背诵版 16—20 是讲义态(一讲 1.2—2.3 万字符),复习一次 40 分钟且看完记不住。 用户反馈「不是不理解,是背的东西太多,靠逻辑推演速度太慢」,故另做记忆态清单。 - 21 总纲:收录标准(只收推不出或推起来超十秒的)、五型标签(式/表/判/模/反)、 三轮刷法、六张跨讲对照(除数账本、独立四种说法、标准化三次、自由度账本、 三对易混、两类错误) - 22—27 六讲:32/44/41/36/25/53 条,合计 231 条,全刷 32 分钟 - 每册末「十秒自检」四条到六条,作为过关判据 - 考前三天只看「反」型(不成立断言与反例)与「表」型 - README 加 §四·五 说明分工:清单卡住 → 背诵版查全 → 在学练习看推导 - 总览目录树补入知识点构建(此前遗漏) - 顺带修两处公式内伪链接(f'[...](b-a)、[x+(n-1)a](x-a)),check_md_links 归零
8.9 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 数字特征 · 专背清单 | 2026-11-17 | 36 条(式 15 / 表 3 / 判 6 / 模 2 / 反 10) | 知识点构建 18 背诵版;在学练习第4讲五点;真题库 chapter 18 |
|
第 4 讲 数字特征 · 专背清单
36 条。本讲最该背的是一张表(九个分布的
E与D)和一条链(独立 → 不相关 → 不推回)。其余全靠这两样推。表背不下来,后面每一讲都要卡。
一、期望(7 条)
L4-01 式 定义:连续型 EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx ,离散型 EX=\sum_kx_kp_k 。
└ 前提是绝对收敛:\int\lvert x\rvert f<\infty 。不满足则期望不存在,不能写"=\infty "。
L4-02 式 函数的期望(不必先求分布):
E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx\quad\text{或}\quad\sum_kg(x_k)p_k.
└ 这是全讲最省时间的一条。求 E(X^2) 、E(\mathrm e^{X}) 都直接套,不要先求 X^2 的分布。
L4-03 式 期望四条性质:Ec=c ;E(aX)=aEX ;E(X+b)=EX+b ;E(X\pm Y)=EX\pm EY 。
└ 线性性无条件成立,不需要独立。这是与"乘法"最关键的区别。
L4-04 反 E(XY)=EX\cdot EY 需要独立(或不相关),一般情形不成立。
└ 一般式:E(XY)=EX\,EY+\operatorname{Cov}(X,Y) 。
L4-05 反 期望存在 不保证 二阶矩存在。
└ 例:t 分布 t(2) 的期望为 0 但方差不存在;t(1) (柯西)连期望都没有。
L4-06 判 判断期望存在:算 \int\lvert x\rvert f(x)\mathrm dx 是否有限。尾部衰减慢于 1/x^2 就有问题。
L4-07 式 独立时的两条简化:E(XY)=EX\,EY ;E[g(X)h(Y)]=E[g(X)]E[h(Y)] 。
└ 第二条更常用,它允许把复杂函数拆开算。
二、方差(7 条)
L4-08 式 计算公式(两条都要会):DX=E(X^2)-(EX)^2 ;DX=E(X-EX)^2 。
└ 手算优先第一条;证明题用第二条。
L4-09 式 五条性质:Dc=0 ;D(aX+b)=a^2DX ;DX\ge0 ;D(X\pm Y)=DX+DY\pm2\operatorname{Cov}(X,Y) ;独立时 D(X\pm Y)=DX+DY 。
└ D(aX+b) 里 b 完全消失,a 要平方。这两处都是高频失分。
L4-10 式 一般展开:D\!\left(\sum_ia_iX_i\right)=\sum_ia_i^2DX_i+2\sum_{i<j}a_ia_j\operatorname{Cov}(X_i,X_j) 。
└ 记法:平方项自重,交叉项乘 2。
L4-11 反 D(X-Y)=DX+DY-2\operatorname{Cov} ,不是 DX-DY 。方差永远不为负,所以不能相减。
L4-12 式 标准化:X^*=\dfrac{X-EX}{\sqrt{DX}} ,则 EX^*=0 、DX^*=1 。
└ 这是"标准化"在数字特征层面的意义,与第 5 讲的 CLT 标准化同源。
L4-13 判 已知 EX 与 DX 求 E(X^2) :反用 E(X^2)=DX+(EX)^2 。这是唯一方向,别写成 DX-(EX)^2 。
L4-14 坑 \overline X 的方差是 \frac{\sigma^2}{n} 而不是 \sigma^2 。
└ 因为 D\!\left(\frac1n\sum X_i\right)=\frac{1}{n^2}\cdot n\sigma^2 。漏 n^2 是全书第一号计算错。
三、九个分布的表(1 条,但要默到能反着用)
L4-15 表 期望与方差总表:
| 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 |
└ 四个记忆钩子:泊松期望等于方差;指数期望等于标准差(都是 \frac1\lambda );二项是 0-1 的 n 倍;**超几何比二项多一个有限总体修正因子 \frac{N-n}{N-1} **。
四、协方差与相关系数(8 条)
L4-16 式 协方差:\operatorname{Cov}(X,Y)=E(XY)-EX\,EY=E[(X-EX)(Y-EY)] 。
└ 手算走第一条,证明走第二条。
L4-17 式 特例:\operatorname{Cov}(X,X)=DX 。方差是协方差的特例。
L4-18 式 协方差四性质:对称;\operatorname{Cov}(X,c)=0 ;\operatorname{Cov}(aX+b,Y)=a\operatorname{Cov}(X,Y) ;对每个变量可加。
