- 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)
12 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1 联合分布与边缘分布 | 2026-11-07 | 知识点带题(1.1 联合分布函数、1.2 边缘分布、1.3 条件分布,共 4 题) |
|
点 1 联合分布与边缘分布
真题锚点:2023·22(联合分布函数)、2016·22(边缘与条件)|重要度 ★★★ 依赖:第 2 讲的一维分布函数与密度。盘点对应:§1 全节。
组织原则:先立定义层——联合 → 边缘 → 条件是一条单向的换算链,三者顺序不能颠倒。出题按这条链的条目顺序走。难度标准:★☆☆ 配 1 题,★★☆ / ★★★ 配 2—3 题。
知识点 1.1 联合分布函数与四条性质(出处:知识章 random-variables-and-distribution.tex §5.1|练习章 §1)
F(x,y)=P\{X\le x,\ Y\le y\}.
四条性质:① 对 x 、对 y 分别单调不减;② 对 x 、对 y 分别右连续;③ F(-\infty,y)=F(x,-\infty)=0 、F(+\infty,+\infty)=1 ;④ 矩形非负:
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 .
第 ④ 条是二维新增的,前三条只是把一维照抄两遍。一维的"单调 + 右连续 + 规范"在二维不再是充分条件。
知识点 1.2 边缘分布函数(出处:知识章 §5.1 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).
密度与分布律的对应动作是积分掉 / 求和掉:
f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_j p_{ij}.
知识点 1.3 条件分布函数与条件密度(出处:知识章 §6.3、§7.3)
F_{Y\mid X}(y\mid x)=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\ (\text{离散});\qquad f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (\text{连续,}f_X(x)>0).
两条要点:① 条件密度是一族密度,支撑随 x 变,分段点就从这里来;② 分母必须为正,否则条件无定义。
题目(按知识点顺序对应)
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。
怎么想:(Ⅰ)问的是"前三条够不够",答案是不够,缺的正是矩形非负;(Ⅱ)考边缘的定义式;(Ⅲ)考"可分离 + 矩形"这两个条件缺一不可,但还要补一句归一化常数为什么也被吸收了;(Ⅳ)是二维正态独有的性质,要能与一般情形区分开。
解:
(Ⅰ)错误。取 F(x,y)=\max\{x+y,\,0\} 限制在 0\le x,y\le1 上(区域外按 0 与 1 延拓)。它对 x 、对 y 都单调不减,F(0,0)=0 、F(1,1)=1 ,规范性满足。但取矩形 0<x\le1,\ 0<y\le1 :
F(1,1)-F(1,0)-F(0,1)+F(0,0)=1-1-1+0=-1<0 .
矩形概率为负,故不是分布函数。前三条在二维只是必要条件。
(Ⅱ)正确。这就是边缘分布的定义:F_X(x)=P\{X\le x\}=P\{X\le x,\ Y<+\infty\}=F(x,+\infty) 。
(Ⅲ)正确(但需 I\times J 是矩形)。设 f=g(x)h(y) 在 I\times J 上非零,令 G=\int_I g 、H=\int_J h 。归一化给出 GH=1 ,于是
f_X(x)=g(x)\int_J h=g(x)H,\qquad f_Y(y)=h(y)\int_I g=h(y)G,
f_X(x)f_Y(y)=g(x)h(y)\,HG=g(x)h(y)=f(x,y).
归一化恰好把 GH 变成 1,这就是"可分离"能直接推出独立的原因。
(Ⅳ)正确。二维正态的联合密度中,\rho=0 时指数部分分裂成两个平方项之和,密度恰好等于两个边缘密度之积。注意这条不能推广:一般情形下 \rho=0 只能推出不相关。
带走结论:二维分布函数多一条"矩形非负",少任何一条都不行。构造反例的套路是"让它在矩形上出现负值"——\max\{x+y,0\} 是最省事的模板。
关联 · 盘点 §1.1 联合分布函数 | 上游 — | 下游 点 1 题 2 | 速查 一 三种换算的方向
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\}。
怎么想:(Ⅰ)用 F(+\infty,+\infty)=1 ;(Ⅱ)令 y\to+\infty ;(Ⅲ)Y>1 不是"\le "型,先转成 1-P\{Y\le1\} ,再用矩形公式——或者直接用独立性绕开。
解:
(Ⅰ) 令 x,y\to+\infty :
F(+\infty,+\infty)=A\cdot1\cdot1=A=1 .
(Ⅱ) 令 y\to+\infty :
F_X(x)=A\left(1-\mathrm e^{-x}\right)\cdot1=1-\mathrm e^{-x}\quad(x>0),
x\le0 时为 0 。这正是参数为 1 的指数分布:X\sim E(1) 。
(Ⅲ) 由(Ⅱ)同理 Y\sim E(1) ,且 F(x,y)=F_X(x)F_Y(y) ,故 X\perp Y ,于是
P\{1<X\le2,\ Y>1\}=P\{1<X\le2\}\cdot P\{Y>1\}=\left(\mathrm e^{-1}-\mathrm e^{-2}\right)\mathrm e^{-1}\approx0.0855 .
