在考研数学的复习过程中，概率论与数理统计往往被认为是难度较大且容易失分的板块。其中，“二维随机变量及其分布”作为概率论的核心章节，不仅概念抽象，而且计算复杂，是众多考生心中的“拦路虎”。掌握这一章，不仅有助于理解后续的统计推断，更是拿高分的关键。

一、 理清基本概念：从联合到边缘

复习二维随机变量，首先要建立“联合”与“边缘”的辩证关系。二维随机变量 $(X,Y)$ 的性质不仅由 $X$ 和 $Y$ 的各自性质决定，还取决于它们之间的相互关系。

1. 联合分布与边缘分布
在考试中，最常见的题型是已知联合分布求边缘分布，反之亦然。对于离散型随机变量，这通常通过“列举法”或“概率求和法”完成；而对于连续型随机变量，则涉及到对积分区域的划分和积分限的确定。

2. 分布函数的定义
联合分布函数 $F(x,y)$ 的定义是 $P(X \le x, Y \le y)$。值得注意的是，$F(x,y)$ 必须满足右连续性、单调不减性以及四个极限条件（特别是 $\lim_{x \to -\infty} F(x,y)=0$ 和 $\lim_{x \to +\infty, y \to +\infty} F(x,y)=1$）。利用这些性质可以快速判断一个函数是否可以作为分布函数。

二、 掌握独立性判断与条件分布

1. 独立性的判定
二维随机变量 $X$ 和 $Y$ 相互独立的充要条件是：对于任意实数 $x, y$，都有 $F(x,y) = F_X(x)F_Y(y)$。对于连续型变量，则转化为 $f(x,y) = f_X(x)f_Y(y)$。

很多考生容易忽略验证独立性的步骤，直接假设独立进行计算，这是大忌。必须先验证独立性，再利用独立性简化联合密度的结构。

2. 条件分布
在已知 $Y=y$ 的条件下 $X$ 的分布（条件密度 $f_{X|Y}(x|y)$）是另一个高频考点。其公式为 $f_{X|Y}(x|y) = \frac{f(x,y)}{f_Y(y)}$。理解这个公式的物理意义——即在 $Y$ 固定的条件下，$X$ 的概率密度是如何归一化的，对于解题至关重要。

三、 攻克数字特征：协方差与相关系数

这一部分是计算量最大、技巧性最强的环节。

1. 协方差与相关系数的定义
协方差 $Cov(X,Y) = E(XY) - E(X)E(Y)$，相关系数 $\rho_{XY} = \frac{Cov(X,Y)}{\sqrt{D(X)D(Y)}}$。它们刻画了两个变量之间的线性相关程度。

2. 重要性质与技巧
在计算 $E(XY)$ 时，利用对称性往往能简化计算。例如，若 $(X,Y)$ 关于 $y=x$ 对称，则 $E(X)=E(Y)$，$D(X)=D(Y)$，且 $E(XY) = E(X^2)$。

此外，必须牢记几个重要公式：方差的可加性 ($D(X+Y)=D(X)+D(Y)+2Cov(X,Y)$) 和 协方差的线性性质 ($Cov(aX+b, cY+d) = ac \cdot Cov(X,Y)$)。这些性质是处理复杂随机变量数字特征的利器。

四、 实战解题策略

面对考研真题中的难题，建议采取以下策略：

1. 画图辅助
对于连续型随机变量的积分问题，一定要画出积分区域。确定积分限（是先对 $x$ 后对 $y$，还是反过来）是正确解题的第一步。错误的积分限会导致结果全盘皆输。

2. 转化为标准正态分布
对于二维正态分布 $N(\mu_1, \mu_2; \sigma_1^2, \sigma_2^2; \rho)$，要牢记其性质：$X$ 与 $Y$ 相互独立的充要条件是 $\rho=0$。同时，若 $(X,Y) \sim N(\mu_1, \mu_2; \sigma_1^2, \sigma_2^2; \rho)$，则 $X$ 和 $Y$ 的线性组合 $aX+bY$ 依然服从正态分布。

二维随机变量虽难，但并非无章可循。通过系统地梳理概念、熟练掌握公式性质，并结合大量的练习总结题型，考生完全可以在考试中从容应对这一挑战，拿下这一部分的分数。

本文由会计考试网(www.kjks.net)整理！仅供学习参考！