Files
Yimu 60f3f394c0 refactor(概率论第3讲): 按「知识点带题」整体重构,三件套改为盘点+七点分册+速查卡
- 删去 01-考点手册 / 02-试题 / 03-解析 / 04-答疑笔记 / 05-试题-中高难度 / 06-解析-中高难度
- 新建 01-知识点盘点(七节 + 覆盖对照 + 相邻讲接口)、02—08 七个点文件、09-速查卡
- 27 题全部原创数字,A/B/C 难度分层;每题带「怎么想 / 解 / 带走结论」与题目级双向链接
- 关键数值用 sympy 复核:P{X+Y<1}=1/3、Cov=4/225、D(3X-2Y)=108、P{X=0|Y=2}=1/(1+2e^-2) 等
- gen_crosslinks 生成 27 条关联行 + §0.4 反查表 + 速查回查表;链接 143 条 0 异常
- 公式预检 0 处待修;18 处「加粗以公式收尾」已改写句式(补空格会让星号外露)
2026-11-07 12:32:42 +08:00

20 KiB
Raw Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
概率论
多维随机变量
知识点盘点
概率论 第3讲 · 多维随机变量及其分布 2026-11-07 知识点盘点(七节 + 覆盖对照表),配套 7 个点分册共 27 题
README
09-速查卡

第3讲 · 多维随机变量及其分布:知识点盘点

真题库第 17 章。近十年 11 题 105 分:8 道解答题(91 分)+ 3 道选填(14 分),年年一道 11—12 分解答题,从未缺席。

这一讲是概率论分值第二重的一讲(仅次于数理统计的参数估计)。它的全部内容可以压成一句话:把一维的"分布函数/密度"升维成二维的,再学会从二维里切出一维来用。

一句话定性:一维题考"求 F 或 f ";二维题考三种换算——联合 → 边缘(积分掉一个变量)、联合 → 条件(除边缘)、联合 → 函数(换元或求 F )。所有大题都是这三种换算的组合。

0 三张表

0.1 按分值排(时间紧就照这个顺序)

优先 点 真题锚点 分值 文件
1 函数分布(分布函数法 + 雅可比) 2017·22、2019·22、2021·22、2023·22 约 46 06
2 二维连续型与两类特殊分布 2016·22、2023·22 约 24 04
3 混合型与全概率 2020·22、2025·22 约 24 08
4 四则运算与最值 2019·8、2018·22 约 15 07
5 独立性判定 2016·22、2022·10 嵌在大题里 05
6 联合分布与边缘分布 一切题的起手 — 02
7 二维离散型 选填为主 冷门 03

0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)

02 联合分布与边缘分布   ← 定义层:F(x,y) 与三个"边缘"
      ↓
03 二维离散型           ← 表格法:联合律 → 边缘律 → 条件律
      ↓
04 二维连续型与两类分布 ← 密度法 + 均匀/正态这两个"模板分布"
      ↓
05 独立性               ← 判据:可分离 + 支撑矩形
      ↓
06 函数分布两条路       ← 分布函数法(通法)/ 雅可比(快法)
      ↓
07 四则运算与最值       ← 卷积、商、max/min 的成品公式
      ↓
08 混合型与全概率       ← 一个离散一个连续

为什么函数分布排在独立性之后:独立性决定联合密度能不能拆开,而函数分布的所有积分都要先知道联合密度长什么样。顺序反了会一直在"这个 f(x,y) 到底能不能写成乘积"上卡住。

0.3 符号约定

记号 含义
F(x,y)=P\{X\le x,\ Y\le y\} 联合分布函数
f(x,y) 联合概率密度(连续型)
p_{ij}=P\{X=x_i,Y=y_j\} 联合分布律(离散型)
f_X(x),\ f_Y(y) 边缘密度(把另一个变量积掉)
f_{Y\mid X}(y\mid x)=\dfrac{f(x,y)}{f_X(x)} 条件密度(一族密度,随 x 变)
D 或 \operatorname{supp} 支撑集 = 密度非零的区域,求一切积分前先画它
J=\dfrac{\partial(u,v)}{\partial(x,y)} 雅可比行列式,换元时乘 \lvert J\rvert

0.4 知识点与练习文件对照(按知识点粒度)

