自学导读 · 排队课概率约定：不能混用两种分布函数
① 遗忘知识补足
此课若写 F_<(x)=P(X 设 P(X=0)=1/4、P(X=1)=3/4。则 F_<(1)=1/4、F_≤(1)=1；P(0≤X<1)=F_<(1)−F_<(0)=1/4。 破题切入点：为什么同一个随机变量在两种约定下的分布函数可能取值不同，但概率测度相同？（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！） 为什么同一个随机变量在两种约定下的分布函数可能取值不同，但概率测度相同？ 补充训练不替代教师本学期课件与考核通知。② 推导或例题
💡 破题关键与第一步提示（遮答案自测用 · ③ 考前自测（展开））
📝 完整规范推导与评分踩分点（③ 考前自测（展开））
概率函数约定：同一道题怎么避免写错端点
设 \(P(X=0)=1/4,\;P(X=1)=3/4\)。本课程若记 \(F_<(x)=P(X 破题切入点：答案 \(3/4\)。用 \(F_{\le}(1)-F_{\le}(0)=1-1/4=3/4\)；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！） 答案 \(3/4\)。用 \(F_{\le}(1)-F_{\le}(0)=1-1/4=3/4\)；不要不检查端点就套另一门课程的公式。💡 破题关键与第一步提示（遮答案自测用 · 自测：\(P(0
📝 完整规范推导与评分踩分点（自测：\(P(0
先看：本模块易错点与补充
考试易混- 几何分布有从 0 计数失败次数和从 1 计数试验次数两种常见定义，均值分别不同。
- 指数与爱尔朗的参数通常以率（rate）而非尺度（scale）书写；计算前核对 λ 的含义。
- 数学基础：Markdown 先修整理。
课件/第1讲.pptx
第 1 讲 · 概率论基础
0 · 本讲导读
这一讲在课程里的位置：《随机过程与排队论》分两半——前半学期讲随机过程（概率论的高级形态），后半学期讲排队论（随机过程最重要的应用之一）。而随机过程的地基就是概率论。所以第 1 讲不讲新东西，专门把整门课要反复用到的概率论工具一次性备齐。老师原话（课件第 2 页）：“概率的数学理论是本课程的主要基础，不清楚的同学请找一本这方面的书自学。”——这份笔记就是帮你补齐它的。
基础薄弱怎么用这份笔记：每一节都按“大白话直觉 → 严格定义（逐符号解释）→ 例题（先自己捂住答案做）→ 易错点”的顺序写。看不懂定义时先读“大白话”框；例题务必动手。第 11 节是一页纸速查表，期末开卷考试可以直接誊抄。
- 全概率公式与贝叶斯公式——大题最高频（文具盒型"两阶段问题"最典型）。要练到看到"第二阶段依赖第一阶段"就条件反射地写完备事件组；
- 12 种常见分布——填空/默写高频。★泊松、★指数、★爱尔朗 三个是排队论的命根子：密度、分布函数、期望方差必须能默写；
- 条件概率与独立性——小题高频（"至少一个男孩"型、判断独立型）；
- 分布函数 F(x)——注意本课程 \(P\{X<x\}\) 左连续约定。读 \(F\) 的图求区间概率是送分题，也是跳跃点取值的失分重灾区。
1 · 从掷骰子说起：概率的骨架
缺基础？求导、积分、级数、矩阵乘法、复数的手生处，直接翻上级目录的 《数学基础工具箱》（每条约三分钟，配例题与易错点；考前还有"十分钟急救包"）。
1.1 随机试验（E）
- 在相同条件下可以重复进行（今天掷、明天掷，还是那颗骰子）；
- 每次试验的结果不止一个，并且能事先明确知道所有可能结果（只能是 1~6，不会出现 7）；
- 一次试验结束之前，不能确定哪个结果出现。
1.2 样本点、样本空间、随机事件
- 样本点 \(\omega\)：随机试验的每一个最简单的试验结果（不可再拆的原子结果）。
- 样本空间 \(\Omega\)：全体样本点构成的集合。掷骰子：\(\Omega=\{1,2,3,4,5,6\}\)。
- 随机事件体（σ-代数） \(\mathcal F\)：\(\Omega\) 的一些子集组成的“合法事件清单”（下节细讲）。
- 随机事件 \(A\)：\(\mathcal F\) 中的任意元素，即“某些样本点的集合”。如 \(A=\{2,4,6\}\)＝“掷出偶数”。
- 基本事件：只含一个样本点的事件，如 \(\{1\}\)。
- 可测空间：二元组 \((\Omega,\mathcal F)\)。
骰子例子的完整骨架：\(\Omega=\{1,2,3,4,5,6\}\)，随机事件体 \(\mathcal F\) 由 \(\Omega\) 的全体子集构成，共 \(2^6=64\) 个（每个点“在/不在”两种选择，组合数问题：\(\sum_{k=0}^{6}\binom{6}{k}=2^6\)）。于是“掷出偶数”\(=\{2,4,6\}\)、“掷出小于 3”\(=\{1,2\}\) 都是 \(\mathcal F\) 的元素，都是事件。
1.3 常用记号速查
| 记号 | 含义 | 大白话 |
|---|---|---|
| \(\Omega\) | 样本空间；也充当必然事件 | “总有点数 1~6 之一”——必发生 |
| \(\Phi\)（\(\varnothing\)） | 不可能事件（空集） | “掷出 0 点” |
| \(\omega\) | 基本事件（单点集） | \(\{3\}\)：“恰好 3 点” |
| \(\bar A\)（\(A^c\)） | \(A\) 的对立事件（补集） | “不是偶数”＝奇数 |
| \(A\subset B\) | \(A\) 发生必导致 \(B\) 发生 | \(A\)=“掷出 2”，\(B\)=“掷出偶数” |
| \(A=B\) | 两事件相等（同集合） | — |
| \(A\cup B\) | \(A\)、\(B\) 至少一个发生（并） | “偶数或 3 点” |
| \(AB\)（\(A\cap B\)） | \(A\)、\(B\) 同时发生（交） | “偶数且大于 2”＝\(\{4,6\}\) |
| \(A-B\) | \(A\) 发生而 \(B\) 不发生 | “偶数但不是 2”＝\(\{4,6\}\) |
| \(AB=\Phi\) | \(A\)、\(B\) 互不相容（互斥） | “偶数”与“奇数”不能同时发生 |
本课程讲义惯用 \(AB\) 表示交、\(\Phi\) 表示空集，与教材一致；读别的资料见到 \(A\cap B\)、\(\varnothing\) 是同一件事。
| 概念 | 是什么 | 骰子例子 |
|---|---|---|
| 随机试验 E | 可重复、结果已知、单次不确定 | 掷一次骰子 |
| 样本点 ω | 最简单的不可拆结果 | "掷出 3 点" |
| 样本空间 Ω | 全体样本点的集合 | {1,…,6} |
| 事件体 F | Ω 的一批子集（"合法事件清单"） | 全体 64 个子集 |
| 随机事件 A | F 里的任意一个子集 | "掷出偶数"={2,4,6} |
| 概率 P | 给每个事件配一个 0~1 的数 | P(偶数)=1/2 |
2 · σ-代数与概率空间
2.1 为什么需要 σ-代数（先给直觉再看定义）
- \(\Omega\in\mathcal F\)；
- 若 \(A\in\mathcal F\)，则 \(\bar A\in\mathcal F\)（对取补封闭）；
- 若 \(A_i\in\mathcal F\ (i=1,2,\dots)\)，则 \(\bigcup_i A_i\in\mathcal F\)（对可列并封闭）。
由这三条能免费推出 \(\Phi=\bar\Omega\in\mathcal F\)、对交封闭（\(AB=\overline{\bar A\cup\bar B}\)）等——这就是“封闭”的意义：怎么组合都跑不出清单。
2.2 概率的三条公理与概率空间
- 非负性：\(0\le P(A)\le 1,\ \forall A\in\mathcal F\)；
- 规范性：\(P(\Omega)=1\)；
- 完全可加性：对两两互不相容的事件 \(A_iA_j=\Phi\ (i\ne j)\)，有 \[P\Big(\bigcup_{i=1}^{\infty}A_i\Big)=\sum_{i=1}^{\infty}P(A_i).\]
2.3 两个标准例子
可列样本空间：当 \(\Omega=\{0,1,2,\dots\}\) 可列无穷时（比如“一段时间内到达的顾客数”），做法是给每个单点 \(\{i\}\) 指定权重 \(p_i\ge0,\ \sum_i p_i=1\)，然后 \(P(A)=\sum_{i\in A}p_i\)。第 4 讲的泊松分布 \(p_i=e^{-\lambda t}\frac{(\lambda t)^i}{i!}\) 就是这样的权重。
- 非负性 \(0\le P(A)\le1\)：权重不能是负的，全体事件的"总权重"封顶为 1；
- 规范性 \(P(\Omega)=1\)："必然发生"的事权重是 1（全捆绑销售）；
- 完全可加性：互不相容的事件，概率直接相加——"东边下雨的概率 + 西边下雨的概率 = 至少一边下雨的概率"（两边不会同时下）。
3 · 事件的运算与概率的性质
| 性质 | 公式 | 备注 |
|---|---|---|
| 两端值 | \(P(\Phi)=0,\quad P(\Omega)=1\) | 由公理推出 |
| 有限可加性 | \(A_iA_j=\Phi\Rightarrow P\big(\cup_{i=1}^n A_i\big)=\sum_{i=1}^n P(A_i)\) | 完全可加性的特例 |
| 加法公式 | \(P(A\cup B)=P(A)+P(B)-P(AB)\) | 最常用！多了要减 |
