起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。
- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
(`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0
全部经 fix_text 幂等核验;链接 28 文件 0 异常。
28 KiB
tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 更新 | 状态 | 来源 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 · 第3讲 多维随机变量及其分布 · 背诵版 | 2026-10-27 | 2026-11-08(v2 重构:分块排版 + 二维正态密度补全 + 真题地图对齐 sqlite + 纯题干题单) | 背诵版 v2(考点分块完整呈现 + B 题型考点 + 27 题纯题干清单;题单已对齐在学练习七点分册) | 在学练习/概率论-第3讲-多维随机变量及其分布(七点分册 27 题)| 参考仓库 knowledge/{2 多维部分, 3}、exercise/{2, 3}|真题库 kaoyan_math1.db(chapter 17) |
|
概率论 · 第3讲 多维随机变量及其分布 · 背诵版
范围:参考仓库
knowledge/2的多维部分 +knowledge/3的二维数字特征(一维部分见 16-背诵版-概率论-第1-2讲-随机事件与一维随机变量,不重复)。 用法:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。
0 骨架(先背这张图)
0.1 一句话与四条主线
一句话: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。
依赖链:联合分布函数 → 二维离散/连续 → 边缘与条件 → 独立性 → 函数分布(分布函数法 / 雅可比 / 卷积)→ 数字特征耦合。
四条主线(本讲所有题都落在这四条上):
| 主线 | 动作 | 触发信号 |
|---|---|---|
| ① 降维 | 边缘:对另一变量求和/积分 | "求 f_X ""求边缘分布" |
| ② 升级 | 函数分布:分布函数法、雅可比、卷积 | "求 Z=g(X,Y) 的分布" |
| ③ 判独立 | 比 f 与 f_Xf_Y (或看区域形状) |
"是否独立" |
| ④ 算数字特征 | E(g) 、\operatorname{Cov} 、D(aX\pm bY) |
"求相关系数""求方差" |
0.2 十年真题地图(sqlite:多维随机变量章,2016–2025)
| 年份·题号 | 考点 | 分值 | 本章归属 |
|---|---|---|---|
| 2025·8 | 二维正态线性组合的方差最值 | 5 | §3.4 二维正态 |
| 2024·9 | 条件分布 + 协方差 | 5 | §3.3 条件分布 |
| 2022·10 | 条件正态分布 → 相关系数 | 5 | §3.3 + §6 |
| 2021·22 | 随机变量函数的分布与期望(分线段) | 12 | §5 函数分布 |
| 2020·22 | 混合型:Y=X_3X_1+(1-X_3)X_2 |
11 | §5.6 混合型 |
| 2019·22 | Z=XY 的密度 + 不相关 + 独立性 |
11 | §5 + §6 |
| 2019·8 | 正态差的分布(与 \mu 无关) |
4 | §5.2 差的分布 |
| 2018·22 | \operatorname{Cov}(X,Z) + Z=XY 的分布 |
11 | §5 + §6 |
| 2017·22 | Z=X+Y (一离散一连续)的密度 |
11 | §5.1 + §5.5 |
| 2016·22 | 二维均匀 + 离散化 + 独立性与函数分布 | 11 | §3.4 + §4 + §5 |
命题规律:年年一道 11–12 分解答题,结构高度固定:给二维密度 ⟹ 求某个函数的分布 ⟹ 顺带问协方差或独立性。选填则偏爱条件分布 + 协方差/相关系数(2024·9、2022·10)与二维正态(2025·8、2019·8)。近十年 10 题 86 分,是概率各章里分值最重的一章。
0.3 考点树(与在学练习七点分册一一对应)
| 节 | 考点 | 在学练习 | 题数 |
|---|---|---|---|
| §1 | 联合分布函数与四性质、边缘分布函数 | 点 1 | 4 |
| §2 | 二维离散:联合/边缘/条件分布律、多项分布 | 点 2 | 3 |
| §3 | 二维连续:密度、边缘、条件、二维均匀、二维正态 | 点 3 | 5 |
| §4 | 独立性三等价、独立与不相关 | 点 4 | 4 |
| §5.1–5.3 | 函数分布两条路:分布函数法、雅可比 | 点 5 | 4 |
| §5.4–5.5 | 四则运算与最值:卷积、和差积商、max/min | 点 6 | 4 |
| §5.6 | 混合型与全概率 | 点 7 | 3 |
| §6 | 二维期望、协方差、D(aX\pm bY) 、条件分布求相关 |
点 3/6 共用 | — |
1 联合分布与边缘分布(点 1)
1.1 定义
X,Y 定义在同一样本空间 \Omega 上,则 (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、向左下无限张开的无界矩形 (-\infty,x]\times(-\infty,y] 上的概率。
1.2 四条性质(比一维多一条)
① 对每个变量单调不减;② 对每个变量右连续;③ 有界:F(-\infty,y)=F(x,-\infty)=0 ,F(+\infty,+\infty)=1 ;④ 二维特有:矩形增量非负
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 .
