first commit
This commit is contained in:
@@ -0,0 +1,566 @@
|
||||
# 📌 第四章 随机变量的数字特征 考研核心通关笔记
|
||||
|
||||
> 数字特征是随机变量的"画像"——用少数几个数(期望、方差、相关系数)刻画分布的核心信息
|
||||
|
||||
---
|
||||
|
||||
## ① 本章核心知识框架 (Core Concept Map)
|
||||
|
||||
### 1.1 数学期望(均值)$E(X)$
|
||||
|
||||
#### 一、定义
|
||||
|
||||
**离散型**:若 $\sum_{i} |x_i| p_i < \infty$,则
|
||||
$$
|
||||
E(X) = \sum_{i} x_i p_i
|
||||
$$
|
||||
|
||||
**连续型**:若 $\int_{-\infty}^{+\infty} |x| f(x) dx < \infty$,则
|
||||
$$
|
||||
E(X) = \int_{-\infty}^{+\infty} x f(x) dx
|
||||
$$
|
||||
|
||||
> *极简例子:* 掷骰子 $P(X=k)=1/6, k=1,\ldots,6$,则 $E(X) = \frac{1+2+3+4+5+6}{6} = 3.5$
|
||||
|
||||
#### 二、随机变量函数的期望(重要公式 ⭐)
|
||||
|
||||
**一维情形**:
|
||||
$$
|
||||
E[g(X)] = \sum_i g(x_i) p_i \quad \text{(离散)}
|
||||
$$
|
||||
$$
|
||||
E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx \quad \text{(连续)}
|
||||
$$
|
||||
|
||||
**二维情形**(**不必**求出 $Z=g(X,Y)$ 的分布!):
|
||||
$$
|
||||
E[g(X,Y)] = \iint_{\mathbb{R}^2} g(x,y) f(x,y) dxdy
|
||||
$$
|
||||
|
||||
> *极简例子:* $X \sim U(0,1)$,则 $E(X^2) = \int_0^1 x^2 dx = 1/3$(不必求 $Y=X^2$ 的密度)
|
||||
|
||||
#### 三、期望的性质
|
||||
|
||||
| 性质 | 公式 |
|
||||
|------|------|
|
||||
| **常数** | $E(C) = C$ |
|
||||
| **线性** | $E(aX+b) = aE(X)+b$ |
|
||||
| **线性可加** | $E(X+Y) = E(X)+E(Y)$(**无需独立**!) |
|
||||
| **推广** | $E\left(\sum_{i=1}^n X_i\right) = \sum_{i=1}^n E(X_i)$ |
|
||||
| **独立可乘** | 若 $X,Y$ **独立**,则 $E(XY) = E(X) E(Y)$ |
|
||||
|
||||
#### 四、常见分布的期望(速查)
|
||||
|
||||
| 分布 | 符号 | $E(X)$ |
|
||||
|------|------|--------|
|
||||
| 0-1 分布 | $B(1,p)$ | $p$ |
|
||||
| 二项分布 | $B(n,p)$ | $np$ |
|
||||
| 泊松分布 | $P(\lambda)$ | $\lambda$ |
|
||||
| 几何分布 | $G(p)$ | $1/p$ |
|
||||
| 均匀分布 | $U(a,b)$ | $(a+b)/2$ |
|
||||
| 指数分布 | $E(\lambda)$ | $1/\lambda$ |
|
||||
| 正态分布 | $N(\mu,\sigma^2)$ | $\mu$ |
|
||||
|
||||
> *极简例子:* $X \sim B(10, 0.3)$,则 $E(X) = 10 \times 0.3 = 3$
|
||||
|
||||
---
|
||||
|
||||
### 1.2 方差 $D(X)$
|
||||
|
||||
#### 一、定义
|
||||
|
||||
$$
|
||||
D(X) = E[(X - E(X))^2]
|
||||
$$
|
||||
|
||||
**等价公式**(**计算常用**):
|
||||
$$
|
||||
D(X) = E(X^2) - E^2(X)
|
||||
$$
|
||||
|
||||
**标准差**:$\sigma(X) = \sqrt{D(X)}$
|
||||
|
||||
> *极简例子:* 掷骰子 $E(X)=3.5$,$E(X^2) = 91/6$,故 $D(X) = 91/6 - 49/4 = 35/12$
|
||||
|
||||
#### 二、方差的性质
|
||||
|
||||
| 性质 | 公式 |
|
||||
|------|------|
|
||||
| **常数** | $D(C) = 0$ |
|
||||
| **平移不变** | $D(X + C) = D(X)$ |
|
||||
| **伸缩** | $D(aX + b) = a^2 D(X)$ |
|
||||
| **一般和** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
|
||||
| **独立和** | 若 $X,Y$ 独立,则 $D(X \pm Y) = D(X)+D(Y)$ |
|
||||
|
||||
> ⚠️ **关键警示**:$D(X+Y) = D(X) + D(Y)$ **仅当独立时**成立!一般情形必须用协方差修正。
|
||||
|
||||
#### 三、常见分布的方差(速查)
|
||||
|
||||
| 分布 | 符号 | $D(X)$ |
|
||||
|------|------|--------|
|
||||
| 0-1 分布 | $B(1,p)$ | $p(1-p)$ |
|
||||
| 二项分布 | $B(n,p)$ | $np(1-p)$ |
|
||||
| 泊松分布 | $P(\lambda)$ | $\lambda$ |
|
||||
| 几何分布 | $G(p)$ | $(1-p)/p^2$ |
|
||||
| 均匀分布 | $U(a,b)$ | $(b-a)^2/12$ |
|
||||
| 指数分布 | $E(\lambda)$ | $1/\lambda^2$ |
|
||||
| 正态分布 | $N(\mu,\sigma^2)$ | $\sigma^2$ |
|
||||
|
||||
> *极简例子:* $X \sim B(10, 0.3)$,则 $D(X) = 10 \times 0.3 \times 0.7 = 2.1$
|
||||
|
||||
#### 四、标准化变量
|
||||
|
||||
$$
|
||||
X^* = \frac{X - E(X)}{\sqrt{D(X)}}
|
||||
$$
|
||||
|
||||
则 $E(X^*) = 0$,$D(X^*) = 1$。**任何**随机变量都可以标准化(不要求正态!)。
|
||||
|
||||
#### 五、切比雪夫不等式 ⭐
|
||||
|
||||
对任意随机变量 $X$,若 $E(X) = \mu, D(X) = \sigma^2$,则对 $\forall \varepsilon > 0$:
|
||||
$$
|
||||
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
|
||||
$$
|
||||
|
||||
等价形式:
|
||||
$$
|
||||
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
|
||||
$$
|
||||
|
||||
> *极简例子:* 若 $\mu=0, \sigma^2=4$,则 $P(|X|\ge 4) \le 4/16 = 1/4$
|
||||
|
||||
> 🔑 **本质**:切比雪夫不等式只用 $E(X), D(X)$ 两个数就能给出概率的"粗糙上界"——无需知道分布!
|
||||
|
||||
---
|
||||
|
||||
### 1.3 协方差与相关系数
|
||||
|
||||
#### 一、协方差 $\text{Cov}(X,Y)$
|
||||
|
||||
**定义**:
|
||||
$$
|
||||
\text{Cov}(X,Y) = E[(X - E(X))(Y - E(Y))]
|
||||
$$
|
||||
|
||||
**等价公式**(**计算常用**):
|
||||
$$
|
||||
\text{Cov}(X,Y) = E(XY) - E(X) E(Y)
|
||||
$$
|
||||
|
||||
> *极简例子:* 若 $X, Y$ 独立,则 $\text{Cov}(X,Y) = 0$
|
||||
|
||||
#### 二、相关系数 $\rho_{XY}$(**标准化协方差**)
|
||||
|
||||
$$
|
||||
\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}
|
||||
$$
|
||||
|
||||
**性质**:
|
||||
- $-1 \le \rho_{XY} \le 1$
|
||||
- $\rho_{XY} = \pm 1 \iff X$ 与 $Y$ 之间**几乎处处**线性相关
|
||||
- $|\rho_{XY}| = 1 \iff \exists a, b$($a \ne 0$)使得 $P(Y = aX+b) = 1$
|
||||
|
||||
> *极简例子:* $Y = aX + b$ 时 $\rho_{XY} = \text{sgn}(a)$
|
||||
|
||||
#### 三、协方差的性质
|
||||
|
||||
| 性质 | 公式 |
|
||||
|------|------|
|
||||
| **自身** | $\text{Cov}(X,X) = D(X)$ |
|
||||
| **对称** | $\text{Cov}(X,Y) = \text{Cov}(Y,X)$ |
|
||||
| **线性** | $\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$ |
|
||||
| **分配律** | $\text{Cov}(X_1+X_2, Y) = \text{Cov}(X_1,Y) + \text{Cov}(X_2,Y)$ |
|
||||
| **与方差** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
|
||||
|
||||
#### 四、不相关性 ⭐⭐⭐(概念题必考)
|
||||
|
||||
**定义**:若 $\text{Cov}(X,Y) = 0$(等价于 $\rho_{XY}=0$),则称 $X,Y$ **不相关**。
|
||||
|
||||
**核心定理**:
|
||||
$$
|
||||
X, Y \text{ 独立} \Rightarrow X, Y \text{ 不相关}
|
||||
$$
|
||||
**反之不成立**(独立 $\not\Rightarrow$ 不相关除外)
|
||||
|
||||
> ⚠️ **重要例外**:若 $(X,Y) \sim$ **二维正态**,则
|
||||
> $$X, Y \text{ 独立} \iff X, Y \text{ 不相关}$$
|
||||
> 此时两个概念等价。
|
||||
|
||||
*反例*:$X \sim U(-1,1)$,$Y = X^2$,则 $Y$ 完全由 $X$ 决定,**不独立**;但可证 $\text{Cov}(X,Y)=0$,**不相关**。
|
||||
|
||||
---
|
||||
|
||||
### 1.4 矩与协方差矩阵
|
||||
|
||||
#### 一、原点矩与中心矩
|
||||
|
||||
**$k$ 阶原点矩**:$\mu_k = E(X^k)$
|
||||
|
||||
**$k$ 阶中心矩**:$\nu_k = E[(X - E(X))^k]$
|
||||
|
||||
> *极简例子:* $\mu_1 = E(X)$,$\nu_2 = D(X)$
|
||||
|
||||
#### 二、协方差矩阵
|
||||
|
||||
对于 $n$ 维随机变量 $(X_1, X_2, \ldots, X_n)$,其**协方差矩阵**为
|
||||
$$
|
||||
\Sigma =
|
||||
\begin{pmatrix}
|
||||
\text{Cov}(X_1,X_1) & \text{Cov}(X_1,X_2) & \cdots & \text{Cov}(X_1,X_n) \\
|
||||
\text{Cov}(X_2,X_1) & \text{Cov}(X_2,X_2) & \cdots & \text{Cov}(X_2,X_n) \\
|
||||
\vdots & \vdots & \ddots & \vdots \\
|
||||
\text{Cov}(X_n,X_1) & \text{Cov}(X_n,X_2) & \cdots & \text{Cov}(X_n,X_n)
|
||||
\end{pmatrix}
|
||||
$$
|
||||
|
||||
**关键性质**:
|
||||
- 对角线元素是各变量的**方差**($\ge 0$)
|
||||
- 矩阵是**对称**的
|
||||
- **半正定**:$x^T \Sigma x \ge 0$($\forall x \in \mathbb{R}^n$)
|
||||
|
||||
> *极简例子:* 二维情形 $\Sigma = \begin{pmatrix} \sigma_1^2 & \text{Cov}(X_1,X_2) \\ \text{Cov}(X_2,X_1) & \sigma_2^2 \end{pmatrix}$
|
||||
|
||||
#### 三、二元正态分布的关键结论 ⭐
|
||||
|
||||
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
|
||||
|
||||
| 结论 | 公式 |
|
||||
|------|------|
|
||||
| **边缘分布** | $X \sim N(\mu_1, \sigma_1^2)$,$Y \sim N(\mu_2, \sigma_2^2)$ |
|
||||
| **线性组合** | 任意线性组合仍服从正态 |
|
||||
| **独立 ⇔ 不相关** | $\rho = 0 \iff X, Y$ 独立 |
|
||||
| **条件分布** | $X\|Y=y \sim N\left(\mu_1 + \rho \frac{\sigma_1}{\sigma_2}(y-\mu_2), \sigma_1^2(1-\rho^2)\right)$ |
|
||||
|
||||
> 🔑 **核心**:二维正态下,独立与不相关等价——这是 Ch02 与本章交汇的核心考点!
