# 第4章 随机变量的数字特征

🔔 课前激活（花30秒想想再往下读）

上一章我们学了怎么同时看两个随机变量——联合分布是"全家福"（两人一起看），边缘分布是"单人照"（只看一个人），条件分布是加了筛选条件后的样子，独立性则告诉你两个人是不是各过各的。这些都是"描述关系"的工具。

这一章要给这些关系配上数字——就像第3章说"这两个人是有关系的"，第4章说"关系有多密切？打个分，0到1之间"。你还会发现，第3章的联合分布和边缘分布是计算这些数字的"原材料"。

你每天早上出门，打开天气App，第一眼看的是什么？大概率是"今日平均气温23度"——而不是一整天的气温变化曲线。你买了两只基金，一个平均年化8%、波动很小，另一个平均年化8%、但今年涨50%明年跌30%——你会觉得它们"一样"吗？当然不会。

生活里我们经常用"平均多少"和"稳不稳定"来快速描述一件事的特征。这一章就是把这两个直觉——平均水平和波动程度——变成精确的数学工具。你还会学到"两个东西一起变动的程度"（气温高时冰淇淋卖得多），以及"没线性关系不代表没关系"这个反直觉的结论。

带着这些生活直觉往下读。读完这章，你就能用量化的方式回答这些问题了。

📌 学完这章你能回答：

• 期望和普通平均有什么区别？为什么骰子期望3.5，但骰子根本没有这个点数？
• 方差为什么用"平方"而不用"绝对值"来衡量波动？
• "协方差"和"相关系数"解决的是同样的问题吗？为什么不能只用协方差？
• "独立"和"不相关"是一回事吗？如果是 Y = X²，X和Y相关系数可能为0，但它们独立吗？
• 全班身高每人加5cm，方差变不变？每人翻倍，方差怎么变？

本章考什么

考纲要求：第4章是概率论"计算量最大"的一章。期望和方差的计算贯穿后续所有章节（大数定律、参数估计、假设检验全部要用）。注意：正态分布 N(μ, σ²) 中第二个参数是方差 σ²，不是标准差 σ，这是最容易被误读的地方。

① 核心知识

本章在学什么？（先看清全貌）

前面三章我们学了随机变量的分布。第1-2章学的是一维随机变量的分布——也就是"随机变量取不同值的概率分别是多少"；第3章把它推广到了两个变量——联合分布、边缘分布、条件分布，回答"两个随机变量同时取什么值的概率是多少"。有了分布，就完全了解了一个（或一对）随机变量。

但是，一个完整的分布信息太多，人们往往只关心几个关键数字：

• 你查天气预报，不会看每一天完整的气温分布曲线，只想知道"平均气温多少度"
• 你炒股，不关心每天的完整价格分布，只想知道"平均收益多少"和"波动大不大"
• 你称体重，不关心体重波动的完整概率分布，只想知道"平均多重"和"最近是胖了还是瘦了"

这些能概括随机变量关键特征的数字，就是本章要学的数字特征。

本章学五个东西：

1. 期望 — 随机变量的"平均水平"（类似加权平均）
2. 方差 — 随机变量的"波动程度"（类似起伏大小）
3. 协方差 — 两个随机变量"一起变化的程度"
4. 相关系数 — 把协方差标准化后的东西（方便比较）
5. 矩 — 更高阶的数字特征（了解即可）

整章都是重点，没有可以跳过的内容。

4.1 数学期望（期望值）

📌 学完本节你能回答：期望和普通"平均数"有什么区别？为什么骰子的期望是 3.5，但骰子根本没有 3.5 这个面？

先看一道题：掷一枚公平骰子，平均点数是多少？

看到这题，先别慌。骰子掷一次可能出 1、也可能出 6——"平均点数"到底怎么算？这就是"随机变量的平均"，也是本节的主角。先想清楚它难在哪：

🧠 难在哪？ ① 每次结果都变（1 到 6 都有可能），没有一个"固定总数"可以拿来除以次数；② 就算亲手掷 100 次求平均，也只是"这一次实验的平均"，不是理论上的平均。我们需要一个光凭概率就能算出的理论平均。

先别急着掷骰子，我们换一个更熟悉的角度——班级平均身高。

生活比喻一：班级平均身高（加权平均）

假设班里有两个小组：

• A组有30个人，平均身高165cm
• B组有10个人，平均身高175cm

全班平均身高怎么算？不是 (165 + 175) / 2 = 170！因为人数不一样多。

正确算法是：165 和 175 要按人数来"加权"——

$$\text{全班平均身高} = 165 \times \frac{30}{40} + 175 \times \frac{10}{40} = 165 \times 0.75 + 175 \times 0.25 = 167.5$$

165 的权重是 0.75（因为A组人多），175 的权重只有 0.25。这就是"加权平均"。

🧠 这一步在想什么：身高加权平均的秘诀，是用"人数占比"当权重。掷骰子一模一样——把"人数占比"换成"出现概率"：点数 1~6 每个出现的概率都是 1/6。于是平均点数就该是——每个点数 × 它的概率，再加起来：

$$E(X) = 1 \times \frac{1}{6} + 2 \times \frac{1}{6} + \cdots + 6 \times \frac{1}{6} = 3.5$$

（$E(X)$ 是"期望"的记号——Expected 的首字母。）

🔍 回头看看我们做了什么：原来"期望"就是所有可能取值 × 各自出现概率的加权和。概率大的结果出现得频繁，对"平均"的贡献就大——权重就是概率。

随机变量的期望，其实就是把所有可能的取值，用各自出现的概率做权重，算出的加权平均。

生活比喻二：跷跷板的支点（重心）

想象一根木棍，上面在不同位置挂了不同重量的砝码：

• 在位置 x₁=1 处挂了 2kg
• 在位置 x₂=3 处挂了 1kg
• 在位置 x₃=5 处挂了 2kg

如果要在木棍下面放一个支点，让木棍平衡——支点位置就是"重心"。这个重心的位置就是期望！把重量换成概率，把位置换成取值——道理完全一样。

正式定义（核心）：

离散型随机变量的期望

$$\boxed{E(X) = \sum_{i} x_i \cdot p_i = x_1 p_1 + x_2 p_2 + \cdots + x_n p_n}$$

其中 $x_i$ 是随机变量 X 的各个可能取值，$p_i = P(X = x_i)$ 是对应的概率。

连续型随机变量的期望

$$\boxed{E(X) = \int_{-\infty}^{+\infty} x \cdot f(x) , dx}$$

其中 $f(x)$ 是 X 的概率密度函数。这里用积分代替了求和——因为连续变量有无穷多个取值，没法一个个加，只能用积分这种"连续求和"的工具。

从离散到连续的过渡（帮你在脑中画图）：

想象你把连续变量的取值范围切成很多很细的小条，每一条的宽度是 $\Delta x$（比如 0.01、0.001、越切越细）。在位置 $x$ 附近这一小条里，随机变量取值的概率大约是 $f(x) \cdot \Delta x$（密度乘宽度 ≈ 这一小条的面积 ≈ 概率）。于是：

$$\text{期望} \approx \sum x \cdot f(x) \cdot \Delta x$$

这和离散型的 $\sum x_i p_i$ 完全对应——$f(x)\Delta x$ 就是连续版的 $p_i$。然后让 $\Delta x \to 0$（小条无限细），求和号就变成了积分号：

$$\sum x \cdot f(x) \cdot \Delta x ;\longrightarrow; \int x \cdot f(x) , dx$$

和离散型唯一的区别：加号变积分号，概率 $p_i$ 换成"密度 × dx"（$f(x)dx$）。

一句话记住：期望 = 以概率为权重的加权平均。它反映的是随机变量取值的"中心位置"。

举例：掷骰子的期望

掷一颗均匀的六面骰子，点数的期望是多少？

代入期望公式：

$$E(X) = 1 \times \frac{1}{6} + 2 \times \frac{1}{6} + 3 \times \frac{1}{6} + 4 \times \frac{1}{6} + 5 \times \frac{1}{6} + 6 \times \frac{1}{6}$$

$$= \frac{1+2+3+4+5+6}{6} = \frac{21}{6} = 3.5$$

期望是 3.5。有意思的是：骰子根本不会出现 3.5 这个点数！这说明——期望不一定是随机变量能取到的值。期望只是一个"中心位置"，就像一家人的平均年龄可能是 28.3 岁，但家里没有人正好是 28.3 岁。

✍️ 立刻练一道：摸奖箱里 3 张票，奖金分别为 1 元、1 元、10 元，随机抽一张。求期望奖金。

举例：均匀分布的期望（连续型）

设 $X$ 在区间 $[0, 10]$ 上均匀分布：每个点的"可能性密度"都一样。概率密度函数是：

$$f(x) = \begin{cases} \frac{1}{10}, & 0 \leq x \leq 10 \ 0, & \text{其他地方} \end{cases}$$

求期望：

$$E(X) = \int_{0}^{10} x \cdot \frac{1}{10} , dx = \frac{1}{10} \cdot \frac{x^2}{2} \Big|_{0}^{10} = \frac{1}{10} \cdot \frac{100}{2} = 5$$

期望是 5。直觉上，在 0 到 10 上均匀分布，"中心"当然是正中间 5！

✍️ 立刻练一道：设 $X$ 在区间 $[0, 4]$ 上均匀分布，求 $E(X)$。

4.2 随机变量函数的期望

📌 学完本节你能回答：求 $E(X^2)$ 需要先把 $X^2$ 的分布求出来吗？为什么可以直接用 X 的分布算？

先看一道题：掷骰子，平均能掷出多少个"点数的平方"？

上一节我们算了骰子点数的期望。现在问一个更麻烦的：如果想知道 $X^2$ 的期望（比如 $E(X^2)$），需不需要先把 $X^2$ 的分布求出来？

看到这题，先别慌。它难在哪？

🧠 难在哪？ 按期望的定义，求期望的前提是"知道随机变量的分布"。$X^2$ 是一个新的随机变量，它的分布（$X^2$ 取 1、4、9、16、25、36 的概率分别是多少）看起来要先算出来，才能套定义求期望——这会多出整整一步。能不能绕开这一步，直接用 X 的分布算？

先动手试探。试一种"笨办法"：先把 $X^2$ 的分布列出来。

骰子点数 1、2、3、4、5、6 各占 1/6，那么 $X^2$ 取 1²、2²、3²、4²、5²、6² 对应的概率还是各 1/6（$X$ 取哪个点，$X^2$ 就取哪个点的平方——概率不动）。于是：

$$E(X^2) = 1^2 \times \frac{1}{6} + 2^2 \times \frac{1}{6} + 3^2 \times \frac{1}{6} + 4^2 \times \frac{1}{6} + 5^2 \times \frac{1}{6} + 6^2 \times \frac{1}{6}$$

$$= \frac{1 + 4 + 9 + 16 + 25 + 36}{6} = \frac{91}{6} \approx 15.17$$

🧠 这一步在想什么：注意看——我们在算的时候，根本没有额外求 $X^2$ 的分布！只是在原来 X 的每个取值上，把 $x_i$ 换成 $x_i^2$，概率 $p_i$ 原封不动。为什么可以这样？因为"$X^2$ 取 $x_i^2$" 和 "$X$ 取 $x_i$" 是同一件事——概率没变，变的只是这个值本身。

🔍 回头看看我们做了什么：原来要求 $g(X)$（比如 $X^2$、$3X+1$、$e^X$）的期望，直接用 X 的分布算就行——把 X 的每个取值 $x_i$ 换成 $g(x_i)$，概率权重 $p_i$ 不动。

生活比喻：你手里有一个班级每个学生的体重数据。现在想知道"体重平方的平均值"——你只需要把每个人的体重平方一下，然后直接算平均就行。你不需要重新去称体重，也不需要重新整理一份"体重平方"的数据表。

正式定义：

离散型

$$\boxed{E[g(X)] = \sum_{i} g(x_i) \cdot p_i}$$

连续型

$$\boxed{E[g(X)] = \int_{-\infty}^{+\infty} g(x) \cdot f(x) , dx}$$

关键理解：概率权重 $p_i$（或密度 $f(x)$）还是原来 X 的，只是把 $x_i$ 换成了 $g(x_i)$。

举例：继续骰子的例子，求 $E(X^2)$：

$$E(X^2) = 1^2 \times \frac{1}{6} + 2^2 \times \frac{1}{6} + 3^2 \times \frac{1}{6} + 4^2 \times \frac{1}{6} + 5^2 \times \frac{1}{6} + 6^2 \times \frac{1}{6}$$

$$= \frac{1 + 4 + 9 + 16 + 25 + 36}{6} = \frac{91}{6} \approx 15.17$$

这个 $E(X^2)$ 后面计算方差时直接用。

✍️ 立刻练一道：

(1) 设 X 的分布律为 $P(X=0)=0.2$，$P(X=2)=0.3$，$P(X=3)=0.5$，求 $E(X^2)$。

(2) 设 $X \sim U[0, 2]$（均匀分布），求 $E(X^2)$。

题3（函数的期望·离散型）

设 X 的分布律同题1（即 $P(X=0)=0.2$，$P(X=1)=0.5$，$P(X=2)=0.3$）。求 E(3X+2) 和 E(X²−1)。

📌 对应模板：题型三（随机变量函数的期望）

法一：直接套公式
E(3X+2) = 3E(X) + 2 = 3×1.1 + 2 = 5.3

E(X²−1) = E(X²) − 1 = 1.7 − 1 = 0.7

法二：分布律法（验证）
(3X+2) 的取值：2, 5, 8 对应概率 0.2, 0.5, 0.3
E(3X+2) = 2×0.2 + 5×0.5 + 8×0.3 = 0.4 + 2.5 + 2.4 = 5.3 ✓

答案：E(3X+2)=5.3，E(X²−1)=0.7

4.3 数学期望的性质

📌 学完本节你能回答：$E(X+Y) = E(X) + E(Y)$ 需要 X 和 Y 独立吗？$E(XY) = E(X)E(Y)$ 呢？为什么"和"比"积"更容易拆？

先想一个问题：给每个人涨工资，平均工资怎么变？

你是一家公司的 HR，想把每份工资都翻倍，再加 500 块钱补贴。你不想逐个算 1000 个人的新工资再求平均——太累了。能不能只用"原来的平均工资"一步算出"新平均工资"？

看到这题，先别慌。难在哪？

🧠 难在哪？ "先平均再翻倍" 和 "先翻倍再平均" 是不是一回事？直觉说应该是——但直觉不算数，得验证。更麻烦的是第二件事：如果公司有两个部门，"两个部门的平均工资加起来" 和 "把两个部门的工资合在一起算平均" 是不是也一回事？——这次直觉有点拿不准了，因为部门人数可能不一样。

先动手试探一个具体例子。全班两个小组，A组 30 人平均 165cm，B组 10 人平均 175cm，全班平均 167.5cm（4.1 节算过）。现在每个人都加 5cm——新全班平均是多少？

• 直接算：每个人加 5cm，全班平均也加 5cm → 167.5 + 5 = 172.5
• 用"平均"算：旧平均 167.5 + 5 = 172.5 ✓

🔍 回头看看我们做了什么：两种算法结果一样——"先平均再线性变换" = "先线性变换再平均"。给平均工资翻倍再加补贴，就是：新平均 = 2 × 旧平均 + 500。这就是期望的线性性质，它让"求平均"变得异常好拆。

掌握期望的运算规则很重要——它特别好拆，这是它比中位数、众数等其他"中心"指标都好用的原因。

性质1：常数的期望就是它自己

$$\boxed{E(C) = C}$$

（一个确定不变的数字，它的"平均"当然就是这个数字本身。）

性质2：常数倍可以提出来

$$\boxed{E(aX) = a \cdot E(X)}$$

性质3：和的期望等于期望的和（最重要的性质）

$$\boxed{E(X + Y) = E(X) + E(Y)}$$

这个公式永远成立！不需要 X 和 Y 独立！

性质4：线性性质（性质2+3的合并）

$$\boxed{E(aX + bY) = a \cdot E(X) + b \cdot E(Y)}$$

推广到多个变量：

$$E(a_1 X_1 + a_2 X_2 + \cdots + a_n X_n) = a_1 E(X_1) + a_2 E(X_2) + \cdots + a_n E(X_n)$$

