Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md
Yimu e6711c9bb1 概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图
- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
2026-11-08 20:18:17 +08:00

28 KiB
Raw Permalink Blame History

tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
tags 专题 日期 更新 状态 来源 关联笔记
数学一
知识点构建
背诵版
概率论
多维随机变量
概率论 · 第3讲 多维随机变量及其分布 · 背诵版 2026-10-27 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) 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) 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)
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,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<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .

为什么 ④ 不能省:存在满足 ①②③ 但矩形增量为负的二元函数。考"能否作联合分布函数"时,前三条只是必要条件。

1.3 边缘分布函数

F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).

口诀(参考仓库):求谁不积谁,不积先定限;限内画条线,先交写下限,后交写上限。

2 二维离散型(点 2)

2.1 联合分布律

$p_{ij}=P{X=x_i,\ Y=y_j}$,充要条件 p_{ij}\ge0 且 $\sum_i\sum_jp_{ij}=1$。列表是一个二维表:

X\backslash Y y_1 y_2 \cdots p_{i\cdot}
x_1 p_{11} p_{12} \cdots p_{1\cdot}
x_2 p_{21} p_{22} \cdots p_{2\cdot}
p_{\cdot j} p_{\cdot1} p_{\cdot2} \cdots 1

2.2 边缘与条件

  • 边缘(行和、列和):$p_{i\cdot}=\sum_jp_{ij}=P{X=x_i}$,$p_{\cdot j}=\sum_ip_{ij}=P{Y=y_j}$;
  • 条件:$P{X=x_i\mid Y=y_j}=\dfrac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$);
  • 区域概率:$P{(X,Y)\in G}=\sum_{(x_i,y_j)\in G}p_{ij}$。

2.3 多项分布(真题接口 2016·8)

n 次独立试验,每次落入 r 个互斥类别的概率为 $p_1,\dots,p_r$,记 X_i 为落入第 i 类的次数,则

P\{X_1=k_1,\dots,X_r=k_r\}=\frac{n!}{k_1!\cdots k_r!}p_1^{k_1}\cdots p_r^{k_r},\qquad \operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j).

负协方差的理解:各类次数此消彼长(总数固定),故必负相关。由此可直接读相关系数 $\rho=\frac{-np_ip_j}{\sqrt{np_i(1-p_i)}\sqrt{np_j(1-p_j)}}$。

3 二维连续型与两类分布(点 3)

3.1 联合概率密度

存在 f\ge0 使 $F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v),\mathrm dv,\mathrm du$。充要条件

f(x,y)\ge0,\qquad \iint_{\mathbb R^2}f(x,y)\,\mathrm dx\,\mathrm dy=1 .

三条推论:① 连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$;② 区域概率 $P{(X,Y)\in G}=\iint_Gf$(画图定限是全部功夫);③ 在 f 的连续点与边界上改有限个点的值不影响分布。

3.2 边缘密度

f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx .

⚠️ 联合决定边缘,边缘不决定联合。反例:同一对边缘可以配出无数种联合。

3.3 条件概率密度

f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\quad(f_X(x)>0),

乘法公式 $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=f_Y(y)f_{X\mid Y}(x\mid y)$。

求条件密度的标准动作:① 先求 $f_X(x)$(这一步最容易忘);② 把 f(x,y) 中的 x 当常数,除以 $f_X(x)$;③ 写清 y 的条件范围(依赖 $x$,别写成全局范围)。

条件分布函数:$F_{Y\mid X}(y\mid x)=P{Y\le y\mid X=x}=\int_{-\infty}^{y}f_{Y\mid X}(v\mid x),\mathrm dv$。

3.4 两种常用的二维分布

二维均匀分布:(X,Y) 在区域 $D$(面积 $S_D$)上均匀,

f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D,\\[4pt]0,&\text{其他}.\end{cases}

概率 = 面积占比:$P{(X,Y)\in G}=\dfrac{S_{G\cap D}}{S_D}$(几何概型的升维)。

二维正态分布 $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$:

f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.

