- A 组 12 题整体重做:每题仍只练一个动作,但包在真实区域里、都要分段 (抛物区域归一化与边缘两支、条件均匀的协方差、区域概率、可加性失效四问等) - B 组 10 题改为照 2016—2025 真题换数字,补上 2025-22 保险赔付与泊松分裂 - C 组 8 题换成环域均匀、次序统计量、非独立正态残差、混合型、泊松分裂五个新方向 - 题源标注:A2/A12 标张宇 30 讲骨架,B1—B10 标真题年份 - 同步 01 考点地图(题目索引、十年真题锚点)、README、专项突破总索引 - 全部数值经 sympy 复核,三处手算错误已订正(A4 的 Cov、C2 的极差、C4 的期望发散)
13 KiB
tags, 专题, 日期, 状态, 关联笔记
| tags | 专题 | 日期 | 状态 | 关联笔记 | ||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
多维随机变量 | 2026-11-11 | 第二版 C 组解析,A/B 组见 03a 与 03b |
|
解析(拔高)· 多维随机变量 C 组
这一组高于真题,用来防"考场出新"。八题里 C1、C5、C7 最可能是命题人换方向的落点:区域从单连通换成环域、变量从同分布换成混合分布、计数从二项换成泊松分裂。
答案速查
| 题 | 核心答案 |
|---|---|
| C1 | f=\frac1{3\pi} ;f_X 两段;f_Z=\frac13\ (1<z<4) ;P\{X^2+Y^2\le2\}=\frac13 |
| C2 | \frac16 ;f_{X_{(2)}}=6z(1-z) ,E=\frac12 ;\frac12 |
| C3 | N(1.2x,2.56) ;E(Y^2\vert X=1)=4 ;1.44+2.56=4 ;W\sim N(1,2.56) 且独立 |
| C4 | f_Z=\frac12 与 \frac1{2z^2} ;\frac34 ;EZ 不存在 |
| C5 | F_Y 三段;f_Y 两段;EY=\frac74 ,P\{Y\le1\}=1-\frac{\mathrm e^{-1}}4 |
| C6 | Y=X^2 型反例;Z=XY 非正态;断言要分"支撑内"与"全平面" |
| C7 | M\sim P(\lambda p) ,N-M\sim P(\lambda(1-p)) ,相互独立 |
| C8 | 对:2、5、7、9、3(有前提);错:1、4、6、8、10 |
题 C1 · 环域均匀:边缘一定要分段
怎么想:环域面积 \pi(2^2-1^2)=3\pi 。边缘密度分段的临界值来自"竖线与内圆相切",即 \vert x\vert=1 :|x|\le1 时竖线只穿过环的外圈部分,|x|>1 时要挖掉中间的空洞。
解:
(Ⅰ)S_D=3\pi ,
f(x,y)=\frac{1}{3\pi},\qquad 1\le x^2+y^2\le4 .
(Ⅱ)固定 x ,竖线被 x^2+y^2\le4 截出 y\in[-\sqrt{4-x^2},\sqrt{4-x^2}] ,被 x^2+y^2\ge1 挖去 y\in(-\sqrt{1-x^2},\sqrt{1-x^2}) 。
|x|\le1 时只需外圈:
f_X(x)=\frac1{3\pi}\cdot2\sqrt{4-x^2},\qquad \vert x\vert\le1 .
1<\vert x\vert\le2 时挖洞:
f_X(x)=\frac1{3\pi}\cdot2\Big(\sqrt{4-x^2}-\sqrt{1-x^2}\Big),\qquad 1<\vert x\vert\le2 .
(Ⅲ)Z=X^2+Y^2 只取 (1,4) 内的值,且
F_Z(z)=P\{X^2+Y^2\le z\}=\frac{\pi(z-1)}{3\pi}=\frac{z-1}{3},\qquad 1\le z<4 .
故 f_Z(z)=\dfrac13 (1<z<4 ),其余为 0 —— 均匀分布。
(Ⅳ)P\{X^2+Y^2\le2\}=\dfrac{(2-1)\pi}{3\pi}=\dfrac13 .
归因:C 类——
f_X只写一段。环域、圆盘挖洞一类的区域,边缘密度的分段临界值就是内圆/内边界与外框的交点,一定要先画图找它。
题 C2 · 次序统计量:对称性省掉一大半计算
怎么想:三个 iid 连续变量有 3!=6 种大小顺序,等可能,这一条能秒杀第(Ⅰ)问。第(Ⅱ)问用"至少两个不超过 z ",第(Ⅲ)问用极差的分布。
解:
(Ⅰ)X_1,X_2,X_3 严格互不相等(连续型),六种顺序等可能,故
P\{X_1<X_2<X_3\}=\frac{1}{6}.