为什么 ④ 不能省:存在满足 ①②③ 但矩形增量为负的二元函数。考"能否作联合分布函数"时,前三条只是必要条件。
1.3 边缘分布函数
F_X(x)=F(x,+\infty),\qquad F_Y(y)=F(+\infty,y).
口诀(参考仓库):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 二维离散型(点 2)
2.1 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 。列表是一个二维表:
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} |
p_{\cdot j} |
p_{\cdot1} |
p_{\cdot2} |
\cdots |
1 |
2.2 边缘与条件
- 边缘(行和、列和):
p_{i\cdot}=\sum_jp_{ij}=P\{X=x_i\},p_{\cdot j}=\sum_ip_{ij}=P\{Y=y_j\}; - 条件:
P\{X=x_i\mid Y=y_j\}=\dfrac{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}。
2.3 多项分布(真题接口 2016·8)
n 次独立试验,每次落入 r 个互斥类别的概率为 p_1,\dots,p_r ,记 X_i 为落入第 i 类的次数,则
P\{X_1=k_1,\dots,X_r=k_r\}=\frac{n!}{k_1!\cdots k_r!}p_1^{k_1}\cdots p_r^{k_r},\qquad \operatorname{Cov}(X_i,X_j)=-np_ip_j\ (i\ne j).
负协方差的理解:各类次数此消彼长(总数固定),故必负相关。由此可直接读相关系数
\rho=\frac{-np_ip_j}{\sqrt{np_i(1-p_i)}\sqrt{np_j(1-p_j)}}。
3 二维连续型与两类分布(点 3)
3.1 联合概率密度
存在 f\ge0 使 F(x,y)=\int_{-\infty}^{x}\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du 。充要条件
f(x,y)\ge0,\qquad \iint_{\mathbb R^2}f(x,y)\,\mathrm dx\,\mathrm dy=1 .
三条推论:① 连续点处 \dfrac{\partial^2F}{\partial x\partial y}=f(x,y) ;② 区域概率 P\{(X,Y)\in G\}=\iint_Gf (画图定限是全部功夫);③ 在 f 的连续点与边界上改有限个点的值不影响分布。
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。反例:同一对边缘可以配出无数种联合。
3.3 条件概率密度
f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)}\quad(f_X(x)>0),
乘法公式 f(x,y)=f_X(x)f_{Y\mid X}(y\mid x)=f_Y(y)f_{X\mid Y}(x\mid y) 。
求条件密度的标准动作:① 先求 f_X(x) (这一步最容易忘);② 把 f(x,y) 中的 x 当常数,除以 f_X(x) ;③ 写清 y 的条件范围(依赖 x ,别写成全局范围)。
条件分布函数:F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\int_{-\infty}^{y}f_{Y\mid X}(v\mid x)\,\mathrm dv 。
3.4 两种常用的二维分布
二维均匀分布:(X,Y) 在区域 D (面积 S_D )上均匀,
f(x,y)=\begin{cases}\dfrac1{S_D},&(x,y)\in D,\\[4pt]0,&\text{其他}.\end{cases}
概率 = 面积占比:P\{(X,Y)\in G\}=\dfrac{S_{G\cap D}}{S_D} (几何概型的升维)。
二维正态分布 (X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho) :
f(x,y)=\frac{1}{2\pi\sigma_1\sigma_2\sqrt{1-\rho^2}}\exp\left\{-\frac{1}{2(1-\rho^2)}\left[\frac{(x-\mu_1)^2}{\sigma_1^2}-\frac{2\rho(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.
