十组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
|
||||
|
||||
## 文件清单
|
||||
|
||||
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|
||||
|---|---|---|---|---|
|
||||
| `01-知识点盘点.md` | 三节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
|
||||
| `02-点1-依概率收敛.md` | 定义、与数列极限的三条区别、四则运算与连续映射 | 嵌在各题 | — | 3 |
|
||||
| `03-点2-切比雪夫不等式.md` | 不等式与变形表、三步与四陷阱、换元、反解 $n$ | **2022·9** | **5** | 5 |
|
||||
| `04-点3-三条大数定律.md` | 共同形式、切比雪夫、伯努利、辛钦、条件对照 | 2022·9 前置 | — | 6 |
|
||||
| `05-速查卡.md` | 十组结论 $+$ 六处丢分点 | — | — | 0 |
|
||||
|
||||
合计 **14 题**。难度标准:★☆☆ 配 2—3 题,★★☆ 配 2—3 题,★★★ 配 1—2 题。
|
||||
|
||||
## 建议的三轮读法
|
||||
|
||||
**第一轮(30 分钟)**:`01` 通读 $+$ `02`。点 1 只解决一个词——"趋于"在概率里是什么意思。**第 2 题那个反例($X_n\overset{P}{\to}0$ 但 $EX_n\to\infty$ )必须亲手推一遍**,它是整讲的钥匙。
|
||||
|
||||
**第二轮(1 小时)**:`03` 全做。这是唯一直接得分的部分,五道题要练到"读完题干就知道 $\varepsilon$ 取几、分母是 $DX$ 还是 $D\bar X$ "。
|
||||
|
||||
**第三轮(1 小时)**:`04`。重点不是三条结论(它们完全一样),而是**三条条件**。第 3 题(系数序列辨析)与第 6 题(辛钦条件筛选)是两种固定的选择题形态,各刷一遍。
|
||||
|
||||
时间不够时按这个顺序砍:`04` 题 2 的证明 $\to$ `02` 题 3 。**`03` 一道都不能砍**。
|
||||
|
||||
## 双向链接怎么用
|
||||
|
||||
| 粒度 | 在哪儿 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
|
||||
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
|
||||
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
|
||||
|
||||
每道题末尾固定一行:
|
||||
|
||||
```
|
||||
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
|
||||
```
|
||||
|
||||
四个方向全部指向**具体题目的锚点**。
|
||||
|
||||
## 锚点怎么写(Gitea 两条方向相反的规则)
|
||||
|
||||
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
|
||||
|
||||
| 链接类型 | 写法 |
|
||||
|---|---|
|
||||
| 同文件 | `#题-1--11按定义验证依概率收敛` |
|
||||
| 跨文件 | `03-点2-切比雪夫不等式.md#user-content-题-4--22平方和的均值也要用切比雪夫` |
|
||||
|
||||
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本册所有题目标题已改为纯文字)。
|
||||
|
||||
写完校验:
|
||||
|
||||
```bash
|
||||
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第5讲上-大数定律
|
||||
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第5讲上-大数定律
|
||||
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第5讲上-大数定律
|
||||
```
|
||||
|
||||
## 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$D\bar X$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 切比雪夫不等式的分子就是 $DX$ |
|
||||
| $D(X-Y)=DX+DY-2\operatorname{Cov}$ | [第4讲点5](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | 点 2 题 5 直接用它 |
|
||||
| 依概率收敛 → 依分布收敛 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 下册给的是更强的收敛,也是"切比雪夫界太粗"的解药 |
|
||||
| 频率 $\to$ 概率 | 第 6 讲(数理统计) | 矩估计的相合性、大样本区间估计的根据 |
|
||||
| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是下册 CLT 的精确版 |
|
||||
|
||||
## 版本记录
|
||||
|
||||
| 日期 | 变更 |
|
||||
|---|---|
|
||||
| 2026-10-16 | 建文件夹,按「考点手册 $+$ 试题 $+$ 解析」三件套共 4 个文件、16 题 |
|
||||
| 2026-11-07 | **拆为上下两册并整体重构**:本册只保留"依概率收敛 $+$ 切比雪夫 $+$ 三条大数定律",按线性代数第 6 讲的「知识点带题」格式重写为「盘点 $+$ 三点分册 $+$ 速查卡」共 5 个文件、14 题;CLT 与三种近似移到[第5讲下](../概率论-第5讲下-中心极限定理/README.md) |
|
||||
|
||||
## 两条写作约定
|
||||
|
||||
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
|
||||
2. **单个文件不超过 1.3 万字符**,超了就拆。
|
||||
|
||||
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/` 与 `knowledge/3-digital-features/`(切比雪夫不等式在后者 §1.3)。
|
||||
@@ -0,0 +1,185 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 知识点盘点]
|
||||
专题: 概率论 第5讲下 · 中心极限定理
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点(三节 + 覆盖对照表),配套 3 个点分册共 7 题
|
||||
关联笔记: ["[[README]]", "[[05-速查卡]]"]
|
||||
---
|
||||
|
||||
# 第5讲下 · 中心极限定理:知识点盘点
|
||||
|
||||
真题库第 19 章的后半。近十年 **3 题 14 分**里,有 **2020·8(4 分)与 2025·9(5 分)** 落在本册——**9 分**,比上册多。
|
||||
|
||||
**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只说方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。所以上册的工具是**不等式**,本册的工具是**分布函数 $\Phi$ 与查表**。
|
||||
|
||||
**一句话定性**:中心极限定理 = **"大量独立小随机因素叠加,结果近似正态"**。它把"求和的分布"这个原本做不动的难题,换成了"标准化 + 查 $\Phi$ "这个三十秒的流程。
|
||||
|
||||
## 0 三张表
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 三种近似辨析(判据 + 泊松近似) | **2025·9** | **5** | `04` |
|
||||
| 2 | 列维-林德伯格定理(含标准化四步、反解 $n$ ) | **2020·8** | **4** $+$ 大题常用 | `02` |
|
||||
| 3 | 棣莫弗-拉普拉斯定理(二项的正态近似) | 十年未单考 | — | `03` |
|
||||
|
||||
**注意**:`04` 排第一不是因为"更重要",而是因为**2025·9 那道题形式固定**——$B(n,p)$ 配小 $p$ ,一眼就该想到泊松。这种题不拿分纯属可惜。
|
||||
|
||||
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
||||
|
||||
```
|
||||
02 列维-林德伯格 ← 一切的地基:标准化 + 查 Φ
|
||||
↓
|
||||
03 棣莫弗-拉普拉斯 ← 同一件事,只是对象换成二项
|
||||
↓
|
||||
04 三种近似辨析 ← 什么时候用正态、什么时候用泊松
|
||||
```
|
||||
|
||||
**为什么 03 必须排在 02 之后**:棣莫弗-拉普拉斯就是列维-林德伯格在 $0$ -$1$ 变量上的特例($X_i\sim B(1,p)$ 时 $\sum X_i\sim B(n,p)$ )。先有一般的"和",才有特殊的"二项"。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $\Phi(x)$ | 标准正态分布函数,$\Phi(-x)=1-\Phi(x)$ |
|
||||
| $\overset{d}{\longrightarrow}$ | 依分布收敛 |
|
||||
| $\dot\sim$ | "近似服从" |
|
||||
| $z_\alpha$ | 上 $\alpha$ 分位点($z_{0.05}=1.645$ 、$z_{0.025}=1.96$ ) |
|
||||
| $\lambda$ | 泊松近似的参数,取 $\lambda=np$ |
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 定理(独立同分布版) | [点 1 题 1](02-点1-列维-林德伯格定理.md#user-content-题-1--11和的正态近似) |
|
||||
| §1.2 标准化四步模板(考场流程) | [点 1 题 2](02-点1-列维-林德伯格定理.md#user-content-题-2--12四个步骤与两个方向) |
|
||||
| §1.3 反解样本量 | [点 1 题 3](02-点1-列维-林德伯格定理.md#user-content-题-3--13反解样本量) |
|
||||
| §2.1 定理(二项的正态近似) | [点 2 题 1](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-1--21把二项装进四步模板) |
|
||||
| §2.2 连续性修正 | [点 2 题 2](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-2--22修正前后差多少) |
|
||||
| §3.1 判据表 | [点 3 题 1](04-点3-三种近似辨析.md#user-content-题-1--31四个场景各选一种近似) |
|
||||
| §3.2 泊松近似的计算套路 | [点 3 题 2](04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 列维-林德伯格定理
|
||||
|
||||
### 1.1 定理(独立同分布版)
|
||||
|
||||
设 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则对任意实数 $x$ ,
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
|
||||
|
||||
**四种等价写法**(考场上任选一种):
|
||||
|
||||
$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
|
||||
|
||||
**三个必须做对的地方**:
|
||||
|
||||
1. 分子是"**和**减**和的期望**"(或"均值减均值的期望"),两者不能混;
|
||||
2. 分母是**标准差** $\sqrt n\sigma$ ,**不是方差** $n\sigma^2$ ——这是最高频的失分点;
|
||||
3. 结论是**近似**,$n$ 越大越准,但**永远不是精确等式**。
|
||||
|
||||
> **与上册的关系**:大数定律说 $\bar X\to_P\mu$ ;CLT 说 $\bar X-\mu$ 的**量级是 $\frac{\sigma}{\sqrt n}$ 这一点** ,且这个缩放后的量近似正态。**大数定律管"会不会靠近",CLT 管"靠近得多快、误差多大"。**
|
||||
|
||||
### 1.2 标准化四步模板(考场流程)
|
||||
|
||||
```
|
||||
① 写出单个变量的 μ 与 σ²(不是和的!)
|
||||
② 算:EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
|
||||
③ 标准化:z = (端点 − nμ) / (√n·σ)
|
||||
④ 查 Φ,注意单侧要 1−Φ
|
||||
```
|
||||
|
||||
**单双侧的两种写法**:
|
||||
|
||||
$$P\left\{\sum_{i=1}^{n}X_i\le a\right\}\approx\Phi(z_a),\qquad P\left\{\sum_{i=1}^{n}X_i\ge a\right\}\approx1-\Phi(z_a),\qquad z_a=\frac{a-n\mu}{\sqrt n\,\sigma}.$$
|
||||
|
||||
对称区间:$P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}\approx2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ 。
|
||||
|
||||
### 1.3 反解样本量
|
||||
|
||||
三步:**先化成 $\Phi(z)\ge\alpha$ 的形状 → 用分位数替换 $\Phi(z)$ → 解出 $n$ 并向上取整**。
|
||||
|
||||
常用分位数(必须背):$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
|
||||
|
||||
> **解出的 $n$ 一定要回验 $n-1$ 对不对** 。因为"至少取多少"问的是整数,而开方运算容易在边界上差一。
|
||||
|
||||
## 2 棣莫弗-拉普拉斯定理
|
||||
|
||||
### 2.1 定理(二项的正态近似)
|
||||
|
||||
设 $X\sim B(n,p)$ ,当 $np\ge5$ 且 $n(1-p)\ge5$ 时,
|
||||
|
||||
$$\frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1),$$
|
||||
|
||||
即
|
||||
|
||||
$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
|
||||
|
||||
**它是列维-林德伯格的特例**:把 $X$ 看成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ ,代入即得。
|
||||
|
||||
### 2.2 连续性修正
|
||||
|
||||
二项是**离散**的,正态是**连续**的,所以端点要"各让半步":
|
||||
|
||||
$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right).$$
|
||||
|
||||
**什么时候必须修正**:
|
||||
|
||||
- $n$ 不够大($np<10$ 左右)时,修正能把误差从 $0.03$ 量级降到 $0.001$ 量级;
|
||||
- $n$ 很大($np>50$ )时,修正只影响第三位小数,可以不写。
|
||||
|
||||
**"让半步"的方向**:求 $P\{X\le k\}$ 时把 $k$ 改成 $k+0.5$ ;求 $P\{X\ge k\}$ 时把 $k$ 改成 $k-0.5$ 。**永远朝"把区间放大"的方向让**,这样近似的误差才不会系统性偏一边。
|
||||
|
||||
## 3 三种近似辨析
|
||||
|
||||
### 3.1 判据表
|
||||
|
||||
| 场景 | 用哪种 | 判据 | 典型长相 |
|
||||
|---|---|---|---|
|
||||
| 二项 $n$ 大、$p$ 居中 | **正态**(棣莫弗-拉普拉斯) | $np\ge5$ 且 $n(1-p)\ge5$ | $B(600,0.4)$ 求 $P\{X\le252\}$ |
|
||||
| 二项 $n$ 大、$p$ 很小 | **泊松** | $p\le0.05$ ,$np$ 适中 | $B(20,0.1)$ 、$B(200,0.02)$ |
|
||||
| 独立同分布求和、$n$ 大 | **列维-林德伯格** | $\mu$ 与 $\sigma^2$ 都存在 | 寿命、重量、误差累加 |
|
||||
| 单个变量求概率 | **都不用** | 样本量只有 $1$ | $X\sim E(1)$ 求 $P\{X>5\}$ |
|
||||
|
||||
**两条判据的实质**:正态近似要的是"**对称、中间厚**",所以要求 $p$ 不能太靠近 $0$ 或 $1$ ;泊松近似要的是"**稀有事件**",所以要求 $p$ 很小而 $np$ 稳定。
|
||||
|
||||
### 3.2 泊松近似的计算套路
|
||||
|
||||
$X\sim B(n,p)$ ,取 $\lambda=np$ ,则
|
||||
|
||||
$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad P\{X\le m\}\approx e^{-\lambda}\sum_{k=0}^{m}\frac{\lambda^k}{k!}.$$
|
||||
|
||||
**三个现成结果($m$ 小时直接写)**:
|
||||
|
||||
$$P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right);\qquad P\{X=0\}=e^{-\lambda}.$$
|
||||
|
||||
> **用补事件的判据**:$m$ 比 $\lambda$ 小就用 $P\{X\le m\}$ 直接算;$m$ 比 $\lambda$ 大很多就用 $1-P\{X\le m'\}$ ,其中 $m'$ 反过来取小。这样加法项最少。
|
||||
|
||||
## 4 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
||||
|
||||
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
||||
|---|---|---|---|---|
|
||||
| 列维-林德伯格定理 | **掌握** | 2020·8 | 有 | 点 1,1 题 |
|
||||
| 标准化四步与单双侧 | **掌握** | 2020·8 | 部分 | 点 1,1 题 |
|
||||
| 反解样本量 $n$ | **掌握** | 未单独考 | 有 | 点 1,1 题 |
|
||||
| 棣莫弗-拉普拉斯定理 | **掌握** | 未单考 | 有 | 点 2,1 题 |
|
||||
| 连续性修正 | 了解 | 未考 | 无(自编) | 点 2,1 题 |
|
||||
| 正态与泊松的判据 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
|
||||
| 泊松近似的计算 | **掌握** | 2025·9 | 有 | 点 3,1 题 |
|
||||
|
||||
**判断**:7 个知识点里,大纲"掌握"的 6 个全部配题。"连续性修正"参考仓库未涉及,属自编题——但它是理解"二项与正态差在哪"的最好切口,值得一练。
|
||||
|
||||
## 5 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$D\bar X=\sigma^2/n$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 标准化四步的第 ② 步 |
|
||||
| 依概率收敛(上册) | [第5讲上](../概率论-第5讲上-大数定律/README.md) | CLT 比它强:依分布收敛 |
|
||||
| 切比雪夫给的"粗界" | [第5讲上 点2](../概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md) | 同一道题用 CLT 能省 5 倍样本量 |
|
||||
| $\Phi$ 的查表与分位数 | 第 6 讲(数理统计) | 区间估计、假设检验的临界值全从这里来 |
|
||||
| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是 CLT 的精确版(仅正态总体成立) |
|
||||
| 二项的正态近似 | 第 6 讲(数理统计) | 比例的假设检验用同一套标准化 |
|
||||
|
||||
> **跨讲一句话**:本册把"求和"变成了"正态",第 6 讲则反过来——**已知正态,去反推参数落在哪儿**(区间估计)或**参数该不该被否定**(假设检验)。
|
||||
@@ -0,0 +1,177 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, 列维-林德伯格]
|
||||
专题: 概率论 第5讲下 · 点1 列维-林德伯格定理
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(1.1 定理、1.2 标准化四步、1.3 反解 n,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 列维-林德伯格定理
|
||||
|
||||
> **2020·8 单选 4 分**,而且是所有大题最后一问的通用工具|重要度 ★★★
|
||||
> 依赖:第 4 讲的 $EX$ 、$DX$ 、$D\bar X$ ,以及上册的依概率收敛。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:这一点只有一个动作——**标准化**。三题分别对应"顺着算(给 $n$ 求概率)"、"两个方向都算(双侧与单侧)"、"倒着算(给概率求 $n$ )"。**把第 2 题的四个步骤练成肌肉记忆,第 1、3 题就都是它的变形。** 难度标准:★☆☆ 一题、★★☆ 一题、★★★ 一题。
|
||||
|
||||
## 知识点 1.1 定理(出处:[知识章 §3.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
设 $X_1,X_2,\cdots$ 独立同分布,$EX_i=\mu$ 、$DX_i=\sigma^2\in(0,+\infty)$ ,则
|
||||
|
||||
$$\lim_{n\to\infty}P\left\{\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\le x\right\}=\Phi(x).$$
|
||||
|
||||
**三种等价写法**(考场上挑顺手的用):
|
||||
|
||||
$$\frac{\bar X-\mu}{\sigma/\sqrt n}\ \dot\sim\ N(0,1);\qquad \sum_{i=1}^{n}X_i\ \dot\sim\ N\left(n\mu,\ n\sigma^2\right);\qquad \bar X\ \dot\sim\ N\left(\mu,\ \frac{\sigma^2}{n}\right).$$
|
||||
|
||||
**三个高频错点**:
|
||||
|
||||
1. 分子里减的是**期望**($n\mu$ 或 $\mu$ ),不是 $0$ ;
|
||||
2. 分母是**标准差** $\sqrt n\,\sigma$ ,不是方差 $n\sigma^2$ ;
|
||||
3. 结论是**近似**,写"$=$ "严格来说算错,写"$\approx$ "或"$\dot\sim$ "。
|
||||
|
||||
## 知识点 1.2 标准化四步模板(出处:[知识章 §3.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
```
|
||||
① 写出单个变量的 μ 与 σ²(不是和的)
|
||||
② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
|
||||
③ 标准化 z = (端点 − nμ) / (√n·σ)
|
||||
④ 查 Φ:≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
|
||||
```
|
||||
|
||||
| 问法 | 近似式 |
|
||||
|---|---|
|
||||
| $P\left\{\sum\le a\right\}$ | $\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
|
||||
| $P\left\{\sum\ge a\right\}$ | $1-\Phi\left(\dfrac{a-n\mu}{\sqrt n\sigma}\right)$ |
|
||||
| $P\left\{\left\lvert\sum-n\mu\right\rvert\le\varepsilon\right\}$ | $2\Phi\left(\dfrac{\varepsilon}{\sqrt n\sigma}\right)-1$ |
|
||||
| $P\left\{\bar X\le a\right\}$ | $\Phi\left(\dfrac{a-\mu}{\sigma/\sqrt n}\right)$ |
|
||||
|
||||
**必背分位数**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
|
||||
|
||||
## 知识点 1.3 反解样本量(出处:[知识章 §3.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
三步:**化成 $\Phi(z)\ge\alpha$ → 把 $\Phi(z)$ 换成 $\alpha$ 对应的分位数 → 解出 $n$ 并向上取整**。
|
||||
|
||||
> **开根号的那一步最易错**:$z$ 里含 $\sqrt n$ ,解方程时会得到一个关于 $\sqrt n$ 的二次不等式。先把 $t=\sqrt n$ 换元,解出 $t$ 再平方,比直接硬解稳。
|
||||
>
|
||||
> **解完必须回验 $n-1$ 才作数** :问的是"至少",差一就是错。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 1.1:和的正态近似(★☆☆)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_{900}$ 独立同分布,$P\{X_i=0\}=P\{X_i=1\}=\dfrac12$ 。用中心极限定理求 $P\left\{\sum\limits_{i=1}^{900}X_i\le465\right\}$ 的近似值(用 $\Phi$ 表示)。
|
||||
|
||||
**怎么想**:$0$ -$1$ 变量的和就是二项分布,但本题给的是"独立同分布",所以直接按列维-林德伯格走四步即可。**尤其注意方差取 $\frac14$ 而不是 $\frac12$ 这一点**。
|
||||
|
||||
**解**:
|
||||
|
||||
单个变量:$\mu=EX_i=\dfrac12$ ,$DX_i=\dfrac12\cdot\dfrac12=\dfrac14$ 。
|
||||
|
||||
和:$n=900$ ,
|
||||
|
||||
$$E\sum=900\times\frac12=450,\qquad D\sum=900\times\frac14=225,\qquad \sigma_{\sum}=\sqrt{225}=15 .$$
|
||||
|
||||
标准化(端点 $465$ ):
|
||||
|
||||
$$z=\frac{465-450}{15}=1 .$$
|
||||
|
||||
故
|
||||
|
||||
$$P\left\{\sum_{i=1}^{900}X_i\le465\right\}\approx\Phi(1)=0.8413 .$$
|
||||
|
||||
**验算**:用二项写法核对——$\sum\sim B(900,0.5)$ ,$np=450$ 、$np(1-p)=225$ ,与上面一致 ✓。再核 $\sigma$ :$\sqrt{225}=15$ ,而 $\frac{465-450}{15}=1$ ,正好一个标准差,覆盖率约 $0.841$ ,合理。
|
||||
|
||||
**带走结论**:**$0$ -$1$ 变量两条路都通**——写二项用棣莫弗-拉普拉斯,或用列维-林德伯格。两条路的 $\mu$ 与 $\sigma^2$ 必须一致($p$ 与 $p(1-p)$ ),**只要这里对得上,后面就不会错**。
|
||||
|
||||
> **关联** · 盘点 [§1.1 定理(独立同分布版)](01-知识点盘点.md#user-content-11-定理独立同分布版) | 上游 — | 下游 — | 速查 [一 列维-林德伯格定理](05-速查卡.md#user-content-一-列维林德伯格定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 1.2:四个步骤与两个方向(★★☆)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_{48}$ 独立同分布,均服从 $U(0,1)$ 。
|
||||
>
|
||||
> (Ⅰ)求 $E\left(\sum X_i\right)$ 、$D\left(\sum X_i\right)$ 与 $\sigma_{\sum}$ ;
|
||||
> (Ⅱ)用中心极限定理求 $P\left\{22<\sum\limits_{i=1}^{48}X_i<26\right\}$ 的近似值;
|
||||
> (Ⅲ)求 $P\left\{\sum\limits_{i=1}^{48}X_i>27\right\}$ 的近似值。
|
||||
|
||||
**怎么想**:$U(0,1)$ 的 $\mu=\frac12$ 、$\sigma^2=\frac{1}{12}$ ,两问都是"端点减均值除以标准差",区别只在于(Ⅲ)是**单侧**,要用 $1-\Phi$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 单个变量 $\mu=\dfrac12$ 、$\sigma^2=\dfrac{1}{12}$ 。$n=48$ :
|
||||
|
||||
$$E\sum=48\times\frac12=24,\qquad D\sum=48\times\frac{1}{12}=4,\qquad \sigma_{\sum}=2 .$$
|
||||
|
||||
**(Ⅱ)** 两端标准化:
|
||||
|
||||
$$z_1=\frac{22-24}{2}=-1,\qquad z_2=\frac{26-24}{2}=1 .$$
|
||||
|
||||
$$P\left\{22<\sum<26\right\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=2(0.8413)-1=0.6826 .$$
|
||||
|
||||
**(Ⅲ)** 单侧,注意用 $1-\Phi$ :
|
||||
|
||||
$$z=\frac{27-24}{2}=1.5,$$
|
||||
|
||||
$$P\left\{\sum>27\right\}\approx1-\Phi(1.5)=1-0.9332=0.0668 .$$
|
||||
|
||||
**验算**:(Ⅱ)得到的 $0.6826$ 正好是"一个标准差区间"的覆盖率,与正态的 $68.3\%$ 对上;(Ⅲ)的 $6.68\%$ 约等于单侧 $1.5$ 个标准差的尾部,与 $\Phi(1.5)=0.9332$ 互补 ✓。
|
||||
|
||||
**一个容易漏的细节**:$\sum X_i$ 的支撑是 $(0,48)$ ,本题的三个端点($22$ 、$26$ 、$27$ )都离边界很远,近似才可靠。**若问 $P\{\sum<1\}$ 或 $P\{\sum>47\}$ ,CLT 会给出严重错误的结果**——那里是分布尾部,正态近似不适用(这时应该回到 $U(0,1)$ 求和的精确公式)。
|
||||
|
||||
**带走结论**:**单侧一律 $1-\Phi$ 、双侧一律 $2\Phi-1$ 这两条** ,且双侧要用"对称性"把两个 $\Phi$ 合成一个。另外**近似只在"中间段"可靠**,题干给的端点若是极端值,就要怀疑出题人想考的是精确算法。
|
||||
|
||||
> **关联** · 盘点 [§1.2 标准化四步模板(考场流程)](01-知识点盘点.md#user-content-12-标准化四步模板考场流程) | 上游 — | 下游 — | 速查 [二 标准化四步](05-速查卡.md#user-content-二-标准化四步)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 1.3:反解样本量(★★★)
|
||||
|
||||
> 某型号零件的寿命 $X_i$ 独立同分布,平均寿命 $100$ 小时、标准差 $10$ 小时。求最小的 $n$ ,使
|
||||
>
|
||||
> $$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}\ge0.95 .$$
|
||||
>
|
||||
> (已知 $\Phi(1.645)=0.95$ )
|
||||
|
||||
**怎么想**:这是"倒着算"。先把概率写成 $\Phi(z)$ 的形状,再把 $\Phi(z)\ge0.95$ 换成 $z\ge1.645$ ,最后解关于 $\sqrt n$ 的二次不等式。**注意不等号方向:$\sum$ 越大越容易超过 $10000$ ,所以 $n$ 增大时概率上升。**
|
||||
|
||||
**解**:
|
||||
|
||||
$n$ 个零件的总寿命:$E\sum=100n$ ,$D\sum=100n$ ,$\sigma_{\sum}=10\sqrt n$ 。
|
||||
|
||||
先写成标准形状:
|
||||
|
||||
$$P\left\{\sum_{i=1}^{n}X_i\ge10000\right\}=1-\Phi\left(\frac{10000-100n}{10\sqrt n}\right)=\Phi\left(\frac{100n-10000}{10\sqrt n}\right).$$
|
||||
|
||||
(最后一步用了 $\Phi(-x)=1-\Phi(x)$ ,**这一步是本类题的关键**:把"$\ge$ "翻成"$\le$ "才能直接用 $\Phi$ 。)
|
||||
|
||||
要求它 $\ge0.95$ ,等价于
|
||||
|
||||
$$\frac{100n-10000}{10\sqrt n}\ge1.645\quad\Longrightarrow\quad\frac{10(n-100)}{\sqrt n}\ge1.645 .$$
|
||||
|
||||
令 $t=\sqrt n>0$ ,得二次不等式
|
||||
|
||||
$$10t^2-1.645t-1000\ge0,$$
|
||||
|
||||
解得
|
||||
|
||||
$$t\ge\frac{1.645+\sqrt{1.645^2+40000}}{20}=\frac{1.645+\sqrt{40002.71}}{20}=\frac{1.645+200.007}{20}=10.083 .$$
|
||||
|
||||
故 $n\ge t^2=101.66$ ,取整数
|
||||
|
||||
$$n=102 .$$
|
||||
|
||||
**回验**:
|
||||
|
||||
- $n=102$ :$z=\dfrac{100\times102-10000}{10\sqrt{102}}=\dfrac{200}{100.995}=1.980$ ,$\Phi(1.980)=0.976\ge0.95$ ✓;
|
||||
- $n=101$ :$z=\dfrac{100}{100.499}=0.995$ ,$\Phi(0.995)=0.840<0.95$ ✗。
|
||||
|
||||
所以 $n=102$ 确实是最小值。
|
||||
|
||||
**带走结论**:**三个动作一个都不能少**——翻方向($1-\Phi$ 变 $\Phi$ )、换元 $t=\sqrt n$ 、回验 $n-1$ 。另外注意在 $n=100$ 附近 $z$ 几乎是线性增长的(每多一件零件,$z$ 约涨 $1$ ),所以**差一件就差出 $0.14$ 的概率**,边界必须一次算准。
|
||||
|
||||
> **关联** · 盘点 [§1.3 反解样本量](01-知识点盘点.md#user-content-13-反解样本量) | 上游 — | 下游 — | 速查 [三 反解样本量](05-速查卡.md#user-content-三-反解样本量)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,124 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, 棣莫弗-拉普拉斯, 连续性修正]
|
||||
专题: 概率论 第5讲下 · 点2 棣莫弗-拉普拉斯定理
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(2.1 二项的正态近似、2.2 连续性修正,共 2 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 棣莫弗-拉普拉斯定理
|
||||
|
||||
> 大纲"掌握"、十年未单独出题,但**它是列维-林德伯格在 $0$ -$1$ 变量上的特例,也是第 6 讲比例检验的雏形**|重要度 ★★☆
|
||||
> 依赖:点 1 的标准化四步。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:本点只有两件事——**把二项当成"$n$ 个 $0$ -$1$ 之和"来标准化**(2.1),以及**离散与连续对不齐时怎么补半步**(2.2)。第 2 题的"修正前后对比"是本点唯一需要动脑的地方,但它能一次性解释清楚"为什么二项需要修正、而列维-林德伯格不需要"。难度标准:两题都是 ★★☆。
|
||||
|
||||
## 知识点 2.1 定理(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
设 $X\sim B(n,p)$ ,当 $np\ge5$ 且 $n(1-p)\ge5$ 时,
|
||||
|
||||
$$\frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1),$$
|
||||
|
||||
即
|
||||
|
||||
$$P\{X\le k\}\approx\Phi\left(\frac{k-np}{\sqrt{np(1-p)}}\right).$$
|
||||
|
||||
**它就是列维-林德伯格**:把 $X$ 拆成 $n$ 个 $B(1,p)$ 之和,则 $\mu=p$ 、$\sigma^2=p(1-p)$ 、$n\mu=np$ 、$n\sigma^2=np(1-p)$ ,代入即得。**所以不需要单独背,只要记住"$\mu=p$ 、$\sigma^2=p(1-p)$ "这条对应。**
|
||||
|
||||
**适用范围**:$np\ge5$ 且 $n(1-p)\ge5$ 。$p$ 太靠近 $0$ 或 $1$ 时分布严重偏斜,正态近似会明显失真——这时改用泊松([点 3](04-点3-三种近似辨析.md))。
|
||||
|
||||
## 知识点 2.2 连续性修正(出处:参考仓库未单列,按二项与正态"离散 vs 连续"的差异补写)
|
||||
|
||||
二项是**离散**的,正态是**连续**的。$P\{X\le k\}$ 在二项里是"$k$ 这一点的全部质量"也算进去,而在正态里"$\le k$ "只到 $k$ 这一条线,**两者差了半格**。所以端点要各让半步:
|
||||
|
||||
$$P\{a\le X\le b\}\approx\Phi\left(\frac{b+0.5-np}{\sqrt{np(1-p)}}\right)-\Phi\left(\frac{a-0.5-np}{\sqrt{np(1-p)}}\right);$$
|
||||
|
||||
$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
|
||||
|
||||
**让半步的方向**:永远朝"**把区间放大**"的方向让——$\le k$ 就把 $k$ 改成 $k+0.5$ ,$\ge k$ 就把 $k$ 改成 $k-0.5$ 。这样误差才不系统性偏一边。
|
||||
|
||||
**什么时候必须修正**:$np<10$ 左右时必须(能把误差从 $0.03$ 量级降到 $0.001$ 量级);$np>50$ 时可以不写(只影响第三位小数)。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 2.1:把二项装进四步模板(★★☆)
|
||||
|
||||
> 设 $X\sim B(600,\ 0.4)$ 。用棣莫弗-拉普拉斯定理求:
|
||||
>
|
||||
> (Ⅰ)$P\{X\le252\}$ 的近似值;
|
||||
> (Ⅱ)$P\{228\le X\le252\}$ 的近似值;
|
||||
> (Ⅲ)说明 $P\{X\le252\}$ 与"$600$ 个 $B(1,0.4)$ 之和 $\le252$ "的列维-林德伯格近似为什么必然相同。
|
||||
|
||||
**怎么想**:先算 $np$ 、$np(1-p)$ 、$\sqrt{np(1-p)}$ 三个量,之后都是减法除法。(Ⅱ)是双侧对称区间($228$ 与 $252$ 关于 $240$ 对称),可以用 $2\Phi-1$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
三个基本量:
|
||||
|
||||
$$np=600\times0.4=240,\qquad np(1-p)=240\times0.6=144,\qquad \sqrt{144}=12 .$$
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$z=\frac{252-240}{12}=1\quad\Longrightarrow\quad P\{X\le252\}\approx\Phi(1)=0.8413 .$$
|
||||
|
||||
**(Ⅱ)** $228$ 与 $252$ 关于均值 $240$ 对称(各差 $12$ ,即各差一个标准差),故
|
||||
|
||||
$$P\{228\le X\le252\}\approx\Phi(1)-\Phi(-1)=2\Phi(1)-1=0.6826 .$$
|
||||
|
||||
**(Ⅲ)** 因为 $X=\sum\limits_{i=1}^{600}X_i$ 其中 $X_i\sim B(1,0.4)$ 独立。对 $X_i$ :$\mu=0.4$ 、$\sigma^2=0.4\times0.6=0.24$ 。于是
|
||||
|
||||
$$n\mu=600\times0.4=240,\qquad n\sigma^2=600\times0.24=144,\qquad \sqrt{n\sigma^2}=12,$$
|
||||
|
||||
与(Ⅰ)里的三个量**逐个相同**。两条定理是同一件事的两种写法。
|
||||
|
||||
**验算**:$\sqrt{600\times0.24}=\sqrt{144}=12$ ✓;与 $np(1-p)=240\times0.6=144$ 一致 ✓。
|
||||
|
||||
**带走结论**:**二项题先算 $np$ 与 $np(1-p)$ ,其余全是除法**。另外记牢"$B(n,p)$ 的均值是 $np$ 、方差是 $np(1-p)$ "——这里如果把方差写成 $np$ (那是泊松),后面所有 $z$ 都会错得离谱(本题分母会变成 $\sqrt{240}\approx15.5$ ,$z$ 变成 $0.775$ ,答案从 $0.841$ 变成 $0.781$ )。
|
||||
|
||||
> **关联** · 盘点 [§2.1 定理(二项的正态近似)](01-知识点盘点.md#user-content-21-定理二项的正态近似) | 上游 — | 下游 — | 速查 [四 棣莫弗-拉普拉斯定理](05-速查卡.md#user-content-四-棣莫弗拉普拉斯定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 2.2:修正前后差多少(★★☆)
|
||||
|
||||
> 设 $X\sim B(30,\ 0.4)$ 。
|
||||
>
|
||||
> (Ⅰ)不作连续性修正,用棣莫弗-拉普拉斯定理估计 $P\{X\le15\}$ ;
|
||||
> (Ⅱ)作连续性修正后重新估计;
|
||||
> (Ⅲ)已知精确值 $P\{X\le15\}=0.9029$ ,比较两种近似,并说明 $n$ 多大时可以不修正。
|
||||
|
||||
**怎么想**:三个基本量:$np=12$ 、$np(1-p)=7.2$ 、$\sqrt{7.2}\approx2.683$ 。修正的关键就是把端点 $15$ 改成 $15.5$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
$$np=30\times0.4=12,\qquad np(1-p)=12\times0.6=7.2,\qquad \sqrt{7.2}\approx2.6833 .$$
|
||||
|
||||
**(Ⅰ)不修正**:
|
||||
|
||||
$$z=\frac{15-12}{2.6833}=1.118\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.118)\approx0.868 .$$
|
||||
|
||||
**(Ⅱ)修正**($k=15$ 改成 $15.5$ ):
|
||||
|
||||
$$z=\frac{15.5-12}{2.6833}=1.305\quad\Longrightarrow\quad P\{X\le15\}\approx\Phi(1.305)\approx0.904 .$$
|
||||
|
||||
**(Ⅲ)比较**:
|
||||
|
||||
| 算法 | 结果 | 与精确值之差 |
|
||||
|---|---|---|
|
||||
| 精确 | $0.9029$ | — |
|
||||
| 不修正 | $0.868$ | $-0.035$ |
|
||||
| 修正后 | $0.904$ | $+0.001$ |
|
||||
|
||||
**修正把误差缩小了 $35$ 倍**。原因很直观:二项分布的每一根柱子宽 $1$ 、中心在整数上,而正态密度是连续的;把 $15$ 换成 $15.5$ 相当于把"$15$ 这根柱子的右半边"也划进区域,正好补齐了那半格。
|
||||
|
||||
**$n$ 多大可以不修正**:判据是 $\dfrac{0.5}{\sqrt{np(1-p)}}$ 足够小。本题 $\dfrac{0.5}{2.683}=0.186$ ,占了整整 $0.19$ 个标准差,影响巨大;若换成 $B(600,0.4)$ ($\sqrt{np(1-p)}=12$ ),$\dfrac{0.5}{12}=0.042$ 个标准差,只改变 $z$ 的第二位小数,概率差约 $1\%$ 。经验线:$np(1-p)>50$ (即 $\sqrt{np(1-p)}>7$ )时可省。
|
||||
|
||||
**验算**:用修正公式算另一侧 $P\{X\ge16\}$ 应为 $1-0.904=0.096$ ,而精确值 $1-0.9029=0.0971$ ✓,仍在千分位内。
|
||||
|
||||
**带走结论**:**修正不是"更精确的公式",而是"把离散的质量对齐到连续区间"** 。判断要不要修正只看 $\frac{0.5}{\sqrt{np(1-p)}}$ 的大小:超过 $0.1$ 就必须修正,小于 $0.05$ 可以不管。**列维-林德伯格不需要修正**,因为它的对象本来就是连续型之和。
|
||||
|
||||
> **关联** · 盘点 [§2.2 连续性修正](01-知识点盘点.md#user-content-22-连续性修正) | 上游 — | 下游 — | 速查 [五 连续性修正](05-速查卡.md#user-content-五-连续性修正)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,128 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, 泊松近似, 二项分布]
|
||||
专题: 概率论 第5讲下 · 点3 三种近似辨析
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(3.1 判据表、3.2 泊松近似的计算,共 2 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 三种近似辨析
|
||||
|
||||
> **2025·9 单选 5 分**,而且是"认出编号就得分"的送分题;但选错方向就一分不得|重要度 ★★★
|
||||
> 依赖:点 1、点 2 的标准化。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:本点考的不是计算,是**判断**——"这道题该用正态还是泊松"。两题分工明确:第 1 题只做判断(四个场景,不动手算),第 2 题只做计算(2025·9 的原型)。**先把判据背成条件反射,再练那三步算术。** 难度标准:两题都是 ★★☆。
|
||||
|
||||
## 知识点 3.1 判据表(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
| 场景 | 用哪种 | 判据 | 典型长相 |
|
||||
|---|---|---|---|
|
||||
| 二项、$n$ 大、$p$ 居中 | **正态**(棣莫弗-拉普拉斯) | $np\ge5$ **且** $n(1-p)\ge5$ | $B(600,0.4)$ 求 $P\{X\le252\}$ |
|
||||
| 二项、$n$ 大、$p$ 很小 | **泊松** | $p\le0.05$ 且 $np$ 适中 | $B(20,0.1)$ 、$B(200,0.02)$ |
|
||||
| 独立同分布求和、$n$ 大 | **列维-林德伯格** | $\mu$ 与 $\sigma^2$ 都存在 | 寿命、重量、误差累加 |
|
||||
| 单个变量求概率 | **都不用** | 样本量只有 $1$ | $X\sim E(1)$ 求 $P\{X>5\}$ |
|
||||
|
||||
**两条判据的实质**:
|
||||
|
||||
- 正态近似要的是"**对称、中间厚**",所以 $p$ 不能太靠近 $0$ 或 $1$ ;
|
||||
- 泊松近似要的是"**稀有事件、次数可数**",所以 $p$ 很小而 $np$ 稳定在有限值。
|
||||
|
||||
> **一句口诀**:**$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。**
|
||||
|
||||
## 知识点 3.2 泊松近似的计算套路(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/law-of-large-numbers-and-central-limit-theorem.tex))
|
||||
|
||||
$X\sim B(n,p)$ ,取 $\lambda=np$ ,则
|
||||
|
||||
$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad P\{X\le m\}\approx e^{-\lambda}\sum_{k=0}^{m}\frac{\lambda^k}{k!}.$$
|
||||
|
||||
**三个现成结果($m$ 小时直接写)**:
|
||||
|
||||
$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
|
||||
|
||||
**用正算还是补事件**:$m<\lambda$ 时直接算 $P\{X\le m\}$ ;$m$ 比 $\lambda$ 大很多时改成 $1-P\{X\le m'\}$ ,让加法项变少。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 3.1:四个场景,各选一种近似(★★☆)
|
||||
|
||||
> 下列四个问题,分别指出该用哪一种近似(正态 / 泊松 / 都不适用),并写出判据:
|
||||
>
|
||||
> (Ⅰ)$X\sim B(600,\ 0.4)$ ,求 $P\{X\le252\}$ ;
|
||||
> (Ⅱ)$T\sim B(20,\ 0.1)$ ,求 $P\{T\le1\}$ ;
|
||||
> (Ⅲ)$T\sim B(200,\ 0.02)$ ,求 $P\{T\ge3\}$ ;
|
||||
> (Ⅳ)$X\sim E(1)$ ,求 $P\{X>5\}$ 。
|
||||
|
||||
**怎么想**:每题先算 $np$ 和 $n(1-p)$ 两个数——它们是判据的全部。**要注意(Ⅱ)与(Ⅲ)的 $n$ 差十倍,但结论一样,因为它们坏在同一个地方:$np$ 太小。**
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $np=600\times0.4=240\ge5$ ,$n(1-p)=600\times0.6=360\ge5$ 。**用正态(棣莫弗-拉普拉斯)**。
|
||||
|
||||
标准化:$\mu=240$ ,$\sigma=\sqrt{240\times0.6}=\sqrt{144}=12$ ,$z=\dfrac{252-240}{12}=1$ 。
|
||||
|
||||
**(Ⅱ)** $np=20\times0.1=2<5$ 。**不满足正态近似的门槛,用泊松**,$\lambda=np=2$ 。
|
||||
|
||||
$$P\{T\le1\}\approx e^{-2}(1+2)=3e^{-2}\approx0.406 .$$
|
||||
|
||||
**(Ⅲ)** $np=200\times0.02=4<5$ ,且 $p=0.02\le0.05$ 。**用泊松**,$\lambda=4$ 。这里 $m=3$ 接近 $\lambda$ ,直接算与补事件都行;用补事件项更少:
|
||||
|
||||
$$P\{T\ge3\}=1-P\{T\le2\}\approx1-e^{-4}\left(1+4+\frac{16}{2}\right)=1-13e^{-4}\approx0.762 .$$
|
||||
|
||||
**(Ⅳ)** 只有一个变量,$n=1$ 。**两种近似都不适用**,直接积分:
|
||||
|
||||
$$P\{X>5\}=\int_{5}^{+\infty}e^{-x}\,\mathrm{d}x=e^{-5}\approx0.0067 .$$
|
||||
|
||||
**对照一下(Ⅰ)与(Ⅲ)为什么不能互换**:若把(Ⅲ)硬套正态,$\mu=4$ 、$\sigma=\sqrt{200\times0.02\times0.98}=\sqrt{3.92}\approx1.98$ ,修正后得 $1-\Phi\left(\frac{2.5-4}{1.98}\right)=\Phi(0.758)\approx0.776$ ,与精确值 $0.7649$ 差 $0.011$ ;而泊松给的 $0.762$ 只差 $0.003$ ✓。反之把(Ⅰ)套泊松,$\lambda=240$ 时 $P\{X\le252\}$ 要加 $253$ 项,根本算不出来。
|
||||
|
||||
**带走结论**:**判据只有一行:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,就这一条** 。都满足 $\to$ 正态;有一个不满足 $\to$ 看 $p$ 是否很小,是则泊松;$n=1$ $\to$ 老实积分。**2025·9 那一类题($B(1,0.1)$ 求和 $20$ 次)属于"$np$ 小"这一类,答案是泊松。**
|
||||
|
||||
> **关联** · 盘点 [§3.1 判据表](01-知识点盘点.md#user-content-31-判据表) | 上游 — | 下游 — | 速查 [六 三种近似的判据](05-速查卡.md#user-content-六-三种近似的判据)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 3.2:泊松近似与正态近似的正面比较(★★☆)
|
||||
|
||||
> 设 $X_1,X_2,\cdots,X_{20}$ 独立同分布,均服从 $B(1,\ 0.1)$ ,令 $T=\sum\limits_{i=1}^{20}X_i$ 。
|
||||
>
|
||||
> (Ⅰ)用泊松近似求 $P\{T\le1\}$ ;
|
||||
> (Ⅱ)若改用正态近似(作连续性修正),结果是多少?
