Files
MathNotesVersion2/基于考研的学习/数学一/在学练习/概率论-第3讲-多维随机变量及其分布/06-解析-中高难度.md
T
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

16 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
解析
中高难度
概率论 第3讲 · 多维随机变量及其分布 · 中高难度卷解析(12 题) 2026-10-16 05-试题-中高难度 · 01-考点手册

概率论 第3讲 · 中高难度卷 · 解析

每题含 答案 / 思路 / 易错点;标「真题骨架」的题给出对应真题。


B 组 · 中等

1.(Ⅰ)行和、列和:

X\backslash Y 0 1 p_{i\cdot}
0 0.2 0.3 0.5
1 0.4 0.1 0.5
p_{\cdot j} 0.6 0.4 1

$X\sim\begin{pmatrix}0&1\0.5&0.5\end{pmatrix}$,$Y\sim\begin{pmatrix}0&1\0.6&0.4\end{pmatrix}$。

(Ⅱ) 取 $p_{00}=0.2$,而 $p_{0\cdot}p_{\cdot0}=0.5\times0.6=0.3\ne0.2$,故 X 与 Y 不相互独立。

(Ⅲ) Z=X+Y 只取 $0,1,2$,按对角求和:

P\{Z=0\}=p_{00}=0.2,\quad P\{Z=1\}=p_{01}+p_{10}=0.3+0.4=0.7,\quad P\{Z=2\}=p_{11}=0.1. Z\sim\begin{pmatrix}0&1&2\\0.2&0.7&0.1\end{pmatrix}

思路:离散"和的分布"= 沿反对角线求和(X+Y=k 的那条线)。 易错点:X,Y 不独立不影响求和的分布——求 Z 的分布律永远只用联合表,与独立性无关。

2.(Ⅰ)独立正态的差仍正态,均值相减、方差相加:

X-Y\sim N\big(1-2,\ 4+9\big)=N(-1,\ 13).

(Ⅱ)

P\{X>Y\}=P\{X-Y>0\}=1-\Phi\!\left(\frac{0-(-1)}{\sqrt{13}}\right)=1-\Phi\!\left(\frac{1}{\sqrt{13}}\right)\approx0.391.

(Ⅲ) 同分布时 $X-Y\sim N(0,\ 2\sigma^2)$,故

P\{|X-Y|<2\}=\Phi\!\left(\frac{2}{\sigma\sqrt2}\right)-\Phi\!\left(-\frac{2}{\sigma\sqrt2}\right)=2\Phi\!\left(\frac{\sqrt2}{\sigma}\right)-1.

结果里不含 $\mu$、含 $\sigma$ ⟹ 与 \mu 无关,与 \sigma^2 有关(即真题 2019·8 的选项 A)。

思路(中心化):X-Y 的分布只由差的均值($0$)与差的方差($2\sigma^2$)决定;|X-Y|<2 是关于 X-Y 的对称区间概率,只依赖 $2\sigma^2$。 易错点:$D(X-Y)=DX+DY$(独立才可加),不是 $DX-DY$;求 P\{X>Y\} 时别忘减均值 -1 已含在里面。

3.(Ⅰ)

\iint_{\!D}cxy\,\mathrm dx\mathrm dy=c\int_0^1\!\!\int_0^{1-x}xy\,\mathrm dy\,\mathrm dx=c\int_0^1 x\cdot\frac{(1-x)^2}{2}\,\mathrm dx=c\cdot\frac12 B(2,3)=c\cdot\frac{1}{24}=1\ \Rightarrow\ \boxed{c=24}

(Ⅱ) D 是三角形 $x+y<1$,故

f_X(x)=\int_0^{1-x}24xy\,\mathrm dy=12x(1-x)^2\quad(0<x<1), f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}=\frac{24xy}{12x(1-x)^2}=\frac{2y}{(1-x)^2}\quad(0<y<1-x).

