新增 - 在学练习/概率论-第5讲-大数定律与中心极限定理/:README + 01考点手册 + 02试题(16题) + 03解析 + PDF×3 - 在学练习/概率论-第6讲-数理统计/:README + 01考点手册 + 02试题(18题) + 03解析 + PDF×3 - 在学练习/概率论-第3讲.../05-试题-中高难度.md、06-解析-中高难度.md + 平板版 PDF×6(四件套 + 中高难度) - .workbuddy/tools/md2pdf/:md2pdf.js(Markdown→KaTeX→Edge 无头打印 A4,含 answer 留白模式)、shot.js(渲染验收截图) - .workbuddy/memory/:2026-10-14.md、2026-10-16.md、MEMORY.md 更新 - .gitignore:新增忽略 md2pdf/build/(HTML 内联字体,体积大) - 总览.md:目录树同步(第5/6讲、第3讲中高难度卷、PDF 清单) - 第3讲 01-考点手册/02-试题/README:中高难度卷接入与索引回填 说明:PDF 为 KaTeX 矢量公式渲染的平板书写版(试题逐题留白),由 md2pdf.js 从 .md 可重建。
17 KiB
tags, 专题, 日期, 关联
| tags | 专题 | 日期 | 关联 | |||||
|---|---|---|---|---|---|---|---|---|
|
概率论 第3讲 · 多维随机变量及其分布 · 考点手册 | 2026-10-13 | README · 02-试题 · 03-解析 |
概率论 第3讲 · 多维随机变量及其分布 · 考点手册
来源记号:🟦 视频讲次 · 🟨 真题库第 17 章 · 🟩 参考仓库方法。 学习法:先通读一遍建立框架 → 做 02-试题 → 对 03-解析 → 回本手册补齐薄弱点。
0. 本讲定位与学习地图
为什么重要 🟨:真题库第 17 章(多维随机变量及其分布)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。
六讲次 → 本手册章节映射 🟦:
| 视频讲次 | 本手册章节 |
|---|---|
| 01 n 维随机变量及其分布函数 | §1 |
| 02/03 两类二维变量(离散/连续) | §2、§3 |
| 04 随机变量的相互独立性 | §4 |
| 05/06 多维随机变量函数的分布 | §5(核心,含雅可比) |
| 07 综合题举例 | §6、§7 |
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。
1. 二维随机变量与联合分布函数 🟦01
1.1 概念
设 X,Y 是定义在同一样本空间上的随机变量,称 (X,Y) 为二维随机变量(二维随机向量)。n 个即为 n 维。
1.2 联合分布函数
F(x,y)=P\{X\le x,\ Y\le y\}.
几何意义:平面上以 (x,y) 为右上角、向 -\infty 张开的无界左下矩形的概率。
1.3 四条性质(与一维对应,多一条)
- 单调不减:对 $x$、对
y各自单调不减; - 右连续:$F(x+0,y)=F(x,y)$,$F(x,y+0)=F(x,y)$;
- 有界性:$F(-\infty,y)=F(x,-\infty)=0$,$F(+\infty,+\infty)=1$;
- 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"。反例:
F(x,y)=\begin{cases}1,&x+y\ge0\\0,&x+y<0\end{cases}不合法——它虽满足前三条,但在x_1=-1,x_2=1,y_1=-1,y_2=1上矩形增量为 $F(1,1)-F(1,-1)-F(-1,1)+F(-1,-1)=1-1-1+0=-1<0$。
1.4 边缘分布函数 🟩
F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).