|
||||
|
||||
---
|
||||
|
||||
## ② 必考题型分类索引
|
||||
|
||||
> 每个题型独立成文,包含完整的 mermaid 解题流程图、通法步骤、常见陷阱和经典母题。
|
||||
|
||||
| # | 题型 | 核心判据 | 详细笔记 |
|
||||
|---|------|---------|---------|
|
||||
| 1 | 数学期望的计算 | $E(X) = \sum x_i p_i$ 或 $\int x f(x) dx$ | [[题型1_数学期望的计算]] |
|
||||
| 2 | 随机变量函数的期望 | $E[g(X)]$、$E[g(X,Y)]$ 公式 | [[题型2_随机变量函数的期望]] |
|
||||
| 3 | 常见分布的期望与方差 | 速查表(0-1、二项、泊松、几何、超几何、均匀、指数、正态) | [[题型3_常见分布的期望与方差]] |
|
||||
| 4 | 方差的计算与性质 | $D(X) = E(X^2) - E^2(X)$、$D(aX+b) = a^2 D(X)$ | [[题型4_方差的计算与性质]] |
|
||||
| 5 | 协方差与相关系数 | $\text{Cov}(X,Y)$、$\rho_{XY}$ 的计算与性质 | [[题型5_协方差与相关系数]] |
|
||||
| 6 | 独立与不相关 | 独立 $\Rightarrow$ 不相关;反例:$X$ 与 $X^2$ | [[题型6_独立与不相关]] |
|
||||
| 7 | 切比雪夫不等式 | 估计概率 $P(\|X - \mu\| \ge \varepsilon) \le \sigma^2/\varepsilon^2$ | [[题型7_切比雪夫不等式]] |
|
||||
| 8 | 协方差矩阵与多元统计 | 多元正态、相关矩阵 | [[题型8_协方差矩阵与多元统计]] |
|
||||
|
||||
---
|
||||
|
||||
## ③ 高频考点与多维变换
|
||||
|
||||
### Top 5 高频考点
|
||||
|
||||
| 排名 | 考点 | 近15年考频 | 典型分值 |
|
||||
|------|------|-----------|---------|
|
||||
| 1 | 数学期望的计算(含函数期望) | 13次 | 4-12分 |
|
||||
| 2 | 方差的计算与性质 | 11次 | 4-10分 |
|
||||
| 3 | 协方差/相关系数 | 10次 | 4-8分 |
|
||||
| 4 | 独立与不相关辨析 | 6次 | 4分 |
|
||||
| 5 | 切比雪夫不等式 | 5次 | 4-6分 |
|
||||
|
||||
### 【示例:一题多角度】
|
||||
|
||||
**核心概念**:同一随机变量 $X$,考"期望"、"方差"、"协方差"三个数字特征
|
||||
|
||||
> **同一情境**:设 $(X,Y)$ 的联合密度为
|
||||
> $$f(x,y) = \begin{cases} 2, & 0 \le y \le x \le 1 \\ 0, & \text{其他} \end{cases}$$
|
||||
> 设 $Z = X + Y$,求 $E(Z)$、$D(Z)$、$\text{Cov}(X,Y)$。
|
||||
|
||||
**角度一:选择题(期望计算)**
|
||||
|
||||
$E(X) = \int_0^1 x \cdot 2x \, dx = 2/3$
|
||||
$E(Y) = \int_0^1 2y \cdot (1-y) \, dy = 1/3$
|
||||
$E(X+Y) = E(X) + E(Y) = 2/3 + 1/3 = 1$
|
||||
|
||||
**角度二:填空题(方差与协方差)**
|
||||
|
||||
$E(XY) = \int_0^1 \int_0^x 2xy \, dy \, dx = \int_0^1 x \cdot x^2 \, dx = 1/4$
|
||||
$\text{Cov}(X,Y) = E(XY) - E(X)E(Y) = 1/4 - 2/9 = 1/36$
|
||||
$D(X) = E(X^2) - E^2(X) = 1/2 - 4/9 = 1/18$
|
||||
$D(Y) = E(Y^2) - E^2(Y) = 1/6 - 1/9 = 1/18$
|
||||
$D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y) = 1/18 + 1/18 + 2/36 = 1/6$
|
||||
|
||||
**角度三:解答题(综合——二维正态的反演)**
|
||||
|
||||
若 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,求:
|
||||
- $E(X+Y), D(X+Y)$:利用上述公式
|
||||
- $\rho_{XY}$ 是否为 0:决定 $X+Y$ 是否仍正态(若是,则 $X+Y \sim N(\mu_1+\mu_2, \sigma_1^2+\sigma_2^2+2\rho\sigma_1\sigma_2)$)
|
||||
|
||||
**启示**:
|
||||
- **选择题**考"期望的线性可加性"(无论独立与否)
|
||||
- **填空题**考"$\text{Cov}=E(XY)-E(X)E(Y)$"公式
|
||||
- **解答题**考"二维正态下独立 ⇔ 不相关"的等价条件
|
||||
|
||||
**核心公式速记**:
|
||||
- **期望线性**:$E(X+Y)=E(X)+E(Y)$(**无需独立**)
|
||||
- **方差展开**:$D(X+Y)=D(X)+D(Y)+2\text{Cov}(X,Y)$(**不可漏协方差**)
|
||||
- **协方差计算**:$\text{Cov}(X,Y)=E(XY)-E(X)E(Y)$
|
||||
|
||||
---
|
||||
|
||||
## ④ 方法论与解题通法 (Methodology)
|
||||
|
||||
### 方法一:期望计算的"两条路径"
|
||||
|
||||
```
|
||||
E(X) 计算
|
||||
├── 路径 A:直接法(先求 X 的分布律/密度)
|
||||
│ ├── 离散:E(X) = Σ x_i p_i
|
||||
│ └── 连续:E(X) = ∫ x f(x) dx
|
||||
└── 路径 B:函数期望公式 E[g(X)] = ∫ g(x) f(x) dx
|
||||
├── 优点:不需先求 Y = g(X) 的分布
|
||||
└── 注意:积分变量仍是 x,不是 y = g(x)
|
||||
```
|
||||
|
||||
### 方法二:方差计算的"等价变形"
|
||||
|
||||
**核心公式**(**首选**):
|
||||
$$
|
||||
D(X) = E(X^2) - E^2(X)
|
||||
$$
|
||||
|
||||
**计算套路**:
|
||||
1. 用定义/函数期望公式求 $E(X)$
|
||||
2. 用函数期望公式求 $E(X^2)$
|
||||
3. 相减得 $D(X)$
|
||||
|
||||
**避开**:直接用 $E[(X-E(X))^2]$ 展开(计算量大)
|
||||
|
||||
> *口诀*:"**先算二次,再减一次的平方**"——E(X²) − E²(X)
|
||||
|
||||
### 方法三:协方差与相关系数的"公式族"
|
||||
|
||||
| 公式 | 适用场景 |
|
||||
|------|---------|
|
||||
| $\text{Cov}(X,Y) = E(XY) - E(X)E(Y)$ | 已知联合密度/分布律 |
|
||||
| $\text{Cov}(X,Y) = E[(X-\mu_X)(Y-\mu_Y)]$ | 已知边缘但无联合(难以直接用)|
|
||||
| $\rho_{XY} = \text{Cov}(X,Y) / (\sigma_X \sigma_Y)$ | 求相关系数 |
|
||||
| $D(X \pm Y) = D(X)+D(Y) \pm 2\text{Cov}(X,Y)$ | 求 $X \pm Y$ 的方差 |
|
||||
|
||||
### 方法四:独立与不相关的"判定三连"
|
||||
|
||||
```
|
||||
第一步:先算 Cov(X,Y) = E(XY) - E(X)E(Y)
|
||||
├── = 0 → X, Y 不相关
|
||||
└── ≠ 0 → X, Y 相关
|
||||
|
||||
第二步:是否独立?
|
||||
├── 二维正态:独立 ⇔ 不相关(重要等价)
|
||||
└── 一般情形:独立 ⇒ 不相关,反之不成立
|
||||
|
||||
第三步:特殊反例
|
||||
└── X ~ U(-1,1), Y = X²:相关但独立?不!Y 被 X 决定
|
||||
⇒ 实际是不独立、不相关
|
||||
```
|
||||
|
||||
### 方法五:跨章节通法速查表
|
||||
|
||||
| 通用技法 | 本章出现场景 | 后续章节升级 | 判断依据 |
|
||||
|---------|------------|------------|---------|
|
||||
| **线性可加(无需独立)** | $E(X+Y) = E(X)+E(Y)$ | Ch05 中心极限定理、Ch08 样本均值 | 求多变量和的均值 |
|
||||
| **方差分解** | $D(X)=E(X^2)-E^2(X)$ | Ch05 切比雪夫大数定律 | 简化方差计算 |
|
||||
| **协方差判定独立** | $\rho_{XY} = 0$ | Ch05 相合性、Ch08 估计效率 | 多元相关性 |
|
||||
| **标准化变换** | $X^* = (X-\mu)/\sigma$ | Ch05 中心极限定理(标准化) | 不同分布间的可比性 |
|
||||
| **切比雪夫不等式** | $P(\|X-\mu\|\ge\varepsilon) \le \sigma^2/\varepsilon^2$ | Ch05 大数定律证明 | 仅知均值方差时估计概率 |
|
||||
| **分布函数积分** | $E(X)=\int x f(x) dx$ | Ch02 连续型分布 | 已知密度直接积分 |
|
||||
|
||||
---
|
||||
|
||||
## ⑤ 易错点红黑榜 (The Pitfall List)
|
||||
|
||||
### ❌ 错误 1:把"独立"和"不相关"等同
|
||||
|
||||
- **错误表现**:认为 $X, Y$ 不相关 $\Rightarrow$ $X, Y$ 独立
|
||||
- **正确理解**:
|
||||
- **独立 $\Rightarrow$ 不相关**(反之不成立)
|
||||
- **反例**:$X \sim U(-1,1), Y = X^2$,则 $Y$ 完全由 $X$ 决定,但 $\text{Cov}(X,Y) = 0$
|
||||
- **唯一例外**:$(X,Y) \sim$ 二维正态时,独立 $\iff$ 不相关
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ "不相关 ⇒ 独立" (错误!反例:X ~ U(-1,1), Y = X²)
|
||||
✅ "独立 ⇒ 不相关" (永远成立)
|
||||
✅ "二维正态时:独立 ⇔ 不相关" (特殊情形)
|
||||
```
|
||||
|
||||
### ❌ 错误 2:$D(X+Y) = D(X) + D(Y)$ 误用
|
||||
|
||||
- **错误表现**:用 $D(X+Y) = D(X) + D(Y)$ 计算任意两个 $X, Y$ 的和方差
|
||||
- **正确理解**:$D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y)$,仅当 $X, Y$ **独立**(或 $\text{Cov}=0$)时才能略去协方差项
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ D(X+Y) = D(X) + D(Y) (没说明独立,错了)
|
||||
✅ D(X+Y) = D(X) + D(Y) + 2Cov(X,Y) (一般情形)
|
||||
✅ X,Y 独立时:D(X+Y) = D(X) + D(Y) (独立才成立)
|
||||
```
|
||||
|
||||
### ❌ 错误 3:$E(XY) = E(X)E(Y)$ 误用
|
||||
|
||||
- **错误表现**:写 $E(XY) = E(X) E(Y)$ 而忘记"独立"前提
|
||||
- **正确理解**:$E(XY) = E(X) E(Y)$ **仅在 $X,Y$ 独立时**成立;非独立时必须用联合密度求 $E(XY) = \iint xy f(x,y) dxdy$
|
||||
|
||||
### ❌ 错误 4:函数期望 $E[g(X,Y)]$ 误用变量
|
||||
|
||||
- **错误表现**:$E[g(X,Y)] = \int g(x) f(x) dx$ 或 $E[g(X,Y)] = \int g(y) f_Y(y) dy$
|
||||
- **正确理解**:必须用**联合密度 $f(x,y)$** 对二维积分,**不能**只用边缘密度
|
||||
|
||||
**【对比示例】**:
|
||||
```
|
||||
❌ E(X+Y) = ∫ (x+y) f_X(x) dx (错!只用边缘密度)
|
||||
✅ E(X+Y) = ∬ (x+y) f(x,y) dxdy (用联合密度)
|
||||
✅ 或:E(X+Y) = E(X) + E(Y) (线性可加,无需独立)
|
||||
```
|
||||
|
||||
### ❌ 错误 5:切比雪夫不等式反向误用
|
||||
|
||||
- **错误表现**:看到题中给 $\mu, \sigma^2$ 想反求 $\varepsilon$
|
||||
- **正确理解**:切比雪夫不等式给出的是**概率的上界**(不需知道分布);不是精确概率,更不能用来反求参数
|
||||
|
||||
### ❌ 错误 6:$\rho_{XY}$ 与"因果关系"混淆
|
||||
|
||||
- **错误表现**:$\rho_{XY} = 0.9$ 就认为 "$X$ 影响 $Y$"
|
||||
- **正确理解**:$\rho_{XY}$ 只衡量**线性关系**的强度;$|\rho_{XY}| = 1$ 时才存在严格的线性关系;$0.9$ 仅说明线性趋势强,不代表因果
|
||||
|
||||
### ❌ 错误 7:协方差矩阵的非负定性遗忘
|
||||
|
||||
- **错误表现**:构造"协方差矩阵"时忘记矩阵必须是**对称半正定**
|
||||
- **正确理解**:任意**对称半正定**矩阵 $\Sigma$ 都是某个随机向量 $\mathbf{X}$ 的协方差矩阵
|
||||
|
||||
---
|
||||
|
||||
## ⑥ 考研导向复习策略 (Exam Strategy)
|
||||
|
||||
### 优先级与建议题量
|
||||
|
||||
| 子专题 | 优先级 | 建议刷题量 | 说明 |
|
||||
|--------|--------|-----------|------|
|
||||
| 期望的计算(含函数期望) | **高** | 30+ 道 | 每年必考,应用最广 |
|
||||
| 方差的计算与性质 | **高** | 25+ 道 | 数字特征的核心 |
|
||||
| 协方差与相关系数 | **高** | 20+ 道 | 与独立判定直接关联 |
|
||||
| 独立 vs 不相关 | **高** | 15 道 | 概念题高频陷阱 |
|
||||
| 常见分布的期望方差 | **高** | 10 道 | 速查表必须背熟 |
|
||||
| 切比雪夫不等式 | **中** | 8 道 | 大数定律前置 |
|
||||
| 协方差矩阵 | **中** | 6 道 | 多元正态的载体 |
|
||||
| 矩 | **低** | 3 道 | 了解即可 |
|
||||
|
||||
### 跨章节连接
|
||||
|
||||
```
|
||||
┌─────────────────────────────────┐
|
||||
│ Ch02 随机变量及其分布 │
|
||||
│ · 离散/连续分布律/密度 │
|
||||
│ · 分布函数 F(x) │
|
||||
│ · 二维分布 │
|
||||
└───────────────┬─────────────────┘
|
||||
│
|
||||
┌───────────────┼───────────────┐
|
||||
↓ ↓ ↓
|
||||
┌───────────────────────────────────────────┐
|
||||
│ Ch04 随机变量的数字特征 ← 本章 │
|
||||
│ · E(X)、D(X) │
|
||||
│ · Cov(X,Y)、ρ_XY │
|
||||
│ · 独立 vs 不相关 │
|
||||
│ · 协方差矩阵 │
|
||||
└──────┬─────────────────────┬──────────────┘
|
||||
│ │
|
||||
┌──────────────┴──────┐ ┌─────────┴──────────┐
|
||||
↓ ↓ ↓ ↓
|
||||
Ch05 大数定律 Ch06 数理统计 Ch07 参数估计
|
||||
X̄→μ 依概率 样本均值/方差 估计量评价
|
||||
切比雪夫不等式 三大分布 有效估计
|
||||
中心极限定理 充分统计量 UMVUE
|
||||
```
|
||||
|
||||
#### 🔥 跨章节综合题命题模式(高频!必须掌握)
|
||||
|
||||
**模式 1:函数期望 + 切比雪夫不等式**
|
||||
> 例题:$X \sim E(\lambda)$(指数分布),$Y = X^2$,求 $E(Y)$,并用切比雪夫不等式估计 $P(|Y - E(Y)| \ge 2)$。
|
||||
>
|
||||
> **解**:$E(X) = 1/\lambda, D(X) = 1/\lambda^2$;$E(Y) = E(X^2) = D(X) + E^2(X) = 2/\lambda^2$;$D(Y) = E(X^4) - E^2(X^2)$;由切比雪夫不等式:$P(|Y-E(Y)|\ge 2) \le D(Y)/4$。
|
||||
>
|
||||
> **考点**:函数期望 + 切比雪夫不等式 + 分布的高阶矩。
|
||||
|
||||
**模式 2:协方差 + 二维正态**
|
||||
> 例题:$(X,Y) \sim N(0,0,1,1,\rho)$,求 $D(X+Y)$ 和 $D(X-Y)$,并判断 $X+Y$ 与 $X-Y$ 的独立性。
|
||||
>
|
||||
> **解**:$D(X+Y) = 1 + 1 + 2\rho = 2(1+\rho)$;$D(X-Y) = 2(1-\rho)$;当 $\rho = 0$ 时 $D(X+Y)=D(X-Y)=2$,且 $X+Y, X-Y$ 独立(正态性质)。
|
||||
>
|
||||
> **考点**:协方差 + 二维正态的独立判定 + 线性变换。
|
||||
|
||||
**模式 3:独立与不相关辨析**
|
||||
> 例题:$X \sim U(-1,1)$,$Y = X^2$,判断 $X, Y$ 是否独立?是否不相关?
