--- tags: [数学一, 知识点构建, 背诵版, 概率论, 数字特征] 专题: 概率论 · 第4讲 随机变量的数字特征 · 背诵版 日期: 2026-10-27 更新: 2026-11-08(v2 重构:分块排版 + 常用分布表补全 + 真题地图对齐 sqlite + 纯题干题单) 状态: 背诵版 v2(考点分块完整呈现 + B 题型考点 + 19 题纯题干清单;题单已对齐在学练习五点分册) 来源: 在学练习/概率论-第4讲-随机变量的数字特征(五点分册 19 题)|参考仓库 knowledge/3-digital-features + exercise/3-digital-features|真题库 kaoyan_math1.db(数字特征考点) 关联笔记: ["[[README]]", "[[16-背诵版-概率论-第1-2讲-随机事件与一维随机变量]]", "[[17-背诵版-概率论-第3讲-多维随机变量及其分布]]", "[[../在学练习/概率论-第4讲-随机变量的数字特征/README]]"] --- # 概率论 · 第4讲 随机变量的数字特征 · 背诵版 > **范围**:参考仓库 `knowledge/3-digital-features`(含 §切比雪夫不等式)+ `exercise/3`。 > **用法**:§0 搭骨架 → 逐节闭卷回忆 → §B 过题型 → 题单自测(只有题干)。 ## 0 骨架(先背这张图) ### 0.1 一句话与依赖链 **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。 **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。 ### 0.2 十年真题地图(sqlite,2016–2025) | 年份·题号 | 考点 | 分值 | |---|---|---| | 2025·8 | 二维正态下 $D(aX+bY)$ 的最大值 | 5 | | 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 | | 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。 ### 0.3 考点树(与在学练习五点分册一一对应) | 节 | 考点 | 在学练习 | 题数 | |---|---|---|---| | §1 | 期望定义、函数期望、线性性质、独立可拆 | 点 1 | 4 | | §2 | 方差定义与性质、线性组合的方差、矩 | 点 2 | 4 | | §3 | 常用分布期望方差表 | 点 2/3 | — | | §4.1–4.3 | 协方差、相关系数及其性质 | 点 3 | 4 | | §4.4 | 条件期望与重期望 | 点 4 | 3 | | §4.5 | 线性组合与最值 | 点 5 | 4 | | §5 | 独立 ⟹ 不相关、不相关 ⇏ 独立、二维正态等价 | 点 3/5 | — | | §6 | 切比雪夫不等式与估算 | 第5讲上、点 5 | — | ## 1 一维随机变量的数学期望 ### 1.1 定义(要求绝对收敛) | 类型 | 定义 | |---|---| | 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。 ### 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**)。 > **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) | > **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。** ### 1.4 两类计算模式 ① **拟合已知分布**:分布律里出现 $\frac{\lambda^k}{k!}$ ⟹ 泊松;出现 $C_n^k$ ⟹ 二项;出现 $\frac1{b-a}$ ⟹ 均匀。**认出分布直接查表**。 ② **定义硬算**:认不出时逐项求和/积分,配合**错位相消、配方法、拆段**三个技巧。 ## 2 方差 ### 2.1 定义与计算公式 $$DX=E[(X-EX)^2]=EX^2-(EX)^2 .$$ 第二式是**唯一实用公式**:先算 $E(X^2)$ 再减 $(EX)^2$。标准差 $\sqrt{DX}$。 **标准化**:$X^*=\dfrac{X-EX}{\sqrt{DX}}$,则 $EX^*=0$、$DX^*=1$。 ### 2.2 性质(五条) | 性质 | 公式 | 备注 | |---|---|---| | 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 | | **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**:$D\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i$;$D(\overline X)=\frac{\sigma^2}{n}$。 > **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) | 分布 | 记号 | $EX$ | $DX$ | |---|---|---|---| | 0-1 | $B(1,p)$ | $p$ | $p(1-p)$ | | 二项 | $B(n,p)$ | $np$ | $np(1-p)$ | | 泊松 | $P(\lambda)$ | $\lambda$ | $\lambda$ | | 几何 | $G(p)$ | $\dfrac1p$ | $\dfrac{1-p}{p^2}$ | | 超几何 | $H(N,M,n)$ | $n\dfrac MN$ | $n\dfrac MN\left(1-\dfrac MN\right)\dfrac{N-n}{N-1}$ | | 均匀 | $U(a,b)$ | $\dfrac{a+b}2$ | $\dfrac{(b-a)^2}{12}$ | | 指数 | $E(\lambda)$ | $\dfrac1\lambda$ | $\dfrac1{\lambda^2}$ | | 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"。 ## 4 二维随机变量的数字特征 ### 4.1 协方差 $$\operatorname{Cov}(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY .$$ 当 $X=Y$ 时 $\operatorname{Cov}(X,X)=DX$——**方差是协方差的特例**。 **四条性质**: | 性质 | 公式 | |---|---| | 对称 | $\operatorname{Cov}(X,Y)=\operatorname{Cov}(Y,X)$ | | 与常数无关 | $\operatorname{Cov}(X,c)=0$ | | 线性 | $\operatorname{Cov}(aX+b,Y)=a\operatorname{Cov}(X,Y)$ | | 可加 | $\operatorname{Cov}(X_1+X_2,Y)=\operatorname{Cov}(X_1,Y)+\operatorname{Cov}(X_2,Y)$ | ### 4.2 相关系数 $$\rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1].$$ **含义**:只刻画**线性**相关程度。$\lvert\rho\rvert$ 越接近 1 越接近线性关系;$\rho=0$ 只说明**没有线性关系**,不排除非线性关系。 **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**。 ### 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 $D(3X+\text{常数})=9DX$。 ### 4.4 条件期望与重期望(在学练习点 4) **条件期望**:给定 $X=x$ 时 $Y$ 的期望 $$E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy\quad(\text{或}\ \sum_j y_j\,P\{Y=y_j\mid X=x\}).$$ 它是 $x$ 的**函数**;把 $x$ 换成随机变量 $X$ ,得到随机变量 $E(Y\mid X)$。 **两条必背结论**: | 结论 | 公式 | 用法 | |---|---|---| | **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**)。 **全方差公式**(了解): $$D(Y)=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big],$$ 即"总波动 $=$ 组内波动 + 组间波动"。 > **为什么重期望重要**:它把"两层随机"降成一层——$N$ 次试验、每次结果又随机(如 2025·22 的理赔模型),直接套 $E[E(\cdot\mid N)]$ 最快。 ### 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。 **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) | 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 $X\sim U(-1,1)$、$Y=X^2$ | | 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 $\operatorname{Cov}=E(XY)-EX\,EY$; 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 $p_{ij}=p_{i\cdot}p_{\cdot j}$)。 **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 $a\in(0,1)$,$P\{X\le a,\ Y\le a^2\}=P\{-a\le X\le a\}=a\ne P\{X\le a\}P\{Y\le a^2\}$。 ## 6 切比雪夫不等式 $EX=\mu$、$DX=\sigma^2$ 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($EZ=EX-EY$,$DZ=DX+DY-2\operatorname{Cov}$)。 **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 $n$** ) | | 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**。 ## 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。 - **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 $\lvert x\rvert=1$。 - **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。 - **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。 ## 7 题目清单(19 题,纯题干,按在学练习五点分册) > 编号沿用「在学练习」第4讲五点分册:`02`–`06` 对应点 1–5。**只列题干,不给答案**。 ### 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 2 · 1.2:连续型上的函数期望(★★☆)**:设 $X$ 的概率密度为 $f(x)=2x$ ($0 **回查入口**:在学练习 [[../在学练习/概率论-第4讲-随机变量的数字特征/README|第4讲 README]]、[[../在学练习/概率论-第4讲-随机变量的数字特征/01-知识点盘点|知识点盘点]]、[[../在学练习/概率论-第4讲-随机变量的数字特征/07-速查卡|速查卡]],分册 `02`–`06` 对应点 1–5;参考仓库 `knowledge/3-digital-features/digital-features.tex`、`exercise/3-digital-features/digital-features.tex`;切比雪夫的应用见 [[19-背诵版-概率论-第5讲-大数定律与中心极限定理|第5讲]]。