盘点章节(知识点) 对应题目
§1.1 联合分布函数 点 1 题 1、点 1 题 2
§1.2 边缘分布函数 点 1 题 3
§1.3 条件分布函数 点 1 题 4
§2.1 联合分布律 点 2 题 1
§2.2 独立性判据(离散版) 点 2 题 2
§2.3 三类常见模型 点 2 题 3
§3.1 联合概率密度 点 3 题 1
§3.2 边缘密度 点 3 题 2
§3.3 条件密度 点 3 题 3
§3.4 二维均匀分布 点 3 题 5
§3.5 二维正态分布 点 3 题 4
§4.1 三种等价说法 点 4 题 1
§4.2 判据:可分离 + 支撑矩形 点 4 题 2
§4.3 独立与不相关 点 4 题 3
§4.4 独立同分布的可加结论 点 4 题 4
§5.1 分布函数法(通法,必掌握) 点 5 题 1、点 5 题 2
§5.2 雅可比变换法(快法) 点 5 题 3
§5.3 三条路怎么选 点 5 题 4
§6.1 和的分布(卷积) 点 6 题 1
§6.2 差、积、商 点 6 题 2
§6.3 最值 点 6 题 3
§6.4 四种运算的"成品结论" 点 6 题 4
§7.1 全概率公式求密度 点 7 题 1、点 7 题 2
§7.2 混合正态 点 7 题 3

1 联合分布与边缘分布

1.1 联合分布函数

F(x,y)=P\{X\le x,\ Y\le y\},\qquad -\infty<x,y<+\infty .

四条性质(前三条例题照搬一维,第四条是二维新增):

  1. 单调不减:对 x 与对 y 分别单调不减;
  2. 右连续:对 x 与对 y 分别右连续;
  3. 规范性:F(-\infty,y)=F(x,-\infty)=0 ,F(+\infty,+\infty)=1 ;
  4. 矩形概率公式:
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 .

第四条是二维的"照妖镜"。一维只需单调 + 右连续 + 规范就能当分布函数;二维还要求上式对一切矩形非负。典型反例:F(x,y) 分别对 x 、对 y 都单调递增,但某个矩形上算出来是负的。

1.2 边缘分布函数

F_X(x)=F(x,+\infty)=\lim_{y\to+\infty}F(x,y),\qquad F_Y(y)=F(+\infty,y).

含义:不管 Y 取什么值,只看 X 的分布。所以"边缘"这个词的意思就是把另一个变量放走。

对密度与分布律,对应的动作是积分掉 / 求和掉:

f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy,\qquad p_{i\cdot}=\sum_{j}p_{ij}.

1.3 条件分布函数

F_{Y\mid X}(y\mid x)=P\{Y\le y\mid X=x\}=\frac{P\{X=x,\ Y\le y\}}{P\{X=x\}}\quad(\text{离散}), F_{Y\mid X}(y\mid x)=\frac{\int_{-\infty}^{y}f(x,t)\,\mathrm dt}{f_X(x)}\quad(\text{连续,要求 }f_X(x)>0).

连续型条件分布的两个要点:① 它是对固定 x 的一族分布,支撑随 x 变——这正是后面函数分布分段点的来源;② 分母必须 f_X(x)>0 ,否则条件无定义。

2 二维离散型

2.1 联合分布律

用一个矩形表列出全部 p_{ij} ,满足 p_{ij}\ge0 且 \sum_i\sum_j p_{ij}=1 。

边缘律:把行加起来得 Y 的边缘,把列加起来得 X 的边缘(顺手在表的右缘与下缘写"合计"列/行,这是最不容易错的做法)。

条件律:p_{j\mid i}=\dfrac{p_{ij}}{p_{i\cdot}} ,即"用行和去除这一行"。

2.2 独立性判据(离散版)

X\perp Y\iff p_{ij}=p_{i\cdot}\,p_{\cdot j}\ \text{对一切}\ i,j .

