- 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
20 KiB
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 | |||||||||
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
|
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) |
|
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。