| 多除少补（容斥） | \(P\big(\cup_{i=1}^n A_i\big)=\sum_i P(A_i)-\sum_{i<j}P(A_iA_j)+\sum_{i<j<k}P(A_iA_jA_k)-\cdots\) | 三项式交并互换 |
| 对立事件 | \(P(A)=1-P(\bar A)\) | 算“至少一个”神器 |
| 单调性 | \(A\subset B\Rightarrow P(B-A)=P(B)-P(A),\ P(A)\le P(B)\) | — |
| 连续性 | \(A_1\supset A_2\supset\cdots\) 且 \(\bigcap A_i=\Phi\Rightarrow P(A_n)\to0\)（递增情形类似） | 证明极限问题用 |
- "至少一个"型：正着算要容斥很麻烦，先取对立："至少一个发生"的对立是"全都不发生"。公式：\(P(A\cup B)=1-P(\bar A\bar B)\)、\(n\) 个事件至少一个 \(=1-P(\overline{A_1\cdots A_n})\)。看到"至少"两个字，先想对立事件；
- 加法公式直接算：\(P(A\cup B)=P(A)+P(B)-P(AB)\)。已知三个量求第四个，移项即可。陷阱：题目给的是"独立"（\(P(AB)=P(A)P(B)\)）还是"互斥"（\(P(AB)=0\)），代入前必须分清；
- 三事件容斥：\(P(A\cup B\cup C)=\sum P - \sum P(\text{两两交}) + P(ABC)\)，符号 +−+ 交替，"多除少补"。
4 · 条件概率与乘法公式
💡 破题关键与第一步提示（遮答案自测用 · 解答（先自己算，答案不是 1/2））
破题切入点：\(\Omega=\{(b,b),(b,g),(g,b),(g,g)\}\) 等可能。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（先自己算，答案不是 1/2））
\(\Omega=\{(b,b),(b,g),(g,b),(g,g)\}\) 等可能。设 \(A\)=“至少一个男孩”\(=\{(b,b),(b,g),(g,b)\}\)，\(B\)=“两个都是男孩”\(=\{(b,b)\}\)。
\[P(B\mid A)=\frac{P(AB)}{P(A)}=\frac{1/4}{3/4}=\frac13.\]
直觉陷阱：知道“至少一个男孩”并没有等概率地告诉你“哪一个”；三种性别组合仍等可能，只有一种全是男孩。
💡 破题关键与第一步提示（遮答案自测用 · 解答（乘法公式逐个算））
破题切入点：第 1 个人：\(P(A_1)=\dfrac1n\)，没悬念。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（乘法公式逐个算））
第 1 个人：\(P(A_1)=\dfrac1n\)，没悬念。第 2 个人中签 = "第 1 人没中且第 2 人中"，由乘法公式 \[P(A_2)=P(\bar A_1)P(A_2\mid\bar A_1)=\frac{n-1}{n}\cdot\frac{1}{n-1}=\frac1n.\]
第 k 个人同理：前 k−1 人都没中的概率是 \(\frac{n-1}n\cdot\frac{n-2}{n-1}\cdots\frac{n-k+1}{n-k+2}\)（连乘约分后 \(=\frac{n-k+1}{n}\)），再乘上此时中签率 \(\frac1{n-k+1}\)，得 \(\dfrac1n\)。
结论：抽签与先后顺序无关。这就是"乘法公式"最生活化的用法——把"依次发生"拆成一步步的条件概率相乘。
5 · 事件的独立性
n 个事件的独立（注意比想象中强）：若对任意 \(s\ (2\le s\le n)\) 和任意下标 \(1\le i_1<\dots<i_s\le n\) 都有 \[P(A_{i_1}A_{i_2}\cdots A_{i_s})=P(A_{i_1})P(A_{i_2})\cdots P(A_{i_s}),\] 才称 \(A_1,\dots,A_n\) 相互独立（共需验证 \(2^n-n-1\) 个等式）。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：\(P(AB)=P\{(4,2)\}=\frac1{36}\)，而 \(P(A)P(B)=\frac5{36}\times\frac16=\frac5{216}\ne\frac1{36}\)（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
\(P(AB)=P\{(4,2)\}=\frac1{36}\)，而 \(P(A)P(B)=\frac5{36}\times\frac16=\frac5{216}\ne\frac1{36}\)，故 \(A\) 与 \(B\) 不独立。
若 \(A'\)=“和为 7”：\(P(A'B)=P\{(4,3)\}=\frac1{36}\)，\(P(A')P(B)=\frac6{36}\times\frac16=\frac1{36}\)，相等，故 \(A'\) 与 \(B\) 独立——知道第一颗是 4，“和恰好为 7”的可能性仍是 1/6，与没告诉你一样。
证明（课件原证）：\(P(A\bar B)=P(A-AB)=P(A)-P(AB)=P(A)-P(A)P(B)=P(A)(1-P(B))=P(A)P(\bar B)\)。∎
- 若 \(A,B\) 互斥且都有正概率，则 \(A\) 发生时 \(B\) 必不发生——A 明显影响 B，所以一定不独立；
- 判断独立唯一可靠的办法：验证 \(P(AB)\overset{?}{=}P(A)P(B)\)，用定义算，别凭感觉。
💡 破题关键与第一步提示（遮答案自测用 · 验证）
破题切入点：每个结果等可能（各 1/4）。P(A)=P(B)=P(C)=1/2；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（验证）
每个结果等可能（各 1/4）。P(A)=P(B)=P(C)=1/2；两两交集都是"含两种颜色"的那一面，P(AB)=P(AC)=P(BC)=1/4 = 乘积 ✓ ——两两独立成立。
但 P(ABC)=P(含全部三色的面)=1/4 ≠ (1/2)³=1/8 ——相互独立不成立。
结论：n 个事件相互独立要求任意子族都拆乘（共 \(2^n-n-1\) 个等式），两两独立远远不够。考题爱拿"两两独立就敢说相互独立"设错。
6 · 全概率公式与贝叶斯公式
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：第二阶段的结果依赖第一阶段 → 按第一阶段结果分情况，用全概率。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
第二阶段的结果依赖第一阶段 → 按第一阶段结果分情况，用全概率。设 \(A_1\)=“甲盒取出 2 蓝”，\(A_2\)=“甲盒取出 2 黑”，\(A_3\)=“甲盒取出 1 蓝 1 黑”，\(B\)=“乙盒取出 2 黑”。
\(P(A_1)=\dfrac{\binom22}{\binom52}=\dfrac1{10},\quad P(A_2)=\dfrac{\binom32}{\binom52}=\dfrac3{10},\quad P(A_3)=\dfrac{\binom21\binom31}{\binom52}=\dfrac6{10}\)。
乙盒共 7 支时：\(P(B\mid A_1)=\dfrac{\binom32}{\binom72}=\dfrac3{21},\quad P(B\mid A_2)=\dfrac{\binom52}{\binom72}=\dfrac{10}{21},\quad P(B\mid A_3)=\dfrac{\binom42}{\binom72}=\dfrac6{21}\)。
\[P(B)=\frac1{10}\cdot\frac3{21}+\frac3{10}\cdot\frac{10}{21}+\frac6{10}\cdot\frac6{21}=\frac{3+30+36}{210}=\frac{69}{210}=\frac{23}{70}.\]
💡 破题关键与第一步提示（遮答案自测用 · 解答（递推法——这是马氏思想的萌芽））
破题切入点：当前局面：德·美尔还差 1 次“6 点”，赌友还差 2 次“4 点”，轮到德·美尔掷，两人轮流。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（递推法——这是马氏思想的萌芽））
当前局面：德·美尔还差 1 次“6 点”，赌友还差 2 次“4 点”，轮到德·美尔掷，两人轮流。设
\(x\)=此局面下德·美尔最终获胜的概率；\(y\)=“两人各差 1 次”局面下德·美尔获胜的概率。
德·美尔掷一次：以 \(\tfrac16\) 掷出 6 → 直接赢；以 \(\tfrac56\) 未掷出 → 轮到赌友：赌友以 \(\tfrac16\) 掷出 4（局面变为“各差 1 次”，胜率 \(y\)），以 \(\tfrac56\) 未掷出（局面复原，胜率仍 \(x\)）。于是： \[x=\frac16+\frac56\Big(\frac16 y+\frac56 x\Big).\]
同理对 \(y\)：\(y=\dfrac16+\dfrac56\Big(\dfrac16\cdot 0+\dfrac56 y\Big)\Rightarrow \dfrac{11}{36}y=\dfrac16\Rightarrow y=\dfrac6{11}\)。