(Ⅲ)

E(Y\mid X=x)=\int_0^{1-x}y\cdot\frac{2y}{(1-x)^2}\,\mathrm dy=\frac{2}{(1-x)^2}\cdot\frac{(1-x)^3}{3}=\frac{2(1-x)}{3}.

再用全期望(对 x 求平均):

E(Y)=E\big[E(Y\mid X)\big]=\int_0^1\frac{2(1-x)}{3}\cdot12x(1-x)^2\,\mathrm dx=8\int_0^1x(1-x)^3\,\mathrm dx=8B(2,4)=8\times\frac{1}{20}=\frac25.

思路:条件密度型问题三步走——先定域($0<y<1-x$)→ 再写条件密度 → 最后算 $E(Y\mid X=x)$;求无条件期望用全期望公式,比直接二重积分省一半功夫。 易错点:区域是三角形不是矩形,内层上限是 $1-x$;$B(2,4)=\dfrac{1!,3!}{5!}=\dfrac{1}{20}$。

4. $f_{XY}(x,y)=1\cdot e^{-y}$($0<x<1,\ y>0$)。用商的密度公式(其 |x| 即雅可比):

f_Z(z)=\int_{-\infty}^{+\infty}|x|\,f(x,zx)\,\mathrm dx=\int_0^1 x\,e^{-zx}\,\mathrm dx\quad(z>0).

两次分部积分(或用 $\int_0^1xe^{-zx}\mathrm dx=\dfrac{1-(1+z)e^{-z}}{z^{2}}$):

\boxed{\ f_Z(z)=\begin{cases}\dfrac{1-(1+z)e^{-z}}{z^{2}},&z>0\\[6pt]0,&z\le0\end{cases}\ }

自检:z\to0^+ 时分子 $\sim\dfrac{z^2}{2}$,故 f_Z\to\dfrac12=\displaystyle\int_0^1x\,\mathrm dx ✓

思路:商 Z=Y/X 取辅助变量 $V=X$,$|J|=|x|$,故公式里出现 $|x|$;本题也可用"先求 F_Z 再求导":$P{Y\le zX}=\int_0^1(1-e^{-zx})\mathrm dx$,求导结果相同。 易错点:支撑集 $z>0$(公式里 e^{-zx} 的收敛要求 $z>0$,与 Y>0,X>0 一致);不要漏掉分母 $z^2$。

5.(Ⅰ)$S_D=\dfrac{\pi}{2}$(上半圆),故

f(x,y)=\begin{cases}\dfrac{2}{\pi},&x^2+y^2\le1,\ y\ge0\\0,&\text{其他}\end{cases}

(Ⅱ)

f_X(x)=\int_0^{\sqrt{1-x^2}}\frac{2}{\pi}\,\mathrm dy=\frac{2}{\pi}\sqrt{1-x^2}\quad(-1<x<1), f_Y(y)=\int_{-\sqrt{1-y^2}}^{\sqrt{1-y^2}}\frac{2}{\pi}\,\mathrm dx=\frac{4}{\pi}\sqrt{1-y^2}\quad(0<y<1).

(Ⅲ) $f_X(x)f_Y(y)=\dfrac{8}{\pi^2}\sqrt{1-x^2}\sqrt{1-y^2}\ne\dfrac2\pi=f(x,y)$,且取值区域是半圆(非矩形),故 X,Y 不相互独立。

(Ⅳ) 极坐标下 D 对应 $\theta\in[0,\pi]$。而

x>y\iff\cos\theta>\sin\theta\iff\theta<\frac{\pi}{4}\quad\Big(\theta\in\Big[0,\frac\pi2\Big]\Big),

故 \{x>y\}\cap D 是扇形 $\theta\in\big[0,\frac\pi4\big)$,面积 $\dfrac12\cdot1^2\cdot\dfrac\pi4=\dfrac\pi8$。

P\{X>Y\}=\frac{S_{\{x>y\}\cap D}}{S_D}=\frac{\pi/8}{\pi/2}=\frac14.

