1. 联合概率密度到底在讲什么先把定义和直觉打通1.1 从单变量到多变量为什么要引入联合概率密度很多同学复习概率论的时候单变量随机变量那一章学得挺顺密度函数、分布函数、期望方差都能套公式。结果一到二维随机变量尤其是联合概率密度立刻开始犯迷糊。原因其实很简单你还在用一维的思维去理解二维的东西。一维的时候我们研究一个随机变量 X它的概率分布可以用一个一元函数 f(x) 描述。这个函数有两个任务一是告诉你 X 落在某个区间内的概率二是告诉你 X 的分布集中在哪些地方。到了二维研究对象变成了两个随机变量 X 和 Y它们之间可能存在关联也可能互不影响。这时候光有 f(x) 和 f(y) 是不够的你需要一个二元函数 f(x, y) 同时描述 X 和 Y 的联合行为这个函数就是联合概率密度。打个比方。一维密度函数像一条沿着数轴起伏的“密度线”你把线下的面积切成小段每段面积就是随机变量落在这一段的概率。二维联合密度函数则像一块铺在 xOy 平面上的“密度膜”膜的高度代表在这个点附近概率的密集程度。你关心某个区域 D 的概率就是在膜上抠出对应区域算出这块区域下方的体积。一维求面积二维求体积本质是同一件事——用几何面积或体积来对应概率。期末考试喜欢考联合概率密度就是因为它是连接二维随机变量所有知识的中枢。边缘密度、条件密度、独立性、期望、协方差甚至数理统计里的参数估计全都从这块密度膜上长出来。你只要把联合密度真正吃透后半张卷子的半壁江山基本就稳了。1.2 定义与核心性质非负、归一化、区域积分联合概率密度的标准定义教材上一般这样写如果存在非负二元函数 f(x, y)使得对任意平面区域 D有P((X, Y) ∈ D) ∬_D f(x, y) dxdy那么 f(x, y) 就称为二维连续型随机变量 (X, Y) 的联合概率密度函数。这里有个容易忽略的前提必须存在这样的非负函数并且对任意区域都满足上述积分关系。这意味着 f(x, y) 不是随便写个函数就行它必须满足两条基本性质。第一非负性。f(x, y) ≥ 0 对所有 (x, y) 成立。这个好理解概率不能是负数密度自然也不能是负数。第二归一性。整个二维平面上的积分为 1即∬_{-∞}^{∞} f(x, y) dxdy 1这对应了“总概率为 1”的基本公理。很多期末考试会专门设计一个带未知参数的联合密度比如f(x, y) C * x * y其中 0 x 1, 0 y 1让你求常数 C。方法就是让整个区域上的积分为 1 去反解 C。这类题非常简单但每年都有不少人在积分区域上踩坑后面我会专门讲。有了这两条性质联合密度才能扮演“概率体积密度”的角色。你可以把它想象成一块总质量为 1 的薄板密度分布不均匀但总质量固定。任意一块区域的概率就是这块区域板的重量。1.3 联合分布函数与概率密度的关系联合分布函数的定义是F(x, y) P(X ≤ x, Y ≤ y) ∫_{-∞}^{x} ∫_{-∞}^{y} f(u, v) dv du它表示从“左下角”到点 (x, y) 这个无限矩形区域内的概率累积量。从这个定义能推出一系列关系考试中经常用到。第一联合密度是联合分布函数的混合偏导f(x, y) ∂²F(x, y) / (∂x ∂y)这个关系在给定分布函数反求密度时是核心工具。不过期末考试出这种题的频率不高因为求混合偏导有时计算量大更多是考概念判断比如给你一个 F(x, y) 让你判断是不是合法的联合分布函数或者反过来从 F 求 f。第二P(X ≤ x, Y ≤ y) 这类事件的概率可以直接代入分布函数不用积分。