Files
T

251 lines
13 KiB
Markdown
Raw Normal View History

---
tags: [数学一, 在学练习, 概率论, 数字特征, 知识点盘点]
专题: 概率论 第4讲 · 随机变量的数字特征
日期: 2026-11-07
状态: 知识点盘点(五节 + 覆盖对照表),配套 5 个点分册共 19 题
关联笔记: ["[[README]]", "[[06-速查卡]]"]
---
# 第4讲 · 随机变量的数字特征:知识点盘点
真题库第 18 章。近十年 **7 题 32 分**,**全部是选填**(单选 4 题 19 分 $+$ 填空 3 题 13 分),没有独立的大题。
**这一讲的特殊性**:它自己不出大题,但**第 3 讲的解答题、第 6 讲的参数估计,处处要用它**——$E$ 、$D$ 、$\operatorname{Cov}$ 是概率论里唯一的"通用工具"。所以这里的定位是**工具册**,不是考点册。
**一句话定性**:数字特征 = **用几个数概括一个分布**。$EX$ 说"在哪",$DX$ 说"多散",$\operatorname{Cov}$ 说"怎么一起动"。所有公式都是这三件事的推论。
## 0 三张表
### 0.1 按分值排(时间紧就照这个顺序)
| 优先 | 点 | 真题锚点 | 分值 | 文件 |
|---|---|---|---|---|
| 1 | 协方差与相关系数 | 2016·8、2020·14、2021·16 | **约 13** | `04` |
| 2 | 数学期望(含函数期望、绝对偏差) | 2017·14、2023·8 | **约 9** | `02` |
| 3 | 方差与矩 | 2022·8、2025·8 | **约 10** | `03` |
| 4 | 线性组合与最值 | 2025·8 | 嵌在选择里 | `06` |
| 5 | 条件期望与重期望 | 大纲要求、十年未单考 | — | `05` |
### 0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)
```
02 数学期望 ← 一切的地基:先把 E 算对
↓
03 方差与矩 ← E 的"二阶版":DX = EX² - (EX)²
↓
04 协方差与相关系数 ← 两个变量的"二阶版"
↓
05 条件期望与重期望 ← 把 E 拆成两层:E[E(Y|X)]
↓
06 线性组合与最值 ← D(aX+bY) 与它的极值
```
**为什么条件期望排在协方差之后**:重期望 $E(XY)=E\left[X\,E(Y\mid X)\right]$ 是算协方差的主力工具,没有协方差的需求就不会想到用它。
### 0.3 符号约定
| 记号 | 含义 |
|---|---|
| $EX$ | $\sum x_ip_i$ 或 $\int xf(x)\mathrm dx$ |
| $DX=\operatorname{Var}(X)$ | $E(X-EX)^2=EX^2-(EX)^2$ |
| $\sigma_X=\sqrt{DX}$ | 标准差 |
| $\operatorname{Cov}(X,Y)$ | $E(X-EX)(Y-EY)=E(XY)-EX\cdot EY$ |
| $\rho_{XY}$ | $\dfrac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}\in[-1,1]$ |
| $E(Y\mid X)$ | 条件期望,本身是 $X$ 的**函数**(随机变量) |
| $A_k=EX^k$ 、$B_k=E(X-EX)^k$ | $k$ 阶原点矩、$k$ 阶中心矩 |
### 0.4 知识点与练习文件对照(按知识点粒度)
<!-- AUTO:KP -->
| 盘点章节(知识点) | 对应题目 |
|---|---|
| §1.1 定义与四条性质 | [点 1 题 1](02-点1-数学期望.md#user-content-题-1--11由分布律算期望与函数期望) |
| §1.2 随机变量函数的期望(不需求分布) | [点 1 题 2](02-点1-数学期望.md#user-content-题-2--12连续型上的函数期望)、[点 1 题 3](02-点1-数学期望.md#user-content-题-3--12绝对偏差与平方偏差) |
| §1.3 常见分布的期望 | [点 1 题 4](02-点1-数学期望.md#user-content-题-4--13用性质速算不积分) |
| §2.1 定义与计算公式 | [点 2 题 1](03-点2-方差与矩.md#user-content-题-1--21二项分布的方差) |
| §2.2 四条性质 | [点 2 题 2](03-点2-方差与矩.md#user-content-题-2--22方差性质与协方差交叉项) |
| §2.3 常见分布的方差 | [点 2 题 3](03-点2-方差与矩.md#user-content-题-3--23由期望与方差反求参数) |
