Files
2026-10-04 11:44:56 +08:00

22 KiB
Raw Permalink Blame History

📌 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"。