知识点构建 02—27 批量修公式渲染(约 2500 处)
起因:01 重排时核验发现线上残留 $ 243 个,追查后确认 10-27/11-17 写的这批文件
都有同样问题——收尾 $ 后面紧跟中文标点,Gitea 整对不渲染,正文里直接露出
$\lim_{x\to0}...$ 源码,所以整页看着糊成一团。
- 02—20(背诵版)共插入 2550 处空格,逐文件二次运行均插入 0(幂等)
- 21—27(专背清单)另修 24 处「加粗以公式收尾」:公式被移出加粗范围
(`**…$f$ **` → `**…** $f$ `),否则补的空格落在 `**` 内侧,星号会原样露出
- 09/11 等 4 处一个加粗里连着两个公式,迭代剥两次才对
- 01 已在上一提交(da4c938)单独处理,网页残留 0
全部经 fix_text 幂等核验;链接 28 文件 0 异常。
This commit is contained in:
@@ -19,7 +19,7 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数字特征]
|
||||
|
||||
**一句话**:数字特征 = **期望(加权平均)+ 方差(波动)+ 协方差/相关系数(线性相关程度)+ 切比雪夫(无分布估算)**——分布未知或太复杂时,只用这几个数说话。
|
||||
|
||||
**依赖链**:一维期望 → 方差($EX^2-(EX)^2$)→ 常用分布特征表 → 二维期望 → 协方差/相关系数 → 独立与相关 → 切比雪夫。
|
||||
**依赖链**:一维期望 → 方差($EX^2-(EX)^2$ )→ 常用分布特征表 → 二维期望 → 协方差/相关系数 → 独立与相关 → 切比雪夫。
|
||||
|
||||
**一条锚**:**一切从 $EX$ 出发**——$E(XY)$ 是二维题的总开关,$\operatorname{Cov}=E(XY)-EX\,EY$ 是全部相关性的来源。
|
||||
|
||||
@@ -31,11 +31,11 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数字特征]
|
||||
| 2023·8 | 泊松分布 $E\lvert X-EX\rvert$ | 5 |
|
||||
| 2022·8 | 相关系数 $-1$ 时的 $D(2X-Y+1)$ | 5 |
|
||||
| 2021·16 | 两步抽球模型的相关系数 | 5 |
|
||||
| 2020·14 | $\operatorname{Cov}(X,\sin X)$($X$ 均匀) | 4 |
|
||||
| 2020·14 | $\operatorname{Cov}(X,\sin X)$ ($X$ 均匀) | 4 |
|
||||
| 2017·14 | 混合分布 $F=0.5\varPhi(x)+0.5\varPhi(\frac{x-4}{2})$ 求 $EX$ | 4 |
|
||||
| 2016·8 | 多项分布相关系数 | 4 |
|
||||
|
||||
> **命题规律**:**只出选填(4–5 分)**,且集中在三类:① **方差/协方差的代数运算**(2022·8、2025·8);② **相关系数的符号与公式**(2021·16、2016·8);③ **非常规期望**(2023·8 的 $\lvert X-EX\rvert$、2017·14 的混合分布、2020·14 的 $\operatorname{Cov}(X,\sin X)$)。真正的"算期望"大题通常藏在多维或数理统计的解答题里。
|
||||
> **命题规律**:**只出选填(4–5 分)**,且集中在三类:① **方差/协方差的代数运算**(2022·8、2025·8);② **相关系数的符号与公式**(2021·16、2016·8);③ **非常规期望**(2023·8 的 $\lvert X-EX\rvert$ 、2017·14 的混合分布、2020·14 的 $\operatorname{Cov}(X,\sin X)$ )。真正的"算期望"大题通常藏在多维或数理统计的解答题里。
|
||||
|
||||
### 0.3 考点树(与在学练习五点分册一一对应)
|
||||
|
||||
@@ -59,24 +59,24 @@ tags: [数学一, 知识点构建, 背诵版, 概率论, 数字特征]
|
||||
| 离散型 | $EX=\sum_i x_ip_i$ |
|
||||
| 连续型 | $EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx$ |
|
||||
|
||||
**存在性**:$\sum\lvert x_i\rvert p_i<\infty$ 或 $\int\lvert x\rvert f(x)\mathrm dx<\infty$——**绝对收敛才算期望存在**。柯西分布 $f=\frac1{\pi(1+x^2)}$ 是"积分条件收敛但期望不存在"的标准反例。
|
