- 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
7.7 KiB
tags, 专题, 日期, 关联笔记
| tags | 专题 | 日期 | 关联笔记 | |||||||
|---|---|---|---|---|---|---|---|---|---|---|
|
概率论 第4讲 · 随机变量的数字特征(速查) | 2026-11-07 |
|
第4讲 · 随机变量的数字特征:速查卡
考前十分钟只看这一页。
一 三条定义式
EX=\sum x_ip_i\ \text{或}\ \int xf(x)\,\mathrm dx;\qquad DX=E X^2-(EX)^2;\qquad \operatorname{Cov}(X,Y)=E(XY)-EX\cdot EY .
三者分工:EX 说"在哪",DX 说"多散",\operatorname{Cov} 说"怎么一起动"。
D 与 \operatorname{Cov} 都用"平方的期望减期望的平方"这一招,区别只是 \operatorname{Cov} 里是两个不同的变量。
二 七大分布的期望与方差
| 分布 | EX |
DX |
|---|---|---|
B(n,p) |
np |
np(1-p) |
P(\lambda) |
\lambda |
\lambda |
G(p) |
\dfrac1p |
\dfrac{1-p}{p^2} |
U(a,b) |
\dfrac{a+b}{2} |
\dfrac{(b-a)^2}{12} |
E(\lambda) |
\dfrac1\lambda |
\dfrac1{\lambda^2} |
N(\mu,\sigma^2) |
\mu |
\sigma^2 |
\chi^2(n) |
n |
2n |
两组"同值":泊松的 EX=DX=\lambda ,指数的 EX=DX=\frac1\lambda (量纲正好相反,一个按"率",一个按"时间")。正态与卡方则是"参数即矩"。U(a,b) 的方差里那个 12 来自 \frac{(b-a)^2}{12} ,不是 4 。
三 不需求分布就能算函数期望
E\,g(X)=\int g(x)f(x)\,\mathrm dx\quad(\text{或}\ \sum g(x_i)p_i).
三条高频用法:
E(1/X):直接积\int\frac{f(x)}{x}\mathrm dx,千万不要写成1/EX的样子 ;E\lvert X-a\rvert:按x<a与x>a拆成两段;E\min(X,c):按x<c与x>c拆两段(c处是截断点)。
方向感:1/x 是凸函数,故 E(1/X)\ge\dfrac{1}{EX} ,等号只在 X 为常数时成立(琴生)。
四 方差性质与矩
D(aX+b)=a^2DX,\quad DC=0,\quad 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 ——"差"也是加,这是最高频的错点。
矩:A_k=EX^k 、B_k=E(X-EX)^k ,且 A_1=EX 、B_2=DX 。B_3 度量偏斜:对称分布(正态、均匀、t )的 B_3=0 。
标准化:X^*=\dfrac{X-EX}{\sqrt{DX}} 使 EX^*=0 、DX^*=1 。
五 协方差的双线性
\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).
当乘法表用:把每一项拆成 \operatorname{Cov}(X,X)=DX 、\operatorname{Cov}(X,Y) 这样的原子,再代数值。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) 。
一个白送的结论:\operatorname{Cov}(X+Y,\ X-Y)=DX-DY ,与 \rho 无关。
六 相关系数三条
\lvert\rho\rvert\le1;\lvert\rho\rvert=1\iff P\{Y=aX+b\}=1(a>0时\rho=1,a<0时\rho=-1);\rho=0只否定线性关系,不否定一切关系。
独立与不相关的分界:独立 \Rightarrow 不相关;反向只在二维正态下成立。反例模板 X\sim U(-1,1) 、Y=X^2 ,此时 \rho=0 但 Y 完全由 X 决定。
七 重期望与总方差
EY=E\left[E(Y\mid X)\right];\qquad E(XY)=E\left[X\,E(Y\mid X)\right];\qquad DY=E\left[D(Y\mid X)\right]+D\left[E(Y\mid X)\right].
口诀:先固定、再平均。总方差的两项读作"组内 + 组间"。
随机和(S=\sum_{i=1}^{N}Y_i ,各 Y_i 同分布且与 N 独立):
ES=EN\cdot EY_1,\qquad DS=EN\cdot DY_1+DN\cdot(EY_1)^2 .
八 线性组合与方差最值
D(aX+bY)=a^2DX+b^2DY+2ab\rho_{XY}\sigma_X\sigma_Y .
约束 a^2+b^2=1 下求极值:写特征方程
\lambda^2-\left(DX+DY\right)\lambda+DX\cdot DY\left(1-\rho^2\right)=0,
最大值取较大根、最小值取较小根。
同方差特例(\sigma_X=\sigma_Y=\sigma ):\max=\sigma^2(1+\lvert\rho\rvert) 、\min=\sigma^2(1-\lvert\rho\rvert) ,两数之和恰为 2\sigma^2 。这一条可当算错的自检。
九 三条恒等式
\sum_{i=1}^{n}\left(X_i-\bar X\right)^2=\sum X_i^2-n\bar X^2;\qquad E\bar X=\mu,\ D\bar X=\frac{\sigma^2}{n};
E\left[(X-c)^2\right]=DX+(EX-c)^2\quad(c=EX\ \text{时最小}).
必记推论:E\sum_{i=1}^{n}\left(X_i-\bar X\right)^2=(n-1)\sigma^2 。第 6 讲的 S^2 分母取 n-1 、\chi^2 自由度是 n-1 ,全部由它而来。
十 最容易丢分的六处
- 把
D(X-Y)写成DX-DY是错的:应为DX+DY-2\operatorname{Cov},独立时是DX+DY。 - 把
E(1/X)写成1/EX是错的:两者差着一个方差项,只有X为常数时才相等。 - 默认
E(XY)=EX\cdot EY是错的:这需要独立(或不相关),不是"性质"。 - 由
\rho=0断言独立:只有二维正态可以这样反推。 - 同方差最值漏掉绝对值:
\rho<0时的最大值是\sigma^2(1-\rho),不是\sigma^2(1+\rho)。 D\bar X与DS^2的分母混用:D\bar X=\sigma^2/n,而E S^2=\sigma^2要求S^2的分母是n-1。
回查
| 想查什么 | 对应题目 |
|---|---|
| 一 三条定义式 | 点 1 题 1、点 2 题 1、点 3 题 1 |
| 二 七大分布的期望与方差 | 点 1 题 4、点 2 题 3 |
| 三 不需求分布就能算函数期望 | 点 1 题 2、点 1 题 3 |
| 四 方差性质与矩 | 点 2 题 2、点 2 题 4 |
| 五 协方差的双线性 | 点 3 题 2 |
| 六 相关系数三条 | 点 3 题 3、点 3 题 4 |
| 七 重期望与总方差 | 点 4 题 1、点 4 题 2、点 4 题 3 |
| 八 线性组合与方差最值 | 点 5 题 1、点 5 题 2、点 5 题 3 |
| 九 三条恒等式 | 点 5 题 4 |