|
||||
> (Ⅲ)已知精确值 $P\{T\le1\}=0.3917$ ,比较两者并说明原因。
|
||||
|
||||
**怎么想**:$T\sim B(20,0.1)$ ,$np=2$ 太小,正态的门槛没过,所以泊松才是正解。第(Ⅱ)问是"故意用错方法",目的是看清错在哪。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\lambda=np=20\times0.1=2$ ,
|
||||
|
||||
$$P\{T\le1\}\approx e^{-2}\left(1+2\right)=3e^{-2}=\frac{3}{e^2}\approx0.406 .$$
|
||||
|
||||
**(Ⅱ)** $\mu=2$ ,$\sigma=\sqrt{20\times0.1\times0.9}=\sqrt{1.8}\approx1.3416$ 。作修正($k=1$ 改成 $1.5$ ):
|
||||
|
||||
$$P\{T\le1\}\approx\Phi\left(\frac{1.5-2}{1.3416}\right)=\Phi(-0.373)\approx0.354 .$$
|
||||
|
||||
若**不**修正($k=1$ 直接用):
|
||||
|
||||
$$\Phi\left(\frac{1-2}{1.3416}\right)=\Phi(-0.745)\approx0.228,$$
|
||||
|
||||
偏差到 $0.16$ ,错得离谱。
|
||||
|
||||
**(Ⅲ)比较**:
|
||||
|
||||
| 算法 | 结果 | 与精确值之差 |
|
||||
|---|---|---|
|
||||
| 精确 | $0.3917$ | — |
|
||||
| 泊松 | $0.406$ | $+0.014$ |
|
||||
| 正态(修正) | $0.354$ | $-0.038$ |
|
||||
| 正态(不修正) | $0.228$ | $-0.164$ |
|
||||
|
||||
**泊松胜,而且赢得不多不少正好一档。** 原因是 $B(20,0.1)$ 严重**右偏**:$P\{T=0\}=0.9^{20}=0.1216$ 这一根柱子特别高,而正态是对称的,无论如何调不正。
|
||||
|
||||
**为什么泊松能行**:泊松分布 $\lambda=2$ 也是右偏的,而且偏的方向、幅度与 $B(20,0.1)$ 几乎一样——$P\{T=0\}=0.9^{20}=0.1216$ 对 $e^{-2}=0.1353$ ,同一量级。**泊松近似不是"用另一个分布凑",而是"用同一个极限形状"**(二项在 $n\to\infty$ 、$np\to\lambda$ 时本来就有这个极限)。
|
||||
|
||||
**带走结论**:**看到 $np<5$ 的二项,一律泊松,别犹豫**。而且**泊松近似不需要连续性修正**——它本身就是离散分布,与二项的格子天然对齐。这条结论能省掉考场上一半的犹豫。
|
||||
|
||||
> **关联** · 盘点 [§3.2 泊松近似的计算套路](01-知识点盘点.md#user-content-32-泊松近似的计算套路) | 上游 — | 下游 — | 速查 [七 泊松近似的计算](05-速查卡.md#user-content-七-泊松近似的计算)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,120 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, 速查卡]
|
||||
专题: 概率论 第5讲下 · 中心极限定理(速查)
|
||||
日期: 2026-11-07
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 第5讲下 · 中心极限定理:速查卡
|
||||
|
||||
考前十分钟只看这一页。
|
||||
|
||||
## 一 列维-林德伯格定理
|
||||
|
||||
<!-- KP: 1.1 -->
|
||||
|
||||
$$\frac{\sum_{i=1}^{n}X_i-n\mu}{\sqrt n\,\sigma}\ \dot\sim\ N(0,1).$$
|
||||
|
||||
三种等价写法:$\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ 标准化;$\sum\dot\sim N(n\mu,\ n\sigma^2)$ ;$\bar X\dot\sim N\left(\mu,\ \dfrac{\sigma^2}{n}\right)$ 。
|
||||
|
||||
**两个必错点**:分子减的是**期望**;分母是**标准差** $\sqrt n\sigma$ ,不是方差。
|
||||
|
||||
## 二 标准化四步
|
||||
|
||||
<!-- KP: 1.2 -->
|
||||
|
||||
```
|
||||
① 单个变量的 μ 与 σ²(不是和的)
|
||||
② EΣ = nμ,DΣ = nσ²,σ_Σ = √n·σ
|
||||
③ z = (端点 − nμ) / (√n·σ)
|
||||
④ ≤ 用 Φ;≥ 用 1−Φ;对称区间用 2Φ−1
|
||||
```
|
||||
|
||||
**分位数必背**:$\Phi(1)=0.8413$ 、$\Phi(1.645)=0.95$ 、$\Phi(1.96)=0.975$ 、$\Phi(2)=0.9772$ 、$\Phi(3)=0.9987$ 。
|
||||
|
||||
**只在中间段可靠**:端点落在分布的极端尾部时(如 $U(0,1)$ 求和的 $P\{\sum<1\}$ ),CLT 会给出严重错误的结果。
|
||||
|
||||
## 三 反解样本量
|
||||
|
||||
<!-- KP: 1.3 -->
|
||||
|
||||
```
|
||||
① 把概率写成 Φ(z) 的形状(注意 1−Φ 要翻方向)
|
||||
② Φ(z) ≥ α → z ≥ 分位数
|
||||
③ 换元 t = √n,解二次不等式
|
||||
④ 向上取整,回验 n−1
|
||||
```
|
||||
|
||||
**最易漏的一步**:$P\{\sum\ge a\}=1-\Phi(z)=\Phi(-z)$ ,**先把"$\ge$ "翻成"$\le$ "再解**,否则不等号方向反了。
|
||||
|
||||
## 四 棣莫弗-拉普拉斯定理
|
||||
|
||||
<!-- KP: 2.1 -->
|
||||
|
||||
$$X\sim B(n,p),\ np\ge5,\ n(1-p)\ge5\ \Longrightarrow\ \frac{X-np}{\sqrt{np(1-p)}}\ \dot\sim\ N(0,1).$$
|
||||
|
||||
**它就是列维-林德伯格**,只要记住对应关系:$\mu=p$ 、$\sigma^2=p(1-p)$ 。
|
||||
|
||||
**别把方差写成 $np$ 那一个** :$np$ 是**泊松**的方差,二项的方差是 $np(1-p)$ ,两者差一个 $(1-p)$ ,足以让答案整体走偏。
|
||||
|
||||
## 五 连续性修正
|
||||
|
||||
<!-- KP: 2.2 -->
|
||||
|
||||
$$P\{X\le k\}\approx\Phi\left(\frac{k+0.5-np}{\sqrt{np(1-p)}}\right);\qquad P\{X\ge k\}\approx1-\Phi\left(\frac{k-0.5-np}{\sqrt{np(1-p)}}\right).$$
|
||||
|
||||
**永远朝放大区间的方向让半步**。判据看 $\dfrac{0.5}{\sqrt{np(1-p)}}$ :$>0.1$ 必须修正,$<0.05$ 可省(即 $np(1-p)>50$ )。
|
||||
|
||||
**泊松近似不需要修正**——它本身是离散的,与二项的格子天然对齐。
|
||||
|
||||
## 六 三种近似的判据
|
||||
|
||||
<!-- KP: 3.1 -->
|
||||
|
||||
| 场景 | 用哪种 | 判据 |
|
||||
|---|---|---|
|
||||
| 二项、$p$ 居中 | **正态** | $np\ge5$ 且 $n(1-p)\ge5$ |
|
||||
| 二项、$p$ 极小 | **泊松** | $p\le0.05$ 且 $np$ 适中 |
|
||||
| 独立同分布求和 | **列维-林德伯格** | $\mu,\sigma^2$ 都存在 |
|
||||
| 单个变量 | **都不用** | $n=1$ ,老实积分 |
|
||||
|
||||
**口诀**:$np$ 大而 $p$ 居中 $\to$ 正态;$np$ 小或 $p$ 极小 $\to$ 泊松;只有一个变量 $\to$ 谁也别用。
|
||||
|
||||
## 七 泊松近似的计算
|
||||
|
||||
<!-- KP: 3.2 -->
|
||||
|
||||
$$P\{X=k\}\approx\frac{\lambda^k}{k!}e^{-\lambda},\qquad \lambda=np .$$
|
||||
|
||||
**三个现成结果**:
|
||||
|
||||
$$P\{X=0\}=e^{-\lambda};\qquad P\{X\le1\}=e^{-\lambda}(1+\lambda);\qquad P\{X\ge3\}=1-e^{-\lambda}\left(1+\lambda+\frac{\lambda^2}{2}\right).$$
|
||||
|
||||
**正算还是补事件**:$m<\lambda$ 直接算;$m$ 远大于 $\lambda$ 用 $1-P\{X\le m'\}$ ,让加法项最少。
|
||||
|
||||
## 八 最容易丢分的六处
|
||||
|
||||
1. **分母误用方差 $n\sigma^2$ 这一项** :应为标准差 $\sqrt n\,\sigma$ 。
|
||||
2. **单侧忘写 $1-\Phi$ 的补偿** :$P\{\sum\ge a\}$ 一律 $1-\Phi$ 。
|
||||
3. **把二项的方差写成 $np$ 是错的** :应为 $np(1-p)$ 。
|
||||
4. **$np<5$ 还硬套正态**:$B(20,0.1)$ 这类必须泊松(2025·9)。
|
||||
5. **修正方向让反**:$\le k$ 要加 $0.5$ ,不是减。
|
||||
6. **反解 $n$ 不回验 $n-1$ 就会错一格** :边界差一件就差 $0.14$ 的概率。
|
||||
|
||||
---
|
||||
|
||||
## 回查
|
||||
|
||||
<!-- AUTO:回查 -->
|
||||
| 想查什么 | 对应题目 |
|
||||
|---|---|
|
||||
| 一 列维-林德伯格定理 | [点 1 题 1](02-点1-列维-林德伯格定理.md#user-content-题-1--11和的正态近似) |
|
||||
| 二 标准化四步 | [点 1 题 2](02-点1-列维-林德伯格定理.md#user-content-题-2--12四个步骤与两个方向) |
|
||||
| 三 反解样本量 | [点 1 题 3](02-点1-列维-林德伯格定理.md#user-content-题-3--13反解样本量) |
|
||||
| 四 棣莫弗-拉普拉斯定理 | [点 2 题 1](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-1--21把二项装进四步模板) |
|
||||
| 五 连续性修正 | [点 2 题 2](03-点2-棣莫弗-拉普拉斯定理.md#user-content-题-2--22修正前后差多少) |
|
||||
| 六 三种近似的判据 | [点 3 题 1](04-点3-三种近似辨析.md#user-content-题-1--31四个场景各选一种近似) |
|
||||
| 七 泊松近似的计算 | [点 3 题 2](04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-列维-林德伯格定理.md)、[点 2](03-点2-棣莫弗-拉普拉斯定理.md)、[点 3](04-点3-三种近似辨析.md)、[第5讲上](../概率论-第5讲上-大数定律/README.md)。
|
||||
@@ -0,0 +1,105 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 中心极限定理, README]
|
||||
专题: 概率论 第5讲下 · 中心极限定理
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点 + 三点分册(知识点带题,7 题)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[05-速查卡]]"]
|
||||
---
|
||||
|
||||
# 概率论 第5讲下 · 中心极限定理
|
||||
|
||||
真题库第 19 章的后半。近十年 **3 题 14 分**里有 **9 分**落在本册:**2020·8(列维-林德伯格,4 分)$+$ 2025·9(泊松近似,5 分)**。
|
||||
|
||||
**与上册的分界**:上册说"$\bar X$ **会靠近** $\mu$ "(只给方向),本册说"$\bar X$ 靠近 $\mu$ 时**误差长什么样**"(给出形状——正态)。上册的工具是**不等式**,本册的工具是**分布函数 $\Phi$ 与查表**。
|
||||
|
||||
**一句话定性**:中心极限定理 = **"大量独立小随机因素叠加,结果近似正态"**。它把"求和分布"这个原本做不动的难题,换成"标准化 $+$ 查 $\Phi$ "这个三十秒流程。
|
||||
|
||||
## 这一版的结构
|
||||
|
||||
| 层 | 文件 | 作用 | 读法 |
|
||||
|---|---|---|---|
|
||||
| **地图** | `01-知识点盘点.md` | 三节知识点 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
|
||||
| **练** | `02`—`04` 三个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 7 题 | 一天一个点,动手做 |
|
||||
| **查** | `05-速查卡.md` | 七组结论 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
|
||||
|
||||
## 文件清单
|
||||
|
||||
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|
||||
|---|---|---|---|---|
|
||||
| `01-知识点盘点.md` | 三节盘点 $+$ 覆盖对照表 $+$ 相邻讲接口 | — | — | 0 |
|
||||
| `02-点1-列维-林德伯格定理.md` | 定理、标准化四步、单双侧、反解 $n$ | **2020·8** | **4** | 3 |
|
||||
| `03-点2-棣莫弗-拉普拉斯定理.md` | 二项的正态近似、连续性修正 | 十年未单考 | — | 2 |
|
||||
| `04-点3-三种近似辨析.md` | 判据表、泊松近似的计算与比较 | **2025·9** | **5** | 2 |
|
||||
| `05-速查卡.md` | 七组结论 $+$ 六处丢分点 | — | — | 0 |
|
||||
|
||||
合计 **7 题**。难度标准:★☆☆ 一题、★★☆ 五题、★★★ 一题。
|
||||
|
||||
## 建议的三轮读法
|
||||
|
||||
**第一轮(40 分钟)**:`01` 通读 $+$ `02` 题 1、题 2。**标准化四步必须写到不用想**——$\mu$ 与 $\sigma^2$ 取单个的还是和的、分母开不开根,这两处一旦错,后面每题都错。
|
||||
|
||||
**第二轮(40 分钟)**:`02` 题 3 $+$ `03`。反解题与二项近似是同一套动作的两种外壳;`03` 的题 2(修正前后对比)会顺带解释清楚"为什么二项要修正、列维-林德伯格不用"。
|
||||
|
||||
**第三轮(30 分钟)**:`04`。这是本册唯一"纯判断"的点,2025·9 就是它。**判据记成一句话:$np$ 与 $n(1-p)$ 是否都 $\ge5$ ,仅此一条** 。
|
||||
|
||||
时间不够时按这个顺序砍:`03` 题 2 $\to$ `02` 题 3 。**`04` 与 `02` 题 1 不能砍**。
|
||||
|
||||
## 双向链接怎么用
|
||||
|
||||
| 粒度 | 在哪儿 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
|
||||
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
|
||||
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
|
||||
|
||||
每道题末尾固定一行:
|
||||
|
||||
```
|
||||
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
|
||||
```
|
||||
|
||||
四个方向全部指向**具体题目的锚点**。
|
||||
|
||||
## 锚点怎么写(Gitea 两条方向相反的规则)
|
||||
|
||||
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
|
||||
|
||||
| 链接类型 | 写法 |
|
||||
|---|---|
|
||||
| 同文件 | `#题-1--11和的正态近似` |
|
||||
| 跨文件 | `04-点3-三种近似辨析.md#user-content-题-2--32泊松近似与正态近似的正面比较` |
|
||||
|
||||
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来(本册所有题目标题已改为纯文字)。
|
||||
|
||||
写完校验:
|
||||
|
||||
```bash
|
||||
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第5讲下-中心极限定理
|
||||
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第5讲下-中心极限定理
|
||||
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第5讲下-中心极限定理
|
||||
```
|
||||
|
||||
## 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$D\bar X=\sigma^2/n$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 标准化四步的第 ② 步 |
|
||||
| 依概率收敛 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | CLT 比它强:依分布收敛 |
|
||||
| 切比雪夫给的"粗界" | [第5讲上 点2](../概率论-第5讲上-大数定律/03-点2-切比雪夫不等式.md) | 同一道题用 CLT 能省 $5$ 倍样本量($50000$ vs $9604$ ) |
|
||||
| $\Phi$ 的查表与分位数 | 第 6 讲(数理统计) | 区间估计、假设检验的临界值全从这里来 |
|
||||
| 正态总体下 $\bar X$ 的精确分布 | 第 6 讲(数理统计) | $N(\mu,\sigma^2/n)$ 是 CLT 的精确版(仅正态总体成立) |
|
||||
| 二项的正态近似 | 第 6 讲(数理统计) | 比例的假设检验用同一套标准化 |
|
||||
|
||||
## 版本记录
|
||||
|
||||
| 日期 | 变更 |
|
||||
|---|---|
|
||||
| 2026-10-16 | 与上册合并在「概率论-第5讲-大数定律与中心极限定理」,按三件套共 4 个文件、16 题 |
|
||||
| 2026-11-07 | **从原第 5 讲拆出并整体重构**:本册只保留"中心极限定理 $+$ 棣莫弗-拉普拉斯 $+$ 三种近似",按线性代数第 6 讲的「知识点带题」格式重写为「盘点 $+$ 三点分册 $+$ 速查卡」共 5 个文件、7 题;依概率收敛与三条大数定律留在[第5讲上](../概率论-第5讲上-大数定律/README.md) |
|
||||
|
||||
## 两条写作约定
|
||||
|
||||
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
|
||||
2. **单个文件不超过 1.3 万字符**,超了就拆。
|
||||
|
||||
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/4-law-of-large-numbers-and-central-limit-theorem/` 。
|
||||
@@ -0,0 +1,319 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 知识点盘点]
|
||||
专题: 概率论 第6讲 · 数理统计
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点(八节 + 覆盖对照表),配套 8 个点分册共 26 题
|
||||
关联笔记: ["[[README]]", "[[10-速查卡]]"]
|
||||
---
|
||||
|
||||
# 第6讲 · 数理统计:知识点盘点
|
||||
|
||||
真题库第 20、21、22 三章。近十年 **15 题 116 分**:**解答题 8 道(91 分)$+$ 选填 7 题(25 分)**。分章看:ch20 基本概念 2 题 9 分、**ch21 参数估计 10 题 93 分**、ch22 假设检验 3 题 14 分。
|
||||
|
||||
**这一讲的结构是"一个前提 + 两条主线"**:前提是**统计量的分布**(三大分布与正态总体的四个结论),两条主线是**点估计/区间估计**(正问题:参数是多少)与**假设检验**(反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。
|
||||
|
||||
**一句话定性**:数理统计 = **用样本反推总体**。前 5 讲是"已知分布求概率"(正问题),这一讲是"已知样本猜分布"(反问题),**方向反过来,所以每一问都要先问"我手里有哪些统计量、它们服从什么分布"**。
|
||||
|
||||
## 0 三张表
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 最大似然估计 | 2018·23、2019·23、2020·23、2022·22 | **约 45** | `06` |
|
||||
| 2 | 估计量的评价标准(无偏/有效/均方误差) | 2021·9、2023·10、2024·22、2016·23 | **约 33** | `07` |
|
||||
| 3 | 假设检验与两类错误 | 2018·8、2021·10、2025·10 | **约 14** | `09` |
|
||||
| 4 | 正态总体的抽样分布 | 2017·8 | **4** | `04` |
|
||||
| 5 | 区间估计 | 2016·14 | **4** | `08` |
|
||||
| 6 | 三大抽样分布 | 2023·9 | **5** | `03` |
|
||||
| 7 | 矩估计 | 2017·23 的第一问 | 嵌在解答题 | `05` |
|
||||
| 8 | 总体、样本与统计量 | 全部题的前置 | — | `02` |
|
||||
|
||||
**最大似然估计独占 45 分**,这是全讲乃至全卷概率部分最集中的一块。它的动作固定(写 $L$ → 取对数 → 求导),但**支撑含参数时不能求导**,那是唯一的坎。
|
||||
|
||||
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
|
||||
|
||||
```
|
||||
02 总体、样本与统计量 ← 名词定义 + 三个基本期望
|
||||
↓
|
||||
03 三大抽样分布 ← χ² / t / F 的构造
|
||||
↓
|
||||
04 正态总体的抽样分布 ← 前面两者的合成:四个结论
|
||||
↓
|
||||
05 矩估计 → 06 最大似然估计 ← 两条点估计路线
|
||||
↓
|
||||
07 估计量的评价标准 ← 判断估计"好不好"
|
||||
↓
|
||||
08 区间估计 → 09 假设检验 ← 同一套分布的两个用法
|
||||
```
|
||||
|
||||
**为什么评价标准要排在两条估计路线之后**:无偏性、有效性都是"对某个估计量"说的,手里没有估计量就无从评价。而 07 又是 08、09 的前提——区间估计的枢轴量就是"无偏估计 + 已知分布"。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $X_1,\dots,X_n$ | 简单随机样本(独立同分布于总体 $X$ ) |
|
||||
| $\bar X=\dfrac1n\sum X_i$ | 样本均值 |
|
||||
| $S^2=\dfrac{1}{n-1}\sum(X_i-\bar X)^2$ | 样本方差(**分母取 $n-1$ 才对**) |
|
||||
| $S_n^2=\dfrac1n\sum(X_i-\bar X)^2$ | 二阶中心矩(分母 $n$ ,有偏) |
|
||||
| $X_{(n)}=\max\{X_i\}$ | 最大次序统计量 |
|
||||
| $\chi^2_\alpha(n)$ 、$t_\alpha(n)$ 、$F_\alpha(n_1,n_2)$ | **上** $\alpha$ 分位点(右侧面积 $\alpha$ ) |
|
||||
| $\hat\theta$ | 参数 $\theta$ 的估计量 |
|
||||
| $\alpha$ 、$\beta$ | 第一类、第二类错误概率 |
|
||||
|
||||
> **分位点是上侧还是下侧,是这一讲最大的符号陷阱**。本讲统一用**上侧分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ 。所以置信区间里出现的是 $\chi^2_{1-\alpha/2}$ 与 $\chi^2_{\alpha/2}$ 两个下、上分位点,顺序不能写反。
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 总体与样本 | [点 1 题 1](02-点1-总体样本与统计量.md#user-content-题-1--11联合分布与两个词的用处) |
|
||||
| §1.2 统计量与三个基本期望 | [点 1 题 2](02-点1-总体样本与统计量.md#user-content-题-2--12统计量的三个基本期望) |
|
||||
| §1.3 顺序统计量 | [点 1 题 3](02-点1-总体样本与统计量.md#user-content-题-3--13最大次序统计量) |
|
||||
| §2.1 卡方分布 | [点 2 题 1](03-点2-三大抽样分布.md#user-content-题-1--21平方和就是卡方) |
|
||||
| §2.2 t 分布 | [点 2 题 2](03-点2-三大抽样分布.md#user-content-题-2--22t-的构造与对称性) |
|
||||
| §2.3 F 分布 | [点 2 题 3](03-点2-三大抽样分布.md#user-content-题-3--23f-的两个自由度与倒数互换) |
|
||||
| §3.1 单总体的四个结论(本讲的核心) | [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错)、[点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率) |
|
||||
| §3.2 两总体的情形 | [点 3 题 3](04-点3-正态总体的抽样分布.md#user-content-题-3--32两总体的方差比) |
|
||||
| §4.1 原理与步骤 | [点 4 题 1](05-点4-矩估计.md#user-content-题-1--41一阶矩就够的情形) |
|
||||
| §4.2 两个陷阱 | [点 4 题 2](05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑) |
|
||||
| §5.1 似然函数与三步 | [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性)、[点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松) |
|
||||
| §5.2 支撑含参数(唯一不能求导的情形) | [点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导)、[点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) |
|
||||
| §6.1 无偏性 | [点 6 题 1](07-点6-估计量的评价标准.md#user-content-题-1--61无偏性反解系数) |
|
||||
| §6.2 有效性 | [点 6 题 2](07-点6-估计量的评价标准.md#user-content-题-2--62三个均值型估计谁更有效) |
|
||||
| §6.3 相合性(一致性) | [点 6 题 3](07-点6-估计量的评价标准.md#user-content-题-3--63相合性的证明与反例) |
|
||||
| §6.4 均方误差 | [点 6 题 4](07-点6-估计量的评价标准.md#user-content-题-4--64无偏不一定最好) |
|
||||
| §7.1 置信区间与枢轴量 | [点 7 题 1](08-点7-区间估计.md#user-content-题-1--71由-095-的区间反推-09-的区间) |
|
||||
| §7.2 单总体的三个区间 | [点 7 题 2](08-点7-区间估计.md#user-content-题-2--72单总体的三种区间) |
|
||||
| §7.3 两总体的两个区间 | [点 7 题 3](08-点7-区间估计.md#user-content-题-3--73两总体的均值差与方差比) |
|
||||
| §8.1 原假设、两类错误 | [点 8 题 1](09-点8-假设检验与两类错误.md#user-content-题-1--81第二类错误的计算202110-骨架) |
|
||||
| §8.2 拒绝域与显著性水平 | [点 8 题 2](09-点8-假设检验与两类错误.md#user-content-题-2--82拒绝域的方向与显著性水平的单调性20251020188-骨架) |
|
||||
| §8.3 正态总体的六大检验 | [点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2)、[点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 总体、样本与统计量
|
||||
|
||||
### 1.1 总体与样本
|
||||
|
||||
**总体**是随机变量 $X$ (或它的分布);**样本** $X_1,\dots,X_n$ 是 $n$ 个独立同分布、且与 $X$ 同分布的随机变量;**样本值** $x_1,\dots,x_n$ 是观测到的数。
|
||||
|
||||
**"简单随机样本"= 独立 + 同分布**,这两个词缺一不可——独立保证联合密度可连乘,同分布保证每个因子长得一样。
|
||||
|
||||
### 1.2 统计量与三个基本期望
|
||||
|
||||
**统计量**:不含任何未知参数的样本函数。$\bar X$ 是统计量,$\bar X-\mu$ 不是(含未知的 $\mu$ )。
|
||||
|
||||
$$\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .$$
|
||||
|
||||
**三条必背**(对任意总体都成立):
|
||||
|
||||
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
|
||||
|
||||
第三条是 $S^2$ 分母取 $n-1$ 的全部理由;若取 $n$ ,期望是 $\frac{n-1}{n}\sigma^2$ ,有偏。
|
||||
|
||||
### 1.3 顺序统计量
|
||||
|
||||
把样本从小到大排:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。**分布函数法**:
|
||||
|
||||
$$F_{X_{(n)}}(x)=\left[F(x)\right]^n,\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^n .$$
|
||||
|
||||
**$U(0,\theta)$ 的两个现成结果**(解答题反复用):
|
||||
|
||||
$$E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
|
||||
|
||||
## 2 三大抽样分布
|
||||
|
||||
### 2.1 卡方分布
|
||||
|
||||
$$X_i\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^2\sim\chi^2(n).$$
|
||||
|
||||
$E\chi^2(n)=n$ 、$D\chi^2(n)=2n$ ;**可加性**:$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ (独立时)。
|
||||
|
||||
### 2.2 t 分布
|
||||
|
||||
$$X\sim N(0,1),\ Y\sim\chi^2(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).$$
|
||||
|
||||
密度**偶对称**,故 $t_{1-\alpha}(n)=-t_\alpha(n)$ ;$n>2$ 时方差为 $\frac{n}{n-2}$ ;$n\to\infty$ 时趋于 $N(0,1)$ 。
|
||||
|
||||
### 2.3 F 分布
|
||||
|
||||
$$U\sim\chi^2(n_1),\ V\sim\chi^2(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).$$
|
||||
|
||||
**两条互换公式**(查表必备):
|
||||
|
||||
$$\frac{1}{F}\sim F(n_2,n_1),\qquad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).$$
|
||||
|
||||
## 3 正态总体的抽样分布
|
||||
|
||||
### 3.1 单总体的四个结论(本讲的核心)
|
||||
|
||||
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
|
||||
|
||||
$$\text{①}\ \bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1);$$
|
||||
|
||||
$$\text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
|
||||
|
||||
**③ 是"正态总体"独有的**,非正态时 $\bar X$ 与 $S^2$ 一般不独立。第 ② 式的分子是 $n-1$ 而不是 $n$ ,因为减掉 $\bar X$ 用掉一个自由度。
|
||||
|
||||
### 3.2 两总体的情形
|
||||
|
||||
两样本独立,$X_i\sim N(\mu_1,\sigma_1^2)$ 、$Y_j\sim N(\mu_2,\sigma_2^2)$ :
|
||||
|
||||
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).$$
|
||||
|
||||
当 $\sigma_1^2=\sigma_2^2=\sigma^2$ 时把两个方差"合并":
|
||||
|
||||
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).$$
|
||||
|
||||
## 4 矩估计
|
||||
|
||||
### 4.1 原理与步骤
|
||||
|
||||
**用样本矩替换总体矩**:$A_k=\frac1n\sum X_i^k$ 代替 $EX^k$ ,列出与未知参数个数相同的方程,解出参数。
|
||||
|
||||
**两步**:① 写出总体矩(含参数);② 令其等于对应的样本矩,解方程。
|
||||
|
||||
### 4.2 两个陷阱
|
||||
|
||||
- **需要二阶矩时用二阶原点矩** $A_2=\frac1n\sum X_i^2$ ,不是 $S^2$ ——两者差一个 $\frac{n-1}{n}$ 的系数,选择题常在这里设错;
|
||||
- **解出的估计量要检验参数范围**(如 $\hat\theta$ 必须为正),必要时取绝对值或截断。
|
||||
|
||||
## 5 最大似然估计
|
||||
|
||||
### 5.1 似然函数与三步
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}f(x_i;\theta),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).$$
|
||||
|
||||
**三步**:① 写 $L$ → ② 取对数 → ③ 对参数求导令零。**离散型把 $f$ 换成 $p$ 即可** 。
|
||||
|
||||
**多参数**:对每个参数分别求偏导,联立求解(如 2019·23 的 $\mu$ 与 $\sigma^2$ )。
|
||||
|
||||
**不变性**:若 $\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE(不必重新求)。
|
||||
|
||||
### 5.2 支撑含参数(唯一不能求导的情形)
|
||||
|
||||
当密度的**非零区域端点含参数**时(如 $f(x)=\frac{3x^2}{\theta^3},\ 0<x<\theta$ ),$L$ 里会出现示性函数,求导无意义。此时看 $L$ 关于参数的**单调性**:
|
||||
|
||||
- $L$ 随 $\theta$ 增大而减小 $\Rightarrow$ $\hat\theta$ 取 $\theta$ 的**最小可能值**;
|
||||
- $L$ 随 $\theta$ 增大而增大 $\Rightarrow$ $\hat\theta$ 取 $\theta$ 的**最大可能值**(通常是 $X_{(n)}$ )。
|
||||
|
||||
## 6 估计量的评价标准
|
||||
|
||||
### 6.1 无偏性
|
||||
|
||||
$$E\hat\theta=\theta\quad(\forall\theta).$$
|
||||
|
||||
**三条常用**:$E\bar X=\mu$ ;$ES^2=\sigma^2$ ;$E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2$ (有偏)。
|
||||
|
||||
### 6.2 有效性
|
||||
|
||||
两个**都无偏**的估计量,方差小的更有效。比值 $\dfrac{D\hat\theta_1}{D\hat\theta_2}$ 就叫相对效率。
|
||||
|
||||
### 6.3 相合性(一致性)
|
||||
|
||||
$$\hat\theta\overset{P}{\longrightarrow}\theta .$$
|
||||
|
||||
**验证套路**:算 $E\hat\theta$ 与 $D\hat\theta$ ,若"偏差趋于 $0$ 且方差趋于 $0$ ",由切比雪夫不等式即得相合。
|
||||
|
||||
### 6.4 均方误差
|
||||
|
||||
$$MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .$$
|
||||
|
||||
它是"无偏 + 有效"的合体:允许有偏,只要总误差小。**2024·22 的最后一问就考这个。**
|
||||
|
||||
## 7 区间估计
|
||||
|
||||
### 7.1 置信区间与枢轴量
|
||||
|
||||
**枢轴量**:含待估参数、但**分布已知且不含任何未知参数**的统计量。由 $P\{a<Q<b\}=1-\alpha$ 反解出 $\theta$ 的范围即得置信区间。
|
||||
|
||||
**注意"置信度"的读法**:$1-\alpha$ 说的是"反复抽样时,约 $100(1-\alpha)\%$ 的区间会盖住真值",不是"$\theta$ 落在该区间的概率"。
|
||||
|
||||
### 7.2 单总体的三个区间
|
||||
|
||||
| 待估 | 条件 | 枢轴量 | 区间 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
|
||||
| $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
|
||||
| $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right]$ |
|
||||
|
||||
### 7.3 两总体的两个区间
|
||||
|
||||
$\mu_1-\mu_2$ :方差已知用 $z$ ,未知但相等用合并方差的 $t(n_1+n_2-2)$ 。$\dfrac{\sigma_1^2}{\sigma_2^2}$ :用 $F(n_1-1,n_2-1)$ ,区间为
|
||||
|
||||
$$\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].$$
|
||||
|
||||
> **大纲要求、十年未单考**:两总体的均值差与方差比区间属于"高性价比冷门"——公式要会写,但不必刷难题。
|
||||
|
||||
## 8 假设检验
|
||||
|
||||
### 8.1 原假设、两类错误
|
||||
|
||||
| 真实情况 | 接受 $H_0$ | 拒绝 $H_0$ |
|
||||
|---|---|---|
|
||||
| $H_0$ 为真 | 正确 | **第一类错误**(弃真),概率 $\alpha$ |
|
||||
| $H_0$ 为假 | **第二类错误**(取伪),概率 $\beta$ | 正确(功效 $1-\beta$ ) |
|
||||
|
||||
**$\alpha$ 是"冤枉好人"的概率,$\beta$ 是"放过坏人"的概率**。样本量固定时二者此消彼长;要同时减小只能增大 $n$ 。
|
||||
|
||||
### 8.2 拒绝域与显著性水平
|
||||
|
||||
**显著性水平** $\alpha$ = 允许的第一类错误上限。拒绝域由 $\alpha$ 与**备择假设的方向**共同决定:
|
||||
|
||||
- $H_1:\theta>\theta_0$ → 右侧拒绝域(大值拒绝);
|
||||
- $H_1:\theta<\theta_0$ → 左侧拒绝域;
|
||||
- $H_1:\theta\ne\theta_0$ → 双侧拒绝域,每侧 $\alpha/2$ 。
|
||||
|
||||
### 8.3 正态总体的六大检验
|
||||
|
||||
| 检验对象 | 条件 | 统计量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| 单总体 $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ | $N(0,1)$ |
|
||||
| 单总体 $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| 单总体 $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
|
||||
| 两总体 $\mu_1-\mu_2$ | 方差已知 | $\dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}}$ | $N(0,1)$ |
|
||||
| 两总体 $\mu_1-\mu_2$ | 方差未知但相等 | $\dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}}$ | $t(n_1+n_2-2)$ |
|
||||
| 两总体 $\sigma_1^2/\sigma_2^2$ | 均值未知 | $\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}$ | $F(n_1-1,n_2-1)$ |
|
||||
|
||||
## 9 覆盖对照(大纲 vs 真题 vs 参考仓库)
|
||||
|
||||
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|
||||
|---|---|---|---|---|
|
||||
| 总体与样本 | **理解** | 全部题前置 | 有 | 点 1,1 题 |
|
||||
| 统计量与三个基本期望 | **掌握** | 2024·22 | 有 | 点 1,1 题 |
|
||||
| 顺序统计量 | **掌握** | 2016·23、2024·22 | 有 | 点 1,1 题 |
|
||||
| 卡方分布 | **掌握** | 2017·8 | 有 | 点 2,1 题 |
|
||||
| t 分布 | **掌握** | 嵌在各题 | 有 | 点 2,1 题 |
|
||||
| F 分布 | **掌握** | 2023·9 | 有 | 点 2,1 题 |
|
||||
| 正态总体的四个结论 | **掌握** | 2017·8、2023·9 | 有 | 点 3,2 题 |
|
||||
| 两总体的抽样分布 | **掌握** | 2023·9 | 有 | 点 3,1 题 |
|
||||
| 矩估计 | **掌握** | 2017·23 | 有 | 点 4,2 题 |
|
||||
| 最大似然估计 | **掌握** | 2018·23、2019·23、2020·23、2022·22 | 有 | 点 5,2 题 |
|
||||
| 支撑含参数的 MLE | **掌握** | 2016·23 | 有 | 点 5,2 题 |
|
||||
| 无偏性 | **掌握** | 2021·9、2023·10 | 有 | 点 6,1 题 |
|
||||
| 有效性 | **掌握** | 2021·9 | 有 | 点 6,1 题 |
|
||||
| 相合性 | **掌握** | 未单考 | 有 | 点 6,1 题 |
|
||||
| 均方误差 | 了解 | 2024·22 | 无(自编) | 点 6,1 题 |
|
||||
| 置信区间与枢轴量 | **掌握** | 2016·14 | 有 | 点 7,1 题 |
|
||||
| 单总体区间 | **掌握** | 2016·14 | 有 | 点 7,1 题 |
|
||||
| 两总体区间 | **掌握** | 未考 | 有 | 点 7,1 题 |
|
||||
| 两类错误 | **掌握** | 2018·8、2021·10、2025·10 | 有 | 点 8,1 题 |
|
||||
| 拒绝域与显著性水平 | **掌握** | 2025·10 | 有 | 点 8,1 题 |
|
||||
| 六大检验 | **掌握** | 2018·8、2021·10 | 有 | 点 8,2 题 |
|
||||
|
||||
**判断**:21 个知识点里,大纲"掌握"的 19 个全部配题,"均方误差"属"了解"层次也配了 1 题。**"两总体区间"与"相合性"是十年未考的两处空白**,按大纲要求补齐,标注为"高性价比冷门"。
|
||||
|
||||
## 10 与相邻讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$\operatorname{Cov}$ 、$D\bar X$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 点 1 的三条基本期望、点 6 的方差比较全靠它 |
|
||||
| $E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ | [第4讲点5 题4](../概率论-第4讲-随机变量的数字特征/06-点5-线性组合与最值.md) | $S^2$ 无偏性的唯一根据 |
|
||||
| 依概率收敛、辛钦大数定律 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | 点 6 相合性的证明工具 |
|
||||
| $\Phi$ 、$z_\alpha$ 分位数 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 点 8、点 9 的临界值 |
|
||||
| 正态分布的可加性与标准化 | [第3讲点3 §3.5](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 3 两样本结论的来源 |
|
||||
| $\max/\min$ 的分布 | [第3讲点6](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md) | 点 1 顺序统计量直接引用 |
|
||||
|
||||
> **跨讲一句话**:前 5 讲给的是"分布 → 概率",本讲要的是"样本 → 参数",**唯一的桥就是统计量的分布**。所以本讲真正的重点不是公式,而是**见到一个统计量就能说出它服从什么分布**。
|
||||
@@ -1,860 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 数理统计
|
||||
- 考点手册
|
||||
- MOC
|
||||
专题: 概率论 第6讲 · 数理统计 · 考点手册(真题库第 20/21/22 章)
|
||||
日期: 2026-10-16
|
||||
状态: 已出
|
||||
对应视频:
|
||||
- 01 一、基础知识结构
|
||||
- 02 二、总体与样本
|
||||
- 03 二、统计量及其分布(上)
|
||||
- 04 二、统计量及其分布(下)
|
||||
- 05 三、参数的点估计
|
||||
- 06 四、参数的区间估计(仅数学一)
|
||||
- 07 五、假设检验(仅数学一)
|
||||
- 08 六、两类错误(仅数学一)
|
||||
关联: "[[README]] · [[02-试题]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 概率论 第6讲 · 数理统计 · 考点手册
|
||||
|
||||
> **定位**:这是概率论的**收尾大章**,也是数学一**独有的重头戏**(区间估计、假设检验「仅数学一」)。真题库对应 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**,其中**参数估计标注「热门」**——近十年**年年一道 11–12 分解答题**。
|
||||
> **用法**:先通读本手册建立框架 → 做 [[02-试题]](18 题,约 80 分钟)→ 对 [[03-解析]]。
|
||||
> **来源记号**:🟦 视频讲次 · 🟨 真题库 · 🟩 参考仓库。
|
||||
|
||||
---
|
||||
|
||||
## 0. 本讲定位与学习地图
|
||||
|
||||
### 0.1 一句话概括全部内容
|
||||
|
||||
> **数理统计 = 「用样本推断总体」**:先拿样本造工具(**统计量**),弄清工具服从什么分布(**抽样分布**),再用工具反推总体的未知参数(**点估计 → 区间估计 → 假设检验**)。
|
||||
|
||||
### 0.2 六节地图
|
||||
|
||||
| 节 | 内容 | 视频 | 真题热度 |
|
||||
|---|---|---|---|
|
||||
| §1 | 总体与样本(简单随机样本) | 🟦02 | 冷门(概念题不单独出) |
|
||||
| §2 | **统计量及其分布**(三大分布 + 正态总体抽样分布) | 🟦03🟦04 | 隔年一道选填(🟨2017·8、🟨2023·9) |
|
||||
| §3 | **参数的点估计**(矩估计 / 极大似然 / 无偏有效一致) | 🟦05 | **★★★★★ 年年必考解答题** |
|
||||
| §4 | 区间估计(枢轴变量法,**单总体四大 + 两总体两类**,仅数一) | 🟦06 | 数一选填(🟨2016·14) |
|
||||
| §5 | 假设检验(**单总体六大 + 两总体三类**与拒绝域,仅数一) | 🟦07 | 数一单选(🟨2025·10) |
|
||||
| §6 | 两类错误(α 与 β) | 🟦08 | 数一单选(🟨2018·8、🟨2021·10) |
|
||||
|
||||
### 0.3 三条主线
|
||||
|
||||
1. **独立性**:数理统计的一切都建立在「$X_1,\cdots,X_n$ **相互独立**且与总体**同分布**」上。看到"简单随机样本"六个字,立刻把它翻译成 **i.i.d.**。
|
||||
2. **标准化**:$\chi^2/t/F$ 三大分布的构造,本质都是「**把正态变量化成标准正态,再按定义拼**」。
|
||||
3. **$\dfrac{1}{n}\sum X_i^k$ 与 $E(X^k)$ 的替换**:矩估计的全部内容;也是**大数定律**在统计里的投影。
|
||||
|
||||
---
|
||||
|
||||
## 1. 总体与样本 🟦02 🟩
|
||||
|
||||
### 1.1 基本名词
|
||||
|
||||
| 名词 | 含义 |
|
||||
|---|---|
|
||||
| **总体** | 研究对象的全体;数学上就是一个**随机变量** $X$ (及其分布) |
|
||||
| **个体** | 组成总体的每一个元素 |
|
||||
| **简单随机样本** | $n$ 个**相互独立**且**与总体 $X$ 同分布**的随机变量 $(X_1,\cdots,X_n)$ ,容量为 $n$ |
|
||||
| **样本值(观测值)** | 一次抽样得到的 $n$ 个具体数 $(x_1,\cdots,x_n)$ |
|
||||
|
||||
> **记忆**:概率论里叫「**独立同分布(i.i.d.)**」,数理统计里叫「**简单随机样本**」——同一件事的两个名字。
|
||||
|
||||
### 1.2 样本的联合分布(核心公式)
|
||||
|
||||
设总体 $X$ 的分布函数为 $F(x)$ (密度 $f(x)$ ,分布律 $p(x_i;\theta)$ ),则样本的联合分布为
|
||||
|
||||
$$F(x_1,\cdots,x_n)=\prod_{i=1}^{n}F(x_i),\qquad f(x_1,\cdots,x_n)=\prod_{i=1}^{n}f(x_i),\qquad P\{X_1=x_1,\cdots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
|
||||
|
||||
> ⚠️ **这就是**"简单随机样本"**的全部价值**:有了独立性,$n$ 维联合分布才**等于一维分布的连乘**。后面极大似然估计的似然函数 $L(\theta)=\prod f(x_i;\theta)$ ,用的就是这一条。
|
||||
|
||||
### 1.3 经验分布函数(了解)
|
||||
|
||||
把样本值从小到大排列后,定义
|
||||
|
||||
$$\hat F_n(x)=\frac1n\sum_{i=1}^{n}I\{X_i\le x\}=\frac{\text{样本中 } \le x \text{ 的个数}}{n},$$
|
||||
|
||||
即"**样本落在 $x$ 左侧的比例**",它是分布函数 $F(x)$ 的一个估计。
|
||||
|
||||
> **格利文科(Glivenko)定理**:$\sup\limits_{x}\lvert\hat F_n(x)-F(x)\rvert\xrightarrow{\text{a.s.}}0$ ,即样本足够大时,**经验分布函数一致逼近真实分布**。
|
||||
> 数一大纲不直接考,但它是"**用样本分布代替总体分布**"这一整套统计思想的来源——矩估计法中"样本矩 → 总体矩"就是它的特例。
|
||||
|
||||
### 1.4 分组数据(了解)
|
||||
|
||||
若样本值被整理成频数分布,第 $i$ 组组中值 $c_i$ 、频数 $n_i$ ,则
|
||||
|
||||
$$\bar x=\frac{1}{n}\sum_{i}c_i n_i,\qquad s^2=\frac{1}{n-1}\sum_{i}(c_i-\bar x)^2 n_i .$$
|
||||
|
||||
---
|
||||
|
||||
## 2. 统计量及其分布 🟦03 🟦04 🟨2017·8 🟨2023·9 🟩
|
||||
|
||||
### 2.1 统计量的定义(判断题高频)
|
||||
|
||||
> 设 $X_1,\cdots,X_n$ 是来自总体 $X$ 的样本,$g(x_1,\cdots,x_n)$ 是 $n$ 元函数。若 $g$ 中**不含任何未知参数**,则称 $g(X_1,\cdots,X_n)$ 为**统计量**。
|
||||
|
||||
**判断口诀**:**"能不能算出来"**——只要表达式里出现**未知参数**(如 $\mu$ 、$\sigma$ ),它就不是统计量。
|
||||
|
||||
> **例**:$X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ **均未知**时
|
||||
> - $X_1+X_2$ 、$\sum X_i$ 、$\max X_i$ 、$X_1^2+X_2^2$ —— **是**统计量(不含未知参数);
|
||||
> - $\sum(X_i-\mu)^2$ 、$\dfrac{X_1-\mu}{\sigma}$ —— **不是**统计量(含 $\mu$ 或 $\sigma$ )。
|
||||
|
||||
### 2.2 常用统计量
|
||||
|
||||
| 名称 | 记号 | 公式 |
|
||||
|---|---|---|
|
||||
| 样本均值 | $\bar X$ | $\displaystyle\bar X=\frac1n\sum_{i=1}^{n}X_i$ |
|
||||
| 样本方差 | $S^2$ | $\displaystyle S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2$ |
|
||||
| 样本标准差 | $S$ | $S=\sqrt{S^2}$ |
|
||||
| 样本 $k$ 阶原点矩 | $A_k$ | $\displaystyle A_k=\frac1n\sum_{i=1}^{n}X_i^k$ |
|
||||
| 样本 $k$ 阶中心矩 | $B_k$ | $\displaystyle B_k=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^k$ |
|
||||
|
||||
**恒等式(化简必备)**:
|
||||
|
||||
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum_{i=1}^{n}X_i^2-n\bar X^2 .$$
|
||||
|
||||
### 2.3 样本均值与样本方差的数字特征(必背)
|
||||
|
||||
设 $EX=\mu$ ,$DX=\sigma^2$ ,$X_1,\cdots,X_n$ 为简单随机样本,则
|
||||
|
||||
$$E X_i=\mu,\quad D X_i=\sigma^2,\qquad \boxed{E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}},\qquad \boxed{ES^2=\sigma^2}.$$
|
||||
|
||||
> **为什么样本方差除以 $n-1$ ?** 因为 $\sum(X_i-\bar X)^2$ 中用了 $\bar X$ 代替 $\mu$ ,损失了 1 个自由度,导致 $E\!\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2<\sigma^2$ (**有偏**)。除以 $n-1$ 恰好修正为 $\sigma^2$ 。
|
||||
>
|
||||
> **一句话**:**$n-1$ 是为了无偏性**。(这也解释了 $\chi^2$ 分布里为什么是 $n-1$ 自由度。)
|
||||
|
||||
### 2.4 三大抽样分布 🟨2017·8
|
||||
|
||||
#### 2.4.1 $\chi^2$ 分布(卡方)
|
||||
|
||||
**构造**:$X_1,\cdots,X_n$ 相互独立且均 $\sim N(0,1)$ ,则
|
||||
|
||||
$$\chi^2=X_1^2+X_2^2+\cdots+X_n^2\ \sim\ \chi^2(n)\quad(\text{自由度为 }n).$$
|
||||
|
||||
**性质**:
|
||||
|
||||
| 性质 | 内容 |
|
||||
|---|---|
|
||||
| 可加性 | $\chi_1^2\sim\chi^2(n_1)$ 、$\chi_2^2\sim\chi^2(n_2)$ 独立 ⟹ $\chi_1^2+\chi_2^2\sim\chi^2(n_1+n_2)$ |
|
||||
| 期望方差 | $E\chi^2(n)=n$ ,$D\chi^2(n)=2n$ |
|
||||
|
||||
**上 $\alpha$ 分位点**:$P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ (**注意 $\chi^2$ 分布不对称**,上下分位点要分别查)。
|
||||
|
||||
#### 2.4.2 $t$ 分布(学生氏)
|
||||
|
||||
**构造**:$X\sim N(0,1)$ ,$Y\sim\chi^2(n)$ ,$X$ 与 $Y$ **独立**,则
|
||||
|
||||
$$t=\frac{X}{\sqrt{Y/n}}\ \sim\ t(n).$$
|
||||
|
||||
**性质**:
|
||||
|
||||
- 概率密度是**偶函数**,图形**关于 $y$ 轴对称**、比标准正态**更"矮胖"**(尾部厚);
|
||||
- $n$ 很大时近似 $N(0,1)$ ;
|
||||
- $t_{1-\alpha}(n)=-t_\alpha(n)$ (**对称性**);
|
||||
- $t^2\sim F(1,n)$ 。
|
||||
|
||||
> **用途**:$\sigma$ **未知**时,用样本标准差 $S$ 代替 $\sigma$ 估 $n$ 的均值——这就是 $t$ 分布的原始动机。
|
||||
|
||||
#### 2.4.3 $F$ 分布
|
||||
|
||||
**构造**:$U\sim\chi^2(n_1)$ ,$V\sim\chi^2(n_2)$ ,$U$ 与 $V$ **独立**,则
|
||||
|
||||
$$F=\frac{U/n_1}{V/n_2}\ \sim\ F(n_1,n_2).$$
|
||||
|
||||
**性质**:
|
||||
|
||||
| 性质 | 内容 |
|
||||
|---|---|
|
||||
| 倒数 | $F\sim F(n_1,n_2)\Longrightarrow \dfrac1F\sim F(n_2,n_1)$ |
|
||||
| 分位点互化 | $F_{1-\alpha}(n_1,n_2)=\dfrac{1}{F_\alpha(n_2,n_1)}$ |
|
||||
| 与 $t$ 的关系 | $t\sim t(n)\Longrightarrow t^2\sim F(1,n)$ |
|
||||
|
||||
> **⚠️ 易错**:$F$ 分布的两个自由度**顺序不能反**!$F(n_1,n_2)$ 里 $n_1$ 是**分子**的自由度,$n_2$ 是**分母**的自由度。
|
||||
|
||||
### 2.5 正态总体下的抽样分布(**本节最重要**)🟨2017·8 🟨2023·9
|
||||
|
||||
设 $X_1,\cdots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\bar X$ 、$S^2$ 为样本均值与样本方差。
|
||||
|
||||
**(一)单个正态总体(四条定理)**
|
||||
|
||||
$$
|
||||
\boxed{\begin{aligned}
|
||||
&\text{①}\quad \bar X\sim N\!\left(\mu,\frac{\sigma^2}{n}\right)\ \Longleftrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}=\frac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)\\[6pt]
|
||||
&\text{②}\quad \frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\mu)^2\ \sim\ \chi^2(n)\qquad(\mu\ \text{已知})\\[6pt]
|
||||
&\text{③}\quad \frac{(n-1)S^2}{\sigma^2}=\frac{1}{\sigma^2}\sum_{i=1}^{n}(X_i-\bar X)^2\ \sim\ \chi^2(n-1)\qquad(\mu\ \text{未知})\\[6pt]
|
||||
&\text{④}\quad \bar X\ \text{与}\ S^2\ \textbf{相互独立},\qquad \frac{\sqrt n(\bar X-\mu)}{S}\ \sim\ t(n-1)\qquad(\sigma\ \text{未知})\\[6pt]
|
||||
&\text{⑤}\quad \frac{n(\bar X-\mu)^2}{S^2}\ \sim\ F(1,\ n-1)\qquad\big(\text{由 ④ 取平方,}t^2\sim F(1,n-1)\big)
|
||||
\end{aligned}}
|
||||
$$
|
||||
|
||||
> **②→③ 的口诀**:**"$\mu$ 换成 $\bar X$ ,自由度减一"**。
|
||||
> **①→④ 的口诀**:**"$\sigma$ 换成 $S$ ,正态换 $t$ ,自由度 $n-1$ "**。
|
||||
> **④ 的独立性**是正态总体**独有的性质**(一般总体不成立),它是 $t$ 分布构造的前提,**必须记住**。
|
||||
|
||||
**(二)两个正态总体(三条定理)**
|
||||
|
||||
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,记
|
||||
|
||||
$$S_w^2=\frac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}=\frac{\sum_{i=1}^{m}(X_i-\bar X)^2+\sum_{j=1}^{n}(Y_j-\bar Y)^2}{m+n-2}\quad(\text{合并方差})$$
|
||||
|
||||
则
|
||||
|
||||
$$
|
||||
\begin{aligned}
|
||||
&\text{①}\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}}\ \sim\ N(0,1)\\[8pt]
|
||||
&\text{②}\quad \frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}=\frac{S_1^2}{S_2^2}\cdot\frac{\sigma_2^2}{\sigma_1^2}\ \sim\ F(m-1,\ n-1)\\[8pt]
|
||||
&\text{③}\quad \text{当 }\sigma_1^2=\sigma_2^2\text{ 时},\quad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\dfrac1m+\dfrac1n}}\ \sim\ t(m+n-2)
|
||||
\end{aligned}
|
||||
$$
|
||||
|
||||
> **② 的推导就是"拼 $F$ "**:$\dfrac{(m-1)S_1^2}{\sigma_1^2}\sim\chi^2(m-1)$ 、$\dfrac{(n-1)S_2^2}{\sigma_2^2}\sim\chi^2(n-1)$ ,两者独立,按定义相除、各除自由度 $\Rightarrow$ 得 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
|
||||
> 🟨 **2023·9 就是考这一条**:只要两个总体的方差比 $\sigma_1^2:\sigma_2^2$ 已知,就能把系数调出来。
|
||||
|
||||
**(三)拼装三大分布的"三步法"(考场通用)**
|
||||
|
||||
1. **先算均值和方差**:把线性组合 $a_1X_1+\cdots+a_kX_k$ 化成 $N(\text{均值},\text{方差})$ ;
|
||||
2. **标准化**:除以标准差得到 $N(0,1)$ ,**平方**得 $\chi^2(1)$ ;
|
||||
3. **按定义拼**:$\chi^2$ **加**、$t$ **除根号**、$F$ **上下除各自自由度**。
|
||||
|
||||
**⚠️ 三个恒定陷阱**:
|
||||
|
||||
| 陷阱 | 正确做法 |
|
||||
|---|---|
|
||||
| 忘了标准化就平方 | 必须写成 $\left(\dfrac{\cdot}{\sigma}\right)^2$ 才是 $\chi^2(1)$ ;系数不对就不是 $\chi^2$ |
|
||||
| 独立性未验证 | 分子含 $X_1$ 、分母也含 $X_1$ 时**不独立**,不能用 $t$ /$F$ 定义 |
|
||||
| 自由度算错 | $\chi^2$ 用 $n$ (或 $n-1$ )、$t$ 用 $n-1$ 、$F$ 用 $(m-1,n-1)$ |
|
||||
|
||||
### 2.6 顺序统计量 🟨2016·23 🟨2024·22
|
||||
|
||||
把样本按**从小到大**排列:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。
|
||||
|
||||
- $X_{(1)}=\min\{X_1,\cdots,X_n\}$ —— **最小**顺序统计量;
|
||||
- $X_{(n)}=\max\{X_1,\cdots,X_n\}$ —— **最大**顺序统计量。
|
||||
|
||||
**最大值/最小值的分布(背下来,解答题直接用)**
|
||||
|
||||
$$F_{(n)}(x)=[F(x)]^n,\qquad f_{(n)}(x)=n[F(x)]^{n-1}f(x);$$
|
||||
$$F_{(1)}(x)=1-[1-F(x)]^n,\qquad f_{(1)}(x)=n[1-F(x)]^{n-1}f(x).$$
|
||||
|
||||
> **推导(一行)**:$F_{(n)}(x)=P\{\max\le x\}=P\{X_1\le x,\cdots,X_n\le x\}\overset{\text{独立}}{=}\prod P\{X_i\le x\}=[F(x)]^n$ 。
|
||||
> 最小值用**对立事件**:$P\{\min> x\}=P\{X_1>x\}^n=[1-F(x)]^n$ 。
|
||||
|
||||
**常用期望($\theta$ 为参数上限型分布时必用)**
|
||||
|
||||
| 总体 | $EX_{(n)}$ | $EX_{(n)}^2$ |
|
||||
|---|---|---|
|
||||
| $X\sim U(0,\theta)$ | $\dfrac{n}{n+1}\theta$ | $\dfrac{n}{n+2}\theta^2$ |
|
||||
| $f(x)=\dfrac{3x^2}{\theta^3},0<x<\theta$ | $\dfrac{3n}{3n+1}\theta$ | $\dfrac{3n}{3n+2}\theta^2$ |
|
||||
| $f(x)=\dfrac{2x}{\theta^2},0<x<\theta$ | $\dfrac{2n}{2n+1}\theta$ | $\dfrac{2n}{2n+2}\theta^2$ |
|
||||
|
||||
> **一般式**:若 $f(x)=\dfrac{kx^{k-1}}{\theta^k},0<x<\theta$ ,则 $X_{(n)}$ 服从「幂型」,$EX_{(n)}=\dfrac{kn}{kn+1}\theta$ 。
|
||||
|
||||
**(了解)第 $k$ 个顺序统计量的密度**
|
||||
|
||||
$$f_{(k)}(x)=\frac{n!}{(k-1)!\,(n-k)!}\,\big[F(x)\big]^{k-1}\,\big[1-F(x)\big]^{n-k}\,f(x),$$
|
||||
|
||||
把 $k=1$ 、$k=n$ 代进去,正好还原上面的 min、max 两式。数一大纲不直接要求,但讲课时会提——**考场上 max/min 够用了**。
|
||||
|
||||
---
|
||||
|
||||
## 3. 参数的点估计 🟦05 🟨(本讲分值最重)
|
||||
|
||||
> **点估计 = 造一个统计量 $\hat\theta(X_1,\cdots,X_n)$ 去"顶替"未知参数 $\theta$ 。** 两种造法:**矩估计**(用矩换矩)与**极大似然**(找最"像"的参数)。
|
||||
|
||||
### 3.1 矩估计法
|
||||
|
||||
**思想**:**用样本矩替换总体矩**(大数定律保证"样本矩 → 总体矩")。
|
||||
|
||||
**步骤**:
|
||||
1. 写出含 $\theta$ 的总体矩 $E X^k$ (**一个参数用一阶矩,两个参数用一、二阶矩**);
|
||||
2. 令 $E X^k=A_k=\dfrac1n\sum X_i^k$ ;
|
||||
3. 解方程得 $\hat\theta$ 。
|
||||
|
||||
**两个参数的模板**:
|
||||
|
||||
$$\begin{cases}E X=\bar X\\[4pt] E X^2=\dfrac1n\sum X_i^2\end{cases}\ \Longrightarrow\ \hat\mu=\bar X,\quad \hat\sigma^2=\frac1n\sum(X_i-\bar X)^2=B_2 .$$
|
||||
|
||||
> ⚠️ **注意**:矩估计给出的方差估计是 **$B_2$ (除以 $n$ )**,**不是 $S^2$ (除以 $n-1$ )**!两者都是 $\sigma^2$ 的估计量,但**只有 $S^2$ 无偏**。
|
||||
|
||||
### 3.2 最大似然估计(MLE)
|
||||
|
||||
**思想**:既然观测到了 $(x_1,\cdots,x_n)$ ,那就选**让这组样本出现概率最大**的 $\theta$ 。
|
||||
|
||||
**步骤(常规可微情形)**:
|
||||
|
||||
1. **写似然函数** $L(\theta)=\prod\limits_{i=1}^{n}f(x_i;\theta)$ (离散型用 $\prod p(x_i;\theta)$ );
|
||||
2. **取对数** $\ln L(\theta)$ (连乘变连加);
|
||||
3. **求导令零** $\dfrac{\mathrm d\ln L}{\mathrm d\theta}=0$ ;
|
||||
4. **解出 $\hat\theta$ **,并写成**大写** $\hat\theta(X_1,\cdots,X_n)$ 才是"估计量"。
|
||||
|
||||
> **为什么取对数?** 因为 $\ln$ 单调递增,$L$ 与 $\ln L$ 在**同一点**取极值,而连加比连乘好求导。
|
||||
|
||||
**不可微 / 单调情形(每年必有一道,必须掌握)**
|
||||
|
||||
当 $L(\theta)$ 关于 $\theta$ **单调**(通常因为支撑集含 $\theta$ )时,$\hat\theta$ **不是驻点**,而是**取值边界**:
|
||||
|
||||
| 情形 | 结论 |
|
||||
|---|---|
|
||||
| $X\sim U(0,\theta)$ ,$f=\dfrac1\theta$ ,$0<x<\theta$ | $\hat\theta=X_{(n)}=\max X_i$ (**取最大**,保证所有 $x_i<\theta$ ) |
|
||||
| $X\sim U(\theta_1,\theta_2)$ | $\hat\theta_1=X_{(1)}$ ,$\hat\theta_2=X_{(n)}$ |
|
||||
| $f(x;\theta)=\dfrac{1}{\theta}$ ,$\theta\le x\le 2\theta$ 型 | 由 $\theta\le X_{(1)}$ 与 $X_{(n)}\le2\theta$ 夹出 $[\tfrac{X_{(n)}}2,\ X_{(1)}]$ ,任取一点皆可(**通常取端点**) |
|
||||
|
||||
> **口诀**:**"能求导就求导;不能求导看单调,往边界上找。"**
|
||||
|
||||
**三类高频载体(记住结果,考场直接写)**
|
||||
|
||||
| 分布 | 密度 | 矩估计 | 极大似然估计 |
|
||||
|---|---|---|---|
|
||||
| 拉普拉斯 | $\dfrac{1}{2\lambda}\mathrm e^{-\lvert x\rvert/\lambda}$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ | $\hat\lambda=\dfrac1n\sum\lvert X_i\rvert$ |
|
||||
| 均匀 $U(0,\theta)$ | $\dfrac1\theta,0<x<\theta$ | $\hat\theta=2\bar X$ | $\hat\theta=X_{(n)}$ |
|
||||
| 幂型 | $f(x)=\theta x^{\theta-1}$ ($0<x<1,\ \theta>0$ ) | $\hat\theta=\dfrac{\bar X}{1-\bar X}$ | $\hat\theta=-\dfrac{n}{\sum\ln X_i}$ |
|
||||
|
||||
> **两个特殊的"坑"分布**:
|
||||
> - **半正态**(含 $x\ge\mu$ 的指示):$\hat{\sigma^2}=\dfrac1n\sum(X_i-\mu)^2$ ;常数 $A=\sqrt{2/\pi}$ ;
|
||||
> - **两样本同参数**(如 $X\sim P(\lambda)$ 、$Y\sim P(2\lambda)$ ):把**两组似然先相乘再求导**,得 $\hat\lambda=\dfrac{\sum X_i+\sum Y_j}{n+2m}$ 。
|
||||
|
||||
---
|
||||
|
||||
#### 【例 3-1】两样本泊松分布 MLE + 方差(锚 2022·22)
|
||||
|
||||
> 设 $X_1,\cdots,X_n$ 来自参数为 $\theta$ 的泊松分布 $P(\theta)$ ,$Y_1,\cdots,Y_m$ 来自参数为 $2\theta$ 的泊松分布 $P(2\theta)$ ,两组样本相互独立,$\theta>0$ 未知。求 $\theta$ 的极大似然估计 $\hat\theta$ 及 $D(\hat\theta)$ 。
|
||||
|
||||
**第①步 写似然函数(两组相乘)**:
|
||||
|
||||
泊松分布律 $P\{X=k\}=\dfrac{\lambda^k e^{-\lambda}}{k!}$ 。两组样本独立,联合似然 = X 组似然 × Y 组似然:
|
||||
|
||||
$$L(\theta)=\underbrace{\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}}_{\text{X 组,参数 }\theta}\ \cdot\ \underbrace{\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}}_{\text{Y 组,参数 }2\theta}$$
|
||||
|
||||
**第②步 整理**:
|
||||
|
||||
把常数项(与 $\theta$ 无关)合并,$\theta$ 的幂合并:
|
||||
|
||||
$$L(\theta)=\frac{2^{\sum y_j}\,\theta^{\sum x_i+\sum y_j}\,e^{-n\theta-2m\theta}}{\prod x_i!\,\prod y_j!}$$
|
||||
|
||||
> **关键观察**:
|
||||
> - X 组贡献 $\theta^{x_i}$ 和 $e^{-\theta}$ (n 个样本);
|
||||
> - Y 组贡献 $(2\theta)^{y_j}=2^{y_j}\theta^{y_j}$ 和 $e^{-2\theta}$ (m 个样本);
|
||||
> - 所以 $\theta$ 的总幂次是 $\sum x_i+\sum y_j$ ,指数上总共有 $n\theta+2m\theta=(n+2m)\theta$ 。
|
||||
|
||||
**第③步 取对数求导**:
|
||||
|
||||
$$\ln L(\theta)=\Big(\sum x_i+\sum y_j\Big)\ln\theta+\Big(\sum y_j\Big)\ln2-(n+2m)\theta-\ln(\prod x_i!\prod y_j!)$$
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0$$
|
||||
|
||||
解得:
|
||||
|
||||
$$\boxed{\ \hat\theta=\frac{\sum_{i=1}^{n}X_i+\sum_{j=1}^{m}Y_j}{n+2m}\ }$$
|
||||
|
||||
> **⚠️ 易错 1**:分母是 $n+2m$ ,不是 $n+m$ !因为 Y 组每个样本携带的参数是 $2\theta$ ,相当于"两个 θ 的信息量",所以分母里 Y 组的权重是 $2m$ 。
|
||||
> **⚠️ 易错 2**:分子里 Y 组就是 $\sum Y_j$ ,不要写成 $2\sum Y_j$ 。$2\theta$ 那个 2 在取对数时变成了 $\sum y_j\ln2$ 这一项(常数,求导后消失),不会进到分子里。
|
||||
|
||||
**第④步 求 $D(\hat\theta)$ **:
|
||||
|
||||
$$\hat\theta=\frac{\sum X_i+\sum Y_j}{n+2m}$$
|
||||
|
||||
由泊松分布性质 $D(X_i)=\theta$ 、$D(Y_j)=2\theta$ ,且各组样本独立:
|
||||
|
||||
$$D(\hat\theta)=\frac{D(\sum X_i)+D(\sum Y_j)}{(n+2m)^2}=\frac{n\cdot\theta+m\cdot2\theta}{(n+2m)^2}=\frac{\theta(n+2m)}{(n+2m)^2}$$
|
||||
|
||||
$$\boxed{\ D(\hat\theta)=\frac{\theta}{n+2m}\ }$$
|
||||
|
||||
> **顺便验证无偏性**:$E\hat\theta=\dfrac{n\theta+m\cdot2\theta}{n+2m}=\theta$ ,所以 $\hat\theta$ 是 $\theta$ 的无偏估计。
|
||||
|
||||
---
|
||||
|
||||
**这类题的通用模板**(看到"两样本共享一个未知参数"就套):
|
||||
|
||||
1. 两组样本的分布里都出现同一个 $\theta$ (但参数可能带系数,如 $\theta$ 与 $2\theta$ );
|
||||
2. 似然函数 = 两组似然**相乘**;
|
||||
3. 取对数后,$\theta$ 的系数(幂次)来自两组所有样本;
|
||||
4. 指数项 $e^{-(\text{样本数加权})\theta}$ 里的权重要按参数倍数算(Y 组是 $2\theta$ 就贡献 $2m\theta$ );
|
||||
5. 求导后解出 $\hat\theta$ ,再用 $D(\sum)=nD(X)$ 算方差。
|
||||
|
||||
**极大似然估计的不变性原理(重要)**
|
||||
|
||||
> 若 $\hat\theta$ 是 $\theta$ 的极大似然估计,$g(\cdot)$ 是任意函数(通常单调),则 **$g(\hat\theta)$ 是 $g(\theta)$ 的极大似然估计**。
|
||||
|
||||
$$\widehat{g(\theta)}=g(\hat\theta).$$
|
||||
|
||||
**用途**:不必为新参数重新建似然函数。典型例子:
|
||||
|
||||
- 正态总体 $N(\mu,\sigma^2)$ :$\hat\sigma^2_{MLE}=\dfrac1n\sum(X_i-\bar X)^2$ (注意**除以 $n$ 、有偏**)⟹ 直接得 $\hat\sigma_{MLE}=\sqrt{\hat\sigma^2_{MLE}}$ ;
|
||||
- $X\sim U(0,\theta)$ :$\hat\theta=X_{(n)}$ ⟹ $\theta^2$ 的 MLE 就是 $X_{(n)}^2$ 、$1/\theta$ 的 MLE 就是 $1/X_{(n)}$ 。
|
||||
|
||||
