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
T
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

352 lines
28 KiB
Markdown
Raw 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, 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**
$$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0 .$$
> **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|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`。