性质5：独立时乘积的期望等于期望的乘积

$$\boxed{\text{当 } X, Y \text{ 独立时：} E(XY) = E(X) \cdot E(Y)}$$

注意：反过来不成立！$E(XY) = E(X)E(Y)$ 成立，并不能推出 X 和 Y 独立。这是高频易错点，后面 4.9 节会详细辨析。

总结一下：和的期望可以拆（性质3）永远成立，不需要任何条件。但乘积的期望可以拆（性质5）只有独立时才成立。

为什么"和"比"积"更容易拆？直观理解：平均身高加平均体重 = 平均（身高+体重），这不需要身高和体重有什么关系。但平均（身高×体重）一般不等于平均身高×平均体重——除非身高和体重完全没关系。

✍️ 立刻练一道：

(1) 已知 E(X) = 5，求 E(2X + 3)。

(2) 已知 E(X) = 2，E(Y) = 4，且 X 和 Y 独立。求 E(XY)；若不独立，E(XY) 还能拆吗？

期望线性性质的推导（定理级六段式）

🎲 生活场景：公司给每个员工发工资——基础工资3000，绩效系数1.5。如果平均绩效分是80分，那平均工资就是 3000 + 1.5 × 80 = 3120。这个心算过程你每天都在做，它就是期望线性性质的日常版——"先平均再线性变换"和"先线性变换再平均"结果一样。下面把这条直觉正式证明出来，然后看另一条更反直觉的性质：两件事的"平均之和"永远等于"和的平均"——哪怕这两件事互相影响。

② 正式陈述：设 $X, Y$ 为任意随机变量，$a, b, c$ 为常数。

$$
\boxed{E(aX + b) = a \cdot E(X) + b} \qquad \text{（线性变换——可以先变换再求平均，也可以先求平均再变换）}
$$

$$
\boxed{E(X + Y) = E(X) + E(Y)} \qquad \text{（和的期望等于期望的和——永远成立，不需要独立！）}
$$

$$
\boxed{E(aX + bY + c) = a \cdot E(X) + b \cdot E(Y) + c} \qquad \text{（上面两条合并）}
$$

③ 完整推导：

🧠 第1步：从离散型开始——推导 $E(aX+b) = aE(X)+b$

设 $X$ 的分布律为 $P(X = x_i) = p_i$。那么 $aX+b$ 的取值是 $a x_i + b$，对应的概率还是 $p_i$（$X$ 取哪个值，变换后的变量就取对应的值——概率不变）。

$$E(aX+b) = \sum_i (a x_i + b) \cdot p_i$$

大白话：把变换后的每个可能值，乘以原来的概率，再加起来。

🧠 第2步：拆括号，提常数

$$E(aX+b) = \sum_i (a x_i \cdot p_i + b \cdot p_i) = a\sum_i x_i p_i + b\sum_i p_i$$

大白话：就像拆括号 $(2 \times 3 + 5) \times 0.1 + (2 \times 4 + 5) \times 0.9$——先把每一项里的 $a$ 提到求和号外面，$b$ 也提到外面。

🧠 第3步：两个关键事实收尾

• $\sum_i x_i p_i = E(X)$ —— 这正好是期望的定义
• $\sum_i p_i = 1$ —— 所有概率加起来等于 1（概率的基本公理）

$$E(aX+b) = a \cdot E(X) + b \cdot 1 = aE(X) + b$$

大白话：这是认知转折点——$b$ 那一项乘的就是 1（概率之和），不是什么奇怪的系数。正是因为"概率之和等于 1"这个基本事实，常数才能"直接加"而不打折。

🧠 第4步：连续型验证（完全平行的推导）

把 $\sum$ 换成 $\int$，$p_i$ 换成 $f(x)dx$，步骤一模一样：

$$E(aX+b) = \int_{-\infty}^{+\infty} (ax+b) \cdot f(x) , dx = a\int x f(x)dx + b\int f(x)dx = aE(X) + b$$

大白话：连续型只是"把加号换成积分号"，逻辑链和离散型完全一样。关键依然是 $\int f(x)dx = 1$（密度函数的总面积等于 1）。

🧠 第5步：推导 $E(X+Y) = E(X)+E(Y)$——本章最重要的证明

这是期望最强大的性质。用连续型推导（离散型同理，把积分换求和即可）：

$$E(X+Y) = \iint (x+y) \cdot f(x,y) , dx , dy$$

大白话：求 $X+Y$ 的期望，需要用联合密度 $f(x,y)$——因为 $X$ 和 $Y$ 是"同时"出现的。

$$E(X+Y) = \iint x \cdot f(x,y) , dx , dy + \iint y \cdot f(x,y) , dx , dy$$

大白话：把 $(x+y)$ 拆成 $x$ 和 $y$ 分别积分——这一步不需要任何条件，因为积分运算本身就是线性的，对两个函数和的积分永远等于各自积分的和。

接下来先对"另一个变量"积分——把联合密度压扁成一维的边缘密度：

$$\iint x \cdot f(x,y) , dx , dy = \int x \left[ \int f(x,y) , dy \right] dx = \int x \cdot f_X(x) , dx = E(X)$$

$$\iint y \cdot f(x,y) , dx , dy = \int y \left[ \int f(x,y) , dx \right] dy = \int y \cdot f_Y(y) , dy = E(Y)$$

大白话：关键洞察——不管 $f(x,y)$ 里面 $X$ 和 $Y$ 有什么样的联动关系，当你先对 $y$ 积分时，$X$ 的贡献就回到了 $X$ 自己的边缘密度；对 $x$ 积分同理。联动关系在这个"压缩"的过程中被消化掉了。

所以：$E(X+Y) = E(X) + E(Y)$——永远成立，不需要独立。

🧠 第6步：对比——$E(XY)=E(X)E(Y)$ 为什么需要独立？

$$E(XY) = \iint xy \cdot f(x,y) , dx , dy$$

要把这个拆成 $E(X) \cdot E(Y) = \left(\int x f_X(x)dx\right) \cdot \left(\int y f_Y(y)dy\right)$，需要满足：

$$f(x,y) = f_X(x) \cdot f_Y(y)$$

而上面这个等式恰好就是 $X$ 和 $Y$ 独立的定义！只有联合密度等于边缘密度的乘积，二重积分 $\iint xy \cdot f_X(x)f_Y(y) , dx , dy$ 才能拆成 $\int x f_X(x)dx \cdot \int y f_Y(y)dy = E(X)E(Y)$。

大白话总结：和 $(x+y)$ 天然可分——加法本身就能拆成两项；积 $xy$ 不能天然分开——除非联合分布恰好等于"边缘分布的乘积"（也就是独立）。

📝 推导复盘（用大白话把整个逻辑串一遍）：

公式一 $E(aX+b)=aE(X)+b$：你把全班每个人的分数都乘 1.5 再加 10 分，新平均分就是旧平均分乘 1.5 再加 10。证明只用到"拆括号"和"概率和等于 1"。

公式二 $E(X+Y)=E(X)+E(Y)$：不管 $X$ 和 $Y$ 的联合分布长什么样——先对 $y$ 积分就把联合分布压成了 $X$ 的边缘分布，$X$ 的期望就自然出来了；$Y$ 那边同理。整个推导没有任何一步用到了独立——这就是为什么它是"永远成立"的。

公式三 $E(XY)=E(X)E(Y)$ 需要独立：因为 $xy$ 乘在一起分不开，除非联合分布 = 边缘分布的乘积（即独立）。加法天然可拆，乘法不行——这是小学数学就有的直觉，在概率论里依然成立。

⚠️ 易错边界：

1. 最经典的混淆：把 $E(X+Y)=E(X)+E(Y)$（永远成立）和 $E(XY)=E(X)E(Y)$（独立才成立）搞反。记住口诀：加法不挑食（不挑独立不独立），乘法挑独立。
2. $E(aX+b)=aE(X)+b$ 中的 $b$ 为什么是"直接加"：因为 $\sum b \cdot p_i = b \cdot \sum p_i = b \cdot 1 = b$——概率和等于 1 保证了常数项不受打折。
3. 离散和连续的推导完全平行：积分号和求和号在"线性拆开"这点上性质完全一样，不用被积分号吓到。
4. 推广到多个变量：$E(X_1+X_2+\cdots+X_n) = E(X_1)+E(X_2)+\cdots+E(X_n)$ 永远成立。这在后面二项分布 $E(X)=np$ 的推导和样本均值的期望推导中要反复用到。

🪢 在整条链中的位置：

• 上游依赖：期望的定义（4.1 节：离散用求和、连续用积分）
• 同一节内：性质 1-3 是性质 4-5 的基石
• 下游应用：方差计算公式推导（4.4 节，"逐项求期望"就是线性性质）；二项分布 $E(X)=np$ 的推导（$n$ 次伯努利之和的期望 = $n$ 个 $p$ 相加）；样本均值 $\bar{X}$ 的无偏性（第 6-7 章核心）

4.4 方差的定义与计算

📌 学完本节你能回答：方差为什么用"平方"而不用"绝对值"来衡量波动？$Var(X) = E(X^2) - [E(X)]^2$ 是怎么从定义推导出来的？

先看一个困境：两个班平均分一样，你选哪个班？

甲班和乙班的平均分都是 75 分。但甲班人人都是 70-80 分，很整齐；乙班有人满分、有人不及格，差距很大。只看平均分，两个班完全没区别——但你要替孩子选班，显然会选甲班。

看到这个困境，先别慌。难在哪？

🧠 难在哪？ "平均水平"这个数（期望）只告诉我们"中心在 75"，没告诉我们"大家散得多开"。可"散开程度"恰恰是选班、选股票、选基金时最关心的信息。能不能造一个数字来量"离散程度"？

先动手试探。怎么量"大家离平均有多远"？最自然的想法是：每个成绩减去平均分 75，看看差多少。甲班每个差都很小（0-5 分），乙班差得很大（有人差 25 分）。于是"平均差距"就能区分两个班了。

但这里有个坑：有人 80（比 75 高 5），有人 70（比 75 低 5）——直接把"差距"加起来，5 和 -5 就抵消了！平均差距算出来是 0，什么也区分不了。

怎么绕过这个坑？有两条路：一是取绝对值（$|X-75|$），二是取平方（$(X-75)^2$）。绝对值算起来直观，但没法展开化简，数学上"难伺候"；平方虽然数值变大，但可以展开成多项式，而且会放大偏离大的极端值——就像吵架时最激烈的那一下更让人记得住。所以数学界选了平方。

于是"离散程度"这个数字就浮现出来了——把每个取值离期望的距离平方，再取期望。这就是方差。

期望告诉我们"平均水平"，但世界上很多事情光看平均是不够的。这就引出了方差——衡量波动程度。

生活比喻一：两个班的平均分都是 75 分：

• A班：每个人都差不多 70-80 分，很整齐
• B班：有人满分，有人不及格，差距很大

只看平均分，两个班没区别。但你显然知道这两个班的情况完全不同！差的那一个信息就是：大家的成绩离平均分有多远——这就是方差要衡量的东西。

生活比喻二：两只股票平均年收益都是 8%——但一只每年稳定在 7%-9%，另一只今年赚 50% 明年亏 30%。哪只更适合存养老钱？显然是稳定的那只。方差就是衡量这种"稳定性"的指标。

正式定义（核心）：

$$\boxed{Var(X) = E\left[(X - E(X))^2\right]}$$

方差 =（每个取值离期望的距离）的平方，再取期望。

为什么用平方而不用绝对值？ 两个原因：

1. 平方在数学上更好处理——可以展开成多项式来化简，而绝对值没法这样拆开
2. 平方会"放大"偏离较大的值，更突出那些远离中心的极端情况

方差大 → 数据分散、波动大、不稳定
方差小 → 数据集中、波动小、稳定

方差的计算公式（六段式推导）

🎯 生活场景：你在比较两支股票的稳定性。A股票每天涨跌都在1%以内，B股票有时暴涨5%有时暴跌4%。光看"平均涨幅"看不出区别，你需要一个数字来衡量"距离平均有多远"——这就是方差的计算公式要解决的问题。定义公式 $E[(X-\mu)^2]$ 很直观（"每个值离平均的距离平方，再求平均"），但每次都要"先减、再平方、再求和"，太麻烦。下面推导一个更省力的公式。

② 正式陈述：设随机变量 $X$ 的期望为 $\mu = E(X)$，则方差的计算公式为：

$$\boxed{Var(X) = E(X^2) - [E(X)]^2}$$

③ 完整推导（从定义 $Var(X)=E[(X-\mu)^2]$ 出发）：

🧠 第1步：展开平方

$$(X - \mu)^2 = X^2 - 2\mu X + \mu^2$$

大白话：就和二项式 $(a-b)^2 = a^2 - 2ab + b^2$ 完全一样——把 $\mu$ 当成常数展开。

🧠 第2步：逐项求期望

$$Var(X) = E(X^2 - 2\mu X + \mu^2) = E(X^2) - E(2\mu X) + E(\mu^2)$$

大白话：利用期望的线性性质——和的期望 = 期望的和，三项分别处理。

🧠 第3步：代入 $\mu = E(X)$，处理常数项

• $E(2\mu X)$：$2\mu$ 是常数，提到外面 → $2\mu \cdot E(X) = 2\mu \cdot \mu = 2\mu^2$
• $E(\mu^2)$：$\mu^2$ 是常数，常数的期望就是它自己 → $\mu^2$

大白话：这一步是"认知转折点"——$\mu = E(X)$ 是一个确定的数字（比如掷骰子 $\mu = 3.5$），不是随机变量！所以它可以像普通数字一样被提到期望符号外面。

🧠 第4步：合并化简

$$Var(X) = E(X^2) - 2\mu^2 + \mu^2 = E(X^2) - \mu^2 = E(X^2) - [E(X)]^2$$

大白话：中间两项 $-2\mu^2 + \mu^2 = -\mu^2$，最后把 $\mu$ 写回 $E(X)$。

📝 推导复盘：整个推导只有两个关键动作——① 展开平方（初中代数）；② 把 $E(X)$ 当常数提出来（这是最容易滑过去的认知跳跃）。最终结果用大白话记：方差 = 平方的平均 − 平均的平方。

⚠️ 易错边界：

1. $[E(X)]^2$ 和 $E(X^2)$ 是完全不同的两样东西：$[E(X)]^2$ 是先算平均、再把平均这个数平方；$E(X^2)$ 是先把每个值平方、再求平均。顺序完全不同！比如掷骰子：$E(X)=3.5$，$[E(X)]^2 = 12.25$；但 $E(X^2) \approx 15.17$。两者之差才是方差。
2. 写公式时最容易犯的笔误：把 $[E(X)]^2$ 写成 $E(X)^2$（丢了中括号），或者干脆忘写平方写成 $E(X)$。一定要记住：减号后面是"期望的平方"，不是"直接写期望"。
3. $E(X)$ 是常数，$X$ 才是随机变量：推导中能提出来的是 $E(X)$（确定的数字），而不是 $X$ 本身。

🪢 在整条链中的位置：

• 上游依赖：期望的定义（4.1节）→ 随机变量函数的期望（4.2节，用来算 $E(X^2)$）→ 期望的线性性质（4.3节，用来拆开三项）
• 本章内部：这个公式是 4.5 节方差性质（$Var(aX+b)=a^2Var(X)$）的证明基础；也是 4.7 节协方差计算公式 $Cov(X,Y)=E(XY)-E(X)E(Y)$ 的"亲兄弟"——两者推导套路完全一样（展开→拆期望→常数项合并）
• 下游应用：第5章切比雪夫不等式直接用期望和方差估计概率；第6-7章参数估计和假设检验的几乎所有公式（样本方差、标准误、置信区间）都依赖这个计算式

举例：掷骰子的方差

第一步：算 $E(X) = 3.5$

第二步：算 $E(X^2) = \frac{91}{6} \approx 15.1667$

第三步：代入计算公式

$$Var(X) = E(X^2) - [E(X)]^2 = \frac{91}{6} - \left(\frac{7}{2}\right)^2 = \frac{91}{6} - \frac{49}{4}$$

