随机变量数字特征全攻略：期望、方差、协方差与八大题型

说实话概率论与数理统计里随机变量的数学特征这一章是最容易让人产生我会了错觉的地方。公式屈指可数——期望、方差、协方差、相关系数——怎么看都比前面的联合分布、后面的参数估计轻量。可真上了考场丢分大户往往就在这儿不是不会算而是算得零零碎碎、步骤不合规范、公式张冠李戴还有人一看到独立和不相关就头脑发懵。下面就直接拆成8大核心题型来聊离散型期望方差、连续型期望方差、随机变量函数的期望、常见分布的数学特征、协方差、相关系数、矩与中心矩、切比雪夫不等式。每种题型我都会讲清楚三件事题目长什么样、用什么方法做、步骤怎么写不会被扣分。这篇内容适合正在备考考研数学数一、数三的同学、期末复习概率论的本科生以及想系统补一遍数字特征知识点的自学者。全程走题型识别→方法步骤→易错点→完整例题的路线你看完一道题就能会一类题。1. 数字特征在考纲里的真实权重为什么看着简单却总丢分1.1 这一章到底考什么先把知识骨架摆出来。随机变量的数字特征说白了就是用几个数来概括一个随机变量。最基础的是期望E(X)它是一阶原点矩描述随机变量的取值中心然后是方差D(X)它是二阶中心矩描述取值围绕期望的波动幅度再往上两个随机变量之间的关系用协方差Cov(X,Y)和相关系数ρ刻画。整章的逻辑链条非常清晰期望→方差→协方差→相关系数一个比一个复杂但全都建立在加权平均这个朴素观念上。所以这一章的学习不能靠背题要靠一条线期望是所有数字特征的起点方差的本质是E(X²)与[E(X)]²的差协方差的本质是E(XY)与E(X)E(Y)的差。你只要把这三个期望算明白后面全部是套公式的机械操作。更重要的是数字特征不只独立成题它还是整门课的计算底盘。后面学大数定律和中心极限定理需要期望和方差矩估计法直接要求一阶矩和二阶矩参数估计、假设检验里反复出现的正态分布其期望方差是最基本的信息。这一章练不熟后面每个章节都会跟着吃力。考研数学和期末考出题人心里清楚得很数字特征是大题的零件小题单独考大题串着用。1.2 8大题型的识别与分工我把这些年真题和期末题里出现过的问法做了个归类8大题型的分工如下题型典型问法核心方法易错程度题型一离散型随机变量的E(X)、D(X)分布律列表逐项求和中等题型二连续型随机变量的E(X)、D(X)对密度函数分段积分中高题型三随机变量函数E[g(X)]、E[g(X,Y)]不重新求分布直接加权平均中等题型四常见分布的期望方差参数识别速查表较低题型五协方差Cov(X,Y)定义式或E(XY)-E(X)E(Y)中高题型六相关系数、独立与不相关判断ρ计算独立性定义高题型七矩与中心矩定义积分/方差公式反推中等题型八切比雪夫不等式已知期望方差估计概率范围中等从考频看题型四的小题几乎白送题型一、二、三、五是大题主力题型六是区分度最高的概念题题型七、八属于稳拿分的进阶题。按这个优先级分配复习时间比平均用力高效得多。2. 题型一、二离散型与连续型期望方差的标准计算流程2.1 离散型分布律是唯一的地基离散型的期望方差规矩就一条先把分布律写对再动手。我见过太多同学拿到题直接开始算期望结果分布律的概率和都没检查算出来的期望自然不对还找不到原因。来看一个标准例题。设X的分布律为P{X-1}0.2P{X0}0.3P{X1}0.1P{X2}0.4。求E(X)和D(X)。标准解法分四步。第一步验证概率和为1。0.20.30.10.41正常。 第二步求期望E(X)(-1)×0.20×0.31×0.12×0.40.7。 第三步先求E(X²)E(X²)(-1)²×0.20²×0.31²×0.12²×0.41.9。 第四步用方差简便公式D(X)E(X²)-[E(X)]²1.9-0.7²1.41。这里有两个关键点也是两个经典丢分点。第一E(X²)必须用xi²去乘pi而不是用xi乘pi之后再整体平方这两者完全是两回事。