--- tags: [数学一, 知识点构建, 背诵版, 概率论, 多维随机变量] 专题: 概率论 · 第3讲 多维随机变量及其分布 · 背诵版 日期: 2026-10-27 更新: 2026-11-08(v2 重构:分块排版 + 二维正态密度补全 + 真题地图对齐 sqlite + 纯题干题单) 状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 27 题纯题干清单;题单已对齐在学练习七点分册) 来源: 在学练习/概率论-第3讲-多维随机变量及其分布(七点分册 27 题)| 参考仓库 knowledge/{2 多维部分, 3}、exercise/{2, 3}|真题库 kaoyan_math1.db(chapter 17) 关联笔记: ["[[README]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]", "[[18-背诵版-概率论-第4讲-数字特征]]"] --- # 概率论 · 第3讲 多维随机变量及其分布 · 背诵版 > **范围**:参考仓库 `knowledge/2` 的**多维部分** + `knowledge/3` 的二维数字特征(一维部分见 [[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量|第1+2讲]],不重复)。 > **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 ## 0 骨架(先背这张图) ### 0.1 一句话与四条主线 **一句话**:**降维靠积分(边缘)、升级靠全概率/卷积(函数分布)、判独立看乘积、算相关看协方差。** **依赖链**:联合分布函数 → 二维离散/连续 → 边缘与条件 → 独立性 → 函数分布(分布函数法 / 雅可比 / 卷积)→ 数字特征耦合。 **四条主线**(本讲所有题都落在这四条上): | 主线 | 动作 | 触发信号 | |---|---|---| | ① 降维 | 边缘:对另一变量求和/积分 | "求 $f_X$ ""求边缘分布" | | ② 升级 | 函数分布:分布函数法、雅可比、卷积 | "求 $Z=g(X,Y)$ 的分布" | | ③ 判独立 | 比 $f$ 与 $f_Xf_Y$ (或看区域形状) | "是否独立" | | ④ 算数字特征 | $E(g)$ 、$\operatorname{Cov}$ 、$D(aX\pm bY)$ | "求相关系数""求方差" | ### 0.2 十年真题地图(sqlite:多维随机变量章,2016–2025) | 年份·题号 | 考点 | 分值 | 本章归属 | |---|---|---|---| | 2025·8 | 二维正态线性组合的方差最值 | 5 | §3.4 二维正态 | | 2024·9 | 条件分布 + 协方差 | 5 | §3.3 条件分布 | | 2022·10 | 条件正态分布 → 相关系数 | 5 | §3.3 + §6 | | 2021·22 | 随机变量函数的分布与期望(分线段) | 12 | §5 函数分布 | | 2020·22 | 混合型:$Y=X_3X_1+(1-X_3)X_2$ | 11 | §5.6 混合型 | | 2019·22 | $Z=XY$ 的密度 + 不相关 + 独立性 | 11 | §5 + §6 | | 2019·8 | 正态差的分布(与 $\mu$ 无关) | 4 | §5.2 差的分布 | | 2018·22 | $\operatorname{Cov}(X,Z)$ + $Z=XY$ 的分布 | 11 | §5 + §6 | | 2017·22 | $Z=X+Y$ (一离散一连续)的密度 | 11 | §5.1 + §5.5 | | 2016·22 | 二维均匀 + 离散化 + 独立性与函数分布 | 11 | §3.4 + §4 + §5 | > **命题规律**:**年年一道 11–12 分解答题**,结构高度固定:**给二维密度 ⟹ 求某个函数的分布 ⟹ 顺带问协方差或独立性**。选填则偏爱**条件分布 + 协方差/相关系数**(2024·9、2022·10)与**二维正态**(2025·8、2019·8)。近十年 10 题 86 分,是概率各章里分值最重的一章。 ### 0.3 考点树(与在学练习七点分册一一对应) | 节 | 考点 | 在学练习 | 题数 | |---|---|---|---| | §1 | 联合分布函数与四性质、边缘分布函数 | 点 1 | 4 | | §2 | 二维离散:联合/边缘/条件分布律、多项分布 | 点 2 | 3 | | §3 | 二维连续:密度、边缘、条件、二维均匀、二维正态 | 点 3 | 5 | | §4 | 独立性三等价、独立与不相关 | 点 4 | 4 | | §5.1–5.3 | 函数分布两条路:分布函数法、雅可比 | 点 5 | 4 | | §5.4–5.5 | 四则运算与最值:卷积、和差积商、max/min | 点 6 | 4 | | §5.6 | 混合型与全概率 | 点 7 | 3 | | §6 | 二维期望、协方差、$D(aX\pm bY)$ 、条件分布求相关 | 点 3/6 共用 | — | ## 1 联合分布与边缘分布(点 1) ### 1.1 定义 $X,Y$ 定义在**同一样本空间** $\Omega$ 上,则 $(X,Y)$ 为二维随机变量。