|
||||
>
|
||||
> **解**:
|
||||
> - **独立否**:$Y$ 完全由 $X$ 决定,$X = 0 \Rightarrow Y = 0$,$X = 0.5 \Rightarrow Y = 0.25$,所以不独立。
|
||||
> - **不相关是**:$\text{Cov}(X,Y) = E(X^3) - E(X)E(X^2) = 0 - 0 \cdot 1/3 = 0$(奇函数积分 + $E(X) = 0$)。
|
||||
>
|
||||
> **考点**:构造独立 vs 不相关的反例。
|
||||
|
||||
**模式 4:常见分布期望方差的"逆问题"**
|
||||
> 例题:$E(X) = 2, D(X) = 4$,$X$ 服从什么常见分布?
|
||||
>
|
||||
> **解**:$\sigma = 2$,$\mu = 2$。若 $X \sim N(\mu, \sigma^2)$,则 $X \sim N(2, 4)$。
|
||||
>
|
||||
> **考点**:从数字特征反推分布。
|
||||
|
||||
#### 🔗 与 Ch05 大数定律的衔接
|
||||
|
||||
| 本章概念 | Ch05 对应 | 关系 |
|
||||
|---------|----------|------|
|
||||
| 期望 $E(X)$ | 依概率收敛的极限 | $\bar{X_n} \xrightarrow{P} E(X)$ |
|
||||
| 方差 $D(X)$ | 切比雪夫不等式 | 直接用 $D(X)$ 估计偏离 |
|
||||
| 切比雪夫不等式 | 大数定律证明 | 核心工具 |
|
||||
| 独立 | 切比雪夫大数定律的前提 | 必须独立 |
|
||||
|
||||
#### 🔗 与 Ch06 数理统计的衔接
|
||||
|
||||
| 本章概念 | Ch06 对应 | 关系 |
|
||||
|---------|----------|------|
|
||||
| $E(X), D(X)$ | 总体均值 $\mu$,总体方差 $\sigma^2$ | 数字特征 = 总体参数 |
|
||||
| 协方差矩阵 | 多元正态的协方差矩阵 | 数理统计的多元推广 |
|
||||
|
||||
---
|
||||
|
||||
### 【终极母题推荐】
|
||||
|
||||
> **题目**:设二维随机变量 $(X,Y)$ 的联合密度为
|
||||
> $$f(x,y) = \begin{cases} \dfrac{1}{8}(x+y), & 0 \le x \le 2, 0 \le y \le 2 \\ 0, & \text{其他} \end{cases}$$
|
||||
>
|
||||
> 求:(1) $E(X), E(Y)$;(2) $D(X), D(Y)$;(3) $\text{Cov}(X,Y), \rho_{XY}$;(4) $D(X+Y)$;(5) 判断 $X, Y$ 是否独立?
|
||||
|
||||
**此题融合**:
|
||||
- 期望的计算(一重积分,**用边缘密度**)
|
||||
- 方差的计算($E(X^2) - E^2(X)$)
|
||||
- 协方差与相关系数(公式法)
|
||||
- 方差展开(用协方差修正)
|
||||
- 独立 vs 不相关(用 $\rho_{XY}$ 判定)
|
||||
|
||||
**标准答案**(部分):
|
||||
- 边缘密度 $f_X(x) = \int_0^2 \frac{1}{8}(x+y) dy = \frac{1}{4}(x+1)$
|
||||
- $E(X) = \int_0^2 x \cdot \frac{1}{4}(x+1) dx = \frac{1}{4}(\frac{8}{3}+2) = \frac{7}{6}$
|
||||
- $E(X^2) = \int_0^2 x^2 \cdot \frac{1}{4}(x+1) dx = \frac{1}{4}(\frac{16}{4}+\frac{8}{3}) = \frac{5}{3}$
|
||||
- $D(X) = \frac{5}{3} - (\frac{7}{6})^2 = \frac{5}{3} - \frac{49}{36} = \frac{60-49}{36} = \frac{11}{36}$
|
||||
|
||||
**为什么这是"终极母题"**:
|
||||
✅ 期望/方差/协方差/相关系数**全考点覆盖**
|
||||
✅ 用函数期望公式 + 边缘密度计算(一类通用方法)
|
||||
✅ 独立 vs 不相关的完整判定流程
|
||||
✅ $D(X+Y)$ 的展开公式
|
||||
✅ 与 Ch02 二维分布的衔接(已知联合密度求边缘)
|
||||
|
||||
**🔗 这道题的 Ch05 升级版(预告)**:
|
||||
> 若 $X_1, X_2, \ldots, X_n$ 独立同分布于 $(X,Y)$ 中的 $X$,求 $\bar{X_n}$ 的均值与方差。这正是 Ch05 大数定律的研究对象:**样本均值 $\bar{X_n}$ 依概率收敛到 $\mu$**。
|
||||
|
||||
**这道题做完且理解透彻 → 本章"通关"。**
|
||||
|
||||
---
|
||||
|
||||
> **下一步**:完成后可进入 Ch05 大数定律与中心极限定理,数字特征将升级为"依概率收敛"与"依分布收敛"。
|
||||
@@ -0,0 +1,143 @@
|
||||
# 题型一:数学期望的计算
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干给出随机变量的**分布律**(离散)或**密度函数**(连续)
|
||||
- 要求计算 $E(X)$
|
||||
- 可能涉及**分段函数**的期望(如 $X \sim U(0,2)$ 求 $E(|X-1|)$)
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:求 E X] --> B{什么类型?}
|
||||
B -->|离散型| C[列出分布律: P X = x_i = p_i]
|
||||
B -->|连续型| D[写出密度 f x]
|
||||
C --> E["E X = Σ x_i p_i"]
|
||||
D --> F["E X = ∫ x f x dx"]
|
||||
E --> G[检查级数/积分收敛]
|
||||
F --> G
|
||||
G --> H{绝对收敛?}
|
||||
H -->|否| I[E X 不存在]
|
||||
H -->|是| J[得出 E X]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、离散型期望
|
||||
|
||||
$$
|
||||
E(X) = \sum_{i} x_i p_i, \quad \text{前提: } \sum_i |x_i| p_i < \infty
|
||||
$$
|
||||
|
||||
### 二、连续型期望
|
||||
|
||||
$$
|
||||
E(X) = \int_{-\infty}^{+\infty} x f(x) dx, \quad \text{前提: } \int_{-\infty}^{+\infty} |x| f(x) dx < \infty
|
||||
$$
|
||||
|
||||
### 三、特殊情形的处理
|
||||
|
||||
| 情形 | 处理方式 |
|
||||
|------|---------|
|
||||
| **分段定义** | 拆分区间,分别积分再求和 |
|
||||
| **绝对值** | $E(\|X-a\|) = \int \|x-a\| f(x) dx$ |
|
||||
| **指示变量** | $E(I_A) = P(A)$,可用此性质简化计算 |
|
||||
| **$\max$/$\min$** | $E(\max(X,Y)) = \int (x+y-\|x-y\|)/2 \cdot f(x,y) dxdy$ |
|
||||
|
||||
### 四、计算公式与速查
|
||||
|
||||
| 分布 | $E(X)$ |
|
||||
|------|--------|
|
||||
| 0-1 分布 $B(1,p)$ | $p$ |
|
||||
| 二项 $B(n,p)$ | $np$ |
|
||||
| 泊松 $P(\lambda)$ | $\lambda$ |
|
||||
| 几何 $G(p)$ | $1/p$ |
|
||||
| 均匀 $U(a,b)$ | $(a+b)/2$ |
|
||||
| 指数 $E(\lambda)$ | $1/\lambda$ |
|
||||
| 正态 $N(\mu, \sigma^2)$ | $\mu$ |
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **绝对收敛遗忘**:级数 $\sum x_i p_i$ 必须**绝对收敛**才能求期望,否则 $E(X)$ 不存在(如 Cauchy 分布的均值不存在)
|
||||
- **积分上下限错误**:连续型必须写 $-\infty$ 到 $+\infty$,或对应密度的非零区间
|
||||
- **符号错误**:$x$ 是积分变量,不能用 $y$ 替换(最终结果应是常数)
|
||||
- **分段函数遗漏**:分段定义的密度,每段都要积分
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**(离散):设 $X$ 的分布律为 $P(X=k) = \dfrac{1}{2^k}, k = 1, 2, \ldots$。求 $E(X)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
这是几何分布($p = 1/2$):
|
||||
$$
|
||||
E(X) = \sum_{k=1}^{\infty} k \cdot \frac{1}{2^k}
|
||||
$$
|
||||
|
||||
利用**级数技巧**:令 $S = \sum_{k=1}^\infty x^k = \dfrac{x}{1-x}$($|x|<1$),对 $x$ 求导:
|
||||
$$
|
||||
\sum_{k=1}^\infty k x^{k-1} = \frac{1}{(1-x)^2}
|
||||
$$
|
||||
|
||||
代入 $x = 1/2$:
|
||||
$$
|
||||
E(X) = \sum_{k=1}^\infty k \left(\frac{1}{2}\right)^k = \frac{1/2}{(1-1/2)^2} = \frac{1/2}{1/4} = 2
|
||||
$$
|
||||
|
||||
**复盘**:几何分布期望公式 $E(G(p)) = 1/p$,代入 $p=1/2$ 得 $E(X)=2$ ✓
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**(连续):设 $X$ 的密度为 $f(x) = \dfrac{1}{2} e^{-|x|}$(**双指数分布 / Laplace 分布**)。求 $E(X)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
E(X) = \int_{-\infty}^{+\infty} x \cdot \frac{1}{2} e^{-|x|} dx
|
||||
$$
|
||||
|
||||
由于 $x \cdot e^{-|x|}$ 是**奇函数**,在 $(-\infty, +\infty)$ 上积分为 $0$:
|
||||
$$
|
||||
E(X) = 0
|
||||
$$
|
||||
|
||||
**复盘**:双指数分布关于 $0$ 对称,故均值为 $0$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**(分段函数):设 $X \sim U(0, 2)$,求 $E(|X - 1|)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$|X-1|$ 是关于 $X=1$ 对称的分段函数:
|
||||
- 当 $0 \le x \le 1$ 时,$|x-1| = 1-x$
|
||||
- 当 $1 < x \le 2$ 时,$|x-1| = x-1$
|
||||
|
||||
$$
|
||||
E(|X-1|) = \int_0^1 (1-x) \cdot \frac{1}{2} dx + \int_1^2 (x-1) \cdot \frac{1}{2} dx
|
||||
$$
|
||||
|
||||
分别计算:
|
||||
$$
|
||||
= \frac{1}{2} \left[ x - \frac{x^2}{2} \right]_0^1 + \frac{1}{2} \left[ \frac{x^2}{2} - x \right]_1^2 = \frac{1}{2} \cdot \frac{1}{2} + \frac{1}{2} \cdot \frac{1}{2} = \frac{1}{2}
|
||||
$$
|
||||
|
||||
**复盘**:分段绝对值 → 分段积分。对称情形可简化(如本例左右相等,故 $1/2$)。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X \sim P(\lambda)$(泊松),求 $E(X)$。
|
||||
>
|
||||
> **解**:$E(X) = \sum_{k=0}^\infty k \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \lambda \sum_{k=1}^\infty \frac{\lambda^{k-1}}{(k-1)!} = e^{-\lambda} \lambda \cdot e^{\lambda} = \lambda$。
|
||||
|
||||
> **变式 2**:设 $X$ 的密度 $f(x) = \dfrac{1}{\pi} \cdot \dfrac{1}{1+x^2}$(Cauchy 分布)。证明 $E(X)$ 不存在。
|
||||
>
|
||||
> **解**:$\int_{-\infty}^{+\infty} |x| \cdot \frac{1}{\pi(1+x^2)} dx = \frac{2}{\pi} \int_0^{+\infty} \frac{x}{1+x^2} dx = \frac{1}{\pi} \ln(1+x^2) \Big|_0^{+\infty} = \infty$(不绝对收敛)。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**离散**:$\sum x_i p_i$;**连续**:$\int x f(x) dx$"
|
||||
> - "**必须绝对收敛**"
|
||||
> - "**常见分布**:二项 $np$,泊松 $\lambda$,均匀中点,指数 $1/\lambda$,正态 $\mu$"
|
||||
@@ -0,0 +1,177 @@
|
||||
# 题型二:随机变量函数的期望
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干给出 $Y = g(X)$ 或 $Z = g(X,Y)$,**直接求 $E(Y)$ 或 $E(Z)$**
|
||||
- **不必先求 $Y$(或 $Z$)的分布**
|
||||
- 关键公式:$E[g(X)] = \int g(x) f(x) dx$(连续);$E[g(X,Y)] = \iint g(x,y) f(x,y) dxdy$(二维)
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:求 E g X 或 E g X,Y] --> B{几维?}
|
||||
B -->|一维| C[写出 X 的密度 f x]
|
||||
B -->|二维| D[写出联合密度 f x,y]
|
||||
C --> E["E g X = ∫ g x f x dx"]
|
||||
D --> F["E g X,Y = ∬ g x,y f x,y dxdy"]
|
||||
E --> G[计算积分]
|
||||
F --> G
|
||||
G --> H{已知联合?}
|
||||
H -->|是| I[直接计算]
|
||||
H -->|否| J[先用全概率/边缘求密度]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、一维随机变量函数期望
|
||||
|
||||
**离散**:
|
||||
$$
|
||||
E[g(X)] = \sum_i g(x_i) p_i
|
||||
$$
|
||||
|
||||
**连续**:
|
||||
$$
|
||||
E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx
|
||||
$$
|
||||
|
||||
> **核心**:积分变量仍是 $x$,**不是** $y=g(x)$——不必求出 $Y=g(X)$ 的密度!