思路:均匀分布求概率 = 面积比;区域带圆就用极坐标数角度,比硬积分快得多。 易错点:上半圆的面积是 \pi/2 不是 $\pi$;\theta\in[\frac\pi2,\pi] 那半扇形里 $x<0\le y$,也算进 \{x<y\} 的补集。

6.(Ⅰ)Z=XY 分两种情形:

  • $Y=1$(概率 $1-p$):$Z=X\sim U(0,1)$,密度 1 落在 $(0,1)$;
  • $Y=-1$(概率 $p$):$Z=-X$,密度 1 落在 $(-1,0)$。
f_Z(z)=\begin{cases}1-p,&0<z<1\\p,&-1<z<0\\0,&\text{其他}\end{cases}

自检:\displaystyle\int_{-1}^{0}p\,\mathrm dz+\int_0^1(1-p)\,\mathrm dz=p+(1-p)=1 ✓

(Ⅱ) $EX=\dfrac12$,$EX^2=\dfrac13$,$EY=1\cdot(1-p)+(-1)\cdot p=1-2p$。

E(Z)=E(XY)=E(X)E(Y)=\frac{1-2p}{2},\qquad E(XZ)=E(X^2Y)=E(X^2)E(Y)=\frac{1-2p}{3}, \operatorname{Cov}(X,Z)=E(XZ)-EX\cdot EZ=\frac{1-2p}{3}-\frac12\cdot\frac{1-2p}{2}=\frac{(1-2p)}{12}.

(Ⅲ) $\operatorname{Cov}(X,Z)=0\iff 1-2p=0\iff \boxed{p=\dfrac12}$。

(Ⅳ)X 与 Z 不相互独立。理由:给定 $X=x$,Z=xY 只取 \pm x 两个值,条件分布依赖 $x$(如 $P{Z=x\mid X=x}=1-p$,$P{Z=-x\mid X=x}=p$),故不独立。

易错点:Z 的密度是两块拼接(正半轴权重 $1-p$、负半轴权重 $p$),不是常规光滑密度;求 E(XZ) 必须用独立性拆成 $E(X^2)E(Y)$。 结论:本题与真题同构——"不相关"可以靠调参数凑出来,但"独立"凑不出来。

7.(Ⅰ)$\sigma_1=1,\ \sigma_2=2,\ \rho=-0.5$,$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$。

D(X+Y)=DX+DY+2\operatorname{Cov}(X,Y)=1+4+2(-1)=3\ \Rightarrow\ X+Y\sim N(0,3).

(Ⅱ) $D(X-Y)=DX+DY-2\operatorname{Cov}(X,Y)=1+4-2(-1)=7$。

(Ⅲ) 线性组合的协方差(交叉项抵消):

\operatorname{Cov}(X+Y,\ X-Y)=DX-DY=1-4=-3\ne0.

因 (X+Y,\ X-Y) 仍是 (X,Y) 的线性变换,仍服从二维正态,对二维正态"不相关 \iff 独立",故 X+Y 与 X-Y 不相互独立。

易错点:$\operatorname{Cov}(X,Y)=\rho\sigma_1\sigma_2=-1$(负号别丢),直接导致 D(X+Y)=3 而非 $5$。 通用结论:二维正态下 —— 线性组合仍联合正态;不相关即独立;$\operatorname{Cov}(aX+bY,,cX+dY)=ac,DX+(ad+bc)\operatorname{Cov}+bd,DY$。


C 组 · 拔高

8.(Ⅰ)反解

u=x+y,\quad v=x-y\ \Longrightarrow\ x=\frac{u+v}{2},\qquad y=\frac{u-v}{2}.

雅可比行列式(反解的行列式):

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}=\begin{vmatrix}\tfrac12&\tfrac12\\[4pt]\tfrac12&-\tfrac12\end{vmatrix}=-\frac14-\frac14=-\frac12,\qquad|J|=\frac12.