> ⚠️ **注意区分**:**无偏性没有不变性**!$E\hat\theta=\theta$ **推不出** $Eg(\hat\theta)=g(\theta)$ (如 $S=\sqrt{S^2}$ 就不是 $\sigma$ 的无偏估计)。**"MLE 有不变性,无偏性没有"**——这是常考的概念辨析点。
|
||||
|
||||
### 3.3 估计量的评价标准
|
||||
|
||||
#### 3.3.1 无偏性(考得最多)
|
||||
|
||||
$$E\hat\theta=\theta\quad(\text{对一切 }\theta\in\Theta)\ \Longrightarrow\ \hat\theta\ \text{是}\ \theta\ \text{的无偏估计}.$$
|
||||
|
||||
**无偏性的传播法则**(极其好用):
|
||||
|
||||
$$E\hat\theta=\theta\ \Longrightarrow\ E(a\hat\theta+b)=a\theta+b .$$
|
||||
|
||||
> **常见结论**:$E\bar X=\mu$ 、$ES^2=\sigma^2$ (无偏);$B_2=\frac1n\sum(X_i-\bar X)^2$ (**有偏**)。
|
||||
|
||||
#### 3.3.2 有效性
|
||||
|
||||
两个**都无偏**的估计量,**方差越小越有效**:
|
||||
|
||||
$$D\hat\theta_1<D\hat\theta_2\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.$$
|
||||
|
||||
> **⚠️ 前提**:**必须先都无偏**,才能比有效性!无偏 ≠ 有效,两者是**两级筛选**。
|
||||
|
||||
#### 3.3.3 均方误差(MSE)—— 2024 年新考点
|
||||
|
||||
$$h(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\big(E\hat\theta-\theta\big)^2=\text{方差}+\text{偏差}^2 .$$
|
||||
|
||||
**当 $E\hat\theta=\theta$ 时,$h(\hat\theta)=D\hat\theta$ **(MSE 退化为方差);否则**有偏的估计量 MSE 反而可能更小**。
|
||||
|
||||
> **2024·22 的考点**:让 MSE 最小的 $c$ ,通常**不等于**让估计无偏的 $c$ ——**要展开成 $c$ 的二次函数求顶点**。
|
||||
> 展开模板(以 $T_c=cX_{(n)}$ 为例):
|
||||
> $$h(c)=c^2\,E X_{(n)}^2-2c\,\theta\,EX_{(n)}+\theta^2,\qquad h'(c)=0\Longrightarrow c=\frac{\theta\,EX_{(n)}}{EX_{(n)}^2}.$$
|
||||
|
||||
#### 3.3.4 一致性(相合性)
|
||||
|
||||
$$\forall\varepsilon>0,\ \lim_{n\to\infty}P\{\lvert\hat\theta-\theta\rvert<\varepsilon\}=1\quad\Longleftrightarrow\quad \hat\theta\xrightarrow{\ P\ }\theta .$$
|
||||
|
||||
> **联系第 5 讲**:这就是**大数定律**的语言——$\bar X$ 是 $\mu$ 的一致估计量的直接理由。
|
||||
|
||||
### 3.4 三个标准的关系(速记)
|
||||
|
||||
> **无偏**管"准不准"(偏差为 0);**有效**管"稳不稳"(方差最小);**一致**管"样本多了会不会靠近"。
|
||||
> 数学上:**无偏 + 方差趋于 0 $\Rightarrow$ 一致**。
|
||||
|
||||
---
|
||||
|
||||
## 4. 参数的区间估计 🟦06 🟨2016·14(**仅数学一**)
|
||||
|
||||
> **点估计给一个数,区间估计给一个"带可信度的范围"。**
|
||||
|
||||
### 4.1 基本概念
|
||||
|
||||
$$P\{\underline\theta<\theta<\bar\theta\}=1-\alpha .$$
|
||||
|
||||
| 名词 | 含义 |
|
||||
|---|---|
|
||||
| $1-\alpha$ | **置信度 / 置信水平**(可信程度) |
|
||||
| $\alpha$ | **显著性水平**(犯错的概率,通常 0.05、0.01、0.1) |
|
||||
| $(\underline\theta,\bar\theta)$ | **置信区间**;两端分别叫**置信下限**、**置信上限** |
|
||||
| 区间长度 | 反映**估计精度**;长度越短越精确 |
|
||||
|
||||
> **正确理解**:**不是**"$\theta$ 落在区间内的概率是 $1-\alpha$ "($\theta$ 是常数、不是随机变量),而是"**反复抽样得到的区间中,平均 100 次有 $100(1-\alpha)$ 次盖住 $\theta$ **"。
|
||||
|
||||
### 4.2 枢轴变量法(万能套路)
|
||||
|
||||
1. **找点估计** $\hat\theta$ (一般取 MLE 或 $\bar X$ 、$S^2$ );
|
||||
2. **造枢轴量** $I=I(\hat\theta,\theta)$ :**含未知参数 $\theta$ ,但分布已知且与 $\theta$ 无关**(正态、$\chi^2$ 、$t$ 、$F$ );
|
||||
3. **定分位点**:按 $P\{\text{下分位}\le I\le\text{上分位}\}=1-\alpha$ 取上 $\alpha/2$ 分位点;
|
||||
4. **解不等式**:把 $\theta$ 解到中间,得到 $(\underline\theta,\bar\theta)$ 。
|
||||
|
||||
### 4.3 正态总体四大区间估计(**必背表**)
|
||||
|
||||
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ ,置信度 $1-\alpha$ 。
|
||||
|
||||
| 待估参数 | 条件 | 枢轴量 | 置信区间 |
|
||||
|---|---|---|---|
|
||||
| $\mu$ | $\sigma$ **已知** | $U=\dfrac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1)$ | $\left[\bar X-u_{\alpha/2}\dfrac{\sigma}{\sqrt n},\ \bar X+u_{\alpha/2}\dfrac{\sigma}{\sqrt n}\right]$ |
|
||||
| $\mu$ | $\sigma$ **未知** | $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ | $\left[\bar X-t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n},\ \bar X+t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}\right]$ |
|
||||
| $\sigma^2$ | $\mu$ **已知** | $\dfrac{\sum(X_i-\mu)^2}{\sigma^2}\sim\chi^2(n)$ | $\left[\dfrac{\sum(X_i-\mu)^2}{\chi^2_{\alpha/2}(n)},\ \dfrac{\sum(X_i-\mu)^2}{\chi^2_{1-\alpha/2}(n)}\right]$ |
|
||||
| $\sigma^2$ | $\mu$ **未知** | $\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}(n-1)},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}(n-1)}\right]$ |
|
||||
|
||||
**⚠️ $\chi^2$ 区间的两端分位点"反着放"**:因为 $\chi^2$ **分布不对称**,且 $\sigma^2$ 在**分母**——所以**上分位点配下限、下分位点配上限**。这是最容易抄错的地方。
|
||||
|
||||
**三个"看条件"的读法**:
|
||||
|
||||
- $\sigma$ 已知 → $U$ (正态);$\sigma$ 未知 → $t$ (且自由度 $n-1$ );
|
||||
- $\mu$ 已知 → $\chi^2(n)$ ;$\mu$ 未知 → $\chi^2(n-1)$ ;
|
||||
- **一句话**:**"知道谁就用谁,$\mu$ 未知换 $\bar X$ 减自由度,$\sigma$ 未知换 $S$ 变 $t$ "**。
|
||||
|
||||
### 4.4 单侧置信区间
|
||||
|
||||
| 类型 | 枢轴量形式 | 区间 |
|
||||
|---|---|---|
|
||||
| 单侧**上限**($P\{\mu<\bar\mu\}=1-\alpha$ ) | $u_\alpha$ (单侧) | $\left[\,\bar X-u_\alpha\dfrac{\sigma}{\sqrt n},\ +\infty\right)$ |
|
||||
| 单侧**下限**($P\{\mu>\underline\mu\}=1-\alpha$ ) | | $\left(-\infty,\ \bar X+u_\alpha\dfrac{\sigma}{\sqrt n}\right]$ |
|
||||
|
||||
> **单双侧的分位数互换**:单侧用 $u_\alpha$ (不是 $u_{\alpha/2}$ );同理 $t_\alpha(n-1)$ 。
|
||||
> **大小关系**:同一置信度下,**单侧区间的"半宽"更小**(因为全部 $\alpha$ 集中在一侧)。
|
||||
|
||||
> 🟨 **2016·14 的考法**:给出 $\bar X$ 和**置信上限**,反求**置信下限**。因为双侧区间**关于 $\bar X$ 对称**,所以
|
||||
> $$\text{下限}=\bar X-\big(\text{上限}-\bar X\big)=2\bar X-\text{上限}.$$
|
||||
> **一句话**:**"上限 + 下限 = 2 $\bar X$ "**(仅对均值的对称区间成立;方差区间不成立)。
|
||||
|
||||
### 4.5 两个正态总体的区间估计 🟩(**数一大纲要求**)
|
||||
|
||||
设 $X_1,\cdots,X_m$ 来自 $N(\mu_1,\sigma_1^2)$ ,$Y_1,\cdots,Y_n$ 来自 $N(\mu_2,\sigma_2^2)$ ,**两组样本相互独立**,置信度 $1-\alpha$ 。
|
||||
|
||||
**(1)均值差 $\mu_1-\mu_2$ 的置信区间**
|
||||
|
||||
| 条件 | 枢轴量 | 置信区间 |
|
||||
|---|---|---|
|
||||
| $\sigma_1^2,\sigma_2^2$ **均已知** | $U=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{\sqrt{\sigma_1^2/m+\sigma_2^2/n}}\sim N(0,1)$ | $(\bar X-\bar Y)\pm u_{\alpha/2}\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ |
|
||||
| $\sigma_1^2=\sigma_2^2$ **未知**($T$ ) | $T=\dfrac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | $(\bar X-\bar Y)\pm t_{\alpha/2}(m+n-2)\,S_w\sqrt{\dfrac1m+\dfrac1n}$ |
|
||||
|
||||
其中合并方差 $S_w^2=\dfrac{(m-1)S_1^2+(n-1)S_2^2}{m+n-2}$ 。
|
||||
|
||||
> **记法要点**:区间**中心永远是点估计 $\bar X-\bar Y$ **,半宽 = 「分位点 × 该估计量的标准差」。$\mu_1-\mu_2$ 的估计量方差是 $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ (**两样本方差各自除以自身容量再相加**)——别漏掉任何一项。
|
||||
|
||||
**(2)方差比 $\sigma_1^2/\sigma_2^2$ 的置信区间**
|
||||
|
||||
由 $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ ,解出
|
||||
|
||||
$$\left[\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{\alpha/2}(m-1,n-1)},\quad \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{1-\alpha/2}(m-1,n-1)}\ \right].$$
|
||||
|
||||
> **⚠️ 两端同样"反着放"**:因为 $\sigma_1^2/\sigma_2^2$ 在**分母**,且 $F$ 分布不对称——**大分位点配下限、小分位点配上限**。附:$F_{1-\alpha/2}(m-1,n-1)=\dfrac{1}{F_{\alpha/2}(n-1,m-1)}$ ,查表时要**两个自由度都互换**。
|
||||
|
||||
---
|
||||
|
||||
## 5. 假设检验 🟦07 🟨2025·10(**仅数学一**)
|
||||
|
||||
### 5.1 基本思想
|
||||
|
||||
> **小概率事件在一次试验中不应发生。** 若在"$H_0$ 成立"的前提下,观测到的样本值属于**小概率事件**,则**拒绝 $H_0$ **。
|
||||
|
||||
### 5.2 假设检验四步
|
||||
|
||||
1. **提假设**:原假设 $H_0$ 与备择假设 $H_1$ (通常把"想否定的、被保护的说法"放 $H_0$ );
|
||||
2. **选统计量**:按 $\sigma$ 已知/未知、$\mu$ 已知/未知选 $U$ 、$T$ 、$\chi^2$ 、$F$ ,并写出 $H_0$ 成立时的分布;
|
||||
3. **定拒绝域**:给定 $\alpha$ ,按 $P\{\text{拒绝}H_0\mid H_0\text{真}\}=\alpha$ 定临界值;
|
||||
4. **下结论**:算统计量观测值,**落在拒绝域就拒绝 $H_0$ **,否则接受。
|
||||
|
||||
---
|
||||
|
||||
#### 【例 5-1】$U$ 检验·双侧·$\sigma$ 已知(走一遍完整四步)
|
||||
|
||||
> 某厂生产的螺钉长度 $X\sim N(\mu, 0.2^2)$ (单位:mm)。现抽 $n=16$ 个,算得样本平均长度 $\bar x=2.12$ mm。在显著性水平 $\alpha=0.05$ 下,能否认为螺钉平均长度为 $\mu_0=2.10$ mm?(已知 $u_{0.025}=1.96$ )
|
||||
|
||||
**第①步 提假设**:
|
||||
|
||||
$$H_0:\mu=2.10,\qquad H_1:\mu\ne 2.10\quad(\text{双侧}).$$
|
||||
|
||||
**第②步 选统计量**:$\sigma=0.2$ **已知**,选 $U$ 检验:
|
||||
|
||||
$$U=\frac{\bar X-\mu_0}{\sigma/\sqrt n}\ \xrightarrow{H_0}\ N(0,1).$$
|
||||
|
||||
**第③步 定拒绝域**:双侧,分位点 $u_{\alpha/2}=u_{0.025}=1.96$ :
|
||||
|
||||
$$W=\{\,|U|\ge 1.96\,\}.$$
|
||||
|
||||
**第④步 算观测值、下结论**:
|
||||
|
||||
$$u=\frac{2.12-2.10}{0.2/\sqrt{16}}=\frac{0.02}{0.05}=0.4.$$
|
||||
|
||||
$|0.4|<1.96$ ,**不在拒绝域内**,故**接受 $H_0$ **——可以认为螺钉平均长度为 $2.10$ mm。
|
||||
|
||||
> **⚠️ 易错**:分母是 $\sigma/\sqrt n=0.2/4=0.05$ ,不是 $\sigma=0.2$ 也不是 $S/\sqrt n$ 。
|
||||
|
||||
---
|
||||
|
||||
#### 【例 5-2】$U$ 检验·单侧右侧·$\sigma$ 已知(锚 2025·10)
|
||||
|
||||
> 某元件寿命 $X\sim N(\mu, 2)$ (单位:千小时)。现抽 $n=9$ 个,算得 $\bar x=1.8$ 千小时。在 $\alpha=0.05$ 下,是否有理由认为元件平均寿命**大于** $1$ 千小时?(已知 $u_{0.05}=1.645$ )
|
||||
|
||||
**第①步 提假设**(**方向跟着 $H_1$ 跑**):
|
||||
|
||||
$$H_0:\mu\le 1,\qquad H_1:\mu>1\quad(\text{右侧检验}).$$
|
||||
|
||||
**第②步 选统计量**:$\sigma^2=2$ **已知**,故 $\sigma=\sqrt2$ :
|
||||
|
||||
$$U=\frac{\bar X-1}{\sqrt2/\sqrt9}=\frac{\bar X-1}{\sqrt2/3}\ \xrightarrow{H_0}\ N(0,1).$$
|
||||
|
||||
**第③步 定拒绝域**:右侧,**单侧**分位点 $u_{\alpha}=u_{0.05}=1.645$ (**不是** $u_{0.025}$ ):
|
||||
|
||||
$$W=\{\,U\ge 1.645\,\}.$$
|
||||
|
||||
**第④步 算观测值、下结论**:
|
||||
|
||||
$$u=\frac{1.8-1}{\sqrt2/3}=\frac{0.8\times 3}{\sqrt2}=\frac{2.4}{1.414}\approx 1.70.$$
|
||||
|
||||
$1.70>1.645$ ,**落在拒绝域内**,故**拒绝 $H_0$ **——有理由认为元件平均寿命大于 $1$ 千小时。
|
||||
|
||||
> **⚠️ 易错 1**:$\sigma^2=2$ 时 $\sigma=\sqrt2$ ,别把方差直接当代入分母。
|
||||
> **⚠️ 易错 2**:单侧用 $u_\alpha=1.645$ ,双侧才用 $u_{\alpha/2}=1.96$ 。方向不同,分位点不同。
|
||||
|
||||
---
|
||||
|
||||
### 5.3 三类假设与拒绝域方向
|
||||
|
||||
| 类型 | $H_0$ | $H_1$ | 拒绝域在 |
|
||||
|---|---|---|---|
|
||||
| **双边** | $\theta=\theta_0$ | $\theta\ne\theta_0$ | **两侧**($\lvert\cdot\rvert\ge$ ) |
|
||||
| **右侧** | $\theta\le\theta_0$ | $\theta>\theta_0$ | **右尾**($\ge$ ) |
|
||||
| **左侧** | $\theta\ge\theta_0$ | $\theta<\theta_0$ | **左尾**($\le$ ) |
|
||||
|
||||
> **方向判断口诀**:**拒绝域跟着 $H_1$ 跑**——$H_1$ 是"$>$ "就放在右侧,$H_1$ 是"$<$ "就放在左侧,$H_1$ 是"$\ne$ "就放两侧。
|
||||
|
||||
### 5.4 正态总体六大检验(拒绝域速查表)
|
||||
|
||||
设 $X_1,\cdots,X_n\sim N(\mu,\sigma^2)$ 。
|
||||
|
||||
| 检验参数 | 条件 | 统计量 | $H_1$ 方向 | 拒绝域 |
|
||||
|---|---|---|---|---|
|
||||
| $\mu$ | $\sigma=\sigma_0$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\mu_0}{\sigma_0/\sqrt n}\sim N(0,1)$ | $\mu\ne\mu_0$ | $\lvert u\rvert\ge u_{\alpha/2}$ |
|
||||
| | | | $\mu>\mu_0$ | $u\ge u_\alpha$ |
|
||||
| | | | $\mu<\mu_0$ | $u\le-u_\alpha$ |
|
||||
| $\mu$ | $\sigma$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\mu_0}{S/\sqrt n}\sim t(n-1)$ | $\mu\ne\mu_0$ | $\lvert t\rvert\ge t_{\alpha/2}(n-1)$ |
|
||||
| | | | $\mu>\mu_0$ | $t\ge t_\alpha(n-1)$ |
|
||||
| | | | $\mu<\mu_0$ | $t\le-t_\alpha(n-1)$ |
|
||||
| $\sigma^2$ | $\mu$ **已知**($\chi^2$ 检验) | $\chi^2=\dfrac{\sum(X_i-\mu)^2}{\sigma_0^2}\sim\chi^2(n)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n)$ 或 $\ge\chi^2_{\alpha/2}(n)$ |
|
||||
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n)$ |
|
||||
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n)$ |
|
||||
| $\sigma^2$ | $\mu$ **未知**($\chi^2$ 检验) | $\chi^2=\dfrac{(n-1)S^2}{\sigma_0^2}\sim\chi^2(n-1)$ | $\sigma^2\ne\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha/2}(n-1)$ 或 $\ge\chi^2_{\alpha/2}(n-1)$ |
|
||||
| | | | $\sigma^2>\sigma_0^2$ | $\chi^2\ge\chi^2_\alpha(n-1)$ |
|
||||
| | | | $\sigma^2<\sigma_0^2$ | $\chi^2\le\chi^2_{1-\alpha}(n-1)$ |
|
||||
|
||||
**记忆口诀**:**"$\sigma$ 知用 $U$ 、$\sigma$ 不知用 $T$ ;$\mu$ 知用 $\chi^2(n)$ 、$\mu$ 不知用 $\chi^2(n-1)$ 。"**
|
||||
|
||||
> 🟨 **2025·10 的解法**:$\sigma$ 已知 ⟹ 用 $U$ 检验;$H_1:\mu>1$ ⟹ **右尾**;拒绝域
|
||||
> $$\bar X\ \ge\ \mu_0+Z_\alpha\frac{\sigma}{\sqrt n}=1+Z_\alpha\sqrt{\frac{2}{n}} .$$
|
||||
> **注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ **,别把方差当标准差代入。
|
||||
|
||||
---
|
||||
|
||||
#### 【例 5-3】$T$ 检验·双侧·$\sigma$ 未知
|
||||
|
||||
> 某班数学成绩 $X\sim N(\mu,\sigma^2)$ ,$\sigma$ **未知**。现抽 $n=9$ 人,算得 $\bar x=72$ 分,$s=4.5$ 分。在 $\alpha=0.05$ 下,能否认为该班平均成绩为 $75$ 分?(已知 $t_{0.025}(8)=2.306$ )
|
||||
|
||||
**第①步**:$H_0:\mu=75$ ,$H_1:\mu\ne75$ 。
|
||||
|
||||
**第②步**:$\sigma$ **未知**,用 $S$ 代替 $\sigma$ ,选 $T$ 检验,自由度 $n-1=8$ :
|
||||
|
||||
$$T=\frac{\bar X-75}{S/\sqrt n}\ \xrightarrow{H_0}\ t(8).$$
|
||||
|
||||
**第③步**:双侧拒绝域 $W=\{\,|T|\ge t_{0.025}(8)=2.306\,\}$ 。
|
||||
|
||||
**第④步**:
|
||||
|
||||
$$t=\frac{72-75}{4.5/\sqrt9}=\frac{-3}{1.5}=-2,\qquad |t|=2<2.306.$$
|
||||
|
||||
**接受 $H_0$ **——可以认为该班平均成绩为 75 分。
|
||||
|
||||
> **口诀对照**:$\sigma$ 已知用 $U$ 、$\sigma$ 未知用 $T$ ;自由度从 $n$ 变 $n-1$ 。
|
||||
|
||||
---
|
||||
|
||||
#### 【例 5-4】$\chi^2$ 检验·方差·$\mu$ 未知
|
||||
|
||||
> 某厂钢丝折断力 $X\sim N(\mu,\sigma^2)$ 。现抽 $n=10$ 根,算得样本方差 $s^2=48.2$ 。在 $\alpha=0.05$ 下,能否认为折断力的方差为 $\sigma_0^2=64$ ?(已知 $\chi^2_{0.025}(9)=19.02$ ,$\chi^2_{0.975}(9)=2.70$ )
|
||||
|
||||
**第①步**:$H_0:\sigma^2=64$ ,$H_1:\sigma^2\ne64$ 。
|
||||
|
||||
**第②步**:$\mu$ **未知**,用样本均值代替,自由度 $n-1=9$ :
|
||||
|
||||
$$\chi^2=\frac{(n-1)S^2}{\sigma_0^2}\ \xrightarrow{H_0}\ \chi^2(9).$$
|
||||
|
||||
**第③步**:$\chi^2$ 分布**不对称**,双侧拒绝域要**两端分别查**:
|
||||
|
||||
$$W=\{\,\chi^2\le\chi^2_{0.975}(9)=2.70\ \text{或}\ \chi^2\ge\chi^2_{0.025}(9)=19.02\,\}.$$
|
||||
|
||||
**第④步**:
|
||||
|
||||
$$\chi^2=\frac{9\times 48.2}{64}=\frac{433.8}{64}\approx 6.78.$$
|
||||
|
||||
$2.70<6.78<19.02$ ,**不在拒绝域内**,**接受 $H_0$ **——可以认为折断力方差为 64。
|
||||
|
||||
> **⚠️ 易错**:$\chi^2$ 双侧拒绝域不是 $|\chi^2|\ge c$ 这种对称写法!它**左尾一个临界值、右尾一个临界值**,必须分别查 $\chi^2_{\alpha/2}(n-1)$ 和 $\chi^2_{1-\alpha/2}(n-1)$ 。
|
||||
|
||||
---
|
||||
|
||||
### 5.5 区间估计与假设检验的对偶关系(高频理解题)
|
||||
|
||||
> **置信度 $1-\alpha$ 的双侧置信区间** $\Longleftrightarrow$ **显著性水平 $\alpha$ 的双侧检验的接受域**。
|
||||
|
||||
具体地:**$\mu_0$ 落在置信区间内 $\Longleftrightarrow$ 不拒绝 $H_0:\mu=\mu_0$ **。所以两类问题常常互相转化。
|
||||
|
||||
### 5.6 两个正态总体的假设检验 🟩(**数一大纲要求**)
|
||||
|
||||
两组样本来自 $N(\mu_1,\sigma_1^2)$ (容量 $m$ )与 $N(\mu_2,\sigma_2^2)$ (容量 $n$ )且相互独立。
|
||||
|
||||
| 检验对象 | 条件 | 统计量 | 拒绝域(以 $H_1$ 方向定) |
|
||||
|---|---|---|---|
|
||||
| $\mu_1=\mu_2$ | $\sigma_1^2,\sigma_2^2$ **已知**($U$ 检验) | $U=\dfrac{\bar X-\bar Y}{\sqrt{\frac{\sigma_1^2}{m}+\frac{\sigma_2^2}{n}}}$ | 双侧 $\lvert u\rvert\ge u_{\alpha/2}$ ;单侧 $u\ge u_\alpha$ 或 $u\le-u_\alpha$ |
|
||||
| $\mu_1=\mu_2$ | $\sigma_1^2=\sigma_2^2$ **未知**($T$ 检验) | $T=\dfrac{\bar X-\bar Y}{S_w\sqrt{\frac1m+\frac1n}}\sim t(m+n-2)$ | 双侧 $\lvert t\rvert\ge t_{\alpha/2}(m+n-2)$ |
|
||||
| $\sigma_1^2=\sigma_2^2$ | 两总体**正态**($F$ 检验) | $F=\dfrac{S_1^2}{S_2^2}\sim F(m-1,n-1)$ | 双侧 $F\le F_{1-\alpha/2}(m-1,n-1)$ 或 $F\ge F_{\alpha/2}(m-1,n-1)$ |
|
||||
|
||||
> **口诀与单总体完全同构**:**"均值比用 $U/T$ (看方差是否已知),方差比用 $F$ "**;方向一律**跟着 $H_1$ 跑**。
|
||||
> **⚠️ $F$ 检验的"不对称"**:$F$ 分布不对称,所以双侧拒绝域要**两端分别查表**;且注意**分子方差配 $(m-1)$ 、分母方差配 $(n-1)$ **,自由度顺序别反。
|
||||
|
||||
---
|
||||
|
||||
## 6. 两类错误 🟦08 🟨2018·8 🟨2021·10
|
||||
|
||||
### 6.1 定义
|
||||
|
||||
| | $H_0$ 实际为**真** | $H_0$ 实际为**假** |
|
||||
|---|---|---|
|
||||
| **拒绝 $H_0$ ** | ❌ **第一类错误(弃真)**,概率 $\alpha$ | ✅ 正确 |
|
||||
| **接受 $H_0$ ** | ✅ 正确 | ❌ **第二类错误(存伪)**,概率 $\beta$ |
|
||||
|
||||
**公式**:
|
||||
|
||||
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta=P\{\text{接受}H_0\mid H_0\text{为假}\}=P\{\text{接受}H_0\mid H_1\text{为真}\}.$$
|
||||
|
||||
> **一句话记忆**:**"拒真 = 第一类,纳伪 = 第二类"**;**$\alpha$ 是在 $H_0$ 为真的世界里算的,$\beta$ 是在 $H_1$ 为真的世界里算的**。
|
||||
> **⚠️ 关键理解**:$H_1$ 通常是一个**范围**(如 $\mu>\mu_0$ ),所以 $\beta$ 是**关于 $\mu$ 的函数**,必须**给定具体的 $\mu$ 值**才能算——这就是 🟨2021·10 给出"$\mu=11.5$ 时"的原因。
|
||||
|
||||
### 6.2 计算 $\beta$ 的四步
|
||||
|
||||
1. 写出**拒绝域** $W$ ;
|
||||
2. 写出**接受域** $\bar W$ (拒绝域的补集);
|
||||
3. **把分布换成 $H_1$ 下的分布**(关键:均值/方差要换);
|
||||
4. $\beta=P\{(\text{统计量})\in\bar W\ \mid\ H_1\}$ 。
|
||||
|
||||
> **示例模板**:$\sigma^2$ 已知,$W=\{\bar X\ge c\}$ ,则在 $\mu=\mu_1$ ($H_1$ 中某个值)下
|
||||
> $$\beta=P\{\bar X<c\}=\Phi\!\left(\frac{c-\mu_1}{\sigma/\sqrt n}\right).$$
|
||||
|
||||
---
|
||||
|
||||
#### 【例 6-1】第二类错误 $\beta$ 完整计算(锚 2021·10)
|
||||
|
||||
> 承接【例 5-1】:$X\sim N(\mu, 0.2^2)$ ,$n=16$ ,$H_0:\mu=2.10$ ,$H_1:\mu\ne2.10$ ,$\alpha=0.05$ 。若真实均值 $\mu_1=2.20$ (即 $H_0$ 实际为假),求第二类错误概率 $\beta$ 。($\Phi(0.04)\approx0.516$ ,$\Phi(3.96)\approx1$ )
|
||||
|
||||
**第①步 写出拒绝域 $W$ **:
|
||||
|
||||
由例 5-1,$|U|\ge1.96$ ,即
|
||||
|
||||
$$\left|\frac{\bar X-2.10}{0.2/4}\right|\ge1.96\ \Longleftrightarrow\ |\bar X-2.10|\ge0.098.$$
|
||||
|
||||
**第②步 写出接受域 $\bar W$ **:
|
||||
|
||||
$$2.10-0.098<\bar X<2.10+0.098\quad\Longleftrightarrow\quad 2.002<\bar X<2.198.$$
|
||||
|
||||
**第③步 把分布换成 $H_1$ 下的分布(关键!)**:
|
||||
|
||||
$H_1$ 真实世界里 $\mu=\mu_1=2.20$ ,所以
|
||||
|
||||
$$\bar X\sim N\!\left(2.20,\ \frac{0.2^2}{16}\right)=N(2.20,\ 0.05^2).$$
|
||||
|
||||
> ⚠️ **这里必须把均值从 $\mu_0=2.10$ 换成 $\mu_1=2.20$ **——这是 $\beta$ 与 $\alpha$ 的本质区别:$\alpha$ 在 $H_0$ 世界算,$\beta$ 在 $H_1$ 世界算。
|
||||
|
||||
**第④步 算 $\beta$ **:
|
||||
|
||||
$$\beta=P\{\text{接受 }H_0\mid\mu=2.20\}=P\{2.002<\bar X<2.198\mid\mu=2.20\}.$$
|
||||
|
||||
标准化 $Z=\dfrac{\bar X-2.20}{0.05}\sim N(0,1)$ :
|
||||
|
||||
$$\beta=P\left\{\frac{2.002-2.20}{0.05}<Z<\frac{2.198-2.20}{0.05}\right\}=P\{-3.96<Z<-0.04\}.$$
|
||||
|
||||
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx(1-\Phi(0.04))-0\approx1-0.516=0.484.$$
|
||||
|
||||
**结论**:当真实均值为 2.20 mm 时,约有 $48.4\%$ 的概率会"错误地接受 $H_0$ "(即漏判)。
|
||||
|
||||
> **一句话流程**:拒绝域 → 接受域 → **换均值为 $\mu_1$ ** → 标准化查 $\Phi$ 。
|
||||
|
||||
### 6.3 $\alpha$ 与 $\beta$ 的关系(必考辨析)🟨2018·8
|
||||
|
||||
| 结论 | 说明 |
|
||||
|---|---|
|
||||
| **样本量固定时** | $\alpha$ 减小 $\Rightarrow$ $\beta$ **增大**;$\beta$ 减小 $\Rightarrow$ $\alpha$ 增大(**此消彼长**) |
|
||||
| **同时减小 $\alpha$ 与 $\beta$ ** | **只能增大样本容量 $n$ ** |
|
||||
| $\alpha$ 与拒绝域的关系 | $\alpha$ 越小 ⟹ 临界值 $c$ 越**远离** $\mu_0$ ⟹ 拒绝域**越小** |
|
||||
|
||||
> 🟨 **2018·8 的核心结论**:
|
||||
> - $\alpha=0.05$ **拒绝** $H_0$ $\Rightarrow$ $\alpha=0.01$ **不一定拒绝**(因为拒绝域缩小了);
|
||||
> - $\alpha=0.05$ **接受** $H_0$ $\Rightarrow$ $\alpha=0.01$ **必然接受**(接受域扩大,原来在里面的还在里面)。
|
||||
> **不等式记忆**:$\ \alpha_1<\alpha_2\ $ (如 $0.01<0.05$ )时,**拒绝域** $W(\alpha_1)\subset W(\alpha_2)$ ,**接受域**反之。
|
||||
> 所以:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
|
||||
|
||||
### 6.4 显著性检验
|
||||
|
||||
> 只控制**第一类错误**概率(即只给定 $\alpha$ ,不控制 $\beta$ )的检验称为**显著性检验**,$\alpha$ 称**显著性水平**。
|
||||
|
||||
---
|
||||
|
||||
## 7. 十年真题落点地图(🟨 第 20/21/22 章,共 15 题)
|
||||
|
||||
### 7.1 第 20 章 · 数理统计的基本概念(2 题,9 分)
|
||||
|
||||
| 年份·题号 | 题型 | 考点 | 本手册 |
|
||||
|---|---|---|---|
|
||||
| 2017·8 | 单选 4 | $\chi^2$ 分布辨析(四个结论判断) | §2.5 |
|
||||
| 2023·9 | 单选 5 | $F$ 分布(两正态总体方差比) | §2.5(二) |
|
||||
|
||||
### 7.2 第 21 章 · 参数估计(10 题,93 分)**— 全章最重**
|
||||
|
||||
| 年份·题号 | 题型/分值 | 考点 | 本手册 |
|
||||
|---|---|---|---|
|
||||
| 2016·14 | 填空 4 | 置信区间(给上限求下限) | §4.3 |
|
||||
| 2016·23 | 解答 11 | 次序统计量 + 无偏估计 | §2.6 / §3.3.1 |
|
||||
| 2017·23 | 解答 11 | 绝对误差 $Z_i=\lvert X_i-\mu\rvert$ :密度 + 矩估计 + MLE | §2.6 / §3.2 |
|
||||
| 2018·23 | 解答 11 | 拉普拉斯分布 MLE + $E\hat\sigma,D\hat\sigma$ | §3.2 |
|
||||
| 2019·23 | 解答 11 | 半正态分布:求常数 $A$ + MLE | §3.2 |
|
||||
| 2020·23 | 解答 11 | 威布尔分布:$P\{T>t\}$ + 无记忆性 + MLE | §3.2 |
|
||||
| 2021·9 | 单选 5 | 无偏性 + $D(\bar X-\bar Y)$ (二元正态) | §2.5 ① / §3.3.1 |
|
||||
| 2022·22 | 解答 12 | 泊松两样本($\lambda$ 与 $2\lambda$ )MLE + $D\hat\theta$ | §3.2 |
|
||||
| 2023·10 | 单选 5 | 无偏估计($a\lvert X_1-X_2\rvert$ 定常数) | §3.3.1 |
|
||||
| 2024·22 | 解答 12 | $U(0,\theta)$ 的 $X_{(n)}$ :无偏 $c$ + MSE 最小 $c$ | §2.6 / §3.3.3 |
|
||||
|
||||
### 7.3 第 22 章 · 假设检验(3 题,14 分)
|
||||
|
||||
| 年份·题号 | 题型 | 考点 | 本手册 |
|
||||
|---|---|---|---|
|
||||
| 2018·8 | 单选 4 | 显著性水平与拒绝/接受的关系 | §6.3 |
|
||||
| 2021·10 | 单选 5 | 第二类错误(给定 $\mu=11.5$ ) | §6.2 |
|
||||
| 2025·10 | 单选 5 | 单侧检验拒绝域 | §5.4 |
|
||||
|
||||
### 7.4 命题规律(读三遍)
|
||||
|
||||
1. **参数估计是"铁打的 22 题"**:近十年 **10 题解答题(11–12 分)**,**几乎年年一题**,从未缺席。**这是本讲唯一的"必拿大题"**。
|
||||
2. **MLE 占绝对统治地位**:10 题里有 **8 题**涉及极大似然估计,且**每隔几年就换一个"怪分布"**(拉普拉斯、半正态、威布尔、幂型、两样本泊松)——**考的不是计算,而是"能不能把似然函数写对 + 会不会处理不可微"**。
|
||||
3. **无偏估计紧跟其后**:2016·23、2021·9、2023·10、2024·22,**四年考了四道**,典型套路是**「给一个带参数的统计量,反解系数使无偏」**。
|
||||
4. **假设检验只考选填**(4–5 分),且只在 **2018、2021、2025** 出现,**三年一轮**——考的是**方向判断**与**概念辨析**,不考查表计算。
|
||||
5. **区间估计**只考过一次(2016·14),属**低频**,但**只在数一**出现。
|
||||
6. **两个正态总体的区间估计与检验(§4.5 / §5.6):大纲明确要求,近十年却从未考**——属"**高性价比冷门**"。一旦出现就是套公式的送分题,两张表(均值差、方差比)务必背熟。
|
||||
7. **经验分布函数(§1.3)、第 $k$ 个顺序统计量(§2.6)**:数一大纲不直接要求,讲课会提到,考试不出——**了解即可**,别在这上面花计算时间。
|
||||
|
||||
---
|
||||
|
||||
## 8. 速查卡 · 陷阱清单
|
||||
|
||||
### 8.1 速记十四条
|
||||
|
||||
1. **简单随机样本 = i.i.d.**;联合分布 = 一维分布**连乘**(这是 MLE 的根)。
|
||||
2. **统计量不能含未知参数**——含 $\mu$ 、$\sigma$ 的统统不是。
|
||||
3. $E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$\boxed{ES^2=\sigma^2}$ (**$n-1$ 是为了无偏**)。
|
||||
4. 正态四条:$\dfrac{\sqrt n(\bar X-\mu)}{\sigma}\sim N(0,1)$ 、$\dfrac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1)$ 、**$\bar X\perp S^2$ **、$\dfrac{\sqrt n(\bar X-\mu)}{S}\sim t(n-1)$ 。
|
||||
5. 两总体方差比:$\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(m-1,n-1)$ 。
|
||||
6. $X_{(n)}=\max$ :$F_{(n)}=F^n$ ;$X_{(1)}=\min$ :$F_{(1)}=1-(1-F)^n$ 。
|
||||
7. 矩估计的方差是 $B_2=\frac1n\sum(X_i-\bar X)^2$ (**有偏**);MLE 不可微时**往边界取**($U(0,\theta)\Rightarrow\hat\theta=\max X_i$ )。
|
||||
8. **无偏是有效性比较的前提**(两级筛选)。
|
||||
9. $h(\hat\theta)=D\hat\theta+(\text{偏差})^2$ ;**MSE 最小的 $c$ ≠ 无偏的 $c$ **。
|
||||
10. 均值的双侧区间**关于 $\bar X$ 对称** ⟹ **上限 + 下限 = $2\bar X$ **。
|
||||
11. 检验**方向跟着 $H_1$ **;$\sigma^2=2$ 时标准差是 $\sqrt2$ 。
|
||||
12. **小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。**
|
||||
13. **两总体**:均值差区间/检验的中心是 $\bar X-\bar Y$ ,标准差 $\sqrt{\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}}$ (或 $S_w\sqrt{\dfrac1m+\dfrac1n}$ );方差比用 $F(m-1,n-1)$ ,**区间两端反着放**。
|
||||
14. **MLE 有不变性**($\widehat{g(\theta)}=g(\hat\theta)$ ),**无偏性没有**($E\hat\theta=\theta$ 推不出 $Eg(\hat\theta)=g(\theta)$ )。
|
||||
|
||||
### 8.2 高频陷阱
|
||||
|
||||
| 陷阱 | 正确做法 |
|
||||
|---|---|
|
||||
| 统计量判断时漏看未知参数 | 逐个检查表达式里有没有 $\mu,\sigma$ |
|
||||
| $\sigma^2$ 与 $\sigma$ 混用 | $\sigma^2=2$ 时 $\sigma=\sqrt2$ ;$U$ 检验分母是 $\sigma_0/\sqrt n$ |
|
||||
| 样本方差分母写成 $n$ | 定义是 $n-1$ ;但**矩估计给出的是 $n$ **,别混 |
|
||||
| $\chi^2$ 分布当成对称 | $\chi^2$ **不对称**,$t$ 分布**对称**;$\chi^2$ 区间两端分位点"反着放" |
|
||||
| 拼 $F$ 时忘记"除自由度" | $F=\dfrac{U/n_1}{V/n_2}$ ,**两个都要除** |
|
||||
| $t$ /$F$ 定义里忽略独立性 | 分子分母共用同一个 $X_i$ 时**不独立**,不能用 |
|
||||
| MLE 直接求导而不管单调性 | $U(0,\theta)$ 型必须**看支撑集、取边界** |
|
||||
| 无偏性直接比有效性 | **先验证都无偏** |
|
||||
| $\beta$ 忘记换 $H_1$ 下的分布 | $\beta$ 用的是**真值 $\mu_1$ **,不是 $\mu_0$ |
|
||||
| 认为"$\theta$ 落在置信区间内的概率是 $1-\alpha$ " | $\theta$ 是常数;是**区间**随机 |
|
||||
| 单侧检验用了 $\alpha/2$ 分位点 | 单侧用 $u_\alpha$ 、$t_\alpha(n-1)$ |
|
||||
| 两总体均值差漏掉某项方差 | $\dfrac{\sigma_1^2}{m}+\dfrac{\sigma_2^2}{n}$ **两项都要**,别只写一项 |
|
||||
| 两总体方差比区间方向写反 | $\sigma_1^2/\sigma_2^2$ 在分母 ⟹ **大分位点配下限**(同 $\chi^2$ 区间) |
|
||||
| 以为"无偏性"能传递 | 只有 **MLE** 有不变性;$E\hat\theta=\theta\not\Rightarrow Eg(\hat\theta)=g(\theta)$ |
|
||||
|
||||
---
|
||||
|
||||
> **下一步**:开做 [[02-试题]](18 题,约 80 分钟)。做完对 [[03-解析]],把错题回挂 [[做题本]]。
|
||||
> **跨讲关联**:本讲的**切比雪夫不等式与三大数定律**在第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册|第5讲考点手册]];**数字特征($E,D,\operatorname{Cov}$ )** 见第 4 讲(待补)。
|
||||
@@ -0,0 +1,175 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 统计量, 顺序统计量]
|
||||
专题: 概率论 第6讲 · 点1 总体、样本与统计量
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(1.1 总体与样本、1.2 统计量与三个基本期望、1.3 顺序统计量,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 总体、样本与统计量
|
||||
|
||||
> 全部解答题的前置、2024·22 直接考 $X_{(n)}$ |重要度 ★★☆
|
||||
> 依赖:第 3 讲的随机变量函数、第 4 讲的期望与方差。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:这一点是全讲的"名词语法课"——**把"总体、样本、统计量"三个词的含义固定下来,再记住三个基本期望**。三题按"样本的联合分布 → 统计量的性质 → 顺序统计量"递进,第 3 题直接是 2024·22 的第一、二问。难度标准:★☆☆ 一题、★★☆ 两题。
|
||||
|
||||
## 知识点 1.1 总体与样本(出处:[知识章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**总体**:随机变量 $X$ (或它的分布),通常带未知参数。
|
||||
**简单随机样本**:$X_1,\dots,X_n$ **独立**且**与总体同分布**。
|
||||
**样本值**:观测到的数 $x_1,\dots,x_n$ (小写)。
|
||||
|
||||
**联合分布**("独立"把所有因子拆开,"同分布"让它们长得一样):
|
||||
|
||||
$$f(x_1,\dots,x_n)=\prod_{i=1}^{n}f(x_i)\quad\text{或}\quad P\{X_1=x_1,\dots,X_n=x_n\}=\prod_{i=1}^{n}p(x_i).$$
|
||||
|
||||
**两个词各管一件事**:
|
||||
|
||||
- **独立** $\Rightarrow$ 联合 $=$ 边缘之积(可连乘);
|
||||
- **同分布** $\Rightarrow$ 每个因子用同一个 $f$ (可写成一个 $f$ 的 $n$ 次方)。
|
||||
|
||||
缺任何一个,$L(\theta)=\prod f(x_i;\theta)$ 这个写法就失效,最大似然估计整条路都走不通。
|
||||
|
||||
## 知识点 1.2 统计量与三个基本期望(出处:[知识章 §2.1、§2.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**统计量**:**不含任何未知参数**的样本函数。判断只需问一句:"给我样本值,能不能算出这个数?"能算就是统计量。
|
||||
|
||||
$$\bar X=\frac1n\sum_{i=1}^{n}X_i,\qquad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\qquad A_k=\frac1n\sum_{i=1}^{n}X_i^k .$$
|
||||
|
||||
**三条必背(对任意总体成立,不要求正态)**:
|
||||
|
||||
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2 .$$
|
||||
|
||||
> **$S^2$ 的分母取 $n-1$ 的道理**:因为 $E\sum(X_i-\bar X)^2=(n-1)\sigma^2$ (第 4 讲点 5 题 4 已证)。分母取 $n$ 时期望变成 $\frac{n-1}{n}\sigma^2$ ,系统性偏小——这就是"有偏、无偏"的第一课。
|
||||
|
||||
## 知识点 1.3 顺序统计量(出处:[知识章 §2.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
把样本从小到大排:$X_{(1)}\le X_{(2)}\le\cdots\le X_{(n)}$ 。最常用的是两端:
|
||||
|
||||
$$F_{X_{(n)}}(x)=\left[F(x)\right]^{n},\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^{n}.$$
|
||||
|
||||
**$U(0,\theta)$ 的两个现成结果(直接背)**:
|
||||
|
||||
$$E X_{(n)}=\frac{n}{n+1}\theta,\qquad E X_{(n)}^{2}=\frac{n}{n+2}\theta^{2},\qquad D X_{(n)}=\frac{n\,\theta^{2}}{(n+1)^{2}(n+2)} .$$
|
||||
|
||||
> **它是"支撑含参数"题的唯一出路**:$U(0,\theta)$ 的 $\theta$ 只出现在支撑上,最大似然估计不能求导,答案就是 $X_{(n)}$ 。所以这三个式子同时也是点 5 的工具。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 1.1:联合分布与两个词的用处(★☆☆)
|
||||
|
||||
> 设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。
|
||||
>
|
||||
> (Ⅰ)写出 $(X_1,\dots,X_n)$ 的联合密度;
|
||||
> (Ⅱ)指出"独立"与"同分布"各自用在哪一步;
|
||||
> (Ⅲ)若观测带有公共的系统偏差(即真实值是 $X_i+c$ ,$c$ 未知),联合密度还是这个形式吗?
|
||||
|
||||
**怎么想**:联合密度就是把每个 $f(x_i)$ 乘起来。本题要看清的是"乘"来自独立、"同一个 $f$ "来自同分布。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 单个的密度是 $f(x)=\lambda e^{-\lambda x}$ ($x>0$ )。由独立同分布,
|
||||
|
||||
$$f(x_1,\dots,x_n)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}x_i\right)\quad(x_i>0).$$
|
||||
|
||||
**(Ⅱ)** "独立"负责把联合拆成 $n$ 个因子相乘;"同分布"负责让 $n$ 个因子都是同一个 $\lambda e^{-\lambda x}$ 。两者合起来才得到 $\lambda^{n}e^{-\lambda\sum x_i}$ 这个紧凑形式。
|
||||
|
||||
**(Ⅲ)** 不是。若 $Y_i=X_i+c$ 是观测值,则 $Y_i$ 的密度是 $f(y_i-c)=\lambda e^{-\lambda(y_i-c)}$ ,联合密度变成
|
||||
|
||||
$$\lambda^{n}\exp\left(-\lambda\sum_{i=1}^{n}(y_i-c)\right)=\lambda^{n}e^{-\lambda\sum y_i}\cdot e^{n\lambda c},$$
|
||||
|
||||
多出一个 $e^{n\lambda c}$ ——**参数进入了一个"整体因子"**。这正说明:**样本的联合密度必须按"观测值实际服从的分布"来写,不能照抄总体密度** 。
|
||||
|
||||
**带走结论**:**联合密度 = 单个密度的连乘,而"单个"指观测值所服从的那个**。这一点在最大似然里是生死线:写错 $f$ ,后面求导再漂亮也是零分。
|
||||
|
||||
> **关联** · 盘点 [§1.1 总体与样本](01-知识点盘点.md#user-content-11-总体与样本) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 1.2:统计量的三个基本期望(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 是来自总体 $X$ 的简单随机样本,$EX=\mu$ 、$DX=\sigma^2$ 。记
|
||||
>
|
||||
> $$\bar X=\frac1n\sum_{i=1}^{n}X_i,\quad S^2=\frac{1}{n-1}\sum_{i=1}^{n}(X_i-\bar X)^2,\quad S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$$
|
||||
>
|
||||
> (Ⅰ)求 $E\bar X$ 与 $D\bar X$ ;
|
||||
> (Ⅱ)求 $ES^2$ 与 $ES_n^2$ ;
|
||||
> (Ⅲ)在 $\bar X$ 、$S^2$ 、$\bar X-\mu$ 、$X_1+X_2$ 、$\dfrac{\bar X}{\sigma}$ 中,哪些是统计量?
|
||||
|
||||
**怎么想**:(Ⅰ)(Ⅱ)都是第 4 讲点 5 的恒等式;(Ⅲ)只看"含不含未知参数",含 $\mu$ 或 $\sigma$ 的就不是。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 线性性给期望,独立给方差:
|
||||
|
||||
$$E\bar X=\frac1n\sum EX_i=\frac{n\mu}{n}=\mu,\qquad D\bar X=\frac{1}{n^2}\sum DX_i=\frac{n\sigma^2}{n^2}=\frac{\sigma^2}{n}.$$
|
||||
|
||||
**(Ⅱ)** 先算偏差平方和:
|
||||
|
||||
$$E\sum_{i=1}^{n}(X_i-\bar X)^2=E\left(\sum X_i^2-n\bar X^2\right)=n\left(\sigma^2+\mu^2\right)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2 .$$
|
||||
|
||||
于是
|
||||
|
||||
$$ES^2=\frac{(n-1)\sigma^2}{n-1}=\sigma^2,\qquad ES_n^2=\frac{(n-1)\sigma^2}{n}=\frac{n-1}{n}\sigma^2 .$$
|
||||
|
||||
**(Ⅲ)** 逐一看:
|
||||
|
||||
| 量 | 是统计量? | 理由 |
|
||||
|---|---|---|
|
||||
| $\bar X$ | 是 | 只用样本 |
|
||||
| $S^2$ | 是 | 只用样本 |
|
||||
| $\bar X-\mu$ | **不是** | 含未知的 $\mu$ |
|
||||
| $X_1+X_2$ | 是 | 只用样本(虽然浪费信息) |
|
||||
| $\bar X/\sigma$ | **不是** | 含未知的 $\sigma$ |
|
||||
|
||||
**验算**:取 $n=2$ 直接核(Ⅱ):$\sum(X_i-\bar X)^2=\frac{(X_1-X_2)^2}{2}$ ,而 $E(X_1-X_2)^2=2\sigma^2$ ,故期望为 $\sigma^2=(n-1)\sigma^2$ ✓。
|
||||
|
||||
**带走结论**:**$S^2$ 无偏、$S_n^2$ 有偏,差别就在那个 $\frac{n-1}{n}$ 上** 。选择题常把 $S_n^2$ 混进来问"哪个是 $\sigma^2$ 的无偏估计",认分母就行。另外**"是不是统计量"只看含不含未知参数**,与实际好坏无关。
|
||||
|
||||
> **关联** · 盘点 [§1.2 统计量与三个基本期望](01-知识点盘点.md#user-content-12-统计量与三个基本期望) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 1.3:最大次序统计量(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 是来自 $U(0,\theta)$ 的简单随机样本,$X_{(n)}=\max\{X_1,\dots,X_n\}$ 。
|
||||
>
|
||||
> (Ⅰ)求 $X_{(n)}$ 的分布函数与密度;
|
||||
> (Ⅱ)求 $EX_{(n)}$ 与 $EX_{(n)}^2$ ,进而求 $DX_{(n)}$ ;
|
||||
> (Ⅲ)验证 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
|
||||
|
||||
**怎么想**:$X_{(n)}\le x$ 等价于"每个 $X_i$ 都 $\le x$ ",独立就能连乘——这是顺序统计量唯一需要的技巧。之后的两个矩直接积分。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $U(0,\theta)$ 的分布函数 $F(x)=\dfrac{x}{\theta}$ ($0<x<\theta$ )。于是
|
||||
|
||||
$$F_{X_{(n)}}(x)=P\{X_1\le x,\dots,X_n\le x\}=\left(\frac{x}{\theta}\right)^{n}\quad(0<x<\theta).$$
|
||||
|
||||
求导得密度
|
||||
|
||||
$$f_{X_{(n)}}(x)=\frac{n\,x^{n-1}}{\theta^{n}}\quad(0<x<\theta).$$
|
||||
|
||||
**(Ⅱ)**
|
||||
|
||||
$$EX_{(n)}=\int_0^{\theta}x\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+1}}{n+1}=\frac{n}{n+1}\theta .$$
|
||||
|
||||
$$EX_{(n)}^2=\int_0^{\theta}x^2\cdot\frac{n x^{n-1}}{\theta^n}\,\mathrm dx=\frac{n}{\theta^n}\cdot\frac{\theta^{n+2}}{n+2}=\frac{n}{n+2}\theta^2 .$$
|
||||
|
||||
$$DX_{(n)}=\frac{n}{n+2}\theta^2-\left(\frac{n}{n+1}\theta\right)^2=\theta^2\left[\frac{n}{n+2}-\frac{n^2}{(n+1)^2}\right]=\frac{n\,\theta^2}{(n+1)^2(n+2)} .$$
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$E\left(\frac{n+1}{n}X_{(n)}\right)=\frac{n+1}{n}\cdot\frac{n}{n+1}\theta=\theta ,$$
|
||||
|
||||
故 $\dfrac{n+1}{n}X_{(n)}$ 是 $\theta$ 的无偏估计。
|
||||
|
||||
**验算**:取 $n=1$ ,$X_{(1)}=X_1\sim U(0,\theta)$ ,$EX_1=\frac{\theta}{2}$ ,而 $\frac{n}{n+1}\theta=\frac{\theta}{2}$ ✓;$DX_1=\frac{\theta^2}{12}$ ,公式给 $\frac{1\cdot\theta^2}{4\cdot3}=\frac{\theta^2}{12}$ ✓。
|
||||
|
||||
**带走结论**:**$X_{(n)}$ 系统性偏小**($EX_{(n)}=\frac{n}{n+1}\theta<\theta$ ),所以要乘 $\frac{n+1}{n}$ 才无偏;乘完之后方差是 $\frac{\theta^2}{n(n+2)}$ ——这个数在 2024·22 的均方误差一问里会再出现一次。
|
||||
|
||||
> **关联** · 盘点 [§1.3 顺序统计量](01-知识点盘点.md#user-content-13-顺序统计量) | 上游 — | 下游 — | 速查 [一 三个基本期望与次序统计量](10-速查卡.md#user-content-一-三个基本期望与次序统计量)
|
||||
|
||||
---
|
||||
@@ -1,189 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 数理统计
|
||||
- 参数估计
|
||||
- 假设检验
|
||||
- 试题
|
||||
专题: 概率论 第6讲 · 数理统计 · 试题(18 题)
|
||||
日期: 2026-10-16
|
||||
题量: 18 题(A 基础 6 / B 中等 8 / C 拔高 4)
|
||||
建议用时: 80 分钟(可拆两天)
|
||||
关联: "[[01-考点手册]] · [[03-解析]]"
|
||||
---
|
||||
|
||||
# 概率论 第6讲 · 数理统计 · 试题
|
||||
|
||||
> **用法**:先过 [[01-考点手册]],再限时 80 分钟做本卷,最后对 [[03-解析]]。
|
||||
> **来源记号**:🟨 真题库第 20/21/22 章 · 🟩 参考仓库 · 🟦 视频讲次。标「真题骨架」的题与真题**同结构不同数字**,做完可直接回刷真题原题。
|
||||
> **难度**:A ★☆☆ · B ★★☆ · C ★★★。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础(直接套用,★☆☆,约 22 分钟)
|
||||
|
||||
**1.** 【统计量与常用统计量】设总体 $X$ 的一组样本观测值为
|
||||
|
||||
$$2,\quad3,\quad5,\quad6,\quad9 .$$
|
||||
|
||||
(Ⅰ)求样本均值 $\bar X$ 、样本方差 $S^2$ 、样本二阶中心矩 $B_2$ ;
|
||||
|
||||
(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)$Y_1=\dfrac14\sum\limits_{i=1}^{6}X_i^2$ ;
|
||||
|
||||
(Ⅱ)$Y_2=\dfrac{(X_1+X_2+X_3)^2}{12}$ ;
|
||||
|
||||
(Ⅲ)$Y_3=\dfrac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}$ ;
|
||||
|
||||
(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。
|
||||
|
||||
(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 $\dfrac1n\sum(X_i-\bar X)^2$ 。
|
||||
|
||||
**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 $\hat\theta$ 。
|
||||
|
||||
**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 $\hat\theta$ 。
|
||||
|
||||
**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
|
||||
|
||||
$$\hat\sigma^2=k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2$$
|
||||
|
||||
为 $\sigma^2$ 的**无偏估计量**。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等(多步计算,★★☆,约 34 分钟)
|
||||
|
||||
**7.** 【拉普拉斯分布 · MLE + 数字特征】🟨**真题骨架 2018·23** 设总体 $X$ 的概率密度为
|
||||
|
||||
$$f(x;\lambda)=\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x\rvert}{\lambda}},\qquad x\in\mathbb R,\quad\lambda>0\ \text{未知},$$
|
||||
|
||||
$X_1,\cdots,X_n$ 为简单随机样本,记 $\lambda$ 的极大似然估计量为 $\hat\lambda$ 。
|
||||
|
||||
(Ⅰ)求 $\hat\lambda$ ;
|
||||
|
||||
(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 $T=\max\{X_1,X_2,X_3\}$ 。
|
||||
|
||||
(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。
|
||||
|
||||
**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 $u_{0.025}=1.96$ ,$u_{0.05}=1.645$ );
|
||||
|
||||
(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
|
||||
|
||||
$$H_0:\mu\le2,\qquad H_1:\mu>2,$$
|
||||
|
||||
显著性水平为 $\alpha$ ,$Z_\alpha$ 为标准正态分布的上 $\alpha$ 分位数。
|
||||
|
||||
(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 $c$ 。
|
||||
|
||||
**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。
|
||||
|
||||
(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
|
||||
|
||||
$$\hat\theta_1=\frac13(X_1+X_2+X_3),\qquad \hat\theta_2=\frac12X_1+\frac13X_2+\frac16X_3,\qquad \hat\theta_3=\frac12X_1+\frac12X_2 .$$
|
||||
|
||||
(Ⅰ)验证三个估计量都是 $\mu$ 的无偏估计;
|
||||
|
||||
(Ⅱ)比较它们的有效性,指出哪一个最有效。
|
||||
|
||||
**13.** 【两样本泊松 · MLE】🟨**真题骨架 2022·22** 设 $X_1,\cdots,X_5$ 来自参数为 $\lambda$ 的泊松分布,$Y_1,\cdots,Y_4$ 来自参数为 $2\lambda$ 的泊松分布,两组样本**相互独立**,$\lambda>0$ 未知。测得观测值
|
||||
|
||||
$$(x_1,\cdots,x_5)=(3,\ 2,\ 4,\ 1,\ 5),\qquad (y_1,\cdots,y_4)=(5,\ 3,\ 7,\ 9).$$
|
||||
|
||||
(Ⅰ)求 $\lambda$ 的极大似然估计值 $\hat\lambda$ ;
|
||||
|
||||
(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
|
||||
|
||||
$$c\cdot\frac{S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1),$$
|
||||
|
||||
并写出该 $F$ 分布的两个自由度。
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 拔高(综合与建模,★★★,约 24 分钟)
|
||||
|
||||
**15.** 【半正态分布 · 求常数 + MLE】🟨**真题骨架 2019·23** 设总体 $X$ 的概率密度为
|
||||
|
||||
$$f(x;\sigma)=\begin{cases}\dfrac{A}{\sigma}\mathrm e^{-\frac{(x-\mu)^2}{2\sigma^2}},&x\ge\mu\\[4pt]0,&x<\mu\end{cases}$$
|
||||
|
||||
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 $A$ ;
|
||||
|
||||
(Ⅱ)求 $\sigma^2$ 的极大似然估计量。
|
||||
|
||||
**16.** 【威布尔分布 · 无记忆性 + MLE】🟨**真题骨架 2020·23** 设某元件使用寿命 $T$ 的分布函数为
|
||||
|
||||
$$F(t)=1-\mathrm e^{-\left(\frac{t}{\theta}\right)^m},\qquad t\ge0,\quad\theta>0,\ m>0 .$$
|
||||
|
||||
(Ⅰ)求 $P\{T>t\}$ 与 $P\{T>s+t\mid T>s\}$ ;
|
||||
|
||||
(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 $T_c=cX_{(n)}$ ($c>0$ )。
|
||||
|
||||
(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**。
|
||||
|
||||
**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 $W=\{\lvert\bar X-\mu_0\rvert\ge c\}$ 。
|
||||
|
||||
(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 $H_0$ ;
|
||||
|
||||
(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 $H_0$ ;
|
||||
|
||||
(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)。
|
||||
|
||||
---
|
||||
|
||||
> **做完后**:对 [[03-解析]] 逐题复盘;错题回挂 [[做题本]];方法不熟的地方回查 [[01-考点手册]] 对应小节。
|
||||
@@ -0,0 +1,157 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 卡方分布, t分布, F分布]
|
||||
专题: 概率论 第6讲 · 点2 三大抽样分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(2.1 卡方、2.2 t、2.3 F,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 三大抽样分布
|
||||
|
||||
> **2017·8(4 分)$+$ 2023·9(5 分)** 直接考它们的构造|重要度 ★★★
|
||||
> 依赖:第 3 讲的二维正态与函数分布、标准正态。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:三大分布不是"三个新分布",而是**三条构造规则**——平方和给 $\chi^2$ 、标准正态除以卡方的根号给 $t$ 、两个卡方之比给 $F$ 。三题各练一条,第 3 题额外落在"倒数互换"这个查表必备的技巧上。难度标准:★☆☆ 一题、★★☆ 两题。
|
||||
|
||||
## 知识点 2.1 卡方分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$X_1,\dots,X_n\overset{\text{iid}}{\sim}N(0,1)\ \Longrightarrow\ \sum_{i=1}^{n}X_i^{2}\sim\chi^{2}(n).$$
|
||||
|
||||
**三条性质**:
|
||||
|
||||
1. $E\chi^2(n)=n$ 、$D\chi^2(n)=2n$ ;
|
||||
2. **可加性**:独立的 $\chi^2(n_1)$ 与 $\chi^2(n_2)$ 之和为 $\chi^2(n_1+n_2)$ ;
|
||||
3. 上 $\alpha$ 分位点 $\chi^2_\alpha(n)$ 满足 $P\{\chi^2>\chi^2_\alpha(n)\}=\alpha$ ,**表里给的是上侧面积**。
|
||||
|
||||
## 知识点 2.2 t 分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$X\sim N(0,1),\ Y\sim\chi^{2}(n),\ X\perp Y\ \Longrightarrow\ T=\frac{X}{\sqrt{Y/n}}\sim t(n).$$
|
||||
|
||||
**四条性质**:
|
||||
|
||||
1. 密度**关于 $0$ 偶对称**,故 $t_{1-\alpha}(n)=-t_\alpha(n)$ ;
|
||||
2. $n>2$ 时 $DT=\dfrac{n}{n-2}$ (比标准正态"厚尾",所以方差更大);
|
||||
3. $n\to\infty$ 时 $t(n)\to N(0,1)$ ;
|
||||
4. **"除以根号"里不能漏掉 $n$ 这个数**:分母是 $\sqrt{Y/n}$ ,不是 $\sqrt Y$ 。
|
||||
|
||||
## 知识点 2.3 F 分布(出处:[知识章 §2.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$U\sim\chi^{2}(n_1),\ V\sim\chi^{2}(n_2),\ U\perp V\ \Longrightarrow\ F=\frac{U/n_1}{V/n_2}\sim F(n_1,n_2).$$
|
||||
|
||||
**两条互换公式(查表必备)**:
|
||||
|
||||
$$\frac{1}{F}\sim F(n_2,n_1)\quad\Longrightarrow\quad F_{1-\alpha}(n_1,n_2)=\frac{1}{F_{\alpha}(n_2,n_1)};\qquad T\sim t(n)\ \Longrightarrow\ T^{2}\sim F(1,n).$$
|
||||
|
||||
> **两个自由度不能交换**:$F(n_1,n_2)$ 与 $F(n_2,n_1)$ 是两个不同的分布,交换的代价是取倒数。2023·9 就是在这里设错。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 2.1:平方和就是卡方(★☆☆)
|
||||
|
||||
> 设 $X_1,\dots,X_5$ 独立同分布于 $N(0,1)$ 。记 $Q_1=\sum\limits_{i=1}^{5}X_i^{2}$ 。已知 $\chi^2_{0.05}(5)=11.07$ 、$\chi^2_{0.05}(10)=18.31$ 。
|
||||
>
|
||||
> (Ⅰ)指出 $Q_1$ 的分布,并求 $EQ_1$ 与 $DQ_1$ ;
|
||||
> (Ⅱ)求 $P\{Q_1>11.07\}$ ;
|
||||
> (Ⅲ)若 $X_6,\dots,X_{10}$ 也独立同分布于 $N(0,1)$ 且与前 5 个独立,指出 $Q_2=\sum\limits_{i=1}^{10}X_i^{2}$ 的分布,并说明 $Q_1$ 与 $Q_2-Q_1$ 是否独立。
|
||||
|
||||
**怎么想**:平方和 + 标准正态 = 卡方,自由度就是项数。第(Ⅲ)问用可加性;独立性来自"两组变量互不相交"。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由定义
|
||||
|
||||
$$Q_1=\sum_{i=1}^{5}X_i^{2}\sim\chi^{2}(5),\qquad EQ_1=5,\qquad DQ_1=2\times5=10 .$$
|
||||
|
||||
**(Ⅱ)** 由上侧分位点的定义,
|
||||
|
||||
$$P\{Q_1>11.07\}=P\{Q_1>\chi^2_{0.05}(5)\}=0.05 .$$
|
||||
|
||||
**(Ⅲ)** 由可加性,$Q_2\sim\chi^{2}(10)$ 。而 $Q_2-Q_1=\sum\limits_{i=6}^{10}X_i^{2}$ 只用到后 5 个变量,$Q_1$ 只用到前 5 个,两组互不相交且整体独立,故
|
||||
|
||||
$$Q_1\ \text{与}\ Q_2-Q_1\ \text{独立},\qquad Q_2-Q_1\sim\chi^{2}(5).$$
|
||||
|
||||
**验算**:$EQ_2=10=EQ_1+E(Q_2-Q_1)=5+5$ ✓;$DQ_2=20=10+10$ ✓(独立才可加)。
|
||||
|
||||
**带走结论**:**卡方的自由度 = 平方项的个数**。"可加"与"可拆"是同一件事:$\chi^2(n_1+n_2)$ 能拆成两个独立卡方之和,反之也成立。**拆之前必须确认两组变量互不相交**,若共用某个 $X_i$ 就不独立了。
|
||||
|
||||
> **关联** · 盘点 [§2.1 卡方分布](01-知识点盘点.md#user-content-21-卡方分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 2.2:t 的构造与对称性(★★☆)
|
||||
|
||||
> 设 $X\sim N(0,1)$ 、$Y\sim\chi^{2}(9)$ ,且 $X$ 与 $Y$ 相互独立。记 $T=\dfrac{X}{\sqrt{Y/9}}$ ,已知 $t_{0.025}(9)=2.262$ 。
|
||||
>
|
||||
> (Ⅰ)指出 $T$ 的分布;
|
||||
> (Ⅱ)求 $P\{\lvert T\rvert>2.262\}$ 与 $P\{T>2.262\}$ ;
|
||||
> (Ⅲ)指出 $T^{2}$ 的分布。
|
||||
|
||||
**怎么想**:(Ⅰ)照定义;(Ⅱ)用偶对称把双侧拆成两个单侧;(Ⅲ)用 $t^2=F(1,n)$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 分子标准正态、分母是"卡方除自由度再开根号",且两者独立,由定义
|
||||
|
||||
$$T\sim t(9).$$
|
||||
|
||||
**(Ⅱ)** 由偶对称,
|
||||
|
||||
$$P\{\lvert T\rvert>2.262\}=P\{T>2.262\}+P\{T<-2.262\}=2P\{T>2.262\}.$$
|
||||
|
||||
而 $t_{0.025}(9)=2.262$ 意味着上侧面积 $\alpha=0.025$ ,即 $P\{T>2.262\}=0.025$ ,故
|
||||
|
||||
$$P\{\lvert T\rvert>2.262\}=2\times0.025=0.05 .$$
|
||||
|
||||
**(Ⅲ)** 由 $T^{2}\sim F(1,n)$ ,
|
||||
|
||||
$$T^{2}=\frac{X^{2}}{Y/9}\sim F(1,9).$$
|
||||
|
||||
**验算**:$X^{2}\sim\chi^{2}(1)$ ,故 $T^2=\dfrac{X^2/1}{Y/9}$ 正是 $F(1,9)$ 的定义式 ✓。
|
||||
|
||||
**带走结论**:**$t_{\alpha/2}(n)$ 用于双侧、$t_\alpha(n)$ 用于单侧**,这是区间估计与假设检验里最容易差一倍的地方。另外 **$t$ 分布"厚尾"**:$n=9$ 时 $DT=\frac{9}{7}\approx1.29>1$ ,所以同样的置信度下 $t$ 分位点比 $z$ 分位点大($2.262>1.96$ )。
|
||||
|
||||
> **关联** · 盘点 [§2.2 t 分布](01-知识点盘点.md#user-content-22-t-分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 2.3:F 的两个自由度与倒数互换(★★☆)
|
||||
|
||||
> 设 $U\sim\chi^{2}(8)$ 、$V\sim\chi^{2}(12)$ ,且 $U$ 与 $V$ 相互独立。记 $F=\dfrac{U/8}{V/12}$ 。已知 $F_{0.05}(8,12)=2.85$ 、$F_{0.05}(12,8)=3.28$ 。
|
||||
>
|
||||
> (Ⅰ)指出 $F$ 的分布;
|
||||
> (Ⅱ)求 $P\{F>2.85\}$ ,并写出用 $F_{0.95}(12,8)$ 表示 $F_{0.05}(8,12)$ 的关系式、算出 $F_{0.95}(12,8)$ 的值;
|
||||
> (Ⅲ)若 $T\sim t(12)$ ,指出 $T^{2}$ 的分布,并与(Ⅰ)对照。
|
||||
|
||||
**怎么想**:(Ⅰ)照定义,注意两个自由度按"分子在前"的顺序写。(Ⅱ)的互换公式是查表唯一的路——表里只给上侧小 $\alpha$ 的分位点,要算下侧分位点必须倒数换。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$F=\frac{U/8}{V/12}\sim F(8,\ 12).$$
|
||||
|
||||
**(Ⅱ)** 由上侧分位点定义,
|
||||
|
||||
$$P\{F>2.85\}=0.05 .$$
|
||||
|
||||
由倒数性质 $\dfrac{1}{F}\sim F(12,8)$ ,
|
||||
|
||||
$$F_{0.95}(8,12)=\frac{1}{F_{0.05}(12,8)}=\frac{1}{3.28}\approx0.305 .$$
|
||||
|
||||
(写全:$P\{F_{0.95}(8,12)<F<F_{0.05}(8,12)\}=1-2\times0.05=0.90$ ,这两个端点就是一维 $90\%$ 区间的两端。)
|
||||
|
||||
**(Ⅲ)**
|
||||
|
||||
$$T^{2}\sim F(1,\ 12).$$
|
||||
|
||||