||||
**存在性**:$\sum\lvert x_i\rvert p_i<\infty$ 或 $\int\lvert x\rvert f(x)\mathrm dx<\infty$ ——**绝对收敛才算期望存在**。柯西分布 $f=\frac1{\pi(1+x^2)}$ 是"积分条件收敛但期望不存在"的标准反例。
|
||||
|
||||
### 1.2 随机变量函数的期望(不必先求分布)
|
||||
|
||||
$$E[g(X)]=\sum_i g(x_i)p_i\quad\text{或}\quad E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx .$$
|
||||
|
||||
二维版本 $E[g(X,Y)]=\sum\sum g\,p_{ij}$ 或 $\iint g\,f\,\mathrm dx\,\mathrm dy$(**不需要独立**)。
|
||||
二维版本 $E[g(X,Y)]=\sum\sum g\,p_{ij}$ 或 $\iint g\,f\,\mathrm dx\,\mathrm dy$ (**不需要独立**)。
|
||||
|
||||
> **这是"省一步"的关键**:求 $E(X^2)$、$E(\mathrm e^{X})$、$E(\lvert X-EX\rvert)$ 时,都不需要先写出 $X^2$ 的分布。
|
||||
> **这是"省一步"的关键**:求 $E(X^2)$ 、$E(\mathrm e^{X})$ 、$E(\lvert X-EX\rvert)$ 时,都不需要先写出 $X^2$ 的分布。
|
||||
|
||||
### 1.3 期望的四条性质
|
||||
|
||||
| 性质 | 公式 |
|
||||
|---|---|
|
||||
| 常数 | $Ec=c$ |
|
||||
| 线性 | $E(aX+bY+c)=aEX+bEY+c$(**无条件成立**,不需独立) |
|
||||
| 独立可乘 | $X,Y$ 独立 $\Rightarrow E(XY)=EX\cdot EY$;更一般 $E[g_1(X)g_2(Y)]=E g_1(X)\cdot E g_2(Y)$ |
|
||||
| 混合分布 | $F=\sum_kp_kF_k\Rightarrow EX=\sum_kp_kEX_k$(2017·14 的解法) |
|
||||
| 线性 | $E(aX+bY+c)=aEX+bEY+c$ (**无条件成立**,不需独立) |
|
||||
| 独立可乘 | $X,Y$ 独立 $\Rightarrow E(XY)=EX\cdot EY$ ;更一般 $E[g_1(X)g_2(Y)]=E g_1(X)\cdot E g_2(Y)$ |
|
||||
| 混合分布 | $F=\sum_kp_kF_k\Rightarrow EX=\sum_kp_kEX_k$ (2017·14 的解法) |
|
||||
|
||||
> **最常错**:把 $E(XY)=EX\,EY$ 当无条件公式。**只有独立(或二维正态下不相关)才能拆。**
|
||||
|
||||
@@ -91,9 +91,9 @@ $$E[g(X)]=\sum_i g(x_i)p_i\quad\text{或}\quad E[g(X)]=\int_{-\infty}^{+\infty}g
|
||||
|
||||
$$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$
|
||||
|
||||
第二式是**唯一实用公式**:先算 $E(X^2)$ 再减 $(EX)^2$。标准差 $\sqrt{DX}$。
|
||||
第二式是**唯一实用公式**:先算 $E(X^2)$ 再减 $(EX)^2$ 。标准差 $\sqrt{DX}$ 。
|
||||
|
||||
**标准化**:$X^*=\dfrac{X-EX}{\sqrt{DX}}$,则 $EX^*=0$、$DX^*=1$。
|
||||
**标准化**:$X^*=\dfrac{X-EX}{\sqrt{DX}}$ ,则 $EX^*=0$ 、$DX^*=1$ 。
|
||||
|
||||
### 2.2 性质(五条)
|
||||
|
||||
@@ -102,12 +102,12 @@ $$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$
|
||||
| 非负 | $DX\ge0$ | $DX=0\iff X$ 几乎处处为常数 |
|
||||
| 常数 | $Dc=0$ | |
|
||||
| 平移不变 | $D(X+c)=DX$ | 加减常数不影响波动 |