通分（公分母 12）：

$$= \frac{182}{12} - \frac{147}{12} = \frac{35}{12} \approx 2.917$$

骰子点数的方差约为 2.917。

✍️ 立刻练一道：设 X 的分布律为：P(X=−1)=0.2，P(X=1)=0.8。求 E(X) 和 Var(X)。

题1（离散型期望方差）

设 X 的分布律为：P(X=0)=0.2，P(X=1)=0.5，P(X=2)=0.3。求 E(X) 和 Var(X)。

📌 对应模板：题型一（离散型期望方差）

E(X) = 0×0.2 + 1×0.5 + 2×0.3 = 0 + 0.5 + 0.6 = 1.1

E(X²) = 0²×0.2 + 1²×0.5 + 2²×0.3 = 0 + 0.5 + 1.2 = 1.7

Var(X) = E(X²) − [E(X)]² = 1.7 − 1.21 = 0.49

答案：E(X)=1.1，Var(X)=0.49

题2（连续型期望方差）

设 X ~ U[0, 2]（均匀分布），求 E(X) 和 Var(X)。并和公式对照验证。

📌 对应模板：题型二（连续型期望方差）+ 题型六（常见分布套公式）

积分法：
E(X) = ∫₀² x·(1/2) dx = (1/2)·[x²/2]₀² = (1/2)·2 = 1

E(X²) = ∫₀² x²·(1/2) dx = (1/2)·[x³/3]₀² = (1/2)·(8/3) = 4/3

Var(X) = 4/3 − 1² = 1/3 ≈ 0.3333

公式法验证：
U[a,b]：E(X) = (a+b)/2 = (0+2)/2 = 1 ✓
Var(X) = (b−a)²/12 = 4/12 = 1/3 ✓

答案：E(X)=1，Var(X)=1/3

标准差

方差的单位是原单位的平方——比如身高单位是"厘米"，方差的单位就是"平方厘米"。这很难直观理解。

标准差就是方差开平方：

$$\boxed{\sigma_X = \sqrt{Var(X)}}$$

标准差的单位和原始数据一致（都是厘米），更直观，也是实际中最常用的波动性指标。

掷骰子的标准差：$\sigma = \sqrt{\frac{35}{12}} \approx 1.708$。可以这样理解：掷骰子的点数，平均偏离期望大约 1.7 个点。

标准化变换

生活比喻：两个人比工资——

• 张三在A公司，平均工资 5000，他拿 6000（比平均高 1000）
• 李四在B公司，平均工资 20000，他拿 22000（比平均高 2000）

谁在公司里"更突出"？只看高出的绝对值（1000 vs 2000），李四高出更多。但A公司工资波动小（比如大家基本都在 4000-6000），B公司波动大（有人拿 10000 有人拿 30000）。标准化就是用一个统一的尺子来衡量——"你高出平均值的部分，相当于几个'波动单位'？"

正式定义：

$$\boxed{X^* = \frac{X - E(X)}{\sqrt{Var(X)}} = \frac{X - \mu}{\sigma}}$$

这个变换叫做"标准化"（有时也泛称"归一化"，但严格来说，"归一化"更多指缩放到 [0,1] 区间，而这里的"标准化"是变成均值 0 方差 1），变换后的变量 $X^*$ 有两个特征：

• 期望为 0：$E(X^*) = 0$
• 方差为 1：$Var(X^*) = 1$

为什么要做这个？ 两个好处：

1. 让不同单位、不同量级的变量可以放在一起比较（把"厘米"和"公斤"都变成"偏离了几个标准差"这种无量纲的数字）
2. 任何正态分布标准化后都变成标准正态分布 N(0,1)，方便查表计算概率（第5章大量使用）

考研中频繁用到标准化——尤其是正态分布相关题目，"先标准化再查表"是固定流程。

4.5 方差的性质

📌 学完本节你能回答：全班每人加 5cm，方差变不变？全班每人翻倍，方差怎么变？$Var(X+Y)$ 和 $E(X+Y)$ 的拆分条件有什么不同？

先猜两个问题：全班身高每人加 5cm / 每人翻倍，方差怎么变？

你已经知道全班同学的身高分布和方差了。现在问两个生活问题：

• 全班每人长高 5cm（吃了增高药），方差变不变？
• 全班每人翻倍（换计量单位），方差怎么变？

看到这题，先别慌。难在哪？

🧠 难在哪？ 方差是"距离的平方"——但这里的"距离"是"每个人离平均值的距离"。加 5cm 时，平均值也涨了 5cm——每个人和平均值的差距纹丝不动，所以方差不变。翻倍时，每个人离平均值的距离变成 2 倍，而方差是"距离的平方"——所以方差变成 2² = 4 倍，不是 2 倍！

这个"先猜后证"的过程，正是本节要系统化的内容——方差怎么随"加常数、乘系数"变化，以及两个变量相加时方差怎么拆。先记住两条直觉：

生活比喻：

• 全班同学身高每个人都加 5cm（吃了增高药）——方差不变，因为大家还是原来那样散开
• 全班同学身高每个人都翻倍（换了计量单位）——方差变成原来的 4 倍，因为差距也被放大了

性质1：常数的方差为0

$$\boxed{Var(C) = 0}$$

（一个确定的数字，没有任何波动，方差当然是 0。）

性质2：平移不影响方差（加常数，方差不变）

$$\boxed{Var(X + b) = Var(X)}$$

性质3：缩放量影响方差（乘常数，方差乘其平方）

$$\boxed{Var(aX) = a^2 \cdot Var(X)}$$

性质2+3合并：

$$\boxed{Var(aX + b) = a^2 \cdot Var(X)}$$

注意：加 b 方差不变，但乘 a 方差变成 $a^2$ 倍。为什么是平方？因为方差是用"距离的平方"定义的——乘 a 以后，距离变成 a 倍，平方后自然是 $a^2$ 倍。

性质4：独立时，和的方差等于方差的和

$$\boxed{\text{当 } X, Y \text{ 独立时：} Var(X + Y) = Var(X) + Var(Y)}$$

这里要求独立！和期望不同——$E(X+Y)=E(X)+E(Y)$ 永远成立，但方差的和要独立才能拆。

独立时减法也一样：

$$Var(X - Y) = Var(X) + Var(Y)$$

注意减法的方差也是加——因为 $(-1)^2 = 1$。

🔑 和期望对比——方差的"脾气"比期望"差"：

	期望 E	方差 Var
和的拆分	$E(X+Y)=E(X)+E(Y)$ 永远成立	$Var(X+Y)=Var(X)+Var(Y)$ 需要独立才行
为什么？	加法本身就可以拆，不需要联动信息	方差涉及平方，展开后多了一个交叉项 $2Cov(X,Y)$，独立时这项才消掉
记住	期望是"好脾气"——永远可拆	方差是"坏脾气"——挑条件，不独立时多一项

性质5：不独立时的通式（提前预告协方差）

$$\boxed{Var(X + Y) = Var(X) + Var(Y) + 2 , Cov(X, Y)}$$

多出来的 $2Cov(X,Y)$ 就是协方差那一节要学的内容——它衡量的是 X 和 Y 的"联动效应"。如果 X 和 Y 一起变大一起变小，$Cov$ 为正，$Var(X+Y)$ 比各自方差之和更大。

✍️ 立刻练一道：

(1) 已知 Var(X) = 4，求 Var(2X + 3)。

(2) 已知 Var(X) = 2，Var(Y) = 5，且 X 和 Y 独立。求 Var(X + Y) 和 Var(X − Y)。

题4（方差性质）

已知 E(X)=5，Var(X)=4。求 Var(3X−2)。

📌 对应模板：题型四（期望方差性质）

Var(aX+b) = a²·Var(X)

Var(3X−2) = 3² × 4 = 9×4 = 36

注意：减2不影响方差！（方差衡量的是"波动"，整体平移不改变波动）
答案：36

题8（期望方差性质·线性组合）

已知 E(X)=2，E(Y)=3，Var(X)=1，Var(Y)=4，Cov(X,Y)=1。求 E(2X−3Y+1) 和 Var(2X−3Y+1)。

📌 对应模板：题型四（期望方差性质）

E(2X−3Y+1) = 2E(X) − 3E(Y) + 1
            = 2×2 − 3×3 + 1
            = 4 − 9 + 1 = −4

Var(2X−3Y+1) = Var(2X−3Y)    ← 加常数不影响方差
             = 2²Var(X) + (−3)²Var(Y) + 2·2·(−3)·Cov(X,Y)
             = 4×1 + 9×4 + (−12)×1
             = 4 + 36 − 12
             = 28

答案：E=−4，Var=28

题15（期望方差性质·独立情况）

设 X₁, X₂, ..., Xₙ 独立同分布，E(X_i)=μ，Var(X_i)=σ²。求 X̄ = (1/n)ΣX_i 的期望和方差。（这里先把 X̄ 当成"抽到的 n 个数据的平均"——样本/总体/无偏是第6-7章概念，此处不用多想。）

📌 对应模板：题型四（期望方差性质·线性组合）

E(X̄) = E((1/n)ΣX_i) = (1/n)·ΣE(X_i) = (1/n)·n·μ = μ

Var(X̄) = Var((1/n)ΣX_i) = (1/n²)·ΣVar(X_i)  ← 独立所以协方差为0
       = (1/n²)·n·σ² = σ²/n

答案：E(X̄)=μ，Var(X̄)=σ²/n

💡 核心结论：把 X̄ 当成"抽到的 n 个数据的平均"——
X̄ 的期望 = 这 n 个数共同的均值 μ；
X̄ 的方差 = σ²/n（数据越多，平均越精确）。
（"样本/总体/无偏"是第6-7章才正式讲的概念，这里 X̄ 就是 n 个数据的平均。）
这是所有统计推断的基石！

题12（切比雪夫不等式·期望方差结合）

⚠️ 此题用到第5章的知识！ 如果你还没学第5章，可以先跳过，学完切比雪夫不等式再回来做。

前置知识：什么是切比雪夫不等式？

白话解释（先建立直觉）：就像你知道一个班级的平均分和方差，虽然不知道每个学生的具体分数，但你可以说"分数偏离平均分超过 20 分的人，最多不超过全班人数的 25%"。方差越小，这个上限越紧——数据越集中，偏离很远的人就越少。切比雪夫不等式不需要知道分布的具体形状！这就像你不需要知道全班每个人的具体成绩，也能给出"考砸的人数最多有多少"的上限。

公式：$P(|X - E(X)| \geq \varepsilon) \leq \frac{Var(X)}{\varepsilon^2}$

（详见第5章。）

已知随机变量 X 的 E(X)=10，Var(X)=4。用切比雪夫不等式估计 P(|X−10| ≥ 4) 的上界。

📌 对应模板：切比雪夫不等式（第5章）

切比雪夫不等式：P(|X−E(X)| ≥ ε) ≤ Var(X)/ε²

ε = 4
P(|X−10| ≥ 4) ≤ 4/16 = 0.25

即 X 偏离均值 4 以上的概率不超过 25%。

答案：上界为 0.25

方差性质的推导（定理级六段式）

📏 生活场景：你有两把尺子——厘米尺和米尺。用厘米尺量全班身高，方差是 100 cm²；改用米尺量，方差变成 0.01 m²。两个数差了一万倍，但说的其实是同一件事！方差缩放性质的秘密就在于单位也跟着平方了。还有一个反直觉的事实：给全班每人发 500 块钱补贴——工资的方差完全不变。因为"大家一起平移"不影响"彼此之间的差距"。下面从定义出发，把每条性质背后的"为什么"一步步推出来。

② 正式陈述：设 $X, Y$ 为任意随机变量，$a, b$ 为常数。

$$
\boxed{Var(aX + b) = a^2 \cdot Var(X)} \qquad \text{（缩放平方变，平移完全不变）}
$$

$$
\boxed{Var(X \pm Y) = Var(X) + Var(Y) \pm 2,Cov(X,Y)} \qquad \text{（通用式——不要求独立）}
$$

$$
\boxed{\text{当 } X, Y \text{ 独立时： } Var(X \pm Y) = Var(X) + Var(Y)} \qquad \text{（协方差项消失，且减法也是加！）}
$$

③ 完整推导：

🧠 第1步：推导平移不变性 $Var(X+b) = Var(X)$

从定义出发，设 $\mu = E(X)$：

$$Var(X+b) = E\left[ (X+b) - E(X+b) \right]^2$$

大白话：方差的定义是"偏离自己期望的距离的平方的期望"。先算 $X+b$ 的期望。

用期望线性性质：$E(X+b) = E(X) + b = \mu + b$。

$$Var(X+b) = E\left[ (X+b) - (\mu + b) \right]^2 = E\left[ X - \mu \right]^2 = Var(X)$$

大白话：平移不变性的核心秘密——$X$ 加了 $b$，期望也跟着加了 $b$，两者相减时 $b$ 恰好消掉！偏离距离 $(X+b)-(\mu+b) = X-\mu$ 和没加之前完全一样。就像全班每人长高 5cm，平均身高也涨了 5cm——每个人和平均值的差距纹丝不动，方差当然不变。

🧠 第2步：推导缩放性质 $Var(aX) = a^2 Var(X)$

$$Var(aX) = E\left[ aX - E(aX) \right]^2 = E\left[ aX - a\mu \right]^2$$

大白话：$E(aX) = aE(X) = a\mu$，同样用期望线性性质。

$$Var(aX) = E\left[ a(X - \mu) \right]^2 = E\left[ a^2 (X - \mu)^2 \right] = a^2 \cdot E[(X - \mu)^2] = a^2 Var(X)$$

大白话：平方的来源——$X-\mu$ 被乘了 $a$ 倍，然后外面还要平方：$(a \times \text{距离})^2 = a^2 \times \text{距离}^2$。就像把身高单位从厘米换成米——每个数值缩小到 1/100，距离缩小到 1/100，距离的平方就缩小到 $1/10000$。

🧠 第3步：合并——$Var(aX+b) = a^2 Var(X)$

$$Var(aX+b) = Var(aX) + 0 = a^2 Var(X)$$

大白话：先缩放（平方变），再平移（不变）。两步合起来——加常数对方差零影响，乘系数以平方形式改变方差。记住一句话：方差只看"波动"（差距），不关心"位置"（整体在哪）。

🧠 第4步：推导 $Var(X+Y)$ 通用式——交叉项如何出现

设 $\mu_X = E(X)$, $\mu_Y = E(Y)$，从定义出发：

$$Var(X+Y) = E\left[ (X+Y) - (\mu_X + \mu_Y) \right]^2$$

大白话：把 $X+Y$ 看成一个整体，算它偏离自己期望的平方的期望。

$$= E\left[ (X - \mu_X) + (Y - \mu_Y) \right]^2$$

大白话：把 $X+Y$ 的偏离拆成"$X$ 的偏离 + $Y$ 的偏离"。关键在下一步——平方展开！

🧠 第5步：展开平方——协方差诞生

$$= E\left[ (X-\mu_X)^2 + (Y-\mu_Y)^2 + 2(X-\mu_X)(Y-\mu_Y) \right]$$

大白话：$(a+b)^2 = a^2 + b^2 + 2ab$，中学知识。这里的 $2ab$ 项——$2(X-\mu_X)(Y-\mu_Y)$——就是协方差的来源！

逐项求期望：

$$= E[(X-\mu_X)^2] + E[(Y-\mu_Y)^2] + 2 \cdot E[(X-\mu_X)(Y-\mu_Y)]$$

大白话：前两项就是 $Var(X)$ 和 $Var(Y)$，第三项 $E[(X-\mu_X)(Y-\mu_Y)]$ 恰好是协方差的定义 $Cov(X,Y)$。

$$Var(X+Y) = Var(X) + Var(Y) + 2 , Cov(X,Y)$$

🧠 第6步：独立（或不相关）时，协方差项消失

当 $X$ 和 $Y$ 独立时，$E(XY) = E(X)E(Y)$，代入协方差公式：

$$Cov(X,Y) = E(XY) - E(X)E(Y) = 0$$

所以 $Var(X+Y) = Var(X) + Var(Y)$。

对于减法：展开 $(X-\mu_X) - (Y-\mu_Y)$ 的平方，交叉项变成 $-2(X-\mu_X)(Y-\mu_Y)$：

$$Var(X-Y) = Var(X) + Var(Y) - 2 , Cov(X,Y)$$

独立时 $Cov=0$，$Var(X-Y) = Var(X) + Var(Y)$

大白话：减法的方差也是加！ 因为 $(-1)^2 = 1$，$Y$ 前面是减号但平方后系数是 $(−1)^2=1$。这非常反直觉——两个人身高的差距（$X-Y$）的波动，等于各自波动的和，不是差。