考场动作:不必逐格验证,找到一格不成立就停(通常是边缘为 0 或表格出现"整行只有一格非零"的那种)。

2.3 三类常见模型

模型 结构 用途
二项分解 X\sim B(n,p) 拆成 n 个相互独立的 0 或 1 的两点变量之和 求 \max 、\min 、条件分布
多项分布 n 次试验落入 k 个类的计数 (N_1,\dots,N_k) 相关系数(2016\cdot8 骨架)
泊松分解 X\sim P(\lambda_1) 、Y\sim P(\lambda_2) 独立 \Rightarrow X+Y\sim P(\lambda_1+\lambda_2) 和的分布、条件分布(X\mid X+Y=n\sim B(n,\frac{\lambda_1}{\lambda_1+\lambda_2}) )

3 二维连续型

3.1 联合概率密度

f(x,y)\ge0 ,\displaystyle\int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dx\mathrm dy=1 ,且

F(x,y)=\int_{-\infty}^{x}\!\!\int_{-\infty}^{y}f(u,v)\,\mathrm dv\,\mathrm du,\qquad f(x,y)=\frac{\partial^2F}{\partial x\partial y}\ \text{(连续点)}.

区域概率:P\{(X,Y)\in D\}=\iint_D f(x,y)\,\mathrm d\sigma 。积分域就是题目给的那个区域,不是矩形——这是与一维最不一样的地方。

3.2 边缘密度

f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,\mathrm dy .

真正的难点是定限,不是积分。当支撑是三角形、圆、0<y<x 这类区域时,f_X(x) 的积分上限是 y 的活动端点,必须按 x 分段。做法固定:先在草图上画一条竖线(固定 x ),看它穿过区域的那一段。

3.3 条件密度

f_{Y\mid X}(y\mid x)=\frac{f(x,y)}{f_X(x)},\qquad f_X(x)>0 .

两条必须记住的性质:

f_{X\mid Y}(x\mid y)=\frac{f_{Y\mid X}(y\mid x)f_X(x)}{f_Y(y)}\ \text{(贝叶斯)};\qquad X\perp Y\iff f_{Y\mid X}(y\mid x)=f_Y(y).

3.4 二维均匀分布

D 为有界区域、面积为 S_D :

f(x,y)=\begin{cases}\dfrac{1}{S_D},&(x,y)\in D\\[4pt]0,&\text{其他}\end{cases}

两条秒杀结论:① P\{(X,Y)\in G\}=\dfrac{S_{D\cap G}}{S_D} (面积比);② X\perp Y 当且仅当 D 是边平行于坐标轴的矩形(几乎矩形)。

这条"矩形判据"是选择题与大题第一问的高频点:D 是三角形、圆、菱形时,边缘密度的乘积一定不等于联合密度,所以一定不独立——不必算,看形状即可。

3.5 二维正态分布

(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho) ,密度为

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}-2\rho\frac{(x-\mu_1)(y-\mu_2)}{\sigma_1\sigma_2}+\frac{(y-\mu_2)^2}{\sigma_2^2}\right]\right\}.

六条结论(考试只考这六条):

  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. 线性组合仍正态:aX+bY\sim N\!\left(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2+2ab\rho\sigma_1\sigma_2\right) ;
  3. 条件分布仍是正态:Y\mid X=x\sim N\!\left(\mu_2+\rho\dfrac{\sigma_2}{\sigma_1}(x-\mu_1),\ \sigma_2^2(1-\rho^2)\right) ;
  4. 独立 \iff 不相关(\rho=0 )——这条只对二维正态成立;
  5. 若 \rho=0 ,则联合密度等于两个边缘密度之积(由 1、4 直接看出);
  6. 可加性:X+Y 与 X-Y 相互独立 \iff \sigma_1^2=\sigma_2^2 (这是常考的判断题)。

4 独立性

4.1 三种等价说法

X\perp Y\iff F(x,y)=F_X(x)F_Y(y)\ \forall x,y\iff f(x,y)=f_X(x)f_Y(y)\ \text{(a.e.)}\iff p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j .

4.2 判据:可分离 + 支撑矩形

连续型的考场三步:

  1. 写联合密度 f(x,y)=g(x)h(y) 能否拆成"只含 x "乘"只含 y ";
  2. 看支撑集:必须能写成 x\in I_1 、y\in I_2 的矩形(含无穷端点);
  3. 归一化系数也拆得开,于是 f_Xf_Y=f 。

只要支撑不是矩形,一定不独立,与 f 能不能拆无关。例:f(x,y)=8xy 在 0<y<x<1 上,虽然 8xy 能拆成 8x\cdot y ,但支撑是三角形,故不独立(本讲点 4 题 2 会算到底)。