|
||||
|
||||
### 二、二维随机变量函数期望 ⭐⭐⭐
|
||||
|
||||
**离散**:
|
||||
$$
|
||||
E[g(X,Y)] = \sum_i \sum_j g(x_i, y_j) p_{ij}
|
||||
$$
|
||||
|
||||
**连续**:
|
||||
$$
|
||||
E[g(X,Y)] = \iint_{\mathbb{R}^2} g(x,y) f(x,y) dxdy
|
||||
$$
|
||||
|
||||
> ⚠️ **必须用联合密度**!不能用 $\int g(x) f_X(x) dx$ 或 $\int g(y) f_Y(y) dy$!
|
||||
|
||||
### 三、常用技巧
|
||||
|
||||
| 技巧 | 适用情形 |
|
||||
|------|---------|
|
||||
| **$E(I_A) = P(A)$** | 涉及事件指示变量 |
|
||||
| **$E(\|X\|) = 2\int_0^\infty x f(x) dx$** | 非负或对称分布 |
|
||||
| **$E[\max(X,Y)] = E(X) + E(Y) - E[\min(X,Y)]$** | 最大/最小值 |
|
||||
| **对称性** | 奇函数 $\Rightarrow$ 积分为 $0$ |
|
||||
|
||||
### 四、特殊情形的简便公式
|
||||
|
||||
- $E(aX+b) = aE(X) + b$
|
||||
- $E(X+Y) = E(X) + E(Y)$(**无需独立**)
|
||||
- $E(XY) = E(X) E(Y)$(**必须独立**)
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **二维情形错用边缘密度**:$E[g(X,Y)] = \int g(x,y) f_X(x) f_Y(y) dxdy$ 仅在**独立时**成立;非独立必须用联合密度
|
||||
- **积分变量错位**:把 $y=g(x)$ 当成新变量代入,反而要求 $g$ 的反函数(**错误路径**!)
|
||||
- **绝对值/分段函数遗忘**:分段定义必须分段积分
|
||||
- **独立性假设**:当用 $E(XY) = E(X) E(Y)$ 时必须验证独立
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:设 $X \sim U(0, 1)$,$Y = e^X$,求 $E(Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
不必求 $Y$ 的密度,直接用函数期望公式:
|
||||
$$
|
||||
E(Y) = E(e^X) = \int_0^1 e^x \cdot 1 \, dx = e^x \Big|_0^1 = e - 1
|
||||
$$
|
||||
|
||||
**复盘**:函数期望的核心优势——**不必先求 $Y$ 的分布**!
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $(X,Y)$ 联合密度为 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $E(XY)$ 和 $E(X+Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
**求 $E(XY)$**(用联合密度):
|
||||
$$
|
||||
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) \, dy \, dx
|
||||
$$
|
||||
|
||||
先对 $y$ 积分:
|
||||
$$
|
||||
\int_0^2 xy \cdot \frac{1}{8}(x+y) dy = \frac{1}{8} \int_0^2 (x^2 y + xy^2) dy = \frac{1}{8} \left( 2x^2 + \frac{8x}{3} \right) = \frac{x^2}{4} + \frac{x}{3}
|
||||
$$
|
||||
|
||||
再对 $x$ 积分:
|
||||
$$
|
||||
E(XY) = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) dx = \frac{1}{4} \cdot \frac{8}{3} + \frac{1}{3} \cdot 2 = \frac{2}{3} + \frac{2}{3} = \frac{4}{3}
|
||||
$$
|
||||
|
||||
**求 $E(X+Y)$**(两种方法):
|
||||
|
||||
方法 1:函数期望公式
|
||||
$$
|
||||
E(X+Y) = \iint (x+y) \cdot \frac{1}{8}(x+y) dxdy = \int_0^2 \int_0^2 \frac{1}{8}(x+y)^2 dxdy
|
||||
$$
|
||||
|
||||
方法 2:**线性可加**
|
||||
$$
|
||||
E(X+Y) = E(X) + E(Y) = \frac{7}{6} + \frac{7}{6} = \frac{7}{3}
|
||||
$$
|
||||
|
||||
**复盘**:
|
||||
- **求 $E(XY)$**:必须用联合密度(不独立!)
|
||||
- **求 $E(X+Y)$**:直接用线性可加,无需独立
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $X_1, X_2, \ldots, X_n$ **独立同分布**于 $U(0,1)$,$Y = \max(X_1, \ldots, X_n)$。求 $E(Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$Y$ 的分布函数:$F_Y(y) = y^n$($0 \le y \le 1$),密度 $f_Y(y) = ny^{n-1}$。
|
||||
|
||||
方法 1(函数期望公式):
|
||||
$$
|
||||
E(Y) = \int_0^1 y \cdot ny^{n-1} dy = \frac{n}{n+1}
|
||||
$$
|
||||
|
||||
**复盘**:连续型函数期望公式的标准应用——求出 $Y$ 的密度后直接积分。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:设 $X, Y$ 独立,$X \sim U(0,1), Y \sim E(1)$(指数)。求 $E(X^2 Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
独立时函数可分离:
|
||||
$$
|
||||
E(X^2 Y) = E(X^2) \cdot E(Y)
|
||||
$$
|
||||
|
||||
其中:
|
||||
- $E(X^2) = \int_0^1 x^2 dx = 1/3$
|
||||
- $E(Y) = 1/\lambda = 1$
|
||||
|
||||
故 $E(X^2 Y) = 1/3$。
|
||||
|
||||
**复盘**:**独立时**,$E(g(X) h(Y)) = E(g(X)) \cdot E(h(Y))$——这是 Ch05 大数定律的重要工具。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X \sim P(\lambda)$,求 $E(e^{2X})$。
|
||||
>
|
||||
> **解**:$E(e^{2X}) = \sum_{k=0}^\infty e^{2k} \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \sum_{k=0}^\infty \frac{(\lambda e^2)^k}{k!} = e^{-\lambda} \cdot e^{\lambda e^2} = e^{\lambda(e^2-1)}$(**矩母函数**)
|
||||
|
||||
> **变式 2**:$X \sim N(\mu, \sigma^2)$,求 $E(e^X)$。
|
||||
>
|
||||
> **解**:$E(e^X) = e^{\mu + \sigma^2/2}$(**矩母函数**,常用于期权定价)
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**不必先求 $Y$ 的分布**"
|
||||
> - "**积分变量仍是原变量**(不是 $y=g(x)$)"
|
||||
> - "**二维必须用联合密度**"
|
||||
> - "**独立时可分离** $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"
|
||||
@@ -0,0 +1,154 @@
|
||||
# 题型三:常见分布的期望与方差
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干直接给出或可识别为**常见分布**(二项、泊松、几何、超几何、均匀、指数、正态等)
|
||||
- 要求计算期望 $E(X)$ 或方差 $D(X)$
|
||||
- 或者已知 $E(X), D(X)$,**反推分布**
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:常见分布的 E X / D X] --> B{已知分布?}
|
||||
B -->|是| C[查速查表直接得结果]
|
||||
B -->|否| D[判断属于哪类分布]
|
||||
D --> E{离散 or 连续?}
|
||||
E -->|离散| F[判断: 二项/泊松/几何/超几何/0-1]
|
||||
E -->|连续| G[判断: 均匀/指数/正态]
|
||||
F --> H[代入参数计算]
|
||||
G --> H
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、八大分布速查表 ⭐⭐⭐(必背)
|
||||
|
||||
| 分布 | 记号 | 参数 | $E(X)$ | $D(X)$ |
|
||||
|------|------|------|--------|--------|
|
||||
| **0-1 分布** | $B(1,p)$ | $p \in (0,1)$ | $p$ | $p(1-p)$ |
|
||||
| **二项分布** | $B(n,p)$ | $n \ge 1, p \in (0,1)$ | $np$ | $np(1-p)$ |
|
||||
| **泊松分布** | $P(\lambda)$ | $\lambda > 0$ | $\lambda$ | $\lambda$ |
|
||||
| **几何分布** | $G(p)$ | $p \in (0,1)$ | $1/p$ | $(1-p)/p^2$ |
|
||||
| **超几何分布** | $H(N, M, n)$ | $N, M, n$ | $nM/N$ | $nM(N-M)(N-n)/(N^2(N-1))$ |
|
||||
| **均匀分布** | $U(a,b)$ | $a < b$ | $(a+b)/2$ | $(b-a)^2/12$ |
|
||||
| **指数分布** | $E(\lambda)$ | $\lambda > 0$ | $1/\lambda$ | $1/\lambda^2$ |
|
||||
| **正态分布** | $N(\mu, \sigma^2)$ | $\mu, \sigma > 0$ | $\mu$ | $\sigma^2$ |
|
||||
|
||||
> 🔑 **核心记忆口诀**:
|
||||
> - 二项:"**$E=np$,$D=np(1-p)$**"
|
||||
> - 泊松:"**$E=D=\lambda$**"
|
||||
> - 均匀:"**$E$ 中点,$D = (b-a)^2/12$**"
|
||||
> - 指数:"**$E=1/\lambda$,$D=1/\lambda^2$**"
|
||||
> - 正态:"**$E=\mu$,$D=\sigma^2$**"
|
||||
|
||||
### 二、利用已知结论推导
|
||||
|
||||
**二项 $B(n,p)$**:$X = \sum_{i=1}^n X_i$,$X_i \sim B(1,p)$ 独立同分布
|
||||
$$
|
||||
E(X) = \sum E(X_i) = np, \quad D(X) = \sum D(X_i) = np(1-p)
|
||||
$$
|
||||
|
||||
**泊松 $P(\lambda)$**:通过定义展开或特征函数
|
||||
$$
|
||||
E(X) = \sum k \cdot \frac{\lambda^k}{k!} e^{-\lambda} = \lambda
|
||||
$$
|
||||
|
||||
**指数 $E(\lambda)$**:密度 $f(x) = \lambda e^{-\lambda x}$($x \ge 0$)
|
||||
$$
|
||||
E(X) = \int_0^\infty x \lambda e^{-\lambda x} dx = \frac{1}{\lambda}, \quad D(X) = \frac{1}{\lambda^2}
|
||||
$$
|
||||
|
||||
### 三、逆向应用:从 $E, D$ 反推分布
|
||||
|
||||
| 已知 | 推断 |
|
||||
|------|------|
|
||||
| $E = np, D = np(1-p)$ | $X \sim B(n,p)$,$n$ 已知求 $p$ |
|
||||
| $E = D = \lambda$ | $X \sim P(\lambda)$,$\lambda$ 已知 |
|
||||
| $E = 1/p, D = (1-p)/p^2$ | $X \sim G(p)$,可由 $E, D$ 求 $p$ |
|
||||
| $E = (a+b)/2, D = (b-a)^2/12$ | $X \sim U(a,b)$,可由 $E, D$ 求 $a, b$ |
|
||||
| $E = 1/\lambda, D = 1/\lambda^2$ | $X \sim E(\lambda)$,$\lambda$ 已知 |
|
||||
| $E = \mu, D = \sigma^2$ | $X \sim N(\mu, \sigma^2)$ |
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **正态的参数顺序**:$N(\mu, \sigma^2)$,第二个是**方差**(不是标准差!);标准差是 $\sigma$
|
||||
- **泊松的"双胞胎"**:$E(X) = D(X) = \lambda$(独一无二的性质!)