|
||||
| 伸缩平方 | $D(aX)=a^2DX$,$D(aX+b)=a^2DX$ | 系数**平方**出来 |
|
||||
| 伸缩平方 | $D(aX)=a^2DX$ ,$D(aX+b)=a^2DX$ | 系数**平方**出来 |
|
||||
| **线性组合** | $D(aX\pm bY)=a^2DX+b^2DY\pm2ab\operatorname{Cov}(X,Y)$ | 独立/不相关时交叉项为 0 |
|
||||
|
||||
**独立时的特例**:$D\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i$;$D(\overline X)=\frac{\sigma^2}{n}$。
|
||||
**独立时的特例**:$D\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i$ ;$D(\overline X)=\frac{\sigma^2}{n}$ 。
|
||||
|
||||
> **坑**:$D(X-Y)=DX+DY$(**加号**),不是 $DX-DY$。也别忘了 $2ab\operatorname{Cov}$ 的符号与 $a,b$ 的正负。
|
||||
> **坑**:$D(X-Y)=DX+DY$ (**加号**),不是 $DX-DY$ 。也别忘了 $2ab\operatorname{Cov}$ 的符号与 $a,b$ 的正负。
|
||||
|
||||
## 3 常用分布的期望与方差(一张表背完)
|
||||
|
||||
@@ -123,7 +123,7 @@ $$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$
|
||||
| 正态 | $N(\mu,\sigma^2)$ | $\mu$ | $\sigma^2$ |
|
||||
| 卡方 | $\chi^2(n)$ | $n$ | $2n$ |
|
||||
|
||||
**记忆钩子**:泊松"期望=方差 $=\lambda$";指数"期望=标准差 $=1/\lambda$";二项与 0-1 差一个 $n$;均匀与正态都是"中心 = 中点"。
|
||||
**记忆钩子**:泊松"期望=方差 $=\lambda$ ";指数"期望=标准差 $=1/\lambda$ ";二项与 0-1 差一个 $n$ ;均匀与正态都是"中心 = 中点"。
|
||||
|
||||
## 4 二维随机变量的数字特征
|
||||
|
||||
@@ -131,7 +131,7 @@ $$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$
|
||||
|
||||
$$\operatorname{Cov}(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY .$$
|
||||
|
||||
当 $X=Y$ 时 $\operatorname{Cov}(X,X)=DX$——**方差是协方差的特例**。
|
||||
当 $X=Y$ 时 $\operatorname{Cov}(X,X)=DX$ ——**方差是协方差的特例**。
|
||||
|
||||
**四条性质**:
|
||||
|
||||
@@ -150,14 +150,14 @@ $$\rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1].$$
|
||||
|
||||
**两条极限性质**:
|
||||
|
||||
- $\lvert\rho\rvert=1\iff$ 存在常数 $a\ne0,b$ 使 $P\{Y=aX+b\}=1$(**完全线性**);
|
||||
- $Y=aX+b$ 时 $\rho_{XY}=\operatorname{sign}(a)$——**负相关只看 $a$ 的符号**。
|
||||
- $\lvert\rho\rvert=1\iff$ 存在常数 $a\ne0,b$ 使 $P\{Y=aX+b\}=1$ (**完全线性**);
|
||||
- $Y=aX+b$ 时 $\rho_{XY}=\operatorname{sign}(a)$ ——**负相关只看 $a$ 的符号**。
|
||||
|
||||
### 4.3 $\rho$ 与线性变换
|
||||
|
||||
$$\rho_{aX+b,\,cY+d}=\operatorname{sign}(ac)\,\rho_{XY}.$$
|
||||
|
||||
2022·8 就是这条:$\rho_{XY}=-1$ ⟹ $Y$ 与 $X$ 完全负线性,$D(2X-Y+1)$ 变成 $D(3X+\text{常数})=9DX$。
|
||||