4.3 独立与不相关

含义 强度
独立 联合分布 = 边缘之积(全部信息) 强
不相关 \operatorname{Cov}(X,Y)=0 (只有二阶信息) 弱

结论链:独立 \Rightarrow 不相关(只要二阶矩存在);反之不成立,除非 (X,Y) 服从二维正态。

标准反例:X\sim U(-1,1) ,Y=X^2 。此时 \operatorname{Cov}(X,Y)=EX^3-EX\cdot EY=0 ,但不独立(Y 由 X 完全决定)。

4.4 独立同分布的可加结论

若 X_1,\dots,X_n 相互独立,则

f_{X_1+\cdots+X_n}=f_{X_1}*\cdots*f_{X_n}\ \text{(卷积)},\qquad F_{\max}=\prod F_{X_i},\qquad F_{\min}=1-\prod\left(1-F_{X_i}\right).

常见封闭性:二项 + 二项(同 p )、泊松 + 泊松、正态 + 正态、\chi^2+\chi^2 (自由度相加)、\Gamma(\alpha,\lambda)+\Gamma(\beta,\lambda) 。

5 函数分布

5.1 分布函数法(通法,必掌握)

求 Z=g(X,Y) 的分布:

F_Z(z)=P\{g(X,Y)\le z\}=\iint_{\{(x,y):\,g(x,y)\le z\}}f(x,y)\,\mathrm d\sigma,\qquad f_Z(z)=F_Z'(z).

三步:① 把 g(x,y)\le z 翻译成平面上的区域;② 画图,按 z 的取值分段;③ 积分、求导。

这条路的优点是"永远能做",缺点是"分段容易漏"。分段点来自两处:区域的几何临界位置(如 z=0 、z=1 ),以及被积函数表达式的切换点。

5.2 雅可比变换法(快法)

设 \begin{cases}u=g_1(x,y)\\v=g_2(x,y)\end{cases} 有唯一反解 x=x(u,v) 、y=y(u,v) ,则

f_{U,V}(u,v)=f\big(x(u,v),\,y(u,v)\big)\cdot\lvert J\rvert,\qquad J=\frac{\partial(x,y)}{\partial(u,v)}=\begin{vmatrix}x_u&x_v\\y_u&y_v\end{vmatrix}.

再对不要的那个变量积分得边缘。

二维正态的线性变换(最常用的一次):U=X+Y 、V=X-Y ,则 J=-\frac12 ,\lvert J\rvert=\frac12 。

5.3 三条路怎么选

题目长相 走哪条
求 Z=X+Y 且已知两个边缘(独立) 卷积公式(点 6 的成品表)
求 Z=g(X,Y) 的一般函数,f 是分片/有区域 分布函数法(画区域)
需要 Z 与另一个量的联合密度(如 X+Y 与 X/(X+Y) ) 雅可比
求 \max 、\min 直接用 F^n 、1-(1-F)^n

6 四则运算与最值

6.1 和的分布(卷积)

X\perp Y 时

f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,\mathrm dx=\int_{-\infty}^{+\infty}f_X(z-y)f_Y(y)\,\mathrm dy .

定限口诀:两个密度的支撑同时非零才有贡献,所以积分限是"两个区间 [a_1,b_1] 与 [z-b_2,z-a_2] 的交"。

6.2 差、积、商

f_{X-Y}(z)=\int f_X(x)f_Y(x-z)\,\mathrm dx;\qquad f_{XY}(z)=\int f_X(x)f_Y\!\left(\frac zx\right)\frac{1}{\lvert x\rvert}\,\mathrm dx; f_{X/Y}(z)=\int f_X(zy)f_Y(y)\lvert y\rvert\,\mathrm dy .

商的分布更稳的算法:先求 F_Z(z)=P\{Y\le zX\} (半平面区域),再求导——因为绝对值与符号常常在 z<0 与 z>0 上不同。

6.3 最值

F_{\max}(z)=\prod_{i=1}^{n}F_{X_i}(z),\qquad F_{\min}(z)=1-\prod_{i=1}^{n}\left[1-F_{X_i}(z)\right].

