Files
Yimu 31fe3da11f feat(在学练习): 概率论第5讲(大数定律与CLT)+第6讲(数理统计) 整套;第3讲中高难度卷;md2pdf 工具链
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。
2026-10-16 14:17:28 +08:00

17 KiB
Raw Blame History

tags, 专题, 日期, 关联
tags 专题 日期 关联
数学一
在学练习
概率论
多维随机变量
考点手册
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)

  1. 单调不减:对 $x$、对 y 各自单调不减;
  2. 右连续:$F(x+0,y)=F(x,y)$,$F(x,y+0)=F(x,y)$;
  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"。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:

  1. 边缘:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$;
  2. \rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2} 就是相关系数;
  3. 任意线性组合 $aX+bY$(a,b 不全为 0)仍服从正态;
  4. 条件分布仍是正态:$E(Y\mid X=x)=\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1)$;
  5. 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)

  1. 求 $f_X(x)$、$f_Y(y)$;
  2. 看取值区域——是不是矩形(非矩形基本可判不独立);
  3. 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:

  1. 增补一个辅助变量(常取 V=X 或 $V=Y$),凑成二维一一变换;
  2. 求联合密度 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\lvert J\rvert$;
  3. 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

  1. 联合决定边缘,边缘不决定联合;
  2. 区域不是矩形 ⟹ 立刻怀疑不独立;
  3. 独立 ⟹ 不相关;不相关 ⇏ 独立(二维正态除外);
  4. 混合型 = 全概率公式(离散变量当权重);
  5. 单个函数 → 定义法;多变量 → 雅可比;独立求和差 → 卷积;
  6. 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);
  7. 非一一变换要按分支求和,否则漏项;
  8. 圆形域先极坐标,$J=r$;
  9. 条件密度是对另一个变量求导/积分的商,注意条件范围;
  10. 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}

下一步:开做 02-试题(19 题,约 95 分钟)。做完对 03-解析,把错题回挂 做题本。