Files
MathNotesVersion2/基于考研的学习/数学一/知识点构建/18-背诵版-概率论-第4讲-数字特征.md
T
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

295 lines
20 KiB
Markdown
Raw 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, 知识点构建, 背诵版, 概率论, 数字特征]
专题: 概率论 · 第4讲 随机变量的数字特征 · 背诵版
日期: 2026-10-27
更新: 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)
状态: 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)
来源: 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)
关联笔记: ["[[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|第4讲 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|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|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|第5讲]]。