|
||||
- **指数 vs 泊松**:指数是**连续**,泊松是**离散**;指数的 $\lambda$ 是"率"(单位时间事件数),与泊松的 $\lambda$ 在排队论中意义相同
|
||||
- **超几何 vs 二项**:超几何**不放回**($D$ 公式复杂),二项**放回**(或独立)
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:设 $X \sim B(10, 0.4)$。求 $E(X), D(X)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
直接代入公式:
|
||||
- $E(X) = np = 10 \times 0.4 = 4$
|
||||
- $D(X) = np(1-p) = 10 \times 0.4 \times 0.6 = 2.4$
|
||||
|
||||
**复盘**:二项分布的数字特征必须熟练背诵。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $X \sim P(3)$。求 $E(2X+1), D(2X+1)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$E(X) = D(X) = 3$(泊松"双胞胎")。
|
||||
- $E(2X+1) = 2 E(X) + 1 = 2 \times 3 + 1 = 7$
|
||||
- $D(2X+1) = 4 D(X) = 4 \times 3 = 12$
|
||||
|
||||
**复盘**:方差的伸缩公式 $D(aX+b) = a^2 D(X)$(常数项不影响方差)。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $X \sim N(2, 9)$。求 $E(X), D(X)$,并写出标准化变量 $X^*$ 的分布。
|
||||
|
||||
**解析**:
|
||||
|
||||
- $E(X) = \mu = 2$
|
||||
- $D(X) = \sigma^2 = 9$,$\sigma = 3$
|
||||
- 标准化:$X^* = \dfrac{X - 2}{3} \sim N(0, 1)$
|
||||
|
||||
**复盘**:正态标准化 → 标准正态 $N(0,1)$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:已知某离散分布 $E(X) = 2, D(X) = 2$,判断可能是什么分布。
|
||||
|
||||
**解析**:
|
||||
|
||||
- 二项 $B(n,p)$:$np=2, np(1-p)=2 \Rightarrow 1-p=1 \Rightarrow p=0$(不合题意,$p=0$ 无意义)
|
||||
- 泊松 $P(\lambda)$:$E=D=\lambda=2$ ✓ → $X \sim P(2)$
|
||||
|
||||
**复盘**:$E = D$ 是泊松分布的**独有特征**,可作为"签名"。
|
||||
|
||||
---
|
||||
|
||||
> **题目 5**:设 $X \sim U(0, \theta)$,$\theta$ 未知。现有 $n$ 个样本 $X_1, \ldots, X_n$,用矩估计求 $\theta$ 的估计量。
|
||||
|
||||
**解析**:
|
||||
|
||||
$E(X) = \theta/2$,令样本均值 $\bar{X} = \theta/2$,解出 $\hat{\theta} = 2\bar{X}$。
|
||||
|
||||
**复盘**:常见分布的期望是**矩估计**(Ch07)的基础。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X \sim G(p)$,$E(X) = 5$,求 $p$ 和 $D(X)$。
|
||||
>
|
||||
> **解**:$1/p = 5 \Rightarrow p = 0.2$;$D(X) = (1-p)/p^2 = 0.8/0.04 = 20$。
|
||||
|
||||
> **变式 2**:$X \sim H(N, M, n)$,$N=100, M=20, n=10$,求 $E(X), D(X)$。
|
||||
>
|
||||
> **解**:$E = nM/N = 10 \times 20/100 = 2$;$D = \dfrac{10 \times 20 \times 80 \times 90}{100^2 \times 99} = \dfrac{1440000}{990000} \approx 1.45$。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**二项 $np$,$np(1-p)$**"
|
||||
> - "**泊松 $E=D=\lambda$**"
|
||||
> - "**均匀 $(a+b)/2$,$(b-a)^2/12$**"
|
||||
> - "**指数 $1/\lambda$,$1/\lambda^2$**"
|
||||
> - "**正态 $\mu$,$\sigma^2$**"
|
||||
@@ -0,0 +1,189 @@
|
||||
# 题型四:方差的计算与性质
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干要求计算 $D(X)$
|
||||
- 涉及 $D(aX+b)$ 的伸缩与平移
|
||||
- 涉及 $D(X+Y)$ 或 $D(X-Y)$(需要协方差修正或独立条件)
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:求 D X] --> B{X 类型?}
|
||||
B -->|已知分布| C["查速查表: 二项 np1-p, 泊松 λ..."]
|
||||
B -->|已知分布律/密度| D["用 D X = E X² - E² X"]
|
||||
B -->|一般随机变量| E[先求 E X, E(X²) 再用公式]
|
||||
D --> F[计算 E X²: 函数期望公式]
|
||||
F --> G[D X = E X² - E² X]
|
||||
E --> G
|
||||
G --> H{多变量?}
|
||||
H -->|是| I["D X+Y = D X + D Y + 2Cov X,Y"]
|
||||
H -->|否| J[结果]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、方差的定义与等价公式
|
||||
|
||||
**定义**:
|
||||
$$
|
||||
D(X) = E[(X - E(X))^2]
|
||||
$$
|
||||
|
||||
**等价公式**(**计算常用**):
|
||||
$$
|
||||
\boxed{D(X) = E(X^2) - E^2(X)}
|
||||
$$
|
||||
|
||||
> ⚠️ **首选等价公式**:直接计算量小,只需 $E(X), E(X^2)$。
|
||||
|
||||
### 二、方差的性质 ⭐
|
||||
|
||||
| 性质 | 公式 | 说明 |
|
||||
|------|------|------|
|
||||
| **常数** | $D(C) = 0$ | 常数无波动 |
|
||||
| **伸缩** | $D(aX) = a^2 D(X)$ | 系数平方 |
|
||||
| **平移** | $D(X + b) = D(X)$ | 平移不影响方差 |
|
||||
| **一般** | $D(aX + b) = a^2 D(X)$ | 伸缩+平移 |
|
||||
| **和**(一般) | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ | 不可漏协方差 |
|
||||
| **和**(独立) | $D(X \pm Y) = D(X) + D(Y)$ | 独立时成立 |
|
||||
| **独立可加** | $D(\sum X_i) = \sum D(X_i)$ | $X_i$ 两两独立 |
|
||||
|
||||
### 三、计算步骤(标准套路)
|
||||
|
||||
**情形 1**:已知 $X$ 的分布律或密度
|
||||
$$
|
||||
E(X) = \int x f(x) dx \quad \text{或} \quad \sum x_i p_i
|
||||
$$
|
||||
$$
|
||||
E(X^2) = \int x^2 f(x) dx \quad \text{或} \quad \sum x_i^2 p_i
|
||||
$$
|
||||
$$
|
||||
D(X) = E(X^2) - E^2(X)
|
||||
$$
|
||||
|
||||
**情形 2**:已知 $Y = g(X)$
|
||||
$$
|
||||
E(Y) = E[g(X)] = \int g(x) f(x) dx
|
||||
$$
|
||||
$$
|
||||
E(Y^2) = E[g^2(X)] = \int g^2(x) f(x) dx
|
||||
$$
|
||||
$$
|
||||
D(Y) = E(Y^2) - E^2(Y)
|
||||
$$
|
||||
|
||||
### 四、$D(X+Y)$ 的展开公式(重要!)
|
||||
|
||||
$$
|
||||
D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X, Y)
|
||||
$$
|
||||
|
||||
**关键情形**:
|
||||
- $X, Y$ **独立**:$D(X \pm Y) = D(X) + D(Y)$
|
||||
- $X, Y$ **不相关**($\text{Cov}=0$):$D(X \pm Y) = D(X) + D(Y)$
|
||||
- 一般情形:**必须**用协方差修正
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **$D(X+Y) = D(X) + D(Y)$ 误用**:默认独立!非独立必须加 $2\text{Cov}(X,Y)$
|
||||
- **$D(aX+b) = a D(X) + b$**:错!正确是 $D(aX+b) = a^2 D(X)$(系数**平方**,常数**消失**)
|
||||
- **$D(X^2) = D^2(X)$**:错!$D(X^2) = E(X^4) - E^2(X^2)$
|
||||
- **$E(X^2) = E^2(X)$**:错!只有在 $D(X)=0$($X$ 是常数)时成立
|
||||
- **正态参数颠倒**:$N(\mu, \sigma^2)$ 的 $D(X) = \sigma^2$(**方差**而非标准差!)
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:掷骰子 $X$ 的期望 $E(X) = 3.5$。$E(X^2) = 91/6$。求 $D(X)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
D(X) = E(X^2) - E^2(X) = \frac{91}{6} - \left(\frac{7}{2}\right)^2 = \frac{91}{6} - \frac{49}{4} = \frac{182 - 147}{12} = \frac{35}{12}
|
||||
$$
|
||||
|
||||
**复盘**:标准方差计算流程。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $X \sim B(n,p)$,求 $D(X)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
**方法 1**:直接公式 $D(X) = np(1-p)$(背)
|
||||
|
||||
**方法 2**:分解为 $n$ 个独立 0-1 变量之和
|
||||
- $X = \sum_{i=1}^n X_i$,$X_i \sim B(1,p)$
|
||||
- $E(X_i) = p, D(X_i) = p(1-p)$
|
||||
- $D(X) = \sum D(X_i) = np(1-p)$
|
||||
|
||||
**复盘**:分解为独立和是计算方差的**通用技巧**。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $X \sim N(0, 4)$,$Y = 3X + 1$。求 $D(Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
D(Y) = D(3X + 1) = 9 D(X) = 9 \times 4 = 36
|
||||
$$
|
||||
|
||||
**复盘**:方差的伸缩公式 $D(aX+b) = a^2 D(X)$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:$X, Y$ 独立,$D(X) = 4, D(Y) = 9$。求 $D(2X - 3Y + 5)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
D(2X - 3Y + 5) = 4 D(X) + 9 D(Y) = 4 \times 4 + 9 \times 9 = 16 + 81 = 97
|
||||
$$
|
||||
|
||||
(常数项 $5$ 不影响;独立时可分离;$X, Y$ 各自的线性系数平方后保留)
|
||||
|
||||
**复盘**:独立情形下,$D(\sum a_i X_i) = \sum a_i^2 D(X_i)$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 5**:$X, Y$ 不独立,$D(X) = 1, D(Y) = 2, \text{Cov}(X,Y) = -0.5$。求 $D(X-Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
D(X-Y) = D(X) + D(Y) - 2\text{Cov}(X,Y) = 1 + 2 - 2(-0.5) = 3 + 1 = 4
|
||||
$$
|
||||
|
||||
**复盘**:注意协方差前的**符号**——减号对应 $-2\text{Cov}$(因为 $D(X-Y) = D(X) + D(Y) - 2\text{Cov}$)。
|
||||
|
||||
---
|
||||
|
||||
> **题目 6**:设 $X_1, X_2, \ldots, X_n$ 独立同分布,$E(X_i) = \mu, D(X_i) = \sigma^2$。求 $\bar{X} = \frac{1}{n}\sum X_i$ 的方差。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
D(\bar{X}) = D\left(\frac{1}{n} \sum X_i\right) = \frac{1}{n^2} \sum D(X_i) = \frac{1}{n^2} \cdot n\sigma^2 = \frac{\sigma^2}{n}
|
||||
$$
|
||||
|
||||
**复盘**:样本均值的方差 = 总体方差 / $n$——这是 Ch05 大数定律的核心。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X \sim P(\lambda)$,$Y = 2X + 3$,求 $D(Y)$。
|
||||
>
|
||||
> **解**:$D(X) = \lambda$,$D(Y) = 4\lambda$。
|
||||
|
||||
> **变式 2**:$X \sim U(0, 2)$,$Y = X^2$,求 $D(Y)$。
|
||||
>
|
||||
> **解**:$E(Y) = \int_0^2 x^2 \cdot 0.5 dx = 4/3$;$E(Y^2) = \int_0^2 x^4 \cdot 0.5 dx = 16/5$;$D(Y) = 16/5 - 16/9 = 64/45$。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**$D = E(X^2) - E^2(X)$**(首选公式)"
|
||||
> - "**$D(aX+b) = a^2 D(X)$**(常数消失,系数平方)"
|
||||
> - "**$D(X \pm Y) = D(X)+D(Y) \pm 2\text{Cov}$**(一般情形)"
|
||||
> - "**独立时**:$D(X \pm Y) = D(X)+D(Y)$"
|
||||
@@ -0,0 +1,195 @@
|
||||
# 题型五:协方差与相关系数
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干涉及 $\text{Cov}(X,Y)$ 或 $\rho_{XY}$
|
||||
- 要求**计算**协方差或相关系数
|
||||
- 利用性质:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:Cov 或 ρ] --> B{已知联合密度?}
|
||||
B -->|是| C["Cov X,Y = ∬ x-E X y-E Y f x,y dxdy"]
|
||||
B -->|否| D["Cov X,Y = E XY - E X E Y"]
|
||||
C --> E[计算 E XY 和 E X E Y]
|
||||
D --> E
|
||||
E --> F{求相关系数?}
|
||||
F -->|是| G["ρ = Cov / σ_X σ_Y"]
|
||||
F -->|否| H[得 Cov X,Y]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、协方差的定义与等价公式
|
||||
|
||||
**定义**:
|
||||
$$
|
||||
\text{Cov}(X,Y) = E[(X - E(X))(Y - E(Y))]