口诀(仓库原话):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. 二维离散型随机变量 🟦02 🟨2016·8
2.1 联合分布律
p_{ij}=P\{X=x_i,\ Y=y_j\},\quad i,j=1,2,\cdots
充要条件:p_{ij}\ge0 且 $\displaystyle\sum_i\sum_j p_{ij}=1$。
2.2 三类分布(表格记忆法)
把 p_{ij} 写成矩形表:
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} |
\vdots |
||||
p_{\cdot j} |
p_{\cdot1} |
p_{\cdot2} |
\cdots |
1 |
- 边缘:行和 $p_{i\cdot}=\sum_j p_{ij}$、列和 $p_{\cdot j}=\sum_i p_{ij}$(表格最右列、最下行);
- 条件:$P{X=x_i\mid Y=y_j}=\dfrac{p_{ij}}{p_{\cdot j}}$(要求 $p_{\cdot j}>0$),$P{Y=y_j\mid X=x_i}=\dfrac{p_{ij}}{p_{i\cdot}}$;
- 区域概率:$P{(X,Y)\in G}=\sum_{(x_i,y_j)\in G}p_{ij}$。
2.3 常见模型
- 放球模型🟩:
n封信投m个信箱,(X_1,X_2)为前两箱信封数,联合分布为多项分布型。 - 多项分布🟨2016·8:
n次独立试验,X_i为第i类结果次数,$\operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j)$,$\rho_{X_1X_2}=-\sqrt{\dfrac{p_1p_2}{(1-p_1)(1-p_2)}}$。
3. 二维连续型随机变量 🟦02/03 🟨2016·22、2021·22、2023·22
3.1 联合概率密度
F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm du\,\mathrm dv.
充要条件:$f\ge0$,$\displaystyle\iint_{\mathbb R^2}f=1$。改有限个点的值仍是密度。
- 区域概率:$P{(X,Y)\in G}=\iint_G f,\mathrm dx,\mathrm dy$(画图定限是全部功夫);
- 在
f连续点处 $\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)$。
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:不同联合可共享同一对边缘。
- 矩形域 + 密度可分离 ⟹ 一眼独立;
- 非矩形域 ⟹ 一眼不独立。
3.3 条件密度
f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\ (f_X(x)>0),\qquad f_{X|Y}(x\mid y)=\frac{f(x,y)}{f_Y(y)}.
乘法公式:$f(x,y)=f_X(x)f_{Y|X}(y\mid x)=f_Y(y)f_{X|Y}(x\mid y)$。
求条件密度的标准动作: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。
3.4 二维均匀分布
f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D\\0,&\text{其他}\end{cases}
几何概型的升维:概率 = 面积占比。
3.5 二维正态分布(深挖)🟩
(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho),\quad -1<\rho<1.
f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)^2-2\rho\Big(\tfrac{x-\mu_1}{\sigma_1}\Big)\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)+\Big(\tfrac{y-\mu_2}{\sigma_2}\Big)^2\right]\right\}
五条必背性质:
- 边缘:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$;
\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2}就是相关系数;- 任意线性组合 $aX+bY$(
a,b不全为 0)仍服从正态; - 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$;
- 不相关
\iff独立(二维正态专属特权)。
识别技巧🟩:看到
F(x,y)=\Phi(2x+1)\Phi(2y-1)这种"两个一维分布函数之积",先标准化 $\Phi\Big(\dfrac{x-(-\frac12)}{1/2}\Big)\Phi\Big(\dfrac{y-\frac12}{1/2}\Big)$,立刻读出 $(X,Y)\sim N!\big(-\tfrac12,\tfrac12;\tfrac14,\tfrac14;0\big)$。
4. 随机变量的相互独立性 🟦04 🟨2016·22、2019·22、2023·22
4.1 定义(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}.
4.2 性质
- 独立 ⟹
f(X)与g(Y)独立; - 独立 ⟹ 任意子组独立;独立 ⟹ $E(XY)=EX\cdot EY$,$D(aX\pm bY)=a^2DX+b^2DY$;
- 独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$;$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$;$N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
4.3 判断独立性三步走(考场流程)
- 求 $f_X(x)$、$f_Y(y)$;
- 看取值区域——是不是矩形(非矩形基本可判不独立);
- 验 $f(x,y)\stackrel{?}{=}f_X(x)f_Y(y)$。
特例:圆形域、三角形域、
0<y<x型区域 ⟹ 一律不独立(除非密度恰可分离且区域矩形)。
4.4 独立 vs 不相关(高频概念题)🟨2019·22、2025·8
\text{独立}\ \Longrightarrow\ \text{不相关}\ (\operatorname{Cov}=0);\qquad \text{不相关}\ \not\Longrightarrow\ \text{独立(一般情形)}.
