Files
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

355 lines
20 KiB
Markdown
Raw Permalink Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
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"。