| §2.4 矩与标准化 | [点 2 题 4](03-点2-方差与矩.md#user-content-题-4--24矩偏度与标准化) |
| §3.1 定义 | [点 3 题 1](04-点3-协方差与相关系数.md#user-content-题-1--31由联合分布律求协方差与相关系数) |
| §3.2 双线性(算协方差的唯一公式) | [点 3 题 2](04-点3-协方差与相关系数.md#user-content-题-2--32双线性展开) |
| §3.3 相关系数的意义与极值 | [点 3 题 3](04-点3-协方差与相关系数.md#user-content-题-3--33相关系数的三条性质)、[点 3 题 4](04-点3-协方差与相关系数.md#user-content-题-4--33多项分布的负相关) |
| §4.1 条件期望 | [点 4 题 1](05-点4-条件期望与重期望.md#user-content-题-1--41条件期望是一个函数) |
| §4.2 重期望公式 | [点 4 题 2](05-点4-条件期望与重期望.md#user-content-题-2--42重期望算混合型) |
| §4.3 条件方差与总方差公式 | [点 4 题 3](05-点4-条件期望与重期望.md#user-content-题-3--43随机个数的和) |
| §5.1 线性组合的期望与方差 | [点 5 题 1](06-点5-线性组合与最值.md#user-content-题-1--51两项线性组合的展开) |
| §5.2 方差的最值(选择压轴常客) | [点 5 题 2](06-点5-线性组合与最值.md#user-content-题-2--52同方差下的最值)、[点 5 题 3](06-点5-线性组合与最值.md#user-content-题-3--52异方差下配方) |
| §5.3 三条常用恒等式 | [点 5 题 4](06-点5-线性组合与最值.md#user-content-题-4--53样本均值与偏差平方和) |
<!-- /AUTO:KP -->
## 1 数学期望
### 1.1 定义与四条性质
$$EX=\sum_i x_ip_i\ (\text{离散}),\qquad EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx\ (\text{连续}).$$
性质(**不要求独立**):
$$E(aX+bY+c)=aEX+bEY+c;\qquad X\le Y\Rightarrow EX\le EY;\qquad \lvert EX\rvert\le E\lvert X\rvert .$$
> **注意**:$E(XY)=EX\cdot EY$ **只在独立(或不相关)时成立**,不属于"性质",是"额外结论"。
### 1.2 随机变量函数的期望(不需求分布)
$$E\,g(X)=\sum_i g(x_i)p_i\quad\text{或}\quad E\,g(X)=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx;$$
$$E\,g(X,Y)=\iint g(x,y)f(x,y)\,\mathrm d\sigma .$$
> **这是全讲最重要的一条技术**:求 $E(1/X)$ 、$E\lvert X-a\rvert$ 、$E\min(X,c)$ 时,**不要先求新变量的分布再求期望**,直接把 $g$ 塞进原积分。省掉一次"求密度 $+$ 积分"。
### 1.3 常见分布的期望
| 分布 | $EX$ | 记忆方式 |
|---|---|---|
| $B(n,p)$ | $np$ | 拆成 $n$ 个 $0$ -$1$ 之和 |
| $P(\lambda)$ | $\lambda$ | 参数即均值 |
| $G(p)$ (几何) | $\dfrac1p$ | 平均等 $\frac1p$ 次 |
| $U(a,b)$ | $\dfrac{a+b}{2}$ | 中点 |
| $E(\lambda)$ | $\dfrac1\lambda$ | 参数是"速率",期望是"时间" |
| $N(\mu,\sigma^2)$ | $\mu$ | 参数即均值 |
| $\chi^2(n)$ | $n$ | 自由度即均值 |
## 2 方差与矩
### 2.1 定义与计算公式
$$DX=E(X-EX)^2=E X^2-(EX)^2 .$$
**考场一律用右边那个**:先算 $EX$ 与 $EX^2$ ,相减。定义式只在证明里用。
### 2.2 四条性质
$$D(aX+b)=a^2DX\quad(\text{常数项不影响});\qquad D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y).$$