|
||||
$$
|
||||
|
||||
**等价公式**(**计算首选**):
|
||||
$$
|
||||
\boxed{\text{Cov}(X,Y) = E(XY) - E(X) E(Y)}
|
||||
$$
|
||||
|
||||
> *极简例子:* $X, Y$ 独立时 $E(XY) = E(X)E(Y)$,故 $\text{Cov}=0$
|
||||
|
||||
### 二、相关系数 $\rho_{XY}$
|
||||
|
||||
**定义**(标准化协方差):
|
||||
$$
|
||||
\rho_{XY} = \frac{\text{Cov}(X,Y)}{\sqrt{D(X)} \sqrt{D(Y)}} = \frac{\text{Cov}(X,Y)}{\sigma_X \sigma_Y}
|
||||
$$
|
||||
|
||||
**性质**:
|
||||
- $-1 \le \rho_{XY} \le 1$(Cauchy-Schwarz 不等式)
|
||||
- $\rho_{XY} = 0$ $\iff$ $X, Y$ **不相关**
|
||||
- $|\rho_{XY}| = 1$ $\iff$ $\exists a \ne 0, b$ 使得 $P(Y = aX+b) = 1$
|
||||
- $|\rho_{XY}|$ 越大,$X, Y$ **线性关系**越强
|
||||
|
||||
### 三、协方差的性质 ⭐
|
||||
|
||||
| 性质 | 公式 |
|
||||
|------|------|
|
||||
| **自身** | $\text{Cov}(X,X) = D(X)$ |
|
||||
| **对称** | $\text{Cov}(X,Y) = \text{Cov}(Y,X)$ |
|
||||
| **伸缩** | $\text{Cov}(aX, bY) = ab \cdot \text{Cov}(X,Y)$ |
|
||||
| **平移** | $\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$(常数消失) |
|
||||
| **分配律** | $\text{Cov}(X_1+X_2, Y) = \text{Cov}(X_1,Y) + \text{Cov}(X_2,Y)$ |
|
||||
| **与方差** | $D(X \pm Y) = D(X) + D(Y) \pm 2\text{Cov}(X,Y)$ |
|
||||
|
||||
### 四、计算路径
|
||||
|
||||
**路径 A**:已知联合密度 $f(x,y)$
|
||||
$$
|
||||
\text{Cov}(X,Y) = \iint (x-\mu_X)(y-\mu_Y) f(x,y) dxdy
|
||||
$$
|
||||
|
||||
**路径 B**(**更常用**):先求 $E(X), E(Y), E(XY)$
|
||||
$$
|
||||
\text{Cov}(X,Y) = E(XY) - E(X) E(Y)
|
||||
$$
|
||||
|
||||
**路径 C**:利用性质分解
|
||||
$$
|
||||
\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)
|
||||
$$
|
||||
|
||||
### 五、相关系数的计算
|
||||
|
||||
求 $\rho_{XY}$ 需先算:
|
||||
1. $\text{Cov}(X,Y)$(用上述路径)
|
||||
2. $D(X) = E(X^2) - E^2(X)$
|
||||
3. $D(Y) = E(Y^2) - E^2(Y)$
|
||||
4. $\rho_{XY} = \text{Cov}(X,Y) / \sqrt{D(X) D(Y)}$
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **$\rho_{XY}=0$ 不等价独立**:除二维正态外,独立是不相关的**充分非必要**条件
|
||||
- **正态分布的 $\rho$**:$(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$ 的 $\rho$ 就是 $\rho_{XY}$
|
||||
- **$\rho$ 只测线性**:$Y = X^2$($X \sim U(-1,1)$)的 $\rho_{XY}=0$,但有强非线性关系
|
||||
- **$\text{Cov}$ 的伸缩**:$\text{Cov}(aX+b, cY+d) = ac \cdot \text{Cov}(X,Y)$,**不要忘了系数相乘**
|
||||
- **$D(X \pm Y)$ 中的协方差符号**:减法对应 $-2\text{Cov}(X,Y)$
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:$(X,Y)$ 联合密度 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $\text{Cov}(X,Y)$ 和 $\rho_{XY}$。
|
||||
|
||||
**解析**:
|
||||
|
||||
由对称性 $E(X) = E(Y)$。
|
||||
|
||||
**求 $E(X)$**:边缘密度 $f_X(x) = \int_0^2 \frac{1}{8}(x+y) dy = \frac{x+1}{4}$
|
||||
$$
|
||||
E(X) = \int_0^2 x \cdot \frac{x+1}{4} dx = \frac{1}{4} \left[ \frac{x^3}{3} + \frac{x^2}{2} \right]_0^2 = \frac{1}{4} \left( \frac{8}{3} + 2 \right) = \frac{7}{6}
|
||||
$$
|
||||
|
||||
**求 $E(XY)$**:
|
||||
$$
|
||||
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx
|
||||
$$
|
||||
|
||||
先算内层:$\int_0^2 y(x+y) dy = x \cdot 2 + 8/3 = 2x + 8/3$(再乘 $\frac{1}{8}$,得 $\frac{x}{4} + \frac{1}{3}$)
|
||||
|
||||
外层:$\int_0^2 xy \cdot \frac{1}{8}(x+y) dx = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) x dx = \int_0^2 \left( \frac{x^3}{4} + \frac{x^2}{3} \right) dx$
|
||||
$$
|
||||
= \frac{1}{4} \cdot 4 + \frac{1}{3} \cdot \frac{8}{3} = 1 + \frac{8}{9} = \frac{17}{9}
|
||||
$$
|
||||
|
||||
Wait, redo carefully:
|
||||
$$
|
||||
E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) dy dx = \frac{1}{8} \int_0^2 \int_0^2 (x^2 y + xy^2) dy dx
|
||||
$$
|
||||
|
||||
外层对 $x$:$\int_0^2 (x^2 y + xy^2) dx = \frac{8y}{3} + 2y^2$
|
||||
再对 $y$:$\int_0^2 \left(\frac{8y}{3} + 2y^2\right) dy = \frac{16}{3} + \frac{16}{3} = \frac{32}{3}$
|
||||
|
||||
故 $E(XY) = \frac{1}{8} \cdot \frac{32}{3} = \frac{4}{3}$
|
||||
|
||||
**协方差**:
|
||||
$$
|
||||
\text{Cov}(X,Y) = E(XY) - E(X)E(Y) = \frac{4}{3} - \frac{7}{6} \cdot \frac{7}{6} = \frac{4}{3} - \frac{49}{36} = \frac{48 - 49}{36} = -\frac{1}{36}
|
||||
$$
|
||||
|
||||
**复盘**:$\text{Cov}<0$ 说明 $X, Y$ 负相关。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $X \sim N(0,1), Y = X^2$。求 $\rho_{XY}$。
|
||||
|
||||
**解析**:
|
||||
|
||||
- $E(X) = 0, D(X) = 1$
|
||||
- $E(Y) = E(X^2) = 1, D(Y) = E(X^4) - 1 = 3 - 1 = 2$
|
||||
- $E(XY) = E(X^3) = 0$(正态的奇数阶原点矩为 0)
|
||||
- $\text{Cov}(X,Y) = 0 - 0 \cdot 1 = 0$
|
||||
- $\rho_{XY} = 0$
|
||||
|
||||
**复盘**:$\rho_{XY} = 0$ 但 $Y = X^2$($Y$ 完全由 $X$ 决定)——**不相关但不独立**的经典反例!
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:$D(X) = 4, D(Y) = 9, \rho_{XY} = 0.5$。求 $\text{Cov}(X,Y)$ 和 $D(X+Y)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
\text{Cov}(X,Y) = \rho_{XY} \sigma_X \sigma_Y = 0.5 \times 2 \times 3 = 3
|
||||
$$
|
||||
|
||||
$$
|
||||
D(X+Y) = D(X) + D(Y) + 2\text{Cov}(X,Y) = 4 + 9 + 2 \times 3 = 19
|
||||
$$
|
||||
|
||||
**复盘**:$\rho$ 是"标准化协方差",已知 $\rho$ 和 $\sigma$ 可还原 $\text{Cov}$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:设 $(X,Y) \sim N(0, 0, 1, 1, \rho)$。$Z = X + Y$,$W = X - Y$。求 $\rho_{ZW}$。
|
||||
|
||||
**解析**:
|
||||
|
||||
- $\text{Cov}(Z,W) = \text{Cov}(X+Y, X-Y) = \text{Cov}(X,X) - \text{Cov}(X,Y) + \text{Cov}(Y,X) - \text{Cov}(Y,Y)$
|
||||
- $= D(X) - D(Y) = 1 - 1 = 0$
|
||||
|
||||
**复盘**:$\text{Cov}(Z,W) = 0 \Rightarrow Z, W$ **不相关**;二维正态下进一步 ⇒ $Z, W$ **独立**。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X, Y$ 独立,$\text{Cov}(2X+3, 4Y-5) = ?$
|
||||
>
|
||||
> **解**:$\text{Cov}(2X+3, 4Y-5) = 2 \times 4 \cdot \text{Cov}(X,Y) = 8 \times 0 = 0$。
|
||||
|
||||
> **变式 2**:$D(X) = D(Y) = 4, \rho_{XY} = -0.8$,求 $D(2X+3Y)$。
|
||||
>
|
||||
> **解**:$D(2X+3Y) = 4 D(X) + 9 D(Y) + 12 \text{Cov}(X,Y) = 16 + 36 + 12 \times (-0.8) \times 2 \times 2 = 52 - 38.4 = 13.6$。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**$\text{Cov}(X,Y) = E(XY) - E(X)E(Y)$**"
|
||||
> - "**$\rho = \text{Cov} / (\sigma_X \sigma_Y)$**"
|
||||
> - "**$|\rho| \le 1$**,$|\rho|=1$ ⇔ 线性"
|
||||
> - "**$\rho=0$ 不相关,独立 ⇐ 不相关(一般),独立 ⇔ 不相关(二维正态)**"
|
||||
@@ -0,0 +1,190 @@
|
||||
# 题型六:独立与不相关
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干问"$X, Y$ 是否独立?" 或 "是否不相关?"
|
||||
- 需要构造或识别"独立但不相关" 或 "不相关但不独立" 的反例
|
||||
- 涉及二维正态时,需用 $\rho=0$ 等价判定
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:独立 vs 不相关] --> B{给定分布?}
|
||||
B -->|二维正态| C["独立 ⇔ 不相关 ⇔ ρ = 0"]
|
||||
B -->|其他分布| D["独立 ⇒ 不相关 (反之不成立)"]
|
||||
D --> E[计算 Cov X,Y = E XY - E X E Y]
|
||||
E --> F{Cov = 0?}
|
||||
F -->|是| G[不相关; 独立待验证]
|
||||
F -->|否| H[相关 ⇒ 不独立]
|
||||
G --> I{独立性?}
|
||||
I -->|构造反例| J[可证不独立: 给出 X=x 时 Y 的分布]
|
||||
I -->|计算验证| K[用 P XY = P X P Y 验证]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、核心定理
|
||||
|
||||
$$
|
||||
X, Y \text{ 独立} \Rightarrow X, Y \text{ 不相关}
|
||||
$$
|
||||
|
||||
> **反之不成立**(除特殊情形)
|
||||
|
||||
### 二、唯一的"等价"情形:二维正态 ⭐⭐⭐
|
||||
|
||||
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
|
||||
$$
|
||||
X, Y \text{ 独立} \iff X, Y \text{ 不相关} \iff \rho = 0
|
||||
$$
|
||||
|
||||
> 这是考研**高频考点**:考到二维正态时,必须联想到这个等价条件!
|
||||
|
||||
### 三、不相关但独立的反例
|
||||
|
||||
**经典构造 1**:$X \sim U(-1, 1)$,$Y = X^2$
|
||||
- $Y$ 完全由 $X$ 决定 → **不独立**
|
||||
- $\text{Cov}(X,Y) = E(X^3) - E(X)E(X^2) = 0 - 0 \cdot 1/3 = 0$ → **不相关**
|
||||
|
||||
**经典构造 2**:$(X,Y)$ 联合分布为 $\{(0,0), (1,1), (2,0)\}$ 各概率 $1/3$
|
||||
- $E(X) = 1, E(Y) = 1/3, E(XY) = 1/3$
|
||||
- $\text{Cov} = 1/3 - 1 \cdot 1/3 = 0$ → 不相关
|
||||
- $P(X=0, Y=0) = 1/3$,但 $P(X=0)P(Y=0) = 1/3 \cdot 1/3 = 1/9$ → **不独立**
|
||||
|
||||
### 四、独立但不相关的反例(不存在)
|
||||
|
||||
**事实**:独立 ⇒ 不相关,所以"独立但不相关"**不存在**。
|
||||
|
||||
> *极简例子:* $X, Y$ 独立 $\Rightarrow \text{Cov}(X,Y)=0$ 永远成立
|
||||
|
||||
### 五、独立性的验证
|
||||
|
||||
| 方法 | 公式 |
|
||||
|------|------|
|
||||
| **定义** | $P(X \in A, Y \in B) = P(X \in A) P(Y \in B)$($\forall A, B$) |
|
||||
| **密度**(连续) | $f(x,y) = f_X(x) f_Y(y)$(几乎处处) |
|
||||
| **分布律**(离散) | $p_{ij} = p_{i \cdot} p_{\cdot j}$(所有 $i, j$) |
|
||||
| **二维正态** | $\rho = 0$(最简便) |
|
||||
| **不相关**(一般) | 不等价独立,需进一步验证 |
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **"不相关 ⇒ 独立"**:错!这是最常见的错误
|
||||
- **"独立 ⇔ 不相关"**:仅对**二维正态**成立
|
||||
- **$Y = X^2$ 的反例**:$X \sim U(-1,1)$ 时 $\text{Cov}(X,Y)=0$,但 $Y$ 完全由 $X$ 决定 → 不独立
|
||||
- **相关系数 $0$**:只反映**线性关系**,非线性关系(如 $Y = X^2$)$\rho$ 也是 $0$
|
||||
- **$\rho_{XY} = 0$ vs 不相关**:是充要条件,但和独立**不**等价
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:$X \sim U(-1,1)$,$Y = X^2$。判断 $X, Y$ 是否独立?是否不相关?