(Ⅱ)X_{(2)}\le z 等价于"三个里至少两个不超过 z ":
F_{X_{(2)}}(z)=P\{\text{恰两个}\le z\}+P\{\text{三个都}\le z\}=3z^2(1-z)+z^3=3z^2-2z^3,
f_{X_{(2)}}(z)=6z-6z^2=6z(1-z),\qquad 0<z<1 .
它关于 z=\frac12 对称,故 E X_{(2)}=\frac12 (也可积分:\int_0^16z^2(1-z)\mathrm dz=\frac12 )。
(Ⅲ)极差 R=X_{(3)}-X_{(1)} 。用次序统计量的联合密度 6 (在 0<x_1<x_2<x_3<1 上),按"三点全落在某个长为 r 的窗口内"分两块:
P\{R\le r\}=6\int_0^{1-r}\mathrm dx_1\int_{x_1}^{x_1+r}\mathrm dx_2\int_{x_2}^{x_1+r}\mathrm dx_3+6\int_{1-r}^1\mathrm dx_1\int_{x_1}^1\mathrm dx_2\int_{x_2}^1\mathrm dx_3 .
第一块的内两层给出 \frac{r^2}{2} ,故为 6\cdot\frac{r^2}{2}(1-r)=3r^2(1-r) ;第二块给出 6\cdot\frac{r^3}{6}=r^3 (这里 x_1+r 已超过 1 ,上限被截断,正是容易漏的那部分)。相加
F_R(r)=3r^2(1-r)+r^3=3r^2-2r^3,\qquad 0<r<1 .
于是
P\{R>1/2\}=1-\Big(3\cdot\frac14-2\cdot\frac18\Big)=1-\frac12=\frac12 .
归因:B 类——把
P\{X_1<X_2<X_3\}当\frac{1}{3}。是3!里的一个,不是"最大值的三种可能"。
题 C3 · 非独立正态:条件方差是常数
怎么想:\operatorname{Cov}=\rho\sigma_1\sigma_2=0.6\times1\times2=1.2 ,条件均值 \mu_2+\rho\frac{\sigma_2}{\sigma_1}(x-\mu_1)=1.2x ,条件方差 \sigma_2^2(1-\rho^2)=4\times0.64=2.56 ,与 x 无关——这一条是第(Ⅱ)(Ⅲ)问的关键。
解:
(Ⅰ)Y\mid X=x\sim N\big(1.2x,\ 2.56\big) 。
(Ⅱ)E(Y^2\mid X=1)=D(Y\mid X=1)+\big[E(Y\mid X=1)\big]^2=2.56+1.2^2=2.56+1.44=4 .
(Ⅲ)DY=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big]=2.56+1.2^2\cdot DX=2.56+1.44\times1=4 ✓(题设 DY=\sigma_2^2=4 )。
(Ⅳ)\operatorname{Cov}(W,X)=\operatorname{Cov}(Y,X)-1.2DX=1.2-1.2=0 ,而 (W,X) 是 (X,Y) 的线性变换、仍服从二维正态,故 W 与 X 独立。
EW=EY-1.2EX=1-0=1 ,
DW=DY+1.2^2DX-2\times1.2\operatorname{Cov}(X,Y)=4+1.44-2.88=2.56,
故 W\sim N(1,\ 2.56) 。(这正是"把 Y 中与 X 线性相关的部分扣掉,剩下就是残差、与 X 正交且独立"。)
归因:A 类——以为残差
W与X只是"不相关"。正交(不相关)加联合正态才等于独立,这两个条件缺一不可。
题 C4 · 商的分布与"期望不存在"
怎么想:Z=\frac XY 的密度必须分段——y<zx 这条直线的两侧形状随 z 变。第(Ⅲ)问是概念题:密度存在不等于期望存在。
解:
(Ⅰ)z\le0 时 f_Z=0 。设 0<z<1 ,直线 x=zy 的斜率 \frac1z>1 ,在正方形内它把左下角切出来:固定 y 时 x 从 0 到 zy (因为 zy<y<1 ,不会超过 1 ),
F_Z(z)=\int_0^1zy\,\mathrm dy=\frac z2\ \Longrightarrow\ f_Z(z)=\frac12 .
设 z>1 ,此时斜率小于 1 ,zy 在 y>\frac1z 后会超过 1 ,须分两块:
F_Z(z)=\int_0^{1/z}zy\,\mathrm dy+\int_{1/z}^1 1\,\mathrm dy=\frac1{2z}+1-\frac1z=1-\frac1{2z}\ \Longrightarrow\ f_Z(z)=\frac{1}{2z^2}.