📝 推导复盘（大白话重新讲一遍）：

平移不变性：方差衡量的是"离平均有多远"。你平移了整个数据，平均值也跟着平移了同样的量——每个人和平均值的差距完全不变，方差自然不变。就像全班排队整体向前走一步——每个人之间的间距没有任何变化。

缩放平方变：把数据放大 $a$ 倍，每个人离平均值的距离也放大 $a$ 倍。方差是"距离的平方"，所以放大 $a^2$ 倍。

和/差的方差：把两个变量加在一起，展开平方时出现了一个交叉项 $2(X-\mu_X)(Y-\mu_Y)$——双方"一起偏离"的部分。如果 $X$ 和 $Y$ 同涨同跌（正相关），这个交叉项为正，总波动比各自波动加起来更大（叠加效应）。如果它们一个涨一个跌（负相关），交叉项为负，总波动反而变小（对冲效应）。独立时这项恰好为零——总波动 = 各自波动之和。

⚠️ 易错边界：

1. $Var(aX+b) = a^2 Var(X)$，不是 $a Var(X)$：系数的平方是最容易被忘记的地方。记忆技巧：方差是"距离的平方"——缩放 $a$ 倍后距离变成 $a$ 倍，平方就是 $a^2$。
2. 减法方差也是加！ 独立时 $Var(X-Y) = Var(X) + Var(Y)$，是加号不是减号。因为 $(-1)^2 = 1$。这个坑几乎每届学生都踩过。
3. $Var(X+Y)=Var(X)+Var(Y)$ 不是"永远成立"：这是方差和期望最关键的区别。$E(X+Y)=E(X)+E(Y)$ 永远成立（期望"好脾气"）；$Var(X+Y)=Var(X)+Var(Y)$ 需要独立或不相关（方差"坏脾气"）。
4. 通用式中协方差系数的符号：$Var(aX+bY) = a^2Var(X) + b^2Var(Y) + 2ab,Cov(X,Y)$。交叉项系数是 $2ab$，如果 $a$ 和 $b$ 中有一个是负的（比如 $X-Y$ 中 $b=-1$），协方差项也跟着变号。

🪢 在整条链中的位置：

• 上游依赖：方差的定义（4.4 节）→ 期望线性性质（4.3 节，推导中需要 $E(aX)=aE(X)$）→ 协方差定义（4.7 节，通用式中出现）
• 本章内部：性质 4（独立时方差可加）是二项分布 $Var(X)=np(1-p)$ 推导的核心（$n$ 次独立伯努利，方差直接相加）；性质 5（通用式）是协方差"为什么重要"的直接证据——只要不独立，方差计算就绕不开协方差
• 下游应用：第 5 章切比雪夫不等式和中心极限定理大量使用 $Var(aX+b)$ 和独立求和场景；第 6 章样本方差、第 7 章估计量方差的计算

4.6 常见分布的期望和方差（必须记住）

📌 学完本节你能回答：0-1、二项、泊松、均匀、指数、正态——这六种分布的期望和方差各是多少？能不看表默写出来吗？

先想一个问题：抛一枚硬币 10 次，平均正面几次？

假设你做 10 次独立抛硬币，每次正面概率 p=0.5。问你：平均能抛出几次正面？ 几乎人人都能秒答"5 次"——但你能说清楚这个"5"是怎么来的吗？

看到这题，先别慌。难在哪？

🧠 难在哪？ 回答"5 次"很容易，但如果让你把理由写出来，很多人只会说"直觉"。更麻烦的是：如果换成泊松分布、指数分布、正态分布，它们各自的期望方差长什么样？一长串公式死记硬背，背完就忘。

这就是本节要解决的问题：每个分布都配一个生活场景，让你"秒懂为什么公式长这样"——而不是死记硬背。

先看最简单的：抛 1 次硬币，正面次数记为 $X_1$。它只能取 0 或 1，取 1 的概率是 p。于是它的期望：

$$E(X_1) = 1 \times p + 0 \times (1-p) = p$$

🔍 回头看看我们做了什么："抛 10 次硬币，正面次数" = 第 1 次的正面次数 + 第 2 次的正面次数 + …… + 第 10 次的正面次数（每次只能是 0 或 1）。期望的加法永远可拆（4.3 节性质3），所以：

$$E(X) = E(X_1) + E(X_2) + \cdots + E(X_{10}) = \underbrace{p + p + \cdots + p}_{10 个} = 10p$$

平均正面 5 次——这就是二项分布 $E(X) = np$ 的由来。用这个思路，本节下面六种分布都能"推出来"而不是"背出来"。

这张表是"必背内容"，全书用到它们的次数非常多。别被表的长度吓到——先背前六种（就像背乘法口诀），后两种浏览即可。

🔑 这六种分布就像乘法口诀，背熟以后全书计算都能快三倍。 每种都配了生活例子，不是死记硬背。

第一层：必背六种（⭐⭐⭐ 考试核心）

第二层：了解即可（⭐ 考研数学三超纲）

记忆技巧：

• 二项 = 0-1 的 n 倍：$np$ 和 $np(1-p)$
• 泊松的期望和方差相等，都等于 $\lambda$
• 均匀分布期望在区间正中间，方差分母是 12
• 指数分布期望是 $1/\lambda$，方差有平方
• 正态分布的 $\mu$ 和 $\sigma^2$ 就是期望和方差本身

补充：二项分布的期望 $np$ 怎么来的？（直觉理解）

二项分布就是 $n$ 次独立的伯努利试验。每次伯努利试验的期望是 $p$（因为 $E(X_1)=p$）。$n$ 次加起来：$E(X)=E(X_1+X_2+...+X_n)=E(X_1)+E(X_2)+...+E(X_n)=np$。

这里不需要 $X_i$ 之间独立（求和拆期望永远成立），所以这个推导很简洁。

同理方差：每次方差 $p(1-p)$，独立可加，$n$ 次加起来就是 $np(1-p)$。

三种核心分布的期望方差推导（从定义出发）

下面从定义出发，完整推导泊松分布、指数分布、二项分布的期望和方差。这三个推导覆盖了"级数求和""分部积分""独立拆分"三种核心技巧。其余分布的公式可直接查表套用。

推导一：泊松分布 $E(X)=\lambda$, $Var(X)=\lambda$

🎯 为什么选它：泊松是全章唯一一个"期望 = 方差"的分布——这个巧合背后有漂亮的数学。泊松的级数求和技巧（提出 $\lambda$、和阶乘约分）也是离散型分布推导的通用套路。

先求 $E(X)$：

$$E(X) = \sum_{k=0}^{\infty} k \cdot P(X=k) = \sum_{k=0}^{\infty} k \cdot \frac{\lambda^k e^{-\lambda}}{k!}$$

代入泊松分布概率公式 $P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!}$。$k=0$ 那一项是 $0 \times \cdots = 0$，直接去掉，求和从 $k=1$ 开始。

$$E(X) = e^{-\lambda} \sum_{k=1}^{\infty} \frac{\lambda^k}{(k-1)!}$$

关键一步：$k/k! = k/[k \cdot (k-1)!] = 1/(k-1)!$。$k$ 和分母的 $k!$ 约掉了一个 $k$，分母降了一阶。

把 $\lambda^k$ 拆成 $\lambda \cdot \lambda^{k-1}$：

$$E(X) = \lambda e^{-\lambda} \sum_{k=1}^{\infty} \frac{\lambda^{k-1}}{(k-1)!}$$

令 $j = k-1$，求和从 $j=0$ 到 $\infty$：

$$E(X) = \lambda e^{-\lambda} \sum_{j=0}^{\infty} \frac{\lambda^{j}}{j!}$$

认知转折点：$\sum_{j=0}^{\infty} \frac{\lambda^j}{j!} = e^{\lambda}$——这就是指数函数 $e^x$ 的泰勒级数展开！（$e^x = 1 + x + x^2/2! + x^3/3! + \cdots$，把 $x$ 换成 $\lambda$ 就是了。）

$$E(X) = \lambda e^{-\lambda} \cdot e^{\lambda} = \lambda$$

收尾：$e^{-\lambda} \cdot e^{\lambda} = 1$，完美消掉。泊松分布的参数 $\lambda$ 恰好就是期望——设计得非常漂亮。

再求 $Var(X)$：先求 $E(X^2)$，再用 $Var=E(X^2)-[E(X)]^2$。

处理 $k^2$ 的技巧：$k^2 = k(k-1) + k$，这样每一项都可以和阶乘约分。

$$E(X^2) = \sum_{k=0}^{\infty} k^2 \cdot \frac{\lambda^k e^{-\lambda}}{k!} = e^{-\lambda} \left[ \sum_{k=0}^{\infty} \frac{k(k-1)\lambda^k}{k!} + \sum_{k=0}^{\infty} \frac{k\lambda^k}{k!} \right]$$

第二项 $\sum \frac{k\lambda^k}{k!}$ 前面在求期望时算过，等于 $\lambda e^{\lambda}$。

第一项：$k(k-1)/k! = 1/(k-2)!$（$k=0,1$ 时该项为 0，从 $k=2$ 开始）：

$$\sum_{k=2}^{\infty} \frac{\lambda^k}{(k-2)!} = \lambda^2 \sum_{j=0}^{\infty} \frac{\lambda^j}{j!} = \lambda^2 e^{\lambda}$$

所以 $E(X^2) = e^{-\lambda} [\lambda^2 e^{\lambda} + \lambda e^{\lambda}] = \lambda^2 + \lambda$

$$Var(X) = E(X^2) - [E(X)]^2 = (\lambda^2 + \lambda) - \lambda^2 = \lambda$$

🎉 结论：$E(X)=\lambda$, $Var(X)=\lambda$。期望 = 方差 = $\lambda$，泊松是唯一拥有这个性质的常见分布。

推导二：指数分布 $E(X)=1/\lambda$, $Var(X)=1/\lambda^2$

🎯 为什么选它：指数分布需要分部积分法计算——这是连续型分布推导的标准技巧。掌握它就掌握了所有连续型分布期望方差的通用方法。

指数分布 $X \sim Exp(\lambda)$ 的密度函数：$f(x) = \lambda e^{-\lambda x}$（$x > 0$）。

先求 $E(X)$：

$$E(X) = \int_0^{\infty} x \cdot \lambda e^{-\lambda x} , dx$$

需要分部积分法：$\int u , dv = uv - \int v , du$。

令 $u = x$, $dv = \lambda e^{-\lambda x} dx$，则 $du = dx$, $v = -e^{-\lambda x}$。

$$E(X) = \left[ x \cdot (-e^{-\lambda x}) \right]_0^{\infty} - \int_0^{\infty} (-e^{-\lambda x}) , dx$$

中括号部分：$x \to \infty$ 时 $x e^{-\lambda x} \to 0$（指数衰减比线性增长快得多）；$x=0$ 时 $0 \times (-1) = 0$。所以中括号 = 0。

$$E(X) = 0 + \int_0^{\infty} e^{-\lambda x} , dx = \left[ -\frac{1}{\lambda} e^{-\lambda x} \right]_0^{\infty} = 0 - \left(-\frac{1}{\lambda}\right) = \frac{1}{\lambda}$$

$E(X) = 1/\lambda$。$\lambda$ 越大（事件越频繁），平均等待时间越短——直觉吻合。

再求 $E(X^2)$：

$$E(X^2) = \int_0^{\infty} x^2 \cdot \lambda e^{-\lambda x} , dx$$

再次分部积分，令 $u = x^2$, $dv = \lambda e^{-\lambda x} dx$：

$$E(X^2) = \left[ x^2 \cdot (-e^{-\lambda x}) \right]_0^{\infty} - \int_0^{\infty} (-e^{-\lambda x}) \cdot 2x , dx = 2 \int_0^{\infty} x \cdot e^{-\lambda x} , dx$$

注意到 $\int_0^{\infty} x \cdot e^{-\lambda x} dx$ 和刚才求 $E(X)$ 的积分只差一个 $\lambda$ 系数。实际上：
$$2 \int_0^{\infty} x \cdot e^{-\lambda x} , dx = \frac{2}{\lambda} \int_0^{\infty} x \cdot \lambda e^{-\lambda x} , dx = \frac{2}{\lambda} \cdot E(X) = \frac{2}{\lambda^2}$$

$$Var(X) = E(X^2) - [E(X)]^2 = \frac{2}{\lambda^2} - \left(\frac{1}{\lambda}\right)^2 = \frac{1}{\lambda^2}$$

🎉 结论：$E(X) = 1/\lambda$, $Var(X) = 1/\lambda^2$。方差 = 期望的平方，波动程度和平均水平在同一数量级。

推导三：二项分布 $E(X)=np$, $Var(X)=np(1-p)$（独立拆分法）

🎯 为什么选它：二项分布展示了概率论最优雅的技巧——把复杂随机变量拆成独立简单随机变量之和。直接从二项分布概率公式硬算极繁琐，但用"$n$ 次独立伯努利之和"这条桥梁，几步就出结果。

核心思路：设 $X \sim B(n, p)$。把 $X$ 写成 $n$ 个独立 0-1 变量之和：

$$X = X_1 + X_2 + \cdots + X_n$$

其中每个 $X_i \sim B(1, p)$（$P(X_i=1)=p$, $P(X_i=0)=1-p$），且 $X_1, \ldots, X_n$ 相互独立。

大白话：抛 $n$ 次硬币，正面次数 = 第 1 次正面次数 + 第 2 次正面次数 + ... + 第 $n$ 次正面次数。每次的"正面次数"只能是 0 或 1。

推导期望：

$$E(X) = E(X_1 + X_2 + \cdots + X_n) = E(X_1) + E(X_2) + \cdots + E(X_n)$$

关键：期望的加法永远可拆，不需要独立！

每个 $X_i$ 是 0-1 分布：$E(X_i) = 1 \times p + 0 \times (1-p) = p$

$$E(X) = \underbrace{p + p + \cdots + p}_{n \text{ 个}} = np$$

$n$ 次试验，每次成功概率 $p$，平均成功 $np$ 次——直觉满分。

推导方差：

这次不能直接用"永远可拆"——方差拆和需要独立。好在 $X_i$ 之间确实是独立的。

$$Var(X) = Var(X_1 + \cdots + X_n) = Var(X_1) + \cdots + Var(X_n) \qquad \text{（独立，方差可加）}$$

每个 $X_i$ 的方差：$E(X_i^2) = 1^2 \times p + 0^2 \times (1-p) = p$，$Var(X_i) = p - p^2 = p(1-p)$

$$Var(X) = \underbrace{p(1-p) + \cdots + p(1-p)}_{n \text{ 个}} = np(1-p)$$

方差在 $p=0.5$ 时最大（最不确定），在 $p=0$ 或 $p=1$ 时为零（完全确定）——直觉吻合。

🎉 结论：$E(X) = np$, $Var(X) = np(1-p)$。

✍️ 立刻练一道：

(1) 设 X ~ B(12, 0.25)（二项分布），求 E(X) 和 Var(X)。

(2) 设 X ~ P(3)（泊松分布），求 E(X) 和 Var(X)。

(3) 设 X ~ Exp(4)（指数分布），求 E(X) 和 Var(X)。

题5（常见分布期望方差·二项）

已知 X ~ B(10, 0.3)，求 E(X) 和 Var(X)。

📌 对应模板：题型六（常见分布套公式）

二项分布 B(n,p)：
E(X) = np = 10×0.3 = 3
Var(X) = np(1−p) = 10×0.3×0.7 = 2.1

答案：E(X)=3，Var(X)=2.1

题9（连续型期望·指数分布）

设 X ~ Exp(2)（参数 λ=2 的指数分布）。求 E(X)，Var(X)，和 E(e^{−X})。

📌 对应模板：题型二+题型三（连续型期望 + 函数期望）

X ~ Exp(2)：f(x) = 2e^{−2x}，x > 0

套公式：
E(X) = 1/λ = 1/2
Var(X) = 1/λ² = 1/4

E(e^{−X}) = ∫₀^∞ e^{−x}·2e^{−2x} dx
          = 2∫₀^∞ e^{−3x} dx
          = 2·[−e^{−3x}/3]₀^∞
          = 2·(0 − (−1/3))
          = 2/3