代回：\(\dfrac{11}{36}x=\dfrac16+\dfrac56\cdot\dfrac16\cdot\dfrac6{11}=\dfrac16+\dfrac5{66}=\dfrac{16}{66}\Rightarrow x=\dfrac{96}{121}\approx0.793\)。
所以德·美尔应分 \(64\times\frac{96}{121}\approx 50.8\) 金币，赌友约 13.2 金币。按“当前局势的获胜概率”分，而不是按已赢局数 2:1 分。这种“设未知状态量、列方程”的技巧，到第 5 讲（马氏链）和排队论（一步转移方程）会反复出现。
💡 破题关键与第一步提示（遮答案自测用 · 解答（全概率））
破题切入点：设 \(A\)=“第一次抽到车”，\(B\)=“第一次抽到羊”，\(C\)=“换门后抽到车”。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（全概率））
设 \(A\)=“第一次抽到车”，\(B\)=“第一次抽到羊”，\(C\)=“换门后抽到车”。 \[P(C)=P(A)P(C\mid A)+P(B)P(C\mid B)=\frac13\times0+\frac23\times1=\frac23.\]
换门获胜概率 \(2/3\)，不换只有 \(1/3\)（\(P(D)=\frac13\times1+\frac23\times0=\frac13\)）——值得换。
1000 门版：你选 1 扇后主持人开掉 998 扇有羊的门，换门获胜概率 \(\dfrac{999}{1000}\)——你的初始选择撞中车的概率只有 1/1000，剩下那扇门凝聚了全部“别的可能性”。
- 设完备组：把第一阶段的互斥可能写成 \(B_1,\dots,B_n\)（检查：两两互斥、并起来是全集）；
- 算先验 \(P(B_i)\)：通常用古典概型/组合数；
- 算条件 \(P(A\mid B_i)\)：在每个 \(B_i\) 前提下算 A 的概率；
- 加权求和得 \(P(A)\)；若问"事后是哪个 \(B_j\)"，再用贝叶斯除回去。
💡 破题关键与第一步提示（遮答案自测用 · 解答（贝叶斯））
破题切入点：设 \(B\)=患病（\(P(B)=0. \cdots\)（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（贝叶斯））
设 \(B\)=患病（\(P(B)=0.001\)），\(A\)=检出阳性。\(P(A\mid B)=0.99\)，\(P(A\mid\bar B)=0.05\)。 \[P(B\mid A)=\frac{0.001\times0.99}{0.001\times0.99+0.999\times0.05}=\frac{0.00099}{0.00099+0.04995}\approx\frac{0.00099}{0.05094}\approx1.9\%.\]
阳性的人里只有约 2% 真有病！直觉：健康人基数太大（99.9%），哪怕只有 5% 误报，假阳性的人海也会淹没真患者。这就是贝叶斯"由果溯因"的威力——先验比例低的事件，即便证据很强，后验也可能很低。排队论里"队长很长时，原因是到达率高还是服务慢"也用同款思维。
7 · 随机变量与分布函数
概率论要能“算”，就得先把结果数字化。这就是随机变量。
分布函数的三条性质：
- \(0\le F(x)\le 1\)，且 \(F(-\infty)=0,\ F(+\infty)=1\)；
- 单调不减：\(x_1<x_2\Rightarrow F(x_1)\le F(x_2)\)；
- 左连续：\(F(x-0)=F(x)\)（本课程约定下）。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：\(\Omega\) 有 36 个等可能结果。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
\(\Omega\) 有 36 个等可能结果。令 \(x=4\)：\(\{\omega:X(\omega)<4\}=\{(1,1),(1,2),(2,1)\}\in\mathcal F\)（有限集必在其中）。 \[F(4)=P\{X<4\}=\frac3{36}=\frac1{12}.\]
小结（课件 p.29 的全景图）：\(\Omega\xrightarrow{\ X(\omega)\ }\mathbb R\xrightarrow{\ F\ }[0,1]\)——随机变量把样本空间搬到实数轴，分布函数再把实数轴的“左半截”配上概率。
💡 破题关键与第一步提示（遮答案自测用 · 解答（注意本课程 < 约定！））
破题切入点：\(F(x)=P\{X<x\}=\sum_{x_k<x}p_k\)，是左连续阶梯： \[F(x)=\begin{cases}0,&x\le-1,\\0.（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（注意本课程 < 约定！））
\(F(x)=P\{X<x\}=\sum_{x_k<x}p_k\)，是左连续阶梯： \[F(x)=\begin{cases}0,&x\le-1,\\0.2,&-1<x\le0,\\0.5,&0<x\le1,\\1,&x>1.\end{cases}\]
\(P\{X<0\}=F(0)=0.2\)（严格小于，不含 0 那个点）；\(P\{X\le0\}=F(0)+P\{X=0\}=0.2+0.3=0.5\)。
区间：\(P\{-1\le X<1\}=F(1)-F(-1)=0.5-0=0.5\)（= P{X=-1}+P{X=0} ✓）。
本课程通用区间公式：\(P\{a\le X<b\}=F(b)-F(a)\)（左闭右开，因为 F 按 < 定义）。若用 ≤ 右连续约定就变成 \(P\{a<X\le b\}=F(b)-F(a)\)——做题前先看是哪门课的约定！两门随机课的约定正好相反。
8 · 离散型随机变量
离散型的分布函数是单调不减的阶梯函数，在 \(x=x_k\) 处有第一类跳跃间断，跳跃高度恰为 \(p_k\)： \[F(x)=P\{X<x\}=\sum_{x_k<x}p_k.\] （可写成 \(F(x)=\sum_k p_k\,\mu(x-x_k)\)，\(\mu\) 为单位阶跃函数——课件 p.32 用它配合单位脉冲 \(\delta(x)\) 表示密度，了解即可。）
💡 破题关键与第一步提示（遮答案自测用 · 解答（注意课程的 \(P\{X<x\}\) 约定））
破题切入点：\[F(x)=P\{X<x\}=\begin{cases}0, & x\le0,\\[2pt] \dfrac3{10}, & 0<x\le1,\\[4pt] \d（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（注意课程的 \(P\{X<x\}\) 约定））
检查：每段右端点处，\(F\) 取“不含当前跳跃点”的低值。例如 \(x=1\)：\(P\{X<1\}=P\{X=0\}=3/10\)。阶梯图三段平台，高度 3/10 → 9/10 → 1。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：分布律必须归一化：\(\sum_{k=0}^{\infty}c(2/3)^k=c\cdot\dfrac{1}{1-2/3}=3c=1\)，得 \(c=\dfrac13\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
分布律必须归一化：\(\sum_{k=0}^{\infty}c(2/3)^k=c\cdot\dfrac{1}{1-2/3}=3c=1\)，得 \(c=\dfrac13\)。
\(P\{X\ge2\}=1-P\{X=0\}-P\{X=1\}=1-\dfrac13-\dfrac13\cdot\dfrac23=\dfrac49\)。
套路：离散分布含未知参数 → 写 \(\sum p_k=1\)（等比级数求和）；连续分布含参数 → 写 \(\int f=1\)。"归一化"是求参数的万能第一招。
9 · 连续型随机变量
密度的性质（也是判别“某函数能否当密度”的充要条件）：
- \(f(x)\ge0\)； 2) \(\displaystyle\int_{-\infty}^{+\infty}f(x)\,\mathrm dx=1\)。
常用推论：在 \(f\) 的连续点处 \(F'(x)=f(x)\)；\(P\{X=x\}=0\)（单点概率为零！）；因此 \[P\{a\le X\le b\}=P\{a<X\le b\}=P\{a<X<b\}=F(b)-F(a)=\int_a^b f(x)\,\mathrm dx,\] 且 \(P\{X\le x\}=P\{X<x\}=F(x)\)。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：（先验证 \(\int_0^{\sqrt2}x\,\mathrm dx=\frac{(\sqrt2)^2}{2}=1\) ✓） \[F(x)=\begin{cases}0, & x\（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
（先验证 \(\int_0^{\sqrt2}x\,\mathrm dx=\frac{(\sqrt2)^2}{2}=1\) ✓）
