Compare commits

..
3 Commits
Author SHA1 Message Date
Yimu c19dc8bb25 docs(大题十年考点): 盘点拆出 01b 覆盖对照与接口,点14 补概率大题
- 01-知识点盘点 14038 → 12976 字符,超额部分整体迁到 01b(§0.x 编号保持不变)
- 15-点14-概率多维随机变量 补题并同步速查回查
- gen_crosslinks 支持把索引表写入含 AUTO:KP 标记的 01b
2026-11-07 12:41:02 +08:00
Yimu 326d9317f8 feat(概率论第4讲): 新建「知识点带题」全套,盘点+五点分册+速查卡共 19 题
- 01 知识点盘点:五节 + 按分值/依赖链两张表 + §0.4 反查 + 覆盖对照 13 行 + 相邻讲接口
- 02—06 五个点:期望(4)、方差与矩(4)、协方差与相关系数(4)、条件期望与重期望(3)、线性组合与最值(4)
- 07 速查卡:九组结论 + 六处丢分点 + AUTO 回查
- 补齐 2025·8 的「σ 相同下 D(aX+bY) 最值」与异方差的特征值解法
- 全部数值经 sympy 复核;标题去公式以保锚点稳定
2026-11-07 12:40:51 +08:00
Yimu 60f3f394c0 refactor(概率论第3讲): 按「知识点带题」整体重构,三件套改为盘点+七点分册+速查卡
- 删去 01-考点手册 / 02-试题 / 03-解析 / 04-答疑笔记 / 05-试题-中高难度 / 06-解析-中高难度
- 新建 01-知识点盘点(七节 + 覆盖对照 + 相邻讲接口)、02—08 七个点文件、09-速查卡
- 27 题全部原创数字,A/B/C 难度分层;每题带「怎么想 / 解 / 带走结论」与题目级双向链接
- 关键数值用 sympy 复核:P{X+Y<1}=1/3、Cov=4/225、D(3X-2Y)=108、P{X=0|Y=2}=1/(1+2e^-2) 等
- gen_crosslinks 生成 27 条关联行 + §0.4 反查表 + 速查回查表;链接 143 条 0 异常
- 公式预检 0 处待修;18 处「加粗以公式收尾」已改写句式(补空格会让星号外露)
2026-11-07 12:32:42 +08:00
29 changed files with 3918 additions and 1386 deletions
+12 -3
View File
@@ -190,8 +190,17 @@ 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:
@@ -209,7 +218,7 @@ 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):
@@ -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]]"]
---
@@ -11,7 +11,7 @@ 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))
@@ -51,6 +51,28 @@ $$P\{X=x_k\mid Y\le y_0\}=\frac{P\{X=x_k\}P\{Y\le y_0\mid X=x_k\}}{P\{Y\le y_0\}
分母就是上面那个 $f_Y$ 的积分。**这类题的分数全在"分母算对没有"**。
## 知识点 14.4 条件分布与重期望(出处:[概率论-第3讲 · 条件分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
$$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)} .$$
条件密度是**一族**密度,支撑随 $x$ 变——分段点就从这里来。**第一步永远先乘出联合密度**,即 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$ ;乘积与 $x$ 无关时,说明 $(X,Y)$ 在某区域上均匀。重期望 $EY=E\left[E(Y\mid X)\right]$ ,算协方差用 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 。
## 知识点 14.5 协方差与相关系数(出处:[概率论-第3讲 · 数字特征](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
$$\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY,\qquad \rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX\cdot DY}} .$$
双线性;$D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y)$ 。**不相关 $\ne$ 独立**(二维正态除外)。乘积型固定套路:$X=\pm1$ 时 $X^2=1$ ,故 $XZ=X^2Y=Y$ 、$E(XZ)=EY$ 。
## 知识点 14.6 复合分布与泊松稀疏(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
$N\sim P(\lambda)$ 且 $M\mid N=n\sim B(n,p)$ 时,$M\sim P(\lambda p)$ ,$EM=DM=\lambda p$ 。每个事件独立地以概率 $p$ 被留下,留下的仍是泊松——**认出结论直接写,别展开那个和式**。
## 知识点 14.7 商的分布(出处:[概率论-第3讲 · 函数分布](../概率论-第3讲-多维随机变量及其分布/01-考点手册.md))
$$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 .$$