与(Ⅰ)对照:$F(1,12)$ 的分子是 $\chi^2(1)/1$ ,而 $T^2$ 的分子正是 $X^2/1$ ,分母是 $Y/12$ ——完全同构 ✓。**所以 $F$ 分布不是新东西,它是 $t$ 的平方推广到"两个卡方之比"。**
|
||||
|
||||
**验算**:$F_{0.95}(12,8)=\frac{1}{F_{0.05}(8,12)}$ 里的两组自由度**交换了顺序**:左边是 $(12,8)$ ,右边分母是 $(8,12)$ 。若写成 $\frac{1}{F_{0.05}(12,8)}=\frac{1}{3.28}$ 就错了——那是另一个分布的分位点。
|
||||
|
||||
**带走结论**:**两个自由度必须"分子在前、分母在后",互换时同时取倒数**。这条在方差比的区间估计里是唯一的桥:区间上端用 $F_{\alpha/2}(n_1-1,n_2-1)$ ,下端要用 $F_{1-\alpha/2}$ ,而它只能由倒数算出来。
|
||||
|
||||
> **关联** · 盘点 [§2.3 F 分布](01-知识点盘点.md#user-content-23-f-分布) | 上游 — | 下游 — | 速查 [二 三大抽样分布的构造](10-速查卡.md#user-content-二-三大抽样分布的构造)
|
||||
|
||||
---
|
||||
@@ -1,561 +0,0 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 数理统计
|
||||
- 解析
|
||||
专题: 概率论 第6讲 · 数理统计 · 解析(18 题)
|
||||
日期: 2026-10-16
|
||||
关联: "[[01-考点手册]] · [[02-试题]]"
|
||||
---
|
||||
|
||||
# 概率论 第6讲 · 数理统计 · 解析
|
||||
|
||||
> **用法**:先做完 [[02-试题]] 再对答案。每题给「**答案 / 思路 / 易错点**」,标「真题骨架」的题注明对应真题。
|
||||
|
||||
---
|
||||
|
||||
## A 组 · 基础
|
||||
|
||||
### 第 1 题 · 统计量与常用统计量
|
||||
|
||||
**(Ⅰ)答案**:$\bar X=5$ ,$S^2=7.5$ ,$B_2=6$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$\bar X=\frac{2+3+5+6+9}{5}=\frac{25}{5}=5 .$$
|
||||
|
||||
偏差平方和:$(2-5)^2+(3-5)^2+0^2+(6-5)^2+(9-5)^2=9+4+0+1+16=30$ 。
|
||||
|
||||
$$S^2=\frac{30}{5-1}=7.5,\qquad B_2=\frac{30}{5}=6 .$$
|
||||
|
||||
**(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**。
|
||||
|
||||
**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。
|
||||
- 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**:$Y_1\sim\chi^2(6)$ 。
|
||||
|
||||
**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**:$Y_2\sim\chi^2(1)$ 。
|
||||
|
||||
**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**:$Y_3\sim t(3)$ 。
|
||||
|
||||
**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:$\dfrac{X_2^2+X_3^2+X_4^2}{4}\sim\chi^2(3)$ ;
|
||||
|
||||
$$\frac{X_1/2}{\sqrt{\dfrac{1}{3}\cdot\dfrac{X_2^2+X_3^2+X_4^2}{4}}}=\frac{X_1/2}{\sqrt{X_2^2+X_3^2+X_4^2}/\sqrt{12}}=\frac{\sqrt3\,X_1}{\sqrt{X_2^2+X_3^2+X_4^2}}\sim t(3).$$
|
||||
|
||||
**(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
|
||||
|
||||
$$2(X_1-X_2)^2=16\cdot\frac{(X_1-X_2)^2}{8}=16\chi^2(1).$$
|
||||
|
||||
**$\chi^2$ 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 $\dfrac18$ )。
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 3 题 · 样本均值与样本方差的数字特征
|
||||
|
||||
**(Ⅰ)答案**:$E\bar X=\mu$ ,$D\bar X=\dfrac{\sigma^2}{n}$ ,$ES^2=\sigma^2$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$E\bar X=\frac1n\sum EX_i=\frac1n\cdot n\mu=\mu;$$
|
||||
|
||||
$$D\bar X=\frac{1}{n^2}\sum DX_i=\frac{1}{n^2}\cdot n\sigma^2=\frac{\sigma^2}{n}\quad(\text{独立才可加});$$
|
||||
|
||||
$ES^2$ 的关键是**先化简再取期望**:
|
||||
|
||||
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2,$$
|
||||
$$E\!\left[\sum X_i^2\right]=n(\sigma^2+\mu^2),\qquad E\bar X^2=D\bar X+(E\bar X)^2=\frac{\sigma^2}{n}+\mu^2,$$
|
||||
$$E\!\left[\sum(X_i-\bar X)^2\right]=n(\sigma^2+\mu^2)-n\left(\frac{\sigma^2}{n}+\mu^2\right)=(n-1)\sigma^2\ \Longrightarrow\ ES^2=\sigma^2 .$$
|
||||
|
||||
**(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。
|
||||
|
||||
**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)。
|
||||
|
||||
---
|
||||
|
||||
### 第 4 题 · 矩估计
|
||||
|
||||
**答案**:$\hat\theta=\dfrac{1-\bar X}{5}$ 。
|
||||
|
||||
**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
|
||||
|
||||
$$\hat\theta=\frac{1-\bar X}{5}.$$
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 5 题 · 极大似然估计
|
||||
|
||||
**答案**:$\hat\theta=-\dfrac{n}{\sum\limits_{i=1}^{n}\ln X_i}$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}\theta x_i^{\theta-1}=\theta^n\Big(\prod x_i\Big)^{\theta-1},\qquad \ln L(\theta)=n\ln\theta+(\theta-1)\sum_{i=1}^{n}\ln x_i .$$
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{n}{\theta}+\sum_{i=1}^{n}\ln x_i=0\ \Longrightarrow\ \hat\theta=-\frac{n}{\sum\ln X_i}.$$
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 6 题 · 无偏性定常数 🟩
|
||||
|
||||
**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**":
|
||||
|
||||
$$E(X_{i+1}-X_i)^2=D(X_{i+1}-X_i)+\big[E(X_{i+1}-X_i)\big]^2=\big(\sigma^2+\sigma^2\big)+0=2\sigma^2 .$$
|
||||
|
||||
($X_{i+1}$ 与 $X_i$ 独立,方差可加;同分布 ⟹ 均值之差为 0。)
|
||||
|
||||
于是
|
||||
|
||||
$$E\Big[k\sum_{i=1}^{n-1}(X_{i+1}-X_i)^2\Big]=k\cdot(n-1)\cdot2\sigma^2=2k(n-1)\sigma^2\overset{!}{=}\sigma^2\ \Longrightarrow\ k=\frac{1}{2(n-1)}.$$
|
||||
|
||||
**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 $2\sigma^2$ **。
|
||||
- 共有 $n-1$ 对(相邻对),**不是 $n$ 对**,求和上限别写错。
|
||||
|
||||
---
|
||||
|
||||
## B 组 · 中等
|
||||
|
||||
### 第 7 题 · 拉普拉斯分布 · MLE + 数字特征 🟨真题骨架 2018·23
|
||||
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
|
||||
|
||||
**思路**:
|
||||
|
||||
$$L(\lambda)=\prod_{i=1}^{n}\frac{1}{2\lambda}\mathrm e^{-\frac{\lvert x_i\rvert}{\lambda}}=\Big(\frac{1}{2\lambda}\Big)^n\exp\!\Big(-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert\Big),$$
|
||||
|
||||
$$\ln L(\lambda)=-n\ln2-n\ln\lambda-\frac1\lambda\sum_{i=1}^{n}\lvert x_i\rvert,\qquad \frac{\mathrm d\ln L}{\mathrm d\lambda}=-\frac n\lambda+\frac{1}{\lambda^2}\sum_{i=1}^{n}\lvert x_i\rvert=0 .$$
|
||||
|
||||
解得 $\hat\lambda=\dfrac1n\sum\limits_{i=1}^{n}\lvert X_i\rvert$ 。
|
||||
|
||||
**(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
|
||||
|
||||
$$\lvert X_i\rvert\ \sim\ \mathrm{Exp}\Big(\frac1\lambda\Big)\quad(\text{密度}\ \tfrac1\lambda\mathrm e^{-x/\lambda},\ x>0),$$
|
||||
|
||||
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
|
||||
|
||||
$$E\hat\lambda=\frac1n\cdot n\lambda=\lambda\quad(\textbf{无偏}),\qquad D\hat\lambda=\frac{1}{n^2}\cdot n\lambda^2=\frac{\lambda^2}{n}.$$
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 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)。
|
||||
|
||||
**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:
|
||||
|
||||
$$f_T(x)=\frac{\mathrm d}{\mathrm dx}\frac{x^6}{\theta^6}=\frac{6x^5}{\theta^6},\qquad 0<x<\theta .$$
|
||||
|
||||
**(Ⅱ)答案**:$a=\dfrac76$ 。
|
||||
|
||||
**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 $a=\dfrac76$ 。
|
||||
|
||||
**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**)。
|
||||
|
||||
---
|
||||
|
||||
### 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 $13.1225$ 。
|
||||
|
||||
**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 $=u_{\alpha/2}\cdot\dfrac{\sigma}{\sqrt n}=1.96\times0.5=0.98$ 。
|
||||
|
||||
$$\Big[12.3-0.98,\ 12.3+0.98\Big]=[11.32,\ 13.28].$$
|
||||
|
||||
**单侧上限**:**改用 $u_\alpha$ (不是 $u_{\alpha/2}$ )**,半宽 $=1.645\times0.5=0.8225$ ,
|
||||
|
||||
$$\bar\mu=12.3+0.8225=13.1225 .$$
|
||||
|
||||
**(Ⅱ)答案**:$\big[11.2345,\ 13.3655\big]$ 。
|
||||
|
||||
**思路**:$\sigma$ **未知** ⟹ 用 $S$ 代替 $\sigma$ ,枢轴量变 $t(n-1)$ :
|
||||
|
||||
$$t_{0.025}(15)\cdot\frac{S}{\sqrt n}=2.131\times0.5=1.0655,$$
|
||||
|
||||
$$\Big[12.3-1.0655,\ 12.3+1.0655\Big]=[11.2345,\ 13.3655].$$
|
||||
|
||||
**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。
|
||||
- 💡 **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。**
|
||||
|
||||
---
|
||||
|
||||
### 第 10 题 · 假设检验拒绝域 🟨真题骨架 2025·10
|
||||
|
||||
**(Ⅰ)答案**:$\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\dfrac{3}{n}}$ 。
|
||||
|
||||
**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
|
||||
|
||||
$$\frac{\bar X-2}{\sqrt{3/n}}\ge Z_\alpha\ \Longleftrightarrow\ \bar X\ \ge\ 2+Z_\alpha\sqrt{\frac3n}.$$
|
||||
|
||||
**(Ⅱ)答案**:$c=2.8225$ 。
|
||||
|
||||
**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 $\lvert U\rvert\ge Z_{\alpha/2}$ 。
|
||||
|
||||
---
|
||||
|
||||
### 第 11 题 · 两类错误 🟨真题骨架 2021·10
|
||||
|
||||
**(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):
|
||||
|
||||
$$\alpha=P\{\bar X\ge6\mid \mu=5\}=1-\Phi\!\left(\frac{6-5}{0.6}\right)=1-\Phi\!\left(\frac53\right)\approx1-\Phi(1.667).$$
|
||||
|
||||
**(Ⅱ)答案**:$\beta=1-\Phi(1)$ 。
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 12 题 · 无偏性与有效性
|
||||
|
||||
**(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**:
|
||||
|
||||
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac13+\frac16=\frac{3+2+1}{6}=1,\qquad \frac12+\frac12=1 .\quad\checkmark$$
|
||||
|
||||
**(Ⅱ)答案**:$\hat\theta_1$ 最有效。
|
||||
|
||||
**思路**:三者都无偏,比较方差(独立性使方差可加):
|
||||
|
||||
$$D\hat\theta_1=\Big(\tfrac19+\tfrac19+\tfrac19\Big)\sigma^2=\frac{\sigma^2}{3}\approx0.333\,\sigma^2;$$
|
||||
|
||||
$$D\hat\theta_2=\Big(\tfrac14+\tfrac19+\tfrac1{36}\Big)\sigma^2=\frac{9+4+1}{36}\sigma^2=\frac{14}{36}\sigma^2=\frac{7}{18}\sigma^2\approx0.389\,\sigma^2;$$
|
||||
|
||||
$$D\hat\theta_3=\Big(\tfrac14+\tfrac14\Big)\sigma^2=\frac{\sigma^2}{2}=0.5\,\sigma^2 .$$
|
||||
|
||||
$$\boxed{\ \hat\theta_1\ \text{最有效}\ }$$
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 13 题 · 两样本泊松 · MLE 🟨真题骨架 2022·22
|
||||
|
||||
**(Ⅰ)答案**:$\hat\lambda=\dfrac{\sum x_i+\sum y_j}{n+2m}=\dfrac{39}{13}=3$ 。
|
||||
|
||||
**思路**:**两个样本要放在同一个似然函数里**。
|
||||
|
||||
$$L(\lambda)=\prod_{i=1}^{n}\frac{\lambda^{x_i}}{x_i!}\mathrm e^{-\lambda}\cdot\prod_{j=1}^{m}\frac{(2\lambda)^{y_j}}{y_j!}\mathrm e^{-2\lambda},$$
|
||||
|
||||
$$\ln L(\lambda)=\Big(\sum x_i\Big)\ln\lambda-n\lambda+\Big(\sum y_j\Big)\ln(2\lambda)-2m\lambda+\text{常数}.$$
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{\sum x_i+\sum y_j}{\lambda}-(n+2m)=0\ \Longrightarrow\ \hat\lambda=\frac{\sum X_i+\sum Y_j}{n+2m}.$$
|
||||
|
||||
代入:$n=5$ ,$m=4$ ,$\sum x_i=3+2+4+1+5=15$ ,$\sum y_j=5+3+7+9=24$ ,
|
||||
|
||||
$$\hat\lambda=\frac{15+24}{5+2\times4}=\frac{39}{13}=3 .$$
|
||||
|
||||
**(Ⅱ)答案**:$D(\hat\lambda)=\dfrac{\lambda}{n+2m}=\dfrac{\lambda}{13}$ 。
|
||||
|
||||
**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**。
|
||||
|
||||
---
|
||||
|
||||
### 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 $(m-1,\ n-1)$ 。
|
||||
|
||||
**思路**:**"拼 $F$ "的两步——先各去方差,再除自由度**。
|
||||
|
||||
$$\frac{(m-1)S_1^2}{\sigma^2}\sim\chi^2(m-1),\qquad \frac{(n-1)S_2^2}{3\sigma^2}\sim\chi^2(n-1),$$
|
||||
|
||||
且两者独立。按 $F$ 的定义(各自除以自由度后相除):
|
||||
|
||||
$$F=\frac{\dfrac{S_1^2}{\sigma^2}}{\dfrac{S_2^2}{3\sigma^2}}=\frac{3S_1^2}{S_2^2}\ \sim\ F(m-1,\ n-1).$$
|
||||
|
||||
所以 $c=3$ 。
|
||||
|
||||
**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 $c'=\dfrac13$ 。
|
||||
|
||||
---
|
||||
|
||||
## C 组 · 拔高
|
||||
|
||||
### 第 15 题 · 半正态分布 · 求常数 + MLE 🟨真题骨架 2019·23
|
||||
|
||||
**(Ⅰ)答案**:$A=\sqrt{\dfrac{2}{\pi}}$ 。
|
||||
|
||||
**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**:$\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
|
||||
|
||||
**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**):
|
||||
|
||||
$$\ln L=-\frac n2\ln v-\frac{1}{2v}\sum_{i=1}^{n}(x_i-\mu)^2,\qquad \frac{\mathrm d\ln L}{\mathrm dv}=-\frac{n}{2v}+\frac{1}{2v^2}\sum_{i=1}^{n}(x_i-\mu)^2=0 .$$
|
||||
|
||||
解得 $v=\dfrac1n\sum(X_i-\mu)^2$ ,即 $\hat{\sigma^2}=\dfrac1n\sum\limits_{i=1}^{n}(X_i-\mu)^2$ 。
|
||||
|
||||
**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。
|
||||
|
||||
---
|
||||
|
||||
### 第 16 题 · 威布尔分布 · 无记忆性 + MLE 🟨真题骨架 2020·23
|
||||
|
||||
**(Ⅰ)答案**:$P\{T>t\}=\mathrm e^{-\left(\frac t\theta\right)^m}$ ;$P\{T>s+t\mid T>s\}=\exp\!\left\{-\dfrac{(s+t)^m-s^m}{\theta^m}\right\}$ 。
|
||||
|
||||
**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**:$\hat\theta=\left(\dfrac1n\sum\limits_{i=1}^{n}t_i^m\right)^{1/m}$ 。
|
||||
|
||||
**思路**:先求密度(对 $F$ 求导):
|
||||
|
||||
$$f(t)=F'(t)=\frac{m}{\theta^m}t^{m-1}\mathrm e^{-t^m/\theta^m}\quad(t>0).$$
|
||||
|
||||
$$\ln L(\theta)=n\ln m-nm\ln\theta+(m-1)\sum\ln t_i-\frac{1}{\theta^m}\sum_{i=1}^{n}t_i^m,$$
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=-\frac{nm}{\theta}+\frac{m}{\theta^{m+1}}\sum_{i=1}^{n}t_i^m=0\ \Longrightarrow\ \theta^m=\frac1n\sum_{i=1}^{n}t_i^m\ \Longrightarrow\ \hat\theta=\left(\frac1n\sum_{i=1}^{n}T_i^m\right)^{1/m}.$$
|
||||
|
||||
**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**。
|
||||
- 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**:$c=\dfrac{n+1}{n}$ 。
|
||||
|
||||
**(Ⅱ)答案**:$c=\dfrac{n+2}{n+1}$ 。
|
||||
|
||||
**思路**:先备好 $X_{(n)}$ 的两个矩。$X\sim U(0,\theta)$ ⟹ $F(x)=\dfrac x\theta$ ,$F_{(n)}(x)=\left(\dfrac x\theta\right)^n$ ,
|
||||
|
||||
$$f_{(n)}(x)=\frac{nx^{n-1}}{\theta^n},\qquad EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^2=\frac{n}{n+2}\theta^2 .$$
|
||||
|
||||
**(Ⅰ)无偏**:
|
||||
|
||||
$$E(T_c)=c\cdot\frac{n}{n+1}\theta\overset{!}{=}\theta\ \Longrightarrow\ c=\frac{n+1}{n}.$$
|
||||
|
||||
**(Ⅱ)最小 MSE**:把 $h(c)$ 展开成 $c$ 的**二次函数**:
|
||||
|
||||
$$h(c)=E(T_c-\theta)^2=c^2EX_{(n)}^2-2c\theta\,EX_{(n)}+\theta^2=c^2\cdot\frac{n\theta^2}{n+2}-2c\cdot\frac{n\theta^2}{n+1}+\theta^2 .$$
|
||||
|
||||
对 $c$ 求导:
|
||||
|
||||
$$h'(c)=2c\cdot\frac{n\theta^2}{n+2}-2\cdot\frac{n\theta^2}{n+1}=0\ \Longrightarrow\ c=\frac{n+2}{n+1}.$$
|
||||
|
||||
**易错点**:
|
||||
- ⚠️ **两个 $c$ 不相等,且最小 MSE 的 $c$ 更小**。比较大小(交叉相乘,两边同乘正数 $n(n+1)$ 不变号):
|
||||
|
||||
$$n(n+2)=n^2+2n,\qquad (n+1)^2=n^2+2n+1\ \Longrightarrow\ n(n+2)<(n+1)^2\ \Longrightarrow\ \frac{n+2}{n+1}<\frac{n+1}{n}.$$
|
||||
|
||||
所以 $c_{\text{MSE}}=\dfrac{n+2}{n+1}<\dfrac{n+1}{n}=c_{\text{无偏}}$ 。
|
||||
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 $\dfrac{\theta\cdot\frac{n}{n+1}\theta}{\frac{n}{n+2}\theta^2}=\dfrac{n+2}{n+1}$ ✓)。
|
||||
|
||||
---
|
||||
|
||||
### 第 18 题 · 假设检验概念综合 🟨真题骨架 2018·8
|
||||
|
||||
**(Ⅰ)答案**:**(D)**。
|
||||
|
||||
**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 $c=u_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ ;
|
||||
- $\alpha$ 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 |
|
||||
|
||||
> **记忆**:**"小 $\alpha$ 拒绝 ⟹ 大 $\alpha$ 必拒绝;大 $\alpha$ 接受 ⟹ 小 $\alpha$ 必接受。"**
|
||||
|
||||
**(Ⅱ)答案**:$W=\{\lvert\bar X-\mu_0\rvert\ge0.98\}$ ;$\beta=\Phi(-0.04)-\Phi(-3.96)\approx\Phi(-0.04)\approx0.484$ 。
|
||||
|
||||
**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**:
|
||||
|
||||
$$\beta=P\{\lvert\bar X-\mu_0\rvert<0.98\mid \mu=\mu_0+1\}.$$
|
||||
|
||||
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
|
||||
|
||||
$$-0.98<1+0.5Z<0.98\ \Longleftrightarrow\ -3.96<Z<-0.04,$$
|
||||
|
||||
$$\beta=\Phi(-0.04)-\Phi(-3.96)\approx0.4840-0.0000\approx0.484 .$$
|
||||
|
||||
**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。
|
||||
- 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)。
|
||||
|
||||
---
|
||||
|
||||
## 命题质量报告
|
||||
|
||||
### 一、考点覆盖表(对照第 20/21/22 章 15 道真题)
|
||||
|
||||
| 真题 | 考点 | 对应题 | 覆盖 |
|
||||
|---|---|---|---|
|
||||
| 2017·8 | $\chi^2$ 分布辨析 | A2(含同款陷阱 Ⅳ) | ✅ |
|
||||
| 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) |
|
||||
| 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 | ✅ |
|
||||
| 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 | ✅ |
|
||||
|
||||
**覆盖结论**:15 道真题中 **13 题完全覆盖 ✅、2 题部分覆盖 ◐**。
|
||||
|
||||
### 二、难度分布与用时
|
||||
|
||||
| 组 | 题量 | 建议用时 | 难度 |
|
||||
|---|---|---|---|
|
||||
| A 基础 | 6(1–6) | 22 分钟 | ★☆☆ |
|
||||
| B 中等 | 8(7–14) | 34 分钟 | ★★☆ |
|
||||
| C 拔高 | 4(15–18) | 24 分钟 | ★★★ |
|
||||
| **合计** | **18** | **约 80 分钟** | 可拆两天(第 1 天 1–9,第 2 天 10–18) |
|
||||
|
||||
### 三、真题使用与防过拟合
|
||||
|
||||
- **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。
|
||||
|
||||
### 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;
|
||||
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。
|
||||
|
||||
> 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**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)。
|
||||
@@ -0,0 +1,168 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 抽样分布, 正态总体]
|
||||
专题: 概率论 第6讲 · 点3 正态总体的抽样分布
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(3.1 四个结论、3.2 两总体,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 正态总体的抽样分布
|
||||
|
||||
> **2017·8(4 分)$+$ 2023·9(5 分)**,而且它是后面区间估计与假设检验的**唯一工具箱**|重要度 ★★★
|
||||
> 依赖:点 2 的三大分布。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:这一点只有四个结论,但必须**背到"看到统计量就知道分布"**。三题按"四个结论的辨析 → 用卡方算概率 → 两总体的方差比"递进。第 1 题是 2017·8 的真题形态(四选一找错的),**错项永远设在"分母是 $\sqrt n$ 还是 $\sqrt{n-1}$ "上**。难度标准:三题都是 ★★☆。
|
||||
|
||||
## 知识点 3.1 单总体的四个结论(出处:[知识章 §2.5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ :
|
||||
|
||||
$$\text{①}\ \bar X\sim N\left(\mu,\ \frac{\sigma^2}{n}\right)\ \Longrightarrow\ \frac{\bar X-\mu}{\sigma/\sqrt n}\sim N(0,1);$$
|
||||
|
||||
$$\text{②}\ \frac{(n-1)S^2}{\sigma^2}=\frac{\sum(X_i-\bar X)^2}{\sigma^2}\sim\chi^2(n-1);$$
|
||||
|
||||
$$\text{③}\ \bar X\ \text{与}\ S^2\ \text{相互独立};\qquad \text{④}\ \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
|
||||
|
||||
**四条要点**:
|
||||
|
||||
1. ①里的分母是 $\sigma/\sqrt n$ ——$n$ 在根号里,**样本越大均值越集中**;
|
||||
2. ②的自由度是 $n-1$ ,因为 $\sum(X_i-\bar X)^2$ 里用掉了一个自由度给 $\bar X$ ;
|
||||
3. ③ **只在正态总体下成立**,是 ④ 的前提(否则分子分母不独立,构不成 $t$ );
|
||||
4. **④ 的分子分母不能"约掉 $n$ "** :$\dfrac{\bar X-\mu}{S/\sqrt n}$ 里 $n$ 的位置与 ① 一致。
|
||||
|
||||
## 知识点 3.2 两总体的情形(出处:[知识章 §2.5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
两样本独立,$X_i\sim N(\mu_1,\sigma_1^2)$ ($i=1..n_1$ )、$Y_j\sim N(\mu_2,\sigma_2^2)$ ($j=1..n_2$ ):
|
||||
|
||||
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,\ n_2-1).$$
|
||||
|
||||
**方差相等时的合并**(pooled):
|
||||
|
||||
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2},\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}}\sim t(n_1+n_2-2).$$
|
||||
|
||||
> **合并方差的自由度**:$(n_1-1)+(n_2-1)=n_1+n_2-2$ ——两个方差各贡献自己的自由度,这正是"相加"的原因。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 3.1:四选一找错(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ ($n\ge2$ )为来自总体 $N(\mu,1)$ 的简单随机样本,$\bar X=\frac1n\sum X_i$ ,$S^2=\frac{1}{n-1}\sum(X_i-\bar X)^2$ 。下列结论中**不正确**的是( )。
|
||||
>
|
||||
> (A)$\sum\limits_{i=1}^{n}(X_i-\mu)^2\sim\chi^2(n)$
|
||||
> (B)$\sum\limits_{i=1}^{n}(X_i-\bar X)^2\sim\chi^2(n-1)$
|
||||
> (C)$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}\sim t(n-1)$
|
||||
> (D)$\dfrac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1)$
|
||||
|
||||
**怎么想**:逐个对照四个结论。(A)看"是不是标准正态的平方和";(B)看自由度;(C)(D)看分母里 $n$ 的位置。
|
||||
|
||||
**解**:**选(C)**。
|
||||
|
||||
**(A)正确**:$\sigma=1$ ,故 $X_i-\mu\sim N(0,1)$ 且相互独立,$n$ 个标准正态的平方和服从 $\chi^2(n)$ 。
|
||||
|
||||
**(B)正确**:这是结论 ② 在 $\sigma=1$ 时的样子,自由度 $n-1$ 。
|
||||
|
||||
**(C)错误**:由结论 ①,$\bar X\sim N\left(\mu,\frac1n\right)$ ,标准化得 $\dfrac{\bar X-\mu}{1/\sqrt n}\sim N(0,1)$ 。由结论 ②,$\dfrac{(n-1)S^2}{1}\sim\chi^2(n-1)$ ,即 $\dfrac{\chi^2(n-1)}{n-1}=S^2$ 。两者独立,按 $t$ 的定义(标准正态除以"卡方除自由度"的平方根)得
|
||||
|
||||
$$\frac{\bar X-\mu}{S/\sqrt{n}}\sim t(n-1).$$
|
||||
|
||||
分母是 $S/\sqrt n$ ,不是 $S/\sqrt{n-1}$ 。(C)把 $n$ 写成了 $n-1$ ,错。
|
||||
|
||||
**(D)正确**:由 $T=\dfrac{\bar X-\mu}{S/\sqrt n}\sim t(n-1)$ 及 $T^2\sim F(1,n-1)$ ,
|
||||
|
||||
$$T^{2}=\frac{(\bar X-\mu)^2}{S^2/n}=\frac{n(\bar X-\mu)^2}{S^2}\sim F(1,\ n-1).$$
|
||||
|
||||
**验算**:取 $n=2$ 数值代入(C)看荒谬性:若(C)成立,则 $\dfrac{\bar X-\mu}{S}$ 会服从 $t(1)$ ,而正确的统计量是 $\dfrac{\bar X-\mu}{S/\sqrt2}=\sqrt2\cdot\dfrac{\bar X-\mu}{S}$ 。两者差一个 $\sqrt2$ 的缩放,$t$ 分布不是尺度不变的,所以不可能都对 ✓。
|
||||
|
||||
**带走结论**:**看到 $\dfrac{\bar X-\mu}{\cdot}$ 这种形状,分母一律取** $S/\sqrt n$ 。$\sqrt{n-1}$ 只在 $\chi^2$ 那一路出现(通过 $S^2$ 的自由度),从不直接出现在 $t$ 的分母里。这一条能秒杀绝大多数"找错"型选择题。
|
||||
|
||||
> **关联** · 盘点 [§3.1 单总体的四个结论(本讲的核心)](01-知识点盘点.md#user-content-31-单总体的四个结论本讲的核心) | 上游 — | 下游 [点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率) | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 3.1:用卡方算样本方差的概率(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_{10}$ 来自 $N(\mu,\sigma^2)$ ,$S^2$ 为样本方差。已知 $\chi^2_{0.05}(9)=16.92$ 、$\chi^2_{0.95}(9)=3.325$ 。求
|
||||
>
|
||||
> (Ⅰ)$P\left\{\dfrac{9S^2}{\sigma^2}>16.92\right\}$ ;
|
||||
> (Ⅱ)$P\{S^2>1.88\sigma^2\}$ ;
|
||||
> (Ⅲ)$P\{S^2<0.369\sigma^2\}$ 。
|
||||
|
||||
**怎么想**:核心是把 $S^2$ 的不等式化成 $\chi^2(9)$ 的不等式。**除以 $\sigma^2$ 再乘 $n-1$ 就标准化了**——这一步定了,后面只是查表。
|
||||
|
||||
**解**:
|
||||
|
||||
先记:$\dfrac{(n-1)S^2}{\sigma^2}=\dfrac{9S^2}{\sigma^2}\sim\chi^{2}(9)$ 。
|
||||
|
||||
**(Ⅰ)** 直接是上侧分位点的定义:
|
||||
|
||||
$$P\left\{\frac{9S^2}{\sigma^2}>16.92\right\}=P\left\{\chi^{2}(9)>\chi^{2}_{0.05}(9)\right\}=0.05 .$$
|
||||
|
||||
**(Ⅱ)** 两边同乘 $\dfrac{9}{\sigma^2}$ :
|
||||
|
||||
$$S^2>1.88\sigma^2\iff\frac{9S^2}{\sigma^2}>9\times1.88=16.92,$$
|
||||
|
||||
$$P\{S^2>1.88\sigma^2\}=0.05 .$$
|
||||
|
||||
**(Ⅲ)** 同样是同乘:
|
||||
|
||||
$$S^2<0.369\sigma^2\iff\frac{9S^2}{\sigma^2}<9\times0.369=3.321\approx3.325=\chi^{2}_{0.95}(9),$$
|
||||
|
||||
故
|
||||
|
||||
$$P\{S^2<0.369\sigma^2\}\approx P\{\chi^2(9)<\chi^2_{0.95}(9)\}=0.05 .$$
|
||||
|
||||
(因为 $\chi^2_{0.95}(9)$ 的**左侧**面积是 $1-0.95=0.05$ 。)
|
||||
|
||||
**验算**:$9\times0.369=3.321$ ,与 $3.325$ 差 $0.004$ ,在查表精度内 ✓。
|
||||
|
||||
**带走结论**:**系数换算要"同乘 $n-1$ 再除 $\sigma^2$ "** ,且 $\chi^2_\alpha$ 是**上**侧分位点,所以"小于"方向对应的是 $1-\alpha$ 。**这条方向搞反,区间估计的上下限就会颠倒**,是点 7 最易失分处。
|
||||
|
||||
> **关联** · 盘点 [§3.1 单总体的四个结论(本讲的核心)](01-知识点盘点.md#user-content-31-单总体的四个结论本讲的核心) | 上游 [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错) | 下游 — | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 3.2:两总体的方差比(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 来自 $N(\mu_1,\sigma^2)$ ,$Y_1,\dots,Y_m$ 来自 $N(\mu_2,2\sigma^2)$ ,两样本相互独立,$S_1^2$ 、$S_2^2$ 为各自样本方差。
|
||||
>
|
||||
> (Ⅰ)问 $\dfrac{S_1^2}{S_2^2}$ 乘以什么常数后服从 $F(n-1,m-1)$ ?
|
||||
> (Ⅱ)这个统计量能不能用来构造 $\sigma^2$ 的置信区间?
|
||||
> (Ⅲ)若已知 $\sigma_1^2=\sigma_2^2=\sigma^2$ (两总体方差相同),写出检验 $\mu_1=\mu_2$ 用的 $t$ 统计量。
|
||||
|
||||
**怎么想**:(Ⅰ)的关键是**先把各自的 $\sigma_i^2$ 除掉**,让分子分母都变成"标准卡方"。本题 $\sigma_1^2=\sigma^2$ 、$\sigma_2^2=2\sigma^2$ ,差一个 $2$ ,这个 $2$ 必须补上。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 由结论 ②,
|
||||
|
||||
$$\frac{(n-1)S_1^2}{\sigma^2}\sim\chi^{2}(n-1),\qquad \frac{(m-1)S_2^2}{2\sigma^2}\sim\chi^{2}(m-1).$$
|
||||
|
||||
两者独立,按 $F$ 的定义(各除自由度再相除):
|
||||
|
||||
$$\frac{\dfrac{(n-1)S_1^2}{\sigma^2}\Big/(n-1)}{\dfrac{(m-1)S_2^2}{2\sigma^2}\Big/(m-1)}=\frac{S_1^2/\sigma^2}{S_2^2/(2\sigma^2)}=\frac{2S_1^2}{S_2^2}\sim F(n-1,\ m-1).$$
|
||||
|
||||
所以乘以常数 $2$ 即可。
|
||||
|
||||
**(Ⅱ)** 不能。$\dfrac{2S_1^2}{S_2^2}$ 的分布虽然已知,但它**不含任何未知参数**——也就无从反解出 $\sigma^2$ 。能构造区间的是**方差之比** $\dfrac{\sigma_1^2}{\sigma_2^2}$ :
|
||||
|
||||
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n-1,m-1)\ \Longrightarrow\ \frac{\sigma_1^2}{\sigma_2^2}\ \text{的置信区间由}\ F\ \text{分位点反解}.$$
|
||||
|
||||
本题已知 $\sigma_2^2=2\sigma^2$ ,$\dfrac{\sigma_1^2}{\sigma_2^2}$ 恒为 $\dfrac12$ ,是常数,也不需要区间。
|
||||
|
||||
**(Ⅲ)** 合并方差
|
||||
|
||||
$$S_w^2=\frac{(n-1)S_1^2+(m-1)S_2^2}{n+m-2},$$
|
||||
|
||||
检验 $\mu_1=\mu_2$ 的统计量($H_0$ 下)
|
||||
|
||||
$$t=\frac{\bar X-\bar Y}{S_w\sqrt{\dfrac1n+\dfrac1m}}\sim t(n+m-2).$$
|
||||
|
||||
**验算**:$n=5$ 、$m=6$ 时自由度 $=5-1+6-1=9=n+m-2$ ✓;若误写成 $n+m-1$ 就多算了一个。
|
||||
|
||||
**带走结论**:**两总体的题先把 $\sigma_i^2$ 除掉**,这一步做出了,$F$ 就自动出现。**判断"能不能构造某个参数的区间"只看统计量里含不含该参数**——不含就只能构造"比值"或"差"的区间。
|
||||
|
||||
> **关联** · 盘点 [§3.2 两总体的情形](01-知识点盘点.md#user-content-32-两总体的情形) | 上游 — | 下游 — | 速查 [三 正态总体的四个结论](10-速查卡.md#user-content-三-正态总体的四个结论)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,111 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 矩估计]
|
||||
专题: 概率论 第6讲 · 点4 矩估计
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(4.1 原理与步骤、4.2 两个陷阱,共 2 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 4 矩估计
|
||||
|
||||
> 2017·23 的第一问;作为"送分的第一问"出现频率极高|重要度 ★★★
|
||||
> 依赖:点 1 的样本矩、第 4 讲的期望与方差。盘点对应:§4 全节。
|
||||
|
||||
**组织原则**:矩估计是点估计里**唯一有固定套路**的方法——写出总体矩,令它等于样本矩,解方程。两题分工:第 1 题练"一阶矩就够"的标准流程,第 2 题专治"一阶矩里没有参数"这个最常见的卡壳点。难度标准:★☆☆ 一题、★★☆ 一题。
|
||||
|
||||
## 知识点 4.1 原理与步骤(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**一句话原理**:**用样本矩替换总体矩**。
|
||||
|
||||
$$A_k=\frac1n\sum_{i=1}^{n}X_i^{k}\ \xrightarrow{\ \text{替代}\ }\ EX^{k}\quad(k=1,2,\dots).$$
|
||||
|
||||
**两步**:
|
||||
|
||||
1. 写出**总体矩** $EX^k$ ,让它带参数;
|
||||
2. 令 $EX^k=A_k$ ,**方程个数 $=$ 未知参数个数**,解出参数。
|
||||
|
||||
> **先数参数、再定阶数**:两个未知参数就要用到二阶矩,这是唯一需要预先判断的事。
|
||||
|
||||
## 知识点 4.2 两个陷阱(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**陷阱一:一阶矩里没有参数**。如 $X\sim N(0,\sigma^2)$ 时 $EX=0$ ,与 $\sigma$ 无关,方程恒成立、解不出东西。此时必须升到二阶矩。
|
||||
|
||||
**陷阱二**:二阶矩用 $A_2$ 还是 $S^2$ ?矩估计法**规定用二阶原点矩** $A_2=\frac1n\sum X_i^2$ ,不是 $S^2$ 。两者只差一个系数:
|
||||
|
||||
$$S^2=\frac{n}{n-1}A_2-\frac{n}{n-1}\bar X^2\quad\Longrightarrow\quad A_2=\frac{n-1}{n}S^2+\bar X^2 .$$
|
||||
|
||||
> **后果**:用 $A_2$ 得到的估计量是**有偏**的($EA_2=\sigma^2+\mu^2$ 之类),但这不影响矩估计的合法性——矩估计从来不以无偏为目标,只保证**相合**。要无偏得再修正,那是点 6 的事。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 4.1:一阶矩就够的情形(★☆☆)
|
||||
|
||||
> 设总体 $X$ 的概率密度为
|
||||
>
|
||||
> $$f(x;\theta)=\begin{cases}(\theta+1)x^{\theta}, & 0<x<1,\\ 0, & \text{其他},\end{cases}\qquad \theta>-1 .$$
|
||||
>
|
||||
> $X_1,\dots,X_n$ 为简单随机样本。求 $\theta$ 的矩估计量。
|
||||
|
||||
**怎么想**:只有一个未知参数,用一阶矩。先算 $EX$ (带 $\theta$ ),再令它等于 $\bar X$ ,最后把 $\theta$ 解出来——**解方程这一步最容易算错符号**。
|
||||
|
||||
**解**:
|
||||
|
||||
先算总体一阶矩:
|
||||
|
||||
$$EX=\int_0^{1}x\cdot(\theta+1)x^{\theta}\,\mathrm dx=(\theta+1)\int_0^{1}x^{\theta+1}\,\mathrm dx=\frac{\theta+1}{\theta+2}.$$
|
||||
|
||||
令 $EX=\bar X$ :
|
||||
|
||||
$$\frac{\theta+1}{\theta+2}=\bar X\quad\Longrightarrow\quad \theta+1=\bar X(\theta+2)\quad\Longrightarrow\quad \theta(1-\bar X)=2\bar X-1 .$$
|
||||
|
||||
故矩估计量
|
||||
|
||||
$$\hat\theta=\frac{2\bar X-1}{1-\bar X}\qquad\left(\bar X\ne1\right).$$
|
||||
|
||||
**验算**:取 $\theta=0$ ,此时 $f(x)=1$ 即 $U(0,1)$ ,$EX=\frac12$ 。代入公式:$\hat\theta=\dfrac{2\cdot\frac12-1}{1-\frac12}=\dfrac{0}{0.5}=0$ ✓。再取 $\theta=1$ ($f=2x$ ,$EX=\frac23$ ):$\hat\theta=\dfrac{\frac43-1}{1-\frac23}=\dfrac{1/3}{1/3}=1$ ✓。
|
||||
|
||||
**带走结论**:**矩估计的答案一定写成"只含样本"的形式**($\bar X$ 、$A_2$ 等),不能留着 $\theta$ 。另外要标出**定义域**:本题 $\bar X\ne1$ ,且当 $\bar X<\frac12$ 时 $\hat\theta<0$ 会越界——这时按"参数范围"截断到 $-1$ 。
|
||||
|
||||
> **关联** · 盘点 [§4.1 原理与步骤](01-知识点盘点.md#user-content-41-原理与步骤) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 4.2:一阶矩失效与二阶矩的坑(★★☆)
|
||||
|
||||
> (Ⅰ)设 $X\sim N(0,\sigma^2)$ ,$\sigma>0$ 未知,$X_1,\dots,X_n$ 为样本。用矩估计法求 $\sigma^2$ 与 $\sigma$ 的估计量,并说明为什么不能用一阶矩。
|
||||
>
|
||||
> (Ⅱ)设 $X\sim N(\mu,\sigma^2)$ ,$\mu,\sigma^2$ 均未知。求 $\mu$ 与 $\sigma^2$ 的矩估计量,并指出 $\hat\sigma^2$ 是否无偏。
|
||||
|
||||
**怎么想**:(Ⅰ)一阶矩 $EX=0$ 与 $\sigma$ 无关,方程退化成"$0=0$ ",所以必须升到二阶矩。(Ⅱ)两个参数用两个矩,第二式解出的是 $\frac1n\sum(X_i-\bar X)^2$ ——注意它与 $S^2$ **不相等**。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 一阶矩 $EX=0$ ,不含 $\sigma$ ,令 $EX=\bar X$ 得 $0=\bar X$ ,与 $\sigma$ 无关,**方程无效**。
|
||||
|
||||
改用二阶矩:$EX^2=DX+(EX)^2=\sigma^2$ 。令 $EX^2=A_2=\frac1n\sum X_i^2$ ,得
|
||||
|
||||
$$\hat\sigma^2=A_2=\frac1n\sum_{i=1}^{n}X_i^2,\qquad \hat\sigma=\sqrt{\frac1n\sum_{i=1}^{n}X_i^2}.$$
|
||||
|
||||
**(Ⅱ)** 两个方程:
|
||||
|
||||
$$EX=\mu\ \Rightarrow\ \hat\mu=\bar X;\qquad EX^2=\mu^2+\sigma^2\ \Rightarrow\ \hat\sigma^2=A_2-\bar X^2 .$$
|
||||
|
||||
而
|
||||
|
||||
$$A_2-\bar X^2=\frac1n\sum X_i^2-\bar X^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2=S_n^2 .$$
|
||||
|
||||
所以
|
||||
|
||||
$$\hat\mu=\bar X,\qquad \hat\sigma^2=S_n^2=\frac1n\sum_{i=1}^{n}(X_i-\bar X)^2 .$$
|
||||
|
||||
**无偏性**:由点 1 题 2,$ES_n^2=\dfrac{n-1}{n}\sigma^2\ne\sigma^2$ ,故 $\hat\sigma^2$ **有偏**(系统性偏小)。若改用 $S^2$ 才无偏。
|
||||
|
||||
**验算**:(Ⅰ)里 $\hat\sigma^2$ 的期望:$E A_2=EX^2=\sigma^2$ ✓,所以**(Ⅰ)的 $\hat\sigma^2$ 反而无偏**——这与(Ⅱ)恰好相反,原因是一阶矩是否为 $0$ 决定了"减不减 $\bar X^2$ "。
|
||||
|
||||
**带走结论**:**同一个参数,在不同的总体设定下矩估计可能不同,无偏性也可能不同**。规律是:**只要 $\mu$ 未知、需要先估 $\mu$ ,$\sigma^2$ 的矩估计就必然是 $S_n^2$ (有偏)**;而 $\mu$ 已知为 $0$ 时用 $A_2$ (无偏)。这一条把 2019·23 与 2017·23 的分叉点讲清了。
|
||||
|
||||
> **关联** · 盘点 [§4.2 两个陷阱](01-知识点盘点.md#user-content-42-两个陷阱) | 上游 — | 下游 — | 速查 [四 矩估计](10-速查卡.md#user-content-四-矩估计)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,215 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 最大似然估计]
|
||||
专题: 概率论 第6讲 · 点5 最大似然估计
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(5.1 似然函数与三步、5.2 支撑含参数,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 5 最大似然估计
|
||||
|
||||
> **2018·23、2019·23、2020·23、2022·22 —— 十年四道大题,约 45 分**,是全讲最重的一点|重要度 ★★★
|
||||
> 依赖:点 1 的联合密度。盘点对应:§5 全节。
|
||||
|
||||
**组织原则**:MLE 的动作极其固定,**唯一的变量是"支撑含不含参数"**。四题分两组:前两题(5.1)支撑固定,老老实实取对数求导;后两题(5.2)支撑含参数,只能看单调性。**这个分叉决定了 45 分里的 11 分能不能拿**。难度标准:★★☆ 两题、★★★ 两题。
|
||||
|
||||
## 知识点 5.1 似然函数与三步(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}f(x_i;\theta)\ \ (\text{离散型用}\ \prod p(x_i;\theta)),\qquad \ln L=\sum_{i=1}^{n}\ln f(x_i;\theta).$$
|
||||
|
||||
**三步**:
|
||||
|
||||
1. 写 $L(\theta)$ (**连同支撑条件一起写**);
|
||||
2. 取对数 $\ln L$ (乘积变加法,指数变系数);
|
||||
3. 对参数求导令零,解出 $\hat\theta$ ;**最后检查是否为最大值**(二阶导或单调性)。
|
||||
|
||||
**多参数**:对每个参数分别求偏导,联立解方程组。
|
||||
|
||||
**不变性(省一半功夫)**:若 $\hat\theta$ 是 $\theta$ 的 MLE,则对任意函数 $g$ ,$g(\hat\theta)$ 是 $g(\theta)$ 的 MLE。**所以求 $\lambda$ 的 MLE 之后,$1/\lambda$ 的 MLE 直接取倒数,不必重算。**
|
||||
|
||||
## 知识点 5.2 支撑含参数(出处:[知识章 §3.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
当密度的非零区间端点含参数(如 $0<x<\theta$ 、$x\ge\mu$ )时,$L$ 里出现**示性函数**:
|
||||
|
||||
$$L(\theta)=\theta^{-n}\cdot\mathbf 1\{0<x_{(n)}<\theta\}\quad(\text{以 }U(0,\theta)\text{ 为例}).$$
|
||||
|
||||
**求导这条路彻底断了**——$\mathbf 1$ 不是可导函数。此时只能看 $L$ 关于 $\theta$ 的**单调性**:
|
||||
|
||||
| $L$ 的单调性 | $\hat\theta$ 取什么 |
|
||||
|---|---|
|
||||
| 随 $\theta$ 增大而**减小** | 取 $\theta$ 的**最小可行值**(常为 $X_{(n)}$ ) |
|
||||
| 随 $\theta$ 增大而**增大** | 取 $\theta$ 的**最大可行值**(常为 $X_{(1)}$ ) |
|
||||
|
||||
**判断"可行"的界**:约束来自"所有 $x_i$ 都必须落在支撑内",即 $\theta\ge x_{(n)}$ (或 $\mu\le x_{(1)}$ )。所以最小可行值就是 $X_{(n)}$ 。
|
||||
|
||||
> **写答案时必须带一句**:"因为 $L$ 关于 $\theta$ 单调递减,且 $\theta\ge X_{(n)}$ ,故 $\hat\theta=X_{(n)}$ 。"没有这句话,阅卷按"未说明取边界"扣分。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 5.1:指数分布与不变性(★★☆)
|
||||
|
||||
> 设总体 $X\sim E(\lambda)$ ($\lambda>0$ 未知),$X_1,\dots,X_n$ 为简单随机样本。
|
||||
>
|
||||
> (Ⅰ)求 $\lambda$ 的最大似然估计 $\hat\lambda$ ;
|
||||
> (Ⅱ)求 $P\{X>t\}$ 的最大似然估计;
|
||||
> (Ⅲ)若改用矩估计法,$\lambda$ 的估计量是否相同?
|
||||
|
||||
**怎么想**:(Ⅰ)标准三步;(Ⅱ)用不变性,把 $\hat\lambda$ 代进 $P\{X>t\}=e^{-\lambda t}$ 即可;(Ⅲ)一阶矩 $EX=\frac1\lambda$ ,与(Ⅰ)的答案应当是同一个。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 似然函数
|
||||
|
||||
$$L(\lambda)=\prod_{i=1}^{n}\lambda e^{-\lambda x_i}=\lambda^{n}e^{-\lambda\sum x_i}\quad(x_i>0).$$
|
||||
|
||||
取对数:
|
||||
|
||||
$$\ln L=n\ln\lambda-\lambda\sum_{i=1}^{n}x_i .$$
|
||||
|
||||
求导令零:
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\lambda}=\frac{n}{\lambda}-\sum_{i=1}^{n}x_i=0\quad\Longrightarrow\quad\hat\lambda=\frac{n}{\sum\limits_{i=1}^{n}X_i}=\frac{1}{\bar X}.$$
|
||||
|
||||
二阶导 $-\dfrac{n}{\lambda^2}<0$ ,确为最大值。
|
||||
|
||||
**(Ⅱ)** $P\{X>t\}=e^{-\lambda t}$ ,由不变性,
|
||||
|
||||
$$\widehat{P\{X>t\}}=e^{-\hat\lambda t}=e^{-t/\bar X}.$$
|
||||
|
||||
**(Ⅲ)** 矩估计:$EX=\dfrac1\lambda$ ,令 $\dfrac1\lambda=\bar X$ ,得 $\hat\lambda=\dfrac{1}{\bar X}$ 。**与(Ⅰ)完全相同。**
|
||||
|
||||
**验算**:两法同解并不偶然——指数分布是**单参数指数族**,其矩估计与 MLE 在多数情形下重合(拉普拉斯分布、正态的 $\mu$ 也如此)。但**不是普遍规律**:本题第 2、4 题里两法就不同。
|
||||
|
||||
**带走结论**:**先取对数再求导**是指数型密度的捷径,因为 $\ln$ 把 $\prod$ 变成 $\sum$ 、把 $e^{-\lambda\sum x_i}$ 变成 $-\lambda\sum x_i$ 。另外**不变性可以层层传递**:算出 $\hat\lambda$ 后,任何 $\lambda$ 的函数($e^{-\lambda t}$ 、$\frac1\lambda$ 、$\lambda^2$ )的 MLE 都是把 $\hat\lambda$ 代进去。
|
||||
|
||||
> **关联** · 盘点 [§5.1 似然函数与三步](01-知识点盘点.md#user-content-51-似然函数与三步) | 上游 — | 下游 [点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松) | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 5.1:两组不同参数的泊松(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 来自参数为 $\theta$ 的泊松分布,$Y_1,\dots,Y_m$ 来自参数为 $2\theta$ 的泊松分布,两样本相互独立,$\theta>0$ 未知。
|
||||
>
|
||||
> (Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;
|
||||
> (Ⅱ)判断 $\hat\theta$ 是否无偏;
|
||||
> (Ⅲ)若把第二个总体的参数改成 $k\theta$ ($k>0$ 已知),$\hat\theta$ 变成什么?
|
||||
|
||||
**怎么想**:两组样本共用同一个 $\theta$ ,所以**联合似然要乘在一起**——这是本题唯一的难点。取对数后 $\theta$ 只以 $\ln\theta$ 与 $\theta$ 两种形式出现,求导很干净。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 似然函数(两个总体的联合):
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}\frac{\theta^{x_i}e^{-\theta}}{x_i!}\cdot\prod_{j=1}^{m}\frac{(2\theta)^{y_j}e^{-2\theta}}{y_j!}=\frac{\theta^{\sum x_i+\sum y_j}\,2^{\sum y_j}\,e^{-(n+2m)\theta}}{\prod x_i!\prod y_j!}.$$
|
||||
|
||||
取对数(丢掉与 $\theta$ 无关的常数):
|
||||
|
||||
$$\ln L=\left(\sum x_i+\sum y_j\right)\ln\theta-(n+2m)\theta+C.$$
|
||||
|
||||
求导令零:
|
||||
|
||||
$$\frac{\mathrm d\ln L}{\mathrm d\theta}=\frac{\sum x_i+\sum y_j}{\theta}-(n+2m)=0\quad\Longrightarrow\quad \hat\theta=\frac{\sum\limits_{i=1}^{n}X_i+\sum\limits_{j=1}^{m}Y_j}{n+2m}.$$
|
||||
|
||||
**(Ⅱ)** 由 $EX_i=\theta$ 、$EY_j=2\theta$ ,
|
||||
|
||||
$$E\hat\theta=\frac{n\theta+m\cdot2\theta}{n+2m}=\frac{(n+2m)\theta}{n+2m}=\theta .$$
|
||||
|
||||
故 $\hat\theta$ **无偏**。
|
||||
|
||||
**(Ⅲ)** 把 $2$ 换成 $k$ 重走一遍:$e^{-(n+km)\theta}$ ,求导得
|
||||
|
||||
$$\hat\theta=\frac{\sum x_i+\sum y_j}{n+km}.$$
|
||||
|
||||
**验算**:$k=1$ 时退化为"\(n+m\) 个同分布泊松"的 $\hat\theta=\dfrac{\sum x+\sum y}{n+m}$ ✓;$k=1$ 且 $m=0$ 时退化为 $\hat\theta=\bar X$ ✓。
|
||||
|
||||
**带走结论**:**"两组样本、一个参数"的题,答案永远是"分子加总、分母加权"** :分母是 $\sum n_i k_i$ ,其中 $k_i$ 是该组参数与 $\theta$ 的比例。这个结构在无偏性上也自动成立,所以**这类 MLE 常常恰好无偏**(因为似然是两部分信息的加权平均)。
|
||||
|
||||
> **关联** · 盘点 [§5.1 似然函数与三步](01-知识点盘点.md#user-content-51-似然函数与三步) | 上游 [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性) | 下游 — | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 5.2:均匀分布的 MLE 不能求导(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$\theta>0$ 未知,$X_{(n)}=\max\{X_i\}$ 。
|
||||
>
|
||||
> (Ⅰ)写出似然函数,并说明为什么不能对 $\theta$ 求导;
|
||||
> (Ⅱ)求 $\theta$ 的最大似然估计;
|
||||
> (Ⅲ)该估计量是否无偏?若无偏请修正。
|
||||
|
||||
**怎么想**:$L$ 的支撑是 $0<x_i<\theta$ ,等价于 $\theta>x_{(n)}$ 。在这个约束下 $L=\theta^{-n}$ 随 $\theta$ 增大而减小,所以取最小可行值。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 单个密度 $f(x;\theta)=\dfrac1\theta\ (0<x<\theta)$ ,故
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}\frac1\theta\cdot\mathbf 1\{0<x_i<\theta\}=\frac{1}{\theta^{n}}\cdot\mathbf 1\{\theta>x_{(n)}\}.$$
|
||||
|
||||
**不能求导的原因**:$\mathbf 1\{\theta>x_{(n)}\}$ 是跳跃函数,在 $\theta=x_{(n)}$ 处不可导;而且 $L$ 在可行域**内部**没有驻点($\frac{\mathrm d}{\mathrm d\theta}\theta^{-n}=-\frac{n}{\theta^{n+1}}\ne0$ ),求导令零会得到"无解"。
|
||||
|
||||
**(Ⅱ)** 在可行域 $\theta>x_{(n)}$ 上,$L=\theta^{-n}$ **关于 $\theta$ 严格递减**,所以取最小的可行 $\theta$ :
|
||||
|
||||
$$\hat\theta=X_{(n)} .$$
|
||||
|
||||
(严格说似然在 $\theta=x_{(n)}$ 处取到上确界,故 MLE 为 $X_{(n)}$ 。)
|
||||
|
||||
**(Ⅲ)** 由点 1 题 3,$EX_{(n)}=\dfrac{n}{n+1}\theta<\theta$ ,**有偏**。修正:
|
||||
|
||||
$$\tilde\theta=\frac{n+1}{n}X_{(n)},\qquad E\tilde\theta=\theta .$$
|
||||
|
||||
**验算**:$n=1$ 时 $\hat\theta=X_1$ ,$EX_1=\frac{\theta}{2}\ne\theta$ ,偏得最厉害;$n\to\infty$ 时 $\frac{n}{n+1}\to1$ ,偏差消失——这与"$X_{(n)}$ 相合"一致。
|
||||
|
||||
**带走结论**:**看到支撑带参数,立刻放弃求导**。判断规则只有一条:**$L$ 的单调方向决定取哪个端点**。$U(0,\theta)$ 型(上端含参数)取 $X_{(n)}$ ,$U(\theta,1)$ 型(下端含参数)取 $X_{(1)}$ 。**而 $X_{(n)}$ 永远偏小**,所以修正系数总是"大于 $1$ "。
|
||||
|
||||
> **关联** · 盘点 [§5.2 支撑含参数(唯一不能求导的情形)](01-知识点盘点.md#user-content-52-支撑含参数唯一不能求导的情形) | 上游 — | 下游 [点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 5.2:平方型密度与无偏修正(★★★)
|
||||
|
||||
> 设总体 $X$ 的概率密度为
|
||||
>
|
||||
> $$f(x;\theta)=\begin{cases}\dfrac{3x^{2}}{\theta^{3}}, & 0<x<\theta,\\ 0, & \text{其他},\end{cases}\qquad \theta>0\ \text{未知}.$$
|
||||
>
|
||||
> $X_1,\dots,X_n$ 为简单随机样本,$X_{(n)}=\max\{X_i\}$ 。
|
||||
>
|
||||
> (Ⅰ)求 $\theta$ 的最大似然估计 $\hat\theta$ ;
|
||||
> (Ⅱ)求 $E X_{(n)}$ ,并据此构造 $\theta$ 的无偏估计;
|
||||
> (Ⅲ)若用矩估计法,$\theta$ 的估计量是什么?与(Ⅰ)是否相同?
|
||||
|
||||
**怎么想**:(Ⅰ)密度里 $\theta$ 出现在分母的幂上,但**支撑里同样有 $\theta$ 这个参数** ,所以仍属"求导无效"那一类——先写 $L$ 再判断单调。(Ⅱ)$X_{(n)}$ 的分布要先求 $F(x)=\frac{x^3}{\theta^3}$ 。(Ⅲ)一阶矩 $EX=\frac34\theta$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 似然函数
|
||||
|
||||
$$L(\theta)=\prod_{i=1}^{n}\frac{3x_i^{2}}{\theta^{3}}\cdot\mathbf 1\{\theta>x_{(n)}\}=\frac{3^{n}\prod x_i^{2}}{\theta^{3n}}\cdot\mathbf 1\{\theta>x_{(n)}\}.$$
|
||||
|
||||
在可行域 $\theta>x_{(n)}$ 上,$L$ 关于 $\theta$ **严格递减**($\theta^{-3n}$ 是减函数),故取最小可行值:
|
||||
|
||||
$$\hat\theta=X_{(n)} .$$
|
||||
|
||||
**(Ⅱ)** 先求分布函数:$F(x)=\displaystyle\int_0^{x}\frac{3t^2}{\theta^3}\,\mathrm dt=\frac{x^{3}}{\theta^{3}}\ (0<x<\theta)$ 。于是
|
||||
|
||||
$$F_{X_{(n)}}(x)=\left(\frac{x^{3}}{\theta^{3}}\right)^{n}=\frac{x^{3n}}{\theta^{3n}},\qquad f_{X_{(n)}}(x)=\frac{3n\,x^{3n-1}}{\theta^{3n}} .$$
|
||||
|
||||
$$EX_{(n)}=\int_0^{\theta}x\cdot\frac{3n x^{3n-1}}{\theta^{3n}}\,\mathrm dx=\frac{3n}{\theta^{3n}}\cdot\frac{\theta^{3n+1}}{3n+1}=\frac{3n}{3n+1}\theta .$$
|
||||
|
||||
故无偏估计为
|
||||
|
||||
$$\tilde\theta=\frac{3n+1}{3n}X_{(n)},\qquad E\tilde\theta=\theta .$$
|
||||
|
||||
**(Ⅲ)** 矩估计:$EX=\displaystyle\int_0^{\theta}x\cdot\frac{3x^2}{\theta^3}\,\mathrm dx=\frac{3}{\theta^3}\cdot\frac{\theta^{4}}{4}=\frac{3}{4}\theta$ 。令 $\frac34\theta=\bar X$ 得
|
||||
|
||||
$$\hat\theta_{\text{矩}}=\frac43\bar X .$$
|
||||
|
||||
**与(Ⅰ)不同**:MLE 用 $X_{(n)}$ (只看最大值),矩估计用 $\bar X$ (用全部信息)。两者都相合,但**方差相差一个量级**——$D X_{(n)}=O\left(\frac{\theta^2}{n^2}\right)$ ,远小于 $D\bar X=O\left(\frac{\theta^2}{n}\right)$ ,所以在这里 MLE 好得多。
|
||||
|
||||
**验算**:取 $n=1$ ,(Ⅱ)给 $E X_{(1)}=\frac{3}{4}\theta$ ,与(Ⅲ)的 $EX=\frac34\theta$ 一致 ✓;(Ⅲ)的 $\frac43\bar X$ 在 $n=1$ 时就是 $\frac43X_1$ ,无偏 ✓。
|
||||
|
||||
**带走结论**:**"支撑含参数"的题有三问是标配**:MLE(取边界)→ $EX_{(n)}$ (求 $F$ 再积分)→ 无偏修正(乘 $\frac{1}{E X_{(n)}/\theta}$ )。这三问连起来就是 2016·23 的完整结构。另外记住 $X_{(n)}$ 的方差是 $O(n^{-2})$ 级——**上界型参数的最优估计永远来自极值,不是均值**。
|
||||
|
||||
> **关联** · 盘点 [§5.2 支撑含参数(唯一不能求导的情形)](01-知识点盘点.md#user-content-52-支撑含参数唯一不能求导的情形) | 上游 [点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导) | 下游 — | 速查 [五 最大似然估计](10-速查卡.md#user-content-五-最大似然估计)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,225 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 无偏性, 有效性, 相合性, 均方误差]
|
||||
专题: 概率论 第6讲 · 点6 估计量的评价标准
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(6.1 无偏、6.2 有效、6.3 相合、6.4 均方误差,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 6 估计量的评价标准
|
||||
|
||||
> **2021·9(5 分)、2023·10(5 分)、2024·22(12 分)、2016·23(11 分)—— 约 33 分**|重要度 ★★★
|
||||
> 依赖:点 1 的三个基本期望、点 5 的 MLE、第 5 讲上的依概率收敛。盘点对应:§6 全节。
|
||||
|
||||
**组织原则**:四个标准是四条独立的判据,**必须分开记**:无偏看期望、有效看方差、相合看极限、均方误差看"期望 + 方差"的合成。四题各打一个标准,第 4 题(2024·22 骨架)把无偏与均方误差放在一起对照,**结论是"有偏的估计有时更好"**,这是本点最有价值的一条。难度标准:★★☆ 三题、★★★ 一题。
|
||||
|
||||
## 知识点 6.1 无偏性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$E\hat\theta=\theta\quad(\text{对一切}\ \theta).$$
|
||||
|
||||
**三条常用**:$E\bar X=\mu$ ;$ES^2=\sigma^2$ ;$E S_n^2=\dfrac{n-1}{n}\sigma^2$ (有偏)。
|
||||
|
||||
> **"无偏"是估计量的性质,不是估计值的性质**。一次抽样的 $\hat\theta$ 与 $\theta$ 差多少,与无偏无关;无偏说的是"**反复抽样时平均等于真值**"。
|
||||
|
||||
## 知识点 6.2 有效性(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
在两个**都无偏**的估计量之间比较方差,**方差小的更有效**:
|
||||
|
||||
$$\frac{D\hat\theta_1}{D\hat\theta_2}<1\ \Longrightarrow\ \hat\theta_1\ \text{比}\ \hat\theta_2\ \text{有效}.$$
|
||||
|
||||
**一条重要限制**:有效性只在"同属无偏"的集合里比。一个无偏但方差大、一个有偏但方差极小,谁更好要用点 6.4 的均方误差来判。
|
||||
|
||||
## 知识点 6.3 相合性(一致性)(出处:[知识章 §3.3](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$\hat\theta_n\overset{P}{\longrightarrow}\theta\quad(n\to\infty).$$
|
||||
|
||||
**判据(切比雪夫路线,考场上唯一要写的)**:若
|
||||
|
||||
$$E\hat\theta_n\to\theta\quad\text{且}\quad D\hat\theta_n\to0,$$
|
||||
|
||||
则 $\hat\theta_n$ 相合。因为 $P\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\}\le\dfrac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\dfrac{D\hat\theta_n+\text{偏差}^2}{\varepsilon^2}\to0$ 。
|
||||
|
||||
> **相合与无偏互不蕴含**:$\bar X+\frac1n$ 有偏但相合;$X_1$ 无偏($EX_1=\mu$ )但不相合(方差恒为 $\sigma^2$ 不趋于 $0$ )。**大样本性质看相合,小样本性质看无偏。**
|
||||
|
||||
## 知识点 6.4 均方误差(出处:参考仓库未单列,2024·22 引入)
|
||||
|
||||
$$MSE(\hat\theta)=E(\hat\theta-\theta)^2=D\hat\theta+\left(E\hat\theta-\theta\right)^2 .$$
|
||||
|
||||
读法:**总误差 = 波动 $+$ 偏差的平方**。无偏时第二项为 $0$ ,$MSE$ 退化为方差。
|
||||
|
||||
**它允许"有偏换低方差"**:只要偏差的平方小于省下的方差,有偏估计的 $MSE$ 反而更小——这就是第 4 题的结论。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 6.1:无偏性反解系数(★★☆)
|
||||
|
||||
> 设 $X_1,X_2$ 是来自 $N(\mu,\sigma^2)$ 的简单随机样本,$\sigma>0$ 未知。记 $\hat\sigma=a\lvert X_1-X_2\rvert$ 。
|
||||
>
|
||||
> (Ⅰ)求使 $\hat\sigma$ 为 $\sigma$ 的无偏估计的常数 $a$ ;
|
||||
> (Ⅱ)$S^2$ 是 $\sigma^2$ 的无偏估计,那么 $\sqrt{S^2}=S$ 是否为 $\sigma$ 的无偏估计?
