Files
Yimu 82f15e18d9 feat(在学练习): 概率论第3讲四件套 + 数列小练加强版/审计;修复 .gitignore 失效规则
新增
- 在学练习/概率论-第3讲-多维随机变量及其分布/:README + 01考点手册 + 02试题 + 03解析 + 04答疑笔记
- 每日小练/02-数列-加强版.md、02-数列-知识点复习.md、02-数列-质量审计.md、02-数列.md
- .workbuddy/memory/2026-10-13.md(工作记忆)

更新
- 每日小练/README.md:02 状态、新增"复习手册"节、frontmatter 双链
- 总览.md:目录结构同步(在学练习/、每日小练新增文件)
- .gitignore:原先将注释写在行尾,导致 solutions/、papers/images/、papers/*.md 等排除规则
  全部失效(约 205MB 图片/PDF 处于待推送状态)。改为行首注释,并新增忽略 参考仓库/(嵌套仓库)

移除
- 数学一/知识点/ 下 8 个笔记与 以题带点/2023-17-微分方程建模.md(本地已删除,按用户确认同步)
2026-10-14 12:23:11 +08:00

303 lines
17 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
- 考点手册
专题: 概率论 第3讲 · 多维随机变量及其分布 · 考点手册
日期: 2026-10-13
关联: "[[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**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$。
---
## 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]]。