第三二维随机变量的分布函数有类似一维的边界性质F(-∞, y) 0F(x, -∞) 0F(∞, ∞) 1这些边界条件在验证联合分布函数是否合法时很有用但期末更常见的是直接给 f(x, y) 让你算各种概率所以重点还是要把二重积分练熟。2. 三大核心计算边缘密度、条件密度、独立性判断2.1 边缘概率密度怎么求对另一个变量积分边缘概率密度说白了就是把联合密度中另一个变量“积掉”。公式很简单f_X(x) ∫_{-∞}^{∞} f(x, y) dyf_Y(y) ∫_{-∞}^{∞} f(x, y) dx为什么叫“边缘”因为在一张联合分布表里每一行求和得到行边缘每一列求和得到列边缘连续型推广后求和变成积分列在联合密度“边缘”的结果就是边缘密度。但真正做题时麻烦不在于公式而在于积分上下限。联合密度通常在有限区域上有非零值比如 0 x 1, 0 y x。这个区域不是矩形求 f_X(x) 时对 y 积分y 的范围由 x 决定求 f_Y(y) 时对 x 积分x 的范围由 y 决定。具体来说如果联合密度的非零区域是 0 y x 1那么f_X(x) ∫_{0}^{x} f(x, y) dy其中 0 x 1其他地方为 0f_Y(y) ∫_{y}^{1} f(x, y) dx其中 0 y 1其他地方为 0很多同学一上来就照搬公式把上下限都写成负无穷到正无穷结果原函数算半天还不对。实际上负无穷到正无穷只是形式化的写法真正计算时要看联合密度在哪些区域为非零只有在非零区域内积分才有效。正确步骤是先画图把联合密度的支撑区域画出来再看求边缘密度时那个被积掉的变量在哪段区间上取值。2.2 条件概率密度固定一个变量后的归一化条件概率密度的公式是f_{Y|X}(y|x) f(x, y) / f_X(x)其中 f_X(x) 0f_{X|Y}(x|y) f(x, y) / f_Y(y)其中 f_Y(y) 0直觉上怎么理解联合密度是整块质量边缘密度是某一行的总质量。在已知 X x 的条件下就相当于把这一行单独拎出来然后把这行总质量归一化成 1这个归一化后的“形状”就是条件密度。条件密度有两个特别容易错的点。第一定义域。条件密度的“支撑区域”不是联合密度的整个支撑区域而是联合密度支撑区域与“X x”这一条线的交集。比如联合密度非零区域是 0 y x 1在给定 X x 时条件密度 f_{Y|X}(y|x) 的非零范围是 0 y x这里 x 是固定的参数而且必须满足 0 x 1。有些题目还会问你 f_{X|Y}(x|y)这时候范围就变成 y x 1y 是固定参数。定义域写错后面概率全错。第二条件密度本身要满足归一性即对 y 积分结果为 1。所以条件密度公式里的分母 f_X(x) 不是随便除以的它是为了把这一行的面积缩放回 1。有的题目会故意不给你边缘密度让你先用积分求出 f_X(x) 再算条件密度这时候就要注意 f_X(x) 的分段情况。2.3 独立性判断联合密度边缘乘积的充要条件两个连续型随机变量 X 和 Y 相互独立的充要条件是几乎处处有f(x, y) f_X(x) * f_Y(y)也就是说联合密度能拆成两个边缘密度的乘积并且此时联合密度的支撑区域必须是矩形区域。这个“矩形区域”往往被忽略却是判断独立性的快速方法。如果你发现联合密度的非零区域是三角形、圆形或者其他非矩形区域那么不管密度函数形式多像乘积结构X 和 Y 都不独立。因为在支撑区域以外的点联合密度为 0但边缘密度在支撑区域外的某些点可能不为 0边缘密度被积之后可能延伸到更大的范围乘积不可能处处等于 0。简单说三角形区域上的联合密度必然不独立这是很多题的秒杀结论。反过来如果联合密度可以写成 g(x) * h(y) 这种分离变量的形式并且支撑区域是矩形比如 0 x a, 0 y b那么 X 和 Y 独立。