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/07-点6-四则运算与最值.md
T
Yimu fed7c83675 第3讲点6 §6.2 补雅可比推导:差积商三式的陪变量法来源
- 点6 §6.2 后新增「三个公式的出处(雅可比一行推完)」:模板 + 三行
  (陪变量 V=Y,反转成下三角,|J| 依次为 1、1/|v|、|v|),并说明
  商的公式里那个 |y| 就是 ∂x/∂u=v 这一项
- 补方向陷阱(乘的是 ∂(x,y)/∂(u,v),别忘取倒数)与三条替代时机
- 点5 §5.2 加交叉链接:单函数分布也可拉陪变量用雅可比
- 速查卡第九节加一行「三式都出自雅可比」
2026-11-07 14:07:16 +08:00

248 lines
13 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
---
tags: [数学一, 在学练习, 概率论, 多维随机变量, 卷积, 最值分布]
专题: 概率论 第3讲 · 点6 四则运算与最值
日期: 2026-11-07
状态: 知识点带题(6.1 和、6.2 差积商、6.3 最值、6.4 成品结论,共 4 题)
关联笔记: ["[[README]]", "[[01-知识点盘点]]"]
---
# 点 6 四则运算与最值
> 真题锚点:2019·8(正态差)、2018·22(和与协方差)、2025·22(最值最后一问)|重要度 ★★☆
> 依赖:点 5 的分布函数法与卷积思想。盘点对应:§6 全节。
**组织原则**:点 5 讲"怎么求",这一点讲"**已经求好的成品**"。四道题分别压:卷积的定限、差的绝对值、最值公式、以及四张"封闭性"表。**这一点的价值全在省时间**。难度标准:★☆☆ 一题、★★☆ 三题。
## 知识点 6.1 和的分布与卷积(出处:[知识章 §10.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
$X\perp Y$ 时
$$f_{X+Y}(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)\,\mathrm dy .$$
**定限口诀**:**两个密度的支撑必须同时非零**。若 $f_X$ 在 $[a_1,b_1]$ 非零、$f_Y$ 在 $[a_2,b_2]$ 非零,则被积变量必须同时满足
$$a_1<x<b_1,\qquad a_2<z-x<b_2\iff z-b_2<x<z-a_2 .$$
积分限 $=\max(a_1,z-b_2)$ 到 $\min(b_1,z-a_2)$ ,**这个区间非空才积**,非空条件给出 $z$ 的分段点 $a_1+a_2<z<b_1+b_2$ 。
## 知识点 6.2 差、积、商的分布(出处:[知识章 §10.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
$$f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{\mathrm dx}{\lvert x\rvert};$$
$$f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .$$
**差的一条常用变形**:$X-Y=X+(-Y)$ ,先把 $-Y$ 的密度写出来($f_{-Y}(t)=f_Y(-t)$ ),再套卷积。这条比记差公式更不容易出错。
> **商的稳妥做法**:先求 $F_Z(z)=P\{Y\le zX\}$ (半平面区域),再求导。绝对值与不等号方向在 $z<0$ 与 $z>0$ 上常常相反,先分段再积。
**三个公式的出处(雅可比一行推完)**:上面三式不是要背的独立结论,它们全是点 5 §5.2 雅可比法的**特例**。诀窍是**再拉一个陪变量 $V=Y$ 进来** ,把"一个函数"补成"一次坐标变换",先得联合密度,再把陪变量积掉:
$$f_U(u)=\int f\big(x(u,v),\,y(u,v)\big)\lvert J\rvert\,\mathrm dv .$$
