566 lines
22 KiB
Markdown
566 lines
22 KiB
Markdown
# 📌 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"。 |