期末考试常用这个结论来快速判断独立但要注意必须同时验证支撑区域为矩形否则即使 f(x, y) 2xy 这种形式在区域 0 y x 1 上也不独立。3. 期末必考的联合密度题型与解题套路3.1 第一类给联合密度求边缘、条件、概率这是最基础的题型几乎年年考。典型题目给出f(x, y) { 6x, 0 x 1, 0 y 1-x; 0, 其他 }求 (1) 常数验证(2) f_X(x)、f_Y(y)(3) P(X Y 1/2)(4) 条件密度 f_{Y|X}(y|x)。解题顺序有讲究。先画支撑区域这比一上来就积分重要得多。区域是 x 轴、y 轴和直线 x y 1 围成的三角形所以 0 x 10 y 1 - x。求 f_X(x) 时y 从 0 积到 1 - x得到 6x(1-x)其中 0 x 1。求 f_Y(y) 时x 从 0 积到 1 - y得到 6 * ∫_{0}^{1-y} x dx 3(1-y)^2其中 0 y 1。求 P(X Y 1/2) 时注意事件“X Y 1/2”落在三角形内部所以在联合密度的非零区域中还要加上约束 x y 1/2。积分区域变成由 x 轴、y 轴和直线 x y 1/2 围成的小三角形。二重积分的结果是 ∫_{0}^{1/2} ∫_{0}^{1/2-x} 6x dy dx 1/8。当然也可以先算联合分布函数再代入但画图直接积更方便。求条件密度时先回味一下f_{Y|X}(y|x) f(x, y) / f_X(x)代入得 6x / [6x(1-x)] 1/(1-x)其中 0 y 1 - xx 固定且 0 x 1。你会发现这个条件密度在 y 上其实是均匀分布这说明给定 X x 时Y 在区间 (0, 1-x) 上均匀分布。这个结论也能直接用来算条件期望非常方便。3.2 第二类利用独立性反推未知参数有一类题比较阴两个随机变量独立告诉你各自的密度让你求联合密度中的待定参数。比如 X 服从参数为 λ 的指数分布Y 在 [0, 1] 上均匀分布且 X 与 Y 独立求 P(X ≥ Y)。这种题不会直接给你联合密度但利用独立性能把联合密度写出来f(x, y) f_X(x) * f_Y(y) λ e^{-λx} * 1其中 x 0, 0 y 1然后概率就是二重积分P(X ≥ Y) ∫_{0}^{1} ∫_{y}^{∞} λ e^{-λx} dx dy ∫_{0}^{1} e^{-λy} dy (1 - e^{-λ}) / λ这类题的核心其实是“构造联合密度”。独立性是构造联合密度的通行证但前提还是别忘了支撑区域X 的支撑是 x 0Y 的支撑是 0 y 1联合支撑就是两者的笛卡尔积也就是矩形 x 0, 0 y 1。还有一种变体告诉你联合密度的形式中带有未知常数并额外给出 X 和 Y 独立这个条件让你求未知数。比如 f(x, y) k x^2 y在 0 x 2, 0 y 1 上且 X 与 Y 独立。这时候可以先利用分离变量形式直接判断独立性其实已经满足再用归一性求 k∫_{0}^{2} ∫_{0}^{1} k x^2 y dy dx k * 8/3 * 1/2 4k/3 1得 k 3/4这种题考察的是两个知识点独立性的形式判断和归一性求参数。只要抗住“先求参数还是先用独立性”的纠结按顺序来就不难。3.3 第三类二维正态分布与相关系数二维正态分布是联合密度中最特殊也最爱考的一个。它的联合密度长这样f(x, y) 1/(2π σ_X σ_Y √(1-ρ²)) * exp{ -1/(2(1-ρ²)) * [ (x-μ_X)²/σ_X² - 2ρ(x-μ_X)(y-μ_Y)/(σ_X σ_Y) (y-μ_Y)²/σ_Y² ] }这个式子看起来很吓人但考试几乎不会让你背它。