| 要的 $U$ | 反解(取 $v=y$ ) | $\lvert J\rvert$ |
|---|---|---|
| $X-Y$ | $x=u+v$ 、$y=v$ | $1$ |
| $XY$ | $x=u/v$ 、$y=v$ | $1/\lvert v\rvert$ |
| $X/Y$ | $x=uv$ 、$y=v$ | $\lvert v\rvert$ |
以最后一行代入模板:
$$f_{X/Y}(z)=\int f_X(zv)f_Y(v)\lvert v\rvert\,\mathrm dv ,$$
与 §6.2 的 $\int f_X(zy)f_Y(y)\lvert y\rvert\mathrm dy$ 只差哑变量的名字。
**陪变量的选择理由**:固定取 $V=Y$ 是因为 $y=v$ 让反解的第二个方程成为恒等式,雅可比矩阵变成**下三角**,行列式就是对角元之积 $\left\lvert\dfrac{\partial x}{\partial u}\right\rvert$ ——不用真的展开二阶行列式,$1$ 、$1/\lvert v\rvert$ 、$\lvert v\rvert$ 都是一眼写出的。这也是"为什么商的公式里偏偏多一个 $\lvert y\rvert$ "的全部原因:它就是对 $x=uv$ 求 $\partial x/\partial u=v$ 的那一项。
**方向别搞反**:乘在密度上的是 $J=\dfrac{\partial(x,y)}{\partial(u,v)}$ ,即**从新变量到旧变量**。若顺手先算出 $\dfrac{\partial(u,v)}{\partial(x,y)}$ ,必须取倒数再取绝对值。三个式子里 $J$ 都不等于 $0$ (只要 $y\ne0$ ),所以变换在支撑内是一一的——这也是商要求 $Y\ne0$ 的隐含条件。
**什么时候用它替代成品式**:
- 只要 $Z$ 的**边缘**密度 → 直接用上面三式,最快;
- 要 $(Z,W)$ 的**联合**密度(如 $Z=XY$ 与 $W=X$ )→ 成品式给不出,只能雅可比;
- 支撑分片怪($Y$ 只在某一段非零)→ 雅可比把 $v$ 的取值范围直接摆在积分号上,比套公式少错。
> **一句话**:成品式是"结果",雅可比是"来源"。背不下来时现推,代价是 30 秒。
## 知识点 6.3 最值分布(出处:[知识章 §10.2、§8.2](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
**独立性是全部前提**——"全部 $\le z$ "能拆成乘积,靠的就是独立:
$$F_{\max}(z)=\prod_{i=1}^{n}F_{X_i}(z),\qquad F_{\min}(z)=1-\prod_{i=1}^{n}\left[1-F_{X_i}(z)\right].$$
独立同分布时:
$$f_{\max}(z)=nF^{n-1}(z)f(z),\qquad f_{\min}(z)=n\left[1-F(z)\right]^{n-1}f(z).$$
**两个高频结论**:$X_i\sim U(0,1)$ 时 $EM=\dfrac{n}{n+1}$ 、$Em=\dfrac{1}{n+1}$ ;$X_i\sim E(\lambda)$ 时 $Em=\dfrac{1}{n\lambda}$ (最小值仍是指数,参数 $n\lambda$ )。
## 知识点 6.4 四张封闭性表(出处:[知识章 §8.4 独立同分布运算](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/2-random-variables-and-distribution/random-variables-and-distribution.tex))
| 分布 | 可加条件 | 结果 |
|---|---|---|
| 二项 | **$p$ 相同** | $B(n_1,p)+B(n_2,p)=B(n_1+n_2,p)$ |