**验算**:$\int_0^12(1-y)dy=1$ ✓。$\rho_{XY}=\frac12>0$ 合理——$Y$ 的上限就是 $X$ ,$X$ 大时 $Y$ 被抬高;但 $Y$ 在 $(0,x)$ 内仍均匀乱跳,所以远不到 $1$ 。
**带走结论**:**给条件密度的题,第一步永远是乘出联合密度**;乘出来是常数就按区域均匀处理。本题若走重期望更快:$E(Y\mid X)=\frac X2$ ,故 $E(XY)=E\left[\frac{X^2}{2}\right]=\frac{EX^2}{2}=\frac14$ ,一行到位。
> **关联** · 盘点 [§14.4 条件分布与重期望](01-知识点盘点.md#user-content-144-条件分布与重期望) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
---
### 题 5 · 14.5:乘积型与相关性(★★★)
> 【2018·22、2019·22 骨架】设 $X$ 与 $Y$ 相互独立,$P\{X=1\}=P\{X=-1\}=\frac12$ ,$Y$ 服从参数为 $2$ 的泊松分布。令 $Z=XY$ 。
>
> (Ⅰ)求 $\operatorname{Cov}(X,Z)$ ;(Ⅱ)求 $Z$ 的分布律;(Ⅲ)问 $X$ 与 $Z$ 是否相互独立。
**怎么想**:别展开 $\operatorname{Cov}$ 的四项。$X=\pm1$ 时 $X^2=1$ ,于是 **$XZ=X^2Y=Y$** ,$E(XZ)=EY=2$ ;又 $EX=0$ ,故 $\operatorname{Cov}(X,Z)=2$ 。(Ⅱ)$Z$ 的正负完全由 $X$ 的符号决定,$Z=0$ 只在 $Y=0$ 时出现。
**解**:(Ⅰ)
$$\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 .$$
**验算**:$\int_1^{+\infty}\frac{2}{(1+z)^2}dz=2\cdot\frac12=1$ ✓;$Z>1$ 与"长段大于短段"一致 ✓;$0<\frac XY<1$ 而 $2\ln2-1\approx0.386\in(0,1)$ ✓。
**带走结论**:**商的题"先 $F$ 后 $f$"**:$Z\le z$ 是半平面,与支撑求交只动一个上限;硬凑 $f_Z=\int|x|f(x,xz)dx$ 容易漏绝对值与分段。折叠型 $\min(U,1-U)$ 先算 $F$ 得到均匀密度,是全套的入口。
> **关联** · 盘点 [§14.7 商的分布](01-知识点盘点.md#user-content-147-商的分布) | 上游 — | 下游 — | 速查 [十四 概率多维:两条主线](17-速查卡.md#user-content-十四-概率多维两条主线)
---
@@ -144,11 +144,15 @@ $$\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**先 $F$ 后 $f$**;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 +1,354 @@
---
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 +1,209 @@
---
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}.$$
**四个动作**:① 写反解;② 算 $J$ (**取绝对值**);③ 把 $f$ 里的 $x,y$ 全换掉;④ 对不要的那个变量积分得边缘。
**为什么能"顺带判独立"**:若 $f_{U,V}(u,v)$ 恰好能写成 $a(u)b(v)$ 且支撑是矩形,则 $U\perp V$ ——一眼看出,不必再算边缘。
## 知识点 5.3 三条路怎么选(出处:本讲点 6 与 §5 综合)
| 题目长相 | 走哪条 | 理由 |
|---|---|---|
| 求 $Z=g(X,Y)$ ,$g$ 一般(含平方、商、绝对值) | **分布函数法** | "$g\le z$ "总能翻译成区域 |
| 已知两个**边缘**且独立,求 $Z=X+Y$ | **卷积公式** | 卷积就是分布函数法在这里的成品 |
| 需要**两个函数**的联合分布(如 $X+Y$ 与 $X/(X+Y)$ ) | **雅可比** | 分布函数法处理不了"两个新变量" |
| 求 $\max$ 、$\min$ | 直接用 $F^n$ 、$1-(1-F)^n$ | 独立性使"全部 $\le z$ "变成乘积 |
> **一条保险策略**:不确定时**先走分布函数法**。它慢但不会错;做完后用雅可比复核(若时间允许),两法结果一致才敢交卷。
---
## 题目(按知识点顺序对应)
### 题 1 · 5.1:分布函数法求和的分布(★★☆)
> 设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,$Z=X+Y$ 。
>
> (Ⅰ)用分布函数法求 $F_Z(z)$ 与 $f_Z(z)$ ;
> (Ⅱ)说明分段点 $z=0,1,2$ 是怎么来的;
> (Ⅲ)求 $P\left\{Z<\frac12\right\}$ 。
**怎么想**:$F_Z(z)$ 是"单位正方形被 $x+y\le z$ 切下的面积"。$z$ 从 $0$ 移到 $2$ 时,切下的形状从"无"→"三角形"→"五边形"→"全含",四次换型就是三个分段点。
**解**:
**(Ⅰ)** 支撑是单位正方形,面积为 $1$ ,故 $f(x,y)=1$ 在正方形上,且
$$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 +1,219 @@
---
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 .$$
**差的一条常用变形**:$X-Y=X+(-Y)$ ,先把 $-Y$ 的密度写出来($f_{-Y}(t)=f_Y(-t)$ ),再套卷积。这条比记差公式更不容易出错。
> **商的稳妥做法**:先求 $F_Z(z)=P\{Y\le zX\}$ (半平面区域),再求导。绝对值与不等号方向在 $z<0$ 与 $z>0$ 上常常相反,先分段再积。