└ 合起来:双线性。\operatorname{Cov}(aX+b,\ cY+d)=ac\operatorname{Cov}(X,Y) 。
L4-19 式 相关系数:\rho_{XY}=\dfrac{\operatorname{Cov}(X,Y)}{\sqrt{DX}\sqrt{DY}}\in[-1,1] 。
└ \rho 是无量纲的,\operatorname{Cov} 有量纲。所以比较相关程度只能看 \rho 。
L4-20 式 线性变换下的 \rho :\rho_{aX+b,\,cY+d}=\operatorname{sign}(ac)\,\rho_{XY} 。
└ 只看 a 与 c 的符号,与 b,d 无关。2022·8 就考这条。
L4-21 式 \lvert\rho\rvert=1\iff 存在 a\ne0,b 使 P\{Y=aX+b\}=1 。
└ 即完全线性相关。注意 a\ne0 是必需的(a=0 时 Y 是常数,DY=0 ,\rho 无定义)。
L4-22 式 不相关四等价:\rho=0\iff\operatorname{Cov}=0\iff E(XY)=EX\,EY\iff D(X\pm Y)=DX+DY 。
└ 四个说法可以互换,做题时选最好算的那个。
L4-23 表 三层关系(背这张表,别背结论):
| 命题 | 成立 | 理由 |
|---|---|---|
独立 \Rightarrow 不相关 |
✓ | E(XY)=EX\,EY |
相关 \Rightarrow 不独立 |
✓ | 逆否命题 |
不相关 \Rightarrow 独立 |
✗ | 反例见下 |
二维正态下不相关 \iff 独立 |
✓ | 密度可分离 |
五、条件期望(6 条)
L4-24 反 不相关的经典反例:X\sim U(-1,1) 、Y=X^2 。
└ 不相关:E(XY)=E(X^3)=0=EX\,EY 。不独立:P\{X\le a,Y\le a^2\}=P\{-a\le X\le a\}=a\ne\frac{a+1}{2}\cdot a^2 型。
L4-25 式 重期望公式: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。2025·22 的理赔模型就靠它。
L4-26 式 全方差公式:D(Y)=E\big[D(Y\mid X)\big]+D\big[E(Y\mid X)\big] 。
└ 一句话:总波动 = 组内波动 + 组间波动。
L4-27 式 两条提项性质:独立时 E(Y\mid X)=EY ;E[g(X)Y\mid X]=g(X)E(Y\mid X) 。
└ 第二条:X 的函数在给定 X 后可当常数提出。这是算条件期望最常用的一步。
L4-28 式 条件期望的线性性:E(aY+b\mid X)=aE(Y\mid X)+b ;E(Y_1+Y_2\mid X)=E(Y_1\mid X)+E(Y_2\mid X) 。
└ 与普通期望同形,不需要独立。
L4-29 判 求 D(aX+bY) 的最值:a^2+b^2=1 且 DX=DY=1 时
D(aX+bY)=1+2ab\rho,\qquad \max=1+\lvert\rho\rvert,\ \min=1-\lvert\rho\rvert.
└ 代换 a=\cos\theta,b=\sin\theta ,得 1+\rho\sin2\theta 。同向叠加取最大(\rho>0 时)。
六、切比雪夫与两条极值结论(5 条)
L4-30 式 切比雪夫不等式:P\{\lvert X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{\varepsilon^2} ,等价于 P\{\lvert X-\mu\rvert<\varepsilon\}\ge1-\dfrac{\sigma^2}{\varepsilon^2} 。
└ 上界给"至少"、下界给"至多",方向反了整题反。
L4-31 式 样本均值版:P\{\lvert\overline X-\mu\rvert\ge\varepsilon\}\le\dfrac{\sigma^2}{n\varepsilon^2} 。**分母有 n ** 。
L4-32 式 二项版:P\left\{\left\lvert\dfrac Xn-p\right\rvert\ge\varepsilon\right\}\le\dfrac{p(1-p)}{n\varepsilon^2} 。
L4-33 式 两变量最值的期望(n=2 时成立):E(\max)+E(\min)=EX_1+EX_2 。
└ 只对 n=2 成立。三个变量时和为 EX_1+EX_2+EX_3 的次序统计量期望对不上,别乱套。
L4-34 式 极值的期望(同分布时):E(\max)=\int_{-\infty}^{+\infty}z\cdot n[F(z)]^{n-1}f(z)\,\mathrm dz 。
└ 直接从密度积,不必记"非负型"的积分公式。E(\min) 同形,把 F 换成 1-F 。
七、坑(2 条)
L4-35 坑 "期望相等"推不出"分布相同";"方差相等"也推不出。数字特征丢失了分布的全部形状信息。
└ 这是选填辨析的常客:X\sim N(0,1) 与 Y=\pm X (等概率)期望方差都相同,分布不同。
L4-36 反 DX=0\iff P\{X=EX\}=1 ,即 X 几乎必然是常数。
└ 推论:方差为 0 时相关系数无定义(分母为 0),不能说"不相关"。
十秒自检
- 默九个分布的
E与D,说四个记忆钩子。 - 写出
D(aX+bY)的展开式,并说出a^2+b^2=1时的最值。 - 说出"独立 / 不相关"三层关系,以及那个
Y=X^2的反例。 - 重期望与全方差两个公式。
- 切比雪夫的"至少"与"至多"各对应哪个方向。
五条全过,本讲过关。