| 泊松 | 无 | $P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$ |
| 正态 | 无(**不要求同方差**) | $N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$ |
| $\Gamma$ | **$\lambda$ 相同** | $\Gamma(\alpha,\lambda)+\Gamma(\beta,\lambda)=\Gamma(\alpha+\beta,\lambda)$ |
> **两个"相同"必须记牢**:二项要 $p$ 相同,$\Gamma$ 要 $\lambda$ 相同(指数分布是 $\alpha=1$ 的特例,所以**不同参数的指数分布相加不再是 $\Gamma$ 分布**)。正态最宽容,没有附加条件。
---
## 题目(按知识点顺序对应)
### 题 1 · 6.1:不同区间上均匀分布之和(★★☆)
> 设 $X\sim U(0,1)$ 、$Y\sim U(0,2)$ 且相互独立,$Z=X+Y$ 。
>
> (Ⅰ)求 $f_Z(z)$ ;
> (Ⅱ)求 $P\{Z<1\}$ 与 $P\{Z>2\}$ ;
> (Ⅲ)说明 $f_Z$ 为什么是"梯形"而不是三角形。
**怎么想**:两个支撑长度不同($1$ 与 $2$ ),卷积时"重叠长度"先增后平后减,于是出现三段:斜升、平台、斜降。用"两个区间求交"的定限口诀走一遍即可。
**解**:
**(Ⅰ)** $f_X=1$ 在 $(0,1)$ 上,$f_Y=\frac12$ 在 $(0,2)$ 上。卷积
$$f_Z(z)=\int f_X(x)f_Y(z-x)\,\mathrm dx=\frac12\int_{\max(0,z-2)}^{\min(1,z)}1\,\mathrm dx .$$
- $0<z<1$ :区间 $(0,z)$ ,长 $z$ ,$f_Z=\dfrac z2$ ;
- $1\le z<2$ :区间 $(0,1)$ ,长 $1$ ,$f_Z=\dfrac12$ ;
- $2\le z<3$ :区间 $(z-2,1)$ ,长 $3-z$ ,$f_Z=\dfrac{3-z}{2}$ ;
- 其他:$0$ 。
**(Ⅱ)**
$$P\{Z<1\}=\int_0^1\frac z2\,\mathrm dz=\frac14,\qquad P\{Z>2\}=\int_2^3\frac{3-z}{2}\,\mathrm dz=\frac14 .$$
**(Ⅲ)** 原因是**支撑长度不等**:$Y$ 的区间(长 $2$ )比 $X$ 的区间(长 $1$ )长,所以当 $z$ 从 $1$ 增到 $2$ 时,$X$ 的整段 $(0,1)$ 都能落进 $Y$ 的窗口,**重叠长度饱和**,密度出现平台。若两者长度相等(点 5 题 1 的情形),平台退化成一点,梯形变三角形。
**验算**:$\int_0^1\frac z2+\int_1^2\frac12+\int_2^3\frac{3-z}{2}=\frac14+\frac12+\frac14=1$ ✓;$EZ=EX+EY=\frac12+1=\frac32$ ,与 $\int zf_Z\,\mathrm dz$ 一致(可直接检验)✓。
**带走结论**:**卷积的形状由"两个支撑长度是否相等"决定**:等长 → 三角;不等长 → 梯形(平台长度 $=$ 长度差)。这条能让你不算积分就画出密度草图。
> **关联** · 盘点 [§6.1 和的分布(卷积)](01-知识点盘点.md#user-content-61-和的分布卷积) | 上游 — | 下游 — | 速查 [八 卷积定限](09-速查卡.md#user-content-八-卷积定限)
---
### 题 2 · 6.2:差的绝对值与"先求 F"(★★☆)
> 设 $X$ 与 $Y$ 相互独立,都服从 $U(0,1)$ ,令 $Z=\lvert X-Y\rvert$ 。
>
> (Ⅰ)求 $F_Z(z)$ 与 $f_Z(z)$ ;