|
||||
|
||||
**解析**:
|
||||
|
||||
**判断独立**:若 $X, Y$ 独立,则 $X$ 的取值不影响 $Y$ 的分布。但 $Y = X^2$ 表明 $X = 0 \Rightarrow Y = 0$,$X = 0.5 \Rightarrow Y = 0.25$——$Y$ 完全由 $X$ 决定,**不独立**。
|
||||
|
||||
**判断不相关**:
|
||||
$$
|
||||
\text{Cov}(X, Y) = E(XY) - E(X)E(Y) = E(X \cdot X^2) - E(X) E(X^2) = E(X^3) - 0 \cdot E(X^2)
|
||||
$$
|
||||
|
||||
$E(X^3) = \int_{-1}^1 x^3 \cdot \frac{1}{2} dx = 0$(奇函数)
|
||||
|
||||
故 $\text{Cov}(X,Y) = 0$ → **不相关**
|
||||
|
||||
**结论**:**不相关但不独立**——经典反例!
|
||||
|
||||
**复盘**:构造不相关 + 不独立的反例,最简单方法是用 $Y = g(X)$(确定性函数)。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $(X,Y) \sim N(0, 0, 1, 1, \rho)$,$Z = X + Y$,$W = X - Y$。
|
||||
> (1) 求 $\text{Cov}(Z,W)$;
|
||||
> (2) 判断 $Z, W$ 是否独立。
|
||||
|
||||
**解析**:
|
||||
|
||||
**(1)**:
|
||||
$$
|
||||
\text{Cov}(Z,W) = \text{Cov}(X+Y, X-Y) = D(X) - \text{Cov}(X,Y) + \text{Cov}(Y,X) - D(Y)
|
||||
$$
|
||||
$$
|
||||
= 1 - 0 = 1 - 1 = 0
|
||||
$$
|
||||
|
||||
**(2)**:因为 $(X,Y)$ 是二维正态,$(Z,W)$ 也是 $(X,Y)$ 的线性变换,仍服从二维正态。
|
||||
- $\text{Cov}(Z,W) = 0$ ⇒ $Z, W$ 不相关
|
||||
- 二维正态下:**独立 ⇔ 不相关** ⇒ $Z, W$ 独立
|
||||
|
||||
**复盘**:二维正态下,独立和不相关的等价性 + 线性变换仍保持正态。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $X, Y$ 满足 $P(X=1) = P(X=-1) = 1/2$,$Y = X^2$。判断独立与不相关。
|
||||
|
||||
**解析**:
|
||||
|
||||
**$X, Y$ 的取值**:
|
||||
- $X = 1 \Rightarrow Y = 1$
|
||||
- $X = -1 \Rightarrow Y = 1$
|
||||
- 即 $Y \equiv 1$
|
||||
|
||||
**判断独立**:$Y$ 完全由 $X$ 决定($X$ 任意,$Y = 1$)→ **不独立**
|
||||
|
||||
**判断不相关**:
|
||||
$$
|
||||
E(X) = 0, \quad E(Y) = E(X^2) = 1
|
||||
$$
|
||||
$$
|
||||
E(XY) = E(X \cdot X^2) = E(X^3) = 0
|
||||
$$
|
||||
$$
|
||||
\text{Cov}(X,Y) = 0 - 0 \cdot 1 = 0 \Rightarrow \text{不相关}
|
||||
$$
|
||||
|
||||
**结论**:**不相关但不独立**。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:设 $X \sim B(1, 0.5), Y \sim B(1, 0.5)$,$X, Y$ 独立。判断独立与不相关。
|
||||
|
||||
**解析**:
|
||||
|
||||
- 独立 ⇒ 不相关(永远成立)
|
||||
- 直接验证:$E(X) = E(Y) = 0.5, D(X) = D(Y) = 0.25$
|
||||
- $\text{Cov}(X,Y) = 0$(独立)→ 不相关
|
||||
|
||||
**结论**:**独立 ⇒ 不相关**(但**不**蕴含反过来成立)
|
||||
|
||||
---
|
||||
|
||||
> **题目 5**:$X, Y$ 独立且 $E(X) = 2, E(Y) = 3$。设 $Z = X + Y$,判断 $X$ 与 $Z$ 是否独立?是否不相关?
|
||||
|
||||
**解析**:
|
||||
|
||||
**不相关**:$\text{Cov}(X, X+Y) = D(X) + \text{Cov}(X,Y) = D(X) \ne 0$(一般情形下)→ **相关**
|
||||
|
||||
**不独立**:$X$ 与 $X+Y$ 显然不独立($Z$ 包含 $X$)。
|
||||
|
||||
**结论**:**既不独立,也不相关**(除了平凡情形)。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:设 $X \sim E(\lambda)$,$Y \sim E(\lambda)$,$X, Y$ 独立。判断 $X, Y$ 的独立与不相关。
|
||||
>
|
||||
> **解**:独立 → 不相关。
|
||||
|
||||
> **变式 2**:设 $(X,Y)$ 服从单位圆内的均匀分布,$f(x,y) = \frac{1}{\pi}, x^2+y^2 \le 1$。判断独立与不相关。
|
||||
>
|
||||
> **解**:
|
||||
> - **独立否**:$f(x,y) \ne f_X(x) f_Y(y)$
|
||||
> - **不相关是**:由对称性 $E(X) = E(Y) = E(XY) = 0 \Rightarrow \text{Cov} = 0$
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**独立 ⇒ 不相关**(一般)"
|
||||
> - "**独立 ⇔ 不相关**(二维正态)"
|
||||
> - "**$Y = X^2$,$X \sim U(-1,1)$:不相关但不独立**(经典反例)"
|
||||
> - "**$\rho=0$ ⇔ 不相关,不等价独立**"
|
||||
@@ -0,0 +1,173 @@
|
||||
# 题型七:切比雪夫不等式
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干要求用切比雪夫不等式**估计**概率 $P(|X-\mu| \ge \varepsilon)$
|
||||
- 已知 $E(X) = \mu, D(X) = \sigma^2$(不需知道 $X$ 的分布)
|
||||
- 大数定律证明中的核心工具
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:切比雪夫不等式] --> B[提取 E X = μ, D X = σ²]
|
||||
B --> C{已知 ε?}
|
||||
C -->|是| D[代入 P|X-μ|≥ε ≤ σ²/ε²]
|
||||
C -->|否| E[由 P 的范围反求 ε]
|
||||
D --> F[得概率上界]
|
||||
E --> F
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、切比雪夫不等式的两种形式
|
||||
|
||||
**形式 1**($\ge$):
|
||||
$$
|
||||
P(|X - \mu| \ge \varepsilon) \le \frac{\sigma^2}{\varepsilon^2}
|
||||
$$
|
||||
|
||||
**形式 2**($<$):
|
||||
$$
|
||||
P(|X - \mu| < \varepsilon) \ge 1 - \frac{\sigma^2}{\varepsilon^2}
|
||||
$$
|
||||
|
||||
其中 $\varepsilon > 0$,$\mu = E(X)$,$\sigma^2 = D(X)$。
|
||||
|
||||
### 二、应用步骤
|
||||
|
||||
1. 识别 $X$ 的均值 $\mu$ 和方差 $\sigma^2$(题目直接给出或可计算)
|
||||
2. 给定 $\varepsilon$,代入公式得概率**上界**
|
||||
3. (逆问题)已知 $P(|X-\mu| < \varepsilon)$ 的下界,反求 $\varepsilon$
|
||||
|
||||
### 三、关键性质
|
||||
|
||||
| 性质 | 含义 |
|
||||
|------|------|
|
||||
| **分布无关** | 不需要知道 $X$ 的分布,仅用 $\mu, \sigma^2$ |
|
||||
| **粗估** | 给的是上界,不是精确概率 |
|
||||
| **$\varepsilon$ 越大** | 概率上界越小(合理) |
|
||||
| **$\sigma^2$ 越大** | 概率上界越大(合理) |
|
||||
|
||||
### 四、典型应用场景
|
||||
|
||||
1. **直接估计**:已知 $\mu, \sigma^2, \varepsilon$,求概率上界
|
||||
2. **大数定律证明**:用切比雪夫不等式证明 $\bar{X_n} \xrightarrow{P} \mu$
|
||||
3. **逆问题**:给定概率下界,反求 $\varepsilon$
|
||||
|
||||
### 五、切比雪夫不等式在大数定律中的应用
|
||||
|
||||
**切比雪夫大数定律**:$X_1, X_2, \ldots$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则
|
||||
$$
|
||||
\bar{X_n} = \frac{1}{n} \sum_{i=1}^n X_i \xrightarrow{P} \mu
|
||||
$$
|
||||
|
||||
**证明核心**:
|
||||
$$
|
||||
P(|\bar{X_n} - \mu| \ge \varepsilon) = P\left(\left|\sum (X_i - \mu)\right| \ge n\varepsilon\right) \le \frac{\sum D(X_i)}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2} \to 0
|
||||
$$
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **方向错误**:$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$(**不等式右边**是上界)
|
||||
- **$\sigma^2/\varepsilon^2$ 超过 1**:表示上界没有信息(如 $\sigma^2 = 1, \varepsilon = 0.5$ 时上界是 4,没意义)
|
||||
- **混淆形式**:$P(|X-\mu| < \varepsilon) \ge 1 - \sigma^2/\varepsilon^2$(不是 $\le$!)
|
||||
- **逆问题方向**:给定概率 $p$,求 $\varepsilon$ 时 $\varepsilon = \sigma/\sqrt{1-p}$
|
||||
- **不能用来反求参数**:只知道 $E, D$ 不能反推分布,故不能精确计算概率
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,用切比雪夫不等式估计 $P(|X-\mu| \ge 3\sigma)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
直接代入 $\varepsilon = 3\sigma$:
|
||||
$$
|
||||
P(|X-\mu| \ge 3\sigma) \le \frac{\sigma^2}{(3\sigma)^2} = \frac{1}{9}
|
||||
$$
|
||||
|
||||
**对比正态**:若 $X \sim N(\mu, \sigma^2)$,则 $P(|X-\mu| \ge 3\sigma) \approx 0.0027$(远小于 $1/9$)
|
||||
|
||||
**复盘**:切比雪夫上界比较粗糙,但**适用于任意分布**。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $X_1, X_2, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) = 4$。用切比雪夫不等式估计 $P(|\bar{X_n} - \mu| \ge \varepsilon)$。
|
||||
|
||||
**解析**:
|
||||
|
||||
$E(\bar{X_n}) = \mu$,$D(\bar{X_n}) = D(X_i)/n = 4/n$。
|
||||
|
||||
$$
|
||||
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{4}{n\varepsilon^2}
|
||||
$$
|
||||
|
||||
**复盘**:$\bar{X_n}$ 的方差是单变量方差的 $1/n$——大数定律的核心。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $X \sim E(1)$(指数),$E(X) = 1, D(X) = 1$。估计 $P(|X - 1| \ge 2)$,并与精确值比较。
|
||||
|
||||
**解析**:
|
||||
|
||||
**切比雪夫估计**:
|
||||
$$
|
||||
P(|X-1| \ge 2) \le \frac{1}{4}
|
||||
$$
|
||||
|
||||
**精确值**(指数分布):
|
||||
$$
|
||||
P(X \ge 3) = e^{-3}, \quad P(X \le -1) = 0
|
||||
$$
|
||||
|
||||
故精确值 $= e^{-3} \approx 0.0498$,远小于 $0.25$。
|
||||
|
||||
**复盘**:切比雪夫是**上界**,实际值通常小得多。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:设 $X$ 的 $E(X) = \mu, D(X) = \sigma^2$,估计使 $P(|X-\mu| < \varepsilon) \ge 0.9$ 的 $\varepsilon$。
|
||||
|
||||
**解析**:
|
||||
|
||||
由切比雪夫:$P(|X-\mu| < \varepsilon) \ge 1 - \dfrac{\sigma^2}{\varepsilon^2} \ge 0.9$
|
||||
$$
|
||||
\Rightarrow \frac{\sigma^2}{\varepsilon^2} \le 0.1 \Rightarrow \varepsilon^2 \ge 10\sigma^2 \Rightarrow \varepsilon \ge \sqrt{10} \cdot \sigma
|
||||
$$
|
||||
|
||||
**复盘**:逆问题用 $\varepsilon \ge \sigma/\sqrt{1-p}$ 公式。
|
||||
|
||||
---
|
||||
|
||||
> **题目 5**:证明切比雪夫大数定律:$X_1, \ldots, X_n$ 独立,$E(X_i) = \mu, D(X_i) \le C$,则 $\bar{X_n} \xrightarrow{P} \mu$。
|
||||
|
||||
**解析**:
|
||||
|
||||
由切比雪夫不等式:
|
||||
$$
|
||||
P(|\bar{X_n} - \mu| \ge \varepsilon) \le \frac{D(\bar{X_n})}{\varepsilon^2} = \frac{\sum D(X_i)/n^2}{\varepsilon^2} \le \frac{nC}{n^2 \varepsilon^2} = \frac{C}{n\varepsilon^2}
|
||||
$$
|
||||
|
||||
当 $n \to \infty$ 时,$\dfrac{C}{n\varepsilon^2} \to 0$。
|
||||
|
||||
故 $\bar{X_n} \xrightarrow{P} \mu$。
|
||||
|
||||
**复盘**:切比雪夫大数定律是切比雪夫不等式的直接推论——Ch05 重点内容。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$X$ 的 $E(X) = 10, D(X) = 0.04$,估计 $P(9 < X < 11)$。
|
||||
>
|
||||
> **解**:$P(|X-10| < 1) \ge 1 - 0.04/1 = 0.96$,故 $P(9 < X < 11) \ge 0.96$。
|
||||
|
||||
> **变式 2**:$X$ 的 $E(X) = \mu$,要使 $P(|X-\mu| < 2) \ge 0.95$,$D(X)$ 最大是多少?