唯一例外:二维正态时二者等价。
经典反例:$X\sim U(-1,1)$,Y=X^2 ⟹ \operatorname{Cov}(X,Y)=0 但不独立(Y 是 X 的偶函数)。
5. 多维随机变量函数的分布 ★核心 🟦05/06 🟨2017·22、2018·22、2019·8、2019·22、2020·22、2021·22
5.0 三条总路线(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、求单个函数的分布 | $F_Z(z)=P{g(X,Y)\le z}=\iint_{g\le z}f,\mathrm d\sigma$,再求导 |
| ② 雅可比变换法 | 视频推荐 · 求多个新变量的联合密度 / 函数分布 | 反解 + f_{UV}=f\cdot\lvert J\rvert |
| ③ 卷积公式 | X,Y 独立、求 Z=X\pm Y 等 |
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。
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(x,y)\,\mathrm dx\,\mathrm dy,\qquad f_Z(z)=F_Z'(z).
四步:① 写 $F_Z(z)$;② 画图定 g\le z 的区域;③ 按 z 分段积分;④ 对 z 求导。
优点:万无一失(第 15、18 题用它);缺点:分段讨论繁。
5.2 雅可比行列式变换法(视频推荐,重点补)🟦05/06
二维变换定理:设 (X,Y) 的联合密度为 $f_{XY}(x,y)$,变换
u=u(x,y),\qquad v=v(x,y)
满足:① 在 (X,Y) 的取值区域 D 上存在唯一的逆变换 $x=x(u,v),\ y=y(u,v)$;② 有连续偏导数;③ 雅可比行列式 $J\ne0$。则 (U,V) 的联合密度为
\boxed{\,f_{UV}(u,v)=f_{XY}\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert\,}
其中
J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}\dfrac{\partial x}{\partial u}&\dfrac{\partial x}{\partial v}\\[8pt]\dfrac{\partial y}{\partial u}&\dfrac{\partial y}{\partial v}\end{vmatrix},
取值区域 D' 是 D 在变换下的像(把 D 的边界用 u,v 表示)。
求单个函数 Z=g(X,Y) 的密度 —— 增补变量三步法:
- 增补一个辅助变量(常取
V=X或 $V=Y$),凑成二维一一变换; - 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$;
- 对辅助变量积分得边缘:$f_Z(z)=\displaystyle\int f_{UV}(z,v),\mathrm dv$。
三条常用变换(务必记熟 $J$):
| 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 |
f_Z(z)=\displaystyle\int f(v,z-v)\,\mathrm dv |
积 Z=XY |
V=X |
x=v,\ y=z/v |
\dfrac1{\lvert v\rvert} |
f_Z(z)=\displaystyle\int\frac{1}{\lvert v\rvert}f\big(v,\tfrac zv\big)\,\mathrm dv |
商 Z=\dfrac YX |
V=X |
x=v,\ y=zv |
\lvert v\rvert |
f_Z(z)=\displaystyle\int\lvert v\rvert f(v,zv)\,\mathrm dv |
验算:以"和"为例,$x=v,\ y=z-v$;$J=\det\begin{vmatrix}0&1\1&-1\end{vmatrix}=-1$,$\lvert J\rvert=1$,故
f_Z(z)=\int f(v,z-v)\mathrm dv—— 正是卷积公式。雅可比法把卷积"推导"出来了,理解后不必死记。
一一性的坑 🔴:若变换非一一(如 $Z=X^2$、Z=X^2+Y^2 反解多值),雅可比法要按分支求和:
f_Z(z)=\sum_{\text{各分支}} f\big(x_k(z)\big)\left\lvert \frac{\mathrm dx_k}{\mathrm dz}\right\rvert.
