Files
MathNotesVersion1/公式笔记/概率论/Ch04_随机变量的数字特征/Ch04_Numerical_Characteristics.md
T
2026-10-04 11:44:56 +08:00

566 lines
22 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 📌 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"。