\[F(x)=\begin{cases}0, & x\le0,\\[2pt] \dfrac{x^2}{2}, & 0<x\le\sqrt2,\\[4pt] 1, & x>\sqrt2.\end{cases}\] \[P\{X>1\}=1-F(1)=1-\frac12=\frac12\quad\Big(\text{或直接积分 }\int_1^{\sqrt2}x\,\mathrm dx=\frac12\Big).\]- 归一化定参：\(f\) 含未知数 → \(\int_{-\infty}^{+\infty}f=1\)（分段函数分段积分）；
- f → F：\(F(x)=\int_{-\infty}^x f(t)\,\mathrm dt\)，对分段函数逐段积分：x 在哪段，就把这段及之前的密度全积上（常数段积出来是线性的！均匀分布的 F 是斜线不是平线）；
- F → f：\(f=F'\)（分段求导，跳跃点处密度可任取，通常写 0）。
10 · 常见分布全家福（12 种）
课件依次给了 12 个分布。标 ★ 的三个（泊松、指数、爱尔朗）课件上原话标注“很重要，记住！！！”——它们是排队论的“主角”，后面的课会天天见；期末一页纸上必须原样誊抄。
10.1 离散型三兄弟
| 分布 | 分布律 / 记号 | E(X) | D(X) | 含义与备注 |
|---|---|---|---|---|
| 0-1 分布（两点分布） | \(P\{X=1\}=p,\ P\{X=0\}=q,\ p+q=1\)；记 \(X\sim B(0,1)\) 或 0-1 分布 | \(p\) | \(pq\) | 一次试验只有两个结果（成功/失败）。“抽一件产品是否次品”。 |
| 二项分布 | \(P\{X=k\}=\binom nk p^kq^{n-k},\ k=0,\dots,n\)；记 \(X\sim B(n,p)\) | \(np\) | \(npq\) | \(n\) 次独立重复（贝努里）试验中成功次数。0-1 分布是 \(n=1\) 特例。 |
| 泊松分布 ★ | \(P\{X=k\}=\dfrac{\lambda^k}{k!}e^{-\lambda},\ k=0,1,2,\dots\)；记 \(X\sim P(\lambda)\) | \(\lambda\) | \(\lambda\) | 单位时间内电话呼叫数、到达顾客数、放射粒子数、误码数……排队论到达过程的灵魂（期望方差第 2 讲证）。 |
10.2 连续型主力
| 分布 | 密度 / 记号 | E(X) | D(X) | 分布函数与备注 |
|---|---|---|---|---|
| 均匀分布 | \(f(x)=\begin{cases}\dfrac1{b-a},&a<x<b\\0,&\text{其它}\end{cases}\) 记 \(X\sim U(a,b)\) | \(\dfrac{a+b}2\) | \(\dfrac{(b-a)^2}{12}\) | \(F(x)=\dfrac{x-a}{b-a}\)（在 \((a,b)\) 内）。长度成比例的概率。 |
| （负）指数分布 ★（寿命分布） | \(f(x)=\begin{cases}\lambda e^{-\lambda x},&x\ge0\\0,&x<0\end{cases}\)（\(\lambda>0\)） 记 \(X\sim E(\lambda)\) | \(\dfrac1\lambda\) | \(\dfrac1{\lambda^2}\) | \(F(x)=1-e^{-\lambda x}\ (x\ge0)\)。排队论服务时间的灵魂，具无记忆性：\(P\{X>s+t\mid X>s\}=P\{X>t\}=e^{-\lambda t}\)，第 4 讲会反复用（期望方差第 2 讲证）。 |
| 正态分布（高斯分布） | \(f(x)=\dfrac{1}{\sqrt{2\pi}\,\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\) 记 \(X\sim N(\mu,\sigma^2)\) | \(\mu\) | \(\sigma^2\) | \(\mu=0,\sigma^2=1\) 时为标准正态 \(N(0,1)\)，密度、分布函数专记为 \(\varphi(x),\Phi(x)\)。计算公式：\(P\{X<x\}=\Phi\big(\frac{x-\mu}{\sigma}\big)\)；特别 \(P\{|X-\mu|<3\sigma\}\approx0.997\)。 |
10.3 Γ 家族与统计三大分布
| 分布 | 密度 / 记号 | E(X) | D(X) | 备注 |
|---|---|---|---|---|
| Γ-分布 | \(f(x)=\begin{cases}\dfrac{\beta^{\alpha}}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x},&x>0\\0,&x\le0\end{cases}\) 记 \(X\sim\Gamma(\alpha,\beta)\)（\(\alpha,\beta>0\)） | \(\dfrac\alpha\beta\) | \(\dfrac\alpha{\beta^2}\) | \(\Gamma\)-函数：\(\Gamma(\alpha)=\int_0^\infty x^{\alpha-1}e^{-x}\mathrm dx\)，满足 \(\Gamma(\alpha+1)=\alpha\Gamma(\alpha),\ \Gamma(n+1)=n!,\ \Gamma(1)=1,\ \Gamma(\tfrac12)=\sqrt\pi\)。注意本课程 β 是“率”型参数（见 E 列）；有的书用尺度参数写法，换算别搞混。 |
| 对数正态分布 | \(f(x)=\dfrac{1}{x\sigma\sqrt{2\pi}}e^{-\frac{(\ln x-\mu)^2}{2\sigma^2}}\ (x>0)\)；记 \(\ln X\sim N(\mu,\sigma^2)\) | \(e^{\mu+\sigma^2/2}\) | \((e^{\sigma^2}-1)e^{2\mu+\sigma^2}\) | 金融、可靠性中常见（E/D 为标准结果，课件未列出）。 |
| χ²-分布 | \(f(x)=\dfrac{1}{2^{n/2}\Gamma(n/2)}x^{n/2-1}e^{-x/2}\ (x>0)\)；记 \(X\sim\chi^2(n)\) | \(n\) | \(2n\) | 自由度 \(n\)。实为 \(\Gamma(\tfrac n2,\tfrac12)\)。 |
| t-分布 | \(f(x)=\dfrac{\Gamma(\frac{n+1}2)}{\sqrt{n\pi}\,\Gamma(\frac n2)}\Big(1+\frac{x^2}{n}\Big)^{-\frac{n+1}2}\)；记 \(X\sim t(n)\) | \(0\)（\(n>1\)） | \(\dfrac{2n}{n-2}\)（\(n>2\)） | 自由度 \(n\)；关于 0 对称，\(n\to\infty\) 时趋于标准正态。 |
| F-分布 | \(f(x)=\dfrac{(n_1/n_2)^{n_1/2}}{B(\frac{n_1}2,\frac{n_2}2)}x^{n_1/2-1}(1+\frac{n_1}{n_2}x)^{-\frac{n_1+n_2}2}\ (x>0)\)；记 \(X\sim F(n_1,n_2)\) | \(\dfrac{n_2}{n_2-2}\)（\(n_2>2\)） | — | 第一、第二自由度 \(n_1,n_2\)。统计检验用，本课程后文不深用。 |
| k 阶爱尔朗分布 ★ | \(f(x)=\begin{cases}\dfrac{\lambda(\lambda x)^{k-1}}{(k-1)!}e^{-\lambda x},&x>0\\0,&\text{其它}\end{cases}\)；记 \(X\sim E_k\)； 分布函数 \(F(x)=1-e^{-\lambda x}\sum\limits_{i=0}^{k-1}\dfrac{(\lambda x)^i}{i!}\) | \(\dfrac k\lambda\) | \(\dfrac k{\lambda^2}\) | 就是 \(\Gamma(k,\lambda)\)（k 为正整数）。k 个独立指数变量之和（第 2 讲用特征函数证明）——泊松过程中“第 k 次事件到达的等待时间”就是它（第 4 讲）。 |
| 题目特征 | 应该想到 | 排队论角色 |
|---|---|---|
| 一次试验只有成功/失败 | 0-1 分布 | 单个顾客服务成功与否 |
| n 次独立重复中"成功的次数" | 二项 \(B(n,p)\) | n 个独立任务恰好 k 个出错 |
| 单位时间/空间内随机事件的发生数 | 泊松 \(P(\lambda)\) ★ | 顾客到达数（灵魂） |
| 往区间里"随便扔一点"、完全等可能 | 均匀 \(U(a,b)\) | 随机相位 |
| 寿命/等待时长、有无记忆性 | 指数 \(E(\lambda)\) ★ | 间隔时间/服务时间（灵魂） |
| 测量误差、大量独立微小因素叠加 | 正态 \(N(\mu,\sigma^2)\) | 噪声模型 |
| 等够 k 个独立指数事件（第 k 次到达时刻） | 爱尔朗 \(E_k\) ★ | 第 k 个顾客的到达时刻 |
11 · 本讲公式速查（一页纸素材）
| 概率空间与公式 | |
|---|---|
| 乘法公式 | \(P(AB)=P(A)P(B\mid A)\)；\(P(A_1\cdots A_n)=P(A_1)P(A_2\mid A_1)\cdots P(A_n\mid A_1\cdots A_{n-1})\) |
