Files
T
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

13 KiB
Raw 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
知识点盘点
概率论 第4讲 · 随机变量的数字特征 2026-11-07 知识点盘点(五节 + 覆盖对照表),配套 5 个点分册共 19 题
README
06-速查卡

第4讲 · 随机变量的数字特征:知识点盘点

真题库第 18 章。近十年 7 题 32 分,全部是选填(单选 4 题 19 分 + 填空 3 题 13 分),没有独立的大题。

这一讲的特殊性:它自己不出大题,但第 3 讲的解答题、第 6 讲的参数估计,处处要用它——E 、D 、\operatorname{Cov} 是概率论里唯一的"通用工具"。所以这里的定位是工具册,不是考点册。

一句话定性:数字特征 = 用几个数概括一个分布。EX 说"在哪",DX 说"多散",\operatorname{Cov} 说"怎么一起动"。所有公式都是这三件事的推论。

0 三张表

0.1 按分值排(时间紧就照这个顺序)

优先 点 真题锚点 分值 文件
1 协方差与相关系数 2016·8、2020·14、2021·16 约 13 04
2 数学期望(含函数期望、绝对偏差) 2017·14、2023·8 约 9 02
3 方差与矩 2022·8、2025·8 约 10 03
4 线性组合与最值 2025·8 嵌在选择里 06
5 条件期望与重期望 大纲要求、十年未单考 — 05

0.2 按依赖链排(文件顺序,也就是建议的阅读顺序)

02 数学期望             ← 一切的地基:先把 E 算对
      ↓
03 方差与矩             ← E 的"二阶版":DX = EX² - (EX)²
      ↓
04 协方差与相关系数      ← 两个变量的"二阶版"
      ↓
05 条件期望与重期望      ← 把 E 拆成两层:E[E(Y|X)]
      ↓
06 线性组合与最值        ← D(aX+bY) 与它的极值

为什么条件期望排在协方差之后:重期望 E(XY)=E\left[X\,E(Y\mid X)\right] 是算协方差的主力工具,没有协方差的需求就不会想到用它。

0.3 符号约定

记号 含义
EX \sum x_ip_i 或 \int xf(x)\mathrm dx
DX=\operatorname{Var}(X) E(X-EX)^2=EX^2-(EX)^2
\sigma_X=\sqrt{DX} 标准差
\operatorname{Cov}(X,Y) E(X-EX)(Y-EY)=E(XY)-EX\cdot EY
\rho_{XY} \dfrac{\operatorname{Cov}(X,Y)}{\sigma_X\sigma_Y}\in[-1,1]
E(Y\mid X) 条件期望,本身是 X 的函数(随机变量)
A_k=EX^k 、B_k=E(X-EX)^k k 阶原点矩、k 阶中心矩

0.4 知识点与练习文件对照(按知识点粒度)

盘点章节(知识点) 对应题目
§1.1 定义与四条性质 点 1 题 1
§1.2 随机变量函数的期望(不需求分布) 点 1 题 2、点 1 题 3
§1.3 常见分布的期望 点 1 题 4
§2.1 定义与计算公式 点 2 题 1
§2.2 四条性质 点 2 题 2
§2.3 常见分布的方差 点 2 题 3
§2.4 矩与标准化 点 2 题 4
§3.1 定义 点 3 题 1
§3.2 双线性(算协方差的唯一公式) 点 3 题 2
§3.3 相关系数的意义与极值 点 3 题 3、点 3 题 4
§4.1 条件期望 点 4 题 1
§4.2 重期望公式 点 4 题 2
§4.3 条件方差与总方差公式 点 4 题 3
§5.1 线性组合的期望与方差 点 5 题 1
§5.2 方差的最值(选择压轴常客) 点 5 题 2、点 5 题 3
§5.3 三条常用恒等式 点 5 题 4

1 数学期望

1.1 定义与四条性质

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

性质(不要求独立):

E(aX+bY+c)=aEX+bEY+c;\qquad X\le Y\Rightarrow EX\le EY;\qquad \lvert EX\rvert\le E\lvert X\rvert .