你只需要记住三个结论第一二维正态分布的边缘分布是一维正态分布。具体来说X ~ N(μ_X, σ_X²)Y ~ N(μ_Y, σ_Y²)边缘密度就是普通的一维正态密度和参数 ρ 无关。第二对于二维正态分布X 和 Y 相互独立的充要条件是 ρ 0。注意这里“独立”和“不相关”完全等价因为二维正态的特殊性。但是在一般分布中独立一定不相关不相关不一定独立这个区别是选择题的高频考点。第三给定 X x 时Y 的条件分布也是正态分布均值是 μ_Y ρ σ_Y/σ_X (x - μ_X)方差是 σ_Y² (1 - ρ²)。这个结论偶尔会考但记住公式即可不需要现场推。期末复习二维正态时不要把精力花在背密度函数上而要把重点放在“独立 ⇔ ρ 0”和“不相关与独立的关系”这两个考点上性价比高得多。3.4 题型总结与步骤模版我帮你把这些题型统一成一套步骤考试时照着走第一步先画出联合密度的非零支撑区域。拿到任何联合密度题第一件事永远是画图不是列积分。图画对了积分上下限基本就定下来了。第二步搞清要求的是什么。是边缘密度条件密度还是某事件的概率这一步决定你是先积分还是先代入。第三步注意分段。边缘密度和条件密度往往需要分段表示因为联合密度在不同区域的取值不同积分结果也不同。第四步验证结果合理性。求出来的边缘密度是否满足非负、积分为 1条件密度是否积分为 1如果验证不通过赶紧回头查积分上下限或代数错误。这套流程适用于绝大部分联合密度计算题。你可以在复习时拿真题试几道每一步都按这个顺序来正确率会明显提升。4. 联合密度在期望、协方差、相关系数中的应用4.1 E[g(X,Y)]的二重积分公式随机变量函数的期望是期末大题的爱考方向。若 g(X, Y) 是某个函数则E[g(X, Y)] ∬ g(x, y) f(x, y) dxdy这是对联合密度做加权平均。当 g(X, Y) X 时就得到 E(X)当 g(X, Y) Y 时得到 E(Y)。你可能会问边缘密度也能算 E(X)为什么还要用联合密度两种方式结果一样但有时候题目只给了联合密度你就得用二重积分。而且用联合密度算 E(X) 时可以先积 y 再积 x实际上等价于先求边缘密度再求一维期望殊途同归。比如 f(x, y) 8xy0 x y 1求 E(X)。直接用二重积分E(X) ∫_{0}^{1} ∫_{0}^{y} x * 8xy dx dy ∫_{0}^{1} 8y ∫_{0}^{y} x² dx dy ∫_{0}^{1} 8y * y³/3 dy 8/3 * ∫_{0}^{1} y⁴ dy 8/15这个结果比先求 f_X(x) 再算积分要快特别是当某个方向积分简单时。考试时先观察积分顺序如果支撑区域是 0 x y 1先积 x 通常比较容易因为上下限是 0 和 y反过来先积 y 也可以只不过上下限是 y 和 1。选择积分顺序的原则就是谁简单先积谁。4.2 协方差与相关系数的计算技巧协方差的定义是Cov(X, Y) E[(X - E(X))(Y - E(Y))]但实际计算基本不用定义式而是用展开式Cov(X, Y) E(XY) - E(X)E(Y)其中 E(XY) ∬ xy f(x, y) dxdy。所以计算协方差的关键变成了算三个期望E(X)、E(Y)、E(XY)。相关系数公式ρ_{XY} Cov(X, Y) / (√(D(X)) * √(D(Y)))所以还需要方差 D(X)、D(Y)。好在有了联合密度之后D(X) 可以通过 E(X²) - (E(X))² 来算E(X²) 又是 E[g(X,Y)] 的特例取 g x² 即可。