第二X0那一项在E(X)里乘以0可以忽略但我建议你在卷面上保留它。这能向阅卷老师传递一个信号你的分布律项目是全的。数学阅卷很多地方看的就是你有没有意识到这一项存在。2.2 连续型分段密度函数的积分边界连续型比离散型多一道坎积分。公式是E(X)∫xf(x)dxE(X²)∫x²f(x)dx。积分区间理论上是整个实数轴但因为密度函数通常只在某段非零实际积分区间会自然缩到密度不为零的部分。先来一个最简单的例子。设X的密度为f(x)3x²0x1其他为0。E(X)∫₀¹ x·3x² dx3/4。 E(X²)∫₀¹ x²·3x² dx3/5。 D(X)3/5-(3/4)²3/80。是不是很简单但一旦密度函数分段情况就变了。再看一个三角形分布f(x)x0≤x1f(x)2-x1≤x≤2其他为0。先检查归一化∫₀¹ x dx1/2∫₁²(2-x)dx1/2合计1。求期望E(X)∫₀¹ x·x dx∫₁² x·(2-x)dx1/32/31。E(X²)∫₀¹ x²·x dx∫₁² x²·(2-x)dx1/4[2x³/3-x⁴/4]₁²1/411/127/6。D(X)7/6-11/6。分段函数最坑的不是积分难而是写区间。很多人把分界点x1写重或写漏。注意密度函数在个别点上的取值并不影响连续型概率和期望所以写成0≤x1、1≤x≤2完全没问题关键是每一段里被积函数要对号入座。计算时把积分拆成各段再相加不要混在一起否则很容易出现符号和边界错误。2.3 两个必须倒背如流的线性性质不管离散还是连续下面两条永远成立E(aXb)aE(X)b。 D(aXb)a²D(X)。注意第二条里的系数要平方。常数b对方差没有任何贡献因为它只平移分布不改变波动程度。常见错误是写D(3-2X)2D(X)正确写法是D(3-2X)4D(X)。方差永远不可能是负数所以凡是算出负方差第一步就错了赶紧回头重算。3. 题型三随机变量函数的期望不重新求分布也能算3.1 一个可以合法偷懒的公式如果Yg(X)求E(Y)有两条路线。路线一是先求出Y的分布律或密度函数再用定义算路线二直接用下面这个公式E[g(X)]Σg(xi)pi离散型E[g(X)]∫g(x)f(x)dx连续型。也就是说你完全不需要知道Y的分布直接在X的概率结构上对g(X)做加权平均就行。这就是常说的无意识统计学家法则。为什么合法因为期望的本质就是按概率加权平均。g(X)取某个值对应的事件就是X落入相应取值集合其概率完全由X的分布决定。所以在X的样本空间上直接加权和先求Y的分布再加权结果必然一致。举个例子。设X服从(0,1)上的均匀分布求E(e^X)。直接算E(e^X)∫₀¹ e^x dxe-1≈1.718。如果非要先求Ye^X的密度Y∈(1,e)F_Y(y)P(X≤ln y)ln yf_Y(y)1/y再算E(Y)∫₁^e y×(1/y)dye-1。结果一样但路程远了一大截。考试时间有限能走捷径必须走。3.2 二维函数的期望E(XY)是协方差的前哨站二维情形的公式是E[g(X,Y)]∬g(x,y)f(x,y)dxdy连续型或二重求和离散型。考试里最常考的就是g(X,Y)XY因为它是协方差的原材料。算E(XY)时离散型就老老实实列联合分布律的每一项E(XY)ΣΣx_i y_j p_ij。连续型就做二重积分先对哪个变量积都行关键是积分区域和被积函数别漏特别是被积函数里的xy因子别丢掉。我见过不少同学把联合密度积分出来等于1然后宣布这就是E(XY)——那分明是在算归一化不是算期望。3.3 三个无条件成立的加减法这一小节是白送分的部分但也是很多人搞不清的部分。第一E(XY)E(X)E(Y)不管X和Y是否独立都成立。只要单个期望存在加法就能拆。第二更一般的线性性E(aXbYc)aE(X)bE(Y)c同样不需要任何独立性条件。第三方差的加法是例外D(XY)D(X)D(Y)2Cov(X,Y)。