定义域一起变换:0<x<1,\ 0<y<1 变成 0<u+v<2 且 $0<u-v<2$,即

|v|<u<2-|v|\iff |v|<1.

于是

f_{UV}(u,v)=\begin{cases}\dfrac12,&|v|<u<2-|v|\\[4pt]0,&\text{其他}\end{cases}

支撑集形状:由四条边 u+v=0,\ u+v=2,\ u-v=0,\ u-v=2 围成的菱形(正方形旋转 $45^\circ$),顶点为

(0,0),\ (1,1),\ (2,0),\ (1,-1).

(Ⅱ) 对 v 积分:

  • $0<u<1$:$v\in(-u,u)$,长度 2u ⟹ $f_{X+Y}(u)=2u\cdot\dfrac12=u$;
  • $1\le u<2$:$v\in\big(-(2-u),,2-u\big)$,长度 2(2-u) ⟹ $f_{X+Y}(u)=2-u$。
f_{X+Y}(u)=\begin{cases}u,&0<u<1\\2-u,&1\le u<2\\0,&\text{其他}\end{cases}\quad(\textbf{辛普森三角形分布})

自检:\displaystyle\int_0^1u\,\mathrm du+\int_1^2(2-u)\,\mathrm du=\frac12+\frac12=1 ✓

(Ⅲ)U 与 V 不相互独立。f_{UV} 在菱形上恒为 $\dfrac12$(常数),而 f_U(u)=u 在 (0,1) 上并非常数,$f_U(u)f_V(v)\ne f_{UV}$,故不独立。

思路(雅可比三步):① 反解 $x=x(u,v),y=y(u,v)$;② 算 $\left|\dfrac{\partial(x,y)}{\partial(u,v)}\right|$;③ $f_{UV}=f\cdot|J|$,定义域一并变换(这一步决定了菱形的四条边)。 易错点:|J|=\tfrac12 是常数,很容易被误当成"f_{UV} 也是常数所以独立"——判断独立必须比较边缘之积,支撑集是斜菱形这一点就足以否定独立。 与 02-试题 第 19 题的分工:第 19 题练"和非一一→按分支"的比值变换,本题练一一变换 + 支撑集形状。

9.(Ⅰ)(U,V)=(\min,\max) 的取值必满足 $0<u<v<1$,且区域非矩形。用对称性($f(u)f(v)=1$,两种排列):

f_{UV}(u,v)=2!\,f(u)f(v)=2\quad(0<u<v<1).

自检:\displaystyle\int_0^1\!\!\int_u^1 2\,\mathrm dv\,\mathrm du=2\int_0^1(1-u)\,\mathrm du=1 ✓

(Ⅱ)

f_U(u)=\int_u^1 2\,\mathrm dv=2(1-u)\ (0<u<1),\qquad f_V(v)=\int_0^v 2\,\mathrm du=2v\ (0<v<1).

(Ⅲ) $f_U(u)f_V(v)=2(1-u)\cdot2v=4v(1-u)\ne2=f_{UV}(u,v)$,故 U 与 V 不相互独立(支撑集是三角形 $u<v$,几何上已排除独立)。

E(U)=\int_0^1u\cdot2(1-u)\,\mathrm du=2\left(\frac12-\frac13\right)=\frac13,\qquad E(V)=\int_0^1v\cdot2v\,\mathrm dv=\frac23.

