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

11 KiB
Raw Permalink Blame History

tags, 专题, 日期, 状态, 关联笔记
tags 专题 日期 状态 关联笔记
数学一
在学练习
概率论
数字特征
数学期望
概率论 第4讲 · 点1 数学期望 2026-11-07 知识点带题(1.1 定义与性质、1.2 函数期望、1.3 常见分布,共 4 题)
README
01-知识点盘点

点 1 数学期望

真题锚点:2017·14(填空)、2023·8(单选,绝对偏差)|重要度 ★★★ 依赖:第 2、3 讲的分布律与密度。盘点对应:§1 全节。

组织原则:先立定义与性质(1.1),再攻本讲最有价值的技术——函数期望不需求分布(1.2),最后收表(1.3)。四道题里两道都在练 1.2,因为这是考场上唯一能"省一步"的地方。难度标准:★☆☆ 一题、★★☆ 三题。

知识点 1.1 定义与四条性质(出处:知识章 digital-features.tex §1.1|练习章 §1)

EX=\sum_i x_ip_i\ (\text{离散});\qquad EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx\ (\text{连续}).

四条性质(都不要求独立):

  1. E(aX+bY+c)=aEX+bEY+c (线性);
  2. X\le Y\Rightarrow EX\le EY (保序);
  3. \lvert EX\rvert\le E\lvert X\rvert ;
  4. EC=C (常数视为退化随机变量)。

E(XY)=EX\,EY 不在性质里。它是"独立(或不相关)"的额外结论,套用前必须确认前提。

知识点 1.2 随机变量函数的期望(出处:知识章 §1.1、§2.1)

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)=\iint g(x,y)f(x,y)\,\mathrm d\sigma 。

三条要点:

  1. 不需求 g(X) 的分布——这是它最大的价值;
  2. g 一般不能提出去:E(1/X)\ne1/EX 、E(X^2)\ne(EX)^2 、E\lvert X\rvert\ne\lvert EX\rvert ;
  3. 分段函数(如 \min 、\max 、绝对值)要按段拆积分,分段点就是 g 的换型点。

知识点 1.3 常见分布的期望(出处:知识章 §1.4)

分布 EX 备注
B(n,p) np 用"n 个 0 -1 之和"推
P(\lambda) \lambda 参数即均值
G(p) \dfrac1p 平均等 \frac1p 次
U(a,b) \dfrac{a+b}{2} 中点
E(\lambda) \dfrac1\lambda 参数是速率
N(\mu,\sigma^2) \mu 参数即均值
\chi^2(n) n 自由度即均值

用法:考场上遇到这些分布,期望直接写,把时间留给后面的积分。只有在"要写过程"的解答题里才用定义推一遍。


题目(按知识点顺序对应)

题 1 · 1.1:由分布律算期望与函数期望(★☆☆)

设 X 的分布律为

X -1 0 1 2
p 0.2 0.3 0.3 0.2

求 EX 、E X^2 、DX 、E\lvert X\rvert 与 E\min\{X,1\} 。

怎么想:EX 与 E X^2 都是"加权平均",只是权前的数换了。E\lvert X\rvert 与 E\min\{X,1\} 属于函数期望——逐项代 g 即可,不必求新分布。

解:

EX=(-1)(0.2)+0(0.3)+1(0.3)+2(0.2)=-0.2+0.3+0.4=0.5 . E X^2=(1)(0.2)+0(0.3)+(1)(0.3)+(4)(0.2)=0.2+0.3+0.8=1.3 . DX=EX^2-(EX)^2=1.3-0.25=1.05=\frac{21}{20} . E\lvert X\rvert=(1)(0.2)+0+(1)(0.3)+(2)(0.2)=0.2+0.3+0.4=0.9 .

E\min\{X,1\} :把每个 x_i 换成 \min\{x_i,1\} ,即 -1,0,1,1 :

E\min\{X,1\}=(-1)(0.2)+0(0.3)+(1)(0.3)+(1)(0.2)=-0.2+0.3+0.2=0.3 .

验算:DX>0 ✓;E\min\{X,1\}<EX=0.5 ✓(因为 \min\{x,1\}\le x 逐点成立,期望必须更小);E\lvert X\rvert=0.9>\lvert EX\rvert=0.5 ✓。

带走结论:算 EX^2 要用平方值加权,不能拿 (EX)^2 顶替,两者差 DX 。本题 (EX)^2=0.25 、EX^2=1.3 ,差得极远——这就是"方差大"的含义。

关联 · 盘点 §1.1 定义与四条性质 | 上游 — | 下游 — | 速查 一 三条定义式


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\} 。

怎么想:(Ⅰ)直接积。(Ⅱ)把 \frac1x 塞进积分,注意它在 x=0 处发散——但乘上 f(x)=2x 之后变成常数 2 ,所以收敛,这是本题的巧处。(Ⅲ)\min 在 x=\frac12 换段,必须拆两个积分。

解:

(Ⅰ)

EX=\int_0^1x\cdot2x\,\mathrm dx=\frac23,\qquad E X^2=\int_0^1x^2\cdot2x\,\mathrm dx=\frac12, DX=\frac12-\frac49=\frac{1}{18} .

(Ⅱ)

E\!\left(\frac1X\right)=\int_0^1\frac1x\cdot2x\,\mathrm dx=\int_0^12\,\mathrm dx=2 .

