多维随机变量与随机变量的数字特征

对应《数学 1》大纲概率论第三、四章（多维随机变量及其分布、随机变量的数字特征）。核心是"联合—边缘—条件"三者的关系，以及期望方差的计算规则。

一、这个知识点考什么

• 题型：单项选择 + 判断；计算以边缘分布、独立性判定、期望方差公式为主。
• 高频落点：联合分布律与联合密度、边缘分布、独立性判定、期望与方差的性质、协方差与相关系数、不相关与独立。
• 能力要求：会由联合求边缘、会由边缘判断独立、会算 E(aX+bY) 与 D(aX+bY)。

二、核心知识与方法

1. 联合分布与边缘分布

• 离散型：联合分布律 P(X=xᵢ, Y=yⱼ) = pᵢⱼ；边缘分布律按行、按列求和。
• 连续型：联合密度 f(x,y)，∫∫ f dxdy = 1；边缘密度 f_X(x) = ∫ f(x,y)dy，f_Y(y) = ∫ f(x,y)dx。
• 均匀分布：区域 D 上服从均匀分布时 f(x,y) = 1/S_D（面积为 S_D）。
• 例：单位正方形上的均匀分布密度为 1；f(x,y) = x + y 时 f_X(x) = x + 1/2。

2. 随机变量的独立性

• 定义：F(x,y) = F_X(x)F_Y(y)，或离散型 pᵢⱼ = pᵢ·pⱼ，连续型 f(x,y) = f_X(x)f_Y(y) 几乎处处成立。
• 判定顺序：先求边缘，再看乘积是否等于联合。
• 反例：P(0,0)=0.4、P(0,1)=0.1、P(1,0)=0.2、P(1,1)=0.3 时，P(X=0)P(Y=0)=0.5×0.6=0.3 ≠ 0.4，故不独立。
• 独立 ⇒ 不相关；不相关 ⇏ 独立（除非联合正态）。

3. 二维正态分布与和的分布

• 二维正态分布由 μ₁, μ₂, σ₁², σ₂², ρ 五个参数确定；ρ = 0 时独立（仅对正态成立）。
• 独立正态变量的和仍服从正态：X+Y ~ N(μ₁+μ₂, σ₁²+σ₂²)。
• 例：X ~ N(1,4)、Y ~ N(2,9) 且独立，则 X+Y ~ N(3,13)。
• 一般和的分布：f_Z(z) = ∫ f(x, z−x)dx（卷积公式），前提是独立。

4. 期望与方差的性质

• E(aX+b) = aE(X)+b；E(X±Y) = E(X)±E(Y)（无需独立）。
• 独立时 E(XY) = E(X)E(Y)。
• D(X) = E(X²) − [E(X)]²，所以 E(X²) = D(X) + [E(X)]²。
• D(aX+b) = a²D(X)；独立时 D(X±Y) = D(X)+D(Y)。
• 例：E(X)=2、D(X)=3 时 E(X²) = 3 + 4 = 7。

5. 协方差与相关系数

• Cov(X,Y) = E[(X−E X)(Y−E Y)] = E(XY) − E(X)E(Y)。
• Cov(X,X) = D(X)；Cov(aX, bY) = ab·Cov(X,Y)。
• D(X±Y) = D(X) + D(Y) ± 2Cov(X,Y)。
• 相关系数 ρ = Cov(X,Y)/√(D(X)D(Y))，|ρ| ≤ 1；|ρ| = 1 表示线性关系几乎必然成立。

6. 二阶矩与不相关

• 二阶矩即 E(X²)；二阶中心矩即 D(X)。
• 不相关：ρ = 0 ⇔ Cov = 0 ⇔ E(XY) = E(X)E(Y)。
• 独立 ⇒ 不相关；不相关只说明"无线性关系"，仍可能有非线性关系（如 X 与 X²）。
• 反例：X ~ U(−1,1)、Y = X²，Cov = 0 但显然不独立。

三、易错点

1. 由边缘分布反推联合分布（除非独立，否则不可能）。
2. 认为"不相关"就是"独立"。
3. D(X−Y) 直接写成 D(X) − D(Y)。
4. 独立时仍不敢用 E(XY) = E(X)E(Y)。
5. 边缘密度积分限写错（把 y 的范围当成常数）。
6. 相关系数计算忘记除以标准差之积。
7. 均匀分布的密度写成面积而不是面积的倒数。

四、备考建议

1. 联合分布题先画区域，再定积分限。
2. 期望方差公式抄成一张表：E(X²)=D+E²、D(aX+b)=a²D、D(X±Y) 两条。
3. 独立性判定固定走"边缘 → 乘积 → 比较"三步。
4. 记住两个反例：Y=X²（不相关不独立）、ρ=0 的二维正态（独立）。