Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/17-背诵版-概率论-第3讲-多维随机变量及其分布.md
T
Yimu 4e4009de30 重构概率论第6讲为「知识点带题」格式,并修复跨讲死链
- 第6讲数理统计:删旧三件套(01-考点手册 4.8 万字符 / 02-试题 / 03-解析)与 PDF,
  改为 01-知识点盘点 + 02—09 八点分册 + 10-速查卡,共 10 文件 26 题
- 八点:总体样本与统计量 / 三大抽样分布 / 正态总体抽样分布 / 矩估计 /
  最大似然 / 评价标准 / 区间估计 / 假设检验与两类错误
- 盘点含 §0.1 按分值、§0.2 依赖链、§0.3 符号、§0.4 AUTO 反查、§9 覆盖对照(21 条)、§10 接口
- 修复 2026-10 第3讲重构留下的死链:大题十年考点/15-点14(7 处指向已删 01-考点手册)、
  知识点构建/17-背诵版第3讲(回查入口 4 处)
- 知识点构建/20-背诵版第6讲:回查入口改指新文件,题源注明旧 18 题清单已失效待重出
- 同步:总览.md 第6讲目录树、知识点构建 README 题量 18 → 26
2026-11-07 13:02:26 +08:00

15 KiB
Raw Blame History

tags, 专题, 日期, 状态, 来源, 关联笔记
tags 专题 日期 状态 来源 关联笔记
数学一
知识点构建
背诵版
概率论
多维随机变量
概率论 第3讲 · 多维随机变量及其分布 · 背诵版 2026-10-27 背诵版 v1(考点完整呈现 + 19 题清单,无解答) 在学练习/概率论-第3讲-多维随机变量及其分布 | 参考仓库 Math/probability-theory-and-mathematical-statistics
README
../在学练习/概率论-第3讲-多维随机变量及其分布/README

概率论 第3讲 · 多维随机变量及其分布 · 背诵版

用法:① 看 §0 骨架搭体系;② 逐节闭卷回忆考点正文;③ 用题目清单自测(只列题干不给解,卡住回查在学练习对应文件)。 题源:旧版在学练习 02-试题(19 题:A 组 1–6 / B 组 7–14 / C 组 15–19),编号沿用原题号;该文件已于 2026-10 重构删除,本页 19 题作为回忆自测清单保留(重构后的 27 题见第3讲七点分册,编号与题目均不同)。考点出处标注参考仓库 knowledge/2(多维章)、knowledge/3(二维数字特征)与 exercise/2、exercise/3。难度与真题锚点一并保留。

0. 本讲骨架(先背这张图)

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。

真题地位:真题库第 17 章,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。

六节地图:§1 n 维随机变量与联合分布函数 → §2 二维离散型 → §3 二维连续型 → §4 独立性 → §5 多维随机变量函数的分布(核心,含雅可比)→ §6 与数字特征的耦合。参考仓库:probability-theory-and-mathematical-statistics/knowledge/{2,3}。

核心方法三条总路线(函数分布的选择依据)

路线 何时用 关键
① 分布函数法(定义法) 给联合密度、求单个函数分布 $F_Z(z)=\iint_{g\le z}f,\mathrm d\sigma$,再求导
② 雅可比变换法 求多个新变量的联合密度 / 显式变换 反解 + $f_{UV}=f\cdot
③ 卷积公式 X,Y 独立、求 Z=X\pm Y 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。

考点树(按手册章节)

节 考点(对应题目)
§1 二维随机变量 联合分布函数与四性质(A2 起手)
§2 二维离散型 分布律/边缘/条件/区域概率(题1)· 多项分布 \operatorname{Cov}(X_i,X_j)=-np_ip_j
§3 二维连续型 密度/边缘/条件/二维均匀/二维正态(题2–4、8、13、16)
§4 独立性 三等价定义、独立 vs 不相关(题6、11)
§5 函数分布 ★ 分布函数法、雅可比、卷积、和/差/积/商/最值、混合型、混合正态(题5、7、9、10、12、15、17、18、19)
§6 数字特征耦合 二维期望、协方差、$D(aX\pm bY)$、条件分布求相关(题13、14、16、18)

1. §1 二维随机变量与联合分布函数

设 X,Y 定义在同一样本空间,(X,Y) 为二维随机变量。联合分布函数 $F(x,y)=P{X\le x,\ Y\le y}$,几何意义:以 (x,y) 为右上角、向 -\infty 张开的无界左下矩形的概率。四条性质(比一维多一条):① 对 $x$、对 y 各自单调不减;② 右连续;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」——光看前三条不够,矩形增量可能为负。边缘分布:$F_X(x)=F(x,+\infty)$、$F_Y(y)=F(+\infty,y)$。口诀(仓库):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. §2 二维离散型随机变量