**联合分布函数** $$F(x,y)=P\{X\le x,\ Y\le y\}.$$ 几何意义:以 $(x,y)$ 为**右上角**、向左下无限张开的无界矩形 $(-\infty,x]\times(-\infty,y]$ 上的概率。 ### 1.2 四条性质(比一维多一条) ① **对每个变量单调不减**;② **对每个变量右连续**;③ **有界**:$F(-\infty,y)=F(x,-\infty)=0$ ,$F(+\infty,+\infty)=1$ ;④ **二维特有:矩形增量非负** $$P\{x_1 **为什么 ④ 不能省**:存在满足 ①②③ 但矩形增量为负的二元函数。考"能否作联合分布函数"时,前三条只是必要条件。 ### 1.3 边缘分布函数 $$F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).$$ **口诀(参考仓库)**:**求谁不积谁,不积先定限;限内画条线,先交写下限,后交写上限。** ## 2 二维离散型(点 2) ### 2.1 联合分布律 $p_{ij}=P\{X=x_i,\ Y=y_j\}$ ,充要条件 $p_{ij}\ge0$ 且 $\sum_i\sum_jp_{ij}=1$ 。列表是一个**二维表**: | $X\backslash Y$ | $y_1$ | $y_2$ | $\cdots$ | $p_{i\cdot}$ | |---|---|---|---|---| | $x_1$ | $p_{11}$ | $p_{12}$ | $\cdots$ | $p_{1\cdot}$ | | $x_2$ | $p_{21}$ | $p_{22}$ | $\cdots$ | $p_{2\cdot}$ | | $p_{\cdot j}$ | $p_{\cdot1}$ | $p_{\cdot2}$ | $\cdots$ | $1$ | ### 2.2 边缘与条件 - **边缘**(行和、列和):$p_{i\cdot}=\sum_jp_{ij}=P\{X=x_i\}$ ,$p_{\cdot j}=\sum_ip_{ij}=P\{Y=y_j\}$ ; - **条件**:$P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}}$ ($p_{\cdot j}>0$ ); - **区域概率**:$P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$ 。 ### 2.3 多项分布(真题接口 2016·8) $n$ 次独立试验,每次落入 $r$ 个互斥类别的概率为 $p_1,\dots,p_r$ ,记 $X_i$ 为落入第 $i$ 类的次数,则 $$P\{X_1=k_1,\dots,X_r=k_r\}=\frac{n!}{k_1!\cdots k_r!}p_1^{k_1}\cdots p_r^{k_r},\qquad \operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j).$$ > **负协方差的理解**:各类次数此消彼长(总数固定),故必负相关。由此可直接读相关系数 $\rho=\frac{-np_ip_j}{\sqrt{np_i(1-p_i)}\sqrt{np_j(1-p_j)}}$ 。 ## 3 二维连续型与两类分布(点 3) ### 3.1 联合概率密度 存在 $f\ge0$ 使 $F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du$ 。充要条件 $$f(x,y)\ge0,\qquad \iint_{\mathbb R^2}f(x,y)\,\mathrm dx\,\mathrm dy=1 .$$ **三条推论**:① 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$ ;② 区域概率 $P\{(X,Y)\in G\}=\iint_Gf$ (**画图定限是全部功夫**);③ 在 $f$ 的连续点与边界上改有限个点的值不影响分布。 ### 3.2 边缘密度 $$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx .$$ > ⚠️ **联合决定边缘,边缘不决定联合**。反例:同一对边缘可以配出无数种联合。 ### 3.3 条件概率密度 $$f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\quad(f_X(x)>0),$$ 乘法公式 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=f_Y(y)f_{X\mid Y}(x\mid y)$ 。 **求条件密度的标准动作**:① 先求 $f_X(x)$ (**这一步最容易忘**);② 把 $f(x,y)$ 中的 $x$ 当常数,除以 $f_X(x)$ ;③ **写清 $y$ 的条件范围**(依赖 $x$ ,别写成全局范围)。 **条件分布函数**:$F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\int_{-\infty}^{y}f_{Y\mid X}(v\mid x)\,\mathrm dv$ 。 ### 3.4 两种常用的二维分布 **二维均匀分布**:$(X,Y)$ 在区域 $D$ (面积 $S_D$ )上均匀, $$f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D,\\[4pt]0,&\text{其他}.\end{cases}$$ 概率 = 面积占比:$P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D}$ (几何概型的升维)。 **二维正态分布** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ : $$f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.$$ **五条必背性质**: | # | 性质 | |---|---| | ① | 边缘仍是正态:$X\sim N(\mu_1,\sigma_1^2)$ 、$Y\sim N(\mu_2,\sigma_2^2)$ (**与 $\rho$ 无关**) | | ② | $\rho$ 就是相关系数:$\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ | | ③ | 任意线性组合 $aX+bY$ (不全为 0)仍服从正态 | | ④ | 条件分布仍是正态,$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$ ,$D(Y\mid X=x)=\sigma_2^2(1-\rho^2)$ | | ⑤ | **不相关 $\iff$ 独立**(二维正态的专属特权,一般情形不成立) | **识别技巧**:若 $F(x,y)=\varPhi(\cdot)\varPhi(\cdot)$ (两个一维分布函数之积),立刻能读出两变量独立且各自正态——2025·8 的 $D(aX+bY)=a^2+b^2+2ab\rho=1+2ab\rho$ ($a^2+b^2=1$ ),在 $ab=\frac12|\sin2\theta|$ 型处取到最大值 $1+|\rho|$ 。 ## 4 独立性(点 4) ### 4.1 三等价定义 $$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}.$$ (离散用第三式,连续用第二式,$F$ 式通用。) ### 4.2 性质 - 独立 ⟹ $f(X)$ 与 $g(Y)$ 独立(任意可测函数); - 独立 ⟹ 任意子组独立; - 独立 ⟹ $E(XY)=EX\cdot EY$ ,$\operatorname{Cov}(X,Y)=0$ ,$D(aX\pm bY)=a^2DX+b^2DY$ ; - **独立同分布可加**:$B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$ ;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ ;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ ;$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$ 。 ### 4.3 判断独立的三步 ① 求两个边缘;② 看**取值区域是否矩形**(且 $x,y$ 的范围互不牵连);③ 比 $f$ 与 $f_Xf_Y$ 。 > **一眼判不独立的形状**:圆域、三角域($0\frac12\}=0\ne P\{Y\le\frac14\}$ 。 ## 5 函数分布:两条路与四则运算(点 5–7)★ ### 5.1 三条路线怎么选(点 5) | 路线 | 何时用 | 关键 | |---|---|---| | **分布函数法**(定义法) | 给联合密度、求**单个**函数 $Z=g(X,Y)$ 的分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm dx\,\mathrm dy$ ,再求导 | | **雅可比变换** | 求**多个新变量**的联合密度,或变换可显式反解 | $f_{UV}=f(x(u,v),y(u,v))\cdot\vert J\vert$ | | **卷积公式** | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二重积分降成一重 | **选择口诀**:**单个函数 → 定义法;多变量/显式反解 → 雅可比;独立且求和差 → 卷积。** ### 5.2 分布函数法(点 5) ① 写 $F_Z(z)=P\{g(X,Y)\le z\}$ ;② 在 $xy$ 平面上画出区域 $\{(x,y):g(x,y)\le z\}$ ;③ 按 $z$ 的取值**分段**积分;④ 对 $z$ 求导得 $f_Z(z)$ 。 > **分段点是关键**:区域边界与 $D$ 的交点随 $z$ 变化,分段的临界值就是"边界扫过 $D$ 的顶点"的 $z$ 。 ### 5.3 雅可比行列式变换(点 5) 设 $u=u(x,y),v=v(x,y)$ 有唯一逆变换、连续偏导、$J\ne0$ ,则 $$f_{UV}(u,v)=f_{XY}\big(x(u,v),y(u,v)\big)\cdot|J|,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .$$ **注意**:$J$ 是**反解**(用 $u,v$ 表示 $x,y$ )的行列式;写成 $\frac{\partial(u,v)}{\partial(x,y)}$ 要取倒数。 **求单个 $Z=g(X,Y)$ 的增补变量三步**:① 增补 $V=X$ (或 $Y$ )凑成一一变换;② 求 $f_{UV}=f\cdot|J|$ ;③ 对辅助变量积分得 $f_Z$ 。 **三条常用变换(把 $|J|$ 记熟)**: | 目标 | 增补 | 反解 | $\vert J\vert$ | 密度 | |---|---|---|---|---| | 和 $Z=X+Y$ | $V=X$ | $x=v,\ y=z-v$ | $1$ | $\int f(v,z-v)\,\mathrm dv$ | | 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\frac1{\vert v\vert}$ | $\int\frac1{\vert v\vert}f(v,\frac zv)\,\mathrm dv$ | | 商 $Z=Y/X$ | $V=X$ | $x=v,\ y=zv$ | $\vert v\vert$ | $\int\vert v\vert f(v,zv)\,\mathrm dv$ | **一一性的坑**:$Z=X^2$ 、$Z=X^2+Y^2$ 这类非一一映射,要么**按分支求和** $\sum_kf(x_k)|x_k'(z)|$ ,要么改用分布函数法。 **极坐标**(圆域专用):$x=r\cos\theta$ ,$y=r\sin\theta$ ,$|J|=r$ ;"到原点距离"的函数一律先转极坐标。 ### 5.4 和、差、积、商(点 6) | 运算 | 密度公式 | 独立时的简化 | |---|---|---| | 和 $Z=X+Y$ | $f_Z(z)=\int f(x,z-x)\,\mathrm dx$ | $f_Z=\int f_X(x)f_Y(z-x)\,\mathrm dx$ (**卷积**) | | 差 $Z=X-Y$ | $f_Z(z)=\int f(x,x-z)\,\mathrm dx$ | $f_Z=\int f_X(x)f_Y(x-z)\,\mathrm dx$ | | 积 $Z=XY$ | $f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx)\,\mathrm dx$ | 代入 $f_Xf_Y$ | | 商 $Z=Y/X$ | $f_Z(z)=\int\lvert x\rvert f(x,zx)\,\mathrm dx$ | 代入 $f_Xf_Y$ | **三个必背结论**: - 两个 $U(0,1)$ 之和 $\sim$ **辛普森(三角)分布**:$f_Z(z)=z\ (0\sqrt x$ 型,$Y$ 的范围依赖 $X$ ,乘积必然拆不开。**用途**:先判不独立,可省掉一整段积分。 - **B4 函数分布三路线选择**:单个函数 ⟹ 定义法(万能但分段繁);两个新变量 ⟹ 雅可比;独立求和差 ⟹ 卷积。**选择错会多做一倍计算**。 - **B5 雅可比的增补技巧**:求 $Z=g(X,Y)$ 时补 $V=X$ 凑成一一变换,再对 $v$ 积分。**坑**:$J$ 用了正变换而非逆变换(差一个倒数),或忘了绝对值。 - **B6 卷积的适用边界**:卷积要求**独立**;不独立必须回到 $\int f(x,z-x)\mathrm dx$ 。**坑**:$U(0,1)+U(0,1)$ 的区间是 $(0,2)$ ,分段点 $z=1$ 不能漏。 - **B7 最值分布**:$F_{\max}=\prod F$ 、$F_{\min}=1-\prod(1-F)$ ;独立同分布才化成 $[F]^n$ 、$1-[1-F]^n$ 。**坑**:把 $F_{\max}$ 写成 $[F]^n$ 却忘了独立性前提。 - **B8 混合型走全概率**:一离散一连续时,把离散的每个取值作为一层,加权叠加平移后的 $F_Y$ 。**坑**:忘了权重之和为 1,或分段时漏掉某个取值。 - **B9 二维正态的五性质直接调用**:边缘正态、$\rho$ 即相关系数、线性组合正态、条件期望线性、不相关⟺独立。**看到"二维正态"四个字,先写这五条**。 - **B10 条件分布求相关的两条路**:① 先联合密度再硬算三阶矩;② 用 $E(Y\mid X=x)$ 的线性式直接读 $\rho$ (二维正态专用)。**2022·10、2024·9 都是第 ① 条**。 ## 7 题目清单(27 题,纯题干,按在学练习七点分册) > 编号沿用「在学练习」第3讲七点分册:`02`–`08` 对应点 1–7,每点内独立编号(题 \(k\)),第二个数字是知识点号。**只列题干,不给答案**。 ### 点 1 联合分布与边缘分布(题 1–4) - **题 1 · 1.1:联合分布函数的四条性质(★☆☆)**:判断下列说法是否正确,错的举反例:(Ⅰ)若 $F(x,y)$ 对 $x$ 、对 $y$ 都单调不减,且 $F(-\infty,y)=F(x,-\infty)=0$ 、$F(+\infty,+\infty)=1$ ,则 $F$ 必是某二维随机变量的分布函数;(Ⅱ)若 $(X,Y)$ 的联合分布函数为 $F$ ,则 $X$ 的分布函数为 $F(x,+\infty)$ ;(Ⅲ)若 $f(x,y)=g(x)h(y)$ 在矩形 $I\times J$ 上成立,则 $X$ 与 $Y$ 相互独立;(Ⅳ)若 $(X,Y)$ 服从二维正态分布,则 $X$ 与 $Y$ 独立当且仅当 $\rho=0$ 。 - **题 2 · 1.1:由分布函数算矩形概率(★★☆)**:设 $(X,Y)$ 的联合分布函数为$F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\\[2pt]0,&\text{其他}\end{cases}$ (Ⅰ)求 $A$ ;(Ⅱ)求边缘分布函数 $F_X(x)$ ,并说明 $X$ 服从什么分布;(Ⅲ)求 $P\{11\}$ 。 - **题 3 · 1.2:由联合密度求边缘与区域概率(★★☆)**:设 $(X,Y)$ 在区域 $D=\{(x,y):00\}$ ;(Ⅲ)求条件分布 $Y\mid X=x$ ;(Ⅳ)判断 $X+Y$ 与 $X-Y$ 是否独立,并说明与"$\sigma_1=\sigma_2$ "的关系。 - **题 5 · 3.4:矩形支撑才独立(★☆☆)**:设 $(X,Y)$ 在矩形 $D=\{(x,y):02\}$ ;(Ⅲ)说明 $f_Z$ 为什么是"梯形"而不是三角形。 - **题 2 · 6.2:差的绝对值与"先求 F"(★★☆)**:设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,令 $Z=\lvert X-Y\rvert$ 。(Ⅰ)求 $F_Z(z)$ 与 $f_Z(z)$ ;(Ⅱ)求 $E Z$ ;(Ⅲ)若改为求 $W=X-Y$ (不带绝对值),说明它与 $Z$ 的关系。 - **题 3 · 6.3:最值分布与期望(★★☆)**:设 $X_1,\dots,X_5$ 相互独立,都服从 $U(0,1)$ 。令 $M=\max\{X_1,\dots,X_5\}$ 、$m=\min\{X_1,\dots,X_5\}$ 。(Ⅰ)求 $f_M(z)$ 与 $f_m(z)$ ;(Ⅱ)求 $EM$ 、$Em$ ,并验证 $EM+Em=1$ ;(Ⅲ)求 $P\{M>0.9\}$ 。 - **题 4 · 6.4:可加性四张表(★☆☆)**:(Ⅰ)设 $X\sim B(10,0.3)$ 、$Y\sim B(5,0.3)$ 独立,求 $X+Y$ 的分布;(Ⅱ)设 $X\sim P(2)$ 、$Y\sim P(3)$ 独立,求 $P\{X+Y=4\}$ ;(Ⅲ)设 $X\sim N(2,1)$ 、$Y\sim N(0,4)$ 独立,求 $P\{X1\}$ ;(Ⅲ)求 $P\{X=0\mid Y=2\}$ 。 - **题 2 · 7.1:随机个数叠加的复合模型(★★☆)**:某设备在时间区间 $[0,T]$ 内发生故障的次数 $N\sim P(\lambda)$ ,且各次故障的发生时刻在 $[0,T]$ 上**独立且均匀分布**。记 $T_1$ 为**首次故障时刻**(若一次也没发生,规定 $T_1=+\infty$ )。(Ⅰ)求 $P\{T_1>t\}$ ($0\le t\le T$ );(Ⅱ)求 $T_1$ 在 $(0,T)$ 上的密度,并说明 $P\{T_1=+\infty\}$ 是多少;(Ⅲ)求 $P\{N=0\mid T_1>t\}$ 。 - **题 3 · 7.2:混合正态与总方差(★★★)**:设 $X$ 等可能地取 $1$ 与 $2$ (即 $P\{X=1\}=P\{X=2\}=\frac12$ )。在 $X=k$ 的条件下 $Y\sim N(k,1)$ 。(Ⅰ)写出 $f_Y(y)$ ;(Ⅱ)求 $EY$ 与 $DY$ ;(Ⅲ)说明 $f_Y$ 不是正态密度(不必求导,用取值即可);(Ⅳ)求 $P\{Y<1.5\}$ 。 --- > **回查入口**:在学练习 [[../在学练习/概率论-第3讲-多维随机变量及其分布/README|第3讲 README]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡|速查卡]],分册 `02`–`08` 对应点 1–7;参考仓库 `knowledge/2-random-variables-and-distribution`(§多维各节)、`knowledge/3-digital-features`、`exercise/2`、`exercise/3`。