2022·8 就是这条:$\rho_{XY}=-1$ ⟹ $Y$ 与 $X$ 完全负线性,$D(2X-Y+1)$ 变成 $D(3X+\text{常数})=9DX$ 。
|
||||
|
||||
### 4.4 条件期望与重期望(在学练习点 4)
|
||||
|
||||
@@ -165,7 +165,7 @@ $$\rho_{aX+b,\,cY+d}=\operatorname{sign}(ac)\,\rho_{XY}.$$
|
||||
|
||||
$$E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy\quad(\text{或}\ \sum_j y_j\,P\{Y=y_j\mid X=x\}).$$
|
||||
|
||||
它是 $x$ 的**函数**;把 $x$ 换成随机变量 $X$ ,得到随机变量 $E(Y\mid X)$。
|
||||
它是 $x$ 的**函数**;把 $x$ 换成随机变量 $X$ ,得到随机变量 $E(Y\mid X)$ 。
|
||||
|
||||
**两条必背结论**:
|
||||
|
||||
@@ -174,7 +174,7 @@ $$E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy\quad(
|
||||
| **重期望(全期望)公式** | $E\big[E(Y\mid X)\big]=EY$ | 分层求期望:先按 $X$ 分层算,再对 $X$ 加权平均 |
|
||||
| 条件期望的线性性 | $E(aY+b\mid X)=aE(Y\mid X)+b$ | 与普通期望同形 |
|
||||
|
||||
**性质清单**:$X,Y$ 独立时 $E(Y\mid X)=EY$(条件不提供信息);$E[g(X)Y\mid X]=g(X)E(Y\mid X)$(**$X$ 的函数可以当常数提出**)。
|
||||
**性质清单**:$X,Y$ 独立时 $E(Y\mid X)=EY$ (条件不提供信息);$E[g(X)Y\mid X]=g(X)E(Y\mid X)$ (**$X$ 的函数可以当常数提出**)。
|
||||
|
||||
**全方差公式**(了解):
|
||||
|
||||
@@ -186,15 +186,15 @@ $$D(Y)=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big],$$
|
||||
|
||||
### 4.5 线性组合与最值(在学练习点 5)
|
||||
|
||||
$D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}(X,Y)$,把 $a^2+b^2=1$ 代进去就成了一道**求最值**的二次型题。
|
||||
$D(aX+bY)=a^2DX+b^2DY+2ab\operatorname{Cov}(X,Y)$ ,把 $a^2+b^2=1$ 代进去就成了一道**求最值**的二次型题。
|
||||
|
||||
**标准型(2025·8)**:$DX=DY=1$、$\rho$ 已知,$a^2+b^2=1$ 时
|
||||
**标准型(2025·8)**:$DX=DY=1$ 、$\rho$ 已知,$a^2+b^2=1$ 时
|
||||
|
||||
$$D(aX+bY)=1+2ab\rho,\qquad a=\cos\theta,\ b=\sin\theta\ \Rightarrow\ 1+\rho\sin2\theta\in\big[1-\lvert\rho\rvert,\ 1+\lvert\rho\rvert\big].$$
|
||||
|
||||
**一般型**:固定 $\lvert\rho\rvert$ 时,$\rho>0$ 取 $a=b=\frac1{\sqrt2}$(同向叠加最大)、取 $a=-b$ 得最小;$\rho<0$ 反之。
|
||||
**一般型**:固定 $\lvert\rho\rvert$ 时,$\rho>0$ 取 $a=b=\frac1{\sqrt2}$ (同向叠加最大)、取 $a=-b$ 得最小;$\rho<0$ 反之。
|
||||
|
||||
> **一句话**:**方差的最值就是"相关系数绝对值"的另一种写法**——$\max=1+\lvert\rho\rvert$、$\min=1-\lvert\rho\rvert$(标准化情形)。
|
||||
> **一句话**:**方差的最值就是"相关系数绝对值"的另一种写法**——$\max=1+\lvert\rho\rvert$ 、$\min=1-\lvert\rho\rvert$ (标准化情形)。
|
||||
## 5 独立性与相关性
|
||||
|
||||
### 5.1 三层关系(必背)
|
||||
