138 lines
15 KiB
Markdown
138 lines
15 KiB
Markdown
---
|
||
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
|
||
状态: 背诵版 v1(考点完整呈现 + 19 题清单,无解答)
|
||
来源: 在学练习/概率论-第3讲-多维随机变量及其分布 | 参考仓库 Math/probability-theory-and-mathematical-statistics
|
||
关联笔记: ["[[README]]", "[[../在学练习/概率论-第3讲-多维随机变量及其分布/README]]"]
|
||
---
|
||
|
||
# 概率论 第3讲 · 多维随机变量及其分布 · 背诵版
|
||
|
||
> **用法**:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。
|
||
> **题源**:在学练习 `02-试题`(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;考点出处标注参考仓库 `knowledge/2`(多维章)、`knowledge/3`(二维数字特征)与 `exercise/2`、`exercise/3`。难度与真题锚点一并保留。
|
||
|
||
## 0. 本讲骨架(先背这张图)
|
||
|
||
**一句话主线**:**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。**
|
||
|
||
**真题地位**:真题库第 17 章,近十年 **11 题 105 分——概率各章之最**,且**年年一道 11–12 分解答题**,结构高度固定:**二维密度/分布 → 求某个函数的分布 → 顺带求协方差 / 判断独立性**。
|
||
|
||
**六节地图**:§1 n 维随机变量与联合分布函数 → §2 二维离散型 → §3 二维连续型 → §4 独立性 → §5 多维随机变量函数的分布(**核心,含雅可比**)→ §6 与数字特征的耦合。参考仓库:`probability-theory-and-mathematical-statistics/knowledge/{2,3}`。
|
||
|
||
**核心方法三条总路线(函数分布的选择依据)**
|
||
|
||
| 路线 | 何时用 | 关键 |
|
||
|---|---|---|
|
||
| ① 分布函数法(定义法) | 给联合密度、求**单个**函数分布 | $F_Z(z)=\iint_{g\le z}f\,\mathrm d\sigma$,再求导 |
|
||
| ② 雅可比变换法 | 求**多个新变量**的联合密度 / 显式变换 | 反解 + $f_{UV}=f\cdot|J|$ |
|
||
| ③ 卷积公式 | $X,Y$ **独立**、求 $Z=X\pm Y$ | 把二维密度降成一重积分 |
|
||
|
||
> **选择口诀**:**单个函数 → 定义法;多变量/显式变换 → 雅可比;独立且求和差 → 卷积分。**
|
||
|
||
**考点树(按手册章节)**
|
||
|
||
| 节 | 考点(对应题目) |
|
||
|---|---|
|
||
| §1 二维随机变量 | 联合分布函数与四性质(A2 起手) |
|
||
| §2 二维离散型 | 分布律/边缘/条件/区域概率(题1)· 多项分布 $\operatorname{Cov}(X_i,X_j)=-np_ip_j$ |
|
||
| §3 二维连续型 | 密度/边缘/条件/二维均匀/二维正态(题2–4、8、13、16) |
|
||
| §4 独立性 | 三等价定义、独立 vs 不相关(题6、11) |
|
||
| §5 函数分布 ★ | 分布函数法、雅可比、卷积、和/差/积/商/最值、混合型、混合正态(题5、7、9、10、12、15、17、18、19) |
|
||
| §6 数字特征耦合 | 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关(题13、14、16、18) |
|
||
|
||
## 1. §1 二维随机变量与联合分布函数
|
||
|
||
设 $X,Y$ 定义在**同一样本空间**,$(X,Y)$ 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 $-\infty$ 张开的**无界左下矩形**的概率。**四条性质**(比一维多一条):① 对 $x$、对 $y$ 各自**单调不减**;② **右连续**;③ 有界性 $F(-\infty,y)=F(x,-\infty)=0$、$F(+\infty,+\infty)=1$;④ **非负矩形增量(二维特有)**:$P\{x_1<X\le x_2,\ y_1<Y\le y_2\}=F(x_2,y_2)-F(x_2,y_1)-F(x_1,y_2)+F(x_1,y_1)\ge0$。**用途**:判断「某二元函数能否当联合分布函数」——光看前三条不够,矩形增量可能为负。边缘分布:$F_X(x)=F(x,+\infty)$、$F_Y(y)=F(+\infty,y)$。口诀(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. §2 二维离散型随机变量
|
||
|
||
联合分布律 $p_{ij}=P\{X=x_i,\ Y=y_j\}$,充要条件 $p_{ij}\ge0$ 且 $\sum_i\sum_jp_{ij}=1$。**表格记忆**:边缘 = 行和 $p_{i\cdot}=\sum_jp_{ij}$、列和 $p_{\cdot j}=\sum_ip_{ij}$;条件 $P\{X=x_i\mid Y=y_j\}=\frac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$);区域概率 $P\{(X,Y)\in G\}=\sum_{(x_i,y_j)\in G}p_{ij}$。**多项分布**(🟨2016·8):$n$ 次独立试验,$\operatorname{Cov}(X_i,X_j)=-np_ip_j$($i\ne j$)。
