ch17 十年 11 题 105 分,是概率分值最高的一章,也是每年必出 11—12 分 解答题的唯一边界;而 03 号专题只覆盖 ch19—ch22,开头就写明"不涉及 多维随机变量那种技巧性构造"。这份补齐这块空白。 - 01-考点地图(9443):十二个核心动作(分布律填表 / 归一化 / 边缘分段 / 条件分布 / 独立性三判据 / 二维均匀 / 二维正态 / 分布函数法 / 最值 / 雅可比 / 可加性 / 混合型)+ 一圈 10 条 + 二圈 8 条 + 十年真题索引 + 30 题索引 + 六个高频陷阱 - 02-试题(8443):30 题(A 核心 12 / B 一圈 10 / C 二圈 8),比其余 各份(12—22 题)多出近一半,因这一章靠"画区域"的手感、只能堆题量 - 03a/03b/03c:三册解析,每题四段(怎么想 / 解 / 归因),全部数值 经 sympy 验算(A3 的 rho=1/2、A6 的 rho=-1/2、B1 的 E(UX)=E(U)E(X) =1/3、C7 的 DY=1/4 等) - C1 照 2023·22 的形态出(区域密度 → 边缘 → 函数分布 → 数字特征, 四问 12 分);C8 是八个断言的概念辨析,与 C6 的"对一切"vs"支撑内 可分离"形成对照 - 同步:专项突破 README(十份专题、总 182 题、10 与 03 的相互关系、 用时 25—27 小时)、总览.md 目录树 校验:check_md_links 0 异常、fix_gitea_math 0 处、7 处「加粗以公式 收尾」改句式(脚本修不了,补空格反而让星号外露)、单文件最大 9607。
17 KiB
tags, 专题, 日期, 状态
| tags | 专题 | 日期 | 状态 | ||||
|---|---|---|---|---|---|---|---|
|
多维随机变量 | 2026-11-11 | 考点地图, 三层扩散(核心 12 条 + 一圈 10 条 + 二圈 8 条) |
考点地图 · 多维随机变量
零、为什么单独做这一份
概率里分值最高的一章不是参数估计,是多维随机变量(ch17):
| 章 | 题数 | 分值 | 题型 |
|---|---|---|---|
| ch17 多维随机变量 | 11 | 105 | 解答 9 + 选填 2 |
| ch21 参数估计 | 10 | 93 | 解答 7 + 选填 3 |
| ch15 随机事件与概率 | 8 | 36 | 选填为主 |
| ch18 数字特征 | 7 | 32 | 选填为主 |
| ch16 一维随机变量 | 6 | 27 | 选填为主 |
而且它是每年必出一道 11—12 分大题的唯一章节(2022、2024 两年除外,那两年它退到选填)。现有的 03-大数定律与数理统计 明确不覆盖它,理由是"那一块要靠技巧、不是背套路"——正因为如此才更需要单独练。
这一章的失分点极其集中,一句话概括:不是不会公式,是区域想不清、积分限写错、分段漏掉一半。所以这份地图 12 条核心每条都配一张"区域怎么画",题目里凡是分段的一律要求先画图。
一、扩散半径总览
| 层 | 内容 | 题号 |
|---|---|---|
| 核心 | 分布律填表、联合密度归一化、边缘分段、条件分布、独立性三判据、二维均匀、二维正态、分布函数法、最值、雅可比、可加性、由 F 反求 |
A1—A12 |
| 一圈 | 指示变量、混合正态、离散×连续、条件反解联合、协方差与相关系数、雅可比两个用途、四张可加表、min 与 max 同现、异分布卷积、条件密度与条件期望 | B1—B10 |
| 二圈 | 无穷区域综合、含参讨论、非独立正态、商的分布、三变量最值、反例构造、全方差公式、概念辨析 | C1—C8 |
一句话总纲:二维题的一切麻烦都出在"区域"上——密度写在哪、边缘积到哪、函数分布的新变量取哪些值,三件事都由区域决定。所以做任何一道题,第一步永远是画支撑集。
二、核心层(12 条)
1.1 联合分布函数与联合分布律
联合分布函数 F(x,y)=P\{X\le x,\ Y\le y\} ,四条性质:对每个变量单调不减、右连续、F(-\infty,y)=F(x,-\infty)=0 、F(+\infty,+\infty)=1 。
离散型用表格:行是 X 的取值、列是 Y 的取值、格子里填 p_{ij} ,全表之和必须为 1(这一条是最快的自检)。边缘分布律 = 行和(对 X )与列和(对 Y )。
填表的顺序:先把题给的每个格子的概率写进去,再看还缺哪些格子,用"全表 = 1"和"边缘 = 题给的某行某列和"去补。填空型考题基本都是缺一个格子。
1.2 联合密度与归一化
f(x,y)\ge0 且 \displaystyle\iint_{\mathbb R^2}f=1 。给的密度含未知常数时,先用归一化定常数再算别的,否则后面全错。
P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm dx\,\mathrm dy .