答案：E(X)=0.5，Var(X)=0.25，E(e^{−X})=2/3

题11（正态分布+期望性质·真题型）

设 X ~ N(1, 4)，Y ~ N(2, 9)，且 X 和 Y 独立。求：
(1) E(2X−Y) 和 Var(2X−Y)；
(2) P(2X−Y > 0)。（Φ(0)=0.5）

📌 对应模板：题型四+题型六（性质 + 正态分布）

X ~ N(1,4)：E(X)=1，Var(X)=4
Y ~ N(2,9)：E(Y)=2，Var(Y)=9
X, Y 独立 → Cov(X,Y)=0

(1) Z = 2X−Y
E(Z) = 2×1 − 2 = 0
Var(Z) = 4×4 + 1×9 = 16 + 9 = 25

因为 X, Y 都服从正态且独立，Z = 2X−Y 也服从正态：
Z ~ N(0, 25)

(2) P(Z > 0) = P(N(0,25) > 0)
标准化：(Z−0)/5 ~ N(0,1)
P(Z > 0) = P(N(0,1) > 0) = 1 − Φ(0) = 1 − 0.5 = 0.5

答案：(1) E=0，Var=25；(2) 0.5

💡 正态分布的线性组合仍然是正态分布。
均值0的正态分布大于0的概率恰好是50%。

题14（正态分布·标准差含义）

某考试成绩 X ~ N(72, σ²)，已知 90% 的学生成绩在 60 到 84 分之间。求标准差 σ。（Φ⁻¹(0.95)≈1.645）

📌 对应模板：题型六（正态分布应用）

P(60 < X < 84) = 0.9

标准化：
P((60−72)/σ < Z < (84−72)/σ) = 0.9
P(−12/σ < Z < 12/σ) = 0.9

由于正态对称：P(Z < −12/σ) = P(Z > 12/σ) = (1−0.9)/2 = 0.05

所以 P(Z < 12/σ) = 0.95
12/σ = Φ⁻¹(0.95) = 1.645
σ = 12/1.645 ≈ 7.29

答案：σ ≈ 7.29

💡 这就是利用"对称区间概率"反推标准差的经典方法。

📝 三个推导的复盘：

🪢 在整条链中的位置：

• 上游依赖：期望定义（4.1节）→ 随机变量函数的期望（4.2节，求 $E(X^2)$ 时用到）→ 方差计算公式（4.4节，$Var=E(X^2)-[E(X)]^2$）→ 方差性质（4.5节，$Var(aX+b)=a^2Var(X)$ 用于二项分布推导的系数提取）→ 期望线性性质（4.3节，二项分布拆成 $n$ 个伯努利之和的基石）
• 本章内部：这六组公式是 4.4 和 4.5 的"实战化"——前面学的定义和性质，在这里落地成可以直接套用的数字。三种推导（泊松/指数/二项）覆盖了离散求和、连续积分、独立拆分三大计算范式，后续任何分布推导都逃不出这三招
• 下游应用：第5章切比雪夫不等式直接用期望和方差估计概率（$P(|X-\mu|\geq\varepsilon) \leq \sigma^2/\varepsilon^2$，需要知道 $\mu$ 和 $\sigma^2$ 的具体值）；第6章三大抽样分布（卡方/t/F）的定义和性质全部建立在这些分布的期望方差之上；第7章矩估计和最大似然估计中，总体期望和方差的表达式是构造估计量的出发点

4.7 协方差

📌 学完本节你能回答：协方差 > 0、< 0、= 0 分别代表什么含义？为什么协方差的计算公式 $Cov(X,Y) = E(XY) - E(X)E(Y)$ 比定义好用？

先看一个困境：气温和冰淇淋销量，怎么量"联动"？

期望和方差都是关于"一个"随机变量的。那如果有两个随机变量呢？比如气温和冰淇淋销量——它们会不会一起变动？想想看，怎么用一个数字来量"两个东西一起变动的程度"？

看到这个困境，先别慌。难在哪？

🧠 难在哪？ "联动"不是一个现成的量——你说"气温高的时候销量也高"，但"高"本身有歧义：是"气温高于平均值"时"销量高于平均值"？两个变量各有各的期望和单位，怎么把"一起偏离各自平均"这件事压进一个数字？

先动手试探。回顾 4.4 节"方差"的思路：单变量偏离期望用 $(X - E(X))$ 量。现在两个变量，自然的想法是把两个"偏离"乘起来：$(X - E(X)) \cdot (Y - E(Y))$——然后取期望。

为什么乘起来合理？分三种情况看：

• X 和 Y 同涨同跌：X 高于平均值时 Y 也高于平均值（两个括号都正），X 低于平均值时 Y 也低（两个括号都负）。正正得正、负负得正 → 乘积经常为正
• X 和 Y 一涨一跌：X 高时 Y 低（一正一负）→ 乘积经常为负
• X 和 Y 没联动：乘积正负参半 → 加起来互相抵消，接近 0

🔍 回头看看我们做了什么：把"同涨同跌"变成了"偏离的乘积的期望"——乘积的符号天然区分了同向和反向。这个量就是协方差。

生活比喻：

想象你观察两个东西：

• 气温和冰淇淋销量——天气越热，冰淇淋卖得越多（同涨同跌）
• 气温和羽绒服销量——天气越热，羽绒服卖得越少（一个涨一个跌）
• 气温和你的学号——完全没有关系

协方差就是用一个数字来刻画：两个变量是不是"同涨同跌"。

• 协方差 > 0：X 涨时 Y 也涨（正相关）
• 协方差 < 0：X 涨时 Y 反而跌（负相关）
• 协方差 = 0：X 和 Y 没有"同涨同跌"的线性关系

正式定义：

$$\boxed{Cov(X, Y) = E\left[(X - EX)(Y - EY)\right]}$$

读作：协方差 =（X 离自己期望的距离）×（Y 离自己期望的距离）的期望。

如果 X 和 Y 经常同时大于各自的期望（两个括号都为正），或者同时小于各自的期望（两个括号都为负，负负得正），协方差就是正的。

如果 X 大于期望时 Y 往往小于期望（一个为正一个为负），乘积为负，协方差就是负的。

✍️ 立刻练一道：已知 X 的分布律为 $P(X=-1)=1/3$，$P(X=0)=1/3$，$P(X=1)=1/3$，令 Y = X²。求 E(X)，E(Y)，E(XY)，Cov(X, Y)。

协方差的计算公式（六段式推导）

🎯 生活场景：你发现气温高的日子，冰淇淋销量也高——两者似乎"同涨同跌"。协方差的定义 $E[(X-\mu_X)(Y-\mu_Y)]$ 虽然直观（"X偏离平均"×"Y偏离平均"的期望），但计算时要分别减两个期望，太繁琐。下面的公式会帮你省掉一半的力气——和方差的推导几乎一模一样。

② 正式陈述：设 $\mu_X = E(X)$，$\mu_Y = E(Y)$，则协方差的计算公式为：

$$\boxed{Cov(X, Y) = E(XY) - E(X) \cdot E(Y)}$$

③ 完整推导（从定义 $Cov(X,Y)=E[(X-\mu_X)(Y-\mu_Y)]$ 出发）：

🧠 第1步：展开括号乘积

$$(X - \mu_X)(Y - \mu_Y) = XY - X \cdot \mu_Y - \mu_X \cdot Y + \mu_X \cdot \mu_Y$$

大白话：和 $(a-b)(c-d)=ac-ad-bc+bd$ 完全一样——四项相乘展开。

🧠 第2步：逐项求期望

$$Cov(X,Y) = E(XY) - E(X \cdot \mu_Y) - E(\mu_X \cdot Y) + E(\mu_X \cdot \mu_Y)$$

大白话：利用期望的线性性质，和拆成四项分别求期望。

🧠 第3步：常数项提到期望外面

• $E(X \cdot \mu_Y)$：$\mu_Y$ 是常数 → $\mu_Y \cdot E(X)$
• $E(\mu_X \cdot Y)$：$\mu_X$ 是常数 → $\mu_X \cdot E(Y)$
• $E(\mu_X \cdot \mu_Y)$：$\mu_X \mu_Y$ 都是常数 → $\mu_X \cdot \mu_Y$

大白话：和方差推导一样——$\mu_X = E(X)$ 和 $\mu_Y = E(Y)$ 都是确定的数字，不是随机变量，可以像普通常数一样处理。

🧠 第4步：合并，得到最终公式

$$Cov(X,Y) = E(XY) - \mu_Y \cdot E(X) - \mu_X \cdot E(Y) + \mu_X \cdot \mu_Y$$
$$= E(XY) - \mu_X \cdot \mu_Y - \mu_X \cdot \mu_Y + \mu_X \cdot \mu_Y$$
$$= E(XY) - \mu_X \cdot \mu_Y = E(XY) - E(X) \cdot E(Y)$$

大白话：后三项消掉了两项，只剩 $-E(X)E(Y)$。

📝 推导复盘：协方差公式的推导和方差公式是"同一个模子刻出来的"——都是"展开→求期望→提常数→合并"。事实上，$Var(X)$ 就是 $Cov(X,X)$ 的特殊情况：代入 $Y=X$，$Cov(X,X)=E(X^2)-[E(X)]^2=Var(X)$。协方差是"两个不同变量"的版本，方差是"同一个变量自己跟自己"的版本——家族关系一目了然。

⚠️ 易错边界：

1. $Cov=0$ 不等于 X 和 Y 独立：协方差只衡量"直线型联动"，没有直线联动不代表没关系。经典反例：设 $X \sim N(0,1)$（标准正态），令 $Y = X^2$。因为 $E(X)=0$ 且正态分布左右对称，$E(X^3)=0$，所以 $Cov(X,X^2)=E(X^3)-E(X)E(X^2)=0-0=0$。但 Y 完全由 X 决定——知道了 X 就 100% 知道 Y。这个反例的秘诀在于利用了"对称分布 + 期望为 0"的条件把协方差"恰好抵消"成了 0。4.9 节会详细展开。
2. 计算 $E(XY)$ 必须用联合分布：不能用 X 和 Y 各自的边缘分布分别算再乘起来——那样得到的是 $E(X)E(Y)$，不是 $E(XY)$。边缘分布丢失了 X 和 Y "同时取值"的联动信息。
3. 协方差有单位：如果 X 是"厘米"、Y 是"公斤"，协方差的单位是"厘米 × 公斤"——很难直观理解。这正是 4.8 节相关系数要解决的问题。

🪢 在整条链中的位置：

• 上游依赖：期望的线性性质（4.3节）+ 方差的计算公式（4.4节，两者推导套路完全相同）
• 家族关系：$Cov(X,X) = Var(X)$ ——协方差是"泛化版方差"，方差是"自己跟自己的协方差"
• 下游应用：方差通式 $Var(X+Y)=Var(X)+Var(Y)+2Cov(X,Y)$（4.5节性质5）；相关系数 $\rho = Cov/(\sigma_X\sigma_Y)$（4.8节，协方差除以标准差乘积）

协方差的性质（方法级：每条的直觉 + 推导 + 易错提醒）

🔧 生活场景：协方差就像两个人之间的"默契指数"。如果把他们各自的表现放大（比如两人都更努力了），默契指数跟着成倍放大。如果两个人组成一个"组合"和第三方互动——组合的默契指数 = 各自默契指数的和。下面把每条性质的直觉和推导都讲清楚。

🧠 性质1：对称性 — $Cov(X, Y) = Cov(Y, X)$

大白话：$X$ 对 $Y$ 的联动和 $Y$ 对 $X$ 的联动是同一件事。从公式 $Cov(X,Y)=E(XY)-E(X)E(Y)$ 来看，乘法 $XY=YX$ 可交换，对称性自然成立。就像"你的步调跟不跟得上我"和"我跟不跟得上你的步调"——描述的是同一种默契。

🧠 性质2：自己和自己的协方差就是方差 — $Cov(X, X) = Var(X)$

推导：$Cov(X,X) = E(X \cdot X) - E(X)E(X) = E(X^2) - [E(X)]^2 = Var(X)$

大白话：你自己跟自己的"默契"当然是 100%——但协方差把它量化成了方差！这解释了为什么方差公式 $E(X^2)-[E(X)]^2$ 和协方差公式 $E(XY)-E(X)E(Y)$ 长得一模一样——协方差是"泛化版"（两个不同变量），方差是协方差把 $Y$ 换成 $X$ 的特例。记住这个关系可以自检：算完一组协方差后，把 $Y$ 换成 $X$，看结果是不是等于已知的 $Var(X)$。

🧠 性质3：系数的提取 — $Cov(aX, bY) = ab \cdot Cov(X, Y)$

推导：$Cov(aX, bY) = E(aX \cdot bY) - E(aX)E(bY) = ab \cdot E(XY) - aE(X) \cdot bE(Y) = ab[E(XY) - E(X)E(Y)] = ab \cdot Cov(X,Y)$

大白话：把 $X$ 放大 $a$ 倍、$Y$ 放大 $b$ 倍——测量出的"联动程度"放大 $ab$ 倍。两个系数都提到了外面。就像把尺子的刻度分别放大——协方差的数值跟着两个系数的乘积变化。

🧠 性质4：常数的协方差为 0 — $Cov(X, C) = 0$

推导：$Cov(X,C) = E(X \cdot C) - E(X) \cdot E(C) = C \cdot E(X) - E(X) \cdot C = 0$

大白话：一个永远不变的常数，没有任何波动，和任何人都不可能有"同涨同跌"的默契。就像你和一块石头的默契——石头永远不会动，谈不上"同步"。

🧠 性质5：可加性 — $Cov(X_1+X_2, Y) = Cov(X_1,Y) + Cov(X_2,Y)$（永远成立！）

推导：$Cov(X_1+X_2, Y) = E[(X_1+X_2)Y] - E(X_1+X_2)E(Y)$

$= E(X_1 Y + X_2 Y) - [E(X_1)+E(X_2)]E(Y)$

$= E(X_1 Y) + E(X_2 Y) - E(X_1)E(Y) - E(X_2)E(Y)$

$= [E(X_1 Y) - E(X_1)E(Y)] + [E(X_2 Y) - E(X_2)E(Y)] = Cov(X_1,Y) + Cov(X_2,Y)$

大白话：把 $X_1$ 和 $X_2$ 打包成一组——这组和 $Y$ 的"组合默契" = 各自的默契之和。注意：和期望的加法一样，协方差的加法也永远成立、不需要独立！在这一条上协方差"脾气很好"——不像方差，拆和需要独立。

另外，第二个位置同样可加：$Cov(X, Y_1+Y_2) = Cov(X,Y_1) + Cov(X,Y_2)$。推导完全对称。

🧠 性质6：方差通式 — $Var(X \pm Y) = Var(X) + Var(Y) \pm 2Cov(X,Y)$

大白话：这是协方差最重要的"出场理由"——只要 $X$ 和 $Y$ 不独立，算总波动就必须带上协方差。正协方差让总波动变大（两股浪叠加），负协方差让总波动变小（两股浪抵消）。

📝 速记口诀：协方差是"好脾气"——对称（谁先谁后一样）、系数可提（两个一起提）、加法可拆（和期望一样永远成立，不需要独立）。算完协方差记得用 $Cov(X,X)=Var(X)$ 验证有没有算错。

⚠️ 易错边界：

1. 系数提取——两个都提：$Cov(aX, bY) = ab \cdot Cov(X,Y)$，是两个系数的乘积，不能只提一个。
2. 加法拆分比方差简单：$Cov(X_1+X_2, Y) = Cov(X_1,Y) + Cov(X_2,Y)$ 永远成立——协方差的"加法脾气"像期望（好脾气），不像方差（方差拆和要独立）。这条在复杂协方差计算中非常实用。
3. 协方差不是联动强度的好尺子：$Cov$ 的数值受 $X$ 和 $Y$ 单位大小的影响——同一组关系，用厘米量身高还是用米量身高，协方差的数字天差地别。这就是下一节相关系数必须存在的理由——把它变成 $[-1,1]$ 之间的"纯数字"。