|
||
|
||
## 3. §3 二维连续型随机变量
|
||
|
||
$F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv$,充要条件 $f\ge0$、$\iint_{\mathbb R^2}f=1$(改有限个点仍是密度)。区域概率 $P\{(X,Y)\in G\}=\iint_Gf\,\mathrm dx\,\mathrm dy$(**画图定限是全部功夫**);连续点处 $\frac{\partial^2F}{\partial x\partial y}=f(x,y)$。边缘密度 $f_X(x)=\int f(x,y)\,\mathrm dy$、$f_Y(y)=\int f(x,y)\,\mathrm dx$。⚠️ **联合决定边缘,边缘不决定联合**:矩形域 + 密度可分离 ⟹ 一眼独立;非矩形域 ⟹ 一眼不独立。条件密度 $f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}$;乘法公式 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。**求条件密度标准动作**:① 先求 $f_X(x)$;② 把 $f(x,y)$ 中 $x$ 视为常数除以 $f_X(x)$;③ 写清 $y$ 的**条件范围**。二维均匀:$f=\frac1{S_D}$($(x,y)\in D$),概率 = 面积占比(几何概型升维)。
|
||
|
||
**二维正态** $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$($-1<\rho<1$),密度公式见手册。**五条必背性质**:① 边缘 $X\sim N(\mu_1,\sigma_1^2)$、$Y\sim N(\mu_2,\sigma_2^2)$;② $\rho=\frac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}$ 就是相关系数;③ **任意线性组合 $aX+bY$ 仍正态**;④ 条件分布仍是正态 $E(Y\mid X=x)=\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)$;⑤ **不相关 $\iff$ 独立(二维正态专属特权)**。识别技巧:看到「两个一维分布函数之积」$F(x,y)=\Phi(\cdot)\Phi(\cdot)$,先标准化立刻读出参数。
|
||
|
||
## 4. §4 随机变量的相互独立性
|
||
|
||
**三等价**:$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}$。性质:独立 ⟹ $f(X)$ 与 $g(Y)$ 独立、任意子组独立、$E(XY)=EX\cdot EY$、$D(aX\pm bY)=a^2DX+b^2DY$;独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$、$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$、正态和正态。**判断三步**:① 求边缘;② 看取值区域是否矩形(**非矩形基本可判不独立**——圆形域、三角形域、$0<y<x$ 型一律不独立);③ 验乘积。**独立 vs 不相关**:独立 ⟹ 不相关($\operatorname{Cov}=0$);不相关 ⇏ 独立(一般情形);**唯一例外:二维正态**。经典反例:$X\sim U(-1,1)$,$Y=X^2$ ⟹ $\operatorname{Cov}(X,Y)=0$ 但**不独立**。
|
||
|
||
## 5. §5 多维随机变量函数的分布 ★核心
|
||
|
||
### 5.1 分布函数法(通法,必掌握)
|
||
|
||
$F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):g(x,y)\le z\}}f\,\mathrm dx\,\mathrm dy$,$f_Z(z)=F_Z'(z)$。**四步**:① 写 $F_Z(z)$;② 画图定区域;③ 按 $z$ 分段积分;④ 对 $z$ 求导。优点:万无一失;缺点:分段讨论繁。
|
||
|
||
### 5.2 雅可比行列式变换法
|
||
|
||
变换 $u=u(x,y),v=v(x,y)$ 满足① 唯一逆变换、② 连续偏导、③ $J\ne0$,则 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\cdot|J|$,其中 $J=\frac{\partial(x,y)}{\partial(u,v)}$(**反解的行列式**,别写成 $\frac{\partial(u,v)}{\partial(x,y)}$——互为倒数);区域 $D'$ 是 $D$ 的像。**求单个函数 $Z=g(X,Y)$: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 对辅助变量积分得边缘。**三条常用变换(记熟 $J$)**:
|
||
|
||
| 目标 | 增补 | 反解 | $\lvert J\rvert$ | 密度公式 |
|
||
|---|---|---|---|---|
|
||
| 和 $Z=X+Y$ | $V=X$ | $x=v,\ y=z-v$ | $1$ | $\int f(v,z-v)\,\mathrm dv$ |
|
||
| 积 $Z=XY$ | $V=X$ | $x=v,\ y=z/v$ | $\frac1{\lvert v\rvert}$ | $\int\frac1{\lvert v\rvert}f(v,\frac zv)\,\mathrm dv$ |
|
||