五条必背性质:

# 性质
① 边缘仍是正态:$X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$(与 \rho 无关)
② \rho 就是相关系数:\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}
③ 任意线性组合 $aX+bY$(不全为 0)仍服从正态
④ 条件分布仍是正态,$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$,D(Y\mid X=x)=\sigma_2^2(1-\rho^2)
⑤ 不相关 \iff 独立(二维正态的专属特权,一般情形不成立)

识别技巧:若 $F(x,y)=\varPhi(\cdot)\varPhi(\cdot)$(两个一维分布函数之积),立刻能读出两变量独立且各自正态——2025·8 的 $D(aX+bY)=a^2+b^2+2ab\rho=1+2ab\rho$($a^2+b^2=1$),在 ab=\frac12|\sin2\theta| 型处取到最大值 $1+|\rho|$。

4 独立性(点 4)

4.1 三等价定义

F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}.

(离散用第三式,连续用第二式,F 式通用。)

4.2 性质

  • 独立 ⟹ f(X) 与 g(Y) 独立(任意可测函数);
  • 独立 ⟹ 任意子组独立;
  • 独立 ⟹ $E(XY)=EX\cdot EY$,$\operatorname{Cov}(X,Y)=0$,$D(aX\pm bY)=a^2DX+b^2DY$;
  • 独立同分布可加:$B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$;$\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)$。

4.3 判断独立的三步

① 求两个边缘;② 看取值区域是否矩形(且 x,y 的范围互不牵连);③ 比 f 与 $f_Xf_Y$。

一眼判不独立的形状:圆域、三角域($0<y<x$)、$x^2+y^2\le1$、$0<y<\sqrt x$——非矩形区域一定不独立(因为 Y 的取值范围依赖 $X$)。

4.4 独立 vs 不相关

命题 是否成立 说明
独立 ⟹ 不相关 ✓ \operatorname{Cov}=E(XY)-EXEY=0
不相关 ⟹ 独立 ✗(一般) 反例 $X\sim U(-1,1)$,$Y=X^2$:\operatorname{Cov}=0 但不独立
不相关 ⟺ 独立 ✓(仅二维正态) 性质 ⑤

经典反例:$X\sim U(-1,1)$、$Y=X^2$——$E(XY)=E(X^3)=0$、$EX=0$,故 $\operatorname{Cov}=0$;但 $P{Y\le\frac14\mid X>\frac12}=0\ne P{Y\le\frac14}$。

5 函数分布:两条路与四则运算(点 5–7)★

5.1 三条路线怎么选(点 5)

路线 何时用 关键
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:$f_Z(z)=z\ (0<z<1)$、$2-z\ (1\le z<2)$;
  • 正态可加:$X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$;$X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$;
  • 同方差正态之差 $X-Y\sim N(0,2\sigma^2)$,与 \mu 无关(2019·8 就考这个:$P{|X-Y|<1}=2\varPhi(1/\sqrt2\sigma)-1$,只与 \sigma^2 有关)。

5.5 最值分布(点 6)

F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)] .

独立同分布时 $f_{\max}(z)=2F(z)f(z)$、$f_{\min}(z)=2[1-F(z)]f(z)$。

5.6 混合型与全概率(点 7)

X 离散($P{X=x_i}=p_i$)、Y 连续,求 $Z=X+Y$:

F_Z(z)=\sum_ip_i\,P\{x_i+Y\le z\}=\sum_ip_iF_Y(z-x_i).

即把离散变量的取值当权重,把连续部分的分布函数平移后加权叠加。

标准例:$P{X=0}=P{X=1}=\frac12$、Y\sim U(0,1) 独立 ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$,求导得 $f_Z$。

混合正态(2020·22 型):$Y=X_3X_1+(1-X_3)X_2$,X_3 取 $0/1$。用全概率按 X_3 拆:

F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ Y\le y\mid X_3=k\},

结论往往是"证明 Y 仍服从标准正态"。

6 与数字特征的耦合(点 3 / 点 6 共用)

量 公式 备注
二维期望 E[g(X,Y)]=\sum\sum g\,p_{ij} 或 \iint g\,f\,\mathrm dx\,\mathrm dy 不必先求分布
协方差 \operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY 第二式最常用
相关系数 \rho=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}} 分母是标准差之积
线性组合方差 D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y) 不独立必留交叉项
条件期望 E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy 求相关时的桥梁