> (Ⅱ)求 $E Z$ ;
> (Ⅲ)若改为求 $W=X-Y$ (不带绝对值),说明它与 $Z$ 的关系。
**怎么想**:绝对值把"带符号的差"折成"距离"。几何上 $|X-Y|\le z$ 是正方形里夹在两条平行线 $y=x\pm z$ 之间的**带状区域**,面积 $=1-(1-z)^2$ ——比积分快。
**解**:
**(Ⅰ)** 对 $0<z<1$ :
$$F_Z(z)=P\{\lvert X-Y\rvert\le z\}=1-P\{X-Y>z\}-P\{Y-X>z\} .$$
两个"角上的三角形"各是直角边 $1-z$ 的等腰直角三角形,面积 $\frac{(1-z)^2}{2}$ :
$$F_Z(z)=1-2\cdot\frac{(1-z)^2}{2}=1-(1-z)^2=2z-z^2 .$$
求导
$$f_Z(z)=2-2z=2(1-z),\qquad 0<z<1 .$$
**(Ⅱ)**
$$EZ=\int_0^1z\cdot2(1-z)\,\mathrm dz=2\left(\frac12-\frac13\right)=\frac13 .$$
**(Ⅲ)** $W=X-Y$ 的分布是**三角形分布**(对称,支撑 $(-1,1)$ ):
$$f_W(w)=1-\lvert w\rvert,\qquad -1<w<1 .$$
**$Z$ 是 $W$ 的"折叠"**:把 $W$ 的负半轴翻到正半轴再叠加,所以
$$f_Z(z)=f_W(z)+f_W(-z)=2(1-z)\quad(0<z<1)\ ✓$$
**验算**:$\int_0^12(1-z)\,\mathrm dz=1$ ✓;$f_W$ 的归一化 $\int_{-1}^1(1-\lvert w\rvert)\mathrm dw=2\cdot\frac12=1$ ✓;$EZ=\frac13$ 与"两个均匀变量的平均距离"一致(可数值验证)✓。
**带走结论**:**绝对值型一律"两角三角形相减"**,面积 $1-(1-z)^2$ 。而"折叠"关系 $f_{|W|}(z)=f_W(z)+f_W(-z)$ 是通用的——先算无绝对值的密度,再折叠,常常比直接积更快。
> **关联** · 盘点 [§6.2 差、积、商](01-知识点盘点.md#user-content-62-差积商) | 上游 — | 下游 — | 速查 [九 差、积、商](09-速查卡.md#user-content-九-差积商)
---
### 题 3 · 6.3:最值分布与期望(★★☆)
> 设 $X_1,\dots,X_5$ 相互独立,都服从 $U(0,1)$ 。令 $M=\max\{X_1,\dots,X_5\}$ 、$m=\min\{X_1,\dots,X_5\}$ 。
>
> (Ⅰ)求 $f_M(z)$ 与 $f_m(z)$ ;
> (Ⅱ)求 $EM$ 、$Em$ ,并验证 $EM+Em=1$ ;
> (Ⅲ)求 $P\{M>0.9\}$ 。
**怎么想**:最值公式是"$n$ 个都不超过 $z$ "——独立性把 $n$ 重概率变成 $n$ 次方。$U(0,1)$ 的 $F(z)=z$ ,所以直接是幂函数。
**解**:
**(Ⅰ)** $F(z)=z$ ($0<z<1$ ),故
$$F_M(z)=z^5,\qquad f_M(z)=5z^4\quad(0<z<1);$$
$$F_m(z)=1-(1-z)^5,\qquad f_m(z)=5(1-z)^4\quad(0<z<1).$$
**(Ⅱ)**
$$EM=\int_0^1z\cdot5z^4\,\mathrm dz=5\cdot\frac16=\frac56,\qquad Em=\int_0^1z\cdot5(1-z)^4\,\mathrm dz=5\cdot\frac{1}{5\times6}=\frac16 .$$
(第二个积分用 $t=1-z$ 换元:$\int_0^1(1-t)t^4\mathrm dt=\frac15-\frac16=\frac1{30}$ ,乘 $5$ 得 $\frac16$ 。)
$$EM+Em=\frac56+\frac16=1\ ✓$$