联合分布律 $p_{ij}=P{X=x_i,\ Y=y_j}$,充要条件 p_{ij}\ge0 且 $\sum_i\sum_jp_{ij}=1$。表格记忆:边缘 = 行和 $p_{i\cdot}=\sum_jp_{ij}$、列和 $p_{\cdot j}=\sum_ip_{ij}$;条件 $P{X=x_i\mid Y=y_j}=\frac{p_{ij}}{p_{\cdot j}}$($p_{\cdot j}>0$);区域概率 $P{(X,Y)\in G}=\sum_{(x_i,y_j)\in G}p_{ij}$。多项分布(🟨2016·8):n 次独立试验,$\operatorname{Cov}(X_i,X_j)=-np_ip_j$($i\ne j$)。

3. §3 二维连续型随机变量

$F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v),\mathrm du,\mathrm dv$,充要条件 $f\ge0$、$\iint_{\mathbb R^2}f=1$(改有限个点仍是密度)。区域概率 $P{(X,Y)\in G}=\iint_Gf,\mathrm dx,\mathrm dy$(画图定限是全部功夫);连续点处 $\frac{\partial^2F}{\partial x\partial y}=f(x,y)$。边缘密度 $f_X(x)=\int f(x,y),\mathrm dy$、$f_Y(y)=\int f(x,y),\mathrm dx$。⚠️ 联合决定边缘,边缘不决定联合:矩形域 + 密度可分离 ⟹ 一眼独立;非矩形域 ⟹ 一眼不独立。条件密度 $f_{Y|X}(y\mid x)=\frac{f(x,y)}{f_X(x)}$;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。二维均匀:$f=\frac1{S_D}$($(x,y)\in D$),概率 = 面积占比(几何概型升维)。

二维正态 $(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$($-1<\rho<1$),密度公式见手册。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=\frac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2} 就是相关系数;③ 任意线性组合 aX+bY 仍正态;④ 条件分布仍是正态 $E(Y\mid X=x)=\mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)$;⑤ 不相关 \iff 独立(二维正态专属特权)。识别技巧:看到「两个一维分布函数之积」$F(x,y)=\Phi(\cdot)\Phi(\cdot)$,先标准化立刻读出参数。

4. §4 随机变量的相互独立性

三等价:$F(x,y)=F_X(x)F_Y(y)\iff f(x,y)=f_X(x)f_Y(y)\iff p_{ij}=p_{i\cdot}p_{\cdot j}$。性质:独立 ⟹ f(X) 与 g(Y) 独立、任意子组独立、$E(XY)=EX\cdot EY$、$D(aX\pm bY)=a^2DX+b^2DY$;独立同分布可加:$B(n,p)+B(m,p)=B(n+m,p)$、$P(\lambda_1)+P(\lambda_2)=P(\lambda_1+\lambda_2)$、正态和正态。判断三步:① 求边缘;② 看取值区域是否矩形(非矩形基本可判不独立——圆形域、三角形域、0<y<x 型一律不独立);③ 验乘积。独立 vs 不相关:独立 ⟹ 不相关($\operatorname{Cov}=0$);不相关 ⇏ 独立(一般情形);唯一例外:二维正态。经典反例:$X\sim U(-1,1)$,Y=X^2 ⟹ \operatorname{Cov}(X,Y)=0 但不独立。

5. §5 多维随机变量函数的分布 ★核心

5.1 分布函数法(通法,必掌握)

$F_Z(z)=P{g(X,Y)\le z}=\iint_{{(x,y):g(x,y)\le z}}f,\mathrm dx,\mathrm dy$,$f_Z(z)=F_Z'(z)$。四步:① 写 $F_Z(z)$;② 画图定区域;③ 按 z 分段积分;④ 对 z 求导。优点:万无一失;缺点:分段讨论繁。

5.2 雅可比行列式变换法

变换 u=u(x,y),v=v(x,y) 满足① 唯一逆变换、② 连续偏导、③ $J\ne0$,则 $f_{UV}(u,v)=f_{XY}(x(u,v),y(u,v))\cdot|J|$,其中 $J=\frac{\partial(x,y)}{\partial(u,v)}$(反解的行列式,别写成 $\frac{\partial(u,v)}{\partial(x,y)}$——互为倒数);区域 D' 是 D 的像。求单个函数 $Z=g(X,Y)$:增补变量三步——① 增补 $V=X$(或 $Y$)凑成一一变换;② 求 $f_{UV}=f\cdot|J|$;③ 对辅助变量积分得边缘。三条常用变换(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 \int f(v,z-v)\,\mathrm dv
积 Z=XY V=X x=v,\ y=z/v \frac1{\lvert v\rvert} \int\frac1{\lvert v\rvert}f(v,\frac zv)\,\mathrm dv
商 Z=\frac YX V=X x=v,\ y=zv \lvert v\rvert \int\lvert v\rvert f(v,zv)\,\mathrm dv