验算(不靠独立性):用矩形公式的"无穷版本"
P\{1<X\le2,\ Y>1\}=F(2,+\infty)-F(2,1)-F(1,+\infty)+F(1,1),
=\left(1-\mathrm e^{-2}\right)-\left(1-\mathrm e^{-2}\right)\left(1-\mathrm e^{-1}\right)-\left(1-\mathrm e^{-1}\right)+\left(1-\mathrm e^{-1}\right)^2=\mathrm e^{-1}\left(\mathrm e^{-1}-\mathrm e^{-2}\right),
与上面一致 ✓。
带走结论:遇到 "Y>1 " 这类反向不等式,先换成 F(+\infty) 再套矩形公式。四个端点里只要有一个是 +\infty ,就退回一维的 1-F 结构。
关联 · 盘点 §1.1 联合分布函数 | 上游 点 1 题 1 | 下游 — | 速查 一 三种换算的方向
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\}。
怎么想:均匀分布先算面积。边缘密度的积分限要画竖线:固定 x 后 y 从 0 跑到 x ,上限是活动的。第三问是区域概率,能算面积就别积分。
解:
(Ⅰ) D 是顶点为 (0,0) 、(1,0) 、(1,1) 的三角形,面积 S_D=\frac12 ,故
f(x,y)=\begin{cases}2,&0<y<x<1\\[2pt]0,&\text{其他}\end{cases}
(Ⅱ) 固定 x\in(0,1) ,y 的区间是 (0,x) :
f_X(x)=\int_0^x2\,\mathrm dy=2x,\quad 0<x<1 .
固定 y\in(0,1) ,x 的区间是 (y,1) :
f_Y(y)=\int_y^1 2\,\mathrm dx=2(1-y),\quad 0<y<1 .
归一化自检:\int_0^12x\,\mathrm dx=1 、\int_0^12(1-y)\,\mathrm dy=1 ✓。
(Ⅲ) 区域概率 = 面积比。D\cap\{x+y<1\} 的边界是 y=x 与 y=1-x ,交于 x=\frac12 ,故
S_{\cap}=\int_0^{1/2}x\,\mathrm dx+\int_{1/2}^{1}(1-x)\,\mathrm dx=\frac18+\frac18=\frac14,
P\{X+Y<1\}=2\times\frac14=\frac12 .
验算:区域 D 关于直线 x+y=1 与 y=x 的对称性给出 P\{X+Y<1\}=\frac12 ✓(也可以直接积分 \int_0^{1/2}\!\!\int_0^x2\,\mathrm dy\mathrm dx+\int_{1/2}^{1}\!\!\int_0^{1-x}2\,\mathrm dy\mathrm dx )。
带走结论:均匀分布的一切概率都是面积比,f 只是那个常数。而边缘密度的上限永远是"区域在竖线方向上的活动端点",这就是支撑非矩形时边缘密度会变成 2x 这种非均匀形状的原因。
关联 · 盘点 §1.2 边缘分布函数 | 上游 — | 下游 — | 速查 一 三种换算的方向
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。
怎么想:先看支撑 0<x<y (第一象限里 y=x 上方的那片)。固定 x 时 y 从 x 到 +\infty ,固定 y 时 x 从 0 到 y 。条件密度 = 联合 ÷ 边缘,商出来是什么形状,答案就在形状里。
解:
(Ⅰ) 归一化:
\int_0^{+\infty}\!\!\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy\,\mathrm dx=\int_0^{+\infty}\mathrm e^{-x}\,\mathrm dx=1\ ✓
边缘:
f_X(x)=\int_x^{+\infty}\mathrm e^{-y}\,\mathrm dy=\mathrm e^{-x},\qquad x>0,
即 X\sim E(1) 。
(Ⅱ)
f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{\mathrm e^{-y}}{\mathrm e^{-x}}=\mathrm e^{-(y-x)},\qquad y>x .
令 t=y-x ,则 f_{T}(t)=\mathrm e^{-t}\ (t>0) ,即
Y-X\mid X=x\ \sim\ E(1),\qquad \text{与 }x\text{ 无关}.
(Ⅲ) 这里"一族"的含义是:每给定一个 x ,就有一条密度曲线 y\mapsto\mathrm e^{-(y-x)} 。这些曲线的形状完全相同(都是 E(1) ),只是起点不同——起点是 y=x 。所以条件密度的表达式里含 x ,但"分布类型"不含 x 。
对比点 3 题 2 的 D:0<y<x<1 :那里 f_{Y\mid X}(y\mid x)=\frac1x ,支撑 (0,x) ,形状也随 x 变(区间长度变),这是"族"的另一种形态。
验算:\int_x^{+\infty}\mathrm e^{-(y-x)}\mathrm dy=1 ✓;且 f_{X}(x)f_{Y\mid X}(y\mid x)=\mathrm e^{-x}\mathrm e^{-(y-x)}=\mathrm e^{-y}=f(x,y) ✓(这条恒等式说明联合密度总能分解成"边缘 × 条件",是贝叶斯公式的密度版)。
带走结论:联合 = 边缘 \times 条件(永远成立);联合 = 边缘 \times 边缘(只在独立时成立)。两式的差别就是"独立性"这三个字的全部内容。
关联 · 盘点 §1.3 条件分布函数 | 上游 — | 下游 — | 速查 一 三种换算的方向