| 商 $Z=\frac YX$ | $V=X$ | $x=v,\ y=zv$ | $\lvert v\rvert$ | $\int\lvert v\rvert f(v,zv)\,\mathrm dv$ |
|
||
|
||
**一一性的坑**:非一一变换(如 $Z=X^2$、$Z=X^2+Y^2$)要**按分支求和** $\sum f(x_k(z))|\frac{\mathrm dx_k}{\mathrm dz}|$,否则改用分布函数法。一维版本(前置):$Y=g(X)$ 单调可导且 $g'\ne0$ 时 $f_Y(y)=f_X(x(y))\cdot|\frac{\mathrm dx}{\mathrm dy}|$。**极坐标变换**(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=r$;「到原点距离」的函数一律先转极坐标。
|
||
|
||
### 5.3–5.6 和 / 差 / 积 / 商
|
||
|
||
- 和:$f_Z(z)=\int f(x,z-x)\,\mathrm dx$(独立时 $=\int f_X(x)f_Y(z-x)\,\mathrm dx$)。标准结论:**两个 $U(0,1)$ 之和 → 辛普森(三角形)分布** $f_Z(z)=z\ (0<z<1)$、$2-z\ (1\le z<2)$;独立正态和 $\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
|
||
- 差:$f_Z(z)=\int f(x,x-z)\,\mathrm dx$;正态差 $X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2)$;**同方差正态差 $X-Y\sim N(0,2\sigma^2)$,与 $\mu$ 无关**(🟨2019·8)。
|
||
- 积:$f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx)\,\mathrm dx$。
|
||
- 商:$f_Z(z)=\int\lvert x\rvert f(x,zx)\,\mathrm dx$。
|
||
|
||
### 5.7 最值分布
|
||
|
||
$F_{\max}(z)=F_X(z)F_Y(z)$、$F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)]$。独立同分布时 $f_{\max}(z)=2F(z)f(z)$、$f_{\min}(z)=2[1-F(z)]f(z)$。
|
||
|
||
### 5.8 混合型(一个离散、一个连续)——全概率
|
||
|
||
$X$ 离散($P\{X=x_i\}=p_i$)、$Y$ 连续:$F_Z(z)=\sum_ip_iP\{g(x_i,Y)\le z\}$——把离散变量取值当**权重**,加权叠加。例:$P\{X=0\}=P\{X=1\}=\frac12$、$Y\sim U(0,1)$、$Z=X+Y$ ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$。
|
||
|
||
### 5.9 混合正态
|
||
|
||
形如 $Y=X_3X_1+(1-X_3)X_2$($X_3$ 取 0/1):用**全概率 + $\Phi$ 的乘法** $F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ \text{对应}Y\le y\}$,结论常是「证明 $Y$ 仍服从标准正态」。
|
||
|
||
## 6. §6 与数字特征的耦合(配件)
|
||
|
||
- $E(g(X,Y))=\sum\sum g(x_i,y_j)p_{ij}$ 或 $\iint g f\,\mathrm dx\,\mathrm dy$(**不必先求分布**);
|
||
- $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$(**分母是标准差之积**);
|
||
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$(**正态线性组合别漏 $\rho$ 交叉项**);
|
||
- **条件分布求相关**:先 $f(x,y)=f_X(x)f_{Y|X}(y\mid x)$,再算 $EX,EY,E(XY)$;
|
||
- 线性组合方差最值(🟨2025·8):$(X,Y)\sim N(0,0;1,1;\rho)$,$a^2+b^2=1$ 时 $D(aX+bY)=1+2ab\rho$,最大 $1+|\rho|$;
|
||
- 切比雪夫:$P\{|Z-EZ|\ge\varepsilon\}\le\frac{DZ}{\varepsilon^2}$(完整见第 5 讲)。
|
||
|
||
## 7. 题目清单(19 题)
|
||
|
||
### A 组 · 基础(★☆☆)
|
||
- **题 1 · 离散型·联合→边缘→独立性(A)**:$(X,Y)$ 分布律表($X=1,2$;$Y=0,1,2$,六格概率)。(Ⅰ)求 $X,Y$ 边缘分布律;(Ⅱ)判断 $X$ 与 $Y$ 是否相互独立。
|
||
- **题 2 · 二维均匀分布(A)**:$(X,Y)$ 在 $D=\{(x,y)\mid0\le x\le1,\ 0\le y\le x\}$ 上均匀。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 $P\{X+Y\le1\}$。
|
||
- **题 3 · 边缘密度 + 独立性(A)**:$f(x,y)=cxy$($0<x<1,\ 0<y<2$)。(Ⅰ)求 $c$;(Ⅱ)求 $f_X,f_Y$;(Ⅲ)判断独立。
|
||
- **题 4 · 条件概率密度(A)**:$f(x,y)=3x$($0<y<x<1$)。(Ⅰ)求 $f_X(x)$;(Ⅱ)求 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P\{Y<\frac12\mid X=\frac34\}$。