@@ -202,54 +202,54 @@ $$D(aX+bY)=1+2ab\rho,\qquad a=\cos\theta,\ b=\sin\theta\ \Rightarrow\ 1+\rho\sin
|
||||
| 命题 | 成立? | 理由 |
|
||||
|---|---|---|
|
||||
| 独立 ⟹ 不相关 | ✓ | $E(XY)=EX\,EY\Rightarrow\operatorname{Cov}=0$ |
|
||||
| 相关($\rho\ne0$)⟹ 不独立 | ✓ | 逆否 |
|
||||
| 不相关 ⟹ 独立 | ✗ | 反例 $X\sim U(-1,1)$、$Y=X^2$ |
|
||||
| 相关($\rho\ne0$ )⟹ 不独立 | ✓ | 逆否 |
|
||||
| 不相关 ⟹ 独立 | ✗ | 反例 $X\sim U(-1,1)$ 、$Y=X^2$ |
|
||||
| 二维正态下:不相关 ⟺ 独立 | ✓ | 密度可分离 |
|
||||
|
||||
### 5.2 判断流程(先相关、后独立)
|
||||
|
||||
① 算 $\operatorname{Cov}=E(XY)-EX\,EY$;
|
||||
① 算 $\operatorname{Cov}=E(XY)-EX\,EY$ ;
|
||||
② 若 $\ne0$ ⟹ 相关,必然不独立,**结束**;
|
||||
③ 若 $=0$ ⟹ 不相关,再回到**分布**判独立($F=F_XF_Y$ 或 $p_{ij}=p_{i\cdot}p_{\cdot j}$)。
|
||||
③ 若 $=0$ ⟹ 不相关,再回到**分布**判独立($F=F_XF_Y$ 或 $p_{ij}=p_{i\cdot}p_{\cdot j}$ )。
|
||||
|
||||
**等价的不相关条件**:$\rho=0\iff\operatorname{Cov}=0\iff E(XY)=EX\,EY\iff D(X\pm Y)=DX+DY$。
|
||||
**等价的不相关条件**:$\rho=0\iff\operatorname{Cov}=0\iff E(XY)=EX\,EY\iff D(X\pm Y)=DX+DY$ 。
|
||||
|
||||
> **经典反例的正确证法**:$X\sim U(-1,1)$、$Y=X^2$。不相关:$E(XY)=E(X^3)=0=EX\cdot EY$;不独立:取 $a\in(0,1)$,$P\{X\le a,\ Y\le a^2\}=P\{-a\le X\le a\}=a\ne P\{X\le a\}P\{Y\le a^2\}$。
|
||||
> **经典反例的正确证法**:$X\sim U(-1,1)$ 、$Y=X^2$ 。不相关:$E(XY)=E(X^3)=0=EX\cdot EY$ ;不独立:取 $a\in(0,1)$ ,$P\{X\le a,\ Y\le a^2\}=P\{-a\le X\le a\}=a\ne P\{X\le a\}P\{Y\le a^2\}$ 。
|
||||
|
||||
## 6 切比雪夫不等式
|
||||
|
||||
$EX=\mu$、$DX=\sigma^2$ 存在时,对任意 $\varepsilon>0$:
|
||||
$EX=\mu$ 、$DX=\sigma^2$ 存在时,对任意 $\varepsilon>0$ :
|
||||
|
||||
$$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Longleftrightarrow\quad P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\frac{\sigma^2}{\varepsilon^2}.$$
|
||||
|
||||
**读法**:方差越小越集中于期望;$\varepsilon$ 越大界越紧。**只给界、不给精确值**——优点是完全不依赖分布的形状。
|
||||
|
||||
**三个用途**:① **无分布估算**(只知道 $EX,DX$);② 证明大数定律(一致性);③ 常先构造 $Z=X-Y$ 再套($EZ=EX-EY$,$DZ=DX+DY-2\operatorname{Cov}$)。
|
||||
**三个用途**:① **无分布估算**(只知道 $EX,DX$ );② 证明大数定律(一致性);③ 常先构造 $Z=X-Y$ 再套($EZ=EX-EY$ ,$DZ=DX+DY-2\operatorname{Cov}$ )。
|
||||
|
||||
**四种常用变形**:
|
||||
|
||||
| 场景 | 结论 |
|
||||
|---|---|
|
||||
| 取 $\varepsilon=k\sigma$ | $P\{\lvert X-\mu\rvert\ge k\sigma\}\le\dfrac1{k^2}$ |
|
||||