归一化那一步的积分区域就是支撑集本身,不是整个平面——这是最容易多积或少积的地方。
1.3 边缘密度的积分限
f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .
看起来是固定公式,真正的难点是内层积分的上下限随 x 变。做法固定:把支撑集画出来,固定 x 画一条竖线,看这条线穿过区域的那一段 y 从哪到哪,那就是积分限。求 f_Y 时改成画横线。
检验边缘密度:算完必须验证 \int f_X=1 ,且 f_X 的支撑要比 f 的支撑宽或相等(投影不会更窄)。
1.4 条件分布与条件密度
离散:P\{X=x_i\mid Y=y_j\}=\dfrac{p_{ij}}{p_{\cdot j}} ,即在表格里取那一列再按列和归一化。
连续:f_{X\mid Y}(x\mid y)=\dfrac{f(x,y)}{f_Y(y)} ,f_Y(y)>0 。几何意义是"沿 y 这条横线把联合密度重新归一化"。
条件期望 E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy 是 x 的函数,把 x 换成 X 得到随机变量 E(Y\mid X) ,再取期望就是重期望公式 E\big[E(Y\mid X)\big]=EY 。
1.5 独立性三重判据
按优先级用:
| 判据 | 怎么用 | 什么时候失效 |
|---|---|---|
| 支撑是矩形 + 可分离 | f(x,y)=g(x)h(y) 且支撑是 a<x<b,\ c<y<d |
最常用,两条件缺一不可 |
| 定义 | F(x,y)=F_X(x)F_Y(y) 对一切 x,y |
通用但慢 |
| 条件分布 | f_{X\mid Y}(x\mid y) 与 y 无关 |
连续型好用 |
两个必须记住的结论:① 支撑不是矩形(三角形、圆、0<y<x 这类)一定不独立,不用算;② 支撑是矩形但密度不可分离,也不一定独立——必须真算边缘乘积去比(见 A5 第三例)。
1.6 二维均匀分布
(X,Y) 在区域 D 上均匀 \iff f=\dfrac{1}{S_D} 在 D 内。没有"均匀的边缘":三角形上均匀的两个边缘都是线性的,不是均匀分布。这是判断题的高频陷阱。
反过来,概率 = 面积比:P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D} ,很多题不用积分,直接用面积算更快。
1.7 二维正态分布
(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho).
三条必背:① 边缘仍是正态,且边缘的参数里不含 \rho 这一项 ;② \rho=0\iff 独立(二维正态独有,一般情形不成立);③ 任何线性组合 aX+bY 仍正态,D(aX+bY)=a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2 。
条件分布也是正态:Y\mid X=x\sim N\Big(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\Big) ,条件方差与 x 无关。
1.8 分布函数法
求 Z=g(X,Y) 的密度,万能的四步:
- 写
F_Z(z)=P\{g(X,Y)\le z\}; - 在支撑图上画出
g(x,y)\le z这条曲线,找出它与区域相交的形状; - 按
z的取值分段(曲线扫过区域的不同顶点时,形状变,公式就变); - 对
z求导得f_Z,并写明f_Z的支撑。
分段的临界值从哪来:曲线恰好经过区域顶点时的 z 。所以第 2 步画图时要把顶点坐标写出来。
1.9 雅可比变换法
求 (U,V)=(g_1(X,Y),g_2(X,Y)) 的联合密度:
f_{U,V}(u,v)=f\big(x(u,v),y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .
三个坑:① 反解要写全(x,y 都用 u,v 表示);② 雅可比取绝对值;③ 支撑要跟着换——把 x(u,v),y(u,v) 代回原来的不等式,得到的才是 (u,v) 的区域。
只要求一个函数的分布时,拉一个陪变量(常取 V=Y )把它补成一次变换,积掉 v 就回到边缘,见 第3讲 点6 §6.2。
1.10 和差积商与可加性
卷积:f_{X+Y}(z)=\displaystyle\int f_X(x)f_Y(z-x)\,\mathrm dx (独立时)。积分限由 x 与 z-x 同时落在各自支撑内决定,所以 z 要分段。
四张可加表(独立时成立,且是"同类型才可加"):
| 分布 | 可加性 |
|---|---|
| 正态 | N(\mu_1,\sigma_1^2)+N(\mu_2,\sigma_2^2)=N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2) |
| 泊松 | P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2) |
| 二项 | B(n_1,p)+B(n_2,p)=B(n_1+n_2,p) (p 必须相同) |
| 卡方 | \chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2) |
均匀分布、指数分布(同参数)没有这个性质——两个 U(0,1) 相加是三角分布,不是均匀。
1.11 最值分布
独立时:
F_{\max}(z)=\prod F_{X_i}(z),\qquad F_{\min}(z)=1-\prod\big[1-F_{X_i}(z)\big].
同分布时简化为 F^n 与 1-(1-F)^n 。E(\max) 与 E(\min) 别硬算密度:同分布 U(0,1) 时 E(\max)=\frac{n}{n+1} ,E(\min)=\frac{1}{n+1} ;一般地若 F_{\max}=F^n 且 E 好算,直接用 \int_0^\infty[1-F^n]\,\mathrm dz 。
\max-\min 的分布要单独求,不能用上面两式相减(两者不独立)。
1.12 混合型与全概率密度版
X 离散、Y 连续(或反之)时,没有联合密度,只能用全概率:
f_Y(y)=\sum_i P\{X=x_i\}\,f_{Y\mid X=x_i}(y),\qquad P\{Y\in B\}=\sum_i P\{X=x_i\}\,P\{Y\in B\mid X=x_i\}.
判断"有没有联合密度"的标准:联合分布函数是否绝对连续。混合型的 F 在 X 的取值处有跳跃,所以不存在。
三、一圈层(10 条)
3.1 区域均匀加指示变量
I=\mathbf 1\{g(X,Y)\ge0\} 是真题最常见的包装(2016·22)。判它与其他变量的独立性,用条件概率:P\{I=1\mid X=x\} 若是常数,则 I 与 X 独立,常数值就是 P\{I=1\} ;若随 x 变,就不独立。别去求联合分布。
3.2 混合正态与全方差公式
X 的分布依赖一个离散变量 T 时,X 是混合分布,一般不是正态。均值用重期望、方差用全方差:
EX=E\big[E(X\mid T)\big],\qquad DX=E\big[D(X\mid T)\big]+D\big[E(X\mid T)\big].
第二项常被漏掉,漏了就一定偏小。
3.3 离散与连续的交叉
X 离散、Y 连续时按 X 的取值用全概率拆开,每一支都是普通的一维问题。顺序别倒:先拆离散变量,再在每支里做连续运算。
3.4 条件分布反解联合
给 f_{Y\mid X=x} 与 f_X ,乘起来得 f(x,y)=f_X(x)f_{Y\mid X}(x\mid y) ,再反求 f_Y 。这条路的支撑往往是个三角形(因为条件区间依赖 x ),所以求 f_Y 时积分限含 y 。
3.5 协方差与相关系数
\operatorname{Cov}(X,Y)=EXY-EX\cdot EY 。EXY 在离散型是表格加权求和,连续型是 \iint xy f 。相关系数 \rho=\dfrac{\operatorname{Cov}}{\sqrt{DX\cdot DY}} 。
判断"不相关但不独立":算出 \operatorname{Cov}=0 只说明没有线性关系,还要另找一对事件 P\{X\le x,Y\le y\}\ne F_XF_Y 来证不独立。
3.6 雅可比的两个用途
一是求联合密度(正着用,见 1.9);二是判独立——算完 f_{U,V} 看能否写成 a(u)b(v) 且支撑是矩形。后者常让人意外:两个相依变量的某个变换可能变独立(B6、B10 都是这样)。
3.7 四张可加表
认出分布类型直接写,比卷积快十倍,但前提是独立。最容易错的两处:二项可加要求 p 相同;均匀与指数(不同参数)没有可加性。
3.8 最小与最大同时出现
不用求任何密度,只用两条尾概率:
P\{\max\le z\}=\prod F_i(z),\qquad P\{\min>z\}=\prod\big[1-F_i(z)\big].