| 全概率 | \(P(A)=\sum_i P(B_i)P(A\mid B_i)\)（\(\{B_i\}\) 完备事件组） |
| 贝叶斯 | \(P(B_j\mid A)=\dfrac{P(B_j)P(A\mid B_j)}{\sum_i P(B_i)P(A\mid B_i)}\) |
| 加法公式 | \(P(A\cup B)=P(A)+P(B)-P(AB)\)；\(P(A)=1-P(\bar A)\) |
| 独立（两事件） | \(P(AB)=P(A)P(B)\) |
| 分布 | 律 / 密度 | 期望 | 方差 |
|---|---|---|---|
| 0-1 | \(P\{X=1\}=p\) | \(p\) | \(pq\) |
| \(B(n,p)\) | \(\binom nkp^kq^{n-k}\) | \(np\) | \(npq\) |
| \(P(\lambda)\) ★ | \(\frac{\lambda^k}{k!}e^{-\lambda}\) | \(\lambda\) | \(\lambda\) |
| \(U(a,b)\) | \(\frac1{b-a}\) | \(\frac{a+b}2\) | \(\frac{(b-a)^2}{12}\) |
| Exp(\(\lambda\)) ★ | \(\lambda e^{-\lambda x}\)，\(F=1-e^{-\lambda x}\) | \(\frac1\lambda\) | \(\frac1{\lambda^2}\) |
| \(N(\mu,\sigma^2)\) | \(\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}\) | \(\mu\) | \(\sigma^2\) |
| \(\Gamma(\alpha,\beta)\)（率参数） | \(\frac{\beta^\alpha}{\Gamma(\alpha)}x^{\alpha-1}e^{-\beta x}\) | \(\frac\alpha\beta\) | \(\frac\alpha{\beta^2}\) |
| \(\chi^2(n)\) | — | \(n\) | \(2n\) |
| \(E_k\) ★（=\(\Gamma(k,\lambda)\)） | \(\frac{\lambda(\lambda x)^{k-1}}{(k-1)!}e^{-\lambda x}\) | \(\frac k\lambda\) | \(\frac k{\lambda^2}\) |
12 · 资料对照与下一步
课后任务
本讲未布置书面作业（习题一在第 2 讲末布置）。建议：把 ★ 三个分布的密度、分布函数、期望方差默写一遍；用第 11 节速查表启动你的“一页纸”。
文件夹资料对照
| 资料 | 用法 |
|---|---|
复习资料/一页纸总结(2014原版).pdf 第 1 块 | 概率分布表与本讲第 11 节对照，互补缺漏 |
复习资料/电子笔记/1随机过程的基本概念.pdf | 往届笔记第 1 章从本讲内容起步，可提前翻 |
../随机过程及应用/（若存在） | 两门课概率论部分通用，视频课可共用 |
下一讲预告
n 维随机变量、随机变量函数的分布、数字特征（期望/方差/矩/协方差/条件期望）、特征函数——其中特征函数是证明“指数和 = 爱尔朗”的关键工具，也是本课程推导的主力武器。
- σ-代数三条封闭条件是什么？为什么要求“可列并”而不只“有限并”？
- “至少一个男孩”条件下两个都是男孩的概率？（口答）
- 本课程 \(F(x)\) 用 \(P\{X<x\}\) 还是 \(P\{X\le x\}\)？离散型在跳跃点取哪侧的值？
- 指数分布的分布函数？无记忆性公式？\(E_k\) 与 \(\Gamma\)、与“k 个指数变量之和”的关系？
💡 破题关键与第一步提示（遮答案自测用 · 答案要点）
破题切入点：含 Ω、对补封闭、对可列并封闭；因为要处理极限/无穷次操作（如“永远不返回”这类事件的概率），有限并不够用。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（答案要点）
- 含 Ω、对补封闭、对可列并封闭；因为要处理极限/无穷次操作（如“永远不返回”这类事件的概率），有限并不够用。
- \(1/3\)。
- \(P\{X<x\}\)，左连续；跳跃点 \(x_k\) 处 \(F(x_k)\) 不含 \(p_k\)（取低台阶）。
- \(F(x)=1-e^{-\lambda x}\ (x\ge0)\)；\(P\{X>s+t\mid X>s\}=e^{-\lambda t}\)；\(E_k=\Gamma(k,\lambda)=\) k 个 iid Exp(λ) 之和。
课件/第2讲.pptx
第 2 讲 · 多维随机变量、数字特征与特征函数
0 · 本讲导读
上一讲研究“一个”随机变量；这一讲把它们组成团队：\((X,Y)\) 一起看（联合分布、边缘、条件、独立），并给随机变量配上“数字摘要”（期望、方差、协方差）和一个高级工具——特征函数。
为什么这门课在乎这些：随机过程 \(\{X(t),t\in T\}\) 就是“无穷多个随机变量的家族”，研究它全靠“任意取几个时刻看联合分布”（第 3 讲的有限维分布）；协方差函数 \(C(s,t)\) 就是本讲协方差概念按时刻展开；排队论里“总服务时间 = 各顾客时间之和”要靠卷积/特征函数。
1 · 二维随机变量（离散型）
联合分布函数的性质（课件 p.7）：\(0\le F\le1\)；\(F(+\infty,+\infty)=1\)，\(F(-\infty,y)=F(x,-\infty)=0\)；对每个变量单调不减、左连续（课程约定）；以及对任意 \(x_1<x_2,\ y_1<y_2\)： \[F(x_2,y_2)-F(x_1,y_2)-F(x_2,y_1)+F(x_1,y_1)\ \ge0\] （这就是矩形 \((x_1,x_2]\times(y_1,y_2]\) 上的概率，非负——二维分布函数不能随便编造的根源）。
1.1 边缘分布律与条件分布律
💡 破题关键与第一步提示（遮答案自测用 · 解答 a) 不放回）
破题切入点：用乘法公式：\(P\{X=1,Y=1\}=\dfrac25\cdot\dfrac14=\dfrac1{10}\)，其余同理。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答 a) 不放回）
用乘法公式：\(P\{X=1,Y=1\}=\dfrac25\cdot\dfrac14=\dfrac1{10}\)，其余同理。联合表：
| \(p_{ij}\) | \(Y=0\) | \(Y=1\) | \(p_{i\cdot}\) |
|---|---|---|---|
| \(X=0\) | \(\frac35\cdot\frac24=\frac3{10}\) | \(\frac35\cdot\frac24=\frac3{10}\) | \(\frac35\) |
| \(X=1\) | \(\frac25\cdot\frac34=\frac3{10}\) | \(\frac25\cdot\frac14=\frac1{10}\) | \(\frac25\) |
| \(p_{\cdot j}\) | \(\frac35\) | \(\frac25\) | 1 |
检查独立性：\(p_{11}=\frac1{10}\ne\frac25\cdot\frac25=\frac4{25}\)，故 不独立（不放回时第二次受第一次影响）。
条件分布律：\(P\{Y=1\mid X=1\}=\dfrac{1/10}{2/5}=\dfrac14\)（拿走一个红球后只剩 1 红 3 白，概率 1/4，合理）；\(P\{Y=1\mid X=0\}=\dfrac{3/10}{3/5}=\dfrac12\)；\(P\{X=1\mid Y=1\}=\dfrac14\)，\(P\{X=1\mid Y=0\}=\dfrac12\)。
💡 破题关键与第一步提示（遮答案自测用 · 解答 b) 放回）
破题切入点：两次互不影响：\(p_{ij}=p_{i\cdot}p_{\cdot j}\)，联合表： \(p_{ij}\) \(Y=0\) \(Y=1\) \(X=0\) \(\frac9{25}\) （👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答 b) 放回）
两次互不影响：\(p_{ij}=p_{i\cdot}p_{\cdot j}\)，联合表：
| \(p_{ij}\) | \(Y=0\) | \(Y=1\) |
|---|---|---|
| \(X=0\) | \(\frac9{25}\) | \(\frac6{25}\) |
| \(X=1\) | \(\frac6{25}\) | \(\frac4{25}\) |
每个格子都等于行边缘×列边缘 → 独立；条件分布律＝边缘分布律（知道第一次结果不改变第二次）。
- 查行和列和：按行加出 \(p_{i\cdot}\)（X 的边缘），按列加出 \(p_{\cdot j}\)（Y 的边缘），顺手验证总和 = 1（出题人偶尔在此埋参数题）；
- 判独立：逐格检查 \(p_{ij}\overset{?}{=}p_{i\cdot}p_{\cdot j}\)。全等 → 独立；找到一个格子不等 → 不独立（写出那个反例格子即可）；
- 条件分布：\(P\{Y=y_j\mid X=x_i\}=p_{ij}/p_{i\cdot}\)——本质是"把第 i 行拿出来除以行和，重新归一化"；