只有当Cov(X,Y)0不相关独立一定不相关时才退化成D(X)D(Y)。很多人把方差可加当默认结论遇到不独立的题直接翻车。真题特别喜欢在第二、第三条上设置陷阱题目不说明独立性只给边缘分布问E(XY)可不可以算可以用第一条。问D(XY)可不可以算不可以因为不知道Cov(X,Y)。这个区别必须刻在脑子里考场上能救命。4. 题型四常见分布的数学特征一套表和一串记忆钩子4.1 期望方差速查表常见分布的数学特征属于不背就亏的送分题每年必考。下表直接背分布记号概率函数/密度要点E(X)D(X)0-1分布B(1,p)P{X1}ppp(1-p)二项分布B(n,p)n次独立重复试验npnp(1-p)泊松分布P(λ)单位时间事件次数λλ几何分布Ge(p)首次成功所需次数1/p(1-p)/p²均匀分布U(a,b)区间(a,b)上等可能(ab)/2(b-a)²/12指数分布Exp(λ)f(x)λe^{-λx}, x01/λ1/λ²正态分布N(μ,σ²)钟形曲线μσ²记忆钩子可以这么找泊松分布的期望和方差都是λ是唯一均值等于方差的重要分布指数分布的期望是参数的倒数参数越大、平均寿命越短二项分布是0-1分布重复n次的结果期望方差自然从p和p(1-p)后面各乘一个n。均匀分布的方差和区间长度的平方成正比区间越宽离散程度越大。4.2 参数混淆的典型翻车现场指数分布是重灾区。同一个分布有的教材记作Exp(λ)密度λe^{-λx}期望1/λ有的教材记作E(θ)密度(1/θ)e^{-x/θ}期望θ。如果你只看记号不看密度就可能把1/λ和λ搞反。我的习惯是拿到指数分布的题先把密度写出来看清楚参数是放在指数上还是分母上再写期望。正态分布的方差记号也是坑。题里说N(μ,σ²)那σ²就是方差σ是标准差。有些习题册不严谨地写成N(μ,σ)你得自己辨别如果题目说方差是9就应该写成N(μ,9)而不是N(μ,3)。参数识别错了后面所有概率计算全部白费。还有一个小结论方便排除选项二项分布的均值np总是大于方差np(1-p)泊松分布均值等于方差。做题时如果选项出现二项分布方差大于均值可以直接排除。4.3 反推参数的小题套路近几年小题喜欢反过来考已知期望和方差反求分布参数。例题设X~B(n,p)且E(X)2D(X)1.5求n、p。列方程组np2np(1-p)1.5。两式相除得1-p0.75所以p0.25n8。这种题只要把速查表背熟三分钟就能拿下。均匀分布同理已知E(X)3、D(X)1/3由(ab)/23、(b-a)²/121/3可得a2、b4。能反推参数的题本质上就是在考你对表格的熟练度。5. 题型五、六协方差、相关系数与独立/不相关辨析5.1 协方差的计算定义式与简便式协方差的定义式是Cov(X,Y)E[(X-E(X))(Y-E(Y))]但考试里几乎都用简便式Cov(X,Y)E(XY)-E(X)E(Y)。来一个完整例子。设(X,Y)的联合分布律为P{X1,Y0}0.1P{X1,Y1}0.3P{X2,Y0}0.2P{X2,Y1}0.4。先算边缘分布P{X1}0.4P{X2}0.6P{Y0}0.3P{Y1}0.7。然后E(X)1×0.42×0.61.6E(Y)0×0.31×0.70.7。再算E(XY)1×1×0.32×1×0.41.1。所以Cov(X,Y)1.1-1.6×0.71.1-1.12-0.02。注意协方差完全可以是负的负值表示两个变量有反向变动趋势。这道题里X偏大时Y并不一定随着变大所以协方差很小且为负这很符合直觉。协方差在运算上有几条性质必须记牢Cov(X,X)D(X)一个变量和自己的协方差就是方差。Cov(aXb,cYd)ac·Cov(X,Y)平移不影响协方差系数要相乘。Cov(XY,Z)Cov(X,Z)Cov(Y,Z)协方差对第一个变量具有线性可加性。对称性Cov(X,Y)Cov(Y,X)。5.2 相关系数把协方差标准化的线性相关指标相关系数定义为ρ(X,Y)Cov(X,Y)/(√D(X)√D(Y))。