思路:n 个 iid 连续变量的顺序统计量,联合密度 $=n!,f(x_1)\cdots f(x_n)$(限在 x_{(1)}<\cdots<x_{(n)} 上);n=2 时系数就是 $2$。 巧记:U(0,1) 两样本的 \min,\max 均值是 $\frac13,\frac23$——正好是 [0,1] 上两个等分点的位置。

10. 卷积(对 x 积分,注意 f_X 只在 (0,1) 非零):

f_Z(z)=\int_0^1 f_Y(z-x)\,\mathrm dx=\int_0^1 e^{-(z-x)}\,\mathbf 1\{x<z\}\,\mathrm dx.
  • $0<z<1$:$x\in(0,z)$,
f_Z(z)=\int_0^ze^{x-z}\,\mathrm dx=\Big[e^{x-z}\Big]_0^z=1-e^{-z};
  • $z\ge1$:$x\in(0,1)$,
f_Z(z)=\int_0^1e^{x-z}\,\mathrm dx=e^{-z}(e-1). \boxed{\ f_Z(z)=\begin{cases}1-e^{-z},&0<z<1\\[4pt](e-1)e^{-z},&z\ge1\\[4pt]0,&z\le0\end{cases}\ }

验证 z=1 处连续:左极限 1-e^{-1}=e^{-1}(e-1)= 右极限 ✓ 自检:\displaystyle\int_0^1(1-e^{-z})\mathrm dz+\int_1^{+\infty}(e-1)e^{-z}\mathrm dz=\big[1-e^{-1}\big]+(e-1)e^{-1}=e^{-1}+1-e^{-1}=1 ✓

思路:卷积的分段点来自两个支撑集边界(x 的上限取 $\min(1,z)$),本题分界点就是 $z=1$。 易错点:0<z<1 段的积分上限是 $z$(不是 $1$)——因为 f_Y(z-x) 要求 $z-x>0$。

11. 先写联合密度:$f_X(x)=1\ (0<x<1)$,$f_{Y|X}(y\mid x)=\dfrac1x\ (x<y<2x)$,故

f(x,y)=\frac1x\quad(0<x<1,\ x<y<2x).

三个期望 + 一个混合矩:

E(Y\mid X=x)=\frac{x+2x}{2}=\frac{3x}{2}\ \Rightarrow\ E(Y)=E\!\left(\frac{3X}{2}\right)=\frac34; E(Y^2\mid X=x)=\frac{x^2+2x^2+4x^2}{3}=\frac{7x^2}{3}\ \Rightarrow\ E(Y^2)=\frac79; E(XY)=E\big[X\,E(Y\mid X)\big]=E\!\left[\frac{3X^2}{2}\right]=\frac{3}{2}\cdot\frac13=\frac12.

又 $EX=\dfrac12,\ EX^2=\dfrac13,\ DX=\dfrac1{12}$;$DY=\dfrac79-\left(\dfrac34\right)^2=\dfrac{31}{144}$。于是 $$\operatorname{Cov}(X,Y)=\frac12-\frac12\cdot\frac34=\frac18,\qquad \rho_{XY}=\frac{1/8}{\sqrt{\dfrac1{12}\cdot\dfrac{31}{144}}}=\frac{3\sqrt3}{\sqrt{31}}=3\sqrt{\frac{3}{31}}\approx0.933.$$

思路:条件分布型永远先写 $f=f_Xf_{Y|X}$;求 E(XY) 用条件期望最快——$E(XY)=E[X,E(Y\mid X)]$。 易错点:U(x,2x) 的 $E(U^2)=\dfrac{x^2+2x^2+4x^2}{3}$(均值不一定对称时别写错,此式只在 a=x,b=2x 时代入);分界 x<y<2x 是最小支撑集,y 的上限含 $x$。 真题骨架:🟨2022·10 / 2024·9(条件分布 → 相关系数),本题把 U(0,x) 换成 $U(x,2x)$。

12.(Ⅰ)串联 $T_1=\min(X,Y)$:

F_{T_1}(t)=1-P\{X>t\}P\{Y>t\}=1-\big(e^{-\lambda t}\big)^2=1-e^{-2\lambda t}\ (t>0), \boxed{f_{T_1}(t)=2\lambda e^{-2\lambda t}\ (t>0)}\ \Longrightarrow\ T_1\sim E(2\lambda),\qquad E(T_1)=\frac{1}{2\lambda}.