\max-\min 这类"极差"要单独处理,转成 P\{\vert X-Y\vert>t\} 再来(独立同分布时往往有简洁形式)。
3.9 异分布的和
卷积必须分段,临界值是两个支撑端点之和:X\in(0,1) 、Y\in(0,2) 时,Z 在 1 与 2 处换公式,分三段。
3.10 由分布函数反求密度与条件密度
f(x,y)=\dfrac{\partial^2F}{\partial x\partial y} ,逐段求偏导(F 是分段函数时,每一段都要单独求)。求完立即验 \iint f=1 。条件密度再用 1.4 的公式。
四、二圈层(8 条)
4.1 无穷区域上的二维连续
支撑是第一象限这类无界区域时,积分限含 \infty 。先看联合密度能否分离——能分离就直接拆成两个一维积分,省一半计算。
4.2 含参密度先定参再讨论
密度带未知常数时,先用归一化定出它,定完之后独立性的答案可能变。所以顺序永远是:定参 → 边缘 → 判独立。
4.3 非独立正态的条件分布
\rho\ne0 时 Y\mid X=x 仍正态,条件均值是 x 的一次函数,条件方差 \sigma_2^2(1-\rho^2) 与 x 无关。用它验证全方差公式很顺。
4.4 商的分布
Z=X/Y 的密度要按 z 的符号(或与 1 的大小关系)分段,因为 y<z x 这条直线的方向会随 z 变。绝对值、不等号方向两处都要照顾。
4.5 三个变量的最值
F_{\max}=F^3 、F_{\min}=1-(1-F)^3 。次序对称性很好用:连续型独立同分布时,P\{X_1<X_2<X_3\}=\frac{1}{3!}=\frac16 ,因为六种大小顺序等可能。
4.6 独立性反例构造
标准反例:X\sim U(-1,1) 、Y=X^2 ,则 \operatorname{Cov}=0 但 Y 完全由 X 决定。反过来"独立必不相关"永远成立。这两个方向要能各举一例。
4.7 条件期望与全方差
两段式:先算 E[D(Y\mid X)] (条件方差再取期望),再算 D[E(Y\mid X)] (条件均值作为随机变量的方差)。两项量纲相同、都非负,加起来才对。
4.8 概念辨析
八个断言逐条判,考的全是边界:不相关与独立的关系、二维正态的特殊性、均匀的边缘是否均匀、混合型能否写密度。这类题不计算,但错一个就整题错。
五、十年真题索引
| 年份·题号 | 题型 | 分 | 考法 | 本专题对应 |
|---|---|---|---|---|
| 2016·22 | 解答 | 11 | 三角形均匀 + 指示变量 + 独立性 | B1 |
| 2017·22 | 解答 | 11 | 离散×连续混合,函数分布 | B3 |
| 2018·22 | 解答 | 11 | 协方差 + 函数分布 | B5 |
| 2019·8 | 单选 | 4 | 正态差的分布与独立性 | A7 |
| 2019·22 | 解答 | 11 | 函数分布(分段) | A8 |
| 2020·22 | 解答 | 11 | 混合正态 + 数字特征 | B2 |
| 2021·22 | 解答 | 12 | 函数分布与期望 | A9 |
| 2022·10 | 单选 | 5 | 条件分布反解 + 相关系数 | B4 |
| 2023·22 | 解答 | 12 | 二维连续型综合 | C1 |
| 2024·9 | 单选 | 5 | 条件分布与协方差 | B10 |
合 10 题 103 分(另有 2025·22 计入数理统计章)。解答题的形态高度固定:给一个区域上的密度 → 求边缘 → 求某个函数的分布 → 顺带算一个数字特征,四问 12 分。C1 就是照着这个形态出的。
六、题目索引
| 题 | 考什么 | 难度 | 真题锚点 |