否则改用分布函数法(第 18 题的 Z=X^2+Y^2 就走定义法)。
一维版本(前置知识):若 Y=g(X) 在 X 的取值区间上单调可导且 $g'\ne0$,则
f_Y(y)=f_X\big(x(y)\big)\cdot\left\lvert\frac{\mathrm dx}{\mathrm dy}\right\rvert=\frac{f_X\big(x(y)\big)}{\lvert g'(x(y))\rvert}.
例:$X\sim U(0,2)$,
Y=X^2在(0,2)单调,$x=\sqrt y$,$\left\lvert\dfrac{\mathrm dx}{\mathrm dy}\right\rvert=\dfrac1{2\sqrt y}$,故 $f_Y(y)=\dfrac12\cdot\dfrac1{2\sqrt y}=\dfrac1{4\sqrt y}\ (0<y<4)$。
极坐标变换(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=\dfrac{\partial(x,y)}{\partial(r,\theta)}=r$,
\iint_D f\,\mathrm dx\,\mathrm dy=\iint_{D'} f(r\cos\theta,r\sin\theta)\,r\,\mathrm dr\,\mathrm d\theta.
凡"到原点距离"的函数($X^2+Y^2$、$\sqrt{X^2+Y^2}$、
\sqrt{X^2+Y^2}\le z的区域)一律先转极坐标。
5.3 和的分布(卷积)
f_Z(z)=\int_{-\infty}^{+\infty}f(x,z-x)\,\mathrm dx\ \xrightarrow{\ X,Y\text{ 独立}\ }\ \int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx.
两个标准结论(背下来):
- 两个
U(0,1)之和 → 辛普森(三角形)分布:$f_Z(z)=z\ (0<z<1)$,$2-z\ (1\le z<2)$; X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)独立 ⟹ $X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
5.4 差的分布
f_Z(z)=\int_{-\infty}^{+\infty}f(x,x-z)\,\mathrm dx\quad(\text{独立时}=\int f_X(x)f_Y(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。
5.5 积的分布
f_Z(z)=\int_{-\infty}^{+\infty}\frac{1}{\lvert x\rvert}f\Big(x,\frac zx\Big)\mathrm dx\quad(\text{独立时}=\int\frac{1}{\lvert x\rvert}f_X(x)f_Y\Big(\frac zx\Big)\mathrm dx).
5.6 商的分布
f_Z(z)=\int_{-\infty}^{+\infty}\lvert x\rvert f(x,zx)\,\mathrm dx\quad(\text{独立时}=\int\lvert x\rvert f_X(x)f_Y(zx)\,\mathrm dx).
5.7 最值分布
F_{\max}(z)=F_X(z)F_Y(z),\qquad F_{\min}(z)=1-\big[1-F_X(z)\big]\big[1-F_Y(z)\big].
若
X,Y独立同分布(分布函数 $F$、密度 $f$):$f_{\max}(z)=2F(z)f(z)$;$f_{\min}(z)=2[1-F(z)]f(z)$。
5.8 混合型(一个离散、一个连续)——全概率公式 🟨2017·22、2020·22、2025·22
设 X 离散($P{X=x_i}=p_i$)、Y 连续:
F_Z(z)=\sum_i p_i\,P\{g(x_i,Y)\le z\}.
