11 KiB
tags, 专题, 日期, 状态, 来源, 关联笔记
| tags | 专题 | 日期 | 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 | 背诵版 v1(考点完整呈现 + 13 题清单,无解答) | 参考仓库 Math/advanced-math 同源概率仓库(knowledge/3-digital-features + exercise/3-digital-features)|在学练习尚无此讲 |
|
概率论 · 第4讲 随机变量的数字特征 · 背诵版
说明:本讲在「在学练习」尚未建讲,按用户口径「单独一讲」。考点取自参考仓库
probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex,题目取自该文件例题与exercise/3-digital-features/digital-features.tex(切比雪夫估算题两处重复,已去重并注双出处)。 用法:看 §0 骨架 → 闭卷回忆考点正文 → 用题目清单自测,卡住回查参考仓库对应 tex 节。
0. 本讲骨架(先背这张图)
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)」——当分布未知或太复杂时,只用特征量说话。
真题地位:高频大题综合点——离散/连续期望方差计算、D(X\pm Y) 与协方差联动、独立与不相关的辨析、切比雪夫估算;是数理统计(09 号)与多维随机变量(07 号)的计算底座。参考仓库对应 knowledge/3 与 exercise/3。
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 → 独立性与相关性 → 切比雪夫不等式。主线:一切从 EX 出发——E(XY) 是二维题的总开关。
考点树
| 节 | 考点(对应题号) |
|---|---|
| §1 一维期望 | 定义(离散/连续)、函数期望、性质(题1–6) |
| §2 方差 | 定义、$EX^2-(EX)^2$、性质(题7–8) |
| §3 常用分布特征 | 七分布期望方差表 |
| §4 二维数字特征 | 二维期望、协方差、相关系数、性质(题9–11) |
| §5 独立与相关 | 独立 ⟹ 不相关、不相关 ⇏ 独立、二维正态等价、判断流程(题12) |
| §6 切比雪夫 | 不等式、估算应用(题13) |
1. §1 一维数学期望
定义(绝对收敛才存在):离散 $EX=\sum x_ip_i$;连续 $EX=\int_{-\infty}^{+\infty}xf(x),dx$。函数期望:$E[g(X)]=\sum g(x_i)p_i$(概率不变,只换 $x$)或 $\int g(x)f(x),dx$。
性质:①线性 $E\left(\sum a_iX_i\right)=\sum a_iEX_i$($Ec=c$,$E(aX+c)=aEX+c$,$E(X\pm Y)=EX\pm EY$);②独立时 $E(XY)=EX\cdot EY$,$E[g_1(X)g_2(Y)]=E[g_1(X)]E[g_2(Y)]$(不独立时不能拆)。
两类计算模式:①拟合已知分布(分布律带 k! 型 ⟹ 泊松、带 C_n^k 型 ⟹ 二项),直接用已知期望;②定义直接算(拟合不出时逐项求和/积分)。
2. §2 方差
定义:$DX=E[(X-EX)^2]=EX^2-(EX)^2$(第二式最常用);标准差 $\sqrt{DX}$;标准化 $X^=\frac{X-EX}{\sqrt{DX}}$($EX^=0,DX^*=1$)。
性质(必背):$DX\ge0$;$Dc=0$;$D(aX+b)=a^2DX$;$D(X\pm Y)=DX+DY\pm2Cov(X,Y)$(不独立必有交叉项);独立时 $D(aX\pm bY)=a^2DX+b^2DY$,$D(\sum a_iX_i)=\sum a_i^2DX_i$。
3. §3 常用分布数字特征(一张表背完)
| 分布 | 期望 | 方差 |
|---|---|---|
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) |
\frac1p |
\frac{1-p}{p^2} |
正态 N(\mu,\sigma^2) |
\mu |
\sigma^2 |
均匀 U(a,b) |
\frac{a+b}2 |
\frac{(b-a)^2}{12} |
指数 E(\lambda) |
\frac1\lambda |
\frac1{\lambda^2} |
可记忆规律:泊松期望=方差;指数期望=方差的平方根;0-1/二项方差 $=np(1-p)$。
4. §4 二维数字特征
二维期望:E[g(X,Y)]=\sum_i\sum_j g(x_i,y_j)p_{ij} 或 $\int!!\int g(x,y)f(x,y),dxdy$(不需要独立)。
协方差:$Cov(X,Y)=E[(X-EX)(Y-EY)]=E(XY)-EX\cdot EY$(第二式最常用);$Cov(X,X)=DX$。