| 样本均值 $\overline X$ | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$(**分母有 $n$** ) |
|
||||
| 样本均值 $\overline X$ | $P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2}$ (**分母有** $n$ ) |
|
||||
| 二项 $X\sim B(n,p)$ | $P\left\{\left\lvert\frac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2}$ |
|
||||
| 线性组合 $Z=X-Y$ | 先算 $EZ,DZ$ 再代 |
|
||||
|
||||
> **最容易错的两处**:① "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$、"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$,方向反了整题反;② $\frac1n\sum Y_i$ 的方差是 $\frac1{n^2}\sum DY_i$,**漏掉 $n^2$ 必错**。
|
||||
> **最容易错的两处**:① "至少"要下界 $1-\frac{\sigma^2}{\varepsilon^2}$ 、"至多"要上界 $\frac{\sigma^2}{\varepsilon^2}$ ,方向反了整题反;② $\frac1n\sum Y_i$ 的方差是 $\frac1{n^2}\sum DY_i$ ,**漏掉 $n^2$ 必错**。
|
||||
|
||||
## B 题型考点(怎么想到、为什么、坑在哪)
|
||||
|
||||
- **B1 分布律拟合已知分布**:看到 $\frac{\lambda^k}{k!}$ 就提系数化成泊松,直接查表;看到 $C_n^k$ 化成二项。**为什么快**:省掉整段求和。
|
||||
- **B2 期望定义直算**:拟合不出时硬算,靠**错位相消**($\sum_{k}\frac{\lambda^k}{(k+1)!}=\frac{\mathrm e^\lambda-1}{\lambda}$ 型)。**坑**:下标起点($k=0$ 还是 $k=1$)与分母错位。
|
||||
- **B2 期望定义直算**:拟合不出时硬算,靠**错位相消**($\sum_{k}\frac{\lambda^k}{(k+1)!}=\frac{\mathrm e^\lambda-1}{\lambda}$ 型)。**坑**:下标起点($k=0$ 还是 $k=1$ )与分母错位。
|
||||
- **B3 期望不存在的判断**:算 $\int\lvert x\rvert f\,\mathrm dx$ 是否有限;发散就答"不存在",**不要去算 $\int xf$ 的柯西主值**。
|
||||
- **B4 分段函数期望**:按 $\min/\max$、绝对值的**拐点拆段**;$\min\{\lvert X\rvert,1\}$ 的拐点是 $\lvert x\rvert=1$。
|
||||
- **B4 分段函数期望**:按 $\min/\max$ 、绝对值的**拐点拆段**;$\min\{\lvert X\rvert,1\}$ 的拐点是 $\lvert x\rvert=1$ 。
|
||||
- **B5 正态配方法**:$E[(X-c)^2\mathrm e^{\lambda X}]$ 型——把 $\mathrm e^{\lambda x}$ 配进密度($x^2-2\lambda x$ 配方),化成新正态的矩,$\mathrm e^{\lambda\mu+\lambda^2\sigma^2/2}$ 是常用中间量。
|
||||
- **B6 抽象密度判断题**:$E(X)=a$ 只说明"加权平均是 $a$",**推不出 $\int_{-\infty}^{a}xf=\frac12$**(那要求中位数 = 期望)。反例:右偏分布。
|
||||
- **B6 抽象密度判断题**:$E(X)=a$ 只说明"加权平均是 $a$ ",**推不出** $\int_{-\infty}^{a}xf=\frac12$ (那要求中位数 = 期望)。反例:右偏分布。
|
||||
- **B7 方差线性组合先"解相关"**:$D(X_1-\overline X)$ 中 $X_1$ 与 $\overline X$ **相关**,不能直接拆;先写成 $X_1-\overline X=\frac{n-1}{n}X_1-\frac1n\sum_{i=2}^nX_i$ 的独立项再算。
|
||||
- **B8 乘积的方差**:$D(XY)=E(X^2Y^2)-(EXY)^2$;独立时 $=EX^2EY^2-(EX)^2(EY)^2$。**坑**:不能写 $D(XY)=DX\cdot DY$。
