概率论期末 · 多维变量与数字特征

这张图讲什么

「概率论期末 · 多维变量与数字特征」是 SeekFlaw 编辑团队整理的思维导图,分 6 个一级分支:二维离散型随机变量;二维连续型随机变量;两个随机变量的函数;数学期望;方差、协方差与相关系数;大数定律与中心极限定理,共 49 个节点、48 张记忆卡。

本图覆盖浙大《概率论与数理统计》第三至五章:二维随机变量的联合、边缘、条件分布与独立性,两个随机变量函数的分布(和、最大最小),数学期望、方差、协方差、相关系数,大数定律与中心极限定理。建议顺序:先会读联合分布律与密度,再练边缘与独立,然后背期望方差公式,最后看极限定理。配套图:概率论期末 · 随机事件与随机变量、概率统计期末 · 估计与假设检验。

5 个要点

  • 二维离散型随机变量:联合分布律是一张表,边缘是行和列的和,独立性要逐格检验。
  • 二维连续型随机变量:联合密度的二重积分给出概率,对一个变量积分得边缘密度。
  • 两个随机变量的函数:和用卷积公式或可加性,最大最小用分布函数的乘积。
  • 数学期望:期望是加权平均。
  • 方差、协方差与相关系数

适用:大学期末复习。用法:点开任一节点先自己答,再翻面核对。

更新于

一句话:这张图把「概率论期末 · 多维变量与数字特征」整理成 49 个节点、48 张记忆卡;点开节点翻面就能看答案。

覆盖二维离散与连续随机变量、边缘与条件分布、独立性、函数的分布、期望方差协方差相关系数,以及大数定律与中心极限定理,适合期末冲刺。点开任一节点翻面看答案,登录后可存进自己的空间,按遗忘曲线复习。

SeekFlaw 求瑕是面向初中、高中、考研、考公考前速记的思维导图与记忆卡平台:把课件、讲义变成思维导图,节点翻面就是记忆卡,按遗忘曲线安排复习。

49 个节点 · 48 张记忆卡。作者:SeekFlaw 编辑团队;发布于 2026-11-17。

先看这 3 条

  1. 二维离散型随机变量的联合分布律:联合分布律 $P(X=x_i,Y=y_j)=p_{ij}$,$p_{ij}\ge0$,$\sum_{i,j}p_{ij}=1$; 联合分布函数 $F(x,y)=P(X\le x,…
  2. $Z=X+Y$ 的密度(卷积公式):${X,Y}$ 独立时 $f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,dx$。
  3. 切比雪夫不等式:设 $E(X)=\mu$,$D(X)=\sigma^2$ 存在,则对任意 $\varepsilon\gt 0$:$P(|X-\mu|\ge\varepsilon)\le\dfra…

二维离散型随机变量

  • 二维离散型随机变量的联合分布律:联合分布律 $P(X=x_i,Y=y_j)=p_{ij}$,$p_{ij}\ge0$,$\sum_{i,j}p_{ij}=1$; 联合分布函数 $F(x,y)=P(X\le x,Y\le y)$。离散型联合分布律常用 表格列出 。 例 $…
  • 用 $F(x,y)$ 求矩形区域的概率:$P(a\lt X\le b,\,c\lt Y\le d)=F(b,d)-F(a,d)-F(b,c)+F(a,c)$。矩形区域的概率由 四个角点的分布函数值 做加减(容斥)得到,不要 漏掉后两项 。 例 $F(x,y)=(1-e^{-x}…
  • 联合分布函数与边缘分布函数:$F(x,y)=P(X\le x,Y\le y)$ 对每个变量 单调不减、右连续 ,且 $F(-\infty,y)=0$,$F(+\infty,+\infty)=1$; 边缘分布函数 $F_X(x)=F(x,+\infty)$,$F_Y(…
  • 边缘分布律:$P(X=x_i)=\sum_jp_{ij}$,$P(Y=y_j)=\sum_ip_{ij}$: 对联合分布律按行或列求和 。它只描述单个变量自己的分布,不再显示另一个变量的取值,也 不等于两个变量独立 。 例 联合分布律 $P(0,0)…
  • 条件分布律:$P(X=x_i\mid Y=y_j)=\dfrac{p_{ij}}{P(Y=y_j)}$,要求 $P(Y=y_j)\gt 0$。条件分布 仍是一个概率分布 ,对 $i$ 求和等于 1。 例 联合分布律 $P(0,0)=0.1,P(0,1…
  • 离散型随机变量的独立性判定:${X,Y}$ 独立 $\Leftrightarrow$ 对所有 ${i,j}$ 都有 $p_{ij}=P(X=x_i)P(Y=y_j)$。 易错 :要 所有格子都成立 ;只要 有一格不成立就不独立 。 例 联合分布律 $P(0,0)=0…
  • 乘法公式求联合分布律:先出 $X$, 再由条件分布 得 $Y$:$P(X=i,Y=j)=P(X=i)P(Y=j\mid X=i)$。 例 从 1,2,3 中任取一数 $X$,再从 $1,\dots,X$ 中任取一数 $Y$:$P(1,1)=\frac13$,$…