**独立时**交叉项消失,$D(X\pm Y)=DX+DY$ ——**注意"差"也是加**,这是最高频的错点。
$$DC=0;\qquad DX=0\iff X\ \text{几乎处处为常数}.$$
### 2.3 常见分布的方差
| 分布 | $DX$ |
|---|---|
| $B(n,p)$ | $np(1-p)$ |
| $P(\lambda)$ | $\lambda$ |
| $G(p)$ | $\dfrac{1-p}{p^2}$ |
| $U(a,b)$ | $\dfrac{(b-a)^2}{12}$ |
| $E(\lambda)$ | $\dfrac{1}{\lambda^2}$ |
| $N(\mu,\sigma^2)$ | $\sigma^2$ |
| $\chi^2(n)$ | $2n$ |
### 2.4 矩与标准化
$k$ 阶原点矩 $A_k=EX^k$ ;$k$ 阶中心矩 $B_k=E(X-EX)^k$ 。其中 **$A_1=EX$ 与 $B_2=DX$ 最常用** 。
标准化:$X^*=\dfrac{X-EX}{\sqrt{DX}}$ ,则 $EX^*=0$ 、$DX^*=1$ 。这一步是中心极限定理与所有"查表"题的前提。
## 3 协方差与相关系数
### 3.1 定义
$$\operatorname{Cov}(X,Y)=E(X-EX)(Y-EY)=E(XY)-EX\cdot EY,\qquad \rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}} .$$
### 3.2 双线性(算协方差的唯一公式)
$$\operatorname{Cov}(aX+bY,\ cZ+dW)=ac\operatorname{Cov}(X,Z)+ad\operatorname{Cov}(X,W)+bc\operatorname{Cov}(Y,Z)+bd\operatorname{Cov}(Y,W).$$
**三条特例**:$\operatorname{Cov}(X,X)=DX$ ;$\operatorname{Cov}(X,c)=0$ ;$\operatorname{Cov}(X+Y,Z)=\operatorname{Cov}(X,Z)+\operatorname{Cov}(Y,Z)$ 。
> **实战写法**:把 $\operatorname{Cov}$ 当成"**带符号的乘法表**",逐项展开成 $\operatorname{Cov}(X,X)$ 、$\operatorname{Cov}(X,Y)$ 这样的原子,再代入数值。这一步比用 $E(XY)-EX\,EY$ 快得多,也不容易错。
### 3.3 相关系数的意义与极值
**三条结论**:
1. $\lvert\rho\rvert\le1$ ;
2. $\lvert\rho\rvert=1\iff P\{Y=aX+b\}=1$ (**完全线性相关**,$a>0$ 时 $\rho=1$ ,$a<0$ 时 $\rho=-1$ );
3. $\rho$ 只度量**线性**关系:$\rho=0$ 只说明"没有线性关系",不说明"没有关系"。
**独立与不相关的分界**:独立 $\Rightarrow$ 不相关(二阶矩存在时);反向只在**二维正态**下成立。完整辨析见 [第3讲 点4 题3](../概率论-第3讲-多维随机变量及其分布/05-点4-独立性.md#user-content-题-3--43不相关但不独立的反例)。
## 4 条件期望与重期望
### 4.1 条件期望
$$E(Y\mid X=x)=\sum_j y_j\,p_{j\mid i}\quad\text{或}\quad E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy .$$
**关键认识**:$E(Y\mid X)$ 是 $X$ 的**函数**,因此它本身是一个**随机变量**;而 $E(Y\mid X=x)$ 是一个**数**。
### 4.2 重期望公式
$$EY=E\left[E(Y\mid X)\right].$$
**用途**:当 $Y$ 的分布要分两层才能写清(混合型、分层抽样、随机个数的和)时,先求内层再求外层。
**乘法版本**(算协方差的主力):
$$E(XY)=E\left[X\cdot E(Y\mid X)\right].$$
### 4.3 条件方差与总方差公式
$$DY=\underbrace{E\left[D(Y\mid X)\right]}_{\text{组内}}+\underbrace{D\left[E(Y\mid X)\right]}_{\text{组间}} .$$
读法:**总方差 $=$ 组内方差的平均 $+$ 组间(各组均值之间)的方差**。混合型题里算 $DY$ 只需这一条,不必写出 $f_Y$ 。
## 5 线性组合与最值
### 5.1 线性组合的期望与方差
$$E\left(\sum a_iX_i\right)=\sum a_iEX_i;\qquad D\left(\sum a_iX_i\right)=\sum a_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j).$$