五条必背性质:
| # | 性质 |
|---|---|
| ① | 边缘仍是正态:X\sim N(\mu_1,\sigma_1^2) 、Y\sim N(\mu_2,\sigma_2^2) (与 \rho 无关) |
| ② | \rho 就是相关系数:\rho=\dfrac{\operatorname{Cov}(X,Y)}{\sigma_1\sigma_2} |
| ③ | 任意线性组合 aX+bY (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) ,D(Y\mid X=x)=\sigma_2^2(1-\rho^2) |
| ⑤ | 不相关 \iff 独立(二维正态的专属特权,一般情形不成立) |
识别技巧:若 F(x,y)=\varPhi(\cdot)\varPhi(\cdot) (两个一维分布函数之积),立刻能读出两变量独立且各自正态——2025·8 的 D(aX+bY)=a^2+b^2+2ab\rho=1+2ab\rho (a^2+b^2=1 ),在 ab=\frac12|\sin2\theta| 型处取到最大值 1+|\rho| 。
4 独立性(点 4)
4.1 三等价定义
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}.
(离散用第三式,连续用第二式,F 式通用。)
4.2 性质
- 独立 ⟹
f(X)与g(Y)独立(任意可测函数); - 独立 ⟹ 任意子组独立;
- 独立 ⟹
E(XY)=EX\cdot EY,\operatorname{Cov}(X,Y)=0,D(aX\pm bY)=a^2DX+b^2DY; - 独立同分布可加:
B(n_1,p)+B(n_2,p)=B(n_1+n_2,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);\chi^2(n_1)+\chi^2(n_2)=\chi^2(n_1+n_2)。
4.3 判断独立的三步
① 求两个边缘;② 看取值区域是否矩形(且 x,y 的范围互不牵连);③ 比 f 与 f_Xf_Y 。
一眼判不独立的形状:圆域、三角域(
0<y<x)、x^2+y^2\le1、0<y<\sqrt x——非矩形区域一定不独立(因为Y的取值范围依赖X)。
4.4 独立 vs 不相关
| 命题 | 是否成立 | 说明 |
|---|---|---|
| 独立 ⟹ 不相关 | ✓ | \operatorname{Cov}=E(XY)-EXEY=0 |
| 不相关 ⟹ 独立 | ✗(一般) | 反例 X\sim U(-1,1) ,Y=X^2 :\operatorname{Cov}=0 但不独立 |
| 不相关 ⟺ 独立 | ✓(仅二维正态) | 性质 ⑤ |
经典反例:X\sim U(-1,1) 、Y=X^2 ——E(XY)=E(X^3)=0 、EX=0 ,故 \operatorname{Cov}=0 ;但 P\{Y\le\frac14\mid X>\frac12\}=0\ne P\{Y\le\frac14\} 。
5 函数分布:两条路与四则运算(点 5–7)★
5.1 三条路线怎么选(点 5)
| 路线 | 何时用 | 关键 |
|---|---|---|
| 分布函数法(定义法) | 给联合密度、求单个函数 Z=g(X,Y) 的分布 |
F_Z(z)=\iint_{g\le z}f\,\mathrm dx\,\mathrm dy ,再求导 |
| 雅可比变换 | 求多个新变量的联合密度,或变换可显式反解 | f_{UV}=f(x(u,v),y(u,v))\cdot\vert J\vert |
| 卷积公式 | X,Y 独立、求 Z=X\pm Y |
把二重积分降成一重 |
选择口诀:单个函数 → 定义法;多变量/显式反解 → 雅可比;独立且求和差 → 卷积。
5.2 分布函数法(点 5)
① 写 F_Z(z)=P\{g(X,Y)\le z\} ;② 在 xy 平面上画出区域 \{(x,y):g(x,y)\le z\} ;③ 按 z 的取值分段积分;④ 对 z 求导得 f_Z(z) 。
分段点是关键:区域边界与
D的交点随z变化,分段的临界值就是"边界扫过D的顶点"的z。
5.3 雅可比行列式变换(点 5)
设 u=u(x,y),v=v(x,y) 有唯一逆变换、连续偏导、J\ne0 ,则
f_{UV}(u,v)=f_{XY}\big(x(u,v),y(u,v)\big)\cdot|J|,\qquad J=\frac{\partial(x,y)}{\partial(u,v)} .