|
||||
>
|
||||
> **解**:$1 - D(X)/4 \ge 0.95 \Rightarrow D(X) \le 0.2$。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**$P(|X-\mu| \ge \varepsilon) \le \sigma^2/\varepsilon^2$**"
|
||||
> - "**只需 $\mu, \sigma^2$,不需分布**"
|
||||
> - "**给的是上界,不是精确值**"
|
||||
> - "**大数定律的工具**:$\bar{X_n} \xrightarrow{P} \mu$"
|
||||
@@ -0,0 +1,200 @@
|
||||
# 题型八:协方差矩阵与多元统计
|
||||
|
||||
## 识别特征
|
||||
|
||||
- 题干涉及 $n$ 维随机向量 $(X_1, \ldots, X_n)$ 的**协方差矩阵**
|
||||
- 涉及**多元正态分布** $N(\boldsymbol{\mu}, \Sigma)$
|
||||
- 涉及线性变换下协方差矩阵的计算
|
||||
|
||||
## 解题流程
|
||||
|
||||
```mermaid
|
||||
flowchart TD
|
||||
A[识别:协方差矩阵 / 多元正态] --> B{已知分布?}
|
||||
B -->|多元正态| C[查 N μ, Σ 直接写]
|
||||
B -->|一般向量| D[计算各 Cov X_i,X_j 构造 Σ]
|
||||
C --> E{做线性变换?}
|
||||
B -->|否| E
|
||||
D --> E
|
||||
E -->|是| F["Σ_Y = A Σ_X A^T"]
|
||||
E -->|否| G[验证半正定性等性质]
|
||||
```
|
||||
|
||||
## 通法步骤
|
||||
|
||||
### 一、协方差矩阵的定义
|
||||
|
||||
对 $n$ 维随机向量 $\mathbf{X} = (X_1, X_2, \ldots, X_n)^T$,**协方差矩阵**为:
|
||||
$$
|
||||
\Sigma = E[(\mathbf{X} - \boldsymbol{\mu})(\mathbf{X} - \boldsymbol{\mu})^T]
|
||||
$$
|
||||
|
||||
**显式形式**:
|
||||
$$
|
||||
\Sigma =
|
||||
\begin{pmatrix}
|
||||
\text{Cov}(X_1,X_1) & \text{Cov}(X_1,X_2) & \cdots & \text{Cov}(X_1,X_n) \\
|
||||
\text{Cov}(X_2,X_1) & \text{Cov}(X_2,X_2) & \cdots & \text{Cov}(X_2,X_n) \\
|
||||
\vdots & \vdots & \ddots & \vdots \\
|
||||
\text{Cov}(X_n,X_1) & \text{Cov}(X_n,X_2) & \cdots & \text{Cov}(X_n,X_n)
|
||||
\end{pmatrix}
|
||||
$$
|
||||
|
||||
**关键性质**:
|
||||
- 对角元素:$\Sigma_{ii} = D(X_i)$
|
||||
- 对称:$\Sigma^T = \Sigma$
|
||||
- **半正定**:$\mathbf{x}^T \Sigma \mathbf{x} \ge 0$($\forall \mathbf{x}$)
|
||||
|
||||
### 二、多元正态分布 $N(\boldsymbol{\mu}, \Sigma)$
|
||||
|
||||
密度($n=2$ 情形):
|
||||
$$
|
||||
f(x,y) = \frac{1}{2\pi \sqrt{|\Sigma|}} \exp\left(-\frac{1}{2}(\mathbf{x} - \boldsymbol{\mu})^T \Sigma^{-1} (\mathbf{x} - \boldsymbol{\mu})\right)
|
||||
$$
|
||||
|
||||
**核心结论**:
|
||||
|
||||
| 结论 | 公式 |
|
||||
|------|------|
|
||||
| **边缘分布** | $X_i \sim N(\mu_i, \sigma_i^2)$,其中 $\sigma_i^2 = \Sigma_{ii}$ |
|
||||
| **独立 ⇔ 不相关** | $\Sigma_{ij} = 0$($i \ne j$)时,$X_i, X_j$ 独立 |
|
||||
| **线性变换** | $A\mathbf{X} + \mathbf{b} \sim N(A\boldsymbol{\mu} + \mathbf{b}, A\Sigma A^T)$ |
|
||||
| **条件分布** | $X_1 \| X_2 = \mathbf{x}_2 \sim N(\mu_1 + \Sigma_{12}\Sigma_{22}^{-1}(\mathbf{x}_2 - \boldsymbol{\mu}_2), \Sigma_{11} - \Sigma_{12}\Sigma_{22}^{-1}\Sigma_{21})$ |
|
||||
|
||||
### 三、二元正态的关键公式
|
||||
|
||||
设 $(X,Y) \sim N(\mu_1, \mu_2, \sigma_1^2, \sigma_2^2, \rho)$,则:
|
||||
|
||||
$$
|
||||
\Sigma = \begin{pmatrix} \sigma_1^2 & \rho\sigma_1\sigma_2 \\ \rho\sigma_1\sigma_2 & \sigma_2^2 \end{pmatrix}, \quad |\Sigma| = \sigma_1^2 \sigma_2^2 (1-\rho^2)
|
||||
$$
|
||||
|
||||
$$
|
||||
\Sigma^{-1} = \frac{1}{\sigma_1^2 \sigma_2^2 (1-\rho^2)} \begin{pmatrix} \sigma_2^2 & -\rho\sigma_1\sigma_2 \\ -\rho\sigma_1\sigma_2 & \sigma_1^2 \end{pmatrix}
|
||||
$$
|
||||
|
||||
### 四、相关矩阵
|
||||
|
||||
**标准化协方差矩阵**(对角线为 1):
|
||||
$$
|
||||
R = \begin{pmatrix} 1 & \rho_{12} & \cdots & \rho_{1n} \\ \rho_{21} & 1 & \cdots & \rho_{2n} \\ \vdots & \vdots & \ddots & \vdots \\ \rho_{n1} & \rho_{n2} & \cdots & 1 \end{pmatrix}
|
||||
$$
|
||||
|
||||
其中 $\rho_{ij} = \text{Cov}(X_i, X_j) / \sqrt{D(X_i) D(X_j)}$。
|
||||
|
||||
### 五、线性变换公式 ⭐
|
||||
|
||||
设 $\mathbf{Y} = A\mathbf{X} + \mathbf{b}$,则:
|
||||
$$
|
||||
E(\mathbf{Y}) = A\boldsymbol{\mu} + \mathbf{b}, \quad \Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T
|
||||
$$
|
||||
|
||||
**多元正态下**:
|
||||
$$
|
||||
\mathbf{Y} = A\mathbf{X} + \mathbf{b} \sim N(A\boldsymbol{\mu} + \mathbf{b}, A\Sigma_{\mathbf{X}} A^T)
|
||||
$$
|
||||
|
||||
## 常见陷阱
|
||||
|
||||
- **半正定遗漏**:协方差矩阵必须半正定;任意对称半正定矩阵都是某随机向量的 $\Sigma$
|
||||
- **$\Sigma$ vs $R$ 混淆**:$\Sigma$ 是协方差矩阵(含方差),$R$ 是相关矩阵(对角线为 1)
|
||||
- **正态假设**:独立 ⇔ 不相关的等价只在多元正态下成立
|
||||
- **矩阵大小写**:$\Sigma$ 是 $n \times n$ 矩阵;$\mathbf{x}^T \Sigma \mathbf{x}$ 是标量
|
||||
- **线性变换公式**:$\Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T$(**不是** $A\Sigma_{\mathbf{X}} A^{-1}$!)
|
||||
|
||||
## 经典母题
|
||||
|
||||
> **题目 1**:设 $(X_1, X_2)$ 的协方差矩阵为
|
||||
> $$\Sigma = \begin{pmatrix} 4 & 1 \\ 1 & 9 \end{pmatrix}$$
|
||||
>
|
||||
> 求:(1) $D(X_1), D(X_2), \text{Cov}(X_1, X_2)$;(2) 相关系数 $\rho_{12}$;(3) $\Sigma$ 是否半正定?
|
||||
|
||||
**解析**:
|
||||
|
||||
**(1)** 直接读对角线和元素:
|
||||
- $D(X_1) = 4, D(X_2) = 9$
|
||||
- $\text{Cov}(X_1, X_2) = 1$
|
||||
|
||||
**(2)** $\rho_{12} = \dfrac{1}{\sqrt{4 \times 9}} = \dfrac{1}{6}$
|
||||
|
||||
**(3)** 验证半正定:任意 $\mathbf{x} = (x_1, x_2)^T$:
|
||||
$$
|
||||
\mathbf{x}^T \Sigma \mathbf{x} = 4x_1^2 + 2x_1 x_2 + 9x_2^2 = 3x_1^2 + (x_1+x_2)^2 + 5x_2^2 \ge 0
|
||||
$$
|
||||
|
||||
或计算特征值:$\det(\Sigma - \lambda I) = (4-\lambda)(9-\lambda) - 1 = \lambda^2 - 13\lambda + 35 = 0$
|
||||
$$
|
||||
\lambda = \frac{13 \pm \sqrt{169 - 140}}{2} = \frac{13 \pm \sqrt{29}}{2} \approx 11.19, 1.81 > 0
|
||||
$$
|
||||
|
||||
**结论**:特征值都 $>0$ → $\Sigma$ 正定(半正定的加强)。
|
||||
|
||||
**复盘**:验证半正定 = 所有特征值 $\ge 0$ 或主子式都 $\ge 0$。
|
||||
|
||||
---
|
||||
|
||||
> **题目 2**:设 $(X_1, X_2)^T \sim N(\boldsymbol{\mu}, \Sigma)$,$\Sigma = \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix}$。求 $Y_1 = X_1 + X_2, Y_2 = X_1 - X_2$ 的协方差矩阵。
|
||||
|
||||
**解析**:
|
||||
|
||||
线性变换 $\mathbf{Y} = A\mathbf{X}$,其中 $A = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}$
|
||||
|
||||
$$
|
||||
\Sigma_{\mathbf{Y}} = A\Sigma_{\mathbf{X}} A^T = \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} \begin{pmatrix} 1 & \rho \\ \rho & 1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix}
|
||||
$$
|
||||
|
||||
**计算**:
|
||||
- $A\Sigma = \begin{pmatrix} 1+\rho & 1+\rho \\ 1-\rho & \rho-1 \end{pmatrix}$
|
||||
- $\Sigma_{\mathbf{Y}} = A\Sigma A^T = \begin{pmatrix} 1+\rho & 1+\rho \\ 1-\rho & \rho-1 \end{pmatrix} \begin{pmatrix} 1 & 1 \\ 1 & -1 \end{pmatrix} = \begin{pmatrix} 2+2\rho & 0 \\ 0 & 2-2\rho \end{pmatrix}$
|
||||
|
||||
**结论**:$\Sigma_{\mathbf{Y}} = \begin{pmatrix} 2(1+\rho) & 0 \\ 0 & 2(1-\rho) \end{pmatrix}$
|
||||
|
||||
$\text{Cov}(Y_1, Y_2) = 0$ ⇒ $Y_1, Y_2$ 不相关;多元正态下 ⇒ **独立**!
|
||||
|
||||
**复盘**:当 $\rho = 0$ 时 $\Sigma_{\mathbf{Y}} = \begin{pmatrix} 2 & 0 \\ 0 & 2 \end{pmatrix}$ → $Y_1, Y_2$ 独立。
|
||||
|
||||
---
|
||||
|
||||
> **题目 3**:设 $\mathbf{X} = (X_1, X_2, X_3)^T$ 的协方差矩阵为
|
||||
> $$\Sigma = \begin{pmatrix} 1 & 0 & 0 \\ 0 & 2 & 1 \\ 0 & 1 & 2 \end{pmatrix}$$
|
||||
>
|
||||
> 求 $X_1$ 与 $(X_2 + X_3)$ 的协方差。
|
||||
|
||||
**解析**:
|
||||
|
||||
$$
|
||||
\text{Cov}(X_1, X_2 + X_3) = \text{Cov}(X_1, X_2) + \text{Cov}(X_1, X_3) = 0 + 0 = 0
|
||||
$$
|
||||
|
||||
**复盘**:协方差的线性(分配律)。
|
||||
|
||||
---
|
||||
|
||||
> **题目 4**:设 $\mathbf{X} \sim N(\boldsymbol{\mu}, \Sigma)$,$\Sigma = \sigma^2 I$(球对称)。证明 $\mathbf{X}$ 的各分量独立。
|
||||
|
||||
**解析**:
|
||||
|
||||
$\Sigma = \sigma^2 I$ 是对角矩阵 ⇒ $\text{Cov}(X_i, X_j) = 0$($i \ne j$)⇒ 不相关。
|
||||
|
||||
多元正态下:独立 ⇔ 不相关 ⇒ $X_1, X_2, \ldots, X_n$ 相互独立。
|
||||
|
||||
**复盘**:球对称多元正态 $\Rightarrow$ 各分量独立。
|
||||
|
||||
---
|
||||
|
||||
> **变式 1**:$(X,Y) \sim N(0, 0, 1, 1, 0.5)$。求 $\Sigma$ 和 $D(X+Y)$。
|
||||
>
|
||||
> **解**:$\Sigma = \begin{pmatrix} 1 & 0.5 \\ 0.5 & 1 \end{pmatrix}$;$D(X+Y) = 1 + 1 + 2 \times 0.5 = 3$。
|
||||
|
||||
> **变式 2**:$\mathbf{X} \sim N(\mathbf{0}, \Sigma)$,$\Sigma = \begin{pmatrix} 1 & 2 \\ 2 & 9 \end{pmatrix}$。$\Sigma$ 是合法协方差矩阵吗?
|
||||
>
|
||||
> **解**:特征值 $\lambda^2 - 10\lambda + 5 = 0 \Rightarrow \lambda = 5 \pm \sqrt{20} > 0$ → 半正定 → 合法。
|
||||
|
||||
---
|
||||
|
||||
> **口诀速记**:
|
||||
> - "**$\Sigma$ = 对称 + 半正定**"
|
||||
> - "**$\Sigma_{ii} = D(X_i)$**"
|
||||
> - "**线性变换**:$\Sigma_{\mathbf{Y}} = A\Sigma A^T$"
|
||||
> - "**多元正态**:独立 ⇔ 不相关 ⇔ $\Sigma$ 对角"
|
||||
> - "**球对称** $\Sigma = \sigma^2 I$ ⇒ 各分量独立"
|
||||
Reference in New Issue
Block a user