两项情形:$D(aX+bY)=a^2DX+b^2DY+2ab\rho\sigma_X\sigma_Y$ 。
### 5.2 方差的最值(选择压轴常客)
在约束 $a^2+b^2=1$ 下最大化 $D(aX+bY)$ :
$$D(aX+bY)=\sigma_X^2a^2+\sigma_Y^2b^2+2\rho\sigma_X\sigma_Yab .$$
- **$\sigma_X=\sigma_Y=\sigma$ 时**:$=\sigma^2\left(1+2\rho ab\right)$ ,在 $a=b=\frac{1}{\sqrt2}$ 处取最大 $\sigma^2(1+\rho)$ ,在 $a=-b$ 处取最小 $\sigma^2(1-\rho)$ ;
- **$\sigma_X\ne\sigma_Y$ 时**:配方为二次型,最大值 $=\dfrac{\sigma_X^2+\sigma_Y^2+\sqrt{(\sigma_X^2-\sigma_Y^2)^2+4\rho^2\sigma_X^2\sigma_Y^2}}{2}$ (**考场上用配方或拉格朗日,别背这个式子**)。
### 5.3 三条常用恒等式
$$\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2;\qquad E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n};$$
$$E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(\text{在 }c=EX\text{ 处最小}).$$
> 最后一条是"**均方误差分解**":$c$ 取均值时期望平方偏差最小,最小值就是方差。这条在参数估计的 MSE 比较里还会再用一次。
## 6 覆盖对照(大纲 vs 真题 vs 参考仓库)
| 知识点 | 大纲要求 | 十年真题 | 参考仓库 | 处置 |
|---|---|---|---|---|
| 数学期望的定义与性质 | **掌握** | 2017·14 | 有 | 点 1,2 题 |
| 随机变量函数的期望 | **掌握** | 2023·8 | 有 | 点 1,3 题 |
| 常见分布的期望 | **掌握** | 每题必用 | 有 | 点 1,2 题 |
| 方差的定义与性质 | **掌握** | 2022·8、2025·8 | 有 | 点 2,4 题 |
| 常见分布的方差 | **掌握** | 2022·8 | 有 | 点 2,2 题 |
| 矩与标准化 | 了解 | 嵌在别处 | 有 | 点 2,1 题 |
| 协方差与双线性 | **掌握** | 2020·14、2024·9 | 有 | 点 3,3 题 |
| 相关系数与极值 | **掌握** | 2016·8、2021·16 | 有 | 点 3,3 题 |
| 条件期望与重期望 | **掌握** | 大纲要求、十年未单考 | 有 | 点 4,3 题 |
| 总方差公式 | 掌握 | 2020·22(第3讲) | 有 | 点 4,1 题 |
| 线性组合的方差 | **掌握** | 2025·8 | 有 | 点 5,1 题 |
| 方差的最值 | 掌握 | 2025·8 | 无(自编) | 点 5,2 题 |
| 样本均值与偏差平方和 | **掌握** | 嵌在别处 | 有 | 点 5,1 题 |
**判断**:13 个知识点里,**大纲"掌握"的 12 个全部配题**;余下"矩与标准化"属"了解"层次,也配了 1 题。"方差最值"参考仓库未单列,属自编题,用于补齐 2025·8 的新形态。
## 7 与相邻讲的接口
| 本讲内容 | 来源 / 去向 | 用法 |
|---|---|---|
| 密度、分布律、边缘、条件 | 第 2、3 讲 | 本讲所有 $E$ 都是在它们的积分上加一个权 |
| 独立与不相关的完整辨析 | [第3讲点4](../概率论-第3讲-多维随机变量及其分布/05-点4-独立性.md) | 本讲只做"$\rho$ 的极值",不重复讲独立性 |
| 二维正态的 $\rho$ 与条件分布 | [第3讲点3 §3.5](../概率论-第3讲-多维随机变量及其分布/04-点3-二维连续型与两类分布.md) | 点 5 的方差最值直接用它 |
| $D\bar X=\sigma^2/n$ | 第 6 讲(数理统计) | 样本均值的方差,参数估计的基础 |
| $\operatorname{Cov}$ 的样本版 $S^2$ | 第 6 讲(数理统计) | 无偏性证明全靠它 |
| 切比雪夫不等式 | 第 5 讲上(大数定律) | 它就是用 $DX$ 去控制"偏离" |
> **跨讲一句话**:本讲把"分布"压成"数";第 5 讲用这些数去谈极限;第 6 讲用这些数去评价估计量。