4.8 相关系数

📌 学完本节你能回答：协方差已经能看出"同涨同跌"了，为什么还需要相关系数？相关系数的取值范围是多少？$|\rho|=1$ 意味着什么？

先看一个困境：两对情侣，谁的"默契度"更高？

你想比较两组"默契程度"——

• 张三和李四：用"厘米"量身高、"公斤"量体重，协方差大约是 300
• 王五和赵六：用"米"量身高、"克"量体重，协方差大约是 30000

如果只看协方差，你会认为王五赵六的默契度是张三李四的 100 倍——但这是假象！

看到这个困境，先别慌。难在哪？

🧠 难在哪？ 协方差有"单位"：张三李四的 300 是"厘米 × 公斤"，王五赵六的 30000 是"米 × 克"。同一对真实的情侣，用厘米量还是用米量，协方差的数字天差地别——量纲不同，根本没法比较。就像你说"我的身高是 1.7"，但没说单位是米还是厘米，这个数字没有意义。

先动手试探。怎么把单位"除掉"？回顾 4.4 节学过的标准化：$X^* = (X-\mu_X)/\sigma_X$ 变成"期望 0、方差 1"的纯数字。如果我们对 X 和 Y 都做标准化，再看它们的协方差——单位就约掉了：

$$\frac{Cov(X,Y)}{\sigma_X \sigma_Y} \text{ 的单位} = \frac{\text{X单位 × Y单位}}{\text{X单位 × Y单位}} = 1 \text{（无单位，纯数字）}$$

🔍 回头看看我们做了什么：协方差的单位是"X单位 × Y单位"，分母放上 $\sigma_X \sigma_Y$（也是"X单位 × Y单位"）——分子分母的"单位"恰好一样，约分约掉了！就像分数约分一样，得到的是一个没有单位的纯数字，不管原来用厘米还是米、用公斤还是克，结果都一样。这个数字就是相关系数。

相关系数解决的正是这个问题：把 X 和 Y 各自用标准差"除"一遍，除掉单位，变成 -1 到 +1 之间的一个纯数字——就像用一把通用的"尺子"代替了原来带单位的那把。

② 正式陈述：

$$\boxed{\rho_{XY} = \frac{Cov(X, Y)}{\sqrt{Var(X)} \cdot \sqrt{Var(Y)}} = \frac{Cov(X, Y)}{\sigma_X \cdot \sigma_Y}}$$

③ 推导思路（从量纲问题出发 → 标准化思路）：

🧠 思路1：量纲消去法（为什么除以标准差就能消除单位？）

协方差 $Cov(X,Y)$ 的单位 = "X的单位 × Y的单位"。标准差 $\sigma_X$ 的单位 = "X的单位"，$\sigma_Y$ 的单位 = "Y的单位"。所以：

$$\frac{Cov(X,Y)}{\sigma_X \sigma_Y} \text{ 的单位} = \frac{\text{X单位 × Y单位}}{\text{X单位 × Y单位}} = 1 \text{（无单位，纯数字）}$$

大白话：就像分数约分——分子分母的单位恰好一样，约掉以后得到的就是一个"没有单位"的纯数字。不管原始数据用厘米还是米、用公斤还是克，约分后都一样。

🧠 思路2：标准化变换法（用 4.4 节学过的标准化来理解）

4.4 节学过一个技巧：把任意随机变量 $X$ 标准化为 $X^* = (X-\mu_X)/\sigma_X$，得到期望为 0、方差为 1 的变量。现在对 X 和 Y 都做标准化：

$$X^* = \frac{X - \mu_X}{\sigma_X}, \quad Y^* = \frac{Y - \mu_Y}{\sigma_Y}$$

那么这两个标准化后的变量的协方差恰好就是原来的相关系数：

$$\rho_{XY} = Cov(X^, Y^) = E\left[\frac{X-\mu_X}{\sigma_X} \cdot \frac{Y-\mu_Y}{\sigma_Y}\right] = \frac{E[(X-\mu_X)(Y-\mu_Y)]}{\sigma_X \sigma_Y} = \frac{Cov(X,Y)}{\sigma_X \sigma_Y}$$

大白话：相关系数就是把 X 和 Y 都"压"到同一把尺子上（标准化），让它们的期望都变成 0、波动都变成 1，然后再看协方差。这样算出来的"联动程度"不再受原始单位和波动大小的影响。

📝 推导复盘：相关系数 = 协方差变成"无单位纯数字"的结果。两条推导路径殊途同归——"量纲约分"告诉你为什么能消除单位，"标准化变换"告诉你这个操作在数学上等价于什么。结果是同一个公式，理解的深度来自这两条路。

⚠️ 易错边界：

1. ρ 只衡量线性关系：这是相关系数最大的局限。$\rho=0$ 只能说明"没有直线型联动"，不代表没有关系。经典反例 $Y=X^2$（对称分布时 $\rho=0$，但 Y 完全由 X 决定）。相关系数捕捉不到抛物线、正弦波等任何非线性关系。4.9 节会详细展开"不相关 ≠ 独立"。
2. 分母是标准差乘积，不是方差乘积：$\rho = Cov/(\sigma_X \sigma_Y)$，分母是 $\sqrt{Var(X)} \cdot \sqrt{Var(Y)}$。如果忘记开根号用了 $Var(X) \cdot Var(Y)$，算出来的数字完全错误。
3. ρ 的范围是 [-1, 1]：算完后检查——如果 ρ 不在 [-1, 1] 之间，一定是算错了。$|\rho|=1$ 意味着 Y 和 X 是完全的直线关系（$Y = aX + b$ 以概率 1 成立）。

🪢 在整条链中的位置：

• 上游依赖：协方差计算公式（4.7节）→ 方差和标准差（4.4节）→ 标准化变换（4.4节）
• 本章内部：ρ 是协方差的"标准化版本"；$\rho=0$（不相关）和"独立"的关系是 4.9 节的核心内容
• 下游应用：第3章1.9 二维正态分布的性质中使用 ρ；第6-7章回归分析中 $\rho^2$（决定系数 $R^2$，即相关系数的平方）衡量模型解释力；实际数据分析中 ρ 是最常用的相关性指标

相关系数的性质

性质1：取值范围在 -1 到 1 之间

$$\boxed{-1 \leq \rho_{XY} \leq 1}$$

这是相关系数最重要的性质！协方差可以取任何值，但相关系数被牢牢控制在 $[-1, 1]$ 区间内。

性质2：绝对值为1 = 完全的线性关系

$$\boxed{|\rho_{XY}| = 1 \quad \Leftrightarrow \quad \text{存在常数 } a, b \text{（} a \neq 0 \text{）使得 } P(Y = aX + b) = 1}$$

翻译：$|\rho|=1$ 意味着 Y 和 X 之间是一个严格的直线关系（以概率1成立——说白了，就是几乎一定如此，除了概率为 0 的极端情况）。比如 Y = 2X + 3，这时候 $\rho=1$（a 为正）或 $\rho=-1$（a 为负）。

性质3：正负判断

• $\rho > 0$：正相关（X 大时 Y 也大）
• $\rho < 0$：负相关（X 大时 Y 反而小）
• $\rho = 0$：不相关（没有线性关系）

生活理解 $\rho$ 的不同取值

✍️ 立刻练一道：设随机变量 X 和 Y 的相关系数为 0.5，且 Var(X) = 4，Var(Y) = 9。求 Cov(X, Y)。

题6（协方差计算）

已知 (X,Y) 的联合分布律：

求 Cov(X,Y) 和 ρ_{XY}。

📌 对应模板：题型五（协方差和相关系数）

边缘分布：
P(X=0)=0.3+0.2=0.5，P(X=1)=0.1+0.4=0.5
P(Y=0)=0.3+0.1=0.4，P(Y=1)=0.2+0.4=0.6

E(X) = 0×0.5 + 1×0.5 = 0.5
E(Y) = 0×0.4 + 1×0.6 = 0.6

E(XY) = 0×0×0.3 + 0×1×0.2 + 1×0×0.1 + 1×1×0.4 = 0 + 0 + 0 + 0.4 = 0.4

Cov(X,Y) = E(XY) − E(X)E(Y) = 0.4 − 0.5×0.6 = 0.4 − 0.3 = 0.1

E(X²) = 0²×0.5 + 1²×0.5 = 0.5
Var(X) = 0.5 − 0.5² = 0.25

E(Y²) = 0²×0.4 + 1²×0.6 = 0.6
Var(Y) = 0.6 − 0.6² = 0.24

ρ_{XY} = Cov(X,Y) / √[Var(X)·Var(Y)]
       = 0.1 / √(0.25×0.24)
       = 0.1 / √0.06
       = 0.1 / 0.2449
       ≈ 0.4082

答案：Cov(X,Y)=0.1，ρ_{XY}≈0.408

题10（相关系数+期望综合）

设随机变量 X 和 Y 的相关系数为 0.5，且 E(X)=E(Y)=0，E(X²)=E(Y²)=2。求 E[(X+Y)²]。

📌 对应模板：题型五（相关系数）+ 题型四（性质）

已知：E(X)=E(Y)=0，E(X²)=E(Y²)=2
Var(X) = E(X²) − [E(X)]² = 2 − 0 = 2
同理 Var(Y) = 2

ρ = 0.5 → Cov(X,Y) = ρ·√[Var(X)·Var(Y)] = 0.5×√(2×2) = 0.5×2 = 1

E[(X+Y)²] = E(X² + 2XY + Y²)
          = E(X²) + 2E(XY) + E(Y²)

E(XY) = Cov(X,Y) + E(X)E(Y) = 1 + 0 = 1

所以 E[(X+Y)²] = 2 + 2×1 + 2 = 6

答案：6

4.9 独立与不相关的关系

📌 学完本节你能回答："独立"和"不相关"到底什么关系？谁推出谁？反过来为什么不行？那个经典的反例 $Y=X^2$ 是怎么说明问题的？

先想一个问题：气温和它的"平方"相关吗？

"独立"和"不相关"听起来像近义词，但它们是两码事。这一节是全章最容易弄混的知识点，没有之一。先用一个生活场景把问题逼出来。

🎯 生活场景：你每天早上看两个数——气温和你的学号。气温和学号"独立"：知道了气温，你也猜不出学号是多少，反过来也一样。气温和冰淇淋销量"相关"：气温高的时候销量也高，有一条明显的直线趋势。但气温的平方和冰淇淋销量——气温从 20 度升到 30 度，销量涨了 50 杯；从 30 度升到 40 度，销量涨了 200 杯。升同样的温度，销量的涨幅越来越大——这是"曲线关系"，不是直线。如果你只用相关系数这把"直线尺子"去量，可能量出个 0，然后错误地认为"没关系"。这就是本节要拆穿的迷思。

先动手验证一件事：如果 X 和 Y 独立，那么 Cov(X, Y) 一定是 0 吗？为什么？

——先别急着下结论，完整的论证放在下面③第1步，一步步拆给你看。那反过来呢？不相关就一定能推出独立吗？悬念同样留到后面揭晓。

② 正式陈述：

$$\boxed{\text{独立} \quad \Rightarrow \quad \text{不相关（} \rho = 0 \text{）}}$$
$$\boxed{\text{不相关（} \rho = 0 \text{）} \quad \nRightarrow \quad \text{独立}}$$

独立更强，不相关更弱。生活比喻记住：

• 独立 = 两个陌生人——你做什么完全不影响我做什么，知道 X 不会改变你对 Y 的判断
• 不相关（Cov=0） = 没有"你高我也高"的直线趋势——但不代表不认识（可能有曲线关系）
• 关键区别：独立 = "完全没关系"（信息量为零）；不相关 = "没有直线关系"（但可能有曲线关系）

③ 完整推导：

🧠 第1步：证明"独立 ⇒ 不相关"

独立意味着 $E(XY) = E(X)E(Y)$（4.3节的性质5）。

代入协方差公式：
$$Cov(X,Y) = E(XY) - E(X)E(Y) = E(X)E(Y) - E(X)E(Y) = 0$$

大白话：如果 X 和 Y 独立，协方差公式里的两项 $E(XY)$ 和 $E(X)E(Y)$ 完全相等——一减就没了。协方差为 0，自然 $\rho=0$。独立一定不相关，这条路只用了协方差的一个公式，三步走完。

🧠 第2步：证明"不相关 ⇏ 独立"——构造反例

经典反例：设 $X \sim N(0, 1)$（标准正态分布），令 $Y = X^2$。

大白话：这个反例之所以成立，秘密在于 $E(X)=0$。因为正态分布左右完美对称，均值正好是 0。趁热打铁：$E(XY)=E(X \cdot X^2)=E(X^3)$——X³ 的图像左边是负的（负数立方=负数）、右边是正的（正数立方=正数），而且正负两边面积完全相等，在对称分布下积分恰好互相抵消，和为 0。于是 $Cov=0$ 成立。整个反例刻意利用了"对称分布 + 期望为 0"让协方差恰好归零。

计算验证：

$$Cov(X, X^2) = E(X^3) - E(X) \cdot E(X^2)$$

对于 $X \sim N(0,1)$：$E(X)=0$，$E(X^3)=0$（奇函数在对称区间积分为 0），$E(X^2)=1$（标准正态方差为 1）。

代入：$Cov(X, X^2) = 0 - 0 \times 1 = 0$，所以 $\rho=0$，X 和 $X^2$ 不相关。

但 X 和 Y 显然不独立！ 因为 $Y = X^2$ 完全由 X 决定——知道了 X，你就 100% 知道 Y。

大白话总结这一步：协方差只能测量"你大我也大"的直线联动。X 和 X² 的关系是抛物线——在 0 的左边（X < 0），X 变小（-2 → -3）时 X² 反而变大（4 → 9），这和"你大我也大"的方向完全相反。抛物线左边下降、右边上升，从直线角度看"平均下来是平的"——协方差恰好为 0。协方差被这个 U 形曲线骗了。

🧠 第3步：二维正态分布——唯一的例外

当且仅当 (X,Y) 服从二维正态分布时，不相关和独立等价：

$$\boxed{\text{二维正态分布下：} \quad X, Y \text{ 独立} \quad \Leftrightarrow \quad \rho_{XY} = 0}$$

大白话：这是全章唯一一种"不相关 = 独立"的情况。因为二维正态分布的联合密度有一个特殊结构——当 $\rho=0$ 时，联合密度恰好等于两个边缘密度的乘积。而在一般的分布里，$\rho=0$ 只保证"联合密度在某种意义下和边缘密度的乘积偏差为零"，不能保证完全相等。考试特别喜欢考这个点——它是常理（不相关推不出独立）的例外。

📝 推导复盘（用大白话把三段推导串一遍）：

"独立 ⇒ 不相关"是单向高速公路——从独立出发，用协方差公式三步到位，堵不了。反过来"不相关 ⇒ 独立"是一条断头路——协方差为 0 只能保证没有直线联动，但 X 和 Y 完全可能通过 $Y=X^2$ 这样的曲线暗中勾连。协方差就像一把只能量直线的尺子——抛物线左边下降、右边上升，用直线尺一量：平均坡度为零，于是它报告"不相关"。但它没看见那条完整的抛物线。

唯一能让"不相关 ⇒ 独立"通行的桥，是二维正态分布——在它的特殊结构里，$\rho=0$ 恰好意味着联合密度 = 边缘密度的乘积。离开了二维正态，这条桥就断了。