合起来
f_Z(z)=\begin{cases}\dfrac12, & 0<z<1,\\[4pt] \dfrac{1}{2z^2}, & z\ge1 .\end{cases}
验归一:\frac12+\int_1^\infty\frac{\mathrm dz}{2z^2}=\frac12+\frac12=1 ✓。
(Ⅱ)P\{Z<2\}=\dfrac12+\displaystyle\int_1^2\frac{\mathrm dz}{2z^2}=\frac12+\frac12\Big(1-\frac12\Big)=\frac34 .
(Ⅲ)EZ 不存在。因为
E\vert Z\vert=\int_0^1z\cdot\frac12\mathrm dz+\int_1^\infty z\cdot\frac{1}{2z^2}\mathrm dz=\frac14+\frac12\int_1^\infty\frac{\mathrm dz}{z}=+\infty .
归因:A 类——"有密度就有期望"。期望的存在性取决于
\int\vert z\vert f_Z是否收敛,z\ge1那段按\frac1z发散,正是许多"比值型"变量的通病。
题 C5 · 混合型的分布函数与密度
怎么想:Y=X_1+X_2 ,X_1 是两点、X_2 连续,所以 Y 的分布是两段的加权:\frac14 份"照原样"、\frac34 份"右移 1 "。这类题只需老老实实写 F_Y(y)=\frac14F_{X_2}(y)+\frac34F_{X_2}(y-1) 。
解:
(Ⅰ)由全概率,F_Y(y)=P\{X_1=0\}F_{X_2}(y)+P\{X_1=1\}F_{X_2}(y-1) ,F_{X_2}(t)=1-\mathrm e^{-t} (t>0 ),否则为 0 。故
F_Y(y)=\begin{cases}0, & y<0,\\[2pt] \frac14\big(1-\mathrm e^{-y}\big), & 0\le y<1,\\[2pt] \frac14\big(1-\mathrm e^{-y}\big)+\frac34\big(1-\mathrm e^{-(y-1)}\big), & y\ge1.\end{cases}
(Ⅱ)对 y 求导(分段求):
f_Y(y)=\begin{cases}\frac14\mathrm e^{-y}, & 0<y<1,\\[2pt] \frac14\mathrm e^{-y}+\frac34\mathrm e^{-(y-1)}, & y>1,\\[2pt] 0, & \text{其他}.\end{cases}
不是指数分布:y\in(0,1) 段的系数是 \frac14 ,y>1 段变成 \frac14+\frac{3\mathrm e}{4} ,两段不成比例,且密度在 y=1 处跳变。
(Ⅲ)EY=EX_1+EX_2=\frac34+1=\frac74 。
P\{Y\le1\}=\frac14\big(1-\mathrm e^{-1}\big)+\frac34\cdot1=1-\frac{\mathrm e^{-1}}{4}\approx0.908 .
归因:D 类——
F_Y(y-1)的"旧支撑"处理错。y-1>0才用1-\mathrm e^{-(y-1)},即y>1,这正是分段点1的来源。
题 C6 · 反例要有细节,不能只报名字
怎么想:第(Ⅰ)问要"连续 + 函数关系"这一对矛盾体;第(Ⅱ)问用四阶矩否掉正态;第(Ⅲ)问的关键是"对一切"三个字。
解:
(Ⅰ)取 X\sim U(-1,1) ,Y=X^2 。则
\operatorname{Cov}(X,Y)=E(X^3)-EX\cdot EX^2=0-0\cdot\frac13=0 .
但 Y 由 X 完全决定,不独立。验证一格:P\{X\le0,\ Y\le\frac14\}=P\{X\le0\}=\frac12 (因 X\le0 时 X^2\le1 必然),而
P\{X\le0\}\,P\Big\{Y\le\frac14\Big\}=\frac12\cdot P\Big\{\vert X\vert\le\frac12\Big\}=\frac12\cdot\frac12=\frac14\ne\frac12 .
(Ⅱ)Z=XY 不是正态。\operatorname{Cov}(X,Z)=E(X^2Y)=0 ,DZ=E(X^2Y^2)=EX^2\cdot EY^2=1 ,
EZ^4=E(X^4)E(Y^4)=3\times3=9 .
