Files
Yimu e6711c9bb1 概率论背诵版 16–20 重构:分块排版、题单对齐点分册、sqlite 真题地图
- 统一模板:§0 骨架(真题地图+考点树)→ 分块正文(单节≤12行)→ B 题型考点 → 纯题干题单
- 题单按真库在学练习重出:第3讲 27 题、第4讲 19 题、第5讲上/下 14+7 题、第6讲 26 题
- 18 号补 §4.4 条件期望与重期望、§4.5 线性组合与最值
- 用 sqlite 校正 4 处真题事实(2020·8 n=100、2025·9 λ=2、17 号 10题86分、20 号 8道解答5道 MLE)
- 修参考仓库 F(ax) 推导之误;表格内数学式统一 \\vert
2026-11-08 20:18:17 +08:00

20 KiB
Raw Permalink Blame History

tags, 专题, 日期, 更新, 状态, 来源, 关联笔记
tags 专题 日期 更新 状态 来源 关联笔记
数学一
知识点构建
背诵版
概率论
数字特征
概率论 · 第4讲 随机变量的数字特征 · 背诵版 2026-10-27 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) 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) 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)
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<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) 。

点 2 方差与矩(题 1–4)

  • 题 1 · 2.1:二项分布的方差(★☆☆):设 X\sim B\!\left(3,\dfrac12\right) 。(Ⅰ)写出分布律,求 EX 、E X^2 、DX ;(Ⅱ)用 DX=EX(1-p) 复核;(Ⅲ)求 D(2X+1) 。
  • 题 2 · 2.2:方差性质与协方差交叉项(★★☆):设 DX=4 、DY=9 、\rho_{XY}=\dfrac13 ,求(Ⅰ)\operatorname{Cov}(X,Y) ;(Ⅱ)D(2X-3Y+1) ;(Ⅲ)D(X-Y) 与 D\!\left(\dfrac X2+\dfrac Y3\right) 。
  • 题 3 · 2.3:由期望与方差反求参数(★★☆):设 X\sim B(n,p) ,已知 EX=2.4 、DX=1.44 。(Ⅰ)求 n 与 p ;(Ⅱ)求 P\{X=0\} 与 P\{X\ge1\} ;(Ⅲ)若 Y=3X-2 ,求 EY 与 DY 。
  • 题 4 · 2.4:矩、偏度与标准化(★★☆):设 X 的分布律为 P\{X=0\}=P\{X=2\}=\dfrac14 、P\{X=1\}=\dfrac12 。(Ⅰ)求 A_1 、A_2 、B_2 、B_3 ;(Ⅱ)写出标准化变量 X^* ,验证 EX^*=0 、DX^*=1 ;(Ⅲ)由 B_3=0 能得出什么结论?反过来成立吗?

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 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。

点 4 条件期望与重期望(题 1–3)

  • 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。

点 5 线性组合与最值(题 1–4)

  • 题 1 · 5.1:两项线性组合的展开(★☆☆):设 DX=1 、DY=4 、\rho_{XY}=\dfrac12 。(Ⅰ)求 D(2X-Y+3) ;(Ⅱ)求 \operatorname{Cov}(X+Y,\ X-Y) ;(Ⅲ)分别求 D(X+Y) 与 D(X-Y) ,并验证二者之和等于 2(DX+DY) 。
  • 题 2 · 5.2:同方差下的最值(★★☆):设 DX=DY=1 、\rho_{XY}=\dfrac35 。对满足 a^2+b^2=1 的实数 a,b ,记 Z=aX+bY 。(Ⅰ)把 DZ 写成 a,b 的函数;(Ⅱ)求 DZ 的最大值与最小值,并指出取到时的 (a,b) ;(Ⅲ)把 \rho 换成任意值,写出最大值的一般式。
  • 题 3 · 5.2:异方差下配方(★★★):设 DX=4 、DY=1 、\rho_{XY}=\dfrac12 。在 a^2+b^2=1 下求 D(aX+bY) 的最大值与最小值,并给出取到最大值时的 a:b 。
  • 题 4 · 5.3:样本均值与偏差平方和(★★☆):设 X_1,X_2,X_3,X_4 独立同分布,EX_i=2 、DX_i=4 ,记 \bar X=\dfrac14\sum_{i=1}^{4}X_i 。(Ⅰ)求 E\bar X 与 D\bar X ;(Ⅱ)用恒等式 \sum_{i=1}^{4}(X_i-\bar X)^2=\sum_{i=1}^{4}X_i^2-4\bar X^2 求 E\sum_{i=1}^{4}(X_i-\bar X)^2 ;(Ⅲ)求使 E\left[(X_1-c)^2\right] 最小的 c 及该最小值。

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、../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、../在学练习/概率论-第4讲-随机变量的数字特征/07-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。