四种情况一图打尽：

关键结论：相关系数只捕捉"线性关系"！如果 X 和 Y 的关系是曲线的（比如 $Y=X^2$），即使它们有严格的函数关系，相关系数也可能为 0。

⚠️ 易错边界：

1. 把"不相关"当成"独立" — 这是本章排名第一的坑。不相关只说明协方差为 0，不排除 $Y=X^2$、$Y=|X|$、$Y=\sin X$ 等任何非线性关系。每次看到"不相关"三个字，脑中自动弹出"不等于独立"五个字。
2. 逻辑方向搞反 — 独立 ⇒ 不相关 ✓；不相关 ⇒ 独立 ✗（除非题目明确说了"二维正态分布"）。选择题里常把这两个方向颠倒来迷惑人。
3. 忘记正态分布的特殊性 — 题目如果没提"正态分布"四个字，默认"不相关推不出独立"。只有明确说"(X,Y)服从二维正态分布"时，不相关和独立才等价。
4. 反例的条件别漏 — $Y=X^2$ 反例能成立的必要条件是 $E(X)=0$（对称分布且均值为 0）。如果 $E(X) \neq 0$，$Cov(X,X^2) = E(X^3) - E(X)E(X^2)$ 通常不为 0，反例就失效了。考试中构造反例时，优先选"均值为 0 的对称分布"（标准正态、均匀 U[-1,1]、离散型取 -1/0/1 各 1/3 等）。
5. 不要混淆"不相关"和"正交" — 不相关的定义是 $Cov(X,Y)=0$，等价于 $E(XY)=E(X)E(Y)$。有些教材用"正交"指 $E(XY)=0$（要求均值为 0），两者差一个均值项。考研按"不相关 = Cov=0"答题。

🪢 在整条链中的位置：

• 上游依赖：协方差计算公式（4.7节）→ 相关系数定义（4.8节）→ 期望性质5——独立时 $E(XY)=E(X)E(Y)$（4.3节）
• 本章内部：本节是 4.7 和 4.8 的"终极应用"——协方差和相关系数为 0 到底意味着什么？本节给出了完整答案
• 下游应用：第3章1.9 二维正态分布的性质直接引用"ρ=0⇔独立"；第6-7章回归分析中，$R^2=0$ 意味着线性模型没有解释力——但这不说明 X 和 Y 没有关系（和本节"不相关≠没关系"完全对应）；实际数据分析的第一步永远是画散点图而不是只看相关系数——正是因为本节揭示的局限性

✍️ 立刻练一道：设 X 的分布律为 $P(X=-1)=P(X=0)=P(X=1)=1/3$，令 Y = X²。判断 X 和 Y 是否独立？是否相关？

题7（独立与不相关判断）

设 X ~ U[−1, 1]，Y = X²。判断 X 和 Y 是否独立？是否相关？

📌 对应模板：题型七（独立与不相关判断）

X ~ U[−1,1]：E(X) = 0（对称区间）

Y = X²，显然 X 和 Y 不独立（Y完全由X决定）

E(XY) = E(X·X²) = E(X³)
X³ 在 [−1, 1] 上是奇函数，均匀分布下：
E(X³) = ∫_{−1}^{1} x³·(1/2) dx = 0

所以 Cov(X,Y) = E(XY) − E(X)·E(Y) = 0 − 0·E(Y) = 0
ρ_{XY} = 0

结论：X 和 Y 不独立，但不相关（相关系数为0）。

这是"不相关⇏独立"的经典反例：
X 和 Y=X² 显然是函数关系（Y完全依赖X），
但通过计算发现相关系数为0——
因为相关系数只衡量"线性关系"，而 X 和 X² 之间
是抛物线（非线性）关系，线性关系为0。

题13（综合·真题级）

设二维随机变量 (X,Y) 的联合密度为：

$$f(x,y) = \begin{cases} 2, & 0 < x < y < 1 \ 0, & \text{其他} \end{cases}$$

求：(1) E(X) 和 E(Y)；(2) Cov(X,Y)；(3) 判断 X 和 Y 是否独立。

📌 对应模板：题型二+题型五+题型七（连续型期望+协方差+独立性）

积分区域：0 < x < y < 1（三角形区域）

(1) 先求边缘密度：
f_X(x) = ∫_x^1 2 dy = 2(1−x)，0 < x < 1
f_Y(y) = ∫_0^y 2 dx = 2y，0 < y < 1

E(X) = ∫₀¹ x·2(1−x) dx = 2∫₀¹ (x−x²) dx
      = 2[x²/2 − x³/3]₀¹ = 2[1/2 − 1/3] = 2[1/6] = 1/3

E(Y) = ∫₀¹ y·2y dy = 2∫₀¹ y² dy = 2[y³/3]₀¹ = 2/3

(2) E(XY) = ∫₀¹∫_x^1 xy·2 dy dx
          = 2∫₀¹ x[∫_x^1 y dy] dx
          = 2∫₀¹ x[(1−x²)/2] dx
          = ∫₀¹ (x − x³) dx
          = [x²/2 − x⁴/4]₀¹
          = 1/2 − 1/4 = 1/4

Cov(X,Y) = E(XY) − E(X)E(Y)
         = 1/4 − (1/3)×(2/3)
         = 1/4 − 2/9
         = 9/36 − 8/36 = 1/36

(3) 判断独立：
如果独立，需 f(x,y) = f_X(x)·f_Y(y)
f_X(x)·f_Y(y) = 2(1−x)·2y = 4y(1−x)
但 f(x,y) = 2，两者不相等。
或者看定义域：x 的范围 (0, y) 依赖 y，不是矩形！
所以 X 和 Y 不独立。

答案：(1) E(X)=1/3, E(Y)=2/3；(2) Cov(X,Y)=1/36；(3) 不独立

4.10 矩和协方差矩阵（概念级，浏览即可）

📌 学完本节你能回答：什么是 k 阶原点矩？什么是 k 阶中心矩？期望和方差分别是几阶的？协方差矩阵长什么样？

这一节只需要花 3-5 分钟浏览一遍，知道"矩"和"协方差矩阵"这两个词指什么就行。真正的重点在前面 4.1-4.9 节（期望、方差、协方差、相关系数）。考研数学三要求：知道矩的定义、知道协方差矩阵的样子即可。

先想一个问题：只用"体重"一个数，能看出一个人的体型吗？ 不能——身高 160 体重 70kg 和身高 190 体重 70kg 的人，一个偏胖一个偏瘦。一个数不够，就得再加"阶数"：一阶看水平（期望），二阶看散开（方差），三阶看偏斜（偏度），四阶看尖峰（峰度）。阶数越高，描述得越细。这一节就是把"用数字描述分布"这件事系统化成"矩"的体系。

📏 生活场景：你想只用几个数字来描述一个人的身材——

• 体重 = "一阶特征"（最基础的信息——这个人在什么水平。相当于期望）
• 体型匀称度 = "二阶特征"（胖不胖、匀不匀——这个人离平均水平有多远。相当于方差）
• 有没有啤酒肚 = "三阶特征"（肚子是不是特别凸出——身体是"偏"向一边的。相当于偏度）
• 肩膀宽不宽 = "四阶特征"（更细节的身材信息。相当于峰度）

只用体重这一个数，你无法区分"身高 160、体重 70kg"和"身高 190、体重 70kg"的人——前者偏胖，后者偏瘦。第二阶信息（体型是否匀称 = 方差）才能告诉你这个人离"正常"有多远。第三阶信息（啤酒肚 = 偏度）告诉你这个人的肉是偏在上半身还是下半身。阶数越高，描述的细节越细——但在概率论的绝大多数应用中，一二阶（期望和方差）就够了。

② 正式定义：

k 阶矩的两大家族

原点矩（以 0 为参照点——看看数据本身有多大）：

$$\boxed{m_k = E(X^k)}$$

• $k=1$：一阶原点矩 $m_1 = E(X)$ ——就是期望（数据的"重心"位置）
• $k=2$：二阶原点矩 $m_2 = E(X^2)$ ——算方差必须经过的一步

中心矩（以期望 $\mu = E(X)$ 为参照点——看看数据偏离中心有多远）：

$$\boxed{\mu_k = E\left[(X - \mu)^k\right]}$$

• $k=1$：一阶中心矩 $\mu_1 = E(X - \mu) = 0$ ——恒等于零（正负偏离互相抵消）
• $k=2$：二阶中心矩 $\mu_2 = E[(X-\mu)^2]$ ——就是方差 $Var(X)$（偏离的"平均平方距离"）
• $k=3$：三阶中心矩标准化后 = 偏度（数据向左歪还是向右歪——分布的不对称程度）
• $k=4$：四阶中心矩标准化后 = 峰度（数据在中心"堆"得有多高——分布的尖峭程度）

原点矩和中心矩的关系：$Var(X) = m_2 - m_1^2$，也就是"方差 = 二阶原点矩 − 一阶原点矩的平方"——正是本章 4.4 节的方差计算公式！这说明矩的体系是本章所有内容的统一框架：一阶原点矩 = 期望，二阶中心矩 = 方差，一切都有序地归入这个体系。

协方差矩阵

当你同时处理多个随机变量时，需要一张"总表"把每两个之间的协方差一次全记录下来。

对于二维随机向量 $(X, Y)$：

$$\Sigma = \begin{pmatrix} Var(X) & Cov(X, Y) \ Cov(Y, X) & Var(Y) \end{pmatrix}$$

• 对角线（左上到右下）：放各自的方差（$X$ 跟 $X$ 自己的协方差 = 方差；$Y$ 同理）
• 非对角线（右上、左下）：放两两之间的协方差
• 对称：因为 $Cov(X,Y) = Cov(Y,X)$（性质 1），矩阵沿对角线镜像对称

对于 $n$ 维情况，就是一个 $n \times n$ 的对称矩阵，第 $(i,j)$ 个位置放 $Cov(X_i, X_j)$。这个矩阵在多维正态分布（第 3 章 1.9）中会再次出现。

📝 一句话总结：矩就是把"描述分布特征"这件事系统化了——一阶看位置，二阶看散开，三阶看偏斜，四阶看尖峰。协方差矩阵就是把所有"两两之间协方差"排成一张对称表。考研只需了解概念，不要求深入计算。

② 题型与练习（讲练合一）

题型一：离散型随机变量的期望和方差（⭐⭐⭐）

先抛一道题：给你一张分布律表，怎么又快又全地拿到 E(X) 和 Var(X)？

题目通常长这样：给一张分布律表格——每个可能取的值 x 和对应的概率 p 写成表格。还有一种变体：表格里参数不全，有一项概率用字母 a 表示。要求 E(X) 和 Var(X)。

看到这题，先别慌。难在哪？

🧠 难在哪？ 分布律表就是 X 的"全部家当"——期望、方差都得从这张表里挤出来；要算的数不止一个（E(X) 和 Var(X)），而 Var(X) 又需要 E(X²)；如果表格里有个 a，说明表不完整，得先补全。

按 4.1 / 4.4 节悟出的路子，一步步试探：

🧠 试探1：表是完整的吗？ 所有概率加起来必须等于 1。如果有缺失的概率（比如写了个 a），先用 Σp = 1 把 a 求出来——这是第一步，漏了后面全错。

🧠 试探2：算期望 E(X) → E(X) = Σ x_i · p_i。把"每个可能值 × 它发生的概率"，再加起来。

🧠 试探3：算 E(X²) → E(X²) = Σ (x_i)² · p_i。先把每个可能值平方，再乘概率，再求和。⚠️ E(X²) 不是 [E(X)]²，两者完全不同！

🧠 试探4：算方差 Var(X) → Var(X) = E(X²) − [E(X)]²。方差就是"平方的平均"减去"平均的平方"。

🔍 回头看看我们做了什么：整个流程其实只有两条主线——① 补全表格（有参数先解参数）→ ② 按 E(X) → E(X²) → Var(X) 的顺序逐个算。最容易被坑的就是第 3 步：E(X²) 是"先平方再平均"，[E(X)]² 是"先平均再平方"——顺序反了结果全错。下面两道例题就是这两条主线的实战。

翻车现场：

1. E(X²) 和 [E(X)]² 搞混——这是绝大多数人第一次做的经典错误。E(X²) 是先把每个 x 平方再乘概率求和；[E(X)]² 是先算期望再把结果平方。两个完全不同。
2. 算 E(X²) 时光顾着平方，概率忘写了——把每个 x 的值平方了一下，列成一个新列表，然后...直接对列表取平均了！正确的做法是每个 "(x_i)²" 必须带上自己的权重 "× p_i"，然后求和。简单说：x² 写对了，×pᵢ 丢了。
3. 概率加起来不等于1没检查出来——如果题目给了参数，第一步一定是先把参数求出来再往下做。

例题1：基础题——给定分布律求期望和方差

题目：设随机变量 X 的分布律为：

求 E(X) 和 Var(X)。

第1步：检查表格完整性
0.3 + 0.5 + 0.2 = 1.0 ✓ 完整

第2步：算期望 E(X)
E(X) = (−2)×0.3 + 0×0.5 + 2×0.2
     = −0.6 + 0 + 0.4
     = −0.2

第3步：算 E(X²)
E(X²) = (−2)²×0.3 + 0²×0.5 + 2²×0.2
      = 4×0.3 + 0×0.5 + 4×0.2
      = 1.2 + 0 + 0.8
      = 2.0

第4步：算方差
Var(X) = E(X²) − [E(X)]²
       = 2.0 − (−0.2)²
       = 2.0 − 0.04
       = 1.96

答案：E(X) = −0.2, Var(X) = 1.96

例题2：进阶题——含参数，先求参数再求期望方差

题目：设随机变量 X 的分布律为：

求：(1) 常数 a；(2) E(X)；(3) Var(X)。

第1步：求参数 a
所有概率相加必须等于1：
0.1 + a + 0.3 + 0.2 = 1
0.6 + a = 1
a = 0.4

完整的分布律：
| X | 0   | 1   | 2   | 3   |
| p | 0.1 | 0.4 | 0.3 | 0.2 |

第2步：算期望 E(X)
E(X) = 0×0.1 + 1×0.4 + 2×0.3 + 3×0.2
     = 0 + 0.4 + 0.6 + 0.6
     = 1.6

第3步：算 E(X²)
E(X²) = 0²×0.1 + 1²×0.4 + 2²×0.3 + 3²×0.2
      = 0 + 0.4 + 1.2 + 1.8
      = 3.4

第4步：算方差
Var(X) = E(X²) − [E(X)]²
       = 3.4 − 1.6²
       = 3.4 − 2.56
       = 0.84

答案：(1) a = 0.4; (2) E(X) = 1.6; (3) Var(X) = 0.84

🛑 途中停顿

停下来，自己算一遍再往下翻。

已知 X 的分布律为：P(X=0)=0.3，P(X=1)=0.7。求 E(X) 和 Var(X)。

E(X) = 0×0.3 + 1×0.7 = 0.7
E(X²) = 0²×0.3 + 1²×0.7 = 0.7
Var(X) = 0.7 − 0.7² = 0.7 − 0.49 = 0.21

题型二：连续型随机变量的期望和方差（⭐⭐⭐）

先抛一道题：给你一个密度函数 f(x)，怎么拿到 E(X) 和 Var(X)？

题目通常长这样：给概率密度函数 f(x)——一般是一个分段表达式。看到 f(x) 而不是表格，就是题型二。要求 E(X) 和 Var(X)。

看到这题，先别慌。难在哪？

🧠 难在哪？ 连续型和离散型的差别只有一点：离散型是"求和"，连续型是"积分"。但积分有两个新坑：① 积分范围不是整个数轴，只在 f(x) > 0 的区间做，区间外 f(x) = 0 乘什么都是 0；② 密度可能是分段函数，要分段积分再相加。

按 4.1 / 4.4 节悟出的路子，把离散型的流程换成积分即可：

🧠 试探1：确定 f(x) 的非零区间——积分只做这个区间。区间外的 f(x) = 0，贡献为 0。

🧠 试探2：算期望 E(X) → E(X) = ∫ x · f(x) dx，积分范围 = 非零区间。

🧠 试探3：算 E(X²) → E(X²) = ∫ x² · f(x) dx。

🧠 试探4：算方差 → Var(X) = E(X²) − [E(X)]²，公式和离散型完全一样！

🔍 回头看看我们做了什么：连续型的套路和离散型一模一样（E → E(X²) → Var），唯一的区别是把 Σ 换成 ∫、把 p_i 换成 f(x)dx。真正的难点全在积分本身——范围找对、分段别漏、密度先归一化，这三个坑踩完就稳了。下面两个例题分别演示"均匀分布验证公式"和"分段密度"。