这里有三个小技巧可以节省时间第一如果题目要求协方差不要老老实实算完 E(X) 再算 E(Y) 再算 E(XY)先观察 f(x, y) 是否关于某个变量对称。如果 f(x, y) 关于 x 和 y 对称那么 E(X) E(Y)可以少算一个积分。第二算 E(XY) 时如果积分区域是矩形且被积函数能分离变量那么 ∬ xy f(x) f(y) dxdy ∫ x f(x) dx * ∫ y f(y) dy E(X)E(Y)协方差为 0。这就是独立时协方差为 0 的体现。但注意如果区域不是矩形即使被积函数形式能分离也不能拆。第三有些题目会在联合密度里隐含对称性。比如 f(x, y) 在区域上关于 y x 对称那么 E(X) E(Y)D(X) D(Y)。利用对称性能显著减少计算量。4.3 独立与不相关的区别易错独立和不相关是概率论里的经典易混点。首先明确定义独立F(x, y) F_X(x) F_Y(y)或 f(x, y) f_X(x) f_Y(y)是比不相关更强的条件。不相关Cov(X, Y) 0 或 ρ 0只说明 X 和 Y 之间没有线性关系。独立一定不相关但不相关不一定独立。这个逻辑关系几乎每年选择题都会出现。为了帮助记忆我常用一个生活化的类比不相关就像你和朋友各自点菜你点什么和他点什么没有线性关系独立则像你们压根不在同一个餐厅吃饭完全互不影响。前者排除了一种特定的依赖模式线性依赖后者排除了一切依赖模式包括非线性依赖。教材上最常见的反例是X 服从标准正态分布 N(0,1)令 Y X²。因为 E(X) 0E(XY) E(X³) 0所以 Cov(X, Y) 0X 和 Y 不相关。但 Y 显然是 X 的函数两者完全不独立。这个反例很经典选择题特别喜欢拿它出判断题。还有一个易错点对于二维正态分布不相关和独立是等价的。很多同学把这个结论记成“正态分布一定独立”这不对必须强调是“二维正态分布”中且相关系数 ρ 0 时独立等价于不相关。如果是一般分布不相关绝不等于独立。5. 实战一道典型真题的完整拆解为了把前面的内容串起来我拿一道综合性比较强的题目完整走一遍。这道题结合了归一化、边缘密度、条件密度、期望和概率是期末考试常见的命题风格。题目设二维随机变量 (X, Y) 的联合概率密度为f(x, y) { k xy, 0 x 1, 0 y 2x; 0, 其他 }(1) 求常数 k(2) 求边缘密度 f_X(x)、f_Y(y)(3) 求条件密度 f_{Y|X}(y|x)(4) 求 P(X Y 1)(5) 求 E(XY)。先看支撑区域0 x 10 y 2x。这是由直线 y 2x、x 轴和 x 1 围成的三角形区域。画图后三角形顶点是 (0,0)、(1,0)、(1,2)。第一问利用归一性∫_{0}^{1} ∫_{0}^{2x} k xy dy dx 1先对 y 积分∫_{0}^{2x} kxy dy kx * (1/2)(2x)² 2kx³再对 x 积分∫_{0}^{1} 2kx³ dx k/2 1所以 k 2。第二问求边缘密度。f_X(x) 时y 从 0 到 2xf_X(x) ∫_{0}^{2x} 2xy dy 4x³其中 0 x 1其他区域为 0。求 f_Y(y) 时要注意由于原区域等价于 0 y 2且 x 从 y/2 到 1画图可以看出当 y 在 0 到 2 之间时x 的下限是 y/2上限是 1f_Y(y) ∫_{y/2}^{1} 2xy dx 2y * ∫_{y/2}^{1} x dx 2y * (1/2)(1 - y²/4) y - y³/4其中 0 y 2。第三问条件密度f_{Y|X}(y|x) f(x,y) / f_X(x) 2xy / (4x³) y / (2x²)其中 0 y 2x且 0 x 1。