注意:E(XY)=EX\cdot EY 只在独立(或不相关)时成立,不属于"性质",是"额外结论"。

1.2 随机变量函数的期望(不需求分布)

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; E\,g(X,Y)=\iint g(x,y)f(x,y)\,\mathrm d\sigma .

这是全讲最重要的一条技术:求 E(1/X) 、E\lvert X-a\rvert 、E\min(X,c) 时,不要先求新变量的分布再求期望,直接把 g 塞进原积分。省掉一次"求密度 + 积分"。

1.3 常见分布的期望

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

2 方差与矩

2.1 定义与计算公式

DX=E(X-EX)^2=E X^2-(EX)^2 .

考场一律用右边那个:先算 EX 与 EX^2 ,相减。定义式只在证明里用。

2.2 四条性质

D(aX+b)=a^2DX\quad(\text{常数项不影响});\qquad D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y).

独立时交叉项消失,D(X\pm Y)=DX+DY ——注意"差"也是加,这是最高频的错点。

DC=0;\qquad DX=0\iff X\ \text{几乎处处为常数}.

2.3 常见分布的方差

分布 DX
B(n,p) np(1-p)
P(\lambda) \lambda
G(p) \dfrac{1-p}{p^2}
U(a,b) \dfrac{(b-a)^2}{12}
E(\lambda) \dfrac{1}{\lambda^2}
N(\mu,\sigma^2) \sigma^2
\chi^2(n) 2n

2.4 矩与标准化

k 阶原点矩 A_k=EX^k ;k 阶中心矩 B_k=E(X-EX)^k 。其中 A_1=EX 与 B_2=DX 最常用 。

标准化:X^*=\dfrac{X-EX}{\sqrt{DX}} ,则 EX^*=0 、DX^*=1 。这一步是中心极限定理与所有"查表"题的前提。

3 协方差与相关系数

3.1 定义

\operatorname{Cov}(X,Y)=E(X-EX)(Y-EY)=E(XY)-EX\cdot EY,\qquad \rho_{XY}=\frac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}} .

3.2 双线性(算协方差的唯一公式)

\operatorname{Cov}(aX+bY,\ cZ+dW)=ac\operatorname{Cov}(X,Z)+ad\operatorname{Cov}(X,W)+bc\operatorname{Cov}(Y,Z)+bd\operatorname{Cov}(Y,W).

三条特例:\operatorname{Cov}(X,X)=DX ;\operatorname{Cov}(X,c)=0 ;\operatorname{Cov}(X+Y,Z)=\operatorname{Cov}(X,Z)+\operatorname{Cov}(Y,Z) 。

实战写法:把 \operatorname{Cov} 当成"带符号的乘法表",逐项展开成 \operatorname{Cov}(X,X) 、\operatorname{Cov}(X,Y) 这样的原子,再代入数值。这一步比用 E(XY)-EX\,EY 快得多,也不容易错。

3.3 相关系数的意义与极值

三条结论:

  1. \lvert\rho\rvert\le1 ;
  2. \lvert\rho\rvert=1\iff P\{Y=aX+b\}=1 (完全线性相关,a>0 时 \rho=1 ,a<0 时 \rho=-1 );
  3. \rho 只度量线性关系:\rho=0 只说明"没有线性关系",不说明"没有关系"。

独立与不相关的分界:独立 \Rightarrow 不相关(二阶矩存在时);反向只在二维正态下成立。完整辨析见 第3讲 点4 题3。

4 条件期望与重期望

4.1 条件期望

E(Y\mid X=x)=\sum_j y_j\,p_{j\mid i}\quad\text{或}\quad E(Y\mid X=x)=\int_{-\infty}^{+\infty}y\,f_{Y\mid X}(y\mid x)\,\mathrm dy .

关键认识:E(Y\mid X) 是 X 的函数,因此它本身是一个随机变量;而 E(Y\mid X=x) 是一个数。

4.2 重期望公式

EY=E\left[E(Y\mid X)\right].

用途:当 Y 的分布要分两层才能写清(混合型、分层抽样、随机个数的和)时,先求内层再求外层。

乘法版本(算协方差的主力):

E(XY)=E\left[X\cdot E(Y\mid X)\right].