条件分布求相关的标准流程:① $f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)$;② 算 $EX$、$EY$($EY=\int E(Y\mid X=x)f_X,\mathrm dx$);③ 算 $E(XY)$;④ 代 \rho 公式。

B 题型考点(怎么想到、为什么、坑在哪)

  • B1 拿到二维表的固定动作:先补边缘(行和/列和),再验 $\sum p_{ij}=1$,再判独立(p_{ij}=p_{i\cdot}p_{\cdot j} 逐格比)。坑:只比一格就下结论。
  • B2 画图定限是二重积分的全部:先把 D 画出来,再把 g(x,y)\le z 与 D 求交,最后决定"先 x 后 $y$"还是反过来。坑:不画图直接写限,几乎必错。
  • B3 非矩形域一眼不独立:圆、三角、$0<y<x$、y>\sqrt x 型,Y 的范围依赖 $X$,乘积必然拆不开。用途:先判不独立,可省掉一整段积分。
  • B4 函数分布三路线选择:单个函数 ⟹ 定义法(万能但分段繁);两个新变量 ⟹ 雅可比;独立求和差 ⟹ 卷积。选择错会多做一倍计算。
  • B5 雅可比的增补技巧:求 Z=g(X,Y) 时补 V=X 凑成一一变换,再对 v 积分。坑:J 用了正变换而非逆变换(差一个倒数),或忘了绝对值。
  • B6 卷积的适用边界:卷积要求独立;不独立必须回到 $\int f(x,z-x)\mathrm dx$。坑:U(0,1)+U(0,1) 的区间是 $(0,2)$,分段点 z=1 不能漏。
  • B7 最值分布:$F_{\max}=\prod F$、$F_{\min}=1-\prod(1-F)$;独立同分布才化成 $[F]^n$、$1-[1-F]^n$。坑:把 F_{\max} 写成 [F]^n 却忘了独立性前提。
  • B8 混合型走全概率:一离散一连续时,把离散的每个取值作为一层,加权叠加平移后的 $F_Y$。坑:忘了权重之和为 1,或分段时漏掉某个取值。
  • B9 二维正态的五性质直接调用:边缘正态、\rho 即相关系数、线性组合正态、条件期望线性、不相关⟺独立。看到"二维正态"四个字,先写这五条。
  • B10 条件分布求相关的两条路:① 先联合密度再硬算三阶矩;② 用 E(Y\mid X=x) 的线性式直接读 $\rho$(二维正态专用)。2022·10、2024·9 都是第 ① 条。

7 题目清单(27 题,纯题干,按在学练习七点分册)

编号沿用「在学练习」第3讲七点分册:02–08 对应点 1–7,每点内独立编号(题 (k)),第二个数字是知识点号。只列题干,不给答案。

点 1 联合分布与边缘分布(题 1–4)

  • 题 1 · 1.1:联合分布函数的四条性质(★☆☆):判断下列说法是否正确,错的举反例:(Ⅰ)若 F(x,y) 对 x 、对 y 都单调不减,且 F(-\infty,y)=F(x,-\infty)=0 、F(+\infty,+\infty)=1 ,则 F 必是某二维随机变量的分布函数;(Ⅱ)若 (X,Y) 的联合分布函数为 F ,则 X 的分布函数为 F(x,+\infty) ;(Ⅲ)若 f(x,y)=g(x)h(y) 在矩形 I\times J 上成立,则 X 与 Y 相互独立;(Ⅳ)若 (X,Y) 服从二维正态分布,则 X 与 Y 独立当且仅当 \rho=0 。
  • 题 2 · 1.1:由分布函数算矩形概率(★★☆):设 (X,Y) 的联合分布函数为$F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)求 A ;(Ⅱ)求边缘分布函数 F_X(x) ,并说明 X 服从什么分布;(Ⅲ)求 P\{1<X\le2,\ Y>1\} 。
  • 题 3 · 1.2:由联合密度求边缘与区域概率(★★☆):设 (X,Y) 在区域 D=\{(x,y):0<y<x<1\} 上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度 f_X(x) 、f_Y(y) ;(Ⅲ)求 P\{X+Y<1\} 。
  • 题 4 · 1.3:条件密度是一族密度(★★☆):设 (X,Y) 的联合密度为$f(x,y)=\begin{cases}\mathrm e^{-y},&0<x<y\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)验证它是密度,并求 f_X(x) ;(Ⅱ)求 f_{Y\mid X}(y\mid x) ,并指出它服从什么分布;(Ⅲ)说明"条件密度是一族密度"在这里具体指什么。