**为什么必然等于 $1$ 呢**:由对称性 $X_i$ 与 $1-X_i$ 同分布,故 $M\overset{d}{=}1-m$ ,于是 $EM=1-Em$ 。
**(Ⅲ)** 用补事件最快:
$$P\{M>0.9\}=1-P\{M\le0.9\}=1-(0.9)^5=1-0.59049=0.40951 .$$
**带走结论**:**$U(0,1)$ 的最值期望分别是 $\frac{n}{n+1}$ 与 $\frac{1}{n+1}$ 这两个数**,两者相加为 $1$ 。$n=5$ 时最大值平均已到 $0.833$ ——这就是"取五次最大"的直观含义。
> **关联** · 盘点 [§6.3 最值](01-知识点盘点.md#user-content-63-最值) | 上游 — | 下游 — | 速查 [十 最值](09-速查卡.md#user-content-十-最值)
---
### 题 4 · 6.4:可加性四张表(★☆☆)
> (Ⅰ)设 $X\sim B(10,0.3)$ 、$Y\sim B(5,0.3)$ 独立,求 $X+Y$ 的分布;
> (Ⅱ)设 $X\sim P(2)$ 、$Y\sim P(3)$ 独立,求 $P\{X+Y=4\}$ ;
> (Ⅲ)设 $X\sim N(2,1)$ 、$Y\sim N(0,4)$ 独立,求 $P\{X<Y\}$ ;
> (Ⅳ)设 $X\sim E(1)$ 、$Y\sim E(2)$ 独立,判断 $X+Y$ 是否服从 $\Gamma$ 分布。
**怎么想**:四问分别对应表里四行,重点是**看清"可加"的附加条件**:(Ⅰ)要 $p$ 相同、(Ⅳ)要 $\lambda$ 相同。第(Ⅲ)问用"差仍是正态",避开求密度。
**解**:
**(Ⅰ)** $p$ 相同(都是 $0.3$ ),故
$$X+Y\sim B(15,\ 0.3).$$
**(Ⅱ)** 泊松无附加条件:
$$X+Y\sim P(5),\qquad P\{X+Y=4\}=\frac{5^4\mathrm e^{-5}}{4!}=\frac{625\,\mathrm e^{-5}}{24}\approx0.1755 .$$
**(Ⅲ)** $X-Y\sim N(2-0,\ 1+4)=N(2,5)$ ,故
$$P\{X<Y\}=P\{X-Y<0\}=\Phi\!\left(\frac{0-2}{\sqrt5}\right)=\Phi(-0.894)\approx0.186 .$$
(**注意方差相加而非相减**:$D(X-Y)=DX+(-1)^2DY=1+4=5$ 。)
**(Ⅳ)** **不服从**。$\Gamma$ 的可加性要求**相同的 $\lambda$ 值** ,而这里 $1\ne2$ 。具体地,卷积
$$f_{X+Y}(z)=\int_0^z\mathrm e^{-x}\cdot2\mathrm e^{-2(z-x)}\,\mathrm dx=2\mathrm e^{-z}-2\mathrm e^{-2z}$$
不是 $\Gamma$ 型的 $c\,z^{\alpha-1}\mathrm e^{-\lambda z}$ 。
**验算**:$\Phi(-0.894)\approx0.186$ ,与"$EX=2$ 大于 $EY=0$ "的直觉一致——既然 $X$ 平均比 $Y$ 大 $2$ ,$P\{X<Y\}$ 当然远小于 $\frac12$ ✓;也可用切比雪夫界的思路粗估:标准化后偏离均值 $0.894$ 个标准差,概率在 $0.1$ —$0.2$ 之间。
**带走结论**:**可加性表要连"条件列"一起背**。考场上最常错的是把 $E(1)+E(2)$ 当成 $\Gamma(2,?)$ ,或者把 $B(10,0.3)+B(5,0.4)$ 当成 $B(15,\cdot)$ 。
> **关联** · 盘点 [§6.4 四种运算的"成品结论"](01-知识点盘点.md#user-content-64-四种运算的成品结论) | 上游 — | 下游 — | 速查 [十一 可加性四张表](09-速查卡.md#user-content-十一-可加性四张表)
---