除以标准差的目的是消除量纲和尺度的影响把相关程度压到[-1,1]区间。|ρ|越接近1说明两个变量之间的线性关系越强ρ1表示存在YaXb且a0的严格正线性关系ρ-1表示严格负线性关系ρ0只说明没有线性关系不说明没有其他关系。接上面的例子继续算D(X)E(X²)-[E(X)]²(1×0.44×0.6)-1.6²2.8-2.560.24。 D(Y)E(Y²)-[E(Y)]²(0×0.31×0.7)-0.7²0.7-0.490.21。 ρ-0.02/√(0.24×0.21)≈-0.089。相关系数很小说明X和Y之间几乎没有线性关系。但请注意没有线性关系不等于没有关系很可能存在非线性关系。这一点正是下一小节的核心考点。5.3 独立与不相关最经典的考场陷阱逻辑关系只有一句话独立推出不相关不相关推不出独立。也就是说独立性是比不相关性更强的条件。独立要求两个变量的所有事件组合都满足概率乘法公式而不相关只要求协方差为零两者在一般情况下差得很远。考场必背反例设X等可能取值-1、0、1令YX²。先算期望E(X)0E(Y)(1/3)×1(1/3)×0(1/3)×12/3。再算E(XY)E(X³)(-1)³×(1/3)0³×(1/3)1³×(1/3)0。所以Cov(X,Y)0-0×2/30不相关。但X与Y明显不独立因为P{X1,Y1}1/3而P{X1}P{Y1}(1/3)(2/3)2/9两者不等。这个反例必须烂熟于心。它告诉你两件事一是不相关只是没有线性关系二是判断独立性只能回到定义P{X∈A,Y∈B}P{X∈A}P{Y∈B}不能用相关系数替代。唯一的例外是二维正态分布。若(X,Y)服从二维正态分布则独立等价于不相关。这是概率论给的福利题目只要出现二维正态和ρ0你就可以直接写独立两个字拿分。注意前提是联合分布必须是二维正态仅仅两个边缘分布各自是正态是不够的。6. 题型七、八矩、中心矩与切比雪夫不等式6.1 高阶矩从定义出发别被高阶吓住矩就是期望的推广。k阶原点矩定义为α_kE(X^k)k阶中心矩定义为μ_kE[(X-E(X))^k]。常见的特殊值α_1E(X)就是期望μ_10正负偏离相互抵消μ_2D(X)就是方差。三阶中心矩反映分布的偏斜方向四阶中心矩和峰度有关但考试阶段只需要知道按定义算就行不会让你解释偏度系数。计算高阶矩有两条路。第一条是直接积分比如知道了X的密度f(x)就老老实实算∫x^k f(x)dx。第二条更常用用期望和方差反推二阶矩。很多题目直接给E(X)1、D(X)3让你求E(X²)这时候用E(X²)D(X)[E(X)]²314一秒出答案根本不需要知道X的具体密度。再看一个例子。设X服从参数为λ的指数分布求E(X²)。方法一分部积分两次得到2/λ²。方法二E(X²)D(X)[E(X)]²1/λ²1/λ²2/λ²。哪个快显然是方法二。所以凡是题目里给了期望方差要算二阶矩时优先走方差公式这条捷径。6.2 切比雪夫不等式只靠期望方差就能给概率划界切比雪夫不等式说的是对任意ε0都有P{|X-E(X)|≥ε}≤D(X)/ε²。更常用的等价写法是P{|X-E(X)|ε}≥1-D(X)/ε²。翻译成人话就是不管X服从什么分布只要期望和方差存在随机变量取值落在期望±ε范围内的概率至少是1-D(X)/ε²。它的价值在于完全不需要知道分布类型这在很多实际估计问题里是唯一能用的工具。例题某课程成绩X的均值为75分方差为16用切比雪夫不等式估计P{65X85}。65到85正好是75±10所以取ε10P{65X85}P{|X-75|10}≥1-16/1000.84。也就是说不管成绩分布长什么样落在65到85分之间的比例至少是84%。这个界是保守估计真实值通常比这个数字更大但至少两个字就是切比雪夫不等式的核心价值。