|
||||
> (Ⅲ)由(Ⅱ)说明"无偏性不能穿过非线性函数"。
|
||||
|
||||
**怎么想**:(Ⅰ)关键是 $X_1-X_2\sim N(0,2\sigma^2)$ ,再用半正态的期望 $E\lvert Z\rvert=\sigma_Z\sqrt{2/\pi}$ 。(Ⅱ)用凹凸性:开根号是凹函数,$E\sqrt{\cdot}<\sqrt{E\cdot}$ 。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $X_1-X_2\sim N(0,\ 2\sigma^2)$ ,记 $Z=\dfrac{X_1-X_2}{\sqrt2\sigma}\sim N(0,1)$ ,则
|
||||
|
||||
$$\lvert X_1-X_2\rvert=\sqrt2\,\sigma\lvert Z\rvert,\qquad E\lvert Z\rvert=\sqrt{\frac{2}{\pi}} .$$
|
||||
|
||||
故
|
||||
|
||||
$$E\lvert X_1-X_2\rvert=\sqrt2\,\sigma\cdot\sqrt{\frac{2}{\pi}}=\frac{2\sigma}{\sqrt\pi} .$$
|
||||
|
||||
要使 $E(a\lvert X_1-X_2\rvert)=\sigma$ ,需
|
||||
|
||||
$$a\cdot\frac{2\sigma}{\sqrt\pi}=\sigma\quad\Longrightarrow\quad a=\frac{\sqrt\pi}{2}\approx0.886 .$$
|
||||
|
||||
**(Ⅱ)** **不是无偏的**。由柯西–施瓦茨(或 $g(x)=\sqrt x$ 为凹函数、琴生不等式),
|
||||
|
||||
$$E S=E\sqrt{S^2}<\sqrt{ES^2}=\sqrt{\sigma^2}=\sigma .$$
|
||||
|
||||
所以 $S$ 系统性**偏小**($n$ 大时偏差趋于 $0$ ,但永远小于 $\sigma$ )。
|
||||
|
||||
**(Ⅲ)** 因为 $E\left[g(\hat\theta)\right]\ne g\left(E\hat\theta\right)$ 除非 $g$ 是线性的。所以:
|
||||
|
||||
> **$\hat\theta$ 无偏 $\nRightarrow g(\hat\theta)$ 无偏**。但反过来,**若 $\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE**(不变性)——**"无偏"不传递,"最大似然"传递**,这两个性质必须分清。
|
||||
|
||||
**验算**:取 $n=2$ 校验(Ⅰ)的常数合理性:$\lvert X_1-X_2\rvert$ 的平均大约 $0.886\sigma$ ,与 $\sqrt\pi/2$ 的系数吻合($\frac{1}{0.886}=1.128=\frac{2}{\sqrt\pi}$ ✓)。
|
||||
|
||||
**带走结论**:**看到 $\lvert X_1-X_2\rvert$ 就要想到半正态的一阶矩** $E\lvert Z\rvert=\sqrt{2/\pi}$ ——这是 2023·10 的整套解题链。另外牢记两条:**"无偏"不穿过非线性函数,"MLE + 不变性"可以穿过**。
|
||||
|
||||
> **关联** · 盘点 [§6.1 无偏性](01-知识点盘点.md#user-content-61-无偏性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 6.2:三个均值型估计谁更有效(★★☆)
|
||||
|
||||
> 设 $X_1,X_2,X_3$ 是来自总体 $(\mu,\sigma^2)$ 的简单随机样本。考虑 $\mu$ 的三个估计量:
|
||||
>
|
||||
> $$\hat\mu_1=\frac13(X_1+X_2+X_3),\quad \hat\mu_2=\frac12(X_1+X_2),\quad \hat\mu_3=\frac14X_1+\frac14X_2+\frac12X_3 .$$
|
||||
>
|
||||
> (Ⅰ)验证三者都无偏;
|
||||
> (Ⅱ)比较有效性,指出最有效的一个;
|
||||
> (Ⅲ)在"系数非负且和为 $1$ "的约束下,最有效的估计量是什么?
|
||||
|
||||
**怎么想**:$\hat\mu=\sum a_iX_i$ 无偏 $\iff$ 系数和为 $1$ ;方差是 $\left(\sum a_i^2\right)\sigma^2$ 。所以问题变成"**平方和最小**"。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 三组系数和都是 $1$ :
|
||||
|
||||
$$\frac13+\frac13+\frac13=1,\qquad \frac12+\frac12=1,\qquad \frac14+\frac14+\frac12=1 .$$
|
||||
|
||||
故 $E\hat\mu_k=\mu$ ,三者都无偏。
|
||||
|
||||
**(Ⅱ)** 用 $D\left(\sum a_iX_i\right)=\left(\sum a_i^2\right)\sigma^2$ :
|
||||
|
||||
$$D\hat\mu_1=3\times\frac{1}{9}\sigma^2=\frac{\sigma^2}{3};\qquad D\hat\mu_2=2\times\frac14\sigma^2=\frac{\sigma^2}{2};\qquad D\hat\mu_3=\left(\frac1{16}+\frac1{16}+\frac14\right)\sigma^2=\frac{3}{8}\sigma^2 .$$
|
||||
|
||||
比较:$\dfrac13<\dfrac38<\dfrac12$ ,故
|
||||
|
||||
$$D\hat\mu_1<D\hat\mu_3<D\hat\mu_2,\qquad \hat\mu_1\ \text{最有效}.$$
|
||||
|
||||
**(Ⅲ)** 在 $\sum a_i=1$ 、$a_i\ge0$ 下最小化 $\sum a_i^2$ ,由柯西–施瓦茨
|
||||
|
||||
$$\left(\sum a_i\right)^2\le3\sum a_i^2\ \Longrightarrow\ \sum a_i^2\ge\frac13,$$
|
||||
|
||||
等号在 $a_1=a_2=a_3=\dfrac13$ 处成立。所以**最有效的是等权的样本均值** $\bar X$ 。
|
||||
|
||||
**验算**:$\hat\mu_3$ 的系数 $(0.25,0.25,0.5)$ 明显"厚此薄彼"(给 $X_3$ 双倍权重),方差自然更大:$\sum a_i^2=0.375>0.333$ ✓。直观上"权重越平均,方差越小"。
|
||||
|
||||
**带走结论**:**均值型估计量的比较只看"系数的平方和"** ,系数和为 $1$ 保证无偏,平方和越小越有效。**等权最优**这一结论可以推广到 $n$ 个样本:$\sum a_i^2\ge\frac1n$ ,等号在 $a_i=\frac1n$ 时成立。
|
||||
|
||||
> **关联** · 盘点 [§6.2 有效性](01-知识点盘点.md#user-content-62-有效性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 6.3:相合性的证明与反例(★★☆)
|
||||
|
||||
> (Ⅰ)设 $\hat\theta_n$ 是 $\theta$ 的估计量,满足 $E\hat\theta_n\to\theta$ 且 $D\hat\theta_n\to0$ 。证明 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。
|
||||
>
|
||||
> (Ⅱ)据此说明 $\bar X$ 是 $\mu$ 的相合估计。
|
||||
>
|
||||
> (Ⅲ)判断:"$\hat\theta_n$ 相合"与"$\hat\theta_n$ 无偏"是否互相蕴含?各举一例。
|
||||
|
||||
**怎么想**:(Ⅰ)唯一工具是切比雪夫不等式(或马尔可夫不等式),作用在 $\lvert\hat\theta_n-\theta\rvert$ 上。(Ⅲ)要举两个反例,一个"有偏但相合",一个"无偏但不合"。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 任给 $\varepsilon>0$ ,对随机变量 $\hat\theta_n$ 用马尔可夫不等式($EY\ge\varepsilon P\{Y\ge\varepsilon\}$ ,取 $Y=(\hat\theta_n-\theta)^2$ ):
|
||||
|
||||
$$P\left\{\lvert\hat\theta_n-\theta\rvert\ge\varepsilon\right\}=P\left\{(\hat\theta_n-\theta)^2\ge\varepsilon^2\right\}\le\frac{E(\hat\theta_n-\theta)^2}{\varepsilon^2}=\frac{D\hat\theta_n+\left(E\hat\theta_n-\theta\right)^2}{\varepsilon^2}.$$
|
||||
|
||||
由条件,分子两项都趋于 $0$ ,故右端趋于 $0$ ,即 $\hat\theta_n\overset{P}{\longrightarrow}\theta$ 。$\blacksquare$
|
||||
|
||||
**(Ⅱ)** $\bar X$ 满足 $E\bar X=\mu$ (偏差为 $0$ )与 $D\bar X=\dfrac{\sigma^2}{n}\to0$ ,由(Ⅰ)立即得 $\bar X\overset{P}{\longrightarrow}\mu$ 。(这与第 5 讲上"辛钦大数定律"的结论一致,但用的是更强的条件——要求方差存在。)
|
||||
|
||||
**(Ⅲ)** **不互相蕴含**。
|
||||
|
||||
- **有偏但相合**:$\hat\theta_n=\bar X+\dfrac1n$ 。$E\hat\theta_n=\mu+\dfrac1n\ne\mu$ (有偏),但偏差 $\frac1n\to0$ 、方差 $\frac{\sigma^2}{n}\to0$ ,故相合。
|
||||
- **无偏但不合**:$\hat\theta_n=X_1$ (永远只用第一个样本)。$EX_1=\mu$ (无偏),但 $D X_1=\sigma^2$ 不趋于 $0$ ,故不相合。
|
||||
|
||||
**验算**:第二个例子里 $P\{\lvert X_1-\mu\rvert\ge\varepsilon\}$ 是**固定的正数**(与 $n$ 无关),永远不趋于 $0$ ✓。
|
||||
|
||||
**带走结论**:**相合性的判据就是"偏差 $\to0$ 且方差 $\to0$ "两句话**,缺一不可。写解答题时把这两句摆出来,比背定律名字得分稳。**无偏管小样本、相合管大样本**——两者是不同维度,不能互相替代。
|
||||
|
||||
> **关联** · 盘点 [§6.3 相合性(一致性)](01-知识点盘点.md#user-content-63-相合性一致性) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 6.4:无偏不一定最好(★★★)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 来自 $U(0,\theta)$ ,$X_{(n)}=\max\{X_i\}$ ,考虑 $T_c=cX_{(n)}$ ($c>0$ )。已知
|
||||
>
|
||||
> $$EX_{(n)}=\frac{n}{n+1}\theta,\qquad EX_{(n)}^{2}=\frac{n}{n+2}\theta^{2}.$$
|
||||
>
|
||||
> (Ⅰ)求使 $T_c$ 无偏的 $c$ ;
|
||||
> (Ⅱ)求 $MSE(T_c)$ 关于 $c$ 的表达式,并求使 $MSE$ 最小的 $c$ ;
|
||||
> (Ⅲ)比较两者的 $MSE$ ,说明"无偏"为什么不是唯一标准。
|
||||
|
||||
**怎么想**:(Ⅱ)把 $E(T_c-\theta)^2$ 展开成三项,它对 $c$ 是**二次函数**,配方即得最优 $c$ 。(Ⅲ)直接比两个值的大小。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)**
|
||||
|
||||
$$E T_c=c\cdot\frac{n}{n+1}\theta=\theta\quad\Longrightarrow\quad c_1=\frac{n+1}{n}.$$
|
||||
|
||||
**(Ⅱ)** 展开:
|
||||
|
||||
$$MSE(T_c)=E\left(cX_{(n)}-\theta\right)^2=c^2EX_{(n)}^2-2c\theta EX_{(n)}+\theta^2$$
|
||||
|
||||
$$=\theta^2\left[c^2\frac{n}{n+2}-2c\frac{n}{n+1}+1\right].$$
|
||||
|
||||
这是关于 $c$ 的二次函数,开口向上,顶点在
|
||||
|
||||
$$c^{*}=\frac{\dfrac{n}{n+1}}{\dfrac{n}{n+2}}=\frac{n+2}{n+1}.$$
|
||||
|
||||
代入得最小值:
|
||||
|
||||
$$MSE_{\min}=\theta^2\left[\frac{(n+2)^2}{(n+1)^2}\cdot\frac{n}{n+2}-\frac{2(n+2)}{n+1}\cdot\frac{n}{n+1}+1\right]=\theta^2\left[1-\frac{n(n+2)}{(n+1)^2}\right]=\frac{\theta^{2}}{(n+1)^{2}} .$$
|
||||
|
||||
**(Ⅲ)** 无偏时的 $MSE$ 就是方差:
|
||||
|
||||
$$MSE(T_{c_1})=DT_{c_1}=\left(\frac{n+1}{n}\right)^{2}\cdot\frac{n\theta^{2}}{(n+1)^{2}(n+2)}=\frac{\theta^{2}}{n(n+2)} .$$
|
||||
|
||||
比较:
|
||||
|
||||
$$\frac{\theta^2}{(n+1)^2}\ \ \text{vs}\ \ \frac{\theta^2}{n(n+2)},\qquad (n+1)^2=n^2+2n+1>n^2+2n=n(n+2),$$
|
||||
|
||||
故
|
||||
|
||||
$$\frac{\theta^2}{(n+1)^2}<\frac{\theta^2}{n(n+2)}\quad\Longrightarrow\quad MSE_{\min}<MSE(T_{c_1}).$$
|
||||
|
||||
**有偏的 $c^{*}=\frac{n+2}{n+1}$ 反而更好**。(数值感:$n=5$ 时 $MSE_{\min}=\frac{\theta^2}{36}$ ,无偏的 $MSE=\frac{\theta^2}{35}$ 。)
|
||||
|
||||
**验算**:$n=1$ 时 $c_1=2$ 、$c^{*}=\frac32$ 。$T_2=2X_1$ ,$DT_2=4\cdot\frac{\theta^2}{12}=\frac{\theta^2}{3}$ ;$T_{1.5}$ 的 $MSE=\theta^2\left[1.5^2\cdot\frac13-2\cdot1.5\cdot\frac12+1\right]=\theta^2\left[0.75-1.5+1\right]=0.25\theta^2=\frac{\theta^2}{4}$ 。而 $\frac{\theta^2}{(1+1)^2}=\frac{\theta^2}{4}$ ✓,且 $\frac{\theta^2}{4}<\frac{\theta^2}{3}$ ✓。
|
||||
|
||||
**带走结论**:**$MSE$ 是"偏差 + 方差"的总账,允许用一点偏差换大幅降方差**。这条在 2024·22 的最后一问直接考。写答案时要明确:**"无偏"是约束,"$MSE$ 最小"是目标**——约束可以放松,目标不能换。
|
||||
|
||||
> **关联** · 盘点 [§6.4 均方误差](01-知识点盘点.md#user-content-64-均方误差) | 上游 — | 下游 — | 速查 [六 评价标准四条](10-速查卡.md#user-content-六-评价标准四条)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,174 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 区间估计, 置信区间]
|
||||
专题: 概率论 第6讲 · 点7 区间估计
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(7.1 置信区间与枢轴量、7.2 单总体、7.3 两总体,共 3 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 7 区间估计
|
||||
|
||||
> **2016·14 填空 4 分**;两总体部分大纲要求、十年未考(高性价比冷门)|重要度 ★★☆
|
||||
> 依赖:点 3 的四个结论、点 2 的三大分布。盘点对应:§7 全节。
|
||||
|
||||
**组织原则**:区间估计的全部技术就一句话——**找一个"含参数但分布已知"的量(枢轴量),把它夹在中间再反解参数**。三题按"置信区间的含义与反解 → 单总体三个区间 → 两总体两个区间"递进。第 1 题是 2016·14 的真题形态,考的不是套公式而是**"已知一个置信度反推另一个"**。难度标准:三题都是 ★★☆。
|
||||
|
||||
## 知识点 7.1 置信区间与枢轴量(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**枢轴量 $Q$ 的两条要求**:
|
||||
|
||||
1. **含**待估参数 $\theta$ ;
|
||||
2. **分布已知,且不含任何未知参数**。
|
||||
|
||||
由 $P\{a<Q<b\}=1-\alpha$ 反解出 $\theta_L<\theta<\theta_U$ ,即得置信度 $1-\alpha$ 的置信区间。
|
||||
|
||||
**置信度的正确读法**:$1-\alpha$ 说的是"**反复抽样时,约 $100(1-\alpha)\%$ 的区间会盖住真值**",而**不是**"$\theta$ 落在本次区间内的概率"。$\theta$ 是常数(只是未知),区间才是随机的。
|
||||
|
||||
**三个常用枢轴量**:
|
||||
|
||||
| 待估 | 枢轴量 | 分布 |
|
||||
|---|---|---|
|
||||
| $\mu$ ($\sigma$ 已知) | $\dfrac{\bar X-\mu}{\sigma/\sqrt n}$ | $N(0,1)$ |
|
||||
| $\mu$ ($\sigma$ 未知) | $\dfrac{\bar X-\mu}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| $\sigma^2$ | $\dfrac{(n-1)S^2}{\sigma^2}$ | $\chi^2(n-1)$ |
|
||||
|
||||
## 知识点 7.2 单总体的三个区间(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$\mu\ (\sigma\ \text{已知}):\quad \bar X\pm z_{\alpha/2}\frac{\sigma}{\sqrt n};\qquad \mu\ (\sigma\ \text{未知}):\quad \bar X\pm t_{\alpha/2}(n-1)\frac{S}{\sqrt n};$$
|
||||
|
||||
$$\sigma^{2}:\quad \left[\frac{(n-1)S^{2}}{\chi^{2}_{\alpha/2}(n-1)},\ \frac{(n-1)S^{2}}{\chi^{2}_{1-\alpha/2}(n-1)}\right].$$
|
||||
|
||||
> **$\sigma^2$ 区间的两个分位点是"反着放"的**:小的那个($\chi^2_{\alpha/2}$ ,上侧面积小)配在**分母**的位置,于是成为区间的**下**限。记法:**分母大则分数小,所以上侧小分位点放上限的分母**——写反了整道题颠倒。
|
||||
|
||||
## 知识点 7.3 两总体的两个区间(出处:[知识章 §4.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
$$\mu_1-\mu_2:\quad (\bar X-\bar Y)\pm t_{\alpha/2}(n_1+n_2-2)\,S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}\quad(\text{方差未知但相等});$$
|
||||
|
||||
$$\frac{\sigma_1^{2}}{\sigma_2^{2}}:\quad \left[\frac{S_1^{2}}{S_2^{2}}\cdot\frac{1}{F_{\alpha/2}(n_1-1,n_2-1)},\ \frac{S_1^{2}}{S_2^{2}}\cdot\frac{1}{F_{1-\alpha/2}(n_1-1,n_2-1)}\right].$$
|
||||
|
||||
> **方差比区间可以直接用来"看方差是否相等"**:区间含 $1$ 就说明不能否定 $\sigma_1^2=\sigma_2^2$ (这是点 8 的 $F$ 检验的区间版本)。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 7.1:由 0.95 的区间反推 0.9 的区间(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_n$ 来自 $N(\mu,\sigma^2)$ ,$\sigma$ 已知,样本均值 $\bar X=9.5$ 。已知 $\mu$ 的置信度为 $0.95$ 的双侧置信区间的**上限**为 $10.8$ 。($z_{0.025}=1.96$ 、$z_{0.05}=1.645$ )
|
||||
>
|
||||
> (Ⅰ)求 $0.95$ 双侧置信区间的下限;
|
||||
> (Ⅱ)求 $\mu$ 的置信度为 $0.9$ 的双侧置信区间的上、下限;
|
||||
> (Ⅲ)说明为什么置信度降低时区间变窄。
|
||||
|
||||
**怎么想**:三个区间共用同一个 $\bar X$ 与同一个 $\frac{\sigma}{\sqrt n}$ ,**只有分位点在变**。所以先由"上限 $=10.8$ "把 $\frac{\sigma}{\sqrt n}$ 解出来,后面全部迎刃而解。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 0.95 双侧区间为 $\bar X\pm z_{0.025}\dfrac{\sigma}{\sqrt n}$ 。由上限
|
||||
|
||||
$$9.5+1.96\frac{\sigma}{\sqrt n}=10.8\quad\Longrightarrow\quad\frac{\sigma}{\sqrt n}=\frac{1.3}{1.96}=0.6633 .$$
|
||||
|
||||
由对称性,下限为
|
||||
|
||||
$$9.5-1.96\times0.6633=9.5-1.3=8.2 .$$
|
||||
|
||||
**(Ⅱ)** 0.9 双侧对应 $\alpha=0.1$ ,用 $z_{0.05}=1.645$ :半宽
|
||||
|
||||
$$1.645\times0.6633=1.091 .$$
|
||||
|
||||
故区间为
|
||||
|
||||
$$\left[9.5-1.091,\ 9.5+1.091\right]=[8.409,\ 10.591] .$$
|
||||
|
||||
**(Ⅲ)** 置信度 $1-\alpha$ 降低 $\Rightarrow$ $\alpha$ 增大 $\Rightarrow$ 分位点($z_{\alpha/2}$ )变小 $\Rightarrow$ 半宽变小。**区间越窄越"敢下结论",但盖住真值的把握也越小**——这就是"精度与可靠性的权衡"。
|
||||
|
||||
**验算**:0.95 的半宽 $1.3$ 、0.9 的半宽 $1.091$ ,比值 $\frac{1.3}{1.091}=1.192\approx\frac{1.96}{1.645}=1.191$ ✓,与分位点之比一致。
|
||||
|
||||
**带走结论**:**同一批数据下,不同置信度的区间只差一个"分位点缩放"** 。所以这类反解题的固定套路是:先用一个已知端点解出 $\frac{\sigma}{\sqrt n}$ (或 $\frac{S}{\sqrt n}$ ),再换分位点重算。**不必重算 $\bar X$ 或 $S$ 这两个量** 。
|
||||
|
||||
> **关联** · 盘点 [§7.1 置信区间与枢轴量](01-知识点盘点.md#user-content-71-置信区间与枢轴量) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 7.2:单总体的三种区间(★★☆)
|
||||
|
||||
> 设某物理量 $X\sim N(\mu,\sigma^2)$ ,$n=16$ 次测量的样本均值 $\bar X=10$ 、样本方差 $S^2=4$ 。已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 。
|
||||
>
|
||||
> (Ⅰ)求 $\mu$ 的置信度 $0.95$ 的区间($\sigma$ 未知);
|
||||
> (Ⅱ)若已知 $\sigma^2=4$ ,区间变成多少?为什么比(Ⅰ)窄?
|
||||
> (Ⅲ)求 $\sigma^2$ 的置信度 $0.95$ 的区间。
|
||||
|
||||
**怎么想**:(Ⅰ)(Ⅱ)判断"$\sigma$ 知不知道",直接决定用 $t$ 还是 $z$ ;(Ⅲ)用 $\chi^2$ 枢轴量,注意两个分位点各放在哪个位置。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\sigma$ 未知,用 $t(15)$ :
|
||||
|
||||
$$10\pm2.131\times\frac{S}{\sqrt n}=10\pm2.131\times\frac{2}{4}=10\pm1.0655=[8.93,\ 11.07] .$$
|
||||
|
||||
**(Ⅱ)** $\sigma=2$ 已知,用 $z$ :
|
||||
|
||||
$$10\pm1.96\times\frac{2}{4}=10\pm0.98=[9.02,\ 10.98] .$$
|
||||
|
||||
**为什么更窄**:$2.131>1.96$ ,分位点更小。本质上"知道了 $\sigma$ "是**额外信息**,信息多了区间自然可以更窄。$n$ 越大两者越接近($t(n-1)\to z$ )。
|
||||
|
||||
**(Ⅲ)** 枢轴量 $\dfrac{15S^2}{\sigma^2}\sim\chi^2(15)$ ,
|
||||
|
||||
$$P\left\{\chi^2_{0.975}(15)<\frac{15S^2}{\sigma^2}<\chi^2_{0.025}(15)\right\}=1-0.05=0.95 .$$
|
||||
|
||||
反解得
|
||||
|
||||
$$\frac{15S^2}{\chi^2_{0.025}(15)}<\sigma^2<\frac{15S^2}{\chi^2_{0.975}(15)} .$$
|
||||
|
||||
代入 $15S^2=15\times4=60$ :
|
||||
|
||||
$$\left[\frac{60}{27.49},\ \frac{60}{6.26}\right]=[2.18,\ 9.58] .$$
|
||||
|
||||
**验算**:区间关于 $S^2=4$ **不对称**($[2.18,9.58]$ 明显右偏),这是 $\chi^2$ 分布本身右偏所致;而 $\mu$ 的区间是**对称**的($t$ 分布偶对称)。**这个不对称不是算错**。
|
||||
|
||||
**带走结论**:**三个区间的枢轴量分别是 $z$ 、$t$ 、$\chi^2$ ,记住这张表比记公式更管用**。两个易错点:① $\sigma$ 未知时不能"用 $S$ 代替 $\sigma$ 再查 $z$ 表"(那是把 $t$ 当 $z$ ,区间偏窄、置信度不足);② $\sigma^2$ 区间的两个分位点放反会导致整段颠倒。
|
||||
|
||||
> **关联** · 盘点 [§7.2 单总体的三个区间](01-知识点盘点.md#user-content-72-单总体的三个区间) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 7.3:两总体的均值差与方差比(★★☆)
|
||||
|
||||
> 两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma^2)$ 与 $N(\mu_2,\sigma^2)$ (方差相同但未知)。各取 $n_1=n_2=10$ 件,测得
|
||||
>
|
||||
> $$\bar X=20.5,\ S_1^2=0.4;\qquad \bar Y=19.8,\ S_2^2=0.6 .$$
|
||||
>
|
||||
> 已知 $t_{0.025}(18)=2.101$ 、$F_{0.025}(9,9)=4.03$ 。
|
||||
>
|
||||
> (Ⅰ)求 $\mu_1-\mu_2$ 的置信度 $0.95$ 的区间;
|
||||
> (Ⅱ)求 $\dfrac{\sigma_1^2}{\sigma_2^2}$ 的置信度 $0.95$ 的区间,并说明它与"(Ⅰ)用合并方差是否合理"的关系。
|
||||
|
||||
**怎么想**:(Ⅰ)方差未知但相等 $\Rightarrow$ 先算合并方差 $S_w^2$ ,自由度 $n_1+n_2-2=18$ 。(Ⅱ)用 $F$ 区间,下限要用 $F_{0.975}=1/F_{0.025}$ 倒数换。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 合并方差
|
||||
|
||||
$$S_w^2=\frac{(n_1-1)S_1^2+(n_2-1)S_2^2}{n_1+n_2-2}=\frac{9\times0.4+9\times0.6}{18}=\frac{9}{18}=0.5,\qquad S_w=\sqrt{0.5}\approx0.7071 .$$
|
||||
|
||||
标准误
|
||||
|
||||
$$S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}=0.7071\times\sqrt{0.2}=0.7071\times0.4472=0.3162 .$$
|
||||
|
||||
区间
|
||||
|
||||
$$(20.5-19.8)\pm2.101\times0.3162=0.7\pm0.664=[0.036,\ 1.364] .$$
|
||||
|
||||
**(Ⅱ)** $\dfrac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(9,9)$ ,由点 2 的倒数性质 $F_{0.975}(9,9)=\dfrac{1}{F_{0.025}(9,9)}=\dfrac{1}{4.03}=0.2481$ 。区间
|
||||
|
||||
$$\left[\frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{0.025}(9,9)},\ \frac{S_1^2}{S_2^2}\cdot\frac{1}{F_{0.975}(9,9)}\right]=\left[\frac{0.4}{0.6}\cdot\frac{1}{4.03},\ \frac{0.4}{0.6}\cdot\frac{1}{0.2481}\right]=[0.165,\ 2.687] .$$
|
||||
|
||||
**与(Ⅰ)的关系**:这个区间**包含 $1$ 这个点** ,说明不能否定 $\sigma_1^2=\sigma_2^2$ ——所以(Ⅰ)里把两个方差合并成 $S_w^2$ 是**合理的**。反之若区间不含 $1$ ,就应该改用"方差不等"的近似 $t$ 检验(Welch),不能合并。
|
||||
|
||||
**验算**:$S_1^2/S_2^2=\frac{0.4}{0.6}=0.6667$ 落在 $[0.165,2.687]$ 的中点附近(几何中点 $\sqrt{0.165\times2.687}=\sqrt{0.4433}=0.666$ ✓)——$F$ 区间在对数尺度上对称。
|
||||
|
||||
**带走结论**:**两总体题的第一步永远是"方差是否相等"** ,而判断它正好用方差比区间(或点 8 的 $F$ 检验)。另外注意 $F$ 区间的两端**不是算术对称**而是**几何对称**($\sqrt{\text{下}\times\text{上}}=\frac{S_1^2}{S_2^2}$ ),这可以当算错的自检。
|
||||
|
||||
> **关联** · 盘点 [§7.3 两总体的两个区间](01-知识点盘点.md#user-content-73-两总体的两个区间) | 上游 — | 下游 — | 速查 [七 区间估计](10-速查卡.md#user-content-七-区间估计)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,239 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 假设检验, 两类错误]
|
||||
专题: 概率论 第6讲 · 点8 假设检验与两类错误
|
||||
日期: 2026-11-07
|
||||
状态: 知识点带题(8.1 两类错误、8.2 拒绝域与显著性水平、8.3 六大检验,共 4 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]", "[[08-点7-区间估计]]"]
|
||||
---
|
||||
|
||||
# 点 8 假设检验与两类错误
|
||||
|
||||
> **2018·8、2021·10、2025·10 三道选填(4+5+5 分)**|重要度 ★★★
|
||||
> 依赖:点 3 的四个结论(检验统计量的分布全从这里来)、点 7 的枢轴量思想。盘点对应:§8 全节。
|
||||
|
||||
**组织原则**:假设检验与区间估计是**同一套分布的两种问法**——区间估计问"参数在哪个范围",检验问"参数等不等于某个值"。所以这一点的四题全部与点 7 对齐:点 7 题 2 的三个区间 → 题 3 的三个检验;点 7 题 3 的两个区间 → 题 4 的两个检验。**题 4 的结论会与点 7 题 3 的区间完全吻合**,那不是巧合,是对偶。前两题按真题站位(第二类错误、拒绝域方向),后两题是完整流程演练。难度:题 1、2、4 为 ★★☆,题 3 为 ★★★。
|
||||
|
||||
## 知识点 8.1 原假设、两类错误(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
| 真实情况 | 接受 $H_0$ | 拒绝 $H_0$ |
|
||||
|---|---|---|
|
||||
| $H_0$ 为真 | 正确,概率 $1-\alpha$ | **第一类错误**(弃真),概率 $\alpha$ |
|
||||
| $H_0$ 为假 | **第二类错误**(取伪),概率 $\beta$ | 正确,概率 $1-\beta$ |
|
||||
|
||||
**$\alpha$ 是"冤枉好人"的概率,$\beta$ 是"放过坏人"的概率**。样本量 $n$ 固定时,$\alpha$ 小则 $\beta$ 大,二者此消彼长;要同时减小只能增大 $n$ 。
|
||||
|
||||
**两条计算式**(这是选填题的全部内容):
|
||||
|
||||
$$\alpha=P\{\text{拒绝}H_0\mid H_0\text{为真}\},\qquad \beta(\mu_1)=P\{\text{接受}H_0\mid \mu=\mu_1\}.$$
|
||||
|
||||
> **$\beta$ 不是"一个数",而是参数的函数**。所以真题问 $\beta$ 时**一定给定一个具体的备择值**(如 $\mu=11.5$ ),否则 $\beta$ 无法计算。这是 2021·10 的设问方式,也是它的隐含提示。
|
||||
|
||||
## 知识点 8.2 拒绝域与显著性水平(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
**显著性水平** $\alpha$ = 允许的第一类错误上限。拒绝域由 $\alpha$ 与**备择假设的方向**共同决定(以 $\sigma$ 已知检验 $\mu$ 为例,$z=\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ ):
|
||||
|
||||
| 备择假设 | 拒绝域 | 临界值 |
|
||||
|---|---|---|
|
||||
| $H_1:\mu>\mu_0$ | $\bar X>\mu_0+z_\alpha\dfrac{\sigma}{\sqrt n}$ | $z_\alpha$ (右侧面积 $\alpha$ ) |
|
||||
| $H_1:\mu<\mu_0$ | $\bar X<\mu_0-z_\alpha\dfrac{\sigma}{\sqrt n}$ | $-z_\alpha$ |
|
||||
| $H_1:\mu\ne\mu_0$ | $\left|\bar X-\mu_0\right|>z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ | $z_{\alpha/2}$ ,每侧 $\alpha/2$ |
|
||||
|
||||
**复合原假设(如 $H_0:\mu\le\mu_0$ )的临界值只在边界 $\mu=\mu_0$ 处定**:因为 $\mu$ 越靠近边界,落入拒绝域的概率越大,$\alpha$ 在边界处取到最大值。所以"按 $\mu=\mu_0$ 算 $\alpha$ "不是偷懒,而是保证任意 $\mu\le\mu_0$ 时第一类错误都不超过 $\alpha$ 。
|
||||
|
||||
**$\alpha$ 的单调性(2018·8 的全部内容)**:$\alpha$ 越大 $\Rightarrow$ 临界值越小 $\Rightarrow$ 拒绝域越大。于是
|
||||
|
||||
$$W_{0.01}\subset W_{0.05},\qquad \overline{W}_{0.05}\subset \overline{W}_{0.01}.$$
|
||||
|
||||
即:**小 $\alpha$ 拒绝 $\Rightarrow$ 大 $\alpha$ 必拒绝**(反过来不成立);**大 $\alpha$ 接受 $\Rightarrow$ 小 $\alpha$ 必接受**(反过来不成立)。
|
||||
|
||||
## 知识点 8.3 正态总体的六大检验(出处:[知识章 §5](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/mathematical-statistics.tex))
|
||||
|
||||
| 检验对象 | 条件 | 统计量 | 分布 |
|
||||
|---|---|---|---|
|
||||
| 单总体 $\mu$ | $\sigma^2$ 已知 | $\dfrac{\bar X-\mu_0}{\sigma/\sqrt n}$ | $N(0,1)$ |
|
||||
| 单总体 $\mu$ | $\sigma^2$ 未知 | $\dfrac{\bar X-\mu_0}{S/\sqrt n}$ | $t(n-1)$ |
|
||||
| 单总体 $\sigma^2$ | $\mu$ 未知 | $\dfrac{(n-1)S^2}{\sigma_0^2}$ | $\chi^2(n-1)$ |
|
||||
| 两总体 $\mu_1-\mu_2$ | 两方差已知 | $\dfrac{(\bar X-\bar Y)-\delta_0}{\sqrt{\sigma_1^2/n_1+\sigma_2^2/n_2}}$ | $N(0,1)$ |
|
||||
| 两总体 $\mu_1-\mu_2$ | 方差未知但相等 | $\dfrac{(\bar X-\bar Y)-\delta_0}{S_w\sqrt{1/n_1+1/n_2}}$ | $t(n_1+n_2-2)$ |
|
||||
| 两总体 $\sigma_1^2/\sigma_2^2$ | 两均值未知 | $\dfrac{S_1^2}{S_2^2}\cdot\dfrac{\sigma_2^2}{\sigma_1^2}$ | $F(n_1-1,n_2-1)$ |
|
||||
|
||||
**六大检验与点 7 的五个区间一一对应**,只是把"夹住枢轴量"换成"看统计量是否落进尾部"。**写拒绝域时只需把区间估计的不等式反着用**:
|
||||
|
||||
- 双侧检验的**接受域**就是对应参数的**置信区间**($1-\alpha$ 对 $\alpha$ );
|
||||
- 单侧检验的临界值对应**单侧置信限**。
|
||||
|
||||
> **一句话记住方向**:$H_1$ 里的不等号朝哪边,拒绝域就在哪一侧的**尾部**。$H_1:\mu>\mu_0$ 是大值拒绝,绝不可能是小值拒绝。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
### 题 1 · 8.1:第二类错误的计算(2021·10 骨架)(★★☆)
|
||||
|
||||
> 设 $X_1,\dots,X_{16}$ 来自总体 $N(\mu,4)$ ,考虑检验
|
||||
>
|
||||
> $$H_0:\mu\le10,\qquad H_1:\mu>10,$$
|
||||
>
|
||||
> 拒绝域取 $W=\{\bar X\ge11\}$ ,$\Phi(x)$ 为标准正态分布函数。
|
||||
>
|
||||
> (Ⅰ)求犯第一类错误的最大概率 $\alpha$ ;
|
||||
> (Ⅱ)求 $\mu=11.5$ 时犯第二类错误的概率 $\beta$ ;
|
||||
> (Ⅲ)求 $\mu=11.5$ 时检验的功效;并说明 $\mu$ 继续增大时 $\beta$ 怎么变;
|
||||
> (Ⅳ)在下列四项中选择 $\beta$ 的值:(A)$1-\Phi(0.5)$ (B)$1-\Phi(1)$ (C)$1-\Phi(1.5)$ (D)$1-\Phi(2)$ 。
|
||||
|
||||
**怎么想**:两步。第一步把 $\bar X$ 的分布写出来——这是**所有检验题的第一动作**:$\bar X\sim N\left(\mu,\frac{4}{16}\right)=N(\mu,0.25)$ ,标准差 $0.5$ 。第二步分清两个概率的**条件**:$\alpha$ 的条件是"$H_0$ 为真",最不利的情形是边界 $\mu=10$ ;$\beta$ 的条件是"$H_0$ 为假且 $\mu$ 取指定值",即 $\mu=11.5$ 。**同一个拒绝域,换一个 $\mu$ 就是另一个概率**。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\bar X\sim N(\mu,0.25)$ ,$\sigma_{\bar X}=0.5$ 。第一类错误概率随 $\mu$ 增大而增大,最大值在边界 $\mu=10$ :
|
||||
|
||||
$$\alpha=P\{\bar X\ge11\mid\mu=10\}=1-\Phi\left(\frac{11-10}{0.5}\right)=1-\Phi(2)\approx0.0228 .$$
|
||||
|
||||
**(Ⅱ)** 第二类错误是"$H_0$ 为假却接受了它",即 $\bar X<11$ :
|
||||
|
||||
$$\beta=P\{\bar X<11\mid\mu=11.5\}=\Phi\left(\frac{11-11.5}{0.5}\right)=\Phi(-1)=1-\Phi(1)\approx0.1587 .$$
|
||||
|
||||
**(Ⅲ)** 功效
|
||||
|
||||
$$1-\beta=1-\Phi(-1)=\Phi(1)\approx0.8413 .$$
|
||||
|
||||
$\mu$ 增大 $\Rightarrow$ $\frac{11-\mu}{0.5}$ 变小 $\Rightarrow$ $\Phi\left(\frac{11-\mu}{0.5}\right)$ 变小 $\Rightarrow$ $\beta$ 减小。例如 $\mu=12$ 时 $\beta=\Phi(-2)\approx0.0228$ ,功效升到 $0.9772$ 。**"真实值离原假设越远,越容易被查出来"**,这就是功效函数的单调性。
|
||||
|
||||
**(Ⅳ)** 由(Ⅱ)$\beta=1-\Phi(1)$ ,选 **(B)** 。
|
||||
|
||||
**验算**:$\alpha+\beta=0.0228+0.1587=0.1815<1$ ✓(两者不是互补事件,条件不同)。再检查选项:**(D)的 $1-\Phi(2)$ 恰好就是本题的 $\alpha$ 值** ——出题人把第一类错误塞进了第二类错误的选项里,这是 2021·10 最阴的一处。
|
||||
|
||||
**带走结论**:**$\alpha$ 与 $\beta$ 的区别只在"条件"上**:$\alpha$ 用 $\mu=\mu_0$ (边界)算,$\beta$ 用题给的备择值算;两者的算式都是"$\Phi$ 里放 $\frac{\text{临界值}-\mu}{\sigma/\sqrt n}$ ",只是 $\alpha$ 要取补($1-\Phi$ ),$\beta$ 不取。**拒绝域写成 $\bar X\ge c$ 的形式后,$\beta=P\{\bar X<c\}$ 就直接查 $\Phi$ 表** ,比背公式稳。
|
||||
|
||||
> **关联** · 盘点 [§8.1 原假设、两类错误](01-知识点盘点.md#user-content-81-原假设两类错误) | 上游 — | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 8.2:拒绝域的方向与显著性水平的单调性(2025·10、2018·8 骨架)(★★☆)
|
||||
|
||||
> (Ⅰ)设 $X_1,\dots,X_n$ 来自 $N(\mu,2)$ ,$\bar X=\frac1n\sum X_i$ ,$z_\alpha$ 为标准正态上侧 $\alpha$ 分位数。求检验 $H_0:\mu\le1$ 、$H_1:\mu>1$ 的显著性水平为 $\alpha$ 的拒绝域。
|
||||
> (Ⅱ)若把(Ⅰ)换成 $H_0:\mu\ge1$ 、$H_1:\mu<1$ ,拒绝域变成什么?
|
||||
> (Ⅲ)(2018·8)设总体 $X\sim N(\mu,\sigma^2)$ ,检验 $H_0:\mu=\mu_0$ 、$H_1:\mu\ne\mu_0$ ,则下列正确的是:
|
||||
> (A)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(B)$\alpha=0.05$ 时拒绝 $H_0$ ,则 $\alpha=0.01$ 时必接受;(C)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必拒绝;(D)$\alpha=0.05$ 时接受 $H_0$ ,则 $\alpha=0.01$ 时必接受。
|
||||
|
||||
**怎么想**:(Ⅰ)三步走——写统计量、定方向、解临界值。**注意 $\sigma^2=2$ 时 $\sigma=\sqrt2$ ,标准误是 $\frac{\sqrt2}{\sqrt n}$ 而不是 $\frac{2}{\sqrt n}$ 这一处** ,这是 2025·10 四个选项唯一的差别所在。(Ⅲ)不要动数字,只用"$\alpha$ 大则拒绝域大"这一条包含关系。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 检验统计量
|
||||
|
||||
$$Z=\frac{\bar X-1}{\sqrt{2}/\sqrt{n}}=\frac{\bar X-1}{\sqrt{2/n}}\sim N(0,1)\quad(\mu=1\ \text{时}).$$
|
||||
|
||||
$H_1:\mu>1$ 是大值拒绝,故
|
||||
|
||||
$$W=\left\{Z>z_\alpha\right\}=\left\{\bar X>1+z_\alpha\sqrt{\frac2n}\right\}.$$
|
||||
|
||||
**(Ⅱ)** $H_1:\mu<1$ 是小值拒绝,把不等号翻向另一侧尾部:
|
||||
|
||||
$$W=\left\{Z<-z_\alpha\right\}=\left\{\bar X<1-z_\alpha\sqrt{\frac2n}\right\}.$$
|
||||
|
||||
**(Ⅲ)** 记双侧临界值为 $c_\alpha=z_{\alpha/2}\frac{\sigma}{\sqrt n}$ ,则拒绝域 $W_\alpha=\left\{\left|\bar X-\mu_0\right|>c_\alpha\right\}$ 。$\alpha=0.01$ 的分位点 $2.576$ 大于 $\alpha=0.05$ 的 $1.96$ ,故 $c_{0.01}>c_{0.05}$ ,即
|
||||
|
||||
$$W_{0.01}\subset W_{0.05}\quad\Longrightarrow\quad\overline{W}_{0.05}\subset\overline{W}_{0.01}.$$
|
||||
|
||||
"$\alpha=0.05$ 时接受"意味着落在 $\overline{W}_{0.05}$ 里,而它被 $\overline{W}_{0.01}$ 包含,所以 $\alpha=0.01$ 时也必然接受。选 **(D)** 。
|
||||
|
||||
**验算**:取 $\left|\bar X-\mu_0\right|=2.2\frac{\sigma}{\sqrt n}$ 这个具体值检验——它在 $W_{0.05}$ 内($2.2>1.96$ )、在 $W_{0.01}$ 外($2.2<2.576$ ),正好反驳(A)。再取 $1.5$ ——两个都接受,反驳(C)。再取 $2.8$ ——两个都拒绝,反驳(B)。(D)无懈可击。
|
||||
|
||||
**带走结论**:**拒绝域的方向只由 $H_1$ 的不等号决定,与原假设怎么写无关**;而 $H_0:\mu\le\mu_0$ 与 $H_0:\mu=\mu_0$ 在"定临界值"这件事上完全等价(都看边界)。2018·8 那种题不需要算任何数,只要记住**"$\alpha$ 越大越容易拒绝"** 这一条包含关系,四个选项立刻筛掉三个。
|
||||
|
||||
> **关联** · 盘点 [§8.2 拒绝域与显著性水平](01-知识点盘点.md#user-content-82-拒绝域与显著性水平) | 上游 — | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 8.3:单总体的三种检验(原创,接点 7 题 2)(★★★)
|
||||
|
||||
> 某零件长度 $X\sim N(\mu,\sigma^2)$ ,抽 $n=16$ 件测得样本均值 $\bar x=10.2$ 、样本标准差 $s=0.4$ 。取 $\alpha=0.05$ ,已知 $t_{0.025}(15)=2.131$ 、$\chi^2_{0.025}(15)=27.49$ 、$\chi^2_{0.975}(15)=6.26$ 、$z_{0.025}=1.96$ 。
|
||||
>
|
||||
> (Ⅰ)检验 $H_0:\mu=10$ 、$H_1:\mu\ne10$ ;
|
||||
> (Ⅱ)检验 $H_0:\sigma^2=0.16$ 、$H_1:\sigma^2\ne0.16$ ;
|
||||
> (Ⅲ)若已知 $\sigma=0.4$ ,重做(Ⅰ),并解释两次结论为何不同。
|
||||
|
||||
**怎么想**:三个小问对应三种枢轴量,**判断用哪个只看两件事:检验的是 $\mu$ 还是 $\sigma^2$ 、$\sigma$ 知不知道**。(Ⅰ)(Ⅲ)数据完全相同、结论却相反,这正是本题要逼出来的东西。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** $\sigma$ 未知,用 $t(15)$ :
|
||||
|
||||
$$t=\frac{\bar x-10}{s/\sqrt n}=\frac{0.2}{0.4/4}=\frac{0.2}{0.1}=2.0 .$$
|
||||
|
||||
双侧拒绝域 $\left|t\right|>t_{0.025}(15)=2.131$ 。$2.0<2.131$ ,**不拒绝原假设** $H_0$ ,即还不能认为 $\mu\ne10$ 。
|
||||
|
||||
**(Ⅱ)** $\mu$ 未知,用 $\chi^2(15)$ :
|
||||
|
||||
$$\chi^2=\frac{(n-1)s^2}{\sigma_0^2}=\frac{15\times0.16}{0.16}=15 .$$
|
||||
|
||||
双侧拒绝域 $\chi^2>27.49$ 或 $\chi^2<6.26$ 。$15$ 落在这两个界之间,**不拒绝原假设** $H_0$ ,即不能认为方差偏离 $0.16$ 。
|
||||
|
||||
**(Ⅲ)** $\sigma=0.4$ 已知,改用 $z$ :
|
||||
|
||||
$$z=\frac{\bar x-10}{\sigma/\sqrt n}=\frac{0.2}{0.1}=2.0 .$$
|
||||
|
||||
双侧拒绝域 $\left|z\right|>1.96$ 。$2.0>1.96$ ,**拒绝原假设** $H_0$ ,认为 $\mu\ne10$ 。
|
||||
|
||||
**为什么结论相反**:统计量的**数值一样(都是 $2.0$ ),临界值不一样($2.131$ 对 $1.96$ )**。$t$ 分布的尾部比正态厚,同样大的统计量在 $t$ 表里"没那么极端"。用 $S$ 代替 $\sigma$ 引入了估计误差,所以判据必须更严——这与点 7 题 2 的"$t$ 区间比 $z$ 区间宽"是同一件事的两面。
|
||||
|
||||
**验算**:用 $p$ 值复核。(Ⅰ)$t=2.0$ 、$df=15$ 的双侧 $p\approx0.064>0.05$ ,不拒绝 ✓;(Ⅲ)$z=2.0$ 的双侧 $p=2\left[1-\Phi(2)\right]\approx0.0455<0.05$ ,拒绝 ✓。**两个 $p$ 值都大于 $0.0455$ 而 $0.064>0.05$ ,说明结论的翻转就发生在 $p=0.05$ 这条线两侧**。
|
||||
|
||||
**对偶自检**:用区间复核这两个结论。$\sigma$ 未知时
|
||||
|
||||
$$10.2\pm t_{0.025}(15)\frac{s}{\sqrt n}=10.2\pm2.131\times0.1=\left[9.987,\ 10.413\right],$$
|
||||
|
||||
**含** $10$ $\Rightarrow$ 不拒绝 ✓,与(Ⅰ)一致。$\sigma=0.4$ 已知时
|
||||
|
||||
$$10.2\pm z_{0.025}\frac{\sigma}{\sqrt n}=10.2\pm1.96\times0.1=\left[10.004,\ 10.396\right],$$
|
||||
|
||||
**不含** $10$ $\Rightarrow$ 拒绝 ✓,与(Ⅲ)一致。注意这两个区间是**本题数据**算的,与点 7 题 2 那组($\bar x=10$ 、$s=2$ )无关,别混用。
|
||||
|
||||
**带走结论**:**"$\sigma$ 已知用 $z$ 、未知用 $t$ "在检验里比在区间里更致命**——区间只是宽窄不同,检验却会**翻转结论**。所以做题第一步永远是问"$\sigma$ 给了吗"。另外**区间与检验是同一不等式的两种写法**:区间含 $\mu_0$ 就不拒绝,不含就拒绝。这条对偶可以当免费自检——两者结论不一致,八成是分位点或数据搞混了。
|
||||
|
||||
> **关联** · 盘点 [§8.3 正态总体的六大检验](01-知识点盘点.md#user-content-83-正态总体的六大检验) | 上游 — | 下游 [点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 8.3:两总体的两个检验(接点 7 题 3 的数据)(★★☆)
|
||||
|
||||
> 两台机床加工同一零件,长度分别服从 $N(\mu_1,\sigma_1^2)$ 与 $N(\mu_2,\sigma_2^2)$ 。各取 $n_1=n_2=10$ 件,测得
|
||||
>
|
||||
> $$\bar x=20.5,\ s_1^2=0.4;\qquad \bar y=19.8,\ s_2^2=0.6 .$$
|
||||
>
|
||||
> 取 $\alpha=0.05$ ,已知 $F_{0.025}(9,9)=4.03$ 、$t_{0.025}(18)=2.101$ 。
|
||||
>
|
||||
> (Ⅰ)检验 $H_0:\sigma_1^2=\sigma_2^2$ 、$H_1:\sigma_1^2\ne\sigma_2^2$ ;
|
||||
> (Ⅱ)在(Ⅰ)的结论下检验 $H_0:\mu_1=\mu_2$ 、$H_1:\mu_1\ne\mu_2$ ;
|
||||
> (Ⅲ)说明(Ⅱ)的结论为什么必然与点 7 题 3 的区间一致。
|
||||
|
||||
**怎么想**:两总体题有**固定的先后顺序**——先验方差(决定能不能合并),再验均值。**顺序反了会用一个还没验证的前提去算统计量**,这是最常见的过程性失分。
|
||||
|
||||
**解**:
|
||||
|
||||
**(Ⅰ)** 统计量 $F=\dfrac{S_1^2}{S_2^2}=\dfrac{0.4}{0.6}=0.6667$ ,服从 $F(9,9)$ 。双侧拒绝域为
|
||||
|
||||
$$F>F_{0.025}(9,9)=4.03\quad\text{或}\quad F<F_{0.975}(9,9)=\frac{1}{F_{0.025}(9,9)}=\frac{1}{4.03}=0.2481 .$$
|
||||
|
||||
$0.2481<0.6667<4.03$ ,**不拒绝原假设** $H_0$ ,即可认为两方差相等。**这一步是(Ⅱ)能用合并方差的前提**。
|
||||
|
||||
**(Ⅱ)** 合并方差与标准误(与点 7 题 3 完全相同):
|
||||
|
||||
$$S_w^2=\frac{9\times0.4+9\times0.6}{18}=0.5,\qquad S_w\sqrt{\frac{1}{10}+\frac{1}{10}}=0.7071\times0.4472=0.3162 .$$
|
||||
|
||||
统计量
|
||||
|
||||
$$t=\frac{\bar x-\bar y-0}{0.3162}=\frac{0.7}{0.3162}=2.2136 .$$
|
||||
|
||||
双侧拒绝域 $\left|t\right|>t_{0.025}(18)=2.101$ 。$2.2136>2.101$ ,**拒绝原假设** $H_0$ ,认为两台机床加工的零件平均长度有显著差异。
|
||||
|
||||
**(Ⅲ)** 点 7 题 3 算出 $\mu_1-\mu_2$ 的 $95\%$ 置信区间为 $[0.036,1.364]$ ,**不含 $0$ 这个值** 。而"$\delta_0=0$ 落在置信区间内 $\Leftrightarrow$ 不拒绝 $H_0:\mu_1-\mu_2=\delta_0$ "是区间估计与假设检验的一般对偶(题 3 已验证过一次)。这里区间不含 $0$ ,所以必拒绝;若换成 $\delta_0=0.5$ 去检验,因为 $0.5\in[0.036,1.364]$ ,就**不会**拒绝。
|
||||
|
||||
**验算**:(Ⅱ)的 $p$ 值:$t=2.2136$ 、$df=18$ 的双侧 $p\approx0.040<0.05$ ✓。区间法复核:$0.7-2.101\times0.3162=0.036>0$ ,下限已经越过 $0$ ,所以拒绝 ✓。两条路线互相印证。
|
||||
|
||||
**带走结论**:**两总体题的三步口诀是"先 $F$ 后 $t$ ,先方差后均值"** 。(Ⅰ)不拒绝 $F$ 检验才能合并方差用 $t(n_1+n_2-2)$ ;若(Ⅰ)拒绝了,就必须改用不合并的近似 $t$ (Welch,自由度用公式近似),此时点 7 题 3 的区间公式也不再适用。另外**区间与检验永远同进同退**:区间含 $\delta_0$ 就不拒绝,不含就拒绝——这句话可以替代一半的检验计算。
|
||||
|
||||
> **关联** · 盘点 [§8.3 正态总体的六大检验](01-知识点盘点.md#user-content-83-正态总体的六大检验) | 上游 [点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2) | 下游 — | 速查 [八 假设检验](10-速查卡.md#user-content-八-假设检验)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,171 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, 速查卡]
|
||||
专题: 概率论 第6讲 · 数理统计(速查)
|
||||
日期: 2026-11-07
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 第6讲 · 数理统计:速查卡
|
||||
|
||||
考前十分钟只看这一页。**这一讲的公式表比推导重要**——考场上 90% 的时间花在"该用哪个统计量"上,而不是算。
|
||||
|
||||
## 一 三个基本期望与次序统计量
|
||||
|
||||
<!-- KP: 1.1, 1.2, 1.3 -->
|
||||
|
||||
$$E\bar X=\mu,\qquad D\bar X=\frac{\sigma^2}{n},\qquad ES^2=\sigma^2,\qquad E\left[\frac1n\sum(X_i-\bar X)^2\right]=\frac{n-1}{n}\sigma^2 .$$
|
||||
|
||||
后两条的**差**就是分母取 $n-1$ 的理由。**这四个式子对任意总体都成立**,不需要正态。
|
||||
|
||||
次序统计量(分布函数法):
|
||||
|
||||
$$F_{X_{(n)}}(x)=\left[F(x)\right]^n,\qquad F_{X_{(1)}}(x)=1-\left[1-F(x)\right]^n .$$
|
||||
|
||||
$U(0,\theta)$ 的现成结果:$EX_{(n)}=\dfrac{n}{n+1}\theta$ 、$EX_{(n)}^2=\dfrac{n}{n+2}\theta^2$ 、$DX_{(n)}=\dfrac{n\theta^2}{(n+1)^2(n+2)}$ 。
|
||||
|
||||
**统计量的判据**:不含未知参数。$\bar X$ 是,$\bar X-\mu$ 不是。
|
||||
|
||||
## 二 三大抽样分布的构造
|
||||
|
||||
<!-- KP: 2.1, 2.2, 2.3 -->
|
||||
|
||||
```
|
||||
χ²(n) = 标准正态的平方和 E = n, D = 2n, 可加
|
||||
t(n) = N(0,1) / √(χ²(n)/n) 偶对称, n→∞ 趋于 N(0,1)
|
||||
F(n₁,n₂) = (χ²(n₁)/n₁) / (χ²(n₂)/n₂) 1/F ~ F(n₂,n₁)
|
||||
```
|
||||
|
||||
**两条互换公式(查表命根子)**:
|
||||
|
||||
$$F_{1-\alpha}(n_1,n_2)=\frac{1}{F_\alpha(n_2,n_1)},\qquad t_{1-\alpha}(n)=-t_\alpha(n);\qquad T\sim t(n)\ \Longrightarrow\ T^2\sim F(1,n).$$
|
||||
|
||||
**判断"服从什么分布"的动作**:先数有几个**独立的标准正态**,再看它们以什么方式组合。
|
||||
|
||||
## 三 正态总体的四个结论
|
||||
|
||||
<!-- KP: 3.1, 3.2 -->
|
||||
|
||||
设样本来自 $N(\mu,\sigma^2)$ :
|
||||
|
||||
$$\bar X\sim N\left(\mu,\frac{\sigma^2}{n}\right);\qquad \frac{(n-1)S^2}{\sigma^2}\sim\chi^2(n-1);\qquad \bar X\perp S^2;\qquad \frac{\bar X-\mu}{S/\sqrt n}\sim t(n-1).$$
|
||||
|
||||
两总体(独立):
|
||||
|
||||
$$\frac{S_1^2/\sigma_1^2}{S_2^2/\sigma_2^2}\sim F(n_1-1,n_2-1);\qquad \frac{(\bar X-\bar Y)-(\mu_1-\mu_2)}{S_w\sqrt{1/n_1+1/n_2}}\sim t(n_1+n_2-2).$$
|
||||
|
||||
**四个常见错项**:$\dfrac{\bar X-\mu}{S/\sqrt{n-1}}$ 不是 $t$ 分布;$\dfrac{\bar X-\mu}{\sigma/\sqrt{n-1}}$ 不是 $N(0,1)$ ;$\dfrac{nS^2}{\sigma^2}$ 不是 $\chi^2(n-1)$ ;$\bar X$ 与 $S^2$ 独立**只在正态总体下成立**。
|
||||
|
||||
## 四 矩估计
|
||||
|
||||
<!-- KP: 4.1, 4.2 -->
|
||||
|
||||
```
|
||||
① 写总体矩 EX(必要时 EX²),含参数
|
||||
② 令 EX = X̄,解出参数
|
||||
③ 参数有两个就再加一条 EX² = A₂
|
||||
```
|
||||
|
||||
**注意**:二阶矩一律用 $A_2=\frac1n\sum X_i^2$ ,不要用 $S^2$ ——两者差一个 $\frac{n-1}{n}$ ,选择题常在这里设错。**解完要检验参数范围**($\hat\sigma$ 不能为负,必要时取绝对值)。
|
||||
|
||||
## 五 最大似然估计
|
||||
|
||||
<!-- KP: 5.1, 5.2 -->
|
||||
|
||||
$$L(\theta)=\prod f(x_i;\theta)\ \longrightarrow\ \ln L=\sum\ln f(x_i;\theta)\ \longrightarrow\ \frac{\mathrm d\ln L}{\mathrm d\theta}=0 .$$
|
||||
|
||||
**支撑含参数时不能求导**,改看单调性:$L$ 随 $\theta$ 增大而增大,取 $\theta$ 的**最大可能值**(通常是 $X_{(n)}$ );随 $\theta$ 增大而减小,取**最小可能值**(通常是 $X_{(1)}$ )。
|
||||
|
||||
**四个结论直接背**:
|
||||
|
||||
| 分布 | MLE | 是否无偏 |
|
||||
|---|---|---|
|
||||
| $E(\lambda)$ | $\hat\lambda=1/\bar X$ | 有偏($E\frac1{\bar X}>1/E\bar X$ ) |
|
||||
| $U(0,\theta)$ | $\hat\theta=X_{(n)}$ | 有偏,$E=\frac{n}{n+1}\theta$ |
|
||||
| $N(\mu,\sigma^2)$ | $\hat\sigma^2=\frac1n\sum(X_i-\bar X)^2$ | 有偏,乘 $\frac{n}{n-1}$ 才无偏 |
|
||||
| $f=\frac{3x^2}{\theta^3}$ | $\hat\theta=X_{(n)}$ | 有偏,修正系数 $\frac{3n+1}{3n}$ |
|
||||
|
||||
**不变性**:$\hat\theta$ 是 $\theta$ 的 MLE,则 $g(\hat\theta)$ 是 $g(\theta)$ 的 MLE,**不用重新求**。
|
||||
|
||||
## 六 评价标准四条
|
||||
|
||||
<!-- KP: 6.1, 6.2, 6.3, 6.4 -->
|
||||
|
||||
```
|
||||
无偏 Eθ̂ = θ 对一切 θ 成立
|
||||
有效 都无偏的前提下,Dθ̂ 小的更有效
|
||||
相合 θ̂ →P θ (偏差→0 且方差→0 即可)
|
||||
均方误差 MSE = Dθ̂ + (Eθ̂ − θ)² ← 允许有偏
|
||||
```
|
||||
|
||||
**三条常用无偏性**:$E\bar X=\mu$ 、$ES^2=\sigma^2$ 、$E\frac1n\sum(X_i-\bar X)^2=\frac{n-1}{n}\sigma^2$ 。
|
||||
|
||||
**相合的标准证法**:算 $E\hat\theta$ 与 $D\hat\theta$ ,说明偏差趋于 $0$ 、方差趋于 $0$ ,再由切比雪夫不等式得依概率收敛。**反例只需记两个**:$\bar X+\frac1n$ 有偏但相合;$X_1$ 无偏但不合(方差恒为 $\sigma^2$ ,不趋于 $0$ )。
|
||||
|
||||
**MSE 的用法**:若用 $c\hat\theta$ 估计 $\theta$ ,则 $MSE=c^2D\hat\theta+(cE\hat\theta-\theta)^2$ ,求导得最优系数
|
||||
|
||||
$$c^*=\frac{\theta\,E\hat\theta}{E(\hat\theta^2)} .$$
|
||||
|
||||
$\hat\theta$ 系统性低估时($E\hat\theta<\theta$ )最优系数大于 $1$ ——**用一点偏差换一大块方差**。2024·22 的答案就是 $\frac{n+2}{n+1}$ 。
|
||||
|
||||
## 七 区间估计
|
||||
|
||||
<!-- KP: 7.1, 7.2, 7.3 -->
|
||||
|
||||
| 待估 | 条件 | 区间 |
|
||||
|---|---|---|
|
||||
| $\mu$ | $\sigma$ 已知 | $\bar X\pm z_{\alpha/2}\dfrac{\sigma}{\sqrt n}$ |
|
||||
| $\mu$ | $\sigma$ 未知 | $\bar X\pm t_{\alpha/2}(n-1)\dfrac{S}{\sqrt n}$ |
|
||||
| $\sigma^2$ | $\mu$ 未知 | $\left[\dfrac{(n-1)S^2}{\chi^2_{\alpha/2}},\ \dfrac{(n-1)S^2}{\chi^2_{1-\alpha/2}}\right]$ |
|
||||
| $\mu_1-\mu_2$ | 方差未知但等 | $(\bar X-\bar Y)\pm t_{\alpha/2}(n_1+n_2-2)S_w\sqrt{\frac{1}{n_1}+\frac{1}{n_2}}$ |
|
||||
| $\dfrac{\sigma_1^2}{\sigma_2^2}$ | 均值未知 | $\left[\dfrac{S_1^2}{S_2^2}\dfrac{1}{F_{\alpha/2}},\ \dfrac{S_1^2}{S_2^2}\dfrac{1}{F_{1-\alpha/2}}\right]$ |
|
||||
|
||||
**$\sigma^2$ 区间的分位点放法**:小的分位点($\chi^2_{\alpha/2}$ )在下限的分母上——**分母大则分数小**。
|
||||
|
||||
**两种对称性可当自检**:$z$ 、$t$ 区间**算术对称**(中点 $=\bar X$ );$\chi^2$ 、$F$ 区间**几何对称**($\sqrt{\text{下}\times\text{上}}=\dfrac{(n-1)S^2}{1}$ 或 $\dfrac{S_1^2}{S_2^2}$ )。
|
||||
|
||||
## 八 假设检验
|
||||
|
||||
<!-- KP: 8.1, 8.2, 8.3 -->
|
||||
|
||||
| | 接受 $H_0$ | 拒绝 $H_0$ |
|
||||
|---|---|---|
|
||||
| $H_0$ 真 | 正确 | 第一类错误,$\alpha$ |
|
||||
| $H_0$ 假 | 第二类错误,$\beta$ | 正确,功效 $1-\beta$ |
|
||||
|
||||
**两条计算式**:$\alpha$ 用**边界** $\mu_0$ 算(复合假设时取最不利点),$\beta$ 用**题给的备择值**算。两者都写成 $\Phi$ 的形式:$\alpha$ 一般要取补($1-\Phi$ ),$\beta$ 不取。
|
||||
|
||||
**拒绝域方向只由 $H_1$ 的不等号决定**:$H_1:\mu>\mu_0$ 大值拒绝、$H_1:\mu<\mu_0$ 小值拒绝、$H_1:\mu\ne\mu_0$ 双侧各 $\alpha/2$ 。
|
||||
|
||||
**$\alpha$ 的包含关系(选择题专属)**:$\alpha$ 越大拒绝域越大,故 $W_{0.01}\subset W_{0.05}$ 。于是**小 $\alpha$ 拒绝 $\Rightarrow$ 大 $\alpha$ 必拒绝**;**大 $\alpha$ 接受 $\Rightarrow$ 小 $\alpha$ 必接受**。
|
||||
|
||||
**区间与检验的对偶**:$1-\alpha$ 的置信区间 $=$ $\alpha$ 水平双侧检验的**接受域**。区间含 $\mu_0$ 就不拒绝,不含就拒绝——**这条能替代一半计算**。
|
||||
|
||||
**两总体题的顺序**:先 $F$ 检验方差(能不能合并),再 $t$ 检验均值。顺序反了就是用未验证的前提算统计量。
|
||||
|
||||
## 九 最容易丢分的六处
|
||||
|
||||
1. **分母取 $n-1$ 才对** :$S^2$ 的分母是 $n-1$ (无偏),二阶中心矩才用 $n$ 。
|
||||
2. **分位点的上下侧**:本讲统一用**上侧**分位点,$P\{\chi^2>\chi^2_\alpha\}=\alpha$ ;区间里会出现 $1-\alpha/2$ 的下侧值,别漏。
|
||||
3. **$\sigma$ 未知却查 $z$ 表**:会把 $t$ 当 $z$ ,检验**结论会翻转**(题 3 就是活例)。
|
||||
4. **MLE 遇支撑含参数还求导**:$f=\frac{3x^2}{\theta^3}$ 这类只能看单调性,导数解出来是错的。
|
||||
5. **$\beta$ 忘了指定备择值**:$\beta$ 是 $\mu$ 的函数,没有"$\beta=$ 多少"这种说法。
|
||||
6. **两总体先算均值不先验方差**:方差不等时合并方差 $S_w^2$ 与 $t(n_1+n_2-2)$ 全都不能用。
|
||||
|
||||
---
|
||||
|
||||
## 回查
|
||||
|
||||
<!-- AUTO:回查 -->
|
||||
| 想查什么 | 对应题目 |
|
||||
|---|---|
|
||||
| 一 三个基本期望与次序统计量 | [点 1 题 1](02-点1-总体样本与统计量.md#user-content-题-1--11联合分布与两个词的用处)、[点 1 题 2](02-点1-总体样本与统计量.md#user-content-题-2--12统计量的三个基本期望)、[点 1 题 3](02-点1-总体样本与统计量.md#user-content-题-3--13最大次序统计量) |
|
||||
| 二 三大抽样分布的构造 | [点 2 题 1](03-点2-三大抽样分布.md#user-content-题-1--21平方和就是卡方)、[点 2 题 2](03-点2-三大抽样分布.md#user-content-题-2--22t-的构造与对称性)、[点 2 题 3](03-点2-三大抽样分布.md#user-content-题-3--23f-的两个自由度与倒数互换) |
|
||||
| 三 正态总体的四个结论 | [点 3 题 1](04-点3-正态总体的抽样分布.md#user-content-题-1--31四选一找错)、[点 3 题 2](04-点3-正态总体的抽样分布.md#user-content-题-2--31用卡方算样本方差的概率)、[点 3 题 3](04-点3-正态总体的抽样分布.md#user-content-题-3--32两总体的方差比) |
|
||||
| 四 矩估计 | [点 4 题 1](05-点4-矩估计.md#user-content-题-1--41一阶矩就够的情形)、[点 4 题 2](05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑) |
|
||||
| 五 最大似然估计 | [点 5 题 1](06-点5-最大似然估计.md#user-content-题-1--51指数分布与不变性)、[点 5 题 2](06-点5-最大似然估计.md#user-content-题-2--51两组不同参数的泊松)、[点 5 题 3](06-点5-最大似然估计.md#user-content-题-3--52均匀分布的-mle-不能求导)、[点 5 题 4](06-点5-最大似然估计.md#user-content-题-4--52平方型密度与无偏修正) |
|
||||
| 六 评价标准四条 | [点 6 题 1](07-点6-估计量的评价标准.md#user-content-题-1--61无偏性反解系数)、[点 6 题 2](07-点6-估计量的评价标准.md#user-content-题-2--62三个均值型估计谁更有效)、[点 6 题 3](07-点6-估计量的评价标准.md#user-content-题-3--63相合性的证明与反例)、[点 6 题 4](07-点6-估计量的评价标准.md#user-content-题-4--64无偏不一定最好) |
|
||||
| 七 区间估计 | [点 7 题 1](08-点7-区间估计.md#user-content-题-1--71由-095-的区间反推-09-的区间)、[点 7 题 2](08-点7-区间估计.md#user-content-题-2--72单总体的三种区间)、[点 7 题 3](08-点7-区间估计.md#user-content-题-3--73两总体的均值差与方差比) |
|
||||
| 八 假设检验 | [点 8 题 1](09-点8-假设检验与两类错误.md#user-content-题-1--81第二类错误的计算202110-骨架)、[点 8 题 2](09-点8-假设检验与两类错误.md#user-content-题-2--82拒绝域的方向与显著性水平的单调性20251020188-骨架)、[点 8 题 3](09-点8-假设检验与两类错误.md#user-content-题-3--83单总体的三种检验原创接点-7-题-2)、[点 8 题 4](09-点8-假设检验与两类错误.md#user-content-题-4--83两总体的两个检验接点-7-题-3-的数据) |
|
||||
<!-- /AUTO:回查 -->
|
||||
|
||||
整册入口:[知识点盘点](01-知识点盘点.md)、[点 1](02-点1-总体样本与统计量.md)、[点 2](03-点2-三大抽样分布.md)、[点 3](04-点3-正态总体的抽样分布.md)、[点 4](05-点4-矩估计.md)、[点 5](06-点5-最大似然估计.md)、[点 6](07-点6-估计量的评价标准.md)、[点 7](08-点7-区间估计.md)、[点 8](09-点8-假设检验与两类错误.md)、[第5讲下](../概率论-第5讲下-中心极限定理/README.md)。
|
||||
Binary file not shown.