二维连续型随机变量

  • 联合概率密度与概率计算:$f(x,y)\ge0$,$\iint f=1$;$P((X,Y)\in G)=\iint_Gf(x,y)\,dx\,dy$;在连续点 $f=\frac{\partial^2F}{\partial x\partial y}$。概率就是 密…
  • 边缘密度:$f_X(x)=\int_{-\infty}^{+\infty}f(x,y)\,dy$,$f_Y(y)=\int_{-\infty}^{+\infty}f(x,y)\,dx$。 对哪个变量积分就把它消掉 ,另一个变量作为参数留下,要 注意…
  • 连续型随机变量的独立性:${X,Y}$ 独立 $\Leftrightarrow$ $f(x,y)=f_X(x)f_Y(y)$( 几乎处处 )。离散与连续的独立性判据形式相同: 联合等于边缘之积 。 例 $f(x,y)=x+y$:$f_Xf_Y=(x+\frac1…
  • 非矩形区域上的边缘密度:积分限依赖另一个变量:$f(x,y)=2\ (0\lt x\lt y\lt 1)$:$f_X(x)=\int_x^12\,dy=2(1-x)\ (0\lt x\lt 1)$,$f_Y(y)=\int_0^y2\,dx=2y\ (0\lt …
  • 条件概率密度与均匀分布:$f_{X\mid Y}(x\mid y)=\dfrac{f(x,y)}{f_Y(y)}$($f_Y(y)\gt 0$)。 例 $f(x,y)=2\ (0\lt x\lt y\lt 1)$,其边缘密度 $f_Y(y)=2y$:$f_{X\…
  • 二重积分求概率(指数型):${X,Y}$ 独立同分布 ,$f(x,y)=e^{-(x+y)}\ (x,y\gt 0)$,即都是 $\theta=1$ 的指数分布。积分时先对内层变量积分再对外层积分,并 注意区域上下限 。 例 $P(X\lt Y)=\int_0^{…

两个随机变量的函数

  • $Z=X+Y$ 的密度(卷积公式):${X,Y}$ 独立时 $f_Z(z)=\int_{-\infty}^{+\infty}f_X(x)f_Y(z-x)\,dx$。 例 ${X,Y}$ 独立同服从 $U(0,1)$:要求 $0\lt x\lt 1$ 且 $0\lt z-x\…
  • 离散型 $Z=X+Y$ 的分布律:对 $Z$ 的每个取值 $z$,把 所有满足 $x_i+y_j=z$ 的 联合概率 $p_{ij}$ 相加。 例 联合分布律 $P(0,0)=0.1,P(0,1)=0.3,P(1,0)=0.2,P(1,1)=0.4$:$P(Z=0)=0.…
  • 最大值与最小值的分布:${X,Y}$ 独立:$F_{\max}(z)=F_X(z)F_Y(z)$;$F_{\min}(z)=1-[1-F_X(z)][1-F_Y(z)]$。$Z=\max\{X,Y\}$($\min\{X,Y\}$)取 ${X,Y}$ 中 较大…
  • 指数分布的最小值:$X\sim E(\theta_1)$,$Y\sim E(\theta_2)$ 独立:$P(\min\gt z)=e^{-z/\theta_1}e^{-z/\theta_2}$,所以 $\min\{X,Y\}$ 仍是指数分布 ,均值 $\…
  • 二项与泊松分布的可加性:$X\sim B(n_1,p)$,$Y\sim B(n_2,p)$ 相互独立,则 $X+Y\sim B(n_1+n_2,p)$;$X\sim P(\lambda_1)$,$Y\sim P(\lambda_2)$ 相互独立,则 $X+Y\s…
  • 正态变量的线性组合:$X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$ 相互独立,则 $aX+bY\sim N(a\mu_1+b\mu_2,\ a^2\sigma_1^2+b^2\sigma_2^2…