相关系数:$\rho_{XY}=\dfrac{Cov(X,Y)}{\sqrt{DX}\sqrt{DY}}$(标准化协方差;只描述线性相关程度,$|\rho|\le1$,越近 1 越线性相关;\rho=0 只说明不线性相关,不排除非线性关系)。
协方差性质:对称 $Cov(X,Y)=Cov(Y,X)$;$Cov(X,c)=0$;$Cov(aX+b,Y)=aCov(X,Y)$;$Cov(X_1+X_2,Y)=Cov(X_1,Y)+Cov(X_2,Y)$;独立 ⟹ $Cov=0$;Y=aX+b 时 $\rho=\mathrm{sign}(a)$。
5. §5 独立性与相关性
三层关系(必背):
- 独立 ⟹ 不相关(
P(XY)=P(X)P(Y)⟹E(XY)=EXEY⟹ $\rho=0$); - 不相关 ⇏ 独立(
X\sim\frac12e^{-|x|}与|X|反例:\rho=0但分布不独立); - 相关 ⟹ 不独立(
\rho\ne0一定不独立); - 二维正态下独立 ⟺ 不相关(
\rho=0时f=f_Xf_Y拆开)。
判断流程(先相关后独立):①算 $Cov=E(XY)-EXEY$;②\ne0 ⟹ 相关不独立;③=0 ⟹ 不相关,再用分布(F=f_Xf_Y 或 $p_{ij}=p_ip_j$)判独立与否。等价不相关条件:$\rho=0\iff Cov=0\iff E(XY)=EXEY\iff D(X\pm Y)=DX+DY$。
6. §6 切比雪夫不等式
$P{|X-EX|\ge\epsilon}\le\dfrac{DX}{\epsilon^2}$(或 $P{|X-EX|<\epsilon}\ge1-\dfrac{DX}{\epsilon^2}$),$\epsilon>0$,DX 存在。
用途:①无分布估算概率(只知道期望方差);②证明收敛性(数理统计中的一致性);③常构造 $Z=X-Y$ 再套($EZ=EX-EY$,$DZ=DX+DY-2Cov$)。
§4·B 题型考点(怎么做、为什么、坑)★必背
① 分布律拟合已知分布(题1):分布律带 \frac{\lambda^k}{k!} 形式 ⟹ 化成标准泊松 $\frac{\lambda^k}{k!}e^{-\lambda}$(提系数 $\frac{\sqrt e}{\sqrt e-1}$),直接 $EX=\frac{\sqrt e}{2\sqrt e-2}$。为什么快:不逐项求和,用已知期望。
② 期望定义直算(题2):E(\frac1{1+X}) 拟合不出 ⟹ $\sum\frac1{1+k}\frac{\lambda^k}{k!}e^{-\lambda}$,凑 \frac{\lambda^{k+1}}{(k+1)!} 错位($\sum_{k=0}^\infty\frac{\lambda^k}{(k+1)!}=\frac{e^\lambda-1}{\lambda}$),结果 $1-e^{-\lambda}$。坑:下标 k=0 起算与 \frac1{k+1} 的错位要小心。
③ 期望不存在(题3):$f=\frac1{\pi(1+x^2)}$,EX=\int\frac{x}{\pi(1+x^2)}dx 发散 ⟹ 期望不存在(柯西分布原型)。判据:$\int|x|f(x)dx=+\infty$。
④ 分段函数期望(题4):E[\min\{|X|,1\}] ⟹ 按 \min 的拐点 x=1 拆积分段 $\int_0^1x+\int_1^\infty 1$,$\frac1\pi\ln2+\frac12$。
⑤ 正态配方法(题5):$E[(X-2)^2e^{2X}]$——把 e^{2x} 配进密度 $e^{2x}e^{-x^2/2}=e^2e^{-(x-2)^2/2}$,积分为 $e^2\cdot E_{\text{新正态}}(t^2)=e^2(\sigma^2+\mu^2)=e^2$。为什么:e^{2x} 是配平方法的核心(e^{ax-\frac{x^2}2} 型都这么配)。
⑥ 抽象密度判断(题6):E(X)=a 时,\int xf(x+a)dx\overset{t=x+a}{=}\int(t-a)f(t)dt=a-a=0 恒成立;但 \int_{-\infty}^a xf(x)dx 上下限与期望无关,不一定 $\frac12$。坑:期望是加权平均,不能与面积一半混淆。
⑦ 方差线性组合必须先改写系数(题7):$D(X_1-\overline X)$——\overline X 与 X_1 相关,不能直接拆 $D$;先把 X_1-\overline X=\frac{n-1}{n}X_1-\frac1n\sum_{i=2}^nX_i 化成独立项,$=\frac{n-1}{n}\sigma^2$。
⑧ 乘积方差用 $E(X^2Y^2)$(题8):$D(X_1X_2)=E(X_1^2X_2^2)-(EX_1EX_2)^2$,独立时 $=EX_1^2EX_2^2-\mu^4=(\sigma^2+\mu^2)^2-\mu^4$。
⑨ 相关系数线性性(题9):\rho_{YZ}=\frac{a}{|a|}\rho_{XY} ⟹ 相等的充要条件 $a>0$。核心:Cov(Y,aX+b)=aCov(X,Y) 与 \sqrt{DZ}=|a|\sqrt{DX} 的 a/|a| 符号。