|---|---|---|---|
| A1 | 分布律填表、边缘、条件、独立 | ★☆☆ | 基础动作 |
| A2 | 归一化 + 边缘密度分段 | ★☆☆ | 2023·22 第一问 |
| A3 | 条件分布律与条件期望 | ★★☆ | 2022·10 |
| A4 | 条件密度与重期望验证 | ★★☆ | — |
| A5 | 独立性三判据(三个反例) | ★★☆ | 概念题高频 |
| A6 | 二维均匀(三角形) | ★★☆ | 2016·22 |
| A7 | 二维正态的线性组合 | ★★☆ | 2019·8 |
| A8 | 分布函数法求和的分布 | ★★★ | 2019·22 |
| A9 | 最值分布与极差 | ★★☆ | 2021·22 |
| A10 | 雅可比求联合密度 | ★★★ | — |
| A11 | 可加性直接写分布 | ★☆☆ | 选填常客 |
| A12 | 由 F 反求 f 与概率 |
★★☆ | 2023·22 |
| B1 | 指示变量独立性 | ★★★ | 2016·22 |
| B2 | 混合正态与总方差 | ★★★ | 2020·22 |
| B3 | 离散×连续混合 | ★★★ | 2017·22、2019·22 |
| B4 | 条件分布反解联合 | ★★★ | 2022·10 |
| B5 | 相关系数(含不相关不独立) | ★★☆ | 2018·22 |
| B6 | 雅可比:正态的正交变换 | ★★★ | — |
| B7 | 可加性表 + 相关系数 | ★★☆ | 选填 |
| B8 | min 与 max 同时出现 | ★★★ | — |
| B9 | 异分布卷积 | ★★★ | — |
| B10 | 条件密度与条件期望 | ★★☆ | 2024·9 |
| C1 | 无穷区域综合(12 分) | ★★★ | 2023·22 |
| C2 | 含参密度 + 独立讨论 | ★★★ | — |
| C3 | 非独立正态的条件分布 | ★★★ | — |
| C4 | 商的分布 | ★★★ | — |
| C5 | 三变量最值 | ★★☆ | — |
| C6 | 独立性反例构造 | ★★★ | 概念题 |
| C7 | 条件期望与全方差 | ★★★ | 2020·22 |
| C8 | 八个断言辨析 | ★★★ | 概念题 |
A 组 12 题一次把 12 个动作各走一遍,B 组是真题的混合包装,C 组是 12 分大题的形态。合计 30 题。
七、六个高频陷阱
- 支撑不是矩形却去算乘积:
0<y<x<1这类,题干里一旦出现不等关系连着两个变量,独立性的答案立刻是"不独立",省下五分钟。 - 边缘密度的积分限照抄 0 到 1:必须按支撑投影写。三角形
0<y<1-x时f_X(x)=\int_0^{1-x},不是\int_0^1。 - 分段少写一段:
Z=X+Y的两个均匀相加,z必须分两段(或三段,当支撑不等长)。写完要验归一化,即\int f_Z=1是否成立 ,少了段一定不归一。 - 把"不相关"当"独立":只有二维正态反过来成立;一维函数关系(
Y=X^2)是标准反例。 - 在混合型上写联合密度:
X离散时f(x,y)根本不存在,只能写P\{X=x_i\}f_{Y\mid X=x_i}(y)。 - 最值用密度硬算:
F_{\max}=F^n一步到位,硬算密度要多写两行还容易错。
八、回到在学练习
这份专题是"扩散式加练",不是第一次学。第一次学的顺序在 第3讲 README:点 1 联合分布 → 点 2 离散 → 点 3 连续 → 点 4 独立 → 点 5 函数分布 → 点 6 四则运算 → 点 7 混合型。
做完本专题若某条仍卡,按上表回到对应点,只读那一条,不要再通读整讲。