数学期望

  • 数学期望的定义:离散型 $E(X)=\sum x_kp_k$(要求 $\sum|x_k|p_k$ 收敛);连续型 $E(X)=\int_{-\infty}^{+\infty}xf(x)\,dx$(要求 $\int|x|f$ 收敛)。若级数或积分 不绝对收…
  • 随机变量函数的期望:$E[g(X)]=\sum g(x_k)p_k$(离散)或 $\int g(x)f(x)\,dx$(连续);二维:$E[g(X,Y)]=\iint g(x,y)f(x,y)\,dx\,dy$。不必先求 $g(X)$ 的分布, 直接对原分布…
  • 期望的性质与指示变量法:$E(c)=c$;$E(aX+b)=aE(X)+b$;$E(X+Y)=E(X)+E(Y)$(不要求独立);${X,Y}$ 独立时 $E(XY)=E(X)E(Y)$。 前三条不要求独立 , 最后一条需要独立 (或不相关)。 例 $X=\su…
  • 配对问题:指示变量法求期望:把计数变量写成 示性变量之和 ,再用 $E(X+Y)=E(X)+E(Y)$, 不需要独立 。 例 4 个人各随机取走一顶帽子(每人取到自己帽子的概率 $\frac14$),$X$ 为取对的人数:$X=\sum_{i=1}^4I_i$,$E…
  • 常见分布的期望与方差:0-1:$p,\ p(1-p)$;$B(n,p)$:$np,\ np(1-p)$;$P(\lambda)$:$\lambda,\ \lambda$;几何分布 $G(p)$($P(X=k)=(1-p)^{k-1}p,\ k=1,2,\dot…
  • 二维随机变量的期望:二维随机变量的期望 按联合密度做二重积分 :$E(X)=\iint xf(x,y)\,dx\,dy$,也可以先求边缘密度再对 $x$ 积分,两种做法结果相同。期望存在要求 二重积分绝对收敛 。 例 $f(x,y)=x+y\ (0\lt x…
  • 原点矩与中心矩:$k$ 阶原点矩 $E(X^k)$,$k$ 阶中心矩 $E[(X-E(X))^k]$; 一阶原点矩就是期望 , 二阶中心矩就是方差 。 例 $X$ 取 0,1,2,概率 0.2,0.3,0.5:二阶原点矩 $E(X^2)=2.3$,二阶中…