Binary file not shown.
Binary file not shown.
@@ -1,79 +1,116 @@
|
||||
---
|
||||
tags:
|
||||
- 数学一
|
||||
- 在学练习
|
||||
- 概率论
|
||||
- 数理统计
|
||||
- 参数估计
|
||||
- 假设检验
|
||||
- MOC
|
||||
专题: 概率论 第6讲 · 数理统计(真题库第 20/21/22 章)
|
||||
日期: 2026-10-16
|
||||
状态: 已出(考点 + 试题 + 解析 三件分离)
|
||||
对应视频:
|
||||
- 01 一、基础知识结构
|
||||
- 02 二、总体与样本
|
||||
- 03 二、统计量及其分布(上)
|
||||
- 04 二、统计量及其分布(下)
|
||||
- 05 三、参数的点估计
|
||||
- 06 四、参数的区间估计(仅数学一)
|
||||
- 07 五、假设检验(仅数学一)
|
||||
- 08 六、两类错误(仅数学一)
|
||||
tags: [数学一, 在学练习, 概率论, 数理统计, README]
|
||||
专题: 概率论 第6讲 · 数理统计
|
||||
日期: 2026-11-07
|
||||
状态: 知识点盘点 + 八点分册(知识点带题,26 题)
|
||||
关联笔记: ["[[01-知识点盘点]]", "[[10-速查卡]]"]
|
||||
---
|
||||
|
||||
# 概率论 第6讲 · 数理统计
|
||||
|
||||
> 学习阶段用「考点 / 试题 / 解析」三件分离管理:先看 `01-考点手册` 建立框架 → 做 `02-试题` 限时练 → 对 `03-解析` 复盘。
|
||||
真题库第 20、21、22 三章。近十年 **15 题 116 分**,是概率部分分值最重的一讲:**解答题 8 道(91 分)$+$ 选填 7 题(25 分)**。分章看:ch20 基本概念 2 题 9 分、**ch21 参数估计 10 题 93 分**、ch22 假设检验 3 题 14 分。
|
||||
|
||||
## 一、本文件夹文件
|
||||
**这一讲是概率的"反向工程"** 。前五讲都是"已知分布求概率",这一讲是"已知样本猜分布"——方向反过来,所以每一问的第一动作都是**问自己手里有哪些统计量、它们服从什么分布**。公式不难,难在"该用哪个"。
|
||||
|
||||
| 文件 | 用途 | 打开时机 |
|
||||
|---|---|---|
|
||||
| **[[01-考点手册]]** | 全考点:总体与样本(含经验分布函数)/ **统计量及其分布**(三大分布 + 正态总体抽样分布,**单 + 两总体**)/ **参数的点估计**(矩估计、MLE 含**不变性**与不可微、无偏/有效/一致/MSE)/ 区间估计(**单总体四大 + 两总体两类**)/ 假设检验(**单总体六大 + 两总体三类**)/ 两类错误 | 学之前/复习时 |
|
||||
| **[[02-试题]]** | 18 题分层练习(A 基础 6 / B 中等 8 / C 拔高 4),**不含答案** | 限时自测 |
|
||||
| **[[03-解析]]** | 18 题详解 + 思路 + 易错点 + 真题骨架 + 命题质量报告 | 做完对答案 |
|
||||
**结构是"一个前提 + 两条主线"**:前提是**统计量的分布**(点 1—3),两条主线是**估计**(点 4—7,正问题:参数是多少)与**检验**(点 8,反问题:参数是不是这个值)。两条主线共用同一套分布,所以前提没打牢,后面全是死记硬背。
|
||||
|
||||
## 二、训练目标
|
||||
## 这一版的结构
|
||||
|
||||
- 真题库 **第 20 章(数理统计的基本概念)2 题 · 第 21 章(参数估计)10 题 · 第 22 章(假设检验)3 题**,合计 **15 题、116 分**。
|
||||
- **参数估计标注「热门」**:近十年**几乎年年一道 11–12 分解答题**,是本讲**唯一必拿的大题**;本卷 18 题中 15 题与之相关。
|
||||
- **数学一独有**:区间估计(视频 06)、假设检验(视频 07)、两类错误(视频 08)——**只在数一考**,且都只出选填。
|
||||
- **大纲要求但十年未考**:两个正态总体的均值差 / 方差比区间估计与假设检验(手册 **§4.5 / §5.6**)——属"高性价比冷门",一旦出现即套公式送分。
|
||||
- 三条主线:**独立性**(简单随机样本 = i.i.d.)、**标准化**(拼 $\chi^2/t/F$ )、**矩替换**($\frac1n\sum X_i^k$ 换 $E X^k$ )。
|
||||
| 层 | 文件 | 作用 | 读法 |
|
||||
|---|---|---|---|
|
||||
| **地图** | `01-知识点盘点.md` | 八节知识点 $+$ 按分值排序 $+$ 覆盖对照 $+$ 相邻讲接口 | 先通读,之后只查不读 |
|
||||
| **练** | `02`—`09` 八个点 | 每点先列知识点(含参考仓库出处),再按知识点内部条目逐一对应出题,共 26 题 | 一天一个点,动手做 |
|
||||
| **查** | `10-速查卡.md` | 八组结论 $+$ 五张表 $+$ 六处丢分点 $+$ 回查表 | 考前十分钟 |
|
||||
|
||||
## 三、难度与用时
|
||||
## 文件清单
|
||||
|
||||
| 组 | 题量 | 对应 | 建议用时 | 难度 |
|
||||
| 文件 | 内容 | 真题锚点 | 分值 | 题量 |
|
||||
|---|---|---|---|---|
|
||||
| A 基础 | 6(1–6) | 定义与直接套用 | 22 分钟 | ★☆☆ |
|
||||
| B 中等 | 8(7–14) | 多步计算 | 34 分钟 | ★★☆ |
|
||||
| C 拔高 | 4(15–18) | 建模与综合辨析 | 24 分钟 | ★★★ |
|
||||
| **合计** | **18** | | **约 80 分钟** | 可拆两天 |
|
||||
| `01-知识点盘点.md` | 八节盘点 $+$ 覆盖对照表 $+$ 接口 | — | — | 0 |
|
||||
| `02-点1-总体样本与统计量.md` | 总体与样本、三个基本期望、次序统计量 | 全部题的前置 | — | 3 |
|
||||
| `03-点2-三大抽样分布.md` | $\chi^2$ / $t$ / $F$ 的构造与互换 | 2023·9 | **5** | 3 |
|
||||
| `04-点3-正态总体的抽样分布.md` | 四个结论、两总体合并方差 | 2017·8 | **4** | 3 |
|
||||
| `05-点4-矩估计.md` | 用样本矩替换总体矩、$A_2$ 的坑 | 2017·23 第一问 | 嵌在解答题 | 2 |
|
||||
| `06-点5-最大似然估计.md` | 三步法、多参数、支撑含参数、无偏修正 | 2018·23、2019·23、2020·23、2022·22 | **约 45** | 4 |
|
||||
| `07-点6-估计量的评价标准.md` | 无偏、有效、相合、均方误差 | 2021·9、2023·10、2024·22、2016·23 | **约 33** | 4 |
|
||||
| `08-点7-区间估计.md` | 枢轴量、单总体三个区间、两总体两个区间 | 2016·14 | **4** | 3 |
|
||||
| `09-点8-假设检验与两类错误.md` | 两类错误、拒绝域方向、六大检验 | 2018·8、2021·10、2025·10 | **约 14** | 4 |
|
||||
| `10-速查卡.md` | 八组结论 $+$ 六处丢分点 | — | — | 0 |
|
||||
|
||||
## 四、命题依据与来源记号
|
||||
合计 **26 题**。难度:★☆☆ 2 题,★★☆ 18 题,★★★ 6 题。
|
||||
|
||||
- 🟨 **真题库**:`试卷/Kaoyan-Math1-Papers/papers/近十年真题题库/kaoyan_math1.db` 第 20/21/22 章(15 题,2016–2025)。
|
||||
- 🟩 **参考仓库**:`参考仓库/Math/probability-theory-and-mathematical-statistics/`(`knowledge/5-mathematical-statistics`、`exercise/5-mathematical-statistics`)。
|
||||
- 🟦 **视频**:第 6 讲 8 个文件(见 frontmatter)。
|
||||
- **防过拟合**:试题数字全部原创,仅考法结构对齐真题;标「真题骨架」的 10 题可直接回刷真题原题。
|
||||
**分值分布极不均衡**:最大似然估计独占 45 分,评价标准 33 分,两者合计 78 分——**占了这一讲的 67%** 。而区间估计十年只考过 1 道填空。所以时间分配绝不能平均。
|
||||
|
||||
## 五、平板书写版(PDF)
|
||||
## 建议的三轮读法
|
||||
|
||||
Markdown 内的 LaTeX 公式经 **KaTeX 服务端渲染**后打印为 A4 PDF,公式为矢量文本(可缩放、不失真),适合 iPad / 安卓平板用触控笔直接批注。产物在 **`PDF/`** 子目录:
|
||||
**第一轮(1 小时)**:`01` 通读 $+$ `02` 全做。目标只有一个——**把"统计量"和"分布"两个词焊死**。点 1 的三条基本期望($E\bar X=\mu$ 、$D\bar X=\frac{\sigma^2}{n}$ 、$ES^2=\sigma^2$ )必须能不看书写出来,点 6 的无偏性全靠它们。
|
||||
|
||||
| 文件 | 页数 | 用途 |
|
||||
**第二轮(2 小时)**:`03`、`04`。这两点是全讲的电源。**判断"服从什么分布"只看两件事:有几个独立的标准正态、它们怎么组合**。`04` 的四个结论要练到"看到 $\frac{\bar X-\mu}{S/\sqrt n}$ 立刻反应出 $t(n-1)$ "。
|
||||
|
||||
**第三轮(3 小时)**:`05`—`07`,按 `06` $\to$ `07` $\to$ `05` 的顺序。`06` 的四题覆盖了 MLE 的全部四种形态(可求导 / 多参数 / 支撑含参数 / 带无偏修正),这是 45 分的地基。`07` 是另一块 33 分,重点在题 4 的均方误差——**它允许有偏**,是"最优估计"题的唯一通路。
|
||||
|
||||
**补漏(1 小时)**:`08`、`09`。这两点十年只考了 18 分,但**它们的公式与前面完全同源**——区间是"夹住枢轴量",检验是"看统计量落不落进尾部"。做完会发现点 7 题 3 与点 8 题 4 用的是同一组数据、同一个结论。
|
||||
|
||||
时间不够时按这个顺序砍:`05` 题 2 $\to$ `08` 题 3 $\to$ `09` 题 3 。**`06` 与 `07` 一定不能砍**。
|
||||
|
||||
## 双向链接怎么用
|
||||
|
||||
| 粒度 | 在哪儿 | 什么时候用 |
|
||||
|---|---|---|
|
||||
| `概率论第6讲-试题-答题版.pdf` | 17 | **主用**:18 题逐题留白(A 组半页 / B·C 组整页,带浅色虚框与横线格) |
|
||||
| `概率论第6讲-解析.pdf` | 13 | 答案与详解 |
|
||||
| `概率论第6讲-考点手册.pdf` | 19 | 复习查阅(含**两总体区间估计与假设检验**、MLE 不变性) |
|
||||
| **册** | 本文件「文件清单」 | 决定今天做哪一个点 |
|
||||
| **知识点** | 各点文件开头的知识点标题(含参考仓库出处) | 做题卡住时回看判据 |
|
||||
| **题** | 每题末尾的「关联」行 $+$ 盘点 §0.4 $+$ 速查回查表 | 从知识点反查"它在哪几道题里练过" |
|
||||
|
||||
> **重新生成**:改完 `.md` 后运行
|
||||
> `node .workbuddy/tools/md2pdf/md2pdf.js --in 02-试题.md --out PDF/概率论第6讲-试题-答题版.pdf --mode answer`
|
||||
> (去掉 `--mode answer` 即为普通版。)
|
||||
每道题末尾固定一行:
|
||||
|
||||
## 六、关联
|
||||
```
|
||||
> **关联** · 盘点 §X.Y | 上游 | 下游 | 速查
|
||||
```
|
||||
|
||||
- 上层:[[总览]]
|
||||
- 相邻讲次:[[概率论-第5讲-大数定律与中心极限定理/README]](大数定律与中心极限定理)
|
||||
- 上游待补:数字特征(第 4 讲,**尚未建文件夹**)——本讲的切比雪夫、$\chi^2$ 、方差性质都依赖它
|
||||
- 错题:[[做题本]]
|
||||
四个方向全部指向**具体题目的锚点**。
|
||||
|
||||
## 锚点怎么写(Gitea 两条方向相反的规则)
|
||||
|
||||
标题 id $=$ `user-content-` $+$ 标题原文小写化(保留字母数字汉字与下划线,空格变 `-`,**其余标点全部删除**)。
|
||||
|
||||
| 链接类型 | 写法 |
|
||||
|---|---|
|
||||
| 同文件 | `#题-1--11联合分布与两个词的用处` |
|
||||
| 跨文件 | `05-点4-矩估计.md#user-content-题-2--42一阶矩失效与二阶矩的坑` |
|
||||
|
||||
**标题里不许出现公式**:行内公式会让锚点漂移,脚本算不出来。本讲标题一律纯文字(`05-点4` 的题 2 原标题带二阶矩记号,已改为「二阶矩的坑」)。
|
||||
|
||||
写完校验(**三个校验器都要跑,少跑一个等于没跑**):
|
||||
|
||||
```bash
|
||||
python .workbuddy/tools/md2pdf/gen_crosslinks.py 概率论-第6讲-数理统计
|
||||
python .workbuddy/tools/md2pdf/check_md_links.py 概率论-第6讲-数理统计
|
||||
python .workbuddy/tools/md2pdf/fix_gitea_math.py --check --scope=概率论-第6讲-数理统计
|
||||
python .workbuddy/tools/md2pdf/verify_gitea_math.py 概率论-第6讲-数理统计
|
||||
```
|
||||
|
||||
## 与其他讲的接口
|
||||
|
||||
| 本讲内容 | 来源 / 去向 | 用法 |
|
||||
|---|---|---|
|
||||
| $EX$ 、$DX$ 、$D\bar X$ 、$E\sum(X_i-\bar X)^2$ | [第4讲](../概率论-第4讲-随机变量的数字特征/README.md) | 点 1 三条基本期望、点 6 无偏性的全部根据 |
|
||||
| 依概率收敛、辛钦大数定律 | [第5讲上](../概率论-第5讲上-大数定律/README.md) | 点 6 相合性的证明工具 |
|
||||
| $\Phi$ 、$z_\alpha$ 分位数 | [第5讲下](../概率论-第5讲下-中心极限定理/README.md) | 点 8 的临界值、点 7 的 $z$ 区间 |
|
||||
| 正态分布的可加性与标准化 | [第3讲点3](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 3 两样本结论的来源 |
|
||||
| $\max/\min$ 的分布 | [第3讲点6](../概率论-第3讲-多维随机变量及其分布/07-点6-四则运算与最值.md) | 点 1 次序统计量直接引用 |
|
||||
|
||||
> **跨讲一句话**:前 5 讲给的是"分布 $\to$ 概率",本讲要的是"样本 $\to$ 参数",**唯一的桥就是统计量的分布**。所以本讲真正的重点不是公式,而是**见到一个统计量就能说出它服从什么分布**。
|
||||
|
||||
## 版本记录
|
||||
|
||||
| 日期 | 变更 |
|
||||
|---|---|
|
||||
| 2026-10-16 | 建文件夹,按"考点手册 $+$ 试题 $+$ 解析"三件套组织(`01-考点手册` 曾达 4.8 万字符) |
|
||||
| 2026-11-07 | **重构**为「知识点带题」格式,与概率论第 3、4、5 讲统一:知识点盘点 $+$ 八点分册 $+$ 速查卡,共 10 个文件、26 题;删去三件套旧文件与 PDF。题目按"每点内知识点顺序"重编,题首标注真题骨架 |
|
||||
|
||||
## 两条写作约定
|
||||
|
||||
1. **不生成 PDF**。只出 Markdown,在网页端或 App 里看。
|
||||
2. **单个文件不超过 1.3 万字符**,超了就拆。
|
||||
|
||||
题面数据除标注「真题骨架」外均为另设,只对齐考法。参考 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/5-mathematical-statistics/` 与 `exercise/5-mathematical-statistics/` 。
|
||||
|
||||
@@ -0,0 +1,239 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 知识点盘点]
|
||||
专题: 高等数学 · 中值定理 · 知识点盘点
|
||||
日期: 2026-11-18
|
||||
状态: 知识点盘点(§1—§8 地图 + §0.4 题级对照),配套 8 个点分册共 46 题
|
||||
关联笔记: ["[[README]]", "[[10-速查卡]]"]
|
||||
---
|
||||
|
||||
# 中值定理 · 知识点盘点
|
||||
|
||||
真题库第 2 章(一元微积分)里,**中值定理类解答题十年考了 6 道、68 分**:2017·18(10 分)、2020·19(10 分)、2022·20(12 分)、2023·20(12 分)、2024·19(12 分)、2025·19(12 分)。这一章 24 题共 160 分,中值定理独占 **42.5%**,而且**每年必有一道**,从不缺席。
|
||||
|
||||
它的考法有一个极稳的规律:**题目只给函数在几个点的值或导数值,要求证明"存在一点使某个式子成立"**。所以整章只有一个中心动作——**把"存在性"翻译成"某个函数的导数为零"**,剩下的全是代数变形。
|
||||
|
||||
> 本章所有定理的 $\xi$ 都在**开区间**内(积分中值除外,可在闭区间)。这条纪律贯穿全章。
|
||||
|
||||
## 0 导航(四张表)
|
||||
|
||||
### 0.1 按分值排(时间紧就照这个顺序)
|
||||
|
||||
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|
||||
|---|---|---|---|---|
|
||||
| 1 | 高阶中值与多次使用 | 2017·18(10)、2023·20(12) | **22** | `07` |
|
||||
| 2 | 泰勒中值定理 | 2024·19(12)、2022·20(12)、2023·20 | **24** | `06` |
|
||||
| 3 | 拉格朗日中值定理 | 2020·19(10) | **10** | `04` |
|
||||
| 4 | 柯西中值定理与双中值 | 2013·18 骨架、2017·18 | **10** | `05` |
|
||||
| 5 | 连续函数四大定理 | 2017·18 第 Ⅰ 问 | 地基 | `02` |
|
||||
| 6 | 罗尔定理与辅助函数 | 一切构造题的发动机 | 地基 | `03` |
|
||||
| 7 | 积分中值定理与变限积分 | 2022·20、2024·19 第 2 问 | 组合项 | `08` |
|
||||
| 8 | 结论反推与题型总攻 | 2025·19(12)及全部 | 总装 | `09` |
|
||||
|
||||
### 0.2 依赖链(也就是建议的阅读顺序)
|
||||
|
||||
`02` 连续四定理 → `03` 罗尔 + 辅助函数 → `04` 拉格朗日 → `05` 柯西与双中值 → `06` 泰勒 → `07` 高阶与多次使用 → `08` 积分中值 → `09` 总攻。
|
||||
|
||||
前四点是**一条直线**(连续 → 罗尔 → 拉格朗日 → 柯西),后四点是**四个分支**(泰勒、高阶、积分、策略)。若只剩一天,读 `03` + `09`,再挑 `07` 的一道题手写一遍。
|
||||
|
||||
### 0.3 符号约定
|
||||
|
||||
| 记号 | 含义 |
|
||||
|---|---|
|
||||
| $\xi,\eta,\zeta$ | 中值点(定理保证存在,不可指定) |
|
||||
| $m,M$ | 函数在区间上的最小值、最大值 |
|
||||
| $F,G,H$ | 辅助函数(由结论反推构造) |
|
||||
| $c,x_0$ | 特殊点(零点、极值点、分段点) |
|
||||
| $\lvert J\rvert$ | 与本章无关,属多维变换,别混 |
|
||||
|
||||
### 0.4 知识点与练习文件对照(按知识点粒度)
|
||||
|
||||
<!-- AUTO:KP -->
|
||||
| 盘点章节(知识点) | 对应题目 |
|
||||
|---|---|
|
||||
| §1.1 有界性与最值定理 | [点 1 题 1](02-点1-连续函数四大定理.md#user-content-题-1--11最值定理给出正的下界) |
|
||||
| §1.2 介值定理与平均值定理 | [点 1 题 4](02-点1-连续函数四大定理.md#user-content-题-4--12加权平均也能取到) |
|
||||
| §1.3 零点定理 | [点 1 题 2](02-点1-连续函数四大定理.md#user-content-题-2--13先判存在再判唯一)、[点 1 题 3](02-点1-连续函数四大定理.md#user-content-题-3--13零点个数由单调性分段数)、[点 1 题 5](02-点1-连续函数四大定理.md#user-content-题-5--13极限条件怎样变成某点的符号) |
|
||||
| §1.4 导函数的介值性 | [点 1 题 6](02-点1-连续函数四大定理.md#user-content-题-6--14达布定理与它的两条推论) |
|
||||
| §1.5 费马引理 | [点 1 题 7](02-点1-连续函数四大定理.md#user-content-题-7--15费马引理的三条件) |
|
||||
| §2.1 罗尔定理与两种推广 | [点 2 题 1](03-点2-罗尔定理与辅助函数.md#user-content-题-1--21罗尔定理的三个条件逐条对)、[点 2 题 6](03-点2-罗尔定理与辅助函数.md#user-content-题-6--21罗尔定理的推广) |
|
||||
| §2.2 结论反推四步 | [点 2 题 3](03-点2-罗尔定理与辅助函数.md#user-content-题-3--22指数型因子) |
|
||||
| §2.3 六类辅助函数 | [点 2 题 4](03-点2-罗尔定理与辅助函数.md#user-content-题-4--23幂函数型因子)、[点 2 题 5](03-点2-罗尔定理与辅助函数.md#user-content-题-5--23含抽象函数的一般式) |
|
||||
| §2.4 罗尔定理的逆用 | [点 2 题 2](03-点2-罗尔定理与辅助函数.md#user-content-题-2--24罗尔逆用证唯一) |
|
||||
| §3.1 定理与三种写法 | (本讲未单独配题) |
|
||||
| §3.2 不等式的三条路 | [点 3 题 1](04-点3-拉格朗日中值定理.md#user-content-题-1--32控增量)、[点 3 题 2](04-点3-拉格朗日中值定理.md#user-content-题-2--32把中值点夹在两端)、[点 3 题 6](04-点3-拉格朗日中值定理.md#user-content-题-6--32极值点两侧各用一次) |
|
||||
| §3.3 极限的严格化 | [点 3 题 5](04-点3-拉格朗日中值定理.md#user-content-题-5--33用中值定理给极限提供依据) |
|
||||
| §3.4 由导数界估计函数 | [点 3 题 3](04-点3-拉格朗日中值定理.md#user-content-题-3--34202019-第-ⅰ-问)、[点 3 题 4](04-点3-拉格朗日中值定理.md#user-content-题-4--34202019-第-ⅱ-问) |
|
||||
| §4.1 柯西中值定理 | [点 4 题 1](05-点4-柯西中值定理与双中值.md#user-content-题-1--41认出对数作分母) |
|
||||
| §4.2 反推分母函数 | [点 4 题 2](05-点4-柯西中值定理与双中值.md#user-content-题-2--42认出平方函数作分母) |
|
||||
| §4.3 双中值三条路 | [点 4 题 3](05-点4-柯西中值定理与双中值.md#user-content-题-3--43双中值的乘积型)、[点 4 题 4](05-点4-柯西中值定理与双中值.md#user-content-题-4--43双中值的和型)、[点 4 题 5](05-点4-柯西中值定理与双中值.md#user-content-题-5--43带系数的双中值) |
|
||||
| §4.4 特殊点的三种取法 | [点 4 题 6](05-点4-柯西中值定理与双中值.md#user-content-题-6--44用三个等值点造两个互异点) |
|
||||
| §5.1 两种余项的分工 | [点 5 题 1](06-点5-泰勒中值定理.md#user-content-题-1--51皮亚诺余项求极限) |
|
||||
| §5.2 展开点的四种选择 | [点 5 题 4](06-点5-泰勒中值定理.md#user-content-题-4--52202419-第-1-问) |
|
||||
| §5.3 不等式与估阶 | [点 5 题 2](06-点5-泰勒中值定理.md#user-content-题-2--53拉格朗日余项证不等式)、[点 5 题 3](06-点5-泰勒中值定理.md#user-content-题-3--53有界余项做估阶) |
|
||||
| §5.4 二阶导结论 | [点 5 题 5](06-点5-泰勒中值定理.md#user-content-题-5--54202419-第-2-问)、[点 5 题 6](06-点5-泰勒中值定理.md#user-content-题-6--54202320-第-1-问) |
|
||||
| §6.1 等值点计数 | [点 6 题 1](07-点6-高阶中值与多次使用.md#user-content-题-1--61三点等值给一个二阶零点) |
|
||||
| §6.2 二阶导结论的三种构造 | [点 6 题 2](07-点6-高阶中值与多次使用.md#user-content-题-2--62201718-完整两问)、[点 6 题 4](07-点6-高阶中值与多次使用.md#user-content-题-4--62换函数造三个等值点)、[点 6 题 6](07-点6-高阶中值与多次使用.md#user-content-题-6--62一点给一阶另一点给二阶) |
|
||||
| §6.3 极值点三连 | [点 6 题 3](07-点6-高阶中值与多次使用.md#user-content-题-3--63202320-第-2-问) |
|
||||
| §6.4 中值点三条纪律 | [点 6 题 5](07-点6-高阶中值与多次使用.md#user-content-题-5--64中值点纪律辨析) |
|
||||
| §7.1 积分中值及其推广 | [点 7 题 1](08-点7-积分中值定理与变限积分.md#user-content-题-1--71积分中值定理与它的位置)、[点 7 题 3](08-点7-积分中值定理与变限积分.md#user-content-题-3--71一般形式与不变号条件) |
|
||||
| §7.2 变限积分构造 | [点 7 题 4](08-点7-积分中值定理与变限积分.md#user-content-题-4--72变限积分造商函数) |
|
||||
| §7.3 含积分的不等式 | [点 7 题 5](08-点7-积分中值定理与变限积分.md#user-content-题-5--73202220-的中点不等式) |
|
||||
| §7.4 积分中值与其它定理的组合 | [点 7 题 2](08-点7-积分中值定理与变限积分.md#user-content-题-2--74积分给零点罗尔给导数零点)、[点 7 题 6](08-点7-积分中值定理与变限积分.md#user-content-题-6--74含参数的极限与中值点位置) |
|
||||
| §8.1 结论反推的三层 | [点 8 题 1](09-点8-结论反推与题型总攻.md#user-content-题-1--81商型反推)、[点 8 题 6](09-点8-结论反推与题型总攻.md#user-content-题-6--81系数比决定幂次) |
|
||||
| §8.2 常数分离法 | [点 8 题 2](09-点8-结论反推与题型总攻.md#user-content-题-2--82常数分离后造因子) |
|
||||
| §8.3 七类题型判别表 | [点 8 题 3](09-点8-结论反推与题型总攻.md#user-content-题-3--83判别表应用只写工具不证明)、[点 8 题 4](09-点8-结论反推与题型总攻.md#user-content-题-4--83导数被函数控制) |
|
||||
| §8.4 六个高频错误 | [点 8 题 5](09-点8-结论反推与题型总攻.md#user-content-题-5--84六个错误的辨析) |
|
||||
| §8.5 书写规范 | (本讲未单独配题) |
|
||||
<!-- /AUTO:KP -->
|
||||
|
||||
## 1 连续函数四大定理
|
||||
|
||||
### 1.1 有界性与最值定理
|
||||
|
||||
$f$ 在闭区间 $[a,b]$ 上连续 $\Rightarrow$ 有界,且取到最大值 $M$ 与最小值 $m$ 。闭区间、连续、有界三条件缺一不可(反例:$\frac1x$ 在 $(0,1)$ )。这是后面一切"存在一点"的**供值源**。
|
||||
|
||||
### 1.2 介值定理与平均值定理
|
||||
|
||||
$m\le\mu\le M$ $\Rightarrow$ 存在 $\xi\in[a,b]$ 使 $f(\xi)=\mu$ 。$\xi$ 可取端点。**加权平均也成立**:系数和为 $1$ 的线性组合必落在 $[m,M]$ 内,故被取到——这是积分中值的离散版。
|
||||
|
||||
### 1.3 零点定理
|
||||
|
||||
$f(a)f(b)<0$ $\Rightarrow$ 存在 $\xi\in(a,b)$ 使 $f(\xi)=0$ 。三个用途:判存在(找异号)、判唯一(补单调)、判个数(按 $f'$ 分段)。**极限可代替函数值**:$\lim_{x\to a^+}\frac{f(x)}{x}<0$ 加 $\varepsilon$ 语言即可得"某点取负值"。
|
||||
|
||||
### 1.4 导函数的介值性
|
||||
|
||||
$f$ 在 $[a,b]$ 可导,$f'(a)<k<f'(b)$ $\Rightarrow$ 存在 $\xi$ 使 $f'(\xi)=k$ 。证法:$F=f-kx$ 的最小值在内部取到,费马收尾。三条推论:$f'$ 取遍中间值、$f'$ 无第一类间断点、$f'$ 不取零 $\Rightarrow$ $f$ 严格单调(**不需要 $f'$ 连续**)。
|
||||
|
||||
### 1.5 费马引理
|
||||
|
||||
内点 $+$ 极值 $+$ 可导 $\Rightarrow$ $f'=0$ 。三条件各有反例($f=x$ 在端点、$\lvert x\rvert$ 不可导、$x^3$ 非极值)。用法一句话:**闭区间的最值点若在内部且可导,则导数为零**——罗尔定理的证明核心。
|
||||
|
||||
## 2 罗尔定理与辅助函数
|
||||
|
||||
### 2.1 罗尔定理与两种推广
|
||||
|
||||
连续 $+$ 可导 $+$ $f(a)=f(b)$ $\Rightarrow$ 存在 $\xi\in(a,b)$ 使 $f'(\xi)=0$ 。第三条件是"两端**相等**",不是"两端为零"。推广:两端极限相等(含 $\pm\infty$ )或无穷区间两端等值,结论不变。
|
||||
|
||||
### 2.2 结论反推四步
|
||||
|
||||
$\xi$ 换成 $x$ → 移项为一端零 → 看能否写成某个 $F$ 的导数(不能就乘积分因子)→ 验 $F$ 两端相等。**第 3 步的判据**:$f'$ 与 $f$ 的线性组合一定来自乘积求导 $(\mu f)'=\mu f'+\mu'f$ ,故 $\mu=e^{\int\lambda}$ 。
|
||||
|
||||
### 2.3 六类辅助函数
|
||||
|
||||
$f'\to f$ (本身);$f'+\lambda f\to fe^{\lambda x}$ ;$f'+g'f\to fe^{g}$ ;$\xi f'+kf\to x^kf$ ;$ff''+(f')^2\to ff'$ ;$f'=\frac{f}{b-\xi}\to f(b-x)$ 。**$k$ 可为负或分数,但区间不能跨零**。
|
||||
|
||||
### 2.4 罗尔定理的逆用
|
||||
|
||||
$f'$ 无零点 $\Rightarrow$ $f$ 不能取两次同值,故至多一个零点;$f^{(n)}$ 无零点 $\Rightarrow$ $f$ 至多 $n$ 个零点。方向单向:$f'$ 有零点推不出 $f$ 有两个零点($f=x^3$ )。
|
||||
|
||||
## 3 拉格朗日中值定理
|
||||
|
||||
### 3.1 定理与三种写法
|
||||
|
||||
$f(b)-f(a)=f'(\xi)(b-a)$ ;局部式 $f(x+\Delta x)-f(x)=f'(\xi)\Delta x$ ;中值式 $f'[a+\theta(b-a)]\,(b-a)$ 。$\xi$ 只能保证存在。推论:$f'\equiv0$ $\iff$ $f$ 为常数。
|
||||
|
||||
### 3.2 不等式的三条路
|
||||
|
||||
夹 $\xi$ ($\frac1\xi$ 的方向由 $\xi$ 位置定);控增量($\lvert f'\rvert\le M$ 给李普希茨);转单调(移项证 $G'\ge0$ ,属点 9 的单调性法)。**只能用不等号**,把 $f'(\xi)$ 写成 $f'(b)$ 是错误。
|
||||
|
||||
### 3.3 极限的严格化
|
||||
|
||||
$\varphi(x+1)-\varphi(x)=\varphi'(\xi)$ ,$\xi\in(x,x+1)$ ,用 $\frac{\xi}{x}\to1$ 把系数里的 $x$ 换成 $\xi$ 。**必须先夹逼再取极限**,不能直接说"$\xi\to+\infty$ 故 $\varphi'(\xi)\to$ 某值"。
|
||||
|
||||
### 3.4 由导数界估计函数
|
||||
|
||||
有限增量公式给精确等式;$\lvert f'\rvert\le M$ $\Rightarrow$ $\lvert f(x)-f(y)\rvert\le M\lvert x-y\rvert$ ;零点处 $\lvert f(x)\rvert\le M\lvert x-x_0\rvert$ 。"$M=0$ "型结论:设 $M>0$ 导出"函数被迫成直线 + 导数跳跃",冲撞 $f'$ 连续。
|
||||
|
||||
## 4 柯西中值定理与双中值
|
||||
|
||||
### 4.1 柯西中值定理
|
||||
|
||||
$\frac{f(b)-f(a)}{F(b)-F(a)}=\frac{f'(\xi)}{F'(\xi)}$ ,需 $F'\ne0$ (保证分母非零且 $F$ 严格单调)。取 $F=x$ 退回拉格朗日。**同一个 $\xi$ 同时满足两个式子**。
|
||||
|
||||
### 4.2 反推分母函数
|
||||
|
||||
结论写成"增量比 $=$ 导数比",认分母:$\ln\frac ba\to\ln x$ ;$b^2-a^2\to x^2$ ;$e^b-e^a\to e^x$ ;$\arctan b-\arctan a\to\arctan x$ 。**判据:除 $f'(\xi)$ 外还有含 $\xi$ 的因子才需柯西**。
|
||||
|
||||
### 4.3 双中值三条路
|
||||
|
||||
分区间两次拉格朗日(**两个开区间不相交即互异**);先用介值定理造特殊点 $f(c)=\mu$ ;柯西一次搞定(结论是同一 $\xi$ 的两个导数之比时)。选择看结论:乘积/和型走第一条,带系数走第二条。
|
||||
|
||||
### 4.4 特殊点的三种取法
|
||||
|
||||
中点(对称、无参数,和型自动消去 $f(c)$ );介值点 $f(c)=\frac{\alpha}{\alpha+\beta}$ (带系数时配平);极值点(要 $f'=0$ 时)。取中点失败的信号是"算出的常数与要求的差一个系数"。
|
||||
|
||||
## 5 泰勒中值定理
|
||||
|
||||
### 5.1 两种余项的分工
|
||||
|
||||
拉格朗日余项 $\frac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$ 用于**证明**(符号与大小可放缩);皮亚诺 $o((x-x_0)^n)$ 用于**求极限**。三条铁律:同一点两次展开 $\xi$ 不同;余项符号由 $(x-x_0)^{n+1}$ 定;展开阶数由目标定。
|
||||
|
||||
### 5.2 展开点的四种选择
|
||||
|
||||
导数为零的点(一阶项消失);中点(对称估计);端点(造"与端点线性组合之差");任一点 $x$ (逐点估计)。顺序:先看哪个点信息最多,再看要估计哪一点。
|
||||
|
||||
### 5.3 不等式与估阶
|
||||
|
||||
三步:选点 → 展到余项符号确定 → 丢余项或放大。$\lvert f^{(n+1)}\rvert\le M$ 给 $\lvert R_n\rvert\le\frac{M}{(n+1)!}\lvert x-x_0\rvert^{n+1}$ 。**$e^x\ge1+x+\frac{x^2}{2}$ 只在 $x\ge0$ 成立**,因为 $x^3$ 定符号。
|
||||
|
||||
### 5.4 二阶导结论
|
||||
|
||||
两次展开($\xi_1,\xi_2$ )→ 相加或相减消去一阶项 → 对 $f''$ 用介值定理(需 $f''$ 连续)。这是 2023·20 与 2024·19 的共用骨架。
|
||||
|
||||
## 6 高阶中值与多次使用
|
||||
|
||||
### 6.1 等值点计数
|
||||
|
||||
$n+1$ 个等值点给 $n$ 个互异的导数为零的点;三个等值点给一个二阶零点。等值点可来自 $f=0$ ,也可来自 $f'=0$ (如 $ff'$ 的零点)。**先排序再分段**。
|
||||
|
||||
### 6.2 二阶导结论的三种构造
|
||||
|
||||
换函数(减一个二次多项式使 $G''=f''+c$ );换区间(极值点或中点展开);泰勒(带 $\lvert f''\rvert\le M$ 的估计)。插值多项式靠观察三点形状,不必列方程。
|
||||
|
||||
### 6.3 极值点三连
|
||||
|
||||
费马给 $f'(x_0)=0$ → 在 $x_0$ 展开使一阶项消失 → 用 $(a-x_0)^2+(a+x_0)^2\le4a^2$ 放缩。**距离越小需要的二阶导越大**,故得下界。
|
||||
|
||||
### 6.4 中值点三条纪律
|
||||
|
||||
开区间(罗尔/拉格朗日/柯西);互异(两个开区间不相交);随区间(在 $[0,x_0]$ 上用得 $\xi\in(0,x_0)$ ,不能写 $(0,1)$ )。
|
||||
|
||||
## 7 积分中值定理与变限积分
|
||||
|
||||
### 7.1 积分中值及其推广
|
||||
|
||||
$\int_a^bf=f(\xi)(b-a)$ ,$\xi\in[a,b]$ (非平凡时可在开区间)。一般形式 $\int fg=f(\xi)\int g$ 需 **$g$ 不变号**。读法:**积分平均值必被函数取到**。
|
||||
|
||||
### 7.2 变限积分构造
|
||||
|
||||
$F=\int_a^xf$ ,$F'=f$ 。含 $\int_0^\xi f$ 与 $\xi f(\xi)$ 时造商 $\frac{F}{x}$ (分子为 $xf-F$ );$k$ 次幂对应 $\xi f(\xi)=kF(\xi)$ 。商函数在 $0$ 处需连续延拓($\lim\frac Fx=f(0)$ )。
|
||||
|
||||
### 7.3 含积分的不等式
|
||||
|
||||
逐点界再积分(2024·19 第 2 问);泰勒展开后积分(2022·20,切线不等式 $f(x)\ge f(x_0)+f'(x_0)(x-x_0)$ );单调性 + 积分(切比雪夫型)。
|
||||
|
||||
### 7.4 积分中值与其它定理的组合
|
||||
|
||||
积分中值给点 → 罗尔/拉格朗日再用一次。**取点位置要能与其他点分开**,否则"互异"说不清。
|
||||
|
||||
## 8 结论反推与题型总攻
|
||||
|
||||
### 8.1 结论反推的三层
|
||||
|
||||
一:$f'+\lambda f\to fe^{\int\lambda}$ 。二:$\xi f'+kf\to x^kf$ 。三:分式先通分,看分子($\frac{f}{1+x^2}$ 、$\frac fx$ 、$fe^{-x}$ )。**造完必须验 $F(a)=F(b)$ 是否成立**。
|
||||
|
||||
### 8.2 常数分离法
|
||||
|
||||
含 $a,b$ 的项与含 $\xi$ 的项分居两边,看常数侧的增量比决定工具(拉格朗日/柯西/把 $k$ 解释成某函数端点之差)。
|
||||
|
||||
### 8.3 七类题型判别表
|
||||
|
||||
只有 $f'$ → 拉格朗日;$f'$ 与 $f$ → 乘积因子;两个增量比 → 柯西;两个不同点 → 分区间或造点;含 $\int$ → 变限积分;含 $f''$ → 数等值点或泰勒;当且仅当 → 两个方向各选工具。
|
||||
|
||||
### 8.4 六个高频错误
|
||||
|
||||
中值点取端点;两个中值不说明互异;同一个 $\xi$ 用于两次展开;辅助函数不验端点;用 $f'$ 连续替代达布;不等式的等号条件。
|
||||
|
||||
### 8.5 书写规范
|
||||
|
||||
五句话给分:三条件都满足 → 结论式与 $\xi$ 范围 → 辅助函数构造与验端点 → 代数推出目标式 → "故存在"收尾。
|
||||
@@ -0,0 +1,102 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 覆盖对照]
|
||||
专题: 高等数学 · 中值定理 · 覆盖对照与接口
|
||||
日期: 2026-11-18
|
||||
状态: 大纲 / 真题 / 张宇三十讲三条线的并集对照 十 相邻章节接口
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 中值定理 · 覆盖对照与接口
|
||||
|
||||
这份文件回答两个问题:**这个考点有没有漏**,以及**它和别的章怎么接**。
|
||||
|
||||
## 一 三条线各要求什么
|
||||
|
||||
| 线 | 范围 | 本讲对应 |
|
||||
|---|---|---|
|
||||
| **考试大纲** | 罗尔、拉格朗日、柯西、泰勒定理;用它们证明不等式与方程根的存在性 | §2—§6 全覆盖 |
|
||||
| **十年真题**(ch2,24 题 160 分) | 中值定理解答题 6 道 68 分:2017·18、2020·19、2022·20、2023·20、2024·19、2025·19 | 逐题拆解进各点 |
|
||||
| **张宇基础三十讲** | §1 函数中值定理(有界最值、介值、平均值、零点);§2 微分中值定理(罗尔含四条推广、拉格朗日、柯西、泰勒);§4 泰勒公式 | 知识点正文的出处全指向它 |
|
||||
|
||||
**张宇 1000 题没有对应章节可用**(它的库只有高数 15 章 + 线代 6 章,且分章按题源而非考点),所以"张宇"这条线只取三十讲的知识点与例题骨架,题目本身按真题换数字。
|
||||
|
||||
## 二 题型覆盖表
|
||||
|
||||
三十四类考法,逐条对到题上。**"真题"列有年份的,说明这一类十年内考过**。
|
||||
|
||||
| 题型 | 十年真题 | 张宇 | 本讲题 |
|
||||
|---|---|---|---|
|
||||
| 零点存在(极限代替函数值) | 2017·18(Ⅰ) | §1.4 | 点 1 题 5 |
|
||||
| 零点个数(单调分段) | — | §1.4 | 点 1 题 3 |
|
||||
| 最值定理给正下界 | — | §1.1 | 点 1 题 1 |
|
||||
| 加权平均 | — | §1.3 | 点 1 题 4 |
|
||||
| 导函数介值(达布) | — | 未单列 | 点 1 题 6 |
|
||||
| 费马引理三条件 | 2023·20(2) 第一步 | §2.1 | 点 1 题 7 |
|
||||
| 罗尔直接套 | — | §2.1 | 点 2 题 1 |
|
||||
| 罗尔逆用证唯一 | — | §2.1 | 点 2 题 2 |
|
||||
| 乘积因子 $e^{-x^2}$ | 2017·18(Ⅱ) 骨架 | §2.1 推广 | 点 2 题 3 |
|
||||
| 幂因子 $x^k$ | — | §2.1 推广 | 点 2 题 4 |
|
||||
| 抽象因子 $e^{g}$ | — | §2.1 推广 | 点 2 题 5 |
|
||||
| 罗尔推广(两端极限等值) | — | §2.1 四条 | 点 2 题 6 |
|
||||
| 不等式:控增量 | — | §2.2 例题 | 点 3 题 1 |
|
||||
| 不等式:夹 $\xi$ | — | §2.2 例题 | 点 3 题 2 |
|
||||
| $\lvert f'\rvert\ge M$ 型 | **2020·19** | — | 点 3 题 3、4 |
|
||||
| 用中值定理算极限 | — | §2.2 | 点 3 题 5 |
|
||||
| 极值点两侧各用一次 | — | — | 点 3 题 6 |
|
||||
| 柯西反推分母($\ln$ ) | — | §2.3 | 点 4 题 1 |
|
||||
| 柯西反推分母($x^2$ ) | — | §2.3 | 点 4 题 2 |
|
||||
| 双中值:乘积型 | **2013·18** 骨架 | — | 点 4 题 3 |
|
||||
| 双中值:和型 | — | — | 点 4 题 4 |
|
||||
| 双中值:带系数 | — | — | 点 4 题 5 |
|
||||
| 双中值:互异的理由 | 2017·18、2023·20 | — | 点 4 题 6 |
|
||||
| 皮亚诺余项求极限 | 2021·3 同类 | §4.1 | 点 5 题 1 |
|
||||
| 泰勒证不等式 | — | §4.3 | 点 5 题 2 |
|
||||
| 泰勒估阶 | — | §4.3 | 点 5 题 3 |
|
||||
| 二阶导有界估计 | **2024·19(1)** | — | 点 5 题 4 |
|
||||
| 积分估计 | **2024·19(2)** | — | 点 5 题 5 |
|
||||
| 二阶导等于平均值 | **2023·20(1)** | — | 点 5 题 6 |
|
||||
| 三点等值给 $f''=0$ | — | §2.1 | 点 6 题 1 |
|
||||
| $ff''+(f')^2$ 型 | **2017·18(Ⅱ)** | — | 点 6 题 2 |
|
||||
| 极值点展开 + 距离平方和 | **2023·20(2)** | — | 点 6 题 3 |
|
||||
| 抛物线插值(换函数) | — | — | 点 6 题 4 |
|
||||
| 中值点三条纪律 | — | — | 点 6 题 5 |
|
||||
| 一点一阶 + 另一点函数值 | — | §4.2 | 点 6 题 6 |
|
||||
| 积分中值(基本形式) | — | §1.3 | 点 7 题 1 |
|
||||
| 积分中值(一般形式) | — | — | 点 7 题 3 |
|
||||
| 积分给零点 + 罗尔 | — | — | 点 7 题 2 |
|
||||
| 变限积分造商函数 | — | §2.2 推论 | 点 7 题 4 |
|
||||
| 中点不等式(凸性) | **2022·20** | — | 点 7 题 5 |
|
||||
| $x^n$ 型积分极限 | — | — | 点 7 题 6 |
|
||||
| 商型反推 | — | — | 点 8 题 1 |
|
||||
| 常数分离 | — | §2.2 | 点 8 题 2 |
|
||||
| 判别表应用 | — | — | 点 8 题 3 |
|
||||
| 导数控制函数(迭代估计) | — | — | 点 8 题 4 |
|
||||
| 六个高频错误 | — | — | 点 8 题 5 |
|
||||
| 系数比定幂次 | — | — | 点 8 题 6 |
|
||||
|
||||
**六道真题的落点**:2017·18 → 点 1 题 5 + 点 6 题 2;2020·19 → 点 3 题 3、4;2022·20 → 点 7 题 5;2023·20 → 点 5 题 6 + 点 6 题 3;2024·19 → 点 5 题 4、5;2025·19 → 点 8 的判别表与"当且仅当"策略(未单独配题,因它属"充要条件型",需要单调性工具配合)。
|
||||
|
||||
## 三 本讲**不**覆盖什么
|
||||
|
||||
这几块常被误认为属中值定理,实际是"导数应用",本讲只在需要时借用结论:
|
||||
|
||||
| 内容 | 归属 | 本讲用到的地方 |
|
||||
|---|---|---|
|
||||
| 单调性判定($f'$ 符号) | 导数应用 | 点 1 题 3(判零点个数)、点 3 题 4 |
|
||||
| 凹凸性与拐点 | 导数应用 | 点 7 题 5(切线不等式的等价说法) |
|
||||
| 极值与最值 | 导数应用 | 点 1 题 7、点 6 题 3(只借费马) |
|
||||
| 渐近线、曲率 | 导数应用 | 不用 |
|
||||
| 洛必达法则 | 极限 | 不用(泰勒更稳) |
|
||||
|
||||
## 四 与相邻章节的接口
|
||||
|
||||
| 本讲内容 | 上游(学它之前要有) | 用法 |
|
||||
|---|---|---|
|
||||
| 连续性、保号性、极限的 $\varepsilon$ 语言 | 函数与极限 | 点 1 题 5 全靠它 |
|
||||
| 导数定义、求导法则 | 导数与微分 | 费马引理的证明 |
|
||||
| 高阶导数、莱布尼茨公式 | 高阶导数 | 泰勒展开 |
|
||||
| 定积分、变限积分求导 | 一元积分 | 点 7 全点 |
|
||||
| 分部积分 | 一元积分 | 含 $\int tf(t)$ 的构造 |
|
||||
| 泰勒公式(带皮亚诺余项) | 极限 | 点 5 题 1 |
|
||||
|
||||
**一个接口提醒**:变限积分求导 $\frac{\mathrm d}{\mathrm dx}\int_a^xf=f(x)$ 需要 $f$ 连续。点 7 的所有题都默认 $f$ 连续,答题时不必每次验证,但若题设只说"可积",这一步要补一句"$f$ 连续故可导"。
|
||||
@@ -0,0 +1,251 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 连续函数定理]
|
||||
专题: 高等数学 · 中值定理 · 点1 连续函数四大定理
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(1.1 有界与最值、1.2 介值与平均值、1.3 零点、1.4 达布定理、1.5 费马引理,共 7 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 1 连续函数四大定理
|
||||
|
||||
> 真题锚点:2017·18(10 分,第 Ⅰ 问)、2023·20(12 分,第 2 问第一步)|重要度 ★★★
|
||||
> 依赖:函数连续性、极限的保号性。盘点对应:§1 全节。
|
||||
|
||||
**组织原则**:这一点的五个结论都不含导数,是纯"连续性"的工具。它们是后面所有中值定理题的**落脚点**——每次证"存在一点使某式成立",最后一步几乎都是回到这里。所以题目不求难,求"每一步为什么合法"说得清。难度:★☆☆ 2 题、★★☆ 4 题、★★★ 1 题。
|
||||
|
||||
## 知识点 1.1 有界性与最值定理(出处:[知识章 applications-of-derivatives.tex §1.1](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
设 $f$ 在闭区间 $[a,b]$ 上连续,则
|
||||
|
||||
1. $f$ 在 $[a,b]$ 上有界;
|
||||
2. $f$ 在 $[a,b]$ 上取到最大值 $M$ 与最小值 $m$ :存在 $x_1,x_2\in[a,b]$ 使 $f(x_1)=m$ ,$f(x_2)=M$ 。
|
||||
|
||||
**三个条件缺一不可**,每一种缺失都有反例:
|
||||
|
||||
| 缺哪条 | 反例 | 后果 |
|
||||
|---|---|---|
|
||||
| 开区间 | $f=\frac1x$ 在 $(0,1)$ | 无界,也无最值 |
|
||||
| 不连续 | $f=\frac1x\ (x>0)$ ,$f(0)=0$ 在 $[0,1]$ | 无界 |
|
||||
| 无界区间 | $f=x$ 在 $\mathbb{R}$ | 无界 |
|
||||
|
||||
最值定理是后面一切"存在 $\xi$ 使某式成立"的**供值源**:先从最值得到 $m\le\text{某式}\le M$ ,再用介值定理落到具体一点。
|
||||
|
||||
## 知识点 1.2 介值定理与平均值定理(出处:同上 §1.2—§1.3)
|
||||
|
||||
**介值定理**:$f$ 在 $[a,b]$ 上连续,$m\le\mu\le M$ ,则存在 $\xi\in[a,b]$ 使 $f(\xi)=\mu$ 。
|
||||
|
||||
两点容易被忽略:
|
||||
|
||||
- $\xi$ 允许取端点(当 $\mu=m$ 或 $\mu=M$ 时就是最值点);
|
||||
- 结论是"取遍 $[m,M]$ 内所有值",所以**连续函数的值域是区间**。这一条在证"$f$ 的值域包含某区间"时直接用。
|
||||
|
||||
**平均值定理**:设 $a<x_1<x_2<\cdots<x_n<b$ ,则存在 $\xi\in[x_1,x_n]$ 使
|
||||
|
||||
$$f(\xi)=\frac{f(x_1)+f(x_2)+\cdots+f(x_n)}{n}.$$
|
||||
|
||||
证明只有两步:每个 $f(x_i)$ 都夹在 $m$ 与 $M$ 之间,相加得 $nm\le\text{和}\le nM$ ,除以 $n$ 后用介值定理。
|
||||
|
||||
**加权版同样成立**:若 $\lambda_i>0$ ,$\sum\lambda_i=1$ ,则 $\sum\lambda_if(x_i)$ 仍夹在 $m$ 与 $M$ 之间,故存在 $\xi$ 使它等于 $f(\xi)$ 。**权重不必相等**,这正是介值定理比"平均值定理"更强的地方——平均值定理只是等权的特例。
|
||||
|
||||
## 知识点 1.3 零点定理(出处:同上 §1.4)
|
||||
|
||||
**零点定理**:$f$ 在 $[a,b]$ 上连续,$f(a)f(b)<0$ ,则存在 $\xi\in(a,b)$ 使 $f(\xi)=0$ 。
|
||||
|
||||
它是介值定理取 $\mu=0$ 的特例,但用起来是三条独立的动作:
|
||||
|
||||
| 动作 | 做法 | 关键 |
|
||||
|---|---|---|
|
||||
| 判存在 | 找两点异号 | 端点不必给函数值,**极限也能代替**(见题 4) |
|
||||
| 判唯一 | 存在 $+$ 严格单调 | 单调性由 $f'$ 的符号给出 |
|
||||
| 判个数 | 把区间按单调性切开,每段各算一个 | 先求 $f'=0$ 的点作为切分点 |
|
||||
|
||||
**用极限充当函数值**的标准写法(2017·18 就靠这一步):若 $\lim_{x\to a^+}\frac{f(x)}{x}=L<0$ ,取 $\varepsilon=-\frac L2$ ,则存在 $\delta>0$ ,当 $0<x<\delta$ 时 $\frac{f(x)}{x}<\frac L2<0$ ,从而 $f(x)<0$ 。**注意分母 $x>0$ ,所以不等号方向不变。**
|
||||
|
||||
## 知识点 1.4 导函数的介值性(达布定理)(出处:同上 §2.1,超出大纲但解题常用)
|
||||
|
||||
设 $f$ 在 $[a,b]$ 上可导,$f'(a)<k<f'(b)$ ,则存在 $\xi\in(a,b)$ 使 $f'(\xi)=k$ 。
|
||||
|
||||
**证明**:令 $F(x)=f(x)-kx$ ,则 $F'(a)<0<F'(b)$ 。$F'(a)<0$ 说明 $a$ 右侧的点函数值比 $F(a)$ 小,故 $a$ 不是最小值点;同理 $b$ 也不是最小值点。$F$ 在 $[a,b]$ 连续,最小值必在内部某点 $\xi$ 取到,费马引理给 $F'(\xi)=0$ 。
|
||||
|
||||
三条推论,每条都能单独出题:
|
||||
|
||||
1. **导函数取遍两个导数值之间的一切值**,即使 $f'$ 不连续。
|
||||
2. **导函数没有第一类间断点**:若 $f'$ 在 $x_0$ 有跳跃或可去间断,与达布定理矛盾(左右极限存在但不等于 $f'(x_0)$ 时,中间的值取不到)。
|
||||
3. **$f'$ 在区间上不取 $0$ $\Rightarrow$ $f'$ 恒正或恒负 $\Rightarrow$ $f$ 严格单调**。这是"证唯一性"时最硬的一条依据,因为 $f'$ 连续这件事本身不一定成立。
|
||||
|
||||
## 知识点 1.5 费马引理(出处:同上 §2.1.1)
|
||||
|
||||
设 $f$ 在 $x_0$ 的某邻域内有定义,$x_0$ 是**内点**,$f$ 在 $x_0$ 取极值,且 $f'(x_0)$ 存在,则 $f'(x_0)=0$ 。
|
||||
|
||||
三个条件各自不能少:
|
||||
|
||||
| 条件 | 反例 |
|
||||
|---|---|
|
||||
| 内点 | $f(x)=x$ 在 $[0,1]$ 上,最大值在 $x=1$ ,$f'(1)=1\ne0$ |
|
||||
| 可导 | $f(x)=\lvert x\rvert$ 在 $x=0$ 取极小,但 $f'(0)$ 不存在 |
|
||||
| 极值 | $f(x)=x^3$ 在 $x=0$ 有 $f'(0)=0$ ,但不是极值点(这是反方向的失效,说明 $f'=0$ 推不出极值) |
|
||||
|
||||
用法固定为一句话:**闭区间上的最值点若落在内部且该点可导,则导数为零**。罗尔定理的证明就是把它用在 $f(a)=f(b)$ 的情形。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1 练最值定理的用法,题 2、题 3 练零点定理的两个层次(存在、个数),题 4 练加权平均,题 5 是 2017·18 第一问的骨架,题 6 是达布定理,题 7 是费马引理。
|
||||
|
||||
### 题 1 · 1.1:最值定理给出正的下界(★☆☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,且对一切 $x\in[0,1]$ 有 $f(x)>0$ 。证明 $g(x)=\dfrac{1}{f(x)}$ 在 $[0,1]$ 上有界,并给出一个界。
|
||||
|
||||
**怎么想**:要证 $g$ 有界,就要给 $f$ 一个**正的下界**。$f>0$ 只说明每一点为正,逐点的正推不出统一的正下界——这一步正是最值定理的用处。
|
||||
|
||||
**解**:$f$ 在闭区间 $[0,1]$ 上连续,由最值定理,$f$ 在 $[0,1]$ 上取到最小值 $m$ 。因 $f(x)>0$ 对一切 $x$ 成立,故 $m>0$ 。
|
||||
|
||||
于是对任意 $x\in[0,1]$ ,
|
||||
|
||||
$$0<g(x)=\frac{1}{f(x)}\le\frac1m ,$$
|
||||
|
||||
即 $g$ 在 $[0,1]$ 上有界,上界为 $\frac1m$ 。
|
||||
|
||||
**追问**:若去掉"连续",结论不成立。反例:$f(0)=1$ ,$f(x)=x$ ($0<x\le1$ ),则 $f>0$ 处处成立,但 $g(x)=\frac1x$ 在 $(0,1]$ 上无界。
|
||||
|
||||
**带走结论**:**"$f>0$ "推不出"$\frac1f$ 有界",必须补连续性**。这一步在所有"证明某某有界"的题目里都要写出来,而它恰恰是最值定理最朴素的应用。
|
||||
|
||||
> **关联** · 盘点 [§1.1 有界性与最值定理](01-知识点盘点.md#user-content-11-有界性与最值定理) | 上游 — | 下游 — | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 1.3:先判存在,再判唯一(★☆☆)
|
||||
|
||||
> 证明方程 $x^3-3x+1=0$ 在 $(0,1)$ 与 $(1,2)$ 内各至少有一个根;并指出 $(0,1)$ 内这个根落在哪个长度为 $\frac12$ 的子区间里,最后说明它在 $(0,1)$ 内是否唯一。
|
||||
|
||||
**怎么想**:三次多项式连续,找两端异号即可。二分一步看 $f\left(\frac12\right)$ 的符号。唯一性要另加单调性,"有一个根"和"只有一个根"是两个命题。
|
||||
|
||||
**解**:记 $f(x)=x^3-3x+1$ ,在 $\mathbb{R}$ 上连续。
|
||||
|
||||
$f(0)=1>0$ ,$f(1)=1-3+1=-1<0$ ,故 $(0,1)$ 内有根;$f(2)=8-6+1=3>0$ ,故 $(1,2)$ 内有根。
|
||||
|
||||
$f\left(\frac12\right)=\frac18-\frac32+1=-\frac38<0$ ,与 $f(0)>0$ 异号,故 $(0,1)$ 内的根实际落在 $\left(0,\frac12\right)$ 内。
|
||||
|
||||
唯一性:$f'(x)=3x^2-3=3(x-1)(x+1)$ ,在 $(0,1)$ 上 $f'(x)<0$ ,$f$ 严格递减,故 $(0,1)$ 内**恰好一个**根。同理 $(1,2)$ 上 $f'>0$ ,也恰好一个。
|
||||
|
||||
**带走结论**:零点定理只管"至少一个"。要"恰好一个"必须补单调性,而单调性来自 $f'$ 的符号——**存在靠介值,唯一靠单调,两句话分开写才不丢分**。
|
||||
|
||||
> **关联** · 盘点 [§1.3 零点定理](01-知识点盘点.md#user-content-13-零点定理) | 上游 — | 下游 [点 1 题 3](02-点1-连续函数四大定理.md#user-content-题-3--13零点个数由单调性分段数)、[点 1 题 5](02-点1-连续函数四大定理.md#user-content-题-5--13极限条件怎样变成某点的符号) | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 1.3:零点个数由单调性分段数(★★☆)
|
||||
|
||||
> 讨论方程 $x^2=2^x$ 的实根个数。
|
||||
|
||||
**怎么想**:$x^2-2^x$ 在 $\mathbb{R}$ 上连续,但两端都趋向 $+\infty$ ,不能用两端异号。个数问题只能靠"求导 → 分出单调段 → 每段数一个"。$f'=2x-2^x\ln2$ 里 $x$ 与 $2^x$ 混着,还需再求一次导看 $f'$ 的走势。
|
||||
|
||||
**解**:记 $f(x)=x^2-2^x$ 。
|
||||
|
||||
$f'(x)=2x-2^x\ln2$ ,$f''(x)=2-2^x(\ln2)^2$ 。
|
||||
|
||||
$f''(x)=0$ 仅当 $2^x=\frac{2}{(\ln2)^2}$ ,即 $x_0=1-2\log_2\ln2\approx2.06$ 。故 $f'$ 在 $(-\infty,x_0)$ 递增、在 $(x_0,+\infty)$ 递减。
|
||||
|
||||
看 $f'$ 的符号:$f'(0)=-\ln2<0$ ;$f'(2)=4-4\ln2>0$ ;$f'(4)=8-16\ln2<0$ 。所以 $f'$ 在 $(-\infty,2)$ 内有一个零点 $x_1$ ,在 $(3,4)$ 内有一个零点 $x_2$ ,且 $x_1<x_0<x_2$ 。
|
||||
|
||||
于是 $f$ 在 $(-\infty,x_1)$ 递减、$(x_1,x_2)$ 递增、$(x_2,+\infty)$ 递减。
|
||||
|
||||
- 左支:$f(-1)=\frac12>0$ ,$f\left(-\frac12\right)=\frac14-\frac{\sqrt2}{2}<0$ ,故 $(-1,-\frac12)$ 内有一个根;
|
||||
- 中支:$f(2)=0$ 恰是根,且 $f(x_1)<f(2)=0$ 说明 $x_1$ 处取到负的极小值,中支上除 $x=2$ 无其他根;
|
||||
- 右支:$f(4)=0$ 恰是根,$f(x_2)>f(3)=1>0$ ,右支递减到 $-\infty$ ,只此一根。
|
||||
|
||||
三个根:约 $-0.767$ 、$2$ 、$4$ 。
|
||||
|
||||
**带走结论**:两端同号时零点定理失效,**改用"极值点的符号 + 单调段"**。数根个数的完整链条是:求 $f'$ 的零点 → 分段 → 每段两端符号 → 段内至多一个。
|
||||
|
||||
> **关联** · 盘点 [§1.3 零点定理](01-知识点盘点.md#user-content-13-零点定理) | 上游 [点 1 题 2](02-点1-连续函数四大定理.md#user-content-题-2--13先判存在再判唯一) | 下游 [点 1 题 5](02-点1-连续函数四大定理.md#user-content-题-5--13极限条件怎样变成某点的符号) | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 1.2:加权平均也能取到(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续。证明存在 $\xi\in[0,1]$ 使
|
||||
>
|
||||
> $$f(\xi)=\frac{f(0)+2f\left(\frac12\right)+3f(1)}{6}.$$
|
||||
|
||||
**怎么想**:右边是一个权重为 $\frac16,\frac13,\frac12$ 的加权平均,权重和等于 $1$ ,所以它必然夹在 $f$ 的最小值与最大值之间。这正是介值定理,不需要平均值定理。
|
||||
|
||||
**解**:设 $m,M$ 为 $f$ 在 $[0,1]$ 上的最小值与最大值,则
|
||||
|
||||
$$m\le f(0)\le M,\quad m\le f\left(\tfrac12\right)\le M,\quad m\le f(1)\le M .$$
|
||||
|
||||
分别乘 $\frac16,\frac13,\frac12$ 后相加(权重为正,方向不变):
|
||||
|
||||
$$m\cdot\left(\frac16+\frac13+\frac12\right)\le\frac{f(0)+2f\left(\frac12\right)+3f(1)}{6}\le M\cdot\left(\frac16+\frac13+\frac12\right),$$
|
||||
|
||||
即 $m\le\frac{f(0)+2f\left(\frac12\right)+3f(1)}{6}\le M$ 。由介值定理,存在 $\xi\in[0,1]$ 使 $f(\xi)$ 等于这个值。
|
||||
|
||||
**带走结论**:**权重和必须等于 $1$ 才行**,此时加权平均必在 $[m,M]$ 内。反过来,任何"系数和等于 1 的线性组合"都能这样处理——这是积分中值定理的离散版本。
|
||||
|
||||
> **关联** · 盘点 [§1.2 介值定理与平均值定理](01-知识点盘点.md#user-content-12-介值定理与平均值定理) | 上游 — | 下游 — | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 1.3:极限条件怎样变成某点的符号(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上二阶可导,$f(1)>0$ ,且 $\lim_{x\to0^+}\frac{f(x)}{x}<0$ 。证明 $f(x)=0$ 在 $(0,1)$ 内至少有一个实根。
|
||||
|
||||
**怎么想**:没有给 $f(0)$ 的值,只给了一个极限。极限小于零意味着 $x$ 接近 $0$ 时 $f(x)$ 与 $x$ 异号,而 $x>0$ ,所以 $f(x)<0$ 。把这句话写成 $\varepsilon$ 语言,就得到"某点取负值",再与 $f(1)>0$ 配成异号。
|
||||
|
||||
**解**:设 $L=\lim_{x\to0^+}\frac{f(x)}{x}<0$ 。取 $\varepsilon=-\frac L2>0$ ,存在 $\delta>0$ ,当 $0<x<\delta$ 时
|
||||
|
||||
$$\frac{f(x)}{x}<L+\varepsilon=\frac L2<0 .$$
|
||||
|
||||
因 $x>0$ ,两边乘 $x$ 得 $f(x)<0$ 。取 $x_0=\min\left\{\frac\delta2,\frac12\right\}$ ,则 $x_0\in(0,1)$ 且 $f(x_0)<0<f(1)$ 。
|
||||
|
||||
$f$ 在 $[x_0,1]$ 上连续,$f(x_0)f(1)<0$ ,由零点定理,存在 $\xi\in(x_0,1)\subset(0,1)$ 使 $f(\xi)=0$ 。
|
||||
|
||||
**带走结论**:**题目给的极限条件,作用是代替缺失的函数值**。写答案时一定要把 $\varepsilon$ 那句写出来,只写"显然 $f(x)<0$ "要扣分——这是 2017·18 的标准失分点。
|
||||
|
||||
> **关联** · 盘点 [§1.3 零点定理](01-知识点盘点.md#user-content-13-零点定理) | 上游 [点 1 题 2](02-点1-连续函数四大定理.md#user-content-题-2--13先判存在再判唯一)、[点 1 题 3](02-点1-连续函数四大定理.md#user-content-题-3--13零点个数由单调性分段数) | 下游 — | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 1.4:达布定理与它的两条推论(★★★)
|
||||
|
||||
> 设 $f$ 在 $[a,b]$ 上可导,$f'(a)<f'(b)$ ,$k$ 满足 $f'(a)<k<f'(b)$ 。
|
||||
> (Ⅰ)证明存在 $\xi\in(a,b)$ 使 $f'(\xi)=k$ ;
|
||||
> (Ⅱ)证明:若 $f'(x)$ 在 $[a,b]$ 上不取零,则 $f$ 在 $[a,b]$ 上严格单调;
|
||||
> (Ⅲ)由此说明 $f'(x)$ 不可能有跳跃间断点。
|
||||
|
||||
**怎么想**:(Ⅰ)把 $k$ 吸收进函数,$F=f-kx$ ,则 $F'$ 在两端异号。$F'$ 异号能推出端点不是最小值点,于是最小值落在内部,费马引理收尾。(Ⅱ)是(Ⅰ)的直接推论:不取零 + 取遍中间值 ⇒ 恒正或恒负。(Ⅲ)反证,跳跃间断意味着中间值取不到。
|
||||
|
||||
**解**:(Ⅰ)令 $F(x)=f(x)-kx$ ,$F$ 在 $[a,b]$ 上可导,故连续,由最值定理取到最小值。
|
||||
|
||||
$F'(a)=f'(a)-k<0$ ,按导数定义,存在 $x_1>a$ 使 $\frac{F(x_1)-F(a)}{x_1-a}<0$ ,即 $F(x_1)<F(a)$ ,故 $a$ 不是最小值点。同理由 $F'(b)>0$ 知 $b$ 不是最小值点。
|
||||
|
||||
于是最小值在某点 $\xi\in(a,b)$ 取到,$\xi$ 是内点且 $F'(\xi)$ 存在,费马引理给 $F'(\xi)=0$ ,即 $f'(\xi)=k$ 。
|
||||
|
||||
(Ⅱ)反证。若存在 $x_1,x_2$ 使 $f'(x_1)<0<f'(x_2)$ ,对 $x_1,x_2$ 之间的区间用(Ⅰ)(取 $k=0$ )得某点导数为零,与"不取零"矛盾。所以 $f'$ 恒正或恒负,$f$ 严格单调。
|
||||
|
||||
(Ⅲ)若 $f'$ 在 $x_0$ 有跳跃间断,即 $f'(x_0-)$ 与 $f'(x_0+)$ 都存在且不相等,取 $k$ 严格夹在两者之间。在 $x_0$ 左侧邻近的点导数 $<k$ ,右侧邻近的点导数 $>k$ ,由(Ⅰ)必在某点导数为 $k$ ,但该值介于两侧极限之间,不可能被取到,矛盾。故 $f'$ 无第一类间断点。
|
||||
|
||||
**带走结论**:达布定理的用法只有一句——**"$f'$ 取到任意两个导数值之间的一切值"**。它把"连续函数的介值性"搬到了导函数上,是"导数不取零 ⇒ 单调"和"导函数无第一类间断"这两条常用结论的唯一依据。
|
||||
|
||||
> **关联** · 盘点 [§1.4 导函数的介值性](01-知识点盘点.md#user-content-14-导函数的介值性) | 上游 — | 下游 — | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
|
||||
### 题 7 · 1.5:费马引理的三条件(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导,且 $f$ 在 $(a,b)$ 内某点 $x_0$ 取到最大值。证明 $f'(x_0)=0$ ,并回答:若最大值在端点取到,结论是否还成立?
