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。
303 lines
17 KiB
Markdown
303 lines
17 KiB
Markdown
---
|
||
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**:$P\{\lvert Z-EZ\rvert\ge\varepsilon\}\le\dfrac{DZ}{\varepsilon^2}$(完整专题见第 5 讲 [[概率论-第5讲-大数定律与中心极限定理/01-考点手册]] §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]]。
|