方差、协方差与相关系数

  • 方差的定义与计算公式:$D(X)=E\{[X-E(X)]^2\}=E(X^2)-[E(X)]^2$,标准差 $\sqrt{D(X)}$。 先分别求出 $E(X)$ 和 $E(X^2)$,再相减, 比按定义直接算更省事 。 例 $X$ 取 0,1,2 的概率为 …
  • 方差的性质:$D(c)=0$;$D(aX+b)=a^2D(X)$;${X,Y}$ 独立时 $D(X\pm Y)=D(X)+D(Y)$;一般 $D(X\pm Y)=D(X)+D(Y)\pm2\mathrm{Cov}(X,Y)$。 例 ${X,Y}$ 独…
  • 连续型随机变量的方差计算:$D(X)=E(X^2)-[E(X)]^2$, 分别积分求两项 。连续型的 $E(X)$ 与 $E(X^2)$ 都用积分计算,别忘了 积分区间 。 例 $f(x)=\frac x2\ (0\lt x\lt 2)$:$E(X)=\int_0…
  • 标准化随机变量:$X^*=\dfrac{X-E(X)}{\sqrt{D(X)}}$ 满足 $E(X^*)=0$,$D(X^*)=1$。把任意随机变量变成均值 0、方差 1 的标准形式, 方差需存在且不为零 。 例 $E(X)=3$,$D(X)=4$:$X…
  • 协方差:协方差 $\mathrm{Cov}(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-E(X)E(Y)$;$\mathrm{Cov}(X,X)=D(X)$,$\mathrm{Cov}(aX+b,cY+d)=ac\,\mathrm{Co…
  • 协方差的双线性与和的方差:协方差 对每个变量都是线性的 ,所以 和的方差可以展开 :$\mathrm{Cov}(X+Y,Z)=\mathrm{Cov}(X,Z)+\mathrm{Cov}(Y,Z)$,$\mathrm{Cov}(aX,Y)=a\,\mathrm{C…
  • 相关系数:$\rho_{XY}=\dfrac{\mathrm{Cov}(X,Y)}{\sqrt{D(X)}\sqrt{D(Y)}}$,$|\rho|\le1$;$|\rho|=1$ 当且仅当存在 $a\ne0$、$b$ 使 $Y=aX+b$ 几乎处…
  • 独立与不相关:${X,Y}$ 独立(且方差存在)$\Rightarrow$ 不相关; 反过来不成立 。 例 $X\sim U(-1,1)$,$Y=X^2$:$E(X)=0$,$E(XY)=E(X^3)=0$,所以 $\mathrm{Cov}=0$(不相…
  • 二维正态分布的性质:$(X,Y)\sim N(\mu_1,\mu_2;\sigma_1^2,\sigma_2^2;\rho)$ 时,边缘 $X\sim N(\mu_1,\sigma_1^2)$,$Y\sim N(\mu_2,\sigma_2^2)$, 相关系…

大数定律与中心极限定理

  • 切比雪夫不等式:设 $E(X)=\mu$,$D(X)=\sigma^2$ 存在,则对任意 $\varepsilon\gt 0$:$P(|X-\mu|\ge\varepsilon)\le\dfrac{\sigma^2}{\varepsilon^2}$,等价…
  • 大数定律(依概率收敛):辛钦大数定律:$X_1,X_2,\dots$ 独立同分布 且 $E(X_i)=\mu$ 存在,则 $\frac1n\sum X_i\xrightarrow{P}\mu$; 伯努利大数定律 :$n$ 次独立重复试验中事件 $A$ 发生 $n…
  • 切比雪夫大数定律:$X_1,X_2,\dots$ 两两不相关 (或相互独立),且方差存在并有公共上界 $D(X_i)\le C$,则 $\frac1n\sum X_i-\frac1n\sum E(X_i)\xrightarrow{P}0$。 条件 : 不要…
  • 独立同分布的中心极限定理:$X_1,X_2,\dots$ 独立同分布,$E(X_i)=\mu$,$D(X_i)=\sigma^2\gt 0$,则 $\dfrac{\sum_{i=1}^nX_i-n\mu}{\sqrt n\,\sigma}$ 的分布函数在 $n\t…
  • 棣莫弗—拉普拉斯定理:$X\sim B(n,p)$,$n$ 较大时 $\dfrac{X-np}{\sqrt{np(1-p)}}$ 近似服从 $N(0,1)$。 例 抛一枚均匀硬币 100 次,正面数 $X\sim B(100,0.5)$,$np=50$,$\s…
  • 用中心极限定理求概率:先写 $n\mu$、$\sqrt n\sigma$,再 标准化查表 。 例 100 个独立同分布的变量,$E(X_i)=2$,$D(X_i)=4$:$\sum X_i$ 近似 $N(200,400)$,$P(\sum X_i\gt 220…
  • 大数定律与中心极限定理的区别:大数定律说平均值 $\bar X_n$ 依概率趋于常数 $\mu$;中心极限定理给出 标准化和的极限分布 是标准正态分布。 例 抛硬币:正面频率趋于 $\frac12$ 是大数定律;正面数偏离 $\frac n2$ 的典型大小为 $\sq…

本图由 SeekFlaw 编辑团队整理。发现错误,欢迎到学习论坛指出。

打开这张导图:点节点翻面看答案 →