点 2 二维离散型随机变量(题 1–3)

  • 题 1 · 2.1:不放回抽样的联合分布律(★☆☆):袋中有编号 1,2,3 的三个球,从中不放回地依次取两个。令 X 为第一次取到的号码,Y 为第二次取到的号码。(Ⅰ)写出 (X,Y) 的联合分布律表;(Ⅱ)求边缘分布律,并判断 X 与 Y 是否独立;(Ⅲ)求 P\{X+Y=4\} 。
  • 题 2 · 2.2:由独立性反解未知概率(★★☆):设二维离散型随机变量 (X,Y) 的联合分布律为:$P{X=0,Y=1}=0.12$,$P{X=0,Y=2}=a$,$P{X=0,Y=3}=0.18$;$P{X=1,Y=1}=b$,$P{X=1,Y=2}=0.20$,$P{X=1,Y=3}=c$。已知 X 与 Y 相互独立。(Ⅰ)求 a,b,c ;(Ⅱ)求条件分布律 P\{Y=j\mid X=0\} ;(Ⅲ)求 P\{X=1\mid Y\ne2\} 。
  • 题 3 · 2.3:泊松分解与条件二项(★★☆):设 X\sim P(\lambda_1) 、Y\sim P(\lambda_2) 且相互独立,其中 \lambda_1=2 、\lambda_2=1 。(Ⅰ)求 X+Y 的分布;(Ⅱ)在已知 X+Y=3 的条件下,求 X 的分布律;(Ⅲ)求 P\{X=1\mid X+Y=3\} 与 E(X\mid X+Y=3) 。

点 3 二维连续型与两类特殊分布(题 1–5)

  • 题 1 · 3.1:归一化与区域概率(★☆☆):设 (X,Y) 的联合密度为$f(x,y)=\begin{cases}A(x+y),&0<x<1,\ 0<y<1\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)求 A ;(Ⅱ)求 P\{X+Y<1\} ;(Ⅲ)求 P\{X=Y\} 。
  • 题 2 · 3.2:圆域均匀的边缘与矩形判据(★★☆):设 (X,Y) 在四分之一圆盘 D=\{(x,y):x^2+y^2\le1,\ x\ge0,\ y\ge0\} 上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度 f_X(x) ,并说明它的形状为什么不是常数;(Ⅲ)求 P\{X<Y\} 与 P\left\{X^2+Y^2\le\frac14\right\} ;(Ⅳ)判断 X 与 Y 是否独立。
  • 题 3 · 3.3:条件密度与"族"的含义(★★☆):设 (X,Y) 在 D=\{(x,y):0<y<x<1\} 上服从均匀分布(即联合密度为 2 )。(Ⅰ)求 f_{Y\mid X}(y\mid x) 与 f_{X\mid Y}(x\mid y) ;(Ⅱ)说明两者的支撑分别是什么,并解释"条件密度是一族密度";(Ⅲ)求 P\left\{Y<\frac12\ \big|\ X=\frac34\right\} 。
  • 题 4 · 3.5:二维正态的六条结论(★★☆):设 (X,Y)\sim N(0,0;1,4;\rho) ,其中 \rho=\frac12 。(Ⅰ)写出 X 、Y 的边缘分布;(Ⅱ)求 X+Y 的分布与 P\{X+Y>0\} ;(Ⅲ)求条件分布 Y\mid X=x ;(Ⅳ)判断 X+Y 与 X-Y 是否独立,并说明与"\sigma_1=\sigma_2 "的关系。
  • 题 5 · 3.4:矩形支撑才独立(★☆☆):设 (X,Y) 在矩形 D=\{(x,y):0<x<2,\ 0<y<1\} 上服从均匀分布。(Ⅰ)写出联合密度与两个边缘密度,并判断独立性;(Ⅱ)用面积比求 P\left\{X<1,\ Y<\frac12\right\} ;(Ⅲ)若把 D 换成三角形 T=\{0<y<x<2\} (仍均匀),判断独立性是否改变。