注意:J 是反解(用 u,v 表示 x,y )的行列式;写成 \frac{\partial(u,v)}{\partial(x,y)} 要取倒数。
求单个 Z=g(X,Y) 的增补变量三步: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 f_Z 。
三条常用变换(把 |J| 记熟):
| 目标 | 增补 | 反解 | \vert J\vert |
密度 |
|---|---|---|---|---|
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{\vert v\vert} |
\int\frac1{\vert v\vert}f(v,\frac zv)\,\mathrm dv |
商 Z=Y/X |
V=X |
x=v,\ y=zv |
\vert v\vert |
\int\vert v\vert f(v,zv)\,\mathrm dv |
一一性的坑:Z=X^2 、Z=X^2+Y^2 这类非一一映射,要么按分支求和 \sum_kf(x_k)|x_k'(z)| ,要么改用分布函数法。
极坐标(圆域专用):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。
5.4 和、差、积、商(点 6)
| 运算 | 密度公式 | 独立时的简化 |
|---|---|---|
和 Z=X+Y |
f_Z(z)=\int f(x,z-x)\,\mathrm dx |
f_Z=\int f_X(x)f_Y(z-x)\,\mathrm dx (卷积) |
差 Z=X-Y |
f_Z(z)=\int f(x,x-z)\,\mathrm dx |
f_Z=\int f_X(x)f_Y(x-z)\,\mathrm dx |
积 Z=XY |
f_Z(z)=\int\frac1{\lvert x\rvert}f(x,\frac zx)\,\mathrm dx |
代入 f_Xf_Y |
商 Z=Y/X |
f_Z(z)=\int\lvert x\rvert f(x,zx)\,\mathrm dx |
代入 f_Xf_Y |
三个必背结论:
- 两个
U(0,1)之和\sim辛普森(三角)分布:f_Z(z)=z\ (0<z<1)、2-z\ (1\le z<2); - 正态可加:
X+Y\sim N(\mu_1+\mu_2,\sigma_1^2+\sigma_2^2);X-Y\sim N(\mu_1-\mu_2,\sigma_1^2+\sigma_2^2); - 同方差正态之差
X-Y\sim N(0,2\sigma^2),与\mu无关(2019·8 就考这个:P\{|X-Y|<1\}=2\varPhi(1/\sqrt2\sigma)-1,只与\sigma^2有关)。
5.5 最值分布(点 6)
F_{\max}(z)=F_X(z)F_Y(z),\qquad 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) 。
5.6 混合型与全概率(点 7)
X 离散(P\{X=x_i\}=p_i )、Y 连续,求 Z=X+Y :
F_Z(z)=\sum_ip_i\,P\{x_i+Y\le z\}=\sum_ip_iF_Y(z-x_i).
即把离散变量的取值当权重,把连续部分的分布函数平移后加权叠加。
标准例:P\{X=0\}=P\{X=1\}=\frac12 、Y\sim U(0,1) 独立 ⟹ F_Z(z)=\frac12F_Y(z)+\frac12F_Y(z-1) ,求导得 f_Z 。
混合正态(2020·22 型):Y=X_3X_1+(1-X_3)X_2 ,X_3 取 0/1 。用全概率按 X_3 拆:
F(x,y)=\sum_kP\{X_3=k\}P\{X_1\le x,\ Y\le y\mid X_3=k\},
结论往往是"证明 Y 仍服从标准正态"。
6 与数字特征的耦合(点 3 / 点 6 共用)
| 量 | 公式 | 备注 |
|---|---|---|
| 二维期望 | E[g(X,Y)]=\sum\sum g\,p_{ij} 或 \iint g\,f\,\mathrm dx\,\mathrm dy |
不必先求分布 |
| 协方差 | \operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY |
第二式最常用 |
| 相关系数 | \rho=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}} |
