Files
Yimu 326d9317f8 feat(概率论第4讲): 新建「知识点带题」全套,盘点+五点分册+速查卡共 19 题
- 01 知识点盘点:五节 + 按分值/依赖链两张表 + §0.4 反查 + 覆盖对照 13 行 + 相邻讲接口
- 02—06 五个点:期望(4)、方差与矩(4)、协方差与相关系数(4)、条件期望与重期望(3)、线性组合与最值(4)
- 07 速查卡:九组结论 + 六处丢分点 + AUTO 回查
- 补齐 2025·8 的「σ 相同下 D(aX+bY) 最值」与异方差的特征值解法
- 全部数值经 sympy 复核;标题去公式以保锚点稳定
2026-11-07 12:40:51 +08:00

251 lines
13 KiB
Markdown
Raw Permalink 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.
---
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。