点 4 随机变量的独立性(题 1–4)

  • 题 1 · 4.1:三种说法的一致性(★☆☆):判断下列说法是否正确:(Ⅰ)若 X 与 Y 独立,则 X^2 与 \mathrm e^{Y} 独立;(Ⅱ)若 E(XY)=EX\cdot EY ,则 X 与 Y 独立;(Ⅲ)若 f(x,y)=f_X(x)f_Y(y) 在除一条直线外处处成立,则 X 与 Y 独立;(Ⅳ)若 X 与 Y 独立且同分布,则 P\{X<Y\}=\frac12 (假定 P\{X=Y\}=0 )。
  • 题 2 · 4.2:可分离却仍不独立(★★☆):设 (X,Y) 的联合密度为$f(x,y)=\begin{cases}8xy,&0<y<x<1\[2pt]0,&\text{其他}\end{cases}$(Ⅰ)验证它是密度;(Ⅱ)求 f_X(x) 、f_Y(y) ;(Ⅲ)判断 X 与 Y 是否独立,并说明"8xy 看起来能分离"为什么不足以判独立;(Ⅳ)求 P\left\{Y<\frac X2\right\} 。
  • 题 3 · 4.3:不相关但不独立的反例(★★☆):设 X\sim U(-1,1) ,Y=X^2 。(Ⅰ)求 EX 、EY 、E(XY) 与 \operatorname{Cov}(X,Y) ;(Ⅱ)判断 X 与 Y 是否不相关、是否独立;(Ⅲ)举出一个"独立但不相关"以及一个"相关"的例子,说明三者的层次关系。
  • 题 4 · 4.4:独立同分布的四条推论(★★☆):设 X 与 Y 相互独立,都服从 E(1) ,令 M=\max\{X,Y\} 、m=\min\{X,Y\} 。(Ⅰ)求 X+Y 的密度,并说明它为什么不是 E(1) ;(Ⅱ)求 f_M(x) 与 EM ;(Ⅲ)求 Em ,并验证 EM+Em=EX+EY ;(Ⅳ)说明"可加性"为什么只对"和"成立,对 \max 不成立。

点 5 随机变量函数的分布:两条路(题 1–4)

  • 题 1 · 5.1:分布函数法求和的分布(★★☆):设 X 与 Y 相互独立,都服从 U(0,1) ,Z=X+Y 。(Ⅰ)用分布函数法求 F_Z(z) 与 f_Z(z) ;(Ⅱ)说明分段点 z=0,1,2 是怎么来的;(Ⅲ)求 P\left\{Z<\frac12\right\} 。
  • 题 2 · 5.1:区域型支撑上的函数分布(★★☆):设 (X,Y) 在 D=\{(x,y):0<y<x<1\} 上服从均匀分布(联合密度为 2 ),令 Z=\dfrac YX 。(Ⅰ)求 Z 的取值范围;(Ⅱ)用分布函数法求 F_Z(z) 与 f_Z(z) ;(Ⅲ)求 E Z ,并解释结果为什么"看起来很自然"。
  • 题 3 · 5.2:雅可比法与"顺带判独立"(★★★):设 X 与 Y 相互独立,都服从参数为 1 的指数分布。令$U=X+Y,\qquad V=\frac{X}{X+Y} .$(Ⅰ)求 (U,V) 的联合密度;(Ⅱ)判断 U 与 V 是否独立,并写出各自的分布;(Ⅲ)由此求 E\!\left(\dfrac{X}{X+Y}\right) 。
  • 题 4 · 5.3:四条路的选择(★☆☆):下列四题,分别应走哪条路(分布函数法 / 卷积公式 / 雅可比 / 最值公式)?只需说明理由,不必计算。(Ⅰ)X,Y 相互独立,X\sim E(1) 、Y\sim E(2) ,求 Z=X+Y 的密度;(Ⅱ)X,Y 相互独立且都服从 U(0,1) ,求 Z=X^2+Y^2 的密度;(Ⅲ)X,Y 相互独立,求 U=X+Y 与 W=X-Y 的联合密度;(Ⅳ)X_1,\dots,X_5 相互独立且都服从 E(1) ,求 M=\max X_i 的密度。