## 知识点 6.3 最值分布(出处:[知识章 §10.2、§8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
**独立性是全部前提**——"全部 $\le z$ "能拆成乘积,靠的就是独立:
$$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 .$$
也可以硬算:$\frac12\Phi(0.5)+\frac12\Phi(-0.5)=\frac12$ 。
**验算**:$DY=1.25$ 也可由 $EY^2=E[X^2+1]=2.5+1=3.5$ 得 $DY=3.5-2.25=1.25$ ✓;$P\{Y<1.5\}=\frac12$ 与对称性一致 ✓。
**带走结论**:**混合正态的三个考点**:$EY$ 用重期望、$DY$ 用总方差、是否双峰看 $\lvert\mu_1-\mu_2\rvert$ 与 $2\sigma$ 的比较。**别一看到"正态的加权和"就说它是正态**——正态的线性组合才是正态,凸组合不是。
> **关联** · 盘点 [§7.2 混合正态](01-知识点盘点.md#user-content-72-混合正态) | 上游 — | 下游 — | 速查 [十二 混合型两条公式](09-速查卡.md#user-content-十二-混合型两条公式)
---
@@ -0,0 +1,177 @@
---
tags: [数学一, 在学练习, 概率论, 多维随机变量, 速查卡]
专题: 概率论 第3讲 · 多维随机变量及其分布(速查)
日期: 2026-11-07
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 第3讲 · 多维随机变量及其分布:速查卡
考前十分钟只看这一页。
## 一 三种换算的方向
<!-- KP: 1.1, 1.2, 1.3 -->
```
联合 ──积分掉 y──► 边缘 X
│ │
│除边缘 │
▼ ▼
条件 ──贝叶斯──► 反向条件
```
**永远是"联合 → 边缘 / 条件",反方向不成立**(除非独立)。$f=f_Xf_{Y\mid X}$ 恒成立,$f=f_Xf_Y$ 只在独立时成立。
## 二 边缘密度的定限
<!-- KP: 3.1, 3.2 -->
```
① 画支撑 D
② 固定 x 画竖线,看穿过多长 → 上下限
③ 端点含 x 就要分段
```
**判据**:支撑不是矩形 $\Rightarrow$ 边缘一定是分片/非均匀函数。
## 三 两个均匀结论
<!-- KP: 3.4 -->
- 一切概率 $=$ **面积比** $S_{D\cap G}/S_D$ ;
- $X\perp Y\iff D$ 是**边平行坐标轴的矩形**(圆、三角、菱形一律不独立)。
## 四 二维正态六条
<!-- KP: 3.5 -->
1. 边缘 $N(\mu_i,\sigma_i^2)$ ,与 $\rho$ 无关;
2. $aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right)$ ;
3. $Y\mid X=x\sim N\!\left(\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right)$ ;
4. **独立与 $\rho=0$ 等价**(仅限二维正态);
5. $\rho=0$ 时 $f=f_Xf_Y$ ;
6. $X+Y\perp X-Y\iff\sigma_1^2=\sigma_2^2$ 。
## 五 判独立两步
<!-- KP: 4.1, 4.2 -->
```
① 表达式能否写成 g(x)h(y)? 不能 → 不独立
② 支撑是否矩形? 不是 → 不独立
两条都通过 → 独立(归一化把 GH 吸收成 1)
```
## 六 独立与不相关
<!-- KP: 4.3 -->
- 独立 $\Rightarrow$ 不相关;**反向只在二维正态成立**;
- 反例模板:$X\sim U(-1,1)$ 、$Y=X^2$ ;
- 量级:独立管**全部分布**,不相关只管**二阶矩**。
## 七 函数分布三条路
<!-- KP: 5.1, 5.2, 5.3 -->
| 长相 | 路 |
|---|---|
| 一般 $g(X,Y)$ | 分布函数法(画区域、分段、求导) |
| $Z=X+Y$ 且已知两个边缘 | 卷积公式 |
| 要**两个**新变量 | 雅可比 $\lvert J\rvert$ |
| $\max$ / $\min$ | $F^n$ / $1-(1-F)^n$ |
**分段点 $=$ 区域换型处**($Z=X+Y$ 在单位正方形:$0,1,2$ )。
## 八 卷积定限
<!-- KP: 6.1 -->
$$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).$$
**区间非空才积**,非空条件给出分段:$a_1+a_2<z<b_1+b_2$ 。
**等长支撑 → 三角;不等长 → 梯形**(平台长 $=$ 长度差)。
## 九 差、积、商
<!-- KP: 6.2 -->
- 差:$X-Y=X+(-Y)$ ,$f_{-Y}(t)=f_Y(-t)$ ;
- 绝对值:$F_{\lvert X-Y\rvert}(z)=1-2\times$ 两角三角形面积 $=1-(1-z)^2$ ;
- 折叠:$f_{\lvert W\rvert}(z)=f_W(z)+f_W(-z)$ ;
- 商:先 $F_Z(z)=P\{Y\le zX\}$ 再求导,**$z<0$ 与 $z>0$ 要分开**。
## 十 最值
<!-- KP: 6.3, 4.4 -->
$$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**:`$...$` 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/` 。