结论:独立同分布指数取 min 仍是指数,参数相加——"最短寿命"是串联系统的招牌性质。

(Ⅱ) 并联 $T_2=\max(X,Y)$: $$F_{T_2}(t)=\big(1-e^{-\lambda t}\big)^2\ (t>0),\qquad f_{T_2}(t)=2\big(1-e^{-\lambda t}\big)\lambda e^{-\lambda t}=2\lambda e^{-\lambda t}\big(1-e^{-\lambda t}\big).$$ 用期望的可加性($\max+\min=X+Y$):

E(T_2)=E(X)+E(Y)-E(T_1)=\frac1\lambda+\frac1\lambda-\frac{1}{2\lambda}=\frac{3}{2\lambda}.

(Ⅲ) 门槛 $\dfrac{1.5}{\lambda}=\dfrac{3}{2\lambda}$:

E(T_1)=\frac{1}{2\lambda}<\frac{3}{2\lambda},\qquad E(T_2)=\frac{3}{2\lambda}\ \text{恰好达标}\ \checkmark

并联方案达标(且恰好取等)。

思路(最省力的期望算法):恒等式 \max(X,Y)+\min(X,Y)=X+Y 两边取期望即可,不必再做一次积分。 易错点:E(\max) 不能写成 $\max(EX,EY)$;E(\min)\ge 与 \le 的方向记牢:串联寿命更短。 真题骨架:🟨2025·22("分段赔付额 + 复合模型"的应用建模风格),本题改为可靠性工程情境。


附 · 出题质量报告

一、与既有 19 题的分工(不重复号、不重复数字)

本章已被 02-试题 覆盖 本卷的定位
均匀域离散化(15)、条件均匀相关系数(16)、混合正态(17)、圆域 $X^2+Y^2$(18)、雅可比比值(19) 避开上述结构,改从下述真题空档切入

二、真题覆盖(对照 ch17 的 11 题)

真题 考法 对应题 说明
2016·22 均匀域 + 离散化 + 函数分布 5 同域精神,改为半圆
2017·22 混合型 Z=X+Y 1、10 离散型(1)+ 卷积(10)
2018·22 Z=XY + 协方差 — 已由 02-试题 第 9 题覆盖
2019·8 正态差 $\lvert X-Y\rvert$ 2 ✅ 本卷重点补
2019·22 离散×连续乘积 + 不相关 + 独立 6 ✅ 完整复刻考法
2020·22 混合正态证明 — 已由 02-试题 第 17 题覆盖
2021·22 取点分段 + 商分布 4 商分布换分布组合(U(0,1) 与 $E(1)$)
2022·10 / 2024·9 条件分布 → 相关系数 3、11 条件期望(3)+ 相关系数(11)
2023·22 圆域 + Cov + 独立 + 函数分布 5、7 拆到"边缘 + 独立"与"二维正态线性组合"
2025·22 复合分布应用建模 12 ✅ 本卷重点补

三、手法覆盖

离散和分布(1)、正态差(2)、条件密度与条件期望(3、11)、商分布(4)、非矩形域均匀 + 面积比(5)、离散×连续乘积(6)、二维正态线性组合与协方差(7)、雅可比一一变换 + 菱形支撑集(8)、顺序统计量(9)、卷积分段(10)、min / max 与期望恒等式(12)。

四、相对 02-试题 新填的 5 个缺口

  1. 离散型二维函数分布(两离散变量之和的表格题)→ 第 1 题;
  2. \lvert X-Y\rvert 正态差的完整选择题(2019·8)→ 第 2 题;
  3. 条件期望 / 全期望递推 → 第 3、11 题;
  4. 一般二维函数的联合分布(雅可比 + 支撑集形状)→ 第 8 题;
  5. 2025·22 式应用建模 → 第 12 题。

仍未覆盖(留作三轮):二维离散与连续的混合卷积(需同时用两种全概率)、二维正态的密度形式推导(\rho 的实际含义)。