|
||||
|
||||
**怎么想**:$x_0$ 是内点,取最大值意味着 $x_0$ 是极大值点,直接套费马引理。端点的情形只需一个反例。
|
||||
|
||||
**解**:$x_0\in(a,b)$ 是内点,$f(x_0)\ge f(x)$ 对 $x_0$ 的某邻域内一切 $x$ 成立,故 $x_0$ 是极大值点。又 $f'(x_0)$ 存在,由费马引理 $f'(x_0)=0$ 。
|
||||
|
||||
端点不成立。取 $f(x)=x$ 在 $[0,1]$ 上,最大值在 $x=1$ 取到,但 $f'(1)=1\ne0$ 。原因是费马引理只对内点有效:端点只有单侧邻域,作不出"两侧差商异号"的论证。
|
||||
|
||||
再补一例说明"可导"也不能少:$f(x)=\lvert x\rvert$ 在 $(-1,1)$ 上于 $x=0$ 取最小值,但 $f'(0)$ 不存在。
|
||||
|
||||
**带走结论**:**内点、极值、可导三条同时成立,才有 $f'=0$ 这个结论**。罗尔定理的证明正是在 $f(a)=f(b)$ 时把"最大值点"从端点挪到内点——因为端点值相等,最大值若在端点取到,另一端点也同样取到,取其中靠内的那侧即可。
|
||||
|
||||
> **关联** · 盘点 [§1.5 费马引理](01-知识点盘点.md#user-content-15-费马引理) | 上游 — | 下游 — | 速查 [八 连续四定理](10-速查卡.md#user-content-八-连续四定理)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,202 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 罗尔定理]
|
||||
专题: 高等数学 · 中值定理 · 点2 罗尔定理与辅助函数
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(2.1 罗尔三条件与推广、2.2 结论反推四步、2.3 六类辅助函数、2.4 罗尔逆用,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 2 罗尔定理与辅助函数
|
||||
|
||||
> 真题锚点:2017·18(10 分,第 Ⅱ 问的构造)、2023·20、2024·19|重要度 ★★★
|
||||
> 依赖:点 1(最值定理 + 费马引理)。盘点对应:§2 全节。
|
||||
|
||||
**组织原则**:罗尔定理本身只有一句话,难点全在"**造辅助函数**"。所以 2.2 先给一条能机械执行的反推流程,2.3 给一张六类对照表——考场上遇到没见过的新式子,按流程走一遍基本能凑出来。题目按"直接 → 因子 → 一般式 → 逆用 → 推广"排列。难度:★☆☆ 1 题、★★☆ 2 题、★★★ 3 题。
|
||||
|
||||
## 知识点 2.1 罗尔定理与两种推广(出处:[知识章 applications-of-derivatives.tex §2.1](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
**罗尔定理**:设 $f$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导,且 $f(a)=f(b)$ ,则存在 $\xi\in(a,b)$ 使 $f'(\xi)=0$ 。
|
||||
|
||||
**证明**(考过,要知道):$f$ 在 $[a,b]$ 连续,由最值定理取到最大值 $M$ 与最小值 $m$ 。
|
||||
|
||||
- 若 $M=m$ ,$f$ 恒为常数,任取 $\xi$ 都有 $f'(\xi)=0$ ;
|
||||
- 若 $M>m$ ,因 $f(a)=f(b)$ ,最大值与最小值中至少有一个**不在端点取到**(若两者都在端点,则 $f(a)=f(b)$ 同时等于 $M$ 与 $m$ ,矛盾),设这个值在 $\xi\in(a,b)$ 取到,$\xi$ 是内点极值点,费马引理给 $f'(\xi)=0$ 。
|
||||
|
||||
**两个推广,都是把"端点函数值相等"换成别的条件**:
|
||||
|
||||
| 推广 | 条件 | 结论 |
|
||||
|---|---|---|
|
||||
| 极限相等 | $f$ 在 $(a,b)$ 可导,$\lim_{x\to a^+}f=\lim_{x\to b^-}f=A$ ($A$ 可为 $\pm\infty$ ) | 存在 $\xi$ 使 $f'(\xi)=0$ |
|
||||
| 无穷区间 | $f$ 在 $(a,+\infty)$ 可导,$\lim_{x\to a^+}f=\lim_{x\to+\infty}f=A$ | 存在 $\xi$ 使 $f'(\xi)=0$ |
|
||||
|
||||
证法统一:极限相等意味着 $f$ 在区间内部必取到"等值"的两点(或取到极值),于是回到罗尔。**$A=\pm\infty$ 也成立**,因为此时最小值(或最大值)一定在内部取到。
|
||||
|
||||
## 知识点 2.2 结论反推四步(出处:本讲方法论,参考仓库未单列)
|
||||
|
||||
考题从不直接说"用罗尔",它只说"证明存在 $\xi$ 使(某个式子)$=0$ "。要走的路是**把结论变形为"某个函数的导数在 $\xi$ 处为零"**。四步固定:
|
||||
|
||||
| 步 | 动作 | 例(要证 $f'(\xi)+2\xi f(\xi)=0$ ) |
|
||||
|---|---|---|
|
||||
| 1 | 把 $\xi$ 全部换成 $x$ ,移项使一端为 $0$ | $\Phi(x)=f'(x)+2xf(x)$ |
|
||||
| 2 | 判断 $\Phi$ 是否已是某个 $F$ 的导数 | 不是($f'$ 与 $f$ 同时出现,无法直接积分) |
|
||||
| 3 | 乘积分因子 $\mu(x)$ ,使 $\mu\Phi$ 成为 $(\mu f)'$ 的展开式 | 取 $\mu=e^{x^2}$ ,则 $e^{x^2}\Phi=(f e^{x^2})'$ |
|
||||
| 4 | 验 $F$ 在两端相等,套罗尔 | $F=f e^{x^2}$ ,需 $f(a)=f(b)=0$ 或另给条件 |
|
||||
|
||||
**第 3 步才是真功夫**。判据只有一句:**看到 $f'$ 与 $f$ 的线性组合,就想"乘积求导"**。因为
|
||||
|
||||
$$(\mu f)'=\mu f'+\mu' f ,$$
|
||||
|
||||
要让 $\mu f'+\mu'f$ 与 $\mu(f'+\lambda f)$ 成比例,只需 $\frac{\mu'}{\mu}=\lambda$ ,即 $\mu=e^{\int\lambda\,\mathrm dx}$ 。这就是所有"乘积因子"的来源,不必背。
|
||||
|
||||
## 知识点 2.3 六类辅助函数对照表(出处:同上 §2.1,题型归纳)
|
||||
|
||||
| 要证的结论($f$ 出现在其中) | 辅助函数 $F$ | 为什么 |
|
||||
|---|---|---|
|
||||
| $f'(\xi)=0$ | $f$ | 罗尔本身 |
|
||||
| $f'(\xi)+\lambda f(\xi)=0$ ($\lambda$ 常数) | $f e^{\lambda x}$ | $(fe^{\lambda x})'=e^{\lambda x}(f'+\lambda f)$ |
|
||||
| $f'(\xi)+g'(\xi)f(\xi)=0$ | $f e^{g(x)}$ | 同上,$\lambda$ 换成 $g'$ |
|
||||
| $\xi f'(\xi)+kf(\xi)=0$ | $x^kf$ | $(x^kf)'=x^{k-1}(xf'+kf)$ ,$x>0$ 时不影响零点 |
|
||||
| $f(\xi)f''(\xi)+[f'(\xi)]^2=0$ | $ff'$ | $(ff')'=f'^2+ff''$ |
|
||||
| $f'(\xi)=\dfrac{f(\xi)}{b-\xi}$ | $f(x)(b-x)$ | $(f(b-x))'=f'(b-x)-f$ |
|
||||
|
||||
**两条使用提醒**:
|
||||
|
||||
1. 表中的 $k$ **可以是负数、也可以是分数**,只要 $x>0$ 。若区间含 $0$ ,$x^k$ 在 $0$ 处可能无意义,此时改用 $e^{k\ln x}$ 型的变体或换区间。
|
||||
2. 第一列必须是**含 $\xi$ 的等式**。若结论里 $\xi$ 和 $a,b$ 混在一起(如 $f'(\xi)=\frac{f(b)-f(a)}{b-a}$ ),先用"分离常数"把 $a,b$ 挪到一边,再按本表处理——这类属于点 8 的内容。
|
||||
|
||||
## 知识点 2.4 罗尔定理的逆用(出处:同上 §2.1)
|
||||
|
||||
罗尔定理是"存在性"定理,但**逆否命题**同样是工具:若 $f'$ 在 $(a,b)$ 内没有零点,则 $f$ 在 $(a,b)$ 内不能有两个相等值。
|
||||
|
||||
用法两条:
|
||||
|
||||
- **证唯一性**:先由零点定理得存在,再设两个根 $x_1<x_2$ ,对 $[x_1,x_2]$ 用罗尔得 $f'(\xi)=0$ ,与 $f'$ 无零点矛盾。
|
||||
- **证"至多 $n$ 个根"**:若 $f$ 有 $n+1$ 个零点,反复用罗尔,$f^{(n)}$ 至少有一个零点。所以"$f^{(n)}$ 无零点"$\Rightarrow$ "$f$ 至多 $n$ 个零点"。
|
||||
|
||||
**注意方向**:$f'$ 有零点推不出 $f$ 有两个零点($f=x^3$ 在 $0$ 处 $f'=0$ 但只有一个零点)。逆用只在"反证"这一侧成立。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1 直接套罗尔,题 2 逆用证唯一,题 3、4 是两类乘积因子,题 5 是含抽象函数的因子,题 6 是推广形式。
|
||||
|
||||
### 题 1 · 2.1:罗尔定理的三个条件逐条对(★☆☆)
|
||||
|
||||
> 设 $f$ 在 $[0,2]$ 上连续,在 $(0,2)$ 内可导,$f(0)=f(2)=0$ 。证明存在 $\xi\in(0,2)$ 使 $f'(\xi)=0$ 。若把 $f(0)=f(2)$ 换成 $f(0)=f(2)=1$ ,结论是否仍成立?
|
||||
|
||||
**怎么想**:三条件齐备,直接套。换成 $1$ 后仍相等,当然成立——罗尔只要求两端**相等**,不要求为零。
|
||||
|
||||
**解**:$f$ 在 $[0,2]$ 连续、在 $(0,2)$ 可导、$f(0)=f(2)$ ,满足罗尔定理三条件,故存在 $\xi\in(0,2)$ 使 $f'(\xi)=0$ 。
|
||||
|
||||
换成 $f(0)=f(2)=1$ 后,$f(0)=f(2)$ 依然成立,结论不变。
|
||||
|
||||
**带走结论**:罗尔的第三条件是"**两端相等**",不是"两端为零"。题目写成 $f(0)=f(2)=1$ 时不要被数字干扰,也不要自作聪明去构造 $f-1$ 。
|
||||
|
||||
> **关联** · 盘点 [§2.1 罗尔定理与两种推广](01-知识点盘点.md#user-content-21-罗尔定理与两种推广) | 上游 — | 下游 [点 2 题 6](03-点2-罗尔定理与辅助函数.md#user-content-题-6--21罗尔定理的推广) | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 2.4:罗尔逆用证唯一(★★☆)
|
||||
|
||||
> 证明方程 $x^5+x-1=0$ 在 $(0,1)$ 内恰好有一个实根。
|
||||
|
||||
**怎么想**:"恰好一个" $=$ 存在(零点定理)$+$ 至多一个(罗尔逆用)。至多一个的写法是**反证**:假设有两个根,中间必有一点导数为零,而导数恒正。
|
||||
|
||||
**解**:记 $f(x)=x^5+x-1$ ,$f$ 在 $[0,1]$ 连续。$f(0)=-1<0$ ,$f(1)=1>0$ ,故 $(0,1)$ 内至少有一个根。
|
||||
|
||||
再证至多一个。$f'(x)=5x^4+1>0$ 对一切 $x$ 成立,$f'$ 无零点。若 $f$ 在 $(0,1)$ 内有两个根 $x_1<x_2$ ,则 $f(x_1)=f(x_2)=0$ ,$f$ 在 $[x_1,x_2]$ 上满足罗尔定理,存在 $\xi\in(x_1,x_2)$ 使 $f'(\xi)=0$ ,与 $f'>0$ 矛盾。
|
||||
|
||||
故 $(0,1)$ 内恰好一个实根。
|
||||
|
||||
**带走结论**:唯一性证明的固定句式——"**假设有两个根 → 罗尔 → 与 $f'$ 无零点矛盾**"。判 $f'$ 无零点时不必求导数为零的点,直接看出 $f'>0$ 更快。
|
||||
|
||||
> **关联** · 盘点 [§2.4 罗尔定理的逆用](01-知识点盘点.md#user-content-24-罗尔定理的逆用) | 上游 — | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 2.2:指数型因子(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,在 $(0,1)$ 内可导,$f(0)=f(1)=0$ 。证明存在 $\xi\in(0,1)$ 使
|
||||
>
|
||||
> $$f'(\xi)=2\xi f(\xi).$$
|
||||
|
||||
**怎么想**:先把结论整理成 $f'(\xi)-2\xi f(\xi)=0$ ,形式是 $f'+\lambda f$ ,但 $\lambda=-2\xi$ **不是常数**,是 $x$ 的函数。按 2.2 的判据,$\lambda=-2x$ 对应 $\mu=e^{\int-2x\,\mathrm dx}=e^{-x^2}$ 。所以 $F=fe^{-x^2}$ 。
|
||||
|
||||
**解**:令 $F(x)=f(x)e^{-x^2}$ ,$F$ 在 $[0,1]$ 连续、在 $(0,1)$ 可导,且
|
||||
|
||||
$$F(0)=f(0)e^0=0,\qquad F(1)=f(1)e^{-1}=0 .$$
|
||||
|
||||
由罗尔定理,存在 $\xi\in(0,1)$ 使 $F'(\xi)=0$ 。而
|
||||
|
||||
$$F'(x)=e^{-x^2}\left[f'(x)-2xf(x)\right],$$
|
||||
|
||||
$e^{-x^2}\ne0$ ,故 $f'(\xi)-2\xi f(\xi)=0$ ,即 $f'(\xi)=2\xi f(\xi)$ 。
|
||||
|
||||
**带走结论**:**$\lambda$ 是 $x$ 的函数时,因子照样取 $e^{\int\lambda\,\mathrm dx}$ 这个形式**。这一步不必背公式:把 $\lambda$ 积分一次放到指数上就是 $\mu$ 。本题 $\int-2x\,\mathrm dx=-x^2$ ,所以因子是 $e^{-x^2}$ 。
|
||||
|
||||
> **关联** · 盘点 [§2.2 结论反推四步](01-知识点盘点.md#user-content-22-结论反推四步) | 上游 — | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 2.3:幂函数型因子(★★★)
|
||||
|
||||
> 设 $f$ 在 $[1,2]$ 上连续,在 $(1,2)$ 内可导,$f(1)=f(2)=0$ 。证明存在 $\xi\in(1,2)$ 使
|
||||
>
|
||||
> $$\xi f'(\xi)+2f(\xi)=0 .$$
|
||||
|
||||
**怎么想**:结论是 $\xi f'+2f=0$ ,属于"$\xi f'$ 与 $f$ 的组合"。对照表第四行,$k=2$ ,取 $F=x^2f$ 。验算:$(x^2f)'=2xf+x^2f'=x(2f+xf')$ ,正好是结论乘 $x$ 。
|
||||
|
||||
**解**:令 $F(x)=x^2f(x)$ ,在 $[1,2]$ 上连续、$(1,2)$ 内可导,且 $F(1)=f(1)=0=F(2)$ 。
|
||||
|
||||
由罗尔定理,存在 $\xi\in(1,2)$ 使 $F'(\xi)=0$ ,即
|
||||
|
||||
$$\xi^2f'(\xi)+2\xi f(\xi)=\xi\left[\xi f'(\xi)+2f(\xi)\right]=0 .$$
|
||||
|
||||
因 $\xi\in(1,2)$ ,$\xi\ne0$ ,故 $\xi f'(\xi)+2f(\xi)=0$ 。
|
||||
|
||||
**带走结论**:形如 $\xi f'+kf$ 一律取 $F=x^kf$ 。**注意区间必须不跨 $0$ 这一点**,否则 $x^k$ ($k$ 为负或分数时)可能无定义。本题区间 $[1,2]$ 正是为此设置。
|
||||
|
||||
> **关联** · 盘点 [§2.3 六类辅助函数](01-知识点盘点.md#user-content-23-六类辅助函数) | 上游 — | 下游 [点 2 题 5](03-点2-罗尔定理与辅助函数.md#user-content-题-5--23含抽象函数的一般式) | 速查 [二 辅助函数六类](10-速查卡.md#user-content-二-辅助函数六类)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 2.3:含抽象函数的一般式(★★★)
|
||||
|
||||
> 设 $f,g$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导,$f(a)=f(b)=0$ 。证明存在 $\xi\in(a,b)$ 使
|
||||
>
|
||||
> $$f'(\xi)+g'(\xi)f(\xi)=0 .$$
|
||||
|
||||
**怎么想**:把 $g'$ 看成 2.3 表里的"$\lambda$ ",因子就是 $e^{g(x)}$ 。验算 $(fe^{g})'=e^{g}(f'+g'f)$ ,正好。
|
||||
|
||||
**解**:令 $F(x)=f(x)e^{g(x)}$ 。$F$ 在 $[a,b]$ 上连续、$(a,b)$ 内可导,且 $F(a)=F(b)=0$ 。
|
||||
|
||||
由罗尔定理,存在 $\xi\in(a,b)$ 使 $F'(\xi)=0$ 。而
|
||||
|
||||
$$F'(x)=e^{g(x)}\left[f'(x)+g'(x)f(x)\right],\qquad e^{g(x)}>0,$$
|
||||
|
||||
故 $f'(\xi)+g'(\xi)f(\xi)=0$ 。
|
||||
|
||||
**带走结论**:这是**所有乘积因子的母公式**。取 $g=\lambda x$ 得 $e^{\lambda x}$ ,取 $g=-x^2$ 得 $e^{-x^2}$ 。反过来看,考场上只要结论里出现"$f'$ 加上一个东西乘 $f$ ",就把那个东西积分放到 $e$ 的指数上。
|
||||
|
||||
> **关联** · 盘点 [§2.3 六类辅助函数](01-知识点盘点.md#user-content-23-六类辅助函数) | 上游 [点 2 题 4](03-点2-罗尔定理与辅助函数.md#user-content-题-4--23幂函数型因子) | 下游 — | 速查 [二 辅助函数六类](10-速查卡.md#user-content-二-辅助函数六类)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 2.1:罗尔定理的推广(★★★)
|
||||
|
||||
> 设 $f$ 在 $\mathbb{R}$ 上可导,且 $\lim_{x\to-\infty}f(x)=\lim_{x\to+\infty}f(x)=A$ ($A$ 为有限数)。证明存在 $\xi\in\mathbb{R}$ 使 $f'(\xi)=0$ 。
|
||||
|
||||
**怎么想**:两端趋同一直,说明 $f$ 不可能一直单调——若 $f$ 在某点比 $A$ 大,就必有"升上去再降回来"的峰;若处处等于 $A$ ,直接取任意点。严格写法可以避开分类:先说明 $f$ 在 $\mathbb{R}$ 上取到最大值或最小值(且不是常数),再用费马。
|
||||
|
||||
**解**:若 $f$ 恒等于 $A$ ,则 $f'\equiv0$ ,任取 $\xi$ 即可。
|
||||
|
||||
否则存在 $x_0$ 使 $f(x_0)\ne A$ ,不妨设 $f(x_0)>A$ (小于 $A$ 的情形同理,改成看最小值)。取 $\varepsilon=\frac{f(x_0)-A}{2}>0$ ,由极限条件,存在 $X>|x_0|$ ,当 $|x|>X$ 时 $f(x)<A+\varepsilon<f(x_0)$ 。
|
||||
|
||||
于是 $f$ 在 $[-X,X]$ 上的最大值不小于 $f(x_0)$ ,而区间外的值都严格小于 $f(x_0)$ ,故 $f$ 在 $\mathbb{R}$ 上的最大值在 $(-X,X)$ 内某点 $\xi$ 取到。$\xi$ 是内点,$f'(\xi)$ 存在,由费马引理 $f'(\xi)=0$ 。
|
||||
|
||||
**带走结论**:**"两端极限相等"要翻译成"内部取到最值"**,而不是直接说"用罗尔"。写 $\varepsilon$ 那一步是为了保证最值点确实落在有限区间内,这一步是本题唯一的给分点。
|
||||
|
||||
> **关联** · 盘点 [§2.1 罗尔定理与两种推广](01-知识点盘点.md#user-content-21-罗尔定理与两种推广) | 上游 [点 2 题 1](03-点2-罗尔定理与辅助函数.md#user-content-题-1--21罗尔定理的三个条件逐条对) | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,218 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 拉格朗日]
|
||||
专题: 高等数学 · 中值定理 · 点3 拉格朗日中值定理
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(3.1 三种写法、3.2 不等式的三条路、3.3 极限的严格化、3.4 导数界估计,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 3 拉格朗日中值定理
|
||||
|
||||
> 真题锚点:2020·19(10 分,两问全在这里)|重要度 ★★★
|
||||
> 依赖:点 2(罗尔,拉格朗日由它推出)。盘点对应:§3 全节。
|
||||
|
||||
**组织原则**:拉格朗日是**考得最多、也最容易被用错**的一个。用错的方式只有一种:把 $\xi$ 当成可以指定的点。所以 3.1 先把三种写法摆齐,3.2 讲"不知道 $\xi$ 在哪,怎么还能得到精确不等式",3.3 讲它在极限题里的作用,3.4 是 2020·19 的两问。难度:★☆☆ 1 题、★★☆ 2 题、★★★ 3 题。
|
||||
|
||||
## 知识点 3.1 定理与三种等价写法(出处:[知识章 applications-of-derivatives.tex §2.2](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
**拉格朗日中值定理**:$f$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导,则存在 $\xi\in(a,b)$ 使
|
||||
|
||||
$$f(b)-f(a)=f'(\xi)(b-a).$$
|
||||
|
||||
**由罗尔推出**(考过):令 $F(x)=f(x)-f(a)-\frac{f(b)-f(a)}{b-a}(x-a)$ ,$F$ 就是"$f$ 减去过两端点的弦",$F(a)=F(b)=0$ ,罗尔给 $F'(\xi)=0$ ,即 $f'(\xi)=\frac{f(b)-f(a)}{b-a}$ 。
|
||||
|
||||
**三种写法,按场合选**:
|
||||
|
||||
| 写法 | 形式 | 适用 |
|
||||
|---|---|---|
|
||||
| 增量式 | $f(b)-f(a)=f'(\xi)(b-a)$ | 证不等式、估值 |
|
||||
| 局部式 | $f(x+\Delta x)-f(x)=f'(\xi)\Delta x$ | 极限题、$\Delta x\to0$ |
|
||||
| 中值式 | $f(b)-f(a)=f'\left[a+\theta(b-a)\right]\,(b-a)$ ,$0<\theta<1$ | 需要强调"中值点在线段内部"时 |
|
||||
|
||||
**几何意义**:曲线上至少有一点的切线平行于弦。**$\xi$ 只能保证存在,不能指定**——这是它与"平均值"的区别,也是所有不等式证明的出发点:$\xi$ 未知,但 $\xi$ 的范围已知($\xi$ 在 $a$ 与 $b$ 之间),于是 $f'(\xi)$ 的范围可知。
|
||||
|
||||
**推论(常被单独考)**:$f$ 在区间 $I$ 上连续、内部可导,则 $f$ 在 $I$ 上为常数 $\iff$ $f'\equiv0$ 于 $I$ 。证明用拉格朗日:任取两点,$f(x_2)-f(x_1)=f'(\xi)(x_2-x_1)=0$ 。
|
||||
|
||||
## 知识点 3.2 用中值定理证不等式的三条路(出处:同上 §2.2 推论与例题)
|
||||
|
||||
不等式题看到"$f(b)-f(a)$ "或"两个同类量之差",就走这三条之一:
|
||||
|
||||
| 路 | 做法 | 典型 |
|
||||
|---|---|---|
|
||||
| **夹住中值点** | 写出 $f'(\xi)$ ,用 $\xi$ 落在区间内把 $f'(\xi)$ 放大或缩小 | $\frac{x}{1+x}<\ln(1+x)<x$ |
|
||||
| **控增量** | 已知 $\lvert f'\rvert\le M$ ,则 $\lvert f(b)-f(a)\rvert\le M\lvert b-a\rvert$ | $\lvert\sin x-\sin y\rvert\le\lvert x-y\rvert$ |
|
||||
| **转单调** | 把待证式移项成 $G(x)\ge0$ ,证 $G$ 单调(这已不是中值定理,见点 8) | $e^x>1+x$ |
|
||||
|
||||
**第一路的操作细节**:设 $f'$ 在区间上单调,则 $f'(\xi)$ 夹在 $f'(a)$ 与 $f'(b)$ 之间。若 $f'$ 不单调,就用 $\xi$ 的**位置**直接放缩(如 $\frac{1}{\xi}$ 在 $1<\xi<1+x$ 时夹在 $\frac{1}{1+x}$ 与 $1$ 之间)。判据:**先看 $f'$ 的单调性,再决定用端点值还是用不等式**。
|
||||
|
||||
**一个常见错误**:把 $f'(\xi)$ 直接换成 $f'(a)$ 或 $f'(b)$ 写等号。**只能用不等号**,因为 $\xi$ 严格在内部(除非函数是直线)。
|
||||
|
||||
## 知识点 3.3 用中值定理给极限提供严格依据(出处:同上)
|
||||
|
||||
求 $\lim\left[\varphi(x+1)-\varphi(x)\right]\cdot g(x)$ 这类极限时,先对 $\varphi$ 用拉格朗日:
|
||||
|
||||
$$\varphi(x+1)-\varphi(x)=\varphi'(\xi),\qquad \xi\in(x,x+1),$$
|
||||
|
||||
再把 $g(x)$ 改写成用 $\xi$ 表示(因为 $x\to+\infty$ 时 $\frac{\xi}{x}\to1$ ,可以把 $x$ 换成 $\xi$ 而不改变极限)。**这一步的作用是把"两点之差"变成一个点的导数值**,之后按普通极限算。
|
||||
|
||||
**注意**:不能写成 $\varphi'(\xi)$ 后直接说 $\xi\to+\infty$ 所以 $\varphi'(\xi)\to$ 某值——必须先验证 $\varphi'$ 在无穷远处有极限,否则 $\xi$ 的走向不能控制。本题型的安全做法是**把 $\xi$ 夹在 $x$ 与 $x+1$ 之间,用夹逼处理所有含 $\xi$ 的因子**。
|
||||
|
||||
## 知识点 3.4 由导数界估计函数值(出处:同上 §2.2 有限增量公式)
|
||||
|
||||
**有限增量公式**:$\Delta y=f'(x_0+\theta\Delta x)\Delta x$ ,$0<\theta<1$ 。它把增量写成**精确等式**(不是微分近似),代价是 $\theta$ 未知。
|
||||
|
||||
三条常用推论:
|
||||
|
||||
1. **李普希茨型**:$\lvert f'\rvert\le M$ $\Rightarrow$ $\lvert f(x)-f(y)\rvert\le M\lvert x-y\rvert$ ;
|
||||
2. **零点处估计**:若 $f(x_0)=0$ 且 $\lvert f'\rvert\le M$ ,则 $\lvert f(x)\rvert\le M\lvert x-x_0\rvert$ ;
|
||||
3. **常数判定**:$\lvert f'\rvert\le M$ 且 $f$ 在无穷远处有界,不能推出 $f$ 为常数(反例 $f=\sin x$ ),必须 $M=0$ 才行。
|
||||
|
||||
**证"$M=0$ "型结论的套路**:设 $M>0$ 导出矛盾。矛盾通常来自"在两个不同区间上分别用中值定理,得到两个都 $\ge M$ 的导数值,再与 $f'$ 连续或 $f'$ 的符号冲突"。2020·19 第 Ⅱ 问就是这条路,而且**必须用上"导数连续"**——这一点常被忽略。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1 是控增量,题 2 是夹 $\xi$ 的经典三明治,题 3、4 是 2020·19 的两问,题 5 是极限的严格化,题 6 是极值点两侧各用一次。
|
||||
|
||||
### 题 1 · 3.2:控增量(★☆☆)
|
||||
|
||||
> 证明对任意实数 $x,y$ 有 $\lvert\sin x-\sin y\rvert\le\lvert x-y\rvert$ 。
|
||||
|
||||
**怎么想**:左边是"两点函数值之差",右边是"自变量之差",正好是拉格朗日的形状。$\lvert(\sin)'\rvert=\lvert\cos\rvert\le1$ ,界就出来了。
|
||||
|
||||
**解**:$x=y$ 时两边为 $0$ ,成立。设 $x<y$ ,$f(t)=\sin t$ 在 $[x,y]$ 上连续、$(x,y)$ 内可导,由拉格朗日定理,存在 $\xi\in(x,y)$ 使
|
||||
|
||||
$$\sin y-\sin x=\cos\xi\cdot(y-x).$$
|
||||
|
||||
取绝对值:$\lvert\sin y-\sin x\rvert=\lvert\cos\xi\rvert\cdot\lvert y-x\rvert\le\lvert y-x\rvert$ 。$x>y$ 时对称处理。
|
||||
|
||||
**带走结论**:**看到"$\lvert f(x)-f(y)\rvert\le M\lvert x-y\rvert$ "就是李普希茨**,证法固定为"拉格朗日 + 估计 $\lvert f'\rvert$ 的上界"。这也是判断一个函数是否一致连续的最快方式。
|
||||
|
||||
> **关联** · 盘点 [§3.2 不等式的三条路](01-知识点盘点.md#user-content-32-不等式的三条路) | 上游 — | 下游 [点 3 题 2](04-点3-拉格朗日中值定理.md#user-content-题-2--32把中值点夹在两端)、[点 3 题 6](04-点3-拉格朗日中值定理.md#user-content-题-6--32极值点两侧各用一次) | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 3.2:把中值点夹在两端(★★☆)
|
||||
|
||||
> 设 $0<a<b$ 。证明
|
||||
>
|
||||
> $$1-\frac ab<\ln\frac ba<\frac ba-1 .$$
|
||||
|
||||
**怎么想**:$\ln\frac ba=\ln b-\ln a$ 是两点的函数值之差,取 $f(t)=\ln t$ ,则 $f'(\xi)=\frac1\xi$ ,而 $\xi\in(a,b)$ 给出 $\frac1b<\frac1\xi<\frac1a$ 。两边乘 $b-a>0$ 就得到结论。
|
||||
|
||||
**解**:$f(t)=\ln t$ 在 $[a,b]$ 上连续、$(a,b)$ 内可导,由拉格朗日定理,存在 $\xi\in(a,b)$ 使
|
||||
|
||||
$$\ln b-\ln a=\frac{b-a}{\xi}.$$
|
||||
|
||||
由 $a<\xi<b$ 得 $\frac1b<\frac1\xi<\frac1a$ ,三边同乘正数 $b-a$ :
|
||||
|
||||
$$\frac{b-a}{b}<\ln\frac ba<\frac{b-a}{a}.$$
|
||||
|
||||
左端 $\frac{b-a}{b}=1-\frac ab$ ,右端 $\frac{b-a}{a}=\frac ba-1$ ,即为所求。
|
||||
|
||||
**带走结论**:**$\frac1\xi$ 的夹逼方向由 $\xi$ 的位置定**:$\xi$ 越大,$\frac1\xi$ 越小。写答案时先把 $\xi$ 的范围写成不等式链,再乘正数,方向就不会错。
|
||||
|
||||
> **关联** · 盘点 [§3.2 不等式的三条路](01-知识点盘点.md#user-content-32-不等式的三条路) | 上游 [点 3 题 1](04-点3-拉格朗日中值定理.md#user-content-题-1--32控增量) | 下游 [点 3 题 6](04-点3-拉格朗日中值定理.md#user-content-题-6--32极值点两侧各用一次) | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 3.4:2020·19 第 Ⅰ 问(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,2]$ 上具有连续导数,$f(0)=f(2)=0$ ,$M=\max_{x\in[0,2]}\lvert f(x)\rvert$ 。证明存在 $\xi\in(0,2)$ 使 $\lvert f'(\xi)\rvert\ge M$ 。
|
||||
|
||||
**怎么想**:$M$ 是某个点上的函数值,而 $f(0)=f(2)=0$ ,所以"从 0 爬到 $M$ "和"从 $M$ 落回 0"这两段各给一个导数值,斜率分别是 $\frac{M}{x_0}$ 与 $\frac{M}{2-x_0}$ 。两段长度和为 $2$ ,不可能两段斜率都小于 $M$ ——至少一个是 $\ge M$ 。
|
||||
|
||||
**解**:若 $M=0$ ,$f\equiv0$ ,任取 $\xi\in(0,2)$ 都有 $\lvert f'(\xi)\rvert=0=M$ 。
|
||||
|
||||
设 $M>0$ ,取 $x_0\in[0,2]$ 使 $\lvert f(x_0)\rvert=M$ 。因 $f(0)=f(2)=0$ ,$x_0\in(0,2)$ 。
|
||||
|
||||
在 $[0,x_0]$ 与 $[x_0,2]$ 上分别用拉格朗日定理,存在 $\xi_1\in(0,x_0)$ 、$\xi_2\in(x_0,2)$ 使
|
||||
|
||||
$$\lvert f'(\xi_1)\rvert=\frac{\lvert f(x_0)-f(0)\rvert}{x_0}=\frac{M}{x_0},\qquad \lvert f'(\xi_2)\rvert=\frac{\lvert f(2)-f(x_0)\rvert}{2-x_0}=\frac{M}{2-x_0}.$$
|
||||
|
||||
若 $x_0\le1$ ,则 $\lvert f'(\xi_1)\rvert\ge M$ ;若 $x_0>1$ ,则 $2-x_0<1$ ,$\lvert f'(\xi_2)\rvert>M$ 。两种情形都找到了满足要求的点。
|
||||
|
||||
**带走结论**:$M$ 型结论的标准动作是**在"最值点"处把区间劈成两段**,每段各用一次拉格朗日。劈开的位置不是中点,而是最值点本身。
|
||||
|
||||
> **关联** · 盘点 [§3.4 由导数界估计函数](01-知识点盘点.md#user-content-34-由导数界估计函数) | 上游 — | 下游 [点 3 题 4](04-点3-拉格朗日中值定理.md#user-content-题-4--34202019-第-ⅱ-问) | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 3.4:2020·19 第 Ⅱ 问(★★★)
|
||||
|
||||
> 在题 3 的条件下,若对任意 $x\in(0,2)$ 有 $\lvert f'(x)\rvert\le M$ ,证明 $M=0$ 。
|
||||
|
||||
**怎么想**:反证 $M>0$ 。题 3 给 $\lvert f'\rvert$ 能取到 $\ge M$ 的值,题设又给 $\lvert f'\rvert\le M$ ,所以两侧都恰好顶格。**顶格一旦出现,函数被迫成直线**——用"$g=f-Mx$ 单调"捕捉这件事,最后在 $x=1$ 处撞上"导数连续"。
|
||||
|
||||
**解**:反设 $M>0$ ,取 $x_0\in(0,2)$ 使 $f(x_0)=M$ (若 $f(x_0)=-M$ 则对 $-f$ 讨论)。对任意 $x\in(0,2)$ ,拉格朗日给
|
||||
|
||||
$$\lvert f(x)-f(x_0)\rvert=\lvert f'(\eta)\rvert\,\lvert x-x_0\rvert\le M\lvert x-x_0\rvert .$$
|
||||
|
||||
令 $x\to0^+$ ,用 $f(0)=0$ 与连续性:$M\le Mx_0$ ,故 $x_0\ge1$ ;令 $x\to2^-$ :$M\le M(2-x_0)$ ,故 $x_0\le1$ 。于是 $x_0=1$ ,$f(1)=M$ 。
|
||||
|
||||
**定形状**。令 $g(x)=f(x)-Mx$ ,则 $g(0)=0$ ,$g(1)=M-M=0$ ,且 $g'(x)=f'(x)-M\le0$ ,故 $g$ 在 $[0,1]$ 上单调不增。两端为零的单调不增函数恒为零,故 $f(x)=Mx$ ,$x\in[0,1]$ 。
|
||||
|
||||
再令 $h(x)=f(x)+M(x-2)$ ,则 $h(1)=M-M=0$ ,$h(2)=0$ ,$h'(x)=f'(x)+M\ge0$ 单调不减,故 $h\equiv0$ ,即 $f(x)=M(2-x)$ ,$x\in[1,2]$ 。
|
||||
|
||||
**撞矛盾**。于是 $f'(x)=M$ 于 $(0,1)$ ,$f'(x)=-M$ 于 $(1,2)$ 。而 $x=1$ 是内点最大值点、$f$ 可导,费马引理给 $f'(1)=0$ 。这就要求 $f'$ 在 $x=1$ 处的左极限 $M$ 、右极限 $-M$ 与函数值 $0$ 三者相等,不可能(除非 $M=0$ ),与 $f'$ 连续矛盾。故 $M=0$ 。
|
||||
|
||||
**带走结论**:全部重量落在"**顶格迫使函数成直线**",写法是构造 $g=f-Mx$ 用单调性。若考场上只求快,可直接记结论:**$M>0$ 时唯一的候选是帐篷函数 $f=M\min\{x,2-x\}$ ,它的导数在尖点跳跃**,题设的"导数连续"正是为排除它而设。
|
||||
|
||||
> **关联** · 盘点 [§3.4 由导数界估计函数](01-知识点盘点.md#user-content-34-由导数界估计函数) | 上游 [点 3 题 3](04-点3-拉格朗日中值定理.md#user-content-题-3--34202019-第-ⅰ-问) | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 3.3:用中值定理给极限提供依据(★★★)
|
||||
|
||||
> 求极限
|
||||
>
|
||||
> $$\lim_{x\to+\infty}x^2\left[\ln\arctan(x+1)-\ln\arctan x\right].$$
|
||||
|
||||
**怎么想**:方括号里是同一个函数在两点之差,取 $\varphi(t)=\ln\arctan t$ ,用拉格朗日换成 $\varphi'(\xi)$ ,再把 $x^2$ 拆成 $\frac{x^2}{\xi^2}\cdot\xi^2$ ,前一个因子趋于 $1$ ,后一个与 $\varphi'$ 合起来是标准极限。
|
||||
|
||||
**解**:$\varphi(t)=\ln\arctan t$ 在 $[x,x+1]$ 上可导,$\varphi'(t)=\frac{1}{(1+t^2)\arctan t}$ 。由拉格朗日定理,存在 $\xi\in(x,x+1)$ 使
|
||||
|
||||
$$\ln\arctan(x+1)-\ln\arctan x=\frac{1}{(1+\xi^2)\arctan\xi}.$$
|
||||
|
||||
于是
|
||||
|
||||
$$x^2\left[\cdots\right]=\frac{x^2}{(1+\xi^2)\arctan\xi}=\frac{x^2}{\xi^2}\cdot\frac{\xi^2}{1+\xi^2}\cdot\frac{1}{\arctan\xi}.$$
|
||||
|
||||
由 $x<\xi<x+1$ 得 $\frac{x}{x+1}<\frac{x}{\xi}<1$ ,故 $\frac{x^2}{\xi^2}\to1$ ;又 $\frac{\xi^2}{1+\xi^2}\to1$ ,$\arctan\xi\to\frac\pi2$ 。三个因子极限都存在,乘积为
|
||||
|
||||
$$\lim=1\cdot1\cdot\frac{2}{\pi}=\frac{2}{\pi}.$$
|
||||
|
||||
**带走结论**:这类题的两个动作——**拉格朗日把两点差变成一点导数**,**再用比值 $\frac{\xi}{x}\to1$ 做替换**。夹逼那一步不能省,它是"$\xi$ 无控制"这个弱点的补丁。
|
||||
|
||||
> **关联** · 盘点 [§3.3 极限的严格化](01-知识点盘点.md#user-content-33-极限的严格化) | 上游 — | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 3.2:极值点两侧各用一次(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,在 $(0,1)$ 内可导,$f(0)=f(1)=0$ ,且 $f$ 在 $[0,1]$ 上的最大值为 $1$ 。证明存在 $\xi\in(0,1)$ 使 $\lvert f'(\xi)\rvert\ge2$ ,并说明常数 $2$ 为什么不能再放大。
|
||||
|
||||
**怎么想**:最大值点 $x_0$ 把区间劈成两段,两段斜率分别是 $\frac{1}{x_0}$ 与 $\frac{1}{1-x_0}$ 。**把两个斜率相加**比逐个估计更省力:和为 $\frac{1}{x_0(1-x_0)}$ ,而分母的最大值是 $\frac14$ ,所以和 $\ge4$ ,必有一个 $\ge2$ 。
|
||||
|
||||
**解**:设 $f(x_0)=1$ ,由 $f(0)=f(1)=0$ 知 $x_0\in(0,1)$ 。在 $[0,x_0]$ 与 $[x_0,1]$ 上用拉格朗日,存在 $\xi_1\in(0,x_0)$ 、$\xi_2\in(x_0,1)$ 使
|
||||
|
||||
$$\lvert f'(\xi_1)\rvert=\frac{1}{x_0},\qquad \lvert f'(\xi_2)\rvert=\frac{1}{1-x_0}.$$
|
||||
|
||||
两式相加,并注意 $x_0(1-x_0)\le\frac14$ :
|
||||
|
||||
$$\lvert f'(\xi_1)\rvert+\lvert f'(\xi_2)\rvert=\frac{1}{x_0}+\frac{1}{1-x_0}=\frac{1}{x_0(1-x_0)}\ge4 .$$
|
||||
|
||||
两个非负数之和 $\ge4$ ,至少有一个 $\ge2$ ,取相应的点为 $\xi$ 即可。
|
||||
|
||||
**常数 $2$ 不能放大**:取 $f(x)=1-\lvert2x-1\rvert$ ,它在 $x=\frac12$ 取最大值 $1$ ,两侧斜率恰为 $\pm2$ ,只是 $\frac12$ 处不可导。把尖峰磨圆(在 $\left[\frac12-\delta,\frac12+\delta\right]$ 上用抛物线过渡),得到可导函数,其 $\lvert f'\rvert$ 的最大值不超过 $2$ 加上任意小的量。故 $2$ 是最优常数。
|
||||
|
||||
**带走结论**:两个斜率**相加**比**取最大**更好用,因为 $x_0(1-x_0)$ 的最大值已知。一般情形同理:若 $f(a)=f(b)=0$ 、最大值为 $M$ ,则
|
||||
|
||||
$$\frac{M}{x_0-a}+\frac{M}{b-x_0}\ge\frac{4M}{b-a}\ \Rightarrow\ \exists\,\xi,\ \lvert f'(\xi)\rvert\ge\frac{2M}{b-a}.$$
|
||||
|
||||
**极值点两侧各用一次拉格朗日,是最值型不等式题的通用起手式。**
|
||||
|
||||
> **关联** · 盘点 [§3.2 不等式的三条路](01-知识点盘点.md#user-content-32-不等式的三条路) | 上游 [点 3 题 1](04-点3-拉格朗日中值定理.md#user-content-题-1--32控增量)、[点 3 题 2](04-点3-拉格朗日中值定理.md#user-content-题-2--32把中值点夹在两端) | 下游 — | 速查 [九 罗尔与拉格朗日](10-速查卡.md#user-content-九-罗尔与拉格朗日)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,231 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 柯西中值]
|
||||
专题: 高等数学 · 中值定理 · 点4 柯西中值定理与双中值
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(4.1 柯西定理、4.2 反推分母函数、4.3 双中值三条路、4.4 取点技巧,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 4 柯西中值定理与双中值
|
||||
|
||||
> 真题锚点:2013·18(双中值,10 分)、2017·18、2023·20(都含"两个不同点")|重要度 ★★★
|
||||
> 依赖:点 3(拉格朗日是 $F(x)=x$ 的特例)。盘点对应:§4 全节。
|
||||
|
||||
**组织原则**:柯西定理的形式比拉格朗日吓人,但用途只有两个——**把"含 $\xi$ 的系数"吸收进分母函数**,以及**给双中值问题提供一个"一箭双雕"的可能**。4.2 给"反推分母"的三步,4.3 给双中值的三条路,后者是本讲最容易失分的地方(很多人写了两个中值却忘了说明它们不同)。难度:★★☆ 2 题、★★★ 4 题。
|
||||
|
||||
## 知识点 4.1 柯西中值定理(出处:[知识章 applications-of-derivatives.tex §2.3](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
**定理**:设 $f,F$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导,且 $F'(x)\ne0$ 对一切 $x\in(a,b)$ 成立,则存在 $\xi\in(a,b)$ 使
|
||||
|
||||
$$\frac{f(b)-f(a)}{F(b)-F(a)}=\frac{f'(\xi)}{F'(\xi)} .$$
|
||||
|
||||
**三条要点**:
|
||||
|
||||
1. $F'(x)\ne0$ 是为了保证分母不为零。由达布定理(点 1.4),$F'$ 不取零意味着 $F'$ 恒正或恒负,所以 $F$ 严格单调,$F(b)\ne F(a)$ 自动成立。
|
||||
2. 取 $F(x)=x$ 就退回拉格朗日。所以**柯西是拉格朗日的推广,不是并列关系**。
|
||||
3. 两个中值定理的结论都是"存在",但柯西的分母是 $F'(\xi)$ ,**同一个 $\xi$ 同时满足两个式子**——这一点在双中值题里很关键。
|
||||
|
||||
**几何意义**:把 $(F(t),f(t))$ 看成参数曲线,则结论说曲线上某点的切向量与端点连线平行。
|
||||
|
||||
## 知识点 4.2 反推分母函数的三步(出处:同上 §2.3,题型归纳)
|
||||
|
||||
考场上给的结论往往"看不出分母"。三步:
|
||||
|
||||
| 步 | 动作 | 例:证 $f(b)-f(a)=\xi f'(\xi)\ln\frac ba$ |
|
||||
|---|---|---|
|
||||
| 1 | 把结论写成"增量比 = 导数比" | $\dfrac{f(b)-f(a)}{\ln b-\ln a}=\xi f'(\xi)$ |
|
||||
| 2 | 认出分母是哪个函数的增量 | $\ln b-\ln a$ 是 $F(x)=\ln x$ 的增量 |
|
||||
| 3 | 验 $F'(\xi)=\frac1\xi$ 与右边对得上 | $\dfrac{f'(\xi)}{1/\xi}=\xi f'(\xi)$ ✓ |
|
||||
|
||||
**常见分母对照**:
|
||||
|
||||
| 结论里的因子 | 分母函数 $F$ |
|
||||
|---|---|
|
||||
| $\ln\frac ba$ | $\ln x$ |
|
||||
| $b^2-a^2$ 或 $b^n-a^n$ | $x^2$ 或 $x^n$ |
|
||||
| $e^b-e^a$ | $e^x$ |
|
||||
| $\frac1b-\frac1a$ | $-\frac1x$ 或 $\frac1x$ (注意符号) |
|
||||
| $\arctan b-\arctan a$ | $\arctan x$ |
|
||||
|
||||
**一个提醒**:若结论中 $\xi$ 只以 $f'(\xi)$ 的形式出现、且没有额外因子,那就是拉格朗日,不要硬套柯西。**判据:结论里除了 $f'(\xi)$ 还有别的含 $\xi$ 的因子,才需要柯西。**
|
||||
|
||||
## 知识点 4.3 双中值问题的三条路(出处:本讲方法论)
|
||||
|
||||
"存在两个不同点 $\xi,\eta$ "这类题,2013、2017、2023 都考过。三条路按优先级排:
|
||||
|
||||
### 路线一:分区间 + 两次拉格朗日(最常用)
|
||||
|
||||
把 $[a,b]$ 在中点(或某个特殊点 $c$ )切开,在 $[a,c]$ 与 $[c,b]$ 上各用一次拉格朗日。**两个中值自动不同**,因为 $\xi\in(a,c)$ 、$\eta\in(c,b)$ 是两个不相交的开区间。
|
||||
|
||||
写答案时必须写出这两句:
|
||||
|
||||
> $\xi\in(a,c)$ ,$\eta\in(c,b)$ ,两个区间不相交,故 $\xi\ne\eta$ 。
|
||||
|
||||
**这两句就是"互异"的全部分数**,漏了要扣。
|
||||
|
||||
### 路线二:先用介值定理造出特殊点
|
||||
|
||||
若题目要求的中值关系里带参数(如 $\frac{a}{f'(\xi)}+\frac{b}{f'(\eta)}=a+b$ ),直接取中点不行,要让 $f(c)$ 取一个特意选定的值。由介值定理($f$ 连续、$f(a)$ 与 $f(b)$ 已知),对任意 $\mu$ 介于 $f(a)$ 与 $f(b)$ 之间,存在 $c$ 使 $f(c)=\mu$ 。选 $\mu$ 的原则是"让两段的斜率凑出题目要的形式"。
|
||||
|
||||
### 路线三:柯西一次搞定
|
||||
|
||||
若结论是 $\frac{f'(\xi)}{g'(\xi)}=$ 某个只含 $a,b$ 的式子,那么**一个 $\xi$ 就够**,不必造两个中值。反过来,若结论形如 $f'(\xi)+g'(\eta)=$ 常数,则必然是路线一或二。
|
||||
|
||||
### 三路的选择表
|
||||
|
||||
| 结论形状 | 走哪条 | 理由 |
|
||||
|---|---|---|
|
||||
| $f'(\xi)f'(\eta)=$ 常数 | 路线一(分两段) | 乘积由两段斜率相乘得到 |
|
||||
| $f'(\xi)+f'(\eta)=$ 常数 | 路线一 | 和由两段斜率相加得到 |
|
||||
| $\frac{a}{f'(\xi)}+\frac{b}{f'(\eta)}=$ 常数 | 路线二 | 系数需要靠 $f(c)$ 的选取来配平 |
|
||||
| $\frac{f'(\xi)}{g'(\xi)}=$ 常数 | 路线三(柯西) | 同一点的两个导数 |
|
||||
|
||||
## 知识点 4.4 特殊点的三种取法(出处:本讲方法论)
|
||||
|
||||
| 取法 | 何时用 | 注意 |
|
||||
|---|---|---|
|
||||
| 中点 $c=\frac{a+b}{2}$ | 结论对称、无参数 | 最简单,先用它试 |
|
||||
| 由介值定理取 $f(c)=\mu$ | 结论带系数($a,b$ 或 $\lambda$ ) | 必须验证 $\mu$ 在 $f(a)$ 与 $f(b)$ 之间 |
|
||||
| 取极值点 | 结论涉及 $f'(\xi)=0$ | 极值点处导数必为零(费马) |
|
||||
|
||||
**取中点失败的典型信号**:算出来的两段斜率乘起来或加起来,与题目要求的常数差一个系数。这时不要硬凑,改走路线二,让 $f(c)$ 承担这个系数。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1、2 练柯西的反推分母,题 3—5 是双中值的三种形态(乘积、和、带系数),题 6 讨论"两点互异"的最简构造。
|
||||
|
||||
### 题 1 · 4.1:认出对数作分母(★★☆)
|
||||
|
||||
> 设 $0<a<b$ ,$f$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导。证明存在 $\xi\in(a,b)$ 使
|
||||
>
|
||||
> $$f(b)-f(a)=\xi f'(\xi)\ln\frac ba .$$
|
||||
|
||||
**怎么想**:右边有 $\ln\frac ba$ ,立刻想到 $F(x)=\ln x$ 。把结论整理成增量比:$\frac{f(b)-f(a)}{\ln b-\ln a}=\xi f'(\xi)$ ,而柯西给的右边是 $\frac{f'(\xi)}{1/\xi}=\xi f'(\xi)$ ,正好。
|
||||
|
||||
**解**:取 $F(x)=\ln x$ ,在 $[a,b]$ 上连续、$(a,b)$ 内可导,$F'(x)=\frac1x\ne0$ (因 $x>0$ )。$f$ 与 $F$ 满足柯西中值定理的条件,故存在 $\xi\in(a,b)$ 使
|
||||
|
||||
$$\frac{f(b)-f(a)}{\ln b-\ln a}=\frac{f'(\xi)}{1/\xi}=\xi f'(\xi).$$
|
||||
|
||||
两边乘 $\ln\frac ba=\ln b-\ln a$ 即得结论。
|
||||
|
||||
**带走结论**:**看到 $\ln\frac ba$ 就取 $F=\ln x$ 作分母**。注意 $F'(\xi)=\frac1\xi$ 是把 $f'(\xi)$ 变成 $\xi f'(\xi)$ 的关键——柯西的分母不是白给的,它正好提供结论里那个因子。
|
||||
|
||||
> **关联** · 盘点 [§4.1 柯西中值定理](01-知识点盘点.md#user-content-41-柯西中值定理) | 上游 — | 下游 — | 速查 —
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 4.2:认出平方函数作分母(★★☆)
|
||||
|
||||
> 设 $0<a<b$ ,$f$ 在 $[a,b]$ 上连续,在 $(a,b)$ 内可导。证明存在 $\xi\in(a,b)$ 使
|
||||
>
|
||||
> $$2\xi\left[f(b)-f(a)\right]=(b^2-a^2)f'(\xi).$$
|
||||
|
||||
**怎么想**:右边有 $b^2-a^2$ ,取 $F(x)=x^2$ 。整理成 $\frac{f(b)-f(a)}{b^2-a^2}=\frac{f'(\xi)}{2\xi}$ ,交叉相乘即得。
|
||||
|
||||
**解**:取 $F(x)=x^2$ ,$F'(x)=2x\ne0$ 于 $(a,b)$ (因 $a>0$ )。由柯西中值定理,存在 $\xi\in(a,b)$ 使
|
||||
|
||||
$$\frac{f(b)-f(a)}{b^2-a^2}=\frac{f'(\xi)}{2\xi}.$$
|
||||
|
||||
交叉相乘:$2\xi\left[f(b)-f(a)\right]=(b^2-a^2)f'(\xi)$ 。
|
||||
|
||||
**带走结论**:**分母函数由结论里的"差的因子"决定**:$b^2-a^2$ 对应 $x^2$ ,$b^3-a^3$ 对应 $x^3$ ,$e^b-e^a$ 对应 $e^x$ 。认出之后,$\xi$ 那边的因子自动出现,不必单独凑。
|
||||
|
||||
> **关联** · 盘点 [§4.2 反推分母函数](01-知识点盘点.md#user-content-42-反推分母函数) | 上游 — | 下游 — | 速查 —
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 4.3:双中值的乘积型(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,在 $(0,1)$ 内可导,$f(0)=0$ ,$f(1)=1$ 。
|
||||
> (Ⅰ)证明存在 $c\in(0,1)$ 使 $f(c)=1-c$ ;
|
||||
> (Ⅱ)证明存在两个不同点 $\xi,\eta\in(0,1)$ 使 $f'(\xi)f'(\eta)=1$ 。
|
||||
|
||||
**怎么想**:(Ⅰ)是零点定理,令 $G(x)=f(x)+x-1$ 。(Ⅱ)先由(Ⅰ)拿到 $c$ ,这个 $c$ 让两段斜率恰好互为倒数:左段斜率 $\frac{f(c)}{c}=\frac{1-c}{c}$ ,右段斜率 $\frac{1-f(c)}{1-c}=\frac{c}{1-c}$ ,乘积为 $1$ 。
|
||||
|
||||