验证一下条件密度是否归一化∫_{0}^{2x} y/(2x²) dy (1/(2x²)) * (1/2)(2x)² 1没问题。第四问P(X Y 1)。这个事件在原三角形区域中还要求 x y 1。在 0 x 1, 0 y 2x 的图形中画出直线 x y 1需要找出满足 x y 1 的那块小区域。可以补集法P(X Y 1) 1 - P(X Y ≤ 1)。在支撑区域内x y ≤ 1 的交集是0 x 1/3 时y 从 0 到 2x因为 2x 1 - x 等价于 3x 1即 x 1/3当 1/3 x 1 时直线 x y 1 在 y 2x 下方也就是 0 y 1 - x。更稳妥的办法是画出图形直接定积分区域。P(X Y ≤ 1) ∫_{0}^{1/3} ∫_{0}^{2x} 2xy dy dx ∫_{1/3}^{1} ∫_{0}^{1-x} 2xy dy dx第一个积分∫_{0}^{1/3} 2x * (1/2)(2x)² dx ∫_{0}^{1/3} 4x³ dx (1/3)^4 1/81。第二个积分∫_{1/3}^{1} 2x * (1/2)(1-x)² dx ∫_{1/3}^{1} x(1-x)² dx ∫_{1/3}^{1} (x - 2x² x³) dx计算得 [x²/2 - 2x³/3 x⁴/4]_{1/3}^{1} (1/2 - 2/3 1/4) - (1/18 - 2/81 1/324)前半1/2 - 2/3 1/4 6/12 - 8/12 3/12 1/12。后半通分到 32418/324 - 8/324 1/324 11/324。所以第二个积分是 1/12 - 11/324 27/324 - 11/324 16/324 4/81。因此 P(X Y ≤ 1) 1/81 4/81 5/81。那么 P(X Y 1) 1 - 5/81 76/81。第五问E(XY) ∬ xy f(x,y) dxdy ∫_{0}^{1} ∫_{0}^{2x} xy * 2xy dy dx ∫_{0}^{1} ∫_{0}^{2x} 2x² y² dy dx先对 y 积分2x² * (1/3)(2x)³ 2x² * 8x³/3 16x⁵/3。再对 x 积分(16/3) * ∫_{0}^{1} x⁵ dx (16/3) * 1/6 8/9。这道题完整覆盖了前四章的核心考点。如果你能独立把每一问都做对说明你对联合密度已经建立了比较完整的解题框架。做错的同学基本都是卡在第二步求 f_Y(y) 时 x 的上下限写错以及第四问补集事件区域划分不清。这两个难点本质上还是画图不熟练。6. 常见错误与避坑清单6.1 积分区域搞错或漏掉约束条件这是联合密度题目里最高频的错误没有之一。很多同学看到 f(x, y) 的表达式被分段给出只在心里默念“非零区域是 0x1, 0y2x”然后一写积分顺手写成 0 到 1、0 到 2结果把三角形区域算成了矩形。我建议你养成一个习惯拿到任何二维随机变量题第一件事就是在草稿纸上画出支撑区域并把边界方程写清楚。求边缘密度时把要被积掉的变量的范围标注出来求事件概率时把事件条件与支撑区域的交集用阴影画出来。这个习惯一开始觉得麻烦但练熟之后很多错误会在画图阶段就被消灭。还有一种隐蔽的错法题目给的密度表达式里区域条件不是简单的 x 和 y 范围而是形如 x² y x 或 0 x y 1。这类区域边界是曲线积分上下限要按曲线方程来写。建议多练几道曲线边界的题比如 y x²、y √x 围成的区域把积分上下限和画图的能力都练扎实。6.2 边缘密度忘记分段边缘密度计算结果经常是一个分段函数。比如 f_X(x) 在 x 的某个区间是 4x³其他区间是 0。