若 Z\sim N(0,1) 则 EZ^4=3(DZ)^2=3\ne9 ,矛盾。所以 Z 不是正态。
这个例子否定了"独立正态变量的函数仍服从正态",也否定了"边缘正态 \Rightarrow 联合正态"((X,Z) 的 Z 这一侧就不是正态)。
(Ⅲ)断言为真,但关键在"对一切 (x,y) 成立":此时 f\ne0 的区域恰是 \{g\ne0\}\times\{h\ne0\} ,自动是矩形,两边对 x,y 分别积分即得 f(x,y)=f_X(x)f_Y(y) 。
若把条件弱化成"在支撑内可写成 f=g(x)h(y) ",则断言为假:反例 f(x,y)=8xy (0<y<x<1 )在支撑内是 x 与 y 的乘积,但支撑是三角形,X 与 Y 不独立。这也是 A5 第三例为什么必须真算边缘。
归因:A 类——反例只说"
Y=X^2"不验证。考场上要拿分,必须把\operatorname{Cov}=0与"不独立"两件事都算出来。
题 C7 · 泊松分裂:独立性的完整证明
怎么想:第(Ⅰ)(Ⅱ)问用全概率把二项概率与泊松概率套在一起,求和时凑成 \mathrm e^{\lambda q} ;第(Ⅲ)问把联合分布律直接乘开,看能不能分解。
解:
(Ⅰ)M\mid N=n\sim B(n,p) ,对 k=0,1,2,\dots
P\{M=k\}=\sum_{n\ge k}\mathrm e^{-\lambda}\frac{\lambda^n}{n!}\binom nk p^k q^{n-k},\qquad q=1-p .
用 \binom nk\dfrac{1}{n!}=\dfrac{1}{k!\,(n-k)!} ,令 m=n-k :
P\{M=k\}=\mathrm e^{-\lambda}\frac{(\lambda p)^k}{k!}\sum_{m\ge0}\frac{(\lambda q)^m}{m!}=\mathrm e^{-\lambda}\frac{(\lambda p)^k}{k!}\,\mathrm e^{\lambda q}=\mathrm e^{-\lambda p}\frac{(\lambda p)^k}{k!}.
故 M\sim P(\lambda p) 。
(Ⅱ)同理(把 p 与 q 对调)N-M\sim P(\lambda q) 。
(Ⅲ)对任意 k,j\ge0 ,事件 \{M=k,\ N-M=j\} 等价于"总数 k+j 次,其中恰 k 次涉及出租车":
P\{M=k,\ N-M=j\}=\mathrm e^{-\lambda}\frac{\lambda^{k+j}}{(k+j)!}\cdot\frac{(k+j)!}{k!\,j!}p^kq^j=\mathrm e^{-\lambda p}\frac{(\lambda p)^k}{k!}\cdot\mathrm e^{-\lambda q}\frac{(\lambda q)^j}{j!},
恰好等于 P\{M=k\}P\{N-M=j\} ,故相互独立。
(B7 的第(Ⅲ)问就是 p=\frac14 、\lambda=8 的特例。)
归因:C 类——第(Ⅰ)问求和时把
\binom nk留在里面不敢动。把\frac{1}{n!}\binom nk拆成\frac{1}{k!(n-k)!},剩下的恰好是\mathrm e^{\lambda q}的泰勒展开。
题 C8 · 十个断言逐条判
怎么想:这类题不计算,考的全是边界条件。判完要能给一句"为什么",否则考场变体(换个说法)就错。
解:
- 错。反例见 C6(Ⅰ):
X\sim U(-1,1)、Y=X^2不相关但不独立。只有二维正态下才对。 - 对。这是二维正态专有的性质,因为它的联合密度在
\rho=0时正好分解成两个边缘之积。 - 对,但前提是"对一切
(x,y)"(此时支撑自动是矩形)。若只在支撑内可分离,则错:f=8xy(0<y<x<1)。 - 错。两个
U(0,1)之和是三角分布,密度z与2-z,不是常数。 - 对。独立时
E(XY)=EX\cdot EY,协方差必为0。这是单向蕴涵。 - 错。取
X\sim N(0,1)、Z与X独立且P\{Z=\pm1\}=\frac12,令Y=ZX,则Y\sim N(0,1),但(X,Y)只在两条直线y=\pm x上有质量、不是二维正态。 - 对。矩形支撑是独立的必要条件:独立时
f=f_Xf_Y的非零域必须是两个一维集合的乘积,即矩形。三角形不是,故一定不独立。 - 错。
X离散时F(x,y)沿x方向有跳跃,不绝对连续,联合密度不存在。只能写P\{X=x_i\}f_{Y\mid X=x_i}(y)。 - 对。独立性等价于"对任意可测函数
g,h,g(X)与h(Y)独立",取g(x)=x^2、h(y)=y^2即得。 - 错。取
X\sim N(0,1)、Y\sim N(0,4)且独立,则Y-X关于0对称,P\{X<Y\}=\frac12,但两者方差不同。所以\frac12只说明"中位数相等",不说明同分布。
归因:A 类——第 3、7 两条最容易判反。记住一句话:独立的关键是"支撑是矩形 + 密度可分离",两个条件缺一不可;"支撑不是矩形"可以直接否掉独立,但"密度不可分离"只能说明判据失效,还得算。