分母是标准差之积 |
| 线性组合方差 | D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y) |
不独立必留交叉项 |
| 条件期望 | E(Y\mid X=x)=\int y\,f_{Y\mid X}(y\mid x)\,\mathrm dy |
求相关时的桥梁 |
条件分布求相关的标准流程:① f(x,y)=f_X(x)f_{Y\mid X}(y\mid x) ;② 算 EX 、EY (EY=\int E(Y\mid X=x)f_X\,\mathrm dx );③ 算 E(XY) ;④ 代 \rho 公式。
B 题型考点(怎么想到、为什么、坑在哪)
- B1 拿到二维表的固定动作:先补边缘(行和/列和),再验
\sum p_{ij}=1,再判独立(p_{ij}=p_{i\cdot}p_{\cdot j}逐格比)。坑:只比一格就下结论。 - B2 画图定限是二重积分的全部:先把
D画出来,再把g(x,y)\le z与D求交,最后决定"先x后y"还是反过来。坑:不画图直接写限,几乎必错。 - B3 非矩形域一眼不独立:圆、三角、
0<y<x、y>\sqrt x型,Y的范围依赖X,乘积必然拆不开。用途:先判不独立,可省掉一整段积分。 - B4 函数分布三路线选择:单个函数 ⟹ 定义法(万能但分段繁);两个新变量 ⟹ 雅可比;独立求和差 ⟹ 卷积。选择错会多做一倍计算。
- B5 雅可比的增补技巧:求
Z=g(X,Y)时补V=X凑成一一变换,再对v积分。坑:J用了正变换而非逆变换(差一个倒数),或忘了绝对值。 - B6 卷积的适用边界:卷积要求独立;不独立必须回到
\int f(x,z-x)\mathrm dx。坑:U(0,1)+U(0,1)的区间是(0,2),分段点z=1不能漏。 - B7 最值分布:
F_{\max}=\prod F、F_{\min}=1-\prod(1-F);独立同分布才化成[F]^n、1-[1-F]^n。坑:把F_{\max}写成[F]^n却忘了独立性前提。 - B8 混合型走全概率:一离散一连续时,把离散的每个取值作为一层,加权叠加平移后的
F_Y。坑:忘了权重之和为 1,或分段时漏掉某个取值。 - B9 二维正态的五性质直接调用:边缘正态、
\rho即相关系数、线性组合正态、条件期望线性、不相关⟺独立。看到"二维正态"四个字,先写这五条。 - B10 条件分布求相关的两条路:① 先联合密度再硬算三阶矩;② 用
E(Y\mid X=x)的线性式直接读\rho(二维正态专用)。2022·10、2024·9 都是第 ① 条。
7 题目清单(27 题,纯题干,按在学练习七点分册)
编号沿用「在学练习」第3讲七点分册:
02–08对应点 1–7,每点内独立编号(题 (k)),第二个数字是知识点号。只列题干,不给答案。
点 1 联合分布与边缘分布(题 1–4)
- 题 1 · 1.1:联合分布函数的四条性质(★☆☆):判断下列说法是否正确,错的举反例:(Ⅰ)若
F(x,y)对x、对y都单调不减,且F(-\infty,y)=F(x,-\infty)=0、F(+\infty,+\infty)=1,则F必是某二维随机变量的分布函数;(Ⅱ)若(X,Y)的联合分布函数为F,则X的分布函数为F(x,+\infty);(Ⅲ)若f(x,y)=g(x)h(y)在矩形I\times J上成立,则X与Y相互独立;(Ⅳ)若(X,Y)服从二维正态分布,则X与Y独立当且仅当\rho=0。 - 题 2 · 1.1:由分布函数算矩形概率(★★☆):设
(X,Y)的联合分布函数为F(x,y)=\begin{cases}A\left(1-\mathrm e^{-x}\right)\left(1-\mathrm e^{-y}\right),&x>0,\ y>0\\[2pt]0,&\text{其他}\end{cases}(Ⅰ)求A;(Ⅱ)求边缘分布函数F_X(x),并说明X服从什么分布;(Ⅲ)求P\{1<X\le2,\ Y>1\}。 - 题 3 · 1.2:由联合密度求边缘与区域概率(★★☆):设
(X,Y)在区域D=\{(x,y):0<y<x<1\}上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度f_X(x)、f_Y(y);(Ⅲ)求P\{X+Y<1\}。 - 题 4 · 1.3:条件密度是一族密度(★★☆):设