很多同学只写了 4x³(x 在 (0,1))却忘了写出“其他情况为 0”。这在期末考试中会被扣分因为函数表达不完整。更麻烦的是有些边缘密度的表达式在不同区间不一样。比如之前那道题 f_Y(y)在 0 y 2 上是 y - y³/4不要漏掉 y 的范围。还有一类典型题联合密度在 0x1, 0yx 上是某个函数在 1x2, 0y2-x 上是另一个函数这时候边缘密度要在每个区间内分别积分结果分段可能有三四段。建议每次求完边缘密度都检查一下它的积分是否为 1这是最有效的兜底验证。6.3 条件密度定义域未归一化条件密度的分母是边缘密度而边缘密度有自己的支撑范围。这意味着“给定 X x”这个条件中x 必须落在 f_X(x) 0 的范围内。很多同学算出条件密度后直接写 f_{Y|X}(y|x) 某个式子却不标注 x 的范围和 y 的范围。实际上条件密度的定义域是x 在 f_X(x) 0 的范围内y 在联合密度支撑区域内与该 x 对应的范围内。另外算条件概率时比如 P(Y ≤ a | X x)要把 x 当作参数对 y 在条件密度非零范围内积分。这里的积分上限要小心不能超过该 x 对应的 y 上限。有些题目还会把条件概率和条件期望结合让你求 E(Y|Xx)这时用条件密度对 y 积分即可不要又绕回联合密度。6.4 独立不相关混淆不相关是协方差为 0独立是联合分布等于边缘乘积。这两个概念在一般分布里不等价。选择题经常给四种说法让你判断正误比如“若 X 与 Y 不相关则 X 与 Y 独立”是错的“若 X 与 Y 独立则 X 与 Y 不相关”是对的。还有一种常见错误是看到 ρ 0 就认为独立这只有在二维正态分布里才成立其他时候必须谨慎。我建议你把“独立 ⇒ 不相关不相关 ⇏ 独立”抄在公式卡上并记住反例 Y X²。考试遇到这种题时先在草稿纸上写出逻辑方向再判断。7. 考前冲刺建议7.1 题型优先公式为辅期末复习时间通常很紧我不建议你抱着教材从头到尾啃。联合概率密度这块考来考去就是那几类题型求参数、求边缘、求条件、求概率、求期望协方差、判断独立性。你先按题型归类把每种题型的标准解法写成一页纸再对照历年真题反复刷。目标是看到题目就能反应出属于哪一类、第一步做什么这种条件反射比死记硬背公式有用得多。7.2 画图定位区域是性价比最高的技能我在前面反复强调画图这里再啰嗦一句画图不仅是为了求积分区域更是为了检查结果是否合理。比如你求出的边缘密度在某个区间上突然为负画图能帮你快速定位是积分区域取错了还是代数算错了。考试时即使时间紧也至少要把区域的草图勾勒出来标出边界直线、曲线的交点坐标。这个动作花费不到一分钟却能把你从“积分上下限写错”的坑里拉出来。7.3 刷题建议与时间安排如果你现在离考试还有一周左右建议按三天一个周期来做。前两天做专项第一天集中做求边缘密度、条件密度和独立性的题目第二天做期望、协方差、相关系数以及二维正态分布的题目。第三天做整套真题限定两小时内完成然后把联合密度相关的错误全部摘出来分析是计算错误还是方法错误。最后再分享一个我在实际教学中经常跟学生说的小技巧每次计算完二重积分都顺手检验一下结果是不是正的以及所求概率是否在 0 到 1 之间。这个看似愚蠢的检查其实能帮你拦住相当一部分低级错误。概率题不像其他数学题结果具有天然的合理性约束。概率大于 1 或小于 0几乎可以肯定中间某一步出了问题回头检查积分上下限和代数式是最快的。联合概率密度是整个概率论复习的关键枢纽只要把定义、积分、边缘、条件、独立、期望协方差这六块打通期末考场上遇到二维随机变量的题目就会变成送分题。希望这套方法和避坑经验能帮你少走弯路考出一个对得起自己努力的成绩。
