# 📌 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"。