一一性的坑:非一一变换(如 $Z=X^2$、$Z=X^2+Y^2$)要按分支求和 $\sum f(x_k(z))|\frac{\mathrm dx_k}{\mathrm dz}|$,否则改用分布函数法。一维版本(前置):Y=g(X) 单调可导且 g'\ne0 时 $f_Y(y)=f_X(x(y))\cdot|\frac{\mathrm dx}{\mathrm dy}|$。极坐标变换(圆形域专用):$x=r\cos\theta,\ y=r\sin\theta$,$J=r$;「到原点距离」的函数一律先转极坐标。

5.3–5.6 和 / 差 / 积 / 商

  • 和:$f_Z(z)=\int f(x,z-x),\mathrm dx$(独立时 $=\int f_X(x)f_Y(z-x),\mathrm dx$)。标准结论:两个 U(0,1) 之和 → 辛普森(三角形)分布 $f_Z(z)=z\ (0<z<1)$、$2-z\ (1\le z<2)$;独立正态和 $\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2)$。
  • 差:$f_Z(z)=\int f(x,x-z),\mathrm dx$;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)。
  • 积:$f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx),\mathrm dx$。
  • 商:$f_Z(z)=\int\lvert x\rvert f(x,zx),\mathrm dx$。

5.7 最值分布

$F_{\max}(z)=F_X(z)F_Y(z)$、$F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)]$。独立同分布时 $f_{\max}(z)=2F(z)f(z)$、$f_{\min}(z)=2[1-F(z)]f(z)$。

5.8 混合型(一个离散、一个连续)——全概率

X 离散($P{X=x_i}=p_i$)、Y 连续:$F_Z(z)=\sum_ip_iP{g(x_i,Y)\le z}$——把离散变量取值当权重,加权叠加。例:$P{X=0}=P{X=1}=\frac12$、$Y\sim U(0,1)$、Z=X+Y ⟹ $F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1)$。

5.9 混合正态

形如 $Y=X_3X_1+(1-X_3)X_2$(X_3 取 0/1):用全概率 + \Phi 的乘法 $F(x,y)=\sum_kP{X_3=k}P{X_1\le x,\ \text{对应}Y\le y}$,结论常是「证明 Y 仍服从标准正态」。

6. §6 与数字特征的耦合(配件)

  • E(g(X,Y))=\sum\sum g(x_i,y_j)p_{ij} 或 $\iint g f,\mathrm dx,\mathrm dy$(不必先求分布);
  • $\operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY$;$\rho=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1]$(分母是标准差之积);
  • $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$(正态线性组合别漏 \rho 交叉项);
  • 条件分布求相关: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 $1+|\rho|$;
  • 切比雪夫:$P{|Z-EZ|\ge\varepsilon}\le\frac{DZ}{\varepsilon^2}$(完整见第 5 讲)。

7. 题目清单(19 题)

A 组 · 基础(★☆☆)

  • 题 1 · 离散型·联合→边缘→独立性(A):(X,Y) 分布律表($X=1,2$;$Y=0,1,2$,六格概率)。(Ⅰ)求 X,Y 边缘分布律;(Ⅱ)判断 X 与 Y 是否相互独立。
  • 题 2 · 二维均匀分布(A):(X,Y) 在 D=\{(x,y)\mid0\le x\le1,\ 0\le y\le x\} 上均匀。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 $P{X+Y\le1}$。
  • 题 3 · 边缘密度 + 独立性(A):$f(x,y)=cxy$($0<x<1,\ 0<y<2$)。(Ⅰ)求 $c$;(Ⅱ)求 $f_X,f_Y$;(Ⅲ)判断独立。
  • 题 4 · 条件概率密度(A):$f(x,y)=3x$($0<y<x<1$)。(Ⅰ)求 $f_X(x)$;(Ⅱ)求 $f_{Y|X}(y\mid x)$;(Ⅲ)求 $P{Y<\frac12\mid X=\frac34}$。
  • 题 5 · 卷积·和的分布(A):X,Y\sim U(0,1) 独立,$Z=X+Y$,求 $f_Z(z)$(辛普森分布)。
  • 题 6 · 概念辨析·独立与不相关(A):判断(A)都正态且 \operatorname{Cov}=0 则独立(错);(B)(X,Y) 二维正态则不相关 ⟺ 独立(对);(C)\operatorname{Cov}=0 则独立(错);(D)独立则 \operatorname{Cov} 可以为 0(错——独立必为 0)。正确项为 B。

