- 点6 §6.2 后新增「三个公式的出处(雅可比一行推完)」:模板 + 三行 (陪变量 V=Y,反转成下三角,|J| 依次为 1、1/|v|、|v|),并说明 商的公式里那个 |y| 就是 ∂x/∂u=v 这一项 - 补方向陷阱(乘的是 ∂(x,y)/∂(u,v),别忘取倒数)与三条替代时机 - 点5 §5.2 加交叉链接:单函数分布也可拉陪变量用雅可比 - 速查卡第九节加一行「三式都出自雅可比」
13 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第3讲 · 点6 四则运算与最值 | 2026-11-07 | 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) |
|
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)
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)
f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{\mathrm dx}{\lvert x\rvert};
f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .
差的一条常用变形:X-Y=X+(-Y) ,先把 -Y 的密度写出来(f_{-Y}(t)=f_Y(-t) ),再套卷积。这条比记差公式更不容易出错。
商的稳妥做法:先求
F_Z(z)=P\{Y\le zX\}(半平面区域),再求导。绝对值与不等号方向在z<0与z>0上常常相反,先分段再积。
三个公式的出处(雅可比一行推完):上面三式不是要背的独立结论,它们全是点 5 §5.2 雅可比法的特例。诀窍是再拉一个陪变量 V=Y 进来 ,把"一个函数"补成"一次坐标变换",先得联合密度,再把陪变量积掉:
f_U(u)=\int f\big(x(u,v),\,y(u,v)\big)\lvert J\rvert\,\mathrm dv .
要的 U |
反解(取 v=y ) |
\lvert J\rvert |
|---|---|---|
X-Y |
x=u+v 、y=v |
1 |
XY |
x=u/v 、y=v |
1/\lvert v\rvert |
X/Y |
x=uv 、y=v |
\lvert v\rvert |
以最后一行代入模板:
f_{X/Y}(z)=\int f_X(zv)f_Y(v)\lvert v\rvert\,\mathrm dv ,
与 §6.2 的 \int f_X(zy)f_Y(y)\lvert y\rvert\mathrm dy 只差哑变量的名字。
陪变量的选择理由:固定取 V=Y 是因为 y=v 让反解的第二个方程成为恒等式,雅可比矩阵变成下三角,行列式就是对角元之积 \left\lvert\dfrac{\partial x}{\partial u}\right\rvert ——不用真的展开二阶行列式,1 、1/\lvert v\rvert 、\lvert v\rvert 都是一眼写出的。这也是"为什么商的公式里偏偏多一个 \lvert y\rvert "的全部原因:它就是对 x=uv 求 \partial x/\partial u=v 的那一项。
方向别搞反:乘在密度上的是 J=\dfrac{\partial(x,y)}{\partial(u,v)} ,即从新变量到旧变量。若顺手先算出 \dfrac{\partial(u,v)}{\partial(x,y)} ,必须取倒数再取绝对值。三个式子里 J 都不等于 0 (只要 y\ne0 ),所以变换在支撑内是一一的——这也是商要求 Y\ne0 的隐含条件。
什么时候用它替代成品式:
- 只要
Z的边缘密度 → 直接用上面三式,最快; - 要
(Z,W)的联合密度(如Z=XY与W=X)→ 成品式给不出,只能雅可比; - 支撑分片怪(
Y只在某一段非零)→ 雅可比把v的取值范围直接摆在积分号上,比套公式少错。
一句话:成品式是"结果",雅可比是"来源"。背不下来时现推,代价是 30 秒。
知识点 6.3 最值分布(出处:知识章 §10.2、§8.2)
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)
| 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) | 上游 — | 下游 — | 速查 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 | 上游 — | 下游 — | 速查 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。
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" | 上游 — | 下游 — | 速查 十一 可加性四张表