- 求相关事件概率：把满足条件的格子概率相加（如 \(P\{X+Y\le1\}\)）。
2 · 二维随机变量（连续型）
性质：\(f\ge0\)；\(\int_{-\infty}^{+\infty}\!\!\int_{-\infty}^{+\infty}f\,\mathrm dx\mathrm dy=1\)；在连续点处 \(\dfrac{\partial^2F}{\partial x\partial y}=f(x,y)\)；区域 \(D\) 上的概率 \(P\{(X,Y)\in D\}=\iint_D f\,\mathrm dx\mathrm dy\)。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：联合分布函数 （密度在矩形上积分）： \[F(x,y)=(1-e^{-\alpha x})(1-e^{-\beta y}),\qquad x>0,y>0\] （其它区域取 0 / 相应边界值）。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
联合分布函数（密度在矩形上积分）： \[F(x,y)=(1-e^{-\alpha x})(1-e^{-\beta y}),\qquad x>0,y>0\] （其它区域取 0 / 相应边界值）。
边缘密度：\(f_X(x)=\displaystyle\int_0^{+\infty}\alpha\beta e^{-\alpha x}e^{-\beta y}\mathrm dy=\alpha e^{-\alpha x}\ (x>0)\)；同理 \(f_Y(y)=\beta e^{-\beta y}\)。各自都是指数分布。
条件密度：\(f_{Y|X}(y|x)=\dfrac{f(x,y)}{f_X(x)}=\beta e^{-\beta y}\)，恰好等于边缘密度 \(f_Y(y)\)——知道 \(X\) 不提供任何关于 \(Y\) 的信息。
独立性：\(f(x,y)=f_X(x)f_Y(y)\) 处处成立 → 独立（联合分布函数也可直接拆成乘积，同样验证）。
3 · 二维正态分布
三条核心结论（考试常考）：
- 边缘仍是正态：\((X,Y)\sim N(\mu_1,\sigma_1^2;\mu_2,\sigma_2^2;\rho)\Rightarrow X\sim N(\mu_1,\sigma_1^2),\ Y\sim N(\mu_2,\sigma_2^2)\)。边缘密度就是把上式对另一个变量积分，交叉项消失。
- 反过来不成立：\(X,Y\) 各自正态，\((X,Y)\) 不一定二维正态。（边缘正态≠联合正态！）
- 独立的充要条件是 \(\rho=0\)：把 \(\rho=0\) 代入密度立刻拆成 \(f_X(x)f_Y(y)\)；反之独立则协方差（从而 \(\rho\)）为 0。二维正态里“不相关”与“独立”罕见地等价——一般情形只有“独立⟹不相关”单向成立。
- 边缘仍是正态（把另一变量积掉，交叉项消失）；
- 边缘正态 ⇏ 联合正态（判断题最爱；反例思想：把两个正态"斜着拼"，边缘不变联合变）；
- \(\rho=0 \iff\) 独立——只对二维正态成立！一般分布只有"独立 ⟹ 不相关"单向。判断题常见句式"若 X,Y 不相关则独立"：一般错、二维正态对，看清题给条件。
4 · n 维随机变量与独立性
第 3 讲马上会看到：随机过程 \(\{X(t),t\in T\}\) 的“档案”就是全体有限维分布 \(\{F(t_1,\dots,t_n;x_1,\dots,x_n):n\ge1,t_i\in T\}\)；两个过程独立也定义为任意联合维分布可拆乘积（课件 p.25，届时引用本节）。
5 · 随机变量函数的分布
已知 \(X\)（或 \((X,Y)\)）的分布，求 \(Y=g(X)\)（或 \(Z=g(X,Y)\)、\((U,V)=\) 变换对）的分布。三板斧：
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：\(Z_1\) 取 0,1,2：\(P\{Z_1=0\}=\frac14,\ P\{Z_1=1\}=\frac14+\frac14=\frac12,\ P\{Z_1=2\}=\frac14\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
\(Z_1\) 取 0,1,2：\(P\{Z_1=0\}=\frac14,\ P\{Z_1=1\}=\frac14+\frac14=\frac12,\ P\{Z_1=2\}=\frac14\)。
\(Z_2\) 取 0,1：\(P\{Z_2=0\}=P\{X=0,Y=0\}=\frac14,\ P\{Z_2=1\}=\frac34\)。
离散题口诀：“找出所有取值，数格子，把落进同一取值的格子概率相加。”
💡 破题关键与第一步提示（遮答案自测用 · 解答（多分支法的样板））
破题切入点：\(y=x^2\) 不单调：\(y>0\) 时两支反函数 \(x_1=-\sqrt y,\ x_2=+\sqrt y\)，导数绝对值都是 \(\frac1{2\sqrt y}\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（多分支法的样板））
\(y=x^2\) 不单调：\(y>0\) 时两支反函数 \(x_1=-\sqrt y,\ x_2=+\sqrt y\)，导数绝对值都是 \(\frac1{2\sqrt y}\)。 \[f_Y(y)=\varphi(-\sqrt y)\frac1{2\sqrt y}+\varphi(\sqrt y)\frac1{2\sqrt y}=\frac{1}{\sqrt{2\pi y}}e^{-y/2},\quad y>0.\] （这正是 \(\chi^2(1)\) 的密度——标准正态平方服从自由度 1 的卡方。）
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：① 反解：\(x=\frac{u+v}{2},\ y=\frac{u-v}{2}\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
① 反解：\(x=\frac{u+v}{2},\ y=\frac{u-v}{2}\)。
② 雅可比：\(J=\begin{vmatrix}1/2&1/2\\1/2&-1/2\end{vmatrix}=-\frac12\)，\(|J|=\frac12\)。
③ 代入：\(f_{X,Y}(x,y)=\frac1{2\pi}e^{-\frac{x^2+y^2}{2}}\)，而 \(x^2+y^2=\frac{(u+v)^2+(u-v)^2}{4}=\frac{u^2+v^2}{2}\)，故 \[f_{U,V}(u,v)=\frac12\cdot\frac1{2\pi}e^{-\frac{u^2+v^2}{4}}=\Big(\frac{1}{\sqrt{4\pi}}e^{-\frac{u^2}{4}}\Big)\Big(\frac{1}{\sqrt{4\pi}}e^{-\frac{v^2}{4}}\Big).\]
④ 定义域 \(\mathbb R^2\)（无限制，矩形域）。
联合密度恰好拆成 \(u\) 的函数乘 \(v\) 的函数，且每个因子正是 \(N(0,2)\) 的密度 → \(U\sim N(0,2),\ V\sim N(0,2)\) 且 独立。
结论值得记住：独立正态的线性变换仍联合正态；“和”与“差”不相关 ⟹ 独立（联合正态时不相关即独立）。
- 写分布函数：\(F_Y(y)=P\{g(X)<y\}\)；
- 解不等式：把 \(g(X)<y\) 翻译成 "\(X\in\) 某个集合"（g 单调时是区间，不单调时拆成几段之和）；
- 算概率：对 X 的密度在那个集合上积分（或对分布律求和）；
- 求导收尾：\(f_Y=F_Y'\)。
6 · 数学期望与方差
💡 破题关键与第一步提示（遮答案自测用 · 完整推导）
破题切入点：\[E(X)=\sum_{k=1}^{n}k\frac{n!（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（完整推导）
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：已知 \(E(X)=\lambda\)（同二项套路：\(k\frac{\lambda^k}{k! \cdots\)（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
已知 \(E(X)=\lambda\)（同二项套路：\(k\frac{\lambda^k}{k!}=\lambda\frac{\lambda^{k-1}}{(k-1)!}\)）。再算 \[E\big(X(X-1)\big]=\sum_{k=2}^{\infty}k(k-1)\frac{\lambda^k}{k!}e^{-\lambda}=\lambda^2 e^{-\lambda}\sum_{k=2}^{\infty}\frac{\lambda^{k-2}}{(k-2)!}=\lambda^2.\] 于是 \(E(X^2)=E[X(X-1)]+E(X)=\lambda^2+\lambda\)， \[D(X)=E(X^2)-E^2(X)=\lambda^2+\lambda-\lambda^2=\lambda.\] 泊松分布期望=方差=λ——排队里“到达率”的直觉来源。
💡 破题关键与第一步提示（遮答案自测用 · 解答（分部积分））