而 \dfrac{1}{EX}=\dfrac{3}{2}=1.5 。两者不相等:E\!\left(\frac1X\right)>1/EX 。

原因:g(x)=\frac1x 是凸函数,由琴生不等式 E g(X)\ge g(EX) ,等号只在 X 为常数时成立。

(Ⅲ) 在 x=\frac12 处分段:

E\min\left\{X,\frac12\right\}=\int_0^{1/2}x\cdot2x\,\mathrm dx+\int_{1/2}^{1}\frac12\cdot2x\,\mathrm dx=\left[\frac{2x^3}{3}\right]_0^{1/2}+\left[\frac{x^2}{2}\right]_{1/2}^{1} =\frac{1}{12}+\left(\frac12-\frac18\right)=\frac{1}{12}+\frac38=\frac{11}{24}\approx0.458 .

验算:\frac{11}{24}<\frac23=EX ✓(因为 \min\{x,\frac12\}\le x );且 \frac{11}{24}<\frac12 ✓(截断后期望不超过截断值)。

带走结论:一般 E g(X)\ne g(EX) 才是常态,方向由凹凸性决定:g 凸则 E g(X)\ge g(EX) ,g 凹则相反。\frac1x 、x^2 、\lvert x\rvert 都是凸的,所以"倒数的期望 > 期望的倒数"是常态。

关联 · 盘点 §1.2 随机变量函数的期望(不需求分布) | 上游 — | 下游 点 1 题 3 | 速查 三 不需求分布就能算函数期望


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?

怎么想:绝对值必须在 x=\frac13 处分段,两段方向相反。平方不用分段——展开即可。第三问是"最小化平均偏差",两个目标给出两个不同的答案,这正是本题的教学点。

解:

(Ⅰ) f(x)=1 (0<x<1 )。分段:

E\left\lvert X-\frac13\right\rvert=\int_0^{1/3}\left(\frac13-x\right)\mathrm dx+\int_{1/3}^{1}\left(x-\frac13\right)\mathrm dx .

第一段:\left[\frac x3-\frac{x^2}{2}\right]_0^{1/3}=\frac19-\frac{1}{18}=\frac{1}{18} 。

第二段:\left[\frac{x^2}{2}-\frac x3\right]_{1/3}^{1}=\left(\frac12-\frac13\right)-\left(\frac1{18}-\frac19\right)=\frac16+\frac1{18}=\frac{2}{9} 。

故

E\left\lvert X-\frac13\right\rvert=\frac{1}{18}+\frac{2}{9}=\frac{1}{18}+\frac{4}{18}=\frac{5}{18}\approx0.278 .

(Ⅱ)

E\left(X-\frac13\right)^2=E X^2-\frac23EX+\frac19=\frac13-\frac23\cdot\frac12+\frac19=\frac13-\frac13+\frac19=\frac19 .

(Ⅲ) 两个目标的最优 c 不同:

  • 平方偏差:E(X-c)^2=DX+(EX-c)^2 ,在 c=EX=\frac12 处最小,最小值 DX=\frac{1}{12} ;
  • 绝对偏差:E\lvert X-c\rvert 在 c= 中位数处最小,U(0,1) 的中位数是 \frac12 ,最小值 =\frac14 (可验证:\int_0^c(c-x)+\int_c^1(x-c)=c^2-c+\frac12 ,在 c=\frac12 取 \frac14 )。

本题两者恰好都在 \frac12 (因为均匀分布对称),但一般分布不重合——平方偏差配均值,绝对偏差配中位数。

验算:\frac{5}{18}\approx0.278>\frac19\approx0.111 ✓(同一量纲下"绝对偏差"必不小于"平方偏差",因为约束在 [0,1] 内偏差绝对值小于 1 ,平方后更小)。

带走结论:绝对值分段、平方展开。另外记住这对"最优 c ":平方偏差 \to 均值,绝对偏差 \to 中位数——这是 2023·8 型选择题的常见考法。

关联 · 盘点 §1.2 随机变量函数的期望(不需求分布) | 上游 点 1 题 2 | 下游 — | 速查 三 不需求分布就能算函数期望


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) 。

怎么想:三问都在考"用已知的 E 与 D 反推"。(Ⅰ)只用线性;(Ⅱ)EX^2=DX+(EX)^2 ,E(XY) 靠独立;(Ⅲ)指数分布的倒数期望要单独积一次——它是"1/Z 不是常数"的又一次提醒。

解:

(Ⅰ) EX=10\times0.3=3 ,EY=2 ,故

E(3X-2Y+1)=3\cdot3-2\cdot2+1=9-4+1=6 .

(Ⅱ) DX=10\times0.3\times0.7=2.1 ,故

E X^2=DX+(EX)^2=2.1+9=11.1 .

由独立性 E(XY)=EX\cdot EY=3\times2=6 。

(Ⅲ) Z 的密度是 \frac12\mathrm e^{-z/2} (z>0 ),故

E\!\left(\frac1Z\right)=\int_0^{+\infty}\frac1z\cdot\frac12\mathrm e^{-z/2}\,\mathrm dz .

这个积分发散(\frac1z 在 0 附近使被积函数 \sim\frac{1}{2z} )。所以本题的正确结论是:E\left(\frac1Z\right) 不存在。

\dfrac{1}{EZ}=\dfrac{1}{2}=0.5 只是"倒数的期望"的错误替代品,两者不能互换。

验算:\int_{\varepsilon}^{1}\frac{1}{2z}\mathrm dz=\frac12\ln\frac1\varepsilon\to+\infty ✓(对数发散)。

带走结论:只有独立才能拆 E(XY) 这一步;E X^2=DX+(EX)^2 是最常用的反推式;而"期望存在"要先检查积分收敛——指数分布的倒数期望就是典型的发散例。

关联 · 盘点 §1.3 常见分布的期望 | 上游 — | 下游 — | 速查 二 七大分布的期望与方差