点 6 四则运算与最值(题 1–4)

  • 题 1 · 6.1:不同区间上均匀分布之和(★★☆):设 X\sim U(0,1) 、Y\sim U(0,2) 且相互独立,Z=X+Y 。(Ⅰ)求 f_Z(z) ;(Ⅱ)求 P\{Z<1\} 与 P\{Z>2\} ;(Ⅲ)说明 f_Z 为什么是"梯形"而不是三角形。
  • 题 2 · 6.2:差的绝对值与"先求 F"(★★☆):设 X 与 Y 相互独立,都服从 U(0,1) ,令 Z=\lvert X-Y\rvert 。(Ⅰ)求 F_Z(z) 与 f_Z(z) ;(Ⅱ)求 E Z ;(Ⅲ)若改为求 W=X-Y (不带绝对值),说明它与 Z 的关系。
  • 题 3 · 6.3:最值分布与期望(★★☆):设 X_1,\dots,X_5 相互独立,都服从 U(0,1) 。令 M=\max\{X_1,\dots,X_5\} 、m=\min\{X_1,\dots,X_5\} 。(Ⅰ)求 f_M(z) 与 f_m(z) ;(Ⅱ)求 EM 、Em ,并验证 EM+Em=1 ;(Ⅲ)求 P\{M>0.9\} 。
  • 题 4 · 6.4:可加性四张表(★☆☆):(Ⅰ)设 X\sim B(10,0.3) 、Y\sim B(5,0.3) 独立,求 X+Y 的分布;(Ⅱ)设 X\sim P(2) 、Y\sim P(3) 独立,求 P\{X+Y=4\} ;(Ⅲ)设 X\sim N(2,1) 、Y\sim N(0,4) 独立,求 P\{X<Y\} ;(Ⅳ)设 X\sim E(1) 、Y\sim E(2) 独立,判断 X+Y 是否服从 \Gamma 分布。

点 7 混合型与全概率(题 1–3)

  • 题 1 · 7.1:两条指数分布的加权(★★☆):设随机变量 X 的分布律为 P\{X=0\}=P\{X=1\}=\dfrac12 。在 X=0 的条件下 Y\sim E(1) ;在 X=1 的条件下 Y\sim E(2) 。(Ⅰ)求 f_Y(y) ,并验证它是密度;(Ⅱ)求 P\{Y>1\} ;(Ⅲ)求 P\{X=0\mid Y=2\} 。
  • 题 2 · 7.1:随机个数叠加的复合模型(★★☆):某设备在时间区间 [0,T] 内发生故障的次数 N\sim P(\lambda) ,且各次故障的发生时刻在 [0,T] 上独立且均匀分布。记 T_1 为首次故障时刻(若一次也没发生,规定 T_1=+\infty )。(Ⅰ)求 P\{T_1>t\} (0\le t\le T );(Ⅱ)求 T_1 在 (0,T) 上的密度,并说明 P\{T_1=+\infty\} 是多少;(Ⅲ)求 P\{N=0\mid T_1>t\} 。
  • 题 3 · 7.2:混合正态与总方差(★★★):设 X 等可能地取 1 与 2 (即 P\{X=1\}=P\{X=2\}=\frac12 )。在 X=k 的条件下 Y\sim N(k,1) 。(Ⅰ)写出 f_Y(y) ;(Ⅱ)求 EY 与 DY ;(Ⅲ)说明 f_Y 不是正态密度(不必求导,用取值即可);(Ⅳ)求 P\{Y<1.5\} 。

回查入口:在学练习 ../在学练习/概率论-第3讲-多维随机变量及其分布/README、../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、../在学练习/概率论-第3讲-多维随机变量及其分布/09-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。