|
||||
- **B9 相关系数的线性性**:$\rho_{aX+b,\,Y}=\operatorname{sign}(a)\rho_{XY}$;由 $\rho_{YZ}=\rho_{XY}$ 反求 $a$ 的范围时,抓住 $\frac{a}{\lvert a\rvert}$。
|
||||
- **B10 独立与不相关的两步证法**:不相关用 $\rho=0$(代数);不独立用**分布反例**(取一个区域验证乘积不成立)。两问必须分开写。
|
||||
- **B11 切比雪夫三件套**:① 构造 $Z$ 使 $EZ$ 好算(常取 $X-Y$);② 由 $\rho=\frac{\operatorname{Cov}}{\sqrt{DX}\sqrt{DY}}$ 反解 $\operatorname{Cov}$;③ 代 $DZ$ 套不等式。
|
||||
- **B8 乘积的方差**:$D(XY)=E(X^2Y^2)-(EXY)^2$ ;独立时 $=EX^2EY^2-(EX)^2(EY)^2$ 。**坑**:不能写 $D(XY)=DX\cdot DY$ 。
|
||||
- **B9 相关系数的线性性**:$\rho_{aX+b,\,Y}=\operatorname{sign}(a)\rho_{XY}$ ;由 $\rho_{YZ}=\rho_{XY}$ 反求 $a$ 的范围时,抓住 $\frac{a}{\lvert a\rvert}$ 。
|
||||
- **B10 独立与不相关的两步证法**:不相关用 $\rho=0$ (代数);不独立用**分布反例**(取一个区域验证乘积不成立)。两问必须分开写。
|
||||
- **B11 切比雪夫三件套**:① 构造 $Z$ 使 $EZ$ 好算(常取 $X-Y$ );② 由 $\rho=\frac{\operatorname{Cov}}{\sqrt{DX}\sqrt{DY}}$ 反解 $\operatorname{Cov}$ ;③ 代 $DZ$ 套不等式。
|
||||
|
||||
## 7 题目清单(19 题,纯题干,按在学练习五点分册)
|
||||
|
||||
@@ -257,7 +257,7 @@ $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Lo
|
||||
|
||||
### 点 1 数学期望(题 1–4)
|
||||
|
||||
- **题 1 · 1.1:由分布律算期望与函数期望(★☆☆)**:设 $X$ 的分布律为 $P\{X=-1\}=0.2$,$P\{X=0\}=0.3$,$P\{X=1\}=0.3$,$P\{X=2\}=0.2$。求 $EX$ 、$E X^2$ 、$DX$ 、$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 。
|
||||
- **题 1 · 1.1:由分布律算期望与函数期望(★☆☆)**:设 $X$ 的分布律为 $P\{X=-1\}=0.2$ ,$P\{X=0\}=0.3$ ,$P\{X=1\}=0.3$ ,$P\{X=2\}=0.2$ 。求 $EX$ 、$E X^2$ 、$DX$ 、$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 。
|
||||
- **题 2 · 1.2:连续型上的函数期望(★★☆)**:设 $X$ 的概率密度为 $f(x)=2x$ ($0<x<1$ ),其他为 $0$ 。(Ⅰ)求 $EX$ 与 $DX$ ;(Ⅱ)求 $E\!\left(\dfrac1X\right)$ ,并与 $\dfrac{1}{EX}$ 比较;(Ⅲ)求 $E\min\left\{X,\dfrac12\right\}$ 。
|
||||
- **题 3 · 1.2:绝对偏差与平方偏差(★★☆)**:设 $X\sim U(0,1)$ 。(Ⅰ)求 $E\left\lvert X-\dfrac13\right\rvert$ ;(Ⅱ)求 $E\left(X-\dfrac13\right)^2$ ;(Ⅲ)若要让 $E\lvert X-c\rvert$ 最小,$c$ 应取多少?若要让 $E(X-c)^2$ 最小呢?
|
||||
- **题 4 · 1.3:用性质速算,不积分(★★☆)**:设 $X\sim B(10,0.3)$ 、$Y\sim P(2)$ 、$Z\sim E\!\left(\dfrac12\right)$ ,且三者**相互独立**。求(Ⅰ)$E(3X-2Y+1)$ ;(Ⅱ)$E(X^2)$ 与 $E(XY)$ ;(Ⅲ)$E\left(\dfrac{1}{Z}\right)$ 。
|
||||
@@ -271,7 +271,7 @@ $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Lo
|
||||
|
||||