独立同分布时:F_{\max}=F^n ,f_{\max}=nF^{n-1}f ;F_{\min}=1-(1-F)^n ,f_{\min}=n(1-F)^{n-1}f 。

6.4 四种运算的"成品结论"

组合 结果
X\sim B(n_1,p) 、Y\sim B(n_2,p) 独立 X+Y\sim B(n_1+n_2,p)
X\sim P(\lambda_1) 、Y\sim P(\lambda_2) 独立 X+Y\sim P(\lambda_1+\lambda_2)
X\sim N(\mu_1,\sigma_1^2) 、Y\sim N(\mu_2,\sigma_2^2) 独立 X\pm Y\sim N(\mu_1\pm\mu_2,\ \sigma_1^2+\sigma_2^2) (差也是加)
X\sim\Gamma(\alpha,\lambda) 、Y\sim\Gamma(\beta,\lambda) 独立 X+Y\sim\Gamma(\alpha+\beta,\lambda) (指数分布是 \alpha=1 )

7 混合型(一个离散、一个连续)

7.1 全概率公式求密度

设 X 离散(取值 x_k ,概率 p_k )、Y 在 X=x_k 下连续(密度 f_{Y\mid X=x_k} ),则

f_Y(y)=\sum_k p_k\,f_{Y\mid X=x_k}(y),\qquad F_Y(y)=\sum_k p_k F_{Y\mid X=x_k}(y).

反向(贝叶斯):

P\{X=x_k\mid Y=y\}=\frac{p_k f_{Y\mid X=x_k}(y)}{f_Y(y)} .

7.2 混合正态

两层正态叠加后,边缘一般不是正态(除非两层的均值与方差都相同)。但无条件期望、方差仍可用全期望公式:

EY=E\left[E(Y\mid X)\right],\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].

第二个式子是"总方差公式"(也叫 Eve 公式):总方差 = 组内方差均值 + 组间方差。2020\cdot22 与 2025\cdot22 的最后一问都靠它。

8 覆盖对照(大纲 vs 真题 vs 参考仓库)

知识点 大纲要求 十年真题 参考仓库 处置
联合分布函数与性质 掌握 2023·22 有 点 1,2 题
边缘分布(函数/律/密度) 掌握 每题必用 有 点 1、2、3,共 4 题
条件分布 掌握 2016·22、2022·10、2024·9 有 点 1、3,共 3 题
二维离散型 掌握 选填 有 点 2,3 题
二维连续型 掌握(核心) 2016·22、2023·22 有 点 3,4 题
二维均匀分布 掌握 2016·22 有 点 3,2 题
二维正态分布 掌握 2019·8、2022·10 有 点 3、4,共 3 题
独立性判定 掌握 2016·22、2022·10、2024·9 有 点 4,3 题
独立与不相关 掌握 2022·10 有 点 4,2 题
分布函数法 掌握(核心) 2017·22、2019·22、2021·22、2023·22 有 点 5,4 题
雅可比变换法 掌握(快法) 2019·22 有 点 5,2 题
和、差、积、商 掌握 2017·22、2018·22、2019·8 有 点 6,4 题
最值分布 掌握 2025·22 有 点 6,2 题
混合型与全概率 掌握 2017·22、2020·22、2025·22 有 点 7,3 题
混合正态 掌握 2020·22 有 点 7,2 题

判断:15 个知识点中,大纲"掌握"的 13 个全部配了题;点 6、点 7 的题型在十年里没有单独立题,但都以"最后一问"的形式出现过(2025·22 的最值、2020·22 的混合正态),所以照配。

9 与相邻讲的接口

本讲内容 来源 / 去向 用法
F(x)=\int f\,\mathrm dx 、密度的归一化 第 2 讲(一维随机变量) 本讲所有的积分都是它的二维版
EX 、DX 、\operatorname{Cov} 、\rho 第 4 讲(数字特征) 本讲点 4 的"独立 vs 不相关"直接用 \operatorname{Cov} 定义
条件期望 E(Y\mid X) 、重期望 第 4 讲(数字特征) 点 7 的混合型期望靠它
二维正态的 \rho 与 \sigma 第 4 讲(协方差) 点 3 的六条结论与第 4 讲的相关系数是同一件事
独立同分布、和的分布 第 5 讲上(大数定律)与第 5 讲下(中心极限定理) 两讲都以"n 个独立同分布之和"为对象,正是点 6 的卷积推广
统计量与样本分布 第 6 讲(数理统计) 样本 (X_1,\dots,X_n) 就是 n 维随机变量,联合密度连乘即本讲点 3 的推广

跨讲一句话:本讲解决"两个变量怎么一起分布";第 4 讲解决"用几个数概括它";第 5 讲解决"无穷多个加起来会怎样";第 6 讲解决"反过来,用样本猜总体"。