本质:把离散变量的每个取值当作一个权重,分别平移后加权叠加。 例:$P{X=0}=P{X=1}=\tfrac12$,$Y\sim U(0,1)$,
Z=X+Y⟹ $F_Z(z)=\tfrac12F_Y(z)+\tfrac12F_Y(z-1)$。
5.9 混合正态(综合题常客)🟨2020·22
形如 $Y=X_3X_1+(1-X_3)X_2$(X_3 取 0/1,$X_1,X_2\sim N(0,1)$):
用全概率 + \Phi 的乘法:
F(x,y)=\sum_k P\{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. 与数字特征的耦合(本讲的"配件")🟦07 🟨2022·10、2024·9、2025·8
- 期望的二维公式(不必先求分布):
E\big(g(X,Y)\big)=\sum\sum g(x_i,y_j)p_{ij}或 $\iint g(x,y)f,\mathrm dx,\mathrm dy$; - $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$;
- $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$;
- 条件分布求相关(🟨2022·10、2024·9):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 $D(aX+bY)=1+2ab\rho$,最大值 $1+\lvert\rho\rvert$; - 切比雪夫不等式:$P{\lvert Z-EZ\rvert\ge\varepsilon}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 概率论-第5讲-大数定律与中心极限定理/01-考点手册 §2)。
7. 十年真题落点地图(🟨 第 17 章 11 题)
| 年份·题号 | 分值 | 考法 | 关键动作 |
|---|---|---|---|
| 2016·22 | 11 | 二维均匀 + 离散化 U + Z=U+X 分布函数 |
判独立 + 分布函数法 |
| 2017·22 | 11 | 混合型 Z=X+Y |
全概率 + P\{Y\le EY\} |
| 2018·22 | 11 | Z=XY + 协方差 |
积分布 + \operatorname{Cov} |
| 2019·8 | 4 | 正态差 \lvert X-Y\rvert |
X-Y\sim N(0,2\sigma^2) |
| 2019·22 | 11 | Z=XY 密度 + 不相关 + 独立性 |
反解两分支求和 |
| 2020·22 | 11 | 混合正态 + 证明 Y\sim N(0,1) |
全概率 + \Phi |
| 2021·22 | 11 | 取点分段 + 商分布 Z=Y/X |
几何概型 + 商的密度 |
| 2022·10 | 5 | 条件分布求相关系数 | Y\mid X=x\sim N(x,1) |
| 2023·22 | 12 | 圆形域密度 + \operatorname{Cov} + 独立 + Z=X^2+Y^2 |
极坐标 |
| 2024·9 | 5 | 条件均匀分布 + 协方差 | f=f_Xf_{Y\mid X} |
| 2025·22 | 12 | 复合分布 + 混合概率模型 | 全概率 + 复合 |
跨章牵连(数字特征/条件分布):2016·8、2020·14、2021·16、2022·8、2024·10、2025·8。
8. 速查卡 · 陷阱清单
8.1 十句速记
- 联合决定边缘,边缘不决定联合;
- 区域不是矩形 ⟹ 立刻怀疑不独立;
- 独立 ⟹ 不相关;不相关 ⇏ 独立(二维正态除外);
- 混合型 = 全概率公式(离散变量当权重);
- 单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积;
- 雅可比用反解的行列式 $J=\dfrac{\partial(x,y)}{\partial(u,v)}$,别写成 $\dfrac{\partial(u,v)}{\partial(x,y)}$(互为倒数,取绝对值不影响结果,但要对);
- 非一一变换要按分支求和,否则漏项;
- 圆形域先极坐标,$J=r$;
- 条件密度是对另一个变量求导/积分的商,注意条件范围;
- 二维正态
\sigma是标准差,代公式别把\sigma^2用错。
8.2 高频陷阱
| 陷阱 | 正确做法 |
|---|---|
| 边缘积分上下限照抄联合定义域 | 画图取交集,分段讨论 |
| 判独立只看一个点就下"独立"结论 | 独立要全部 $p_{ij}=p_{i\cdot}p_{\cdot j}$;不独立找一个反例即可 |
| 雅可比漏绝对值 / 符号搞反 | $f_{UV}=f\cdot\lvert J\rvert$,行列式用反解的 |
Z=X^2+Y^2 硬套雅可比 |
反解多值,改走分布函数法 |
| 混合型只算一半权重 | 全概率 $\sum_i p_i(\cdots)$,权重和必须为 1 |
| 相关系数公式分母用方差 | 分母是 $\sqrt{DX}\sqrt{DY}$(都是标准差之积) |
正态线性组合忘了 \rho 交叉项 |
D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov} |