### 点 3 协方差与相关系数(题 1–4)
|
||||
|
||||
- **题 1 · 3.1:由联合分布律求协方差与相关系数(★☆☆)**:设 $(X,Y)$ 的联合分布律为:$P\{X=0,Y=0\}=0.3$,$P\{X=0,Y=1\}=0.2$,$P\{X=1,Y=0\}=0.2$,$P\{X=1,Y=1\}=0.3$。求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$ 。
|
||||
- **题 1 · 3.1:由联合分布律求协方差与相关系数(★☆☆)**:设 $(X,Y)$ 的联合分布律为:$P\{X=0,Y=0\}=0.3$ ,$P\{X=0,Y=1\}=0.2$ ,$P\{X=1,Y=0\}=0.2$ ,$P\{X=1,Y=1\}=0.3$ 。求 $\operatorname{Cov}(X,Y)$ 与 $\rho_{XY}$ 。
|
||||
- **题 2 · 3.2:双线性展开(★★☆)**:设 $DX=4$ 、$DY=9$ 、$\operatorname{Cov}(X,Y)=2$ ,求(Ⅰ)$\operatorname{Cov}(X+2Y,\ 3X-Y)$ ;(Ⅱ)$\operatorname{Cov}(X+Y,\ X-Y)$ ;(Ⅲ)$\rho_{X+Y,\,X-Y}$ 。
|
||||
- **题 3 · 3.3:相关系数的三条性质(★★☆)**:设 $DX=1$ 、$DY=4$ 、$\rho_{XY}=\dfrac12$ 。(Ⅰ)求 $\rho(2X+1,\ -3Y)$ 与 $\rho(X,Y+5)$ ;(Ⅱ)求 $\rho(X+Y,\ X-Y)$ ;(Ⅲ)若已知 $\rho_{XY}=1$ ,写出 $Y$ 与 $X$ 的线性关系。
|
||||
- **题 4 · 3.3:多项分布的负相关(★★★)**:将一次试验独立重复 $n=10$ 次,每次落进类别 $A,B,C$ 的概率分别为 $p_1=0.2$ 、$p_2=0.3$ 、$p_3=0.5$ 。以 $N_1,N_2$ 分别表示落进 $A,B$ 的次数。(Ⅰ)写出 $N_1$ 的分布,并求 $EN_1$ 、$DN_1$ ;(Ⅱ)求 $\operatorname{Cov}(N_1,N_2)$ ;(Ⅲ)求 $\rho_{N_1N_2}$ ,并解释为什么必然是负的。
|
||||
@@ -280,7 +280,7 @@ $$P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\frac{\sigma^2}{\varepsilon^2}\quad\Lo
|
||||
|
||||
- **题 1 · 4.1:条件期望是一个函数(★★☆)**:设 $(X,Y)$ 在 $D=\{(x,y):0<y<x<1\}$ 上服从均匀分布(联合密度为 $2$ )。(Ⅰ)求 $E(Y\mid X=x)$ ;(Ⅱ)由此求 $EY$ ,并用直接积分复核;(Ⅲ)求 $E(XY)$ 与 $\operatorname{Cov}(X,Y)$ 。
|
||||
- **题 2 · 4.2:重期望算混合型(★★☆)**:设 $X$ 满足 $P\{X=0\}=P\{X=1\}=\dfrac12$ 。在 $X=0$ 时 $Y\sim E(1)$ ;在 $X=1$ 时 $Y\sim E\!\left(\dfrac12\right)$ 。(Ⅰ)求 $E(Y\mid X=0)$ 与 $E(Y\mid X=1)$ ,进而求 $EY$ ;(Ⅱ)求 $E\left(Y^2\mid X\right)$ 与 $EY^2$ ,进而求 $DY$ ;(Ⅲ)用总方差公式复核 $DY$ ,并求 $\operatorname{Cov}(X,Y)$ 。
|
||||
- **题 3 · 4.3:随机个数的和(★★★)**:设某设备一天内发生故障的次数 $N\sim P(2)$ ,第 $i$ 次故障的维修费用 $Y_i\sim E(1)$ ,各 $Y_i$ 相互独立且与 $N$ 独立。记一天的总费用$S=\sum_{i=1}^{N}Y_i\quad(N=0\ \text{时}\ S=0).$(Ⅰ)求 $ES$ ;(Ⅱ)求 $DS$ ;(Ⅲ)解释 $DS$ 里两项的含义。
|
||||
- **题 3 · 4.3:随机个数的和(★★★)**:设某设备一天内发生故障的次数 $N\sim P(2)$ ,第 $i$ 次故障的维修费用 $Y_i\sim E(1)$ ,各 $Y_i$ 相互独立且与 $N$ 独立。记一天的总费用$S=\sum_{i=1}^{N}Y_i\quad(N=0\ \text{时}\ S=0).$ (Ⅰ)求 $ES$ ;(Ⅱ)求 $DS$ ;(Ⅲ)解释 $DS$ 里两项的含义。
|
||||
|
||||
### 点 5 线性组合与最值(题 1–4)
|
||||
|
||||
|
||||
Reference in New Issue
Block a user