**解**:(Ⅰ)令 $G(x)=f(x)+x-1$ ,$G$ 在 $[0,1]$ 上连续,$G(0)=-1<0$ ,$G(1)=1>0$ ,由零点定理,存在 $c\in(0,1)$ 使 $G(c)=0$ ,即 $f(c)=1-c$ 。
|
||||
|
||||
(Ⅱ)在 $[0,c]$ 与 $[c,1]$ 上分别对 $f$ 用拉格朗日定理,存在 $\xi\in(0,c)$ 、$\eta\in(c,1)$ 使
|
||||
|
||||
$$f'(\xi)=\frac{f(c)-f(0)}{c-0}=\frac{1-c}{c},\qquad f'(\eta)=\frac{f(1)-f(c)}{1-c}=\frac{1-(1-c)}{1-c}=\frac{c}{1-c}.$$
|
||||
|
||||
两式相乘:$f'(\xi)f'(\eta)=\frac{1-c}{c}\cdot\frac{c}{1-c}=1$ 。
|
||||
|
||||
因 $\xi\in(0,c)$ 、$\eta\in(c,1)$ ,两个开区间不相交,故 $\xi\ne\eta$ 。
|
||||
|
||||
**带走结论**:**乘积型双中值的关键是"让两段斜率互为倒数"**,而这件事靠 $f(c)=1-c$ 这个特殊点实现。看到"$f(0)=0$ 、$f(1)=1$ 、要乘积为 $1$ ",第一反应就是"找 $f(c)=1-c$ 的点"。
|
||||
|
||||
> **关联** · 盘点 [§4.3 双中值三条路](01-知识点盘点.md#user-content-43-双中值三条路) | 上游 — | 下游 [点 4 题 4](05-点4-柯西中值定理与双中值.md#user-content-题-4--43双中值的和型)、[点 4 题 5](05-点4-柯西中值定理与双中值.md#user-content-题-5--43带系数的双中值) | 速查 [三 双中值三路](10-速查卡.md#user-content-三-双中值三路)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 4.3:双中值的和型(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,在 $(0,1)$ 内可导,$f(0)=0$ ,$f(1)=1$ 。证明存在两个不同点 $\xi,\eta\in(0,1)$ 使
|
||||
>
|
||||
> $$f'(\xi)+f'(\eta)=2 .$$
|
||||
|
||||
**怎么想**:和型不需要特殊点,取中点即可。两段斜率分别是 $2f\left(\frac12\right)$ 与 $2\left[1-f\left(\frac12\right)\right]$ ,相加正好是 $2$ —— $f\left(\frac12\right)$ 自动消掉,这就是"和型取中点"的原因。
|
||||
|
||||
**解**:在 $\left[0,\frac12\right]$ 与 $\left[\frac12,1\right]$ 上分别用拉格朗日定理,存在 $\xi\in\left(0,\frac12\right)$ 、$\eta\in\left(\frac12,1\right)$ 使
|
||||
|
||||
$$f'(\xi)=\frac{f\left(\frac12\right)-f(0)}{1/2}=2f\left(\tfrac12\right),\qquad f'(\eta)=\frac{f(1)-f\left(\frac12\right)}{1/2}=2\left[1-f\left(\tfrac12\right)\right].$$
|
||||
|
||||
相加:$f'(\xi)+f'(\eta)=2f\left(\frac12\right)+2-2f\left(\frac12\right)=2$ 。
|
||||
|
||||
$\xi\in\left(0,\frac12\right)$ 与 $\eta\in\left(\frac12,1\right)$ 不相交,故 $\xi\ne\eta$ 。
|
||||
|
||||
**带走结论**:**和型取中点,$f\left(\frac12\right)$ 会自己消掉**;乘积型必须造特殊点,因为乘积里 $f(c)$ 消不掉。这个对比记牢,选择题里问"该取哪一点"就能直接答。
|
||||
|
||||
> **关联** · 盘点 [§4.3 双中值三条路](01-知识点盘点.md#user-content-43-双中值三条路) | 上游 [点 4 题 3](05-点4-柯西中值定理与双中值.md#user-content-题-3--43双中值的乘积型) | 下游 [点 4 题 5](05-点4-柯西中值定理与双中值.md#user-content-题-5--43带系数的双中值) | 速查 [三 双中值三路](10-速查卡.md#user-content-三-双中值三路)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 4.3:带系数的双中值(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上连续,在 $(0,1)$ 内可导,$f(0)=0$ ,$f(1)=1$ 。设 $a,b$ 为任意正数。证明存在两个不同点 $\xi,\eta\in(0,1)$ 使
|
||||
>
|
||||
> $$\frac{a}{f'(\xi)}+\frac{b}{f'(\eta)}=a+b .$$
|
||||
|
||||
**怎么想**:中点不行——代入中点得 $\frac{a}{2f(1/2)}+\frac{b}{2[1-f(1/2)]}$ ,与 $a+b$ 差得远。系数 $a,b$ 提示应该让 $f(c)=\frac{a}{a+b}$ :此时左段斜率 $\frac{a/(a+b)}{c}$ ,右段斜率 $\frac{b/(a+b)}{1-c}$ ,倒数乘以 $a,b$ 后 $c$ 也消掉。
|
||||
|
||||
**解**:由 $f(0)=0<f(1)=1$ 与连续性,介值定理给存在 $c\in(0,1)$ 使
|
||||
|
||||
$$f(c)=\frac{a}{a+b}\in(0,1).$$
|
||||
|
||||
在 $[0,c]$ 与 $[c,1]$ 上用拉格朗日,存在 $\xi\in(0,c)$ 、$\eta\in(c,1)$ 使
|
||||
|
||||
$$f'(\xi)=\frac{a}{(a+b)c},\qquad f'(\eta)=\frac{1-\frac{a}{a+b}}{1-c}=\frac{b}{(a+b)(1-c)} .$$
|
||||
|
||||
取倒数:
|
||||
|
||||
$$\frac{a}{f'(\xi)}=a(a+b)c\cdot\frac{1}{a}=(a+b)c,\qquad \frac{b}{f'(\eta)}=(a+b)(1-c).$$
|
||||
|
||||
相加:$\frac{a}{f'(\xi)}+\frac{b}{f'(\eta)}=(a+b)c+(a+b)(1-c)=a+b$ 。又 $\xi\in(0,c)$ 、$\eta\in(c,1)$ 不相交,故 $\xi\ne\eta$ 。
|
||||
|
||||
**带走结论**:**结论里的系数决定 $f(c)$ 该取什么值**。通用配方:若结论是 $\frac{\alpha}{f'(\xi)}+\frac{\beta}{f'(\eta)}=$ 常数,就取 $f(c)=\frac{\alpha}{\alpha+\beta}$ 。验证方法只有一个——代进去看 $c$ 是否消掉。
|
||||
|
||||
> **关联** · 盘点 [§4.3 双中值三条路](01-知识点盘点.md#user-content-43-双中值三条路) | 上游 [点 4 题 3](05-点4-柯西中值定理与双中值.md#user-content-题-3--43双中值的乘积型)、[点 4 题 4](05-点4-柯西中值定理与双中值.md#user-content-题-4--43双中值的和型) | 下游 — | 速查 [三 双中值三路](10-速查卡.md#user-content-三-双中值三路)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 4.4:用三个等值点造两个互异点(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,2]$ 上连续,在 $(0,2)$ 内可导,$f(0)=f(1)=f(2)=0$ 。证明存在两个不同点 $\xi,\eta\in(0,2)$ 使 $f'(\xi)=f'(\eta)=0$ ,并说明为什么"两个零点"给不出这个结论。
|
||||
|
||||
**怎么想**:每两个相邻的等值点之间用一次罗尔,得到两个导数为零的点;它们分别落在 $(0,1)$ 与 $(1,2)$ 内,两个开区间不相交,所以自动互异。
|
||||
|
||||
**解**:在 $[0,1]$ 上,$f(0)=f(1)=0$ ,由罗尔定理,存在 $\xi\in(0,1)$ 使 $f'(\xi)=0$ ;
|
||||
|
||||
在 $[1,2]$ 上,$f(1)=f(2)=0$ ,由罗尔定理,存在 $\eta\in(1,2)$ 使 $f'(\eta)=0$ 。
|
||||
|
||||
$\xi\in(0,1)$ 、$\eta\in(1,2)$ 分属两个不相交的开区间,故 $\xi\ne\eta$ 。
|
||||
|
||||
**为什么两个零点不够**:若只给 $f(0)=f(1)=0$ ,罗尔只保证**一个**导数为零的点,第二个无处可来。要得到两个,必须有**三个**函数值相等的点;要得到 $n$ 个,需要 $n+1$ 个等值点。
|
||||
|
||||
**带走结论**:双中值题的第一步是**数等值点**——"$n+1$ 个等值点给 $n$ 个互异的导数为零的点"。这句话比"存在两个中值"更好用,因为它顺便把"互异"的理由(两个开区间不相交)也交代了。
|
||||
|
||||
> **关联** · 盘点 [§4.4 特殊点的三种取法](01-知识点盘点.md#user-content-44-特殊点的三种取法) | 上游 — | 下游 — | 速查 [三 双中值三路](10-速查卡.md#user-content-三-双中值三路)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,240 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 泰勒公式]
|
||||
专题: 高等数学 · 中值定理 · 点5 泰勒中值定理
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(5.1 两种余项、5.2 展开点选择、5.3 不等式与估阶、5.4 二阶导结论,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 5 泰勒中值定理
|
||||
|
||||
> 真题锚点:2024·19(12 分,两问全在这里)、2023·20(12 分,第 1 问)、2022·20|重要度 ★★★
|
||||
> 依赖:点 3(泰勒是"用高阶导数代替一阶导数"的拉格朗日)。盘点对应:§5 全节。
|
||||
|
||||
**组织原则**:泰勒中值定理就是**带拉格朗日余项的泰勒公式**,它在证明题里的地位相当于"高阶版的拉格朗日"。5.1 先把两种余项的分工分清(这是最容易混的地方),5.2 给"在哪一点展开"的判据,5.3 处理不等式与估阶,5.4 是近三年最热的"$f''(\xi)$ 等于某个常数"型。难度:★★☆ 3 题、★★★ 3 题。
|
||||
|
||||
## 知识点 5.1 两种余项的分工(出处:[知识章 applications-of-derivatives.tex §2.4、§4](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
设 $f$ 在含 $x_0$ 的区间 $I$ 上有 $n+1$ 阶导数,则对任意 $x\in I$ ,存在 $\xi$ 介于 $x_0$ 与 $x$ 之间,使
|
||||
|
||||
$$f(x)=f(x_0)+f'(x_0)(x-x_0)+\frac{f''(x_0)}{2!}(x-x_0)^2+\cdots+\frac{f^{(n)}(x_0)}{n!}(x-x_0)^n+R_n(x).$$
|
||||
|
||||
| 余项 | 形式 | 用途 | 为什么 |
|
||||
|---|---|---|---|
|
||||
| **拉格朗日** | $R_n=\dfrac{f^{(n+1)}(\xi)}{(n+1)!}(x-x_0)^{n+1}$ | 证不等式、估阶、证存在性 | 余项有**明确的符号与大小**,可放缩 |
|
||||
| **皮亚诺** | $R_n=o\left((x-x_0)^n\right)$ | 求极限 | 只需要"阶",不需要 $\xi$ 的位置 |
|
||||
|
||||
**三条铁律**:
|
||||
|
||||
1. **同一点的两次展开,余项里的 $\xi$ 一般不同**。$f(a)$ 展开给 $\xi_1$ ,$f(b)$ 展开给 $\xi_2$ ,不能写成一个 $\xi$ 。2023·20 正是靠"两个不同的 $\xi$ 取平均"完成的。
|
||||
2. **拉格朗日余项的符号由 $f^{(n+1)}(\xi)$ 与 $(x-x_0)^{n+1}$ 共同决定**。$x<x_0$ 且 $n+1$ 为奇数时,$(x-x_0)^{n+1}<0$ ,符号反转——这是"$e^x\ge1+x+\frac{x^2}{2}$ 只对 $x\ge0$ 成立"的原因。
|
||||
3. **展开到几阶由目标决定**:目标里出现 $f''$ 就展开到二阶,出现 $f^{(n)}$ 就展开到 $n$ 阶。多展开一阶是浪费,少一阶拿不到结论。
|
||||
|
||||
## 知识点 5.2 展开点的四种选择(出处:本讲方法论)
|
||||
|
||||
| 展开点 | 适用 | 效果 |
|
||||
|---|---|---|
|
||||
| **导数为零的点**(极值点) | 已知 $f'(x_0)=0$ | 一阶项自动消失,只剩二阶起 |
|
||||
| **区间中点** | 结论关于中点对称,或要证中点处的不等式 | 两端到展开点等距,$(x-x_0)$ 只差符号 |
|
||||
| **端点** | 要证"$f(x)$ 与端点值的线性组合之差"(2024·19) | 两个端点各展开一次,加权消去 $f'(x)$ |
|
||||
| **任取一点展开** | 结论是"对任意 $x$ 成立"的逐点估计 | 把 $x$ 当参数,其余点当展开点 |
|
||||
|
||||
**选择顺序**:先看题目给了哪个点的导数信息(有 $f'(0)=0$ 就在 $0$ 展开),再看结论要对哪一点估计(要估计 $x$ 处的值,就以离 $x$ 最近、信息最多的点为展开点)。
|
||||
|
||||
## 知识点 5.3 用泰勒证不等式与估阶(出处:同上 §4.3)
|
||||
|
||||
**证不等式三步**:
|
||||
|
||||
1. 选展开点(一般是区间端点或 $f'=0$ 的点);
|
||||
2. 展开到使余项**符号确定**的阶数(通常二阶足够);
|
||||
3. 丢掉余项(若余项非负)或放大余项(若余项有界)。
|
||||
|
||||
**估阶的写法**:若 $\lvert f^{(n+1)}\rvert\le M$ ,则
|
||||
|
||||
$$\lvert R_n\rvert\le\frac{M}{(n+1)!}\lvert x-x_0\rvert^{n+1} .$$
|
||||
|
||||
这是所有"误差不超过某某"型结论的唯一来源。**注意 $M$ 要取区间上的上界**,不是某点的值。
|
||||
|
||||
**常见展开(必须张口就来)**:
|
||||
|
||||
$$e^x=1+x+\frac{x^2}{2}+\frac{x^3}{6}+o(x^3),\quad \sin x=x-\frac{x^3}{6}+o(x^3),\quad \cos x=1-\frac{x^2}{2}+\frac{x^4}{24}+o(x^4),$$
|
||||
|
||||
$$\ln(1+x)=x-\frac{x^2}{2}+\frac{x^3}{3}+o(x^3),\quad (1+x)^\alpha=1+\alpha x+\frac{\alpha(\alpha-1)}{2}x^2+o(x^2).$$
|
||||
|
||||
## 知识点 5.4 二阶导数等于某个常数型(出处:同上 §2.4,题型归纳)
|
||||
|
||||
这类题的结论长这样:**存在 $\xi$ 使 $f''(\xi)$ 等于「函数值的组合除以区间长的平方」** 。2023·20、2024·19 都属于它。做法固定为"**两次展开 + 取平均**":
|
||||
|
||||
| 步 | 动作 |
|
||||
|---|---|
|
||||
| 1 | 在信息最多的点(常是 $0$ 或中点)分别展开两个端点,得到 $f''(\xi_1)$ 与 $f''(\xi_2)$ |
|
||||
| 2 | 把两式相加或相减,让 $f'$ 项消掉,解出"目标常数 $=\frac{f''(\xi_1)+f''(\xi_2)}{2}$ " |
|
||||
| 3 | 用 $f''$ **连续** + 介值定理,把两个导数值的平均"落到"某个点 $\xi$ |
|
||||
|
||||
**第 3 步是全部的技巧**:介值定理只能对连续函数用,所以题设一定给"二阶连续导数"。若题设只说"二阶可导",这一步要用达布定理(点 1.4)代替,写法是"$f''$ 取遍 $f''(\xi_1)$ 与 $f''(\xi_2)$ 之间的一切值"。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1 是皮亚诺余项求极限,题 2、3 是拉格朗日余项证不等式与估阶,题 4、5 是 2024·19 的两问,题 6 是 2023·20 第 1 问。
|
||||
|
||||
### 题 1 · 5.1:皮亚诺余项求极限(★★☆)
|
||||
|
||||
> 求 $\displaystyle\lim_{x\to0}\frac{\cos x-e^{-x^2/2}}{x^4}$ 。
|
||||
|
||||
**怎么想**:分母是 $x^4$ ,分子是两个函数之差,必须展到 $x^4$ 项——少一阶会得到 $0-0=0$ ,多一阶是浪费。两个展开都用麦克劳林公式(皮亚诺余项),因为只求极限、不关心 $\xi$ 。
|
||||
|
||||
**解**:由标准展开
|
||||
|
||||
$$\cos x=1-\frac{x^2}{2}+\frac{x^4}{24}+o(x^4),$$
|
||||
|
||||
$$e^{-x^2/2}=1-\frac{x^2}{2}+\frac{1}{2}\left(\frac{x^2}{2}\right)^2+o(x^4)=1-\frac{x^2}{2}+\frac{x^4}{8}+o(x^4).$$
|
||||
|
||||
两式相减,$1$ 与 $-\frac{x^2}{2}$ 抵消:
|
||||
|
||||
$$\cos x-e^{-x^2/2}=\left(\frac{1}{24}-\frac18\right)x^4+o(x^4)=-\frac{x^4}{12}+o(x^4).$$
|
||||
|
||||
故原式 $=\lim_{x\to0}\left(-\frac1{12}+\frac{o(x^4)}{x^4}\right)=-\frac1{12}$ 。
|
||||
|
||||
**带走结论**:**求极限用皮亚诺,展到分母的阶**。$e^{-x^2/2}$ 容易展错——把 $-\frac{x^2}{2}$ 当作整体 $t$ 代入 $e^t=1+t+\frac{t^2}{2}$ ,得到 $\frac{t^2}{2}=\frac{x^4}{8}$ ,这一步错了整题就错。
|
||||
|
||||
> **关联** · 盘点 [§5.1 两种余项的分工](01-知识点盘点.md#user-content-51-两种余项的分工) | 上游 — | 下游 — | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 5.3:拉格朗日余项证不等式(★★☆)
|
||||
|
||||
> 证明当 $x\ge0$ 时,$e^x\ge1+x+\dfrac{x^2}{2}$ ,并说明为什么 $x<0$ 时不等式不成立。
|
||||
|
||||
**怎么想**:在 $0$ 点展开到二阶,余项是 $\frac{e^\xi}{6}x^3$ 。$x\ge0$ 时 $\xi\ge0$ ,余项非负,直接丢掉就得到不等式;$x<0$ 时 $x^3<0$ ,余项为负,不等式方向反转。
|
||||
|
||||
**解**:$f(t)=e^t$ 在 $0$ 点二阶展开,对任意 $x$ 存在 $\xi$ 介于 $0$ 与 $x$ 之间,使
|
||||
|
||||
$$e^x=1+x+\frac{x^2}{2}+\frac{e^\xi}{6}x^3 .$$
|
||||
|
||||
当 $x\ge0$ 时,$\xi\in[0,x]$ ,$e^\xi>0$ ,$x^3\ge0$ ,故余项 $\ge0$ ,于是 $e^x\ge1+x+\frac{x^2}{2}$ 。
|
||||
|
||||
当 $x<0$ 时,$\xi\in(x,0)$ ,$e^\xi>0$ 而 $x^3<0$ ,余项为负,得 $e^x<1+x+\frac{x^2}{2}$ 。例如 $x=-1$ :$e^{-1}\approx0.368<1-1+0.5=0.5$ 。
|
||||
|
||||
**带走结论**:**余项的符号由 $x^3$ 的符号定**,展开点右侧($x>0$ )余项为正、左侧为负。所以这类不等式几乎总带着"$x\ge0$ "的条件;题干写"对一切 $x$ "时,先检查 $x<0$ 是否反例。
|
||||
|
||||
> **关联** · 盘点 [§5.3 不等式与估阶](01-知识点盘点.md#user-content-53-不等式与估阶) | 上游 — | 下游 [点 5 题 3](06-点5-泰勒中值定理.md#user-content-题-3--53有界余项做估阶) | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 5.3:有界余项做估阶(★★☆)
|
||||
|
||||
> 证明对任意实数 $x$ ,$\left\lvert\sin x-\left(x-\dfrac{x^3}{6}\right)\right\rvert\le\dfrac{x^4}{24}$ 。
|
||||
|
||||
**怎么想**:$\sin x$ 在 $0$ 点展到三阶,余项是 $\frac{\sin^{(4)}(\xi)}{4!}x^4=\frac{\sin\xi}{24}x^4$ 。$\lvert\sin\xi\rvert\le1$ ,界就出来了,而且 $x^4\ge0$ 对负 $x$ 也成立。
|
||||
|
||||
**解**:$f(t)=\sin t$ 在 $0$ 点三阶展开,存在 $\xi$ 介于 $0$ 与 $x$ 之间,使
|
||||
|
||||
$$\sin x=x-\frac{x^3}{6}+\frac{\sin^{(4)}(\xi)}{4!}x^4=x-\frac{x^3}{6}+\frac{\sin\xi}{24}x^4 .$$
|
||||
|
||||
($\sin$ 的四阶导数仍是 $\sin$ 。)取绝对值:
|
||||
|
||||
$$\left\lvert\sin x-\left(x-\frac{x^3}{6}\right)\right\rvert=\frac{\lvert\sin\xi\rvert}{24}x^4\le\frac{x^4}{24}.$$
|
||||
|
||||
**带走结论**:**估阶题把余项里的高阶导数用上界替掉**($\lvert\sin\rvert\le1$ 、$\lvert\cos\rvert\le1$ 、$\lvert e^\xi\rvert\le e^{\max}$ ),剩下的 $\lvert x-x_0\rvert^{n+1}$ 就是精度。这类题不需要知道 $\xi$ 在哪,只需要 $f^{(n+1)}$ 有界。
|
||||
|
||||
> **关联** · 盘点 [§5.3 不等式与估阶](01-知识点盘点.md#user-content-53-不等式与估阶) | 上游 [点 5 题 2](06-点5-泰勒中值定理.md#user-content-题-2--53拉格朗日余项证不等式) | 下游 — | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 5.2:2024·19 第 1 问(★★★)
|
||||
|
||||
> 设 $f$ 二阶可导,$f'(0)=f'(1)$ ,$\lvert f''(x)\rvert\le1$ 。证明对任意 $x\in[0,1]$ ,
|
||||
>
|
||||
> $$\left\lvert f(x)-f(0)(1-x)-f(1)x\right\rvert\le\frac{x(1-x)}{2}.$$
|
||||
|
||||
**怎么想**:设括号里那个函数为 $g(x)$ ,则 $g(0)=g(1)=0$ ,$g''=f''$ 。要在 $x$ 点估计 $g$ ,就要把 $g(0)$ 与 $g(1)$ 分别在 $x$ 点展开——**注意展开点是 $x$ ,不是端点**。两式分别乘 $(1-x)$ 与 $x$ 再相加,$g'(x)$ 的系数正好抵消,只剩 $g(x)$ 与两个余项。$f'(0)=f'(1)$ 这个条件在这里其实用不上,它是留给第 2 问的。
|
||||
|
||||
**解**:令 $g(x)=f(x)-f(0)(1-x)-f(1)x$ 。则 $g(0)=f(0)-f(0)=0$ ,$g(1)=f(1)-f(1)=0$ ,且 $g''(x)=f''(x)$ ,故 $\lvert g''\rvert\le1$ 。
|
||||
|
||||
对任意 $x\in(0,1)$ ,把 $g(0)$ 与 $g(1)$ 在 $x$ 点二阶展开,存在 $\xi_1\in(0,x)$ 、$\xi_2\in(x,1)$ 使
|
||||
|
||||
$$g(0)=g(x)-g'(x)x+\frac{g''(\xi_1)}{2}x^2 ,$$
|
||||
|
||||
$$g(1)=g(x)+g'(x)(1-x)+\frac{g''(\xi_2)}{2}(1-x)^2 .$$
|
||||
|
||||
第一式乘 $(1-x)$ 、第二式乘 $x$ 后相加。左边 $=(1-x)g(0)+xg(1)=0$ ;右边 $g(x)$ 的系数是 $(1-x)+x=1$ ,$g'(x)$ 的系数是 $-(1-x)x+x(1-x)=0$ ,余项为
|
||||
|
||||
$$\frac{(1-x)g''(\xi_1)x^2}{2}+\frac{xg''(\xi_2)(1-x)^2}{2}.$$
|
||||
|
||||
于是
|
||||
|
||||
$$g(x)=-\frac{x(1-x)}{2}\left[xg''(\xi_1)+(1-x)g''(\xi_2)\right],$$
|
||||
|
||||
取绝对值并用 $\lvert g''\rvert\le1$ :
|
||||
|
||||
$$\lvert g(x)\rvert\le\frac{x(1-x)}{2}\left[x+(1-x)\right]=\frac{x(1-x)}{2}.$$
|
||||
|
||||
$x=0$ 或 $1$ 时两边为 $0$ ,也成立。
|
||||
|
||||
**带走结论**:**"在 $x$ 点展开两个端点,再按 $(1-x)$ 与 $x$ 加权"是估计 $f(x)$ 与端点值之差的通用手法**。权重的选法有讲究:要让 $g'(x)$ 的系数 $-(1-x)x+x(1-x)$ 恰好为零,这两个权重是唯一的选择。$f'(0)=f'(1)$ 在第 1 问没用到,这不是多余条件——它是第 2 问的伏笔,也提醒:**题给的条件可能只在某一问生效**。
|
||||
|
||||
> **关联** · 盘点 [§5.2 展开点的四种选择](01-知识点盘点.md#user-content-52-展开点的四种选择) | 上游 — | 下游 — | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 5.4:2024·19 第 2 问(★★★)
|
||||
|
||||
> 在题 4 的条件下,证明
|
||||
>
|
||||
> $$\left\lvert\int_0^1f(x)\,\mathrm dx-\frac{f(0)+f(1)}{2}\right\rvert\le\frac1{12}.$$
|
||||
|
||||
**怎么想**:先把积分里的 $f$ 换成题 4 的 $g$ ,看看差的是什么。$\int_0^1\left[f(0)(1-x)+f(1)x\right]\mathrm dx=\frac{f(0)+f(1)}{2}$ ,所以左边就是 $\left\lvert\int_0^1g\right\rvert$ 。用题 4 的逐点界积分即可。
|
||||
|
||||
**解**:由题 4 的定义,$f(x)=g(x)+f(0)(1-x)+f(1)x$ 。而
|
||||
|
||||
$$\int_0^1\left[f(0)(1-x)+f(1)x\right]\mathrm dx=f(0)\cdot\frac12+f(1)\cdot\frac12=\frac{f(0)+f(1)}{2}.$$
|
||||
|
||||
故
|
||||
|
||||
$$\int_0^1f(x)\,\mathrm dx-\frac{f(0)+f(1)}{2}=\int_0^1g(x)\,\mathrm dx .$$
|
||||
|
||||
由题 4 的结论 $\lvert g(x)\rvert\le\frac{x(1-x)}{2}$ ,
|
||||
|
||||
$$\left\lvert\int_0^1g(x)\,\mathrm dx\right\rvert\le\int_0^1\lvert g(x)\rvert\,\mathrm dx\le\int_0^1\frac{x(1-x)}{2}\,\mathrm dx=\frac12\cdot\frac16=\frac1{12}.$$
|
||||
|
||||
($\int_0^1x(1-x)\mathrm dx=\frac12-\frac13=\frac16$ 。)结论得证。
|
||||
|
||||
**带走结论**:**"积分估计"型题目一律走"逐点界 → 积分 → 算一个初等积分"**。本题的常数 $\frac1{12}$ 完全由 $\int_0^1\frac{x(1-x)}{2}\mathrm dx$ 决定,与 $f$ 无关。第二问通常就是第一问的积分版,先看第一问的结论能否直接用。
|
||||
|
||||
> **关联** · 盘点 [§5.4 二阶导结论](01-知识点盘点.md#user-content-54-二阶导结论) | 上游 — | 下游 [点 5 题 6](06-点5-泰勒中值定理.md#user-content-题-6--54202320-第-1-问) | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 5.4:2023·20 第 1 问(★★★)
|
||||
|
||||
> 设 $f$ 在 $[-a,a]$ 上具有二阶连续导数,$a>0$ ,$f(0)=0$ 。证明存在 $\xi\in(-a,a)$ 使
|
||||
>
|
||||
> $$f''(\xi)=\frac{f(a)+f(-a)}{a^2}.$$
|
||||
|
||||
**怎么想**:右边是 $f(a)$ 与 $f(-a)$ 的和除以 $a^2$ ,而 $f(0)=0$ 让两个展开都没有常数项。分别把 $f(a)$ 、$f(-a)$ 在 $0$ 点展到二阶,相加后 $f'(0)$ 项抵消,得到 $f(a)+f(-a)=\frac{a^2}{2}\left[f''(\xi_1)+f''(\xi_2)\right]$ 。再对 $f''$ 用介值定理——这正是题设要"二阶连续"的原因。
|
||||
|
||||
**解**:在 $0$ 点把 $f(a)$ 与 $f(-a)$ 二阶展开,存在 $\xi_1\in(0,a)$ 、$\xi_2\in(-a,0)$ 使
|
||||
|
||||
$$f(a)=f(0)+f'(0)a+\frac{f''(\xi_1)}{2}a^2=f'(0)a+\frac{f''(\xi_1)}{2}a^2 ,$$
|
||||
|
||||
$$f(-a)=f(0)-f'(0)a+\frac{f''(\xi_2)}{2}a^2=-f'(0)a+\frac{f''(\xi_2)}{2}a^2 .$$
|
||||
|
||||
两式相加,$f'(0)a$ 抵消:
|
||||
|
||||
$$f(a)+f(-a)=\frac{a^2}{2}\left[f''(\xi_1)+f''(\xi_2)\right],$$
|
||||
|
||||
即
|
||||
|
||||
$$\frac{f(a)+f(-a)}{a^2}=\frac{f''(\xi_1)+f''(\xi_2)}{2}.$$
|
||||
|
||||
$f''$ 在 $[-a,a]$ 上连续,$\xi_1,\xi_2\in(-a,a)$ ,故 $f''$ 在两点之间的闭区间上连续,由介值定理,存在 $\xi$ 介于 $\xi_1$ 与 $\xi_2$ 之间(从而 $\xi\in(-a,a)$ )使
|
||||
|
||||
$$f''(\xi)=\frac{f''(\xi_1)+f''(\xi_2)}{2}=\frac{f(a)+f(-a)}{a^2}.$$
|
||||
|
||||
**带走结论**:三类动作串起来——**两次展开($\xi_1\ne\xi_2$ )→ 相加消去一阶项 → 对 $f''$ 用介值定理**。第三类的合法性来自"$f''$ 连续",题设不给连续就只能用达布定理。注意 $\xi$ 落在 $\xi_1$ 与 $\xi_2$ 之间,所以 $\xi\in(-a,a)$ ,开区间的结论也就成立了。
|
||||
|
||||
> **关联** · 盘点 [§5.4 二阶导结论](01-知识点盘点.md#user-content-54-二阶导结论) | 上游 [点 5 题 5](06-点5-泰勒中值定理.md#user-content-题-5--54202419-第-2-问) | 下游 — | 速查 [四 泰勒的两套余项](10-速查卡.md#user-content-四-泰勒的两套余项)
|
||||
|
||||
---
|
||||
@@ -0,0 +1,222 @@
|
||||
---
|
||||
tags: [数学一, 在学练习, 高等数学, 中值定理, 高阶中值]
|
||||
专题: 高等数学 · 中值定理 · 点6 高阶中值与多次使用
|
||||
日期: 2026-11-18
|
||||
状态: 知识点带题(6.1 等值点计数、6.2 二阶导三种构造、6.3 极值点三连、6.4 中值点三条纪律,共 6 题)
|
||||
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
|
||||
---
|
||||
|
||||
# 点 6 高阶中值与多次使用
|
||||
|
||||
> 真题锚点:2017·18(10 分)、2023·20(12 分,第 2 问)、2024·19|重要度 ★★★
|
||||
> 依赖:点 2(罗尔)、点 5(泰勒)。盘点对应:§6 全节。
|
||||
|
||||
**组织原则**:本点解决"**结论里有 $f''$ ,但题设只给到二阶**"这一类。核心是两件事:**数等值点**(决定能用几次罗尔)和**在极值点展开**(让一阶项消失)。2017·18 与 2023·20 是这一类的两个代表,两道都要能独立写出。难度:★★☆ 2 题、★★★ 4 题。
|
||||
|
||||
## 知识点 6.1 等值点计数:用几次罗尔由它决定(出处:[知识章 §2.1](../../../../参考仓库/Math/advanced-math/knowledge/3-applications-of-derivatives/applications-of-derivatives.tex))
|
||||
|
||||
罗尔定理每用一次,就要一对"函数值相等"的点。所以**用几次罗尔,取决于手上有几个等值点**:
|
||||
|
||||
| 手上有的 | 能得到 | 用几次罗尔 |
|
||||
|---|---|---|
|
||||
| 2 个 $f$ 的零点 | 1 个 $f'=0$ | 1 |
|
||||
| 3 个 $f$ 的零点 | 2 个互异的 $f'=0$ | 2 |
|
||||
| 2 个 $f'=0$ 的点 | 1 个 $f''=0$ | 1 |
|
||||
| 3 个 $f$ 的零点 | 1 个 $f''=0$ | 2 |
|
||||
|
||||
**最后一行是本点的核心**:三个等值点先给两个一阶零点,这两个一阶零点又成了 $f'$ 的"等值点"(值都等于 $0$ ),再用一次罗尔就得到二阶零点。
|
||||
|
||||
**等值点不一定来自 $f$ 的零点**。$F=f f'$ 这类复合函数,零点可能来自 $f=0$ ,也可能来自 $f'=0$ 。2017·18 第 Ⅱ 问的三个等值点就是"两个来自 $f=0$ ,一个来自 $f'=0$ "。
|
||||
|
||||
**排序纪律**:三个等值点 $x_1<x_2<x_3$ 必须先排序再分段,否则两个罗尔点的区间可能重叠,"互异"就说不清。
|
||||
|
||||
## 知识点 6.2 二阶导结论的三种构造(出处:同上 §2.1、§2.4)
|
||||
|
||||
看到"证明存在 $\xi$ 使 $f''(\xi)$ 满足某式",先判断属于哪一型:
|
||||
|
||||
| 型 | 结论形状 | 构造 |
|
||||
|---|---|---|
|
||||
| **换函数** | $f''(\xi)=-c$ 或 $f''(\xi)=0$ | 令 $G=f-\frac{c}{2}x^2$ (或加一个二次多项式),使 $G''=f''+c$ ,把结论变成 $G''(\xi)=0$ |
|
||||
| **换区间** | $f''(\xi)=\frac{\text{端点值的组合}}{a^2}$ | 在**极值点或中点**展开两端点(点 5.4) |
|
||||
| **泰勒** | 带 $\lvert f''\rvert\le M$ 的估计 | 逐点展开,用 $M$ 放缩余项 |
|
||||
|
||||
**"换函数"型的操作细节**:若要证 $f''(\xi)=-2$ ,就取 $G(x)=f(x)+x^2$ ,则 $G''=f''+2$ ,结论变成"$G''$ 有零点"。回到 6.1 的表:只要 $G$ 有三个等值点即可。而 $G$ 的等值点常常是**人为造出来的**——题设给 $f$ 在三个点的值,选二次多项式让 $G$ 在这三点相等。
|
||||
|
||||
**这个手法的名字**:插值多项式。$\frac{c}{2}x^2$ 就是"让 $G$ 在指定点取等值"的那个二次函数。考场上不必解插值,直接观察"题目给的三个点值有什么规律"(常见:$0,1,2$ 三点值 $0,1,0$ ,对应的二次函数是 $x(2-x)$ )。
|
||||
|
||||
## 知识点 6.3 极值点三连:费马 → 消一阶项 → 只剩二阶(出处:同上 §2.1、§2.4)
|
||||
|
||||
结论里出现"$f$ 在内部取得极值"时,立刻写三步:
|
||||
|
||||
| 步 | 动作 | 作用 |
|
||||
|---|---|---|
|
||||
| 1 | 设极值点为 $x_0$ ,费马给 $f'(x_0)=0$ | 拿到一个导数为零的点 |
|
||||
| 2 | 在 $x_0$ 点展开 $f(a)$ 与 $f(-a)$ | 一阶项 $f'(x_0)(\cdot)$ 全部消失 |
|
||||
| 3 | 两式相加或相减,用 $\lvert f''\rvert\le M$ 放缩 | 得到 $M$ 的下界 |
|
||||
|
||||
**第 2 步为什么必须在极值点展开**:只有这样 $f'(x_0)=0$ 才能把一阶项清零,剩下的式子只含 $f(x_0)$ 与 $f''$ 。若在别的点展开,一阶项会留着,无法与 $f''$ 建立联系。
|
||||
|
||||
**放缩时的代数事实**(2023·20 第 2 问的核心):
|
||||
|
||||
$$(a-x_0)^2+(a+x_0)^2=2a^2+2x_0^2\le4a^2\qquad(\lvert x_0\rvert<a).$$
|
||||
|
||||
左边是两段距离的平方和,右边是它的最大值。**这个不等式给出的是 $\lvert f''\rvert$ 的下界**,因为距离越小、需要的二阶导越大。
|
||||
|
||||
## 知识点 6.4 中值点的三条纪律(出处:本讲方法论,真题评分点)
|
||||
|
||||
| 纪律 | 内容 | 违反的后果 |
|
||||
|---|---|---|
|
||||
| **开区间** | 罗尔、拉格朗日、柯西给出的 $\xi$ 一律在**开区间**内;只有介值定理可取端点 | 写成 $[a,b]$ 扣分;结论要求开区间时无法排除端点 |
|
||||
| **互异** | 两个中值要说明所在开区间不相交 | 只写"存在 $\xi,\eta$ " 不得分 |
|
||||
| **随区间** | $\xi$ 的范围跟着所用区间走(在 $[0,x_0]$ 上用得 $\xi\in(0,x_0)$ ) | 写成 $\xi\in(0,1)$ 是错的,虽然不错但不精确,且后续放缩会用错范围 |
|
||||
|
||||
**第三条最隐蔽**。例:在 $[0,x_0]$ 上用拉格朗日,得到 $\lvert f'(\xi)\rvert=\frac{M}{x_0}$ 。接下来若用 $\xi\in(0,1)$ 去放缩 $\frac1\xi$ ,答案就崩了——正确范围是 $\xi\in(0,x_0)$ 。
|
||||
|
||||
---
|
||||
|
||||
## 题目(按知识点顺序对应)
|
||||
|
||||
> 题 1 是等值点计数,题 2 是 2017·18 完整两问,题 3 是 2023·20 第 2 问,题 4 是"换函数"型,题 5 是纪律辨析,题 6 是三点定二阶零点。
|
||||
|
||||
### 题 1 · 6.1:三点等值给一个二阶零点(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,2]$ 上二阶可导,$f(0)=f(1)=f(2)=0$ 。证明存在 $\xi\in(0,2)$ 使 $f''(\xi)=0$ 。
|
||||
|
||||
**怎么想**:三个等值点,用两次罗尔得到两个一阶零点;这两个一阶零点又是 $f'$ 的等值点(值都是零),再用一次罗尔得二阶零点。总共三步。
|
||||
|
||||
**解**:在 $[0,1]$ 上用罗尔,存在 $\xi_1\in(0,1)$ 使 $f'(\xi_1)=0$ ;在 $[1,2]$ 上用罗尔,存在 $\xi_2\in(1,2)$ 使 $f'(\xi_2)=0$ 。
|
||||
|
||||
$\xi_1<\xi_2$ ,且 $f'(\xi_1)=f'(\xi_2)=0$ 。$f'$ 在 $[\xi_1,\xi_2]$ 上连续($f$ 二阶可导)、在 $(\xi_1,\xi_2)$ 内可导,再次用罗尔,存在 $\xi\in(\xi_1,\xi_2)\subset(0,2)$ 使 $f''(\xi)=0$ 。
|
||||
|
||||
**带走结论**:**"$n+1$ 个等值点 $\Rightarrow$ 一个 $n$ 阶导数的零点"**,这是罗尔连续使用的唯一公式。写答案时把每次罗尔的区间写清楚($(0,1)$ 、$(1,2)$ 、$(\xi_1,\xi_2)$ ),三个区间套起来才能保证 $\xi$ 落在 $(0,2)$ 内。
|
||||
|
||||
> **关联** · 盘点 [§6.1 等值点计数](01-知识点盘点.md#user-content-61-等值点计数) | 上游 — | 下游 — | 速查 [六 等值点账本](10-速查卡.md#user-content-六-等值点账本)
|
||||
|
||||
---
|
||||
|
||||
### 题 2 · 6.2:2017·18 完整两问(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上具有二阶导数,$f(1)>0$ ,$\lim_{x\to0^+}\frac{f(x)}{x}<0$ 。
|
||||
> (Ⅰ)证明方程 $f(x)=0$ 在 $(0,1)$ 内至少有一个实根;
|
||||
> (Ⅱ)证明方程 $f(x)f''(x)+\left[f'(x)\right]^2=0$ 在 $(0,1)$ 内至少有两个不同实根。
|
||||
|
||||
**怎么想**:(Ⅰ)先由极限得 $f(0)=0$ 且 $0$ 附近 $f<0$ ,再与 $f(1)>0$ 配异号(点 1 已练)。(Ⅱ)式子是 $(ff')'$ 的展开,所以令 $F=ff'$ ,要证 $F'$ 有两个零点。$F$ 的零点来自两处:$f=0$ 或 $f'=0$ 。手上有 $f(0)=0$ 、$f(c)=0$ (第 Ⅰ 问)、$f'(x_0)=0$ (最小值点),正好三个。
|
||||
|
||||
**解**:(Ⅰ)设 $L=\lim_{x\to0^+}\frac{f(x)}{x}<0$ 。取 $\varepsilon=-\frac L2$ ,存在 $\delta>0$ ,当 $0<x<\delta$ 时 $\frac{f(x)}{x}<\frac L2<0$ ,因 $x>0$ 故 $f(x)<0$ 。取 $x_0\in(0,\delta)$ 使 $x_0<1$ ,则 $f(x_0)<0<f(1)$ ,由零点定理,存在 $c\in(x_0,1)\subset(0,1)$ 使 $f(c)=0$ 。
|
||||
|
||||
(Ⅱ)由 $L$ 存在且有限,$f(0)=\lim_{x\to0^+}f(x)=\lim_{x\to0^+}\frac{f(x)}{x}\cdot x=0$ 。
|
||||
|
||||
因 $f(0)=f(c)=0$ 且 $f$ 在 $0$ 附近取负值,$f$ 在 $[0,1]$ 上的最小值小于 $0$ ,在某点 $x_1\in(0,1)$ 取到。$x_1$ 是内点极小值点,$f$ 可导,费马引理给 $f'(x_1)=0$ 。
|
||||
|
||||
令 $F(x)=f(x)f'(x)$ ,则 $F$ 在 $[0,1]$ 上连续、$(0,1)$ 内可导,且
|
||||
|
||||
$$F(0)=f(0)f'(0)=0,\qquad F(c)=f(c)f'(c)=0,\qquad F(x_1)=f(x_1)f'(x_1)=0 .$$
|
||||
|
||||
$x_1\ne c$ (因 $f(x_1)<0=f(c)$ )。把 $0,c,x_1$ 按大小排成 $y_1<y_2<y_3$ ,在 $[y_1,y_2]$ 与 $[y_2,y_3]$ 上分别用罗尔,得 $\xi,\eta$ 满足 $y_1<\xi<y_2<\eta<y_3$ 且 $F'(\xi)=F'(\eta)=0$ 。
|
||||
|
||||
而 $F'(x)=f'(x)^2+f(x)f''(x)$ ,故 $\xi,\eta$ 是两个不同实根。
|
||||
|
||||
**带走结论**:这一问的全部关键在**认出 $ff''+(f')^2$ 就是 $(ff')'$ 的展开**。只要认出来,剩下的就是数等值点。记住这张"导数展开表":
|
||||
|
||||
$$(ff')'=f'^2+ff'',\qquad (f^2)'=2ff',\qquad \left(\frac{f'}{f}\right)'=\frac{ff''-f'^2}{f^2}.$$
|
||||
|
||||
> **关联** · 盘点 [§6.2 二阶导结论的三种构造](01-知识点盘点.md#user-content-62-二阶导结论的三种构造) | 上游 — | 下游 [点 6 题 4](07-点6-高阶中值与多次使用.md#user-content-题-4--62换函数造三个等值点)、[点 6 题 6](07-点6-高阶中值与多次使用.md#user-content-题-6--62一点给一阶另一点给二阶) | 速查 [五 二阶导的三型](10-速查卡.md#user-content-五-二阶导的三型)
|
||||
|
||||
---
|
||||
|
||||
### 题 3 · 6.3:2023·20 第 2 问(★★★)
|
||||
|
||||
> 设 $f$ 在 $[-a,a]$ 上具有二阶连续导数,$a>0$ ,$f$ 在 $(-a,a)$ 内取得极值。证明存在 $\eta\in(-a,a)$ 使
|
||||
>
|
||||
> $$\lvert f''(\eta)\rvert\ge\frac{1}{2a^2}\lvert f(a)-f(-a)\rvert .$$
|
||||
|
||||
**怎么想**:极值点 $x_0$ 处 $f'(x_0)=0$ ,在这点展开 $f(a)$ 与 $f(-a)$ ,一阶项自动消失,剩下 $f(x_0)$ 与二阶项。相减消掉 $f(x_0)$ ,剩下的差被两段距离的平方和控住;而距离平方和的最大值是 $4a^2$ ,于是 $f''$ 的某个值必须够大。
|
||||
|
||||
**解**:设极值点为 $x_0\in(-a,a)$ ,则 $f'(x_0)=0$ 。在 $x_0$ 点展开 $f(a)$ 与 $f(-a)$ ,存在 $\xi_1$ 介于 $x_0$ 与 $a$ 之间、$\xi_2$ 介于 $-a$ 与 $x_0$ 之间,使
|
||||
|
||||
$$f(a)=f(x_0)+\frac{f''(\xi_1)}{2}(a-x_0)^2,\qquad f(-a)=f(x_0)+\frac{f''(\xi_2)}{2}(a+x_0)^2 .$$
|
||||
|
||||
相减:
|
||||
|
||||
$$f(a)-f(-a)=\frac12\left[f''(\xi_1)(a-x_0)^2-f''(\xi_2)(a+x_0)^2\right].$$
|
||||
|
||||
记 $M=\max\left\{\lvert f''(\xi_1)\rvert,\lvert f''(\xi_2)\rvert\right\}$ ,取绝对值放缩:
|
||||
|
||||
$$\lvert f(a)-f(-a)\rvert\le\frac M2\left[(a-x_0)^2+(a+x_0)^2\right]=\frac M2\left(2a^2+2x_0^2\right)\le\frac M2\cdot4a^2=2Ma^2 .$$
|
||||
|
||||
故 $M\ge\frac{\lvert f(a)-f(-a)\rvert}{2a^2}$ 。取 $\eta$ 为 $\xi_1,\xi_2$ 中使 $\lvert f''\rvert$ 达到 $M$ 的那个,则 $\eta\in(-a,a)$ 且结论成立。
|
||||
|
||||
**带走结论**:**"极值点展开 + 距离平方和放缩"** 是这一类题的固定配方。中间那个不等式 $(a-x_0)^2+(a+x_0)^2\le4a^2$ 要背下来,它是 $\frac{1}{2a^2}$ 这个系数的全部来源——分子是 $2Ma^2$ ,所以系数是 $\frac{1}{2a^2}$ ,不是 $\frac{1}{a^2}$ 。
|
||||
|
||||
> **关联** · 盘点 [§6.3 极值点三连](01-知识点盘点.md#user-content-63-极值点三连) | 上游 — | 下游 — | 速查 [五 二阶导的三型](10-速查卡.md#user-content-五-二阶导的三型)
|
||||
|
||||
---
|
||||
|
||||
### 题 4 · 6.2:换函数造三个等值点(★★★)
|
||||
|
||||
> 设 $f$ 在 $[0,2]$ 上二阶可导,$f(0)=f(2)=0$ ,$f(1)=1$ 。证明存在 $\xi\in(0,2)$ 使 $f''(\xi)\le-1$ 。
|
||||
|
||||
**怎么想**:结论是"$f''$ 不超过某个负数",属于"换函数"型。要把它变成"$G''$ 有零点",需 $G''=f''+1$ ,即 $G=f+\frac{x^2}{2}$ 。但 $G$ 在三点是否等值?$G(0)=0$ ,$G(1)=1+\frac12=\frac32$ ,$G(2)=0+2=2$ ,不等。
|
||||
|
||||
**调整**:$G=f+cx^2$ 要三个等值点,需 $0=4c$ 且 $1=c$ ,不行。改用"过三点的二次多项式" $P$ 使 $P(0)=0$ 、$P(1)=1$ 、$P(2)=0$ ,即 $P(x)=x(2-x)$ ,则 $P''=-2$ 。令 $G=f-P$ ,则 $G(0)=G(1)=G(2)=0$ ,$G''=f''+2$ 。由题 1 的结论,存在 $\xi$ 使 $G''(\xi)=0$ ,即 $f''(\xi)=-2\le-1$ 。
|
||||
|
||||
**解**:令 $P(x)=x(2-x)$ ,$G(x)=f(x)-P(x)$ 。则
|
||||
|
||||
$$G(0)=f(0)-0=0,\quad G(1)=f(1)-1=0,\quad G(2)=f(2)-0=0 .$$
|
||||
|
||||
由题 1 的结论(三点等值给二阶零点),存在 $\xi\in(0,2)$ 使 $G''(\xi)=0$ 。而 $G''(x)=f''(x)-P''(x)=f''(x)+2$ ,故 $f''(\xi)=-2<-1$ ,结论更强。
|
||||
|
||||
**带走结论**:**"换函数"要找的是过给定点的二次多项式**,它就是插值多项式。本题三点 $(0,0),(1,1),(2,0)$ 对应的抛物线是 $x(2-x)$ ,顶点在 $\left(1,1\right)$ 。考场上不必列方程,看"三点连成的形状像哪条抛物线"即可。这类题的答案通常比要求的更强(本题得到 $-2$ 而非 $-1$ ),说明题目留了余量。
|
||||
|
||||
> **关联** · 盘点 [§6.2 二阶导结论的三种构造](01-知识点盘点.md#user-content-62-二阶导结论的三种构造) | 上游 [点 6 题 2](07-点6-高阶中值与多次使用.md#user-content-题-2--62201718-完整两问) | 下游 [点 6 题 6](07-点6-高阶中值与多次使用.md#user-content-题-6--62一点给一阶另一点给二阶) | 速查 [五 二阶导的三型](10-速查卡.md#user-content-五-二阶导的三型)
|
||||
|
||||
---
|
||||
|
||||
### 题 5 · 6.4:中值点纪律辨析(★★☆)
|
||||
|
||||
> 判断下列五个断言的正误,错的给出反例。
|
||||
> (A)罗尔定理中的 $\xi$ 属于开区间 $(a,b)$ ,不能取端点。
|
||||
> (B)若 $f$ 在 $[0,1]$ 上连续、$(0,1)$ 内可导且 $f(0)=f(1)=0$ ,则至少存在两个不同点使 $f'=0$ 。
|
||||
> (C)若 $f$ 在 $(a,b)$ 内可导且 $f'$ 无零点,则 $f$ 在 $(a,b)$ 内严格单调。
|
||||
> (D)柯西中值定理要求 $F'(x)\ne0$ 于 $(a,b)$ ,是为了保证 $F(b)\ne F(a)$ 且分母有意义。
|
||||
> (E)若 $f$ 在 $[0,1]$ 上二阶可导且 $f(0)=f(1)=0$ ,则存在 $\xi$ 使 $f''(\xi)=0$ 。
|
||||
|
||||
**怎么想**:五条分别考"开区间""等值点数量""导数介值""条件的必要性""阶数不够"。每条对着定义核一遍。
|
||||
|
||||
**解**:
|
||||
|
||||
(A)**对**。罗尔定理的结论只保证开区间内存在这样的点。端点处 $f'$ 可能非零(如 $f=x(1-x)$ 在 $[0,1]$ ,$f'(0)=1$ ),所以不能把端点算进来。
|
||||
|
||||
(B)**错**。两个等值点只给一个罗尔点。反例:$f(x)=x(1-x)$ ,$f'=1-2x$ 只有一个零点 $x=\frac12$ 。正确表述是"$n+1$ 个等值点给 $n$ 个导数为零的点"。
|
||||
|
||||
(C)**对**。这是达布定理的推论(点 1.4):$f'$ 不取零则恒正或恒负,故严格单调。**注意不需要 $f'$ 连续**,这一点是本题的价值——很多人误以为要先有 $f'$ 连续才能谈符号不变。
|
||||
|
||||
(D)**对**。$F'\ne0$ 一箭双雕:分母 $F'(\xi)$ 不为零;由达布定理 $F'$ 恒正或恒负,$F$ 严格单调,从而 $F(b)-F(a)\ne0$ 。两个"不为零"都由这一条保证。
|
||||
|
||||
(E)**错**。阶数不够。反例:$f(x)=x(1-x)$ 满足 $f(0)=f(1)=0$ ,但 $f''\equiv-2$ ,没有零点。要得到 $f''$ 的零点,必须有三个等值点(题 1)。
|
||||
|
||||
**带走结论**:这五条里(B)与(E)是同一件事的两个层次——**等值点不够,导数阶数就上不去**。(C)的"不需要连续"最容易被忽略,答题时写"由达布定理"而不是"由 $f'$ 连续",显得专业且不出错。
|
||||
|
||||
> **关联** · 盘点 [§6.4 中值点三条纪律](01-知识点盘点.md#user-content-64-中值点三条纪律) | 上游 — | 下游 — | 速查 —
|
||||
|
||||
---
|
||||
|
||||
### 题 6 · 6.2:一点给一阶、另一点给二阶(★★☆)
|
||||
|
||||
> 设 $f$ 在 $[0,1]$ 上二阶可导,$f(0)=f(1)=0$ ,$f'(0)=1$ 。证明存在 $\xi\in(0,1)$ 使 $f''(\xi)=-2$ 。
|
||||
|
||||
**怎么想**:题目给了 $0$ 点的两个信息($f(0)$ 与 $f'(0)$ ),要在 $1$ 点用,就在 $0$ 点把 $f(1)$ 展开。一阶项 $f'(0)\cdot1$ 正好用上,二阶余项里出现 $f''$ ,而左边 $f(1)$ 已知为零。
|
||||
|
||||
**解**:在 $0$ 点把 $f$ 作二阶泰勒展开,存在 $\xi\in(0,1)$ 使
|
||||
|
||||
$$f(1)=f(0)+f'(0)\cdot1+\frac{f''(\xi)}{2}\cdot1^2 .$$
|
||||
|
||||
代入 $f(0)=0$ 、$f(1)=0$ 、$f'(0)=1$ :
|
||||
|
||||
$$0=0+1+\frac{f''(\xi)}{2}\ \Rightarrow\ f''(\xi)=-2 .$$
|
||||
|
||||
**带走结论**:**"一点给一阶导数、另一点给函数值,求二阶导数"就是泰勒的一次展开**,不必构造辅助函数。展开点选"信息多的那个点"(本题是 $0$ ,因为它同时给了 $f(0)$ 与 $f'(0)$ ),代入点选"另一个已知函数值的点"。这类题在真题里通常是 12 分大题的第一问,作用是把分数先拿到。
|
||||
|
||||
> **关联** · 盘点 [§6.2 二阶导结论的三种构造](01-知识点盘点.md#user-content-62-二阶导结论的三种构造) | 上游 [点 6 题 2](07-点6-高阶中值与多次使用.md#user-content-题-2--62201718-完整两问)、[点 6 题 4](07-点6-高阶中值与多次使用.md#user-content-题-4--62换函数造三个等值点) | 下游 — | 速查 [五 二阶导的三型](10-速查卡.md#user-content-五-二阶导的三型)
|
||||
|
||||
---
|
||||
Some files were not shown because too many files have changed in this diff Show More
Reference in New Issue
Block a user