(X,Y)的联合密度为f(x,y)=\begin{cases}\mathrm e^{-y},&0<x<y\\[2pt]0,&\text{其他}\end{cases}(Ⅰ)验证它是密度,并求f_X(x);(Ⅱ)求f_{Y\mid X}(y\mid x),并指出它服从什么分布;(Ⅲ)说明"条件密度是一族密度"在这里具体指什么。
点 2 二维离散型随机变量(题 1–3)
- 题 1 · 2.1:不放回抽样的联合分布律(★☆☆):袋中有编号
1,2,3的三个球,从中不放回地依次取两个。令X为第一次取到的号码,Y为第二次取到的号码。(Ⅰ)写出(X,Y)的联合分布律表;(Ⅱ)求边缘分布律,并判断X与Y是否独立;(Ⅲ)求P\{X+Y=4\}。 - 题 2 · 2.2:由独立性反解未知概率(★★☆):设二维离散型随机变量
(X,Y)的联合分布律为:P\{X=0,Y=1\}=0.12,P\{X=0,Y=2\}=a,P\{X=0,Y=3\}=0.18;P\{X=1,Y=1\}=b,P\{X=1,Y=2\}=0.20,P\{X=1,Y=3\}=c。已知X与Y相互独立。(Ⅰ)求a,b,c;(Ⅱ)求条件分布律P\{Y=j\mid X=0\};(Ⅲ)求P\{X=1\mid Y\ne2\}。 - 题 3 · 2.3:泊松分解与条件二项(★★☆):设
X\sim P(\lambda_1)、Y\sim P(\lambda_2)且相互独立,其中\lambda_1=2、\lambda_2=1。(Ⅰ)求X+Y的分布;(Ⅱ)在已知X+Y=3的条件下,求X的分布律;(Ⅲ)求P\{X=1\mid X+Y=3\}与E(X\mid X+Y=3)。
点 3 二维连续型与两类特殊分布(题 1–5)
- 题 1 · 3.1:归一化与区域概率(★☆☆):设
(X,Y)的联合密度为f(x,y)=\begin{cases}A(x+y),&0<x<1,\ 0<y<1\\[2pt]0,&\text{其他}\end{cases}(Ⅰ)求A;(Ⅱ)求P\{X+Y<1\};(Ⅲ)求P\{X=Y\}。 - 题 2 · 3.2:圆域均匀的边缘与矩形判据(★★☆):设
(X,Y)在四分之一圆盘D=\{(x,y):x^2+y^2\le1,\ x\ge0,\ y\ge0\}上服从均匀分布。(Ⅰ)写出联合密度;(Ⅱ)求边缘密度f_X(x),并说明它的形状为什么不是常数;(Ⅲ)求P\{X<Y\}与P\left\{X^2+Y^2\le\frac14\right\};(Ⅳ)判断X与Y是否独立。 - 题 3 · 3.3:条件密度与"族"的含义(★★☆):设
(X,Y)在D=\{(x,y):0<y<x<1\}上服从均匀分布(即联合密度为2)。(Ⅰ)求f_{Y\mid X}(y\mid x)与f_{X\mid Y}(x\mid y);(Ⅱ)说明两者的支撑分别是什么,并解释"条件密度是一族密度";(Ⅲ)求P\left\{Y<\frac12\ \big|\ X=\frac34\right\}。 - 题 4 · 3.5:二维正态的六条结论(★★☆):设
(X,Y)\sim N(0,0;1,4;\rho),其中\rho=\frac12。(Ⅰ)写出X、Y的边缘分布;(Ⅱ)求X+Y的分布与P\{X+Y>0\};(Ⅲ)求条件分布Y\mid X=x;(Ⅳ)判断X+Y与X-Y是否独立,并说明与"\sigma_1=\sigma_2"的关系。 - 题 5 · 3.4:矩形支撑才独立(★☆☆):设
(X,Y)在矩形D=\{(x,y):0<x<2,\ 0<y<1\}上服从均匀分布。(Ⅰ)写出联合密度与两个边缘密度,并判断独立性;(Ⅱ)用面积比求P\left\{X<1,\ Y<\frac12\right\};(Ⅲ)若把D换成三角形T=\{0<y<x<2\}(仍均匀),判断独立性是否改变。
点 4 随机变量的独立性(题 1–4)
- 题 1 · 4.1:三种说法的一致性(★☆☆):判断下列说法是否正确:(Ⅰ)若
X与Y独立,则X^2与\mathrm e^{Y}独立;(Ⅱ)若E(XY)=EX\cdot EY,则X与Y独立;(Ⅲ)若f(x,y)=f_X(x)f_Y(y)在除一条直线外处处成立,则X与Y独立;(Ⅳ)若X与Y独立且同分布,则P\{X<Y\}=\frac12(假定P\{X=Y\}=0)。 - 题 2 · 4.2:可分离却仍不独立(★★☆):设
(X,Y)的联合密度为f(x,y)=\begin{cases}8xy,&0<y<x<1\\[2pt]0,&\text{其他}\end{cases}(Ⅰ)验证它是密度;(Ⅱ)求f_X(x)、f_Y(y);(Ⅲ)判断X与Y是否独立,并说明"8xy看起来能分离"为什么不足以判独立;(Ⅳ)求P\left\{Y<\frac X2\right\}。 - 题 3 · 4.3:不相关但不独立的反例(★★☆):设