6.3 什么时候该用切比雪夫做题时看到只知道期望和方差估计概率下界对任意分布成立这些字样基本就是切比雪夫的信号。还要提醒一句如果ε≤σ即ε²≤D(X)那么1-D(X)/ε²≤0不等式给出的是废话题目一般会设计成εσ的情况。切比雪夫不等式在理论上还是证明大数定律的桥梁用它可以证明样本均值依概率收敛于总体期望。考研数学的证明题偶尔会用到这条路径所以它的意义不止一个小题。理解了用方差控制偏离概率这个思想后面学大数定律和中心极限定理都会顺很多。7. 综合题动手练一道题串起6个核心考点7.1 题目与完整解答把前面讲的重点串成一道综合题。设X服从参数为λ的指数分布令Y2X1。(1) 求E(X)、D(X)、E(Y)、D(Y) (2) 求Cov(X,Y)、ρ(X,Y) (3) 判断X与Y是否独立、是否相关 (4) 用切比雪夫不等式估计P{|X-1/λ|2/λ}的下界。解答过程如下。(1) 指数分布直接查表E(X)1/λD(X)1/λ²。由线性性质E(Y)2×(1/λ)12/λ1D(Y)2²D(X)4/λ²。(2) 用协方差性质Cov(X,Y)Cov(X,2X1)2Cov(X,X)2D(X)2/λ²。相关系数ρCov(X,Y)/(√D(X)√D(Y))(2/λ²)/[√(1/λ²)×√(4/λ²)]1。(3) 因为X和Y是严格的线性关系Y2X1所以ρ1X与Y完全正线性相关。既然Y由X唯一决定X和Y必然不独立。考试里写ρ1故不独立是给分的。(4) 切比雪夫不等式取ε2/λD(X)1/λ²所以P{|X-1/λ|2/λ}≥1-(1/λ²)/(4/λ²)3/4。对照一下真实概率指数分布下P{X3/λ}1-e^{-3}≈0.9502确实大于3/4。这个对照告诉我们切比雪夫给出的下界往往偏保守但它不需要知道分布类型这就是它不可替代的原因。7.2 从阅卷视角看这些步骤不能省我批改过不少试卷数字特征大题最忌写完答案不写过程。阅卷是踩点给分的你写出由线性性质E(Y)2E(X)1给一步的分写出D(Y)4D(X)再给一步分就算最后数字算错前面步骤分还能保住大半。反过来只写一个最终数字对了全分错了零分风险完全不对等。建议答题时把每一步的依据写成一个短句比如由指数分布知E(X)1/λ由D(X)E(X²)-[E(X)]²得……。这既是给阅卷老师看的也是给自己检查用的——写出来之后运算错误更容易被自己发现。8. 写在最后我批改作业时最心疼的三种错误8.1 三种错误背后的共同根源每年改作业、答疑翻来覆去就是那几种错法。第一种分布律概率还没加总等于1就开始算期望算出个错误答案还反复检查计算过程其实错在源头。第二种把E(XY)E(X)E(Y)当成万能公式到处用完全不看独立性条件一道协方差大题从第一步就废了。第三种D(aXb)a²D(X)的系数出错把2²写成2或者看到D(3-2X)就写个负号——方差永远是正的出现负数说明方向错了。这三种错误有个共同根源只背了公式结论没背公式的使用条件。数字特征这块公式虽少但每个公式都有前提。E(XY)E(X)E(Y)需要独立或不相关D(XY)D(X)D(Y)需要不相关切比雪夫不等式需要方差存在。你在整理笔记的时候一定要把公式条件捆绑记忆而不是孤零零抄一行公式。8.2 考前三天我建议你只做的一件事我自己当年备考的时候有个笨但有效的习惯把8类题型各自整理5道典型题每道题不看答案、完整默写解法步骤连续三天重复一遍。这个章节不需要海量刷题题目套路太固定了你把8个动作练到肌肉记忆考前再翻一遍速查表拿分比花半个月攻参数估计稳得多。最后再分享一个自查清单算完期望检查是否落在取值范围内算完方差看是否为非负算完相关系数看是否在[-1,1]之间算完指数分布确认参数是放在指数上还是分母上算完连续型积分看结果量级是否合理。这五条全部过一遍数字特征部分的题基本就不会因为粗心丢分了。数学特征这章的价值就在确定性三个字上——它不像有些考点那样靠灵感和运气你规范地写它就稳定地给分。