破题切入点：\[E(X)=\int_0^{+\infty}x\lambda e^{-\lambda x}\mathrm dx=\Big[-xe^{-\lambda x}\Big]_0^{\infty}+（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答（分部积分））
排队论解读：\(\lambda\) 是“速率”（单位时间多少个），\(1/\lambda\) 就是“平均间隔/平均时长”。λ 越大服务越快。
6.1 常见分布期望方差总表
| 分布 | E(X) | D(X) |
|---|---|---|
| 0-1 分布 | \(p\) | \(pq\) |
| 二项 \(B(n,p)\) | \(np\) | \(npq\) |
| 泊松 \(P(\lambda)\) ★ | \(\lambda\) | \(\lambda\) |
| 均匀 \(U(a,b)\) | \(\dfrac{a+b}{2}\) | \(\dfrac{(b-a)^2}{12}\) |
| 指数 \(E(\lambda)\) ★ | \(\dfrac1\lambda\) | \(\dfrac1{\lambda^2}\) |
| 正态 \(N(\mu,\sigma^2)\) | \(\mu\) | \(\sigma^2\) |
| Γ-分布 \(\Gamma(\alpha,\beta)\) | \(\dfrac\alpha\beta\) | \(\dfrac\alpha{\beta^2}\) |
| χ²-分布 \(\chi^2(n)\) | \(n\) | \(2n\) |
| 爱尔朗 \(E_k\) ★ | \(\dfrac k\lambda\) | \(\dfrac k{\lambda^2}\) |
- 线性：\(E(aX+b)=aE(X)+b\)——无条件成立，不用独立！\(D(aX+b)=a^2D(X)\)（b 直接消失：整体平移不改变散布）；
- 独立才有的：\(E(XY)=E(X)E(Y)\)；\(D(X+Y)=D(X)+D(Y)\)（不独立时要补协方差项 \(2\operatorname{cov}\)，见下一节）；
- 必背恒等式：\(D(X)=E(X^2)-E^2(X)\)——求方差几乎总是先求 \(E(X^2)\)（用免变换定理直接积分 \(x^2 f(x)\)），再减 \(E(X)\) 的平方。别忘了 \((EX)^2\ne E(X^2)\)；
- 对称分布（如正态、均匀居中）直觉检验：期望落在对称中心。
7 · k 阶矩、协方差与相关系数
常用性质：
- 线性：\(E(aX+b)=aE(X)+b\)；\(D(aX+b)=a^2D(X)\)；对任意常数 \(a_k\)：\(E\big(\sum a_kX_k\big)=\sum a_kE(X_k)\)；独立时 \(D\big(\sum X_k\big)=\sum D(X_k)\)。
- \(D(X)=E(X^2)-E^2(X)\ge0\)，且 \(D(X)=0\iff P\{X=E(X)\}=1\)。
- 协方差：对称 \(\operatorname{cov}(X,Y)=\operatorname{cov}(Y,X)\)；双线性 \(\operatorname{cov}(X_1+X_2,Y)=\operatorname{cov}(X_1,Y)+\operatorname{cov}(X_2,Y)\)；\(\operatorname{cov}(aX+bY,cX+dY)=ac\,D(X)+bd\,D(Y)+(ad+bc)\operatorname{cov}(X,Y)\)。
- \(X,Y\) 独立 \(\Rightarrow E(XY)=E(X)E(Y)\)（从而不相关）；反方向不成立（不相关推不出独立，除非联合正态）。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：第一步：边缘密度 。\(f_X(x)=\int_0^x8xy\,\mathrm dy=4x^3\ (0<x<1)\)；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
第一步：边缘密度。\(f_X(x)=\int_0^x8xy\,\mathrm dy=4x^3\ (0<x<1)\)；\(f_Y(y)=\int_y^1 8xy\,\mathrm dx=4y(1-y^2)\ (0<y<1)\)。
第二步：各阶矩。 \[E(XY)=\int_0^1\!\!\int_0^x xy\cdot 8xy\,\mathrm dy\mathrm dx=\int_0^1 8x^2\cdot\frac{x^3}{3}\mathrm dx=\frac49;\] \[E(X)=\int_0^1x\cdot4x^3\mathrm dx=\frac45,\quad E(Y)=\int_0^1y\cdot4y(1-y^2)\mathrm dy=\frac8{15};\] \[E(X^2)=\int_0^1x^2\cdot4x^3\mathrm dx=\frac23,\quad E(Y^2)=\int_0^1y^2\cdot4y(1-y^2)\mathrm dy=\frac13.\]
第三步：协方差与方差。 \[\operatorname{cov}(X,Y)=\frac49-\frac45\cdot\frac8{15}=\frac{4}{225};\quad D(X)=\frac23-\frac{16}{25}=\frac2{75};\quad D(Y)=\frac13-\frac{64}{225}=\frac{11}{225}.\]
第四步：相关系数与矩阵。 \[\rho_{XY}=\frac{4/225}{\sqrt{(2/75)(11/225)}}=\sqrt{\frac8{33}}\approx0.49;\qquad C=\begin{pmatrix}2/75&4/225\\4/225&11/225\end{pmatrix}.\]
独立性：\(f(x,y)=8xy\ne4x^3\cdot4y(1-y^2)\) → 不独立（虽然正相关，但不是乘积结构）。
做题模板：边缘 → 各阶矩 → cov/ρ → 独立性检查。区域是三角形时注意积分限（画图！）。
8 · 条件期望与全期望公式
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：先在“\(N=n\) 已知”的条件下算：\(E(Y|N=n)=E\big(\sum_{i=1}^nX_i\big)=nE(X)\)，即 \(E(Y|N)=N\,E(X)\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
先在“\(N=n\) 已知”的条件下算：\(E(Y|N=n)=E\big(\sum_{i=1}^nX_i\big)=nE(X)\)，即 \(E(Y|N)=N\,E(X)\)。
再对 \(N\) 取期望： \[E(Y)=E[E(Y|N)]=E[N\,E(X)]=E(N)E(X)=100\times40=4000\ (\text{元}).\]
9 · 特征函数
9.1 常见分布的特征函数（背前四个）
| 分布 | 特征函数 \(\varphi_X(u)\) |
|---|---|
| 0-1 分布 | \(q+pe^{iu}\) |
| 二项 \(B(n,p)\) | \((q+pe^{iu})^n\) |
| 泊松 \(P(\lambda)\) | \(\exp\{\lambda(e^{iu}-1)\}\) |
| 指数 \(E(\lambda)\) | \(\dfrac{\lambda}{\lambda-iu}\) |
| 爱尔朗 \(E_k\) | \(\Big(\dfrac{\lambda}{\lambda-iu}\Big)^{k}\) |
| Γ-分布 \(\Gamma(\alpha,\beta)\) | \(\Big(\dfrac{\beta}{\beta-iu}\Big)^{\alpha}\) |
| 均匀 \(U(a,b)\) | \(\dfrac{e^{iub}-e^{iua}}{iu(b-a)}\) |
| 正态 \(N(\mu,\sigma^2)\) | \(e^{iu\mu-\frac12\sigma^2u^2}\) |
9.2 性质
- \(\varphi_X(0)=1\)；\(|\varphi_X(u)|\le\varphi_X(0)=1\)；\(\varphi_X(-u)=\overline{\varphi_X(u)}\)（共轭）。
- \(\varphi_X(u)\) 在 \((-\infty,+\infty)\) 上一致连续；且是非负定函数。
- 矩公式：若 \(E(X^k)\) 存在，则 \(\varphi_X\) 有 k 阶导数且 \(E(X^k)=(-i)^k\varphi_X^{(k)}(0)\)——从特征函数反提取各阶矩。
- 线性变换：\(Y=aX+b\Rightarrow\varphi_Y(u)=e^{iub}\varphi_X(au)\)。
- 逆转公式 / 唯一性定理：分布函数与特征函数一一对应、互相唯一确定。这是“用特征函数识别分布”的合法性依据。
- 独立和定理：\(X,Y\) 独立 \(\Rightarrow\varphi_{X+Y}(u)=\varphi_X(u)\,\varphi_Y(u)\)（乘积！）。
💡 破题关键与第一步提示（遮答案自测用 · 证明（特征函数三步曲：各求—相乘—对照））
破题切入点：① 每个 \(X_i\) 的特征函数：\(\varphi_{X_i}(u)=\dfrac{\lambda}{\lambda-iu}\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（证明（特征函数三步曲：各求—相乘—对照））