X\sim U(-1,1),Y=X^2。(Ⅰ)求EX、EY、E(XY)与\operatorname{Cov}(X,Y);(Ⅱ)判断X与Y是否不相关、是否独立;(Ⅲ)举出一个"独立但不相关"以及一个"相关"的例子,说明三者的层次关系。 - 题 4 · 4.4:独立同分布的四条推论(★★☆):设
X与Y相互独立,都服从E(1),令M=\max\{X,Y\}、m=\min\{X,Y\}。(Ⅰ)求X+Y的密度,并说明它为什么不是E(1);(Ⅱ)求f_M(x)与EM;(Ⅲ)求Em,并验证EM+Em=EX+EY;(Ⅳ)说明"可加性"为什么只对"和"成立,对\max不成立。
点 5 随机变量函数的分布:两条路(题 1–4)
- 题 1 · 5.1:分布函数法求和的分布(★★☆):设
X与Y相互独立,都服从U(0,1),Z=X+Y。(Ⅰ)用分布函数法求F_Z(z)与f_Z(z);(Ⅱ)说明分段点z=0,1,2是怎么来的;(Ⅲ)求P\left\{Z<\frac12\right\}。 - 题 2 · 5.1:区域型支撑上的函数分布(★★☆):设
(X,Y)在D=\{(x,y):0<y<x<1\}上服从均匀分布(联合密度为2),令Z=\dfrac YX。(Ⅰ)求Z的取值范围;(Ⅱ)用分布函数法求F_Z(z)与f_Z(z);(Ⅲ)求E Z,并解释结果为什么"看起来很自然"。 - 题 3 · 5.2:雅可比法与"顺带判独立"(★★★):设
X与Y相互独立,都服从参数为1的指数分布。令U=X+Y,\qquad V=\frac{X}{X+Y} .(Ⅰ)求(U,V)的联合密度;(Ⅱ)判断U与V是否独立,并写出各自的分布;(Ⅲ)由此求E\!\left(\dfrac{X}{X+Y}\right)。 - 题 4 · 5.3:四条路的选择(★☆☆):下列四题,分别应走哪条路(分布函数法 / 卷积公式 / 雅可比 / 最值公式)?只需说明理由,不必计算。(Ⅰ)
X,Y相互独立,X\sim E(1)、Y\sim E(2),求Z=X+Y的密度;(Ⅱ)X,Y相互独立且都服从U(0,1),求Z=X^2+Y^2的密度;(Ⅲ)X,Y相互独立,求U=X+Y与W=X-Y的联合密度;(Ⅳ)X_1,\dots,X_5相互独立且都服从E(1),求M=\max X_i的密度。
点 6 四则运算与最值(题 1–4)
- 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。 - 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。 - 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\}。 - 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。
点 7 混合型与全概率(题 1–3)
- 题 1 · 7.1:两条指数分布的加权(★★☆):设随机变量
X的分布律为P\{X=0\}=P\{X=1\}=\dfrac12。在X=0的条件下Y\sim E(1);在X=1的条件下Y\sim E(2)。(Ⅰ)求f_Y(y),并验证它是密度;(Ⅱ)求P\{Y>1\};(Ⅲ)求P\{X=0\mid Y=2\}。 - 题 2 · 7.1:随机个数叠加的复合模型(★★☆):某设备在时间区间
[0,T]内发生故障的次数N\sim P(\lambda),且各次故障的发生时刻在[0,T]上独立且均匀分布。记T_1为首次故障时刻(若一次也没发生,规定T_1=+\infty)。(Ⅰ)求P\{T_1>t\}(0\le t\le T);(Ⅱ)求T_1在(0,T)上的密度,并说明P\{T_1=+\infty\}是多少;(Ⅲ)求P\{N=0\mid T_1>t\}。 - 题 3 · 7.2:混合正态与总方差(★★★):设
X等可能地取1与2(即P\{X=1\}=P\{X=2\}=\frac12)。在X=k的条件下Y\sim N(k,1)。(Ⅰ)写出f_Y(y);(Ⅱ)求EY与DY;(Ⅲ)说明f_Y不是正态密度(不必求导,用取值即可);(Ⅳ)求P\{Y<1.5\}。
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,分册
02–08对应点 1–7;参考仓库knowledge/2-random-variables-and-distribution(§多维各节)、knowledge/3-digital-features、exercise/2、exercise/3。