B 组 · 中等(★★☆)

  • 题 7 · 商分布(B):X,Y\sim U(0,1) 独立,$Z=Y/X$,求 f_Z(z) 及 $P{Z>1}$。
  • 题 8 · 连续型独立性(B):(X,Y) 在单位圆 x^2+y^2\le1 上均匀。(Ⅰ)求 $f_X(x)$;(Ⅱ)判断独立(非矩形域 → 不独立)。
  • 题 9 · 积分布(B):$X\sim U(0,1)$、Y\sim U(0,2) 独立,$Z=XY$,求 $f_Z(z)$。
  • 题 10 · 混合型·和(B):$P{X=0}=P{X=1}=\frac12$,Y\sim U(0,1) 独立,$Z=X+Y$,求 F_Z(z) 与 $f_Z(z)$(全概率 $\frac12F_Y(z)+\frac12F_Y(z-1)$)。
  • 题 11 · 不相关但不独立(B):$X\sim U(-1,1)$,$Y=X^2$,求 \operatorname{Cov}(X,Y) 与 $\rho_{XY}$,并判断是否独立(\operatorname{Cov}=0 但 Y 是 X 的偶函数 → 不独立)。
  • 题 12 · 最值分布(B):X,Y 独立同参数 \lambda 指数分布,$Z=\max(X,Y)$,求分布函数与密度。
  • 题 13 · 二维正态综合(B):$(X,Y)\sim N(1,2;1,4;0.5)$。(Ⅰ)写边缘分布;(Ⅱ)求 \operatorname{Cov}(X,Y) 与 $D(X+Y)$;(Ⅲ)求 $E(Y\mid X=x)$。
  • 题 14 · 取点分段·几何概型(B):(0,1) 上随机取一点,较短段长度 $X$,求 X 的密度。

C 组 · 拔高(★★★)

  • 题 15 · 二维均匀+离散化+分布函数法(C)【真题骨架 2016·22】:(X,Y) 在三角形 0<y<x<1 上均匀,U=1 当 Y\le\frac X2 否则 $0$。(Ⅰ)写 $f(x,y)$;(Ⅱ)求 P\{U=1,\ X\le x\} 并判断 U 与 X 是否独立;(Ⅲ)求 Z=U+X 的 F_Z 与 $f_Z$。
  • 题 16 · 条件均匀分布→相关系数(C)【真题骨架 2022·10/2024·9】:$X\sim U(0,1)$,X=x 条件下 $Y\sim U(0,x)$,求 $\rho_{XY}$(先 f=f_Xf_{Y\mid X} 再算 $EX,EY,E(XY)$)。
  • 题 17 · 混合正态(C)【真题骨架 2020·22】:X_1,X_2\sim N(0,1) 独立,$P{X_3=1}=P{X_3=-1}=\frac12$,$Y=\frac{1+X_3}{2}X_1+\frac{1-X_3}{2}X_2$。(Ⅰ)求 (X_1,Y) 的分布函数(用 \Phi 表示);(Ⅱ)证明 $Y\sim N(0,1)$。
  • 题 18 · 圆形区域密度+函数分布(C)【真题骨架 2023·22】:$f(x,y)=c\sqrt{x^2+y^2}$($x^2+y^2\le1$)。(Ⅰ)求 $c$(极坐标);(Ⅱ)求 $\operatorname{Cov}(X,Y)$;(Ⅲ)判断独立(非矩形 → 不独立);(Ⅳ)求 Z=X^2+Y^2 的密度(反解多值,走分布函数法)。
  • 题 19 · 雅可比行列式变换法(C)【视频推荐】:$f(x,y)=e^{-(x+y)}$($x>0,y>0$),$U=X+Y$、$V=\frac{X}{X+Y}$。(Ⅰ)用雅可比法求 $f_{UV}(u,v)$;(Ⅱ)判断 U,V 是否独立并写各自分布(应得 U\sim\Gamma 型、V\sim U(0,1) 且独立)。

回查入口:在学练习 ../在学练习/概率论-第3讲-多维随机变量及其分布/README、../在学练习/概率论-第3讲-多维随机变量及其分布/01-知识点盘点、../在学练习/概率论-第3讲-多维随机变量及其分布/09-速查卡(2026-10 重构后共七点 27 题,即 02 至 08 七个点文件);参考仓库 参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/{2,3} 与 exercise/{2,3}。