4.3 条件方差与总方差公式

DY=\underbrace{E\left[D(Y\mid X)\right]}_{\text{组内}}+\underbrace{D\left[E(Y\mid X)\right]}_{\text{组间}} .

读法:总方差 = 组内方差的平均 + 组间(各组均值之间)的方差。混合型题里算 DY 只需这一条,不必写出 f_Y 。

5 线性组合与最值

5.1 线性组合的期望与方差

E\left(\sum a_iX_i\right)=\sum a_iEX_i;\qquad D\left(\sum a_iX_i\right)=\sum a_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j).

两项情形:D(aX+bY)=a^2DX+b^2DY+2ab\rho\sigma_X\sigma_Y 。

5.2 方差的最值(选择压轴常客)

在约束 a^2+b^2=1 下最大化 D(aX+bY) :

D(aX+bY)=\sigma_X^2a^2+\sigma_Y^2b^2+2\rho\sigma_X\sigma_Yab .
  • \sigma_X=\sigma_Y=\sigma 时:=\sigma^2\left(1+2\rho ab\right) ,在 a=b=\frac{1}{\sqrt2} 处取最大 \sigma^2(1+\rho) ,在 a=-b 处取最小 \sigma^2(1-\rho) ;
  • \sigma_X\ne\sigma_Y 时:配方为二次型,最大值 =\dfrac{\sigma_X^2+\sigma_Y^2+\sqrt{(\sigma_X^2-\sigma_Y^2)^2+4\rho^2\sigma_X^2\sigma_Y^2}}{2} (考场上用配方或拉格朗日,别背这个式子)。

5.3 三条常用恒等式

\sum_{i=1}^{n}(X_i-\bar X)^2=\sum X_i^2-n\bar X^2;\qquad E\bar X=\mu,\quad D\bar X=\frac{\sigma^2}{n}; E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(\text{在 }c=EX\text{ 处最小}).

最后一条是"均方误差分解":c 取均值时期望平方偏差最小,最小值就是方差。这条在参数估计的 MSE 比较里还会再用一次。

6 覆盖对照(大纲 vs 真题 vs 参考仓库)

知识点 大纲要求 十年真题 参考仓库 处置
数学期望的定义与性质 掌握 2017·14 有 点 1,2 题
随机变量函数的期望 掌握 2023·8 有 点 1,3 题
常见分布的期望 掌握 每题必用 有 点 1,2 题
方差的定义与性质 掌握 2022·8、2025·8 有 点 2,4 题
常见分布的方差 掌握 2022·8 有 点 2,2 题
矩与标准化 了解 嵌在别处 有 点 2,1 题
协方差与双线性 掌握 2020·14、2024·9 有 点 3,3 题
相关系数与极值 掌握 2016·8、2021·16 有 点 3,3 题
条件期望与重期望 掌握 大纲要求、十年未单考 有 点 4,3 题
总方差公式 掌握 2020·22(第3讲) 有 点 4,1 题
线性组合的方差 掌握 2025·8 有 点 5,1 题
方差的最值 掌握 2025·8 无(自编) 点 5,2 题
样本均值与偏差平方和 掌握 嵌在别处 有 点 5,1 题

判断:13 个知识点里,大纲"掌握"的 12 个全部配题;余下"矩与标准化"属"了解"层次,也配了 1 题。"方差最值"参考仓库未单列,属自编题,用于补齐 2025·8 的新形态。

7 与相邻讲的接口

本讲内容 来源 / 去向 用法
密度、分布律、边缘、条件 第 2、3 讲 本讲所有 E 都是在它们的积分上加一个权
独立与不相关的完整辨析 第3讲点4 本讲只做"\rho 的极值",不重复讲独立性
二维正态的 \rho 与条件分布 第3讲点3 §3.5 点 5 的方差最值直接用它
D\bar X=\sigma^2/n 第 6 讲(数理统计) 样本均值的方差,参数估计的基础
\operatorname{Cov} 的样本版 S^2 第 6 讲(数理统计) 无偏性证明全靠它
切比雪夫不等式 第 5 讲上(大数定律) 它就是用 DX 去控制"偏离"

跨讲一句话:本讲把"分布"压成"数";第 5 讲用这些数去谈极限;第 6 讲用这些数去评价估计量。