22 KiB
📌 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:
- 用定义/函数期望公式求
E(X) - 用函数期望公式求
E(X^2) - 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\RightarrowX, 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
- 独立
【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"。