⑩ 独立与不相关的完整判定(题12):证不相关用 $\rho=0$($EXY-EXEY=0$);证不独立用分布($P{X\le a,|X|\le a}\ne P{X\le a}P{|X|\le a}$)。坑:不相关≠独立,必须两步各证。
⑪ 切比雪夫三件套(题13):①构 Z=X-Y 使 $EZ=0$;②由 \rho=\frac{Cov}{\sqrt{DXDY}} 求 $Cov$(0.5=\frac{Cov}{2} ⟹ $Cov=1$);③$DZ=DX+DY-2Cov=3$,$\le\frac3{36}=\frac1{12}$。
7. 题目清单(13 题)
编号按本讲内部顺序;A–E 组对应出处节。来源:knowledge/3 例题 2 道(切比雪夫与 exercise 重复去重)+ exercise/3 11 道。
A. 一维数学期望(题1–6)
- 题 1 · 分布律拟合泊松(★★★)【e3】:
X的分布律 $P{X=k}=\frac{1}{2^kk!(\sqrt e-1)}$($k=1,2,\cdots$),求 $EX$(提系数化泊松 $P(\frac12)$,$=\frac{\sqrt e}{2\sqrt e-2}$)。 - 题 2 · 期望定义直算(★★★)【e3】:$X\sim P(\lambda)$,求 $E(X)E\left(\frac1{1+X}\right)$(错位求和 $\sum_{i=1}^\infty\frac{\lambda^i}{i!}e^{-\lambda}=1-e^{-\lambda}$)。
- 题 3 · 期望不存在(★★☆)【e3】:
X的密度 $f(x)=\frac1{\pi(1+x^2)}$,求 $EX$(\int\frac x{\pi(1+x^2)}dx发散,期望不存在)。 - 题 4 · 分段函数期望(★★★)【e3】:
X密度 $f(x)=\frac1{\pi(1+x^2)}$,求 $E[\min{|X|,1}]$(拆段积分,$=\frac1\pi\ln2+\frac12$)。 - 题 5 · 正态配方法(★★★★)【e3】:$X\sim N(0,1)$,求 $E[(X-2)^2e^{2X}]$(
e^{2x}配进密度,$=e^2$)。 - 题 6 · 抽象密度与期望(★★★)【e3】:$E(X)=a$,判断
\int_{-\infty}^{+\infty}xf(x+a)dx=0与\int_{-\infty}^a xf(x)dx=\frac12是否成立(前者恒成立,后者不一定)。
B. 方差(题7–8)
- 题 7 · 方差线性组合(★★★★)【e3】:
X_1,\cdots,X_n独立同方差 $\sigma^2>0$,$\overline X=\frac1n\sum X_i$,求 $D(X_1-\overline X)$(改写系数,$=\frac{n-1}{n}\sigma^2$)。 - 题 8 · 乘积方差(★★★)【e3】:
X_1,X_2独立且同 $N(\mu,\sigma^2)$,求 $D(X_1X_2)$($=E(X_1^2X_2^2)-(EX_1EX_2)^2=\sigma^4+2\sigma^2\mu^2$)。
C. 二维数字特征(题9–11)
- 题 9 · 相关系数线性性(★★★)【e3】:$\rho_{XY}\ne0$,$Z=aX+b$,求
\rho_{YZ}=\rho_{XY}成立的充要条件($a>0$)。 - 题 10 · 协方差(★★☆)【e3】:
X_1,\cdots,X_n独立同分布方差 $\sigma^2$,$Y_1=\sum_{i=2}^nX_i$,$Y_2=\sum_{j=1}^{n-1}X_j$,求 $Cov(Y_1,Y_2)$(公共项系数相乘累加;参考仓库例题未给出解答)。 - 题 11 · 相关系数综合(★★★★)【k3】:
X取 $0,1$($1/3,2/3$),Y取 $-1,0,1$(各 $1/3$),且 $P{X^2=Y^2}=1$,求(X,Y)联合分布、Z=XY分布、$\rho_{XY}$(联合由P\{X^2\ne Y^2\}=0定,Z均匀取三值,$\rho=0$)。
D. 独立性与相关性(题12)
- 题 12 · 不相关且不独立证明(★★★★)【k3】:
X密度 $f(x)=\frac12e^{-|x|}$,证明X与|X|不相关且不独立($EX=0$、EX|X|=0⟹ $\rho=0$;$P{X\le a,|X|\le a}\ne P{X\le a}P{|X|\le a}$)。
E. 切比雪夫不等式(题13)
- 题 13 · 切比雪夫估算(★★★)【k3/e3 同题】:$EX=EY=2$,$DX=1$,$DY=4$,$\rho_{XY}=0.5$,估计 $P{|X-Y|\ge6}$($Z=X-Y$,$DZ=3$,$\le\frac{3}{36}=\frac1{12}$)。
回查入口:参考仓库
参考仓库/Math/advanced-math同源probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex、exercise/3-digital-features/digital-features.tex。