|
||
- **题 5 · 卷积·和的分布(A)**:$X,Y\sim U(0,1)$ 独立,$Z=X+Y$,求 $f_Z(z)$(辛普森分布)。
|
||
- **题 6 · 概念辨析·独立与不相关(A)**:判断(A)都正态且 $\operatorname{Cov}=0$ 则独立(错);(B)$(X,Y)$ 二维正态则不相关 ⟺ 独立(**对**);(C)$\operatorname{Cov}=0$ 则独立(错);(D)独立则 $\operatorname{Cov}$ 可以为 0(错——独立必为 0)。正确项为 B。
|
||
|
||
### B 组 · 中等(★★☆)
|
||
- **题 7 · 商分布(B)**:$X,Y\sim U(0,1)$ 独立,$Z=Y/X$,求 $f_Z(z)$ 及 $P\{Z>1\}$。
|
||
- **题 8 · 连续型独立性(B)**:$(X,Y)$ 在单位圆 $x^2+y^2\le1$ 上均匀。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断独立(非矩形域 → 不独立)。
|
||
- **题 9 · 积分布(B)**:$X\sim U(0,1)$、$Y\sim U(0,2)$ 独立,$Z=XY$,求 $f_Z(z)$。
|
||
- **题 10 · 混合型·和(B)**:$P\{X=0\}=P\{X=1\}=\frac12$,$Y\sim U(0,1)$ 独立,$Z=X+Y$,求 $F_Z(z)$ 与 $f_Z(z)$(全概率 $\frac12F_Y(z)+\frac12F_Y(z-1)$)。
|
||
- **题 11 · 不相关但不独立(B)**:$X\sim U(-1,1)$,$Y=X^2$,求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$,并判断是否独立($\operatorname{Cov}=0$ 但 $Y$ 是 $X$ 的偶函数 → 不独立)。
|
||
- **题 12 · 最值分布(B)**:$X,Y$ 独立同参数 $\lambda$ 指数分布,$Z=\max(X,Y)$,求分布函数与密度。
|
||
- **题 13 · 二维正态综合(B)**:$(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写边缘分布;(Ⅱ)求 $\operatorname{Cov}(X,Y)$ 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
|
||
- **题 14 · 取点分段·几何概型(B)**:$(0,1)$ 上随机取一点,较短段长度 $X$,求 $X$ 的密度。
|
||
|
||
### C 组 · 拔高(★★★)
|
||
- **题 15 · 二维均匀+离散化+分布函数法(C)**【真题骨架 2016·22】:$(X,Y)$ 在三角形 $0<y<x<1$ 上均匀,$U=1$ 当 $Y\le\frac X2$ 否则 $0$。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 $P\{U=1,\ X\le x\}$ 并判断 $U$ 与 $X$ 是否独立;(Ⅲ)求 $Z=U+X$ 的 $F_Z$ 与 $f_Z$。
|
||
- **题 16 · 条件均匀分布→相关系数(C)**【真题骨架 2022·10/2024·9】:$X\sim U(0,1)$,$X=x$ 条件下 $Y\sim U(0,x)$,求 $\rho_{XY}$(先 $f=f_Xf_{Y\mid X}$ 再算 $EX,EY,E(XY)$)。
|
||
- **题 17 · 混合正态(C)**【真题骨架 2020·22】:$X_1,X_2\sim N(0,1)$ 独立,$P\{X_3=1\}=P\{X_3=-1\}=\frac12$,$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2$。(Ⅰ)求 $(X_1,Y)$ 的分布函数(用 $\Phi$ 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
|
||
- **题 18 · 圆形区域密度+函数分布(C)**【真题骨架 2023·22】:$f(x,y)=c\sqrt{x^2+y^2}$($x^2+y^2\le1$)。(Ⅰ)求 $c$(极坐标);(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断独立(非矩形 → 不独立);(Ⅳ)求 $Z=X^2+Y^2$ 的密度(**反解多值,走分布函数法**)。
|
||
- **题 19 · 雅可比行列式变换法(C)**【视频推荐】:$f(x,y)=e^{-(x+y)}$($x>0,y>0$),$U=X+Y$、$V=\frac{X}{X+Y}$。(Ⅰ)用雅可比法求 $f_{UV}(u,v)$;(Ⅱ)判断 $U,V$ 是否独立并写各自分布(应得 $U\sim\Gamma$ 型、$V\sim U(0,1)$ 且独立)。
|
||
|
||
---
|
||
|
||
> **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/01-考点手册|01-考点手册]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/02-试题|02-试题]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/03-解析|03-解析]]、[[../在学练习/概率论-第3讲-多维随机变量及其分布/05-试题-中高难度|05-试题-中高难度]](12 题强化卷);参考仓库 `参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3}` 与 `exercise/{2,3}`。
|