① 每个 \(X_i\) 的特征函数：\(\varphi_{X_i}(u)=\dfrac{\lambda}{\lambda-iu}\)。
② 独立 ⟹ 相乘： \[\varphi_{Y_k}(u)=\prod_{i=1}^{k}\varphi_{X_i}(u)=\Big(\frac{\lambda}{\lambda-iu}\Big)^{k}.\]
③ 这恰是 k 阶爱尔朗（\(\Gamma(k,\lambda)\)）的特征函数，由唯一性定理，\(Y_k\sim E_k\)。∎
这个结论第 4 讲马上要用：“泊松过程第 k 次事件发生的等待时间 \(\tau_k=T_1+\cdots+T_k\sim E_k\)”。三步曲（各求—相乘—对照）请默写。
💡 破题关键与第一步提示（遮答案自测用 · 解答）
破题切入点：矩公式：\(E(X^k)=(-i)^k\varphi^{(k)}(0)\)。（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（解答）
矩公式：\(E(X^k)=(-i)^k\varphi^{(k)}(0)\)。
求导：\(\varphi'(u)=\lambda i e^{iu}\varphi(u)\)，故 \(\varphi'(0)=\lambda i\)， \[E(X)=\frac{\varphi'(0)}{i}=\frac{\lambda i}{i}=\lambda.\]
再导：\(\varphi''(u)=-\lambda e^{iu}\varphi(u)+(\lambda i e^{iu})^2\varphi(u)\)，代 \(u=0\)：\(\varphi''(0)=-\lambda-\lambda^2\)。 \[E(X^2)=(-i)^2\varphi''(0)=-( -\lambda-\lambda^2)=\lambda+\lambda^2,\qquad D(X)=E(X^2)-E^2(X)=\lambda.\]
"期望方差都是 λ"就这样从特征函数两步榨出来——不用碰任何级数求和。矩公式是"已知特征函数求数字特征"类题的固定起手式，求导时代入 \(u=0\)，注意 \(e^{iu}\) 在 0 处全是 1。
10 · 本讲公式速查（一页纸素材）
| 边缘 | 离散 \(p_{i\cdot}=\sum_jp_{ij}\)；连续 \(f_X(x)=\int f(x,y)\mathrm dy\) |
| 条件 | \(f_{Y|X}(y|x)=f(x,y)/f_X(x)\)；\(P\{Y=y_j|X=x_i\}=p_{ij}/p_{i\cdot}\) |
| 独立 | 离散：\(p_{ij}=p_{i\cdot}p_{\cdot j}\ \forall i,j\)；连续：\(f=f_Xf_Y\)；二维正态：\(\iff\rho=0\) |
| 一元单调变换 | \(f_Y(y)=f(h(y))|h'(y)|\)（多分支求和） |
| 雅可比 | \(f_{U,V}=f_{X,Y}(h_1,h_2)|J|\)，\(J=\partial(x,y)/\partial(u,v)\) |
| 期望/方差 | \(D(X)=E(X^2)-E^2(X)\)；\(\operatorname{cov}=E(XY)-E(X)E(Y)\)；\(|\rho|\le1\) |
| 免变换定理 | \(E[g(X,Y)]=\iint g f\) |
| 全期望 | \(E(X)=E[E(X|Y)]\)；随机个数的和：\(E\big[\sum_{i=1}^NX_i\big]=E(N)E(X)\)（\(N\) 与 \(X_i\) 独立） |
| 特征函数 | \(\varphi(u)=Ee^{iuX}\)；\(E(X^k)=(-i)^k\varphi^{(k)}(0)\)；独立和⟹乘积；\(Y=aX+b\Rightarrow e^{iub}\varphi_X(au)\) |
| 四个必背特征函数 | 泊松 \(e^{\lambda(e^{iu}-1)}\)；指数 \(\frac{\lambda}{\lambda-iu}\)；爱尔朗 \((\frac{\lambda}{\lambda-iu})^k\)；正态 \(e^{iu\mu-\frac12\sigma^2u^2}\) |
11 · 习题一（本讲布置）
💡 破题关键与第一步提示（遮答案自测用 · 提示与答案）
破题切入点：(1) 超几何分布：\(P\{X=k\}=\dfrac{\binom2k\binom{4}{3-k}}{\binom63}\)：\(P\{X=0\}=\frac15,\ P\{X=1\}=\ \cdots\)（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（提示与答案）
(1) 超几何分布：\(P\{X=k\}=\dfrac{\binom2k\binom{4}{3-k}}{\binom63}\)：\(P\{X=0\}=\frac15,\ P\{X=1\}=\frac35,\ P\{X=2\}=\frac15\)。
(2) 即“交换”的转移概率（画树或直接算）：如 \(P\{Y=1|X=1\}=\frac13\cdot\frac23+\frac23\cdot\frac13=\frac59\) 等，完整矩阵正是第 5 讲例 4 的转移矩阵 \(\begin{pmatrix}1/3&2/3&0\\2/9&5/9&2/9\\0&2/3&1/3\end{pmatrix}\)。
(3) 全概率加权：\(P\{Y=j\}=\sum_kP\{X=k\}P\{Y=j|X=k\}\)，结果恰为 \((\frac15,\frac35,\frac15)\)——与 \(X\) 同分布！这不是巧合：该初始分布正是这条链的平稳分布（第 5 讲例 4 将正面讲这道题）。
💡 破题关键与第一步提示（遮答案自测用 · 提示与答案）
破题切入点：(1) 反解 \(x=\frac{u+v}{2},y=\frac{u-v}{2}\)，\(|J|=\frac12\)，定义域 \(\{(u,v): x>0,y>0\}=\{u&g \cdots\)（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（提示与答案）
(1) 反解 \(x=\frac{u+v}{2},y=\frac{u-v}{2}\)，\(|J|=\frac12\)，定义域 \(\{(u,v): x>0,y>0\}=\{u>|v|\}\)： \[f_{U,V}(u,v)=\tfrac12 e^{-u}\ \ (u>|v|).\] 边缘：\(f_U(u)=ue^{-u}\ (u>0)\)（\(\Gamma(2,1)\)，也是爱尔朗 \(E_2\)）；\(f_V(v)=\tfrac12 e^{-|v|}\)（拉普拉斯分布）。乘积不等于联合 → 不独立。
(2) 反解 \(x=\frac{uv}{1+v},y=\frac{u}{1+v}\)（由 \(v=x/y\)），\(|J|=\dfrac{u}{(1+v)^2}\)，定义域 \(\{u>0,v>0\}\)： \[f_{U,V}(u,v)=\frac{u}{(1+v)^2}e^{-u}\ \ (u>0,v>0).\] 边缘 \(f_U=ue^{-u},\ f_V=\frac1{(1+v)^2}\)，恰好 \(f_{U,V}=f_U\cdot f_V\) 且定义域是矩形 → 独立！
注意对比：同一对变量，“和与差”不独立，“和与商”却独立——独立性必须乘积分解＋矩形（乘积）区域两个条件都成立。
12 · 资料对照与下一步
文件夹资料对照
| 资料 | 用法 |
|---|---|
作业/2018年秋-随机过程-课后习题解答(拾光客栈分享).ppt | 教材课后题（习题一起，编号 49-x）选讲，本讲习题一对答案用 |
复习资料/电子笔记/1随机过程的基本概念.pdf | 数字特征/特征函数部分有手写推导，互为补充 |
复习资料/一页纸总结(2014原版).pdf | 特征函数表、期望方差表可直接对照本讲第 10 节 |
下一讲预告
正式进入随机过程：随机过程的定义（一族随机变量）、有限维分布、数字特征函数（均值函数/方差函数/协方差函数/相关函数），以及四种重要过程：独立过程、独立增量过程、正态过程、维纳过程。本讲的 \(C(s,t)\)、\(R(s,t)\) 概念直接升级成“函数”。
- 边缘密度怎么求？条件密度怎么求？独立的两个充要条件（离散/连续）？
- 二维正态里“边缘正态 ⇏ 联合正态”，“不相关 ⇔ 独立”——两句都对吗？
- 求 \(E(XY)\) 需要先求 \(X,Y\) 的边缘吗？
- 独立随机变量和的特征函数怎么算？用它证明“n 个独立指数变量之和 ∼ 爱尔朗”。
💡 破题关键与第一步提示（遮答案自测用 · 答案要点）
破题切入点：对不想要的变量积分（或加总）；\(f_{Y|X}=f/f_X\)；（👉 先合上下方完整推导，自己动手算完关键步再核对踩分点！）
📝 完整规范推导与评分踩分点（答案要点）
- 对不想要的变量积分（或加总）；\(f_{Y|X}=f/f_X\)；离散 \(p_{ij}=p_{i\cdot}p_{\cdot j}\)、连续 \(f=f_Xf_Y\)。
- 都对。第二句只在联合正态前提下成立。
- 不需要，\(E(XY)=\iint xyf(x,y)\mathrm dx\mathrm dy\) 直接对联合密度算（免变换定理）。
- 特征函数相乘；\((\frac{\lambda}{\lambda-iu})^n\) 是 \(E_n\) 的特征函数，唯一性定理收尾。