常见子类型：

子类型一：均匀分布——验证公式

如果 X ~ U(a, b)，可以直接套公式：

• E(X) = (a + b) / 2 —— 就是区间中点
• Var(X) = (b − a)² / 12

但如果题目要求"用定义证明"，就得按模板一步步积分算。

子类型二：分段密度函数

f(x) 可能在 [a, b] 是某个表达式，在 [b, c] 是另一个表达式。积分时分段积分然后加起来。

翻车现场：

1. 积分区间搞错——只在 f(x) > 0 的区间积分。不要在整个实数轴上积。
2. 分段积分忘记加起来——如果是分段密度，必须每段分别积，然后加在一起。
3. E(X²) 积分算错——x² 乘 f(x) 后，x 的次数变高了，积分容易出错。
4. 忘记先把密度归一化——如果 f(x) 有未知参数，先用 ∫f(x)dx = 1 把参数求出来。

例题1：均匀分布——用积分验证公式

题目：设 X ~ U(0, θ)（θ > 0），概率密度为：

$$f(x)=\begin{cases} \frac{1}{\theta}, & 0 < x < \theta \ 0, & \text{其他} \end{cases}$$

求 E(X) 和 Var(X)，并验证公式。

第1步：非零区间为 (0, θ)

第2步：算 E(X)
E(X) = ∫₀ᶿ x · (1/θ) dx
     = (1/θ) · [x²/2]₀ᶿ
     = (1/θ) · (θ²/2)
     = θ/2

验证公式：E(X) = (a+b)/2 = (0+θ)/2 = θ/2 ✓

第3步：算 E(X²)
E(X²) = ∫₀ᶿ x² · (1/θ) dx
      = (1/θ) · [x³/3]₀ᶿ
      = (1/θ) · (θ³/3)
      = θ²/3

第4步：算方差
Var(X) = E(X²) − [E(X)]²
       = θ²/3 − (θ/2)²
       = θ²/3 − θ²/4
       = (4θ² − 3θ²) / 12
       = θ²/12

验证公式：Var(X) = (b−a)²/12 = (θ−0)²/12 = θ²/12 ✓

答案：E(X) = θ/2, Var(X) = θ²/12

例题2：分段密度函数求期望方差

题目：设随机变量 X 的概率密度为：

$$f(x)=\begin{cases} x, & 0 \leq x < 1 \ 2-x, & 1 \leq x \leq 2 \ 0, & \text{其他} \end{cases}$$

求 E(X) 和 Var(X)。

这个密度函数是一个"三角形"，形状像 ∧。

第1步：非零区间是 [0, 2]，但密度表达式分成两段。

第2步：算 E(X)——分段积分
在 [0,1) 上：f(x) = x
在 [1,2] 上：f(x) = 2−x

E(X) = ∫₀¹ x·x dx + ∫₁² x·(2−x) dx
     = ∫₀¹ x² dx + ∫₁² (2x − x²) dx

第一部分：∫₀¹ x² dx = [x³/3]₀¹ = 1/3

第二部分：∫₁² (2x − x²) dx = [x² − x³/3]₁²
         = (4 − 8/3) − (1 − 1/3)
         = (12/3 − 8/3) − (3/3 − 1/3)
         = 4/3 − 2/3
         = 2/3

E(X) = 1/3 + 2/3 = 1

第3步：算 E(X²)——同样分段积分
E(X²) = ∫₀¹ x²·x dx + ∫₁² x²·(2−x) dx
      = ∫₀¹ x³ dx + ∫₁² (2x² − x³) dx

第一部分：∫₀¹ x³ dx = [x⁴/4]₀¹ = 1/4

第二部分：∫₁² (2x² − x³) dx = [2x³/3 − x⁴/4]₁²
         = (16/3 − 4) − (2/3 − 1/4)
         = 4/3 − 5/12
         = 16/12 − 5/12 = 11/12

E(X²) = 1/4 + 11/12 = 3/12 + 11/12 = 14/12 = 7/6

第4步：算方差
Var(X) = E(X²) − [E(X)]²
       = 7/6 − 1²
       = 1/6

答案：E(X) = 1, Var(X) = 1/6

💡 验证：这个三角形对称于 x=1，所以期望就是 1，符合直觉。

🛑 途中停顿

停下来，自己算一遍再往下翻。

设 X 的概率密度 f(x)=2x（0<x<1），求 E(X)。

E(X) = ∫₀¹ x·2x dx = 2∫₀¹ x² dx = 2·[x³/3]₀¹ = 2/3

题型三：随机变量函数的期望（⭐⭐⭐）

先抛一道题：题目要的是 E(X²)，但你手里只有 X 的分布

题目通常长这样：不直接让你求 X 的期望，而是求 g(X) 的期望——比如求 E(X²), E(2X+1), E(e^X), E(1/X) 等等。题目给的还是 X 的分布，但要求的是 X 的某个函数的期望。

看到这题，先别慌。难在哪？

🧠 难在哪？ 你的第一反应可能是"想求 E(X²)，就得先把 X² 这个新随机变量的分布求出来"——如果这么想，你就多绕了一大圈。4.2 节已经悟过：求 $g(X)$ 的期望，直接用 X 的分布算就行，把 X 的每个取值 $x_i$ 换成 $g(x_i)$，概率权重不动。

所以试探的路子只有三步，比想象中短：

🧠 试探1：确认 X 是离散型还是连续型——给了分布律表格 → 离散型；给了密度 f(x) → 连续型。

🧠 试探2：根据类型选公式——离散型：E[g(X)] = Σ g(x_i) · p_i；连续型：E[g(X)] = ∫ g(x) · f(x) dx。

🧠 试探3：代入计算——离散型直接代数求和，连续型做定积分。

🔍 回头看看我们做了什么：这道题考验的根本不是计算，而是敢不敢不绕路。为什么这个公式不用先求 Y 的分布？ 按直觉，求 E(Y) = E[g(X)] 应该先把 Y 的分布律/密度求出来——但有个更直接的公式：直接把 g(X) 当作整体，用 X 的原分布去"加权平均"。就像你要算"全班同学身高的平方的平均"，不需要先把每个人的"身高平方"列成一个新清单——你只需要拿到原来的身高清单，把每个身高平方一下，再求平均。结果完全一样，但省了一步。

翻车现场：

1. 多此一举先求 Y 的分布——直接套 E[g(X)] 的公式，别绕路。除非题目明确要求"先求 Y 的分布，再求期望"。
2. 离散型时只把 g(x_i) 列出来但忘记乘 p_i——每一步都要带概率。
3. 连续型时积分范围弄错——积分范围就是 f(x) 的非零区间。

例题1：离散型——求 E(X²) 和 E(2X+1)

题目：已知随机变量 X 的分布律为：

求：E(X²) 和 E(2X+1)。

第1步：离散型，用公式 E[g(X)] = Σ g(x_i)·p_i

第2步：求 E(X²)
这里 g(x) = x²
E(X²) = 1²×0.2 + 2²×0.5 + 3²×0.3
      = 1×0.2 + 4×0.5 + 9×0.3
      = 0.2 + 2.0 + 2.7
      = 4.9

第3步：求 E(2X+1)
这里 g(x) = 2x+1
E(2X+1) = (2×1+1)×0.2 + (2×2+1)×0.5 + (2×3+1)×0.3
        = 3×0.2 + 5×0.5 + 7×0.3
        = 0.6 + 2.5 + 2.1
        = 5.2

💡 验证：如果先算 E(X) = 1×0.2 + 2×0.5 + 3×0.3 = 2.1
然后用线性性质：E(2X+1) = 2E(X)+1 = 2×2.1+1 = 5.2 ✓

答案：E(X²) = 4.9, E(2X+1) = 5.2

例题2：连续型——求 E(e^{−X})，以指数分布为例

题目：设 X 服从参数为 λ 的指数分布，概率密度为：

$$f(x)=\begin{cases} \lambda e^{-\lambda x}, & x > 0 \ 0, & x \leq 0 \end{cases}$$

求 $E(e^{-X})$。

第1步：连续型，非零区间为 (0, +∞)
g(x) = e^{−x}

第2步：套公式
E(e^{−X}) = ∫₀^{∞} e^{−x} · λ e^{−λx} dx
          = λ · ∫₀^{∞} e^{−(λ+1)x} dx

第3步：计算积分
∫₀^{∞} e^{−(λ+1)x} dx = [−e^{−(λ+1)x} / (λ+1)]₀^{∞}
                       = 0 − (−1/(λ+1))
                       = 1/(λ+1)

所以 E(e^{−X}) = λ · 1/(λ+1) = λ/(λ+1)

答案：E(e^{−X}) = λ/(λ+1)

🛑 途中停顿

停下来想一想，不用动笔：已知 X 的分布，求 E(X²) 需要先求 X² 的分布吗？为什么？

题型四：利用期望和方差的性质简化计算（⭐⭐⭐）

先抛一道题：已知 E、Var、Cov 一串数，求线性组合的期望方差

题目通常长这样：给出多个随机变量的期望、方差（有时还有协方差），要求计算这些变量的线性组合的期望方差——比如求 E(2X−3Y+5) 或 Var(aX+bY)。关键词："设 E(X)=..., Var(X)=..., 求..."

看到这题，先别慌。难在哪？

🧠 难在哪？ 期望好办——4.3 节的线性性质 E(aX+bY+c) = aE(X) + bE(Y) + c 永远成立，直接拆。方差才是重灾区：Var(X+Y) 能不能拆成 Var(X)+Var(Y)，完全取决于 X、Y 独不独立。如果你没看清"独立"两个字就乱拆，结果全错。这一题考的其实是"先看条件、再选公式"的判断力。

先把两条主线摸清：

🧠 主线1：期望（用线性性质，永远成立，不需要任何条件）：

① E(aX + b) = aE(X) + b
② E(X + Y) = E(X) + E(Y)
③ E(aX + bY + c) = aE(X) + bE(Y) + c

🧠 主线2：方差（需要小心条件）：

① Var(aX + b) = a²Var(X)          —— 系数要平方！加常数对方差没影响
② Var(X + Y) = Var(X) + Var(Y) + 2Cov(X,Y)
③ Var(X − Y) = Var(X) + Var(Y) − 2Cov(X,Y)

特殊情况（X 和 Y 独立时）：
④ Var(aX + bY) = a²Var(X) + b²Var(Y)     —— 协方差项消失

🔍 回头看看我们做了什么：两条主线的差别就在**"方差要先看独不独立"**。于是标准流程自然浮现：

🧠 试探1：整理已知条件——列出题目给的：E(X), E(Y), Var(X), Var(Y), Cov(X,Y) 等。注意看题目有没有说"X, Y 独立"。

🧠 试探2：算期望（用线性性质）——E(aX + bY + c) = aE(X) + bE(Y) + c，直接把系数乘上、常数加上就行。

🧠 试探3：算方差（两层判断，先看独不独立）——✅ 独立 → 用简化公式 Var(aX+bY) = a²Var(X) + b²Var(Y)；❌ 不独立（或给了 Cov）→ 通用公式 Var(aX+bY) = a²Var(X) + b²Var(Y) + 2ab·Cov(X,Y)，Var(aX−bY) = a²Var(X) + b²Var(Y) − 2ab·Cov(X,Y)。

🧠 试探4：代入计算——检查一下：方差不能为负数。

翻车现场：

1. 方差系数忘记平方——Var(aX) = a²Var(X)，不是 a·Var(X)。
2. 独立条件没看清就乱用公式——题目没写"独立"就不能自动认为 Cov=0。
3. Var(X−Y) 写减号——独立时 Var(X−Y) = Var(X) + Var(Y)（是加法不是减法！因为 (−1)² = 1）。
4. 常数项 c 对期望有影响、对方差无影响——E(X+c) = E(X)+c，但 Var(X+c) = Var(X)。

例题1：已知协方差的情况

题目：已知 E(X) = 2, Var(X) = 1, E(Y) = 3, Var(Y) = 4, Cov(X, Y) = −1。求：E(2X − 3Y + 5) 和 Var(2X − 3Y + 5)。

第1步：整理已知
E(X) = 2, Var(X) = 1
E(Y) = 3, Var(Y) = 4
Cov(X, Y) = −1

第2步：算期望
E(2X − 3Y + 5) = 2E(X) − 3E(Y) + 5
                = 2×2 − 3×3 + 5
                = 4 − 9 + 5
                = 0

第3步：算方差——因为有协方差，用含 Cov 的公式
Var(2X − 3Y) = 2²Var(X) + (−3)²Var(Y) + 2×2×(−3)×Cov(X,Y)
             = 4×1 + 9×4 + 2×2×(−3)×(−1)
             = 4 + 36 + 12
             = 52

（加常数 +5 对方差无影响）Var(2X − 3Y + 5) = 52

答案：E(2X−3Y+5) = 0, Var(2X−3Y+5) = 52

例题2：独立情况

题目：设 X 和 Y 相互独立，已知 E(X) = 1, Var(X) = 2, E(Y) = −1, Var(Y) = 3。求：E(3X − 2Y) 和 Var(3X − 2Y)。

第1步：X, Y 独立 → 方差公式中没有协方差项

第2步：算期望
E(3X − 2Y) = 3E(X) − 2E(Y)
           = 3×1 − 2×(−1)
           = 3 + 2
           = 5

第3步：算方差（独立时用简洁公式）
Var(3X − 2Y) = 3²Var(X) + (−2)²Var(Y)
             = 9×2 + 4×3
             = 18 + 12
             = 30

💡 注意：Var(3X − 2Y) = 9Var(X) + 4Var(Y)，是加号！
减法并不减方差——Var(X−Y) = Var(X) + Var(Y)（独立时）。

答案：E(3X−2Y) = 5, Var(3X−2Y) = 30

🛑 途中停顿

停下来，自己算一遍再往下翻。

已知 E(X)=3，Var(X)=2，求 Var(2X−1)。

Var(2X−1) = 2²·Var(X) = 4×2 = 8

题型五：协方差和相关系数的计算（⭐⭐）

先抛一道题：给你一张二维联合分布表，怎么算出 Cov 和 ρ？

题目通常长这样：给出联合分布律（二维表格）或联合密度 f(x,y)，要求计算 Cov(X,Y) 和相关系数 ρ。关键词："协方差""相关系数""Cov""ρ""联合分布律""联合密度"。

看到这题，先别慌。难在哪？

🧠 难在哪？ 一张二维表要"榨出"的信息比单变量表多得多：E(X)、E(Y)、Var(X)、Var(Y)、E(XY)、Cov、ρ 一共 7 个量。而它们之间有严格的顺序依赖——E(XY) 是最容易错的一环：它必须用联合分布算，绝不能用边缘分布。想清楚顺序，这一步路就不难走。

按 4.7 / 4.8 节悟出的路子，一步步试探：

🧠 试探1：分别求 E(X) 和 E(Y)——用边缘分布（把另一个变量"压缩"掉）。离散型：边缘分布就是"行加起来"或"列加起来"；连续型：边缘密度就是对另一个变量积分。

🧠 试探2：求 E(XY)——⚠️ 必须用联合分布算！不能用边缘分布！ 离散型：E(XY) = ΣΣ (x_i · y_j) · p_ij；连续型：E(XY) = ∫∫ xy · f(x,y) dx dy。

🧠 试探3：算协方差——Cov(X,Y) = E(XY) − E(X)E(Y)。

🧠 试探4：分别求 Var(X) 和 Var(Y)——Var(X) = E(X²) − [E(X)]²。

🧠 试探5：算相关系数——ρ = Cov(X,Y) / √[Var(X)·Var(Y)]。

🔍 回头看看我们做了什么：整条链就是**"先榨单变量量（E、Var）→ 再榨联合量（E(XY)）→ Cov → ρ"**。最该警惕的是试探2——E(XY) 用边缘分布算是致命错误，因为边缘分布丢失了 X 和 Y "同时取值"的联动信息。下面这个离散型例题就是整条链的实战。

翻车现场：

1. E(XY) 用边缘分布算——这是致命错误！E(XY) 必须用联合分布/联合密度算。
2. 边缘分布求错了——离散型是行相加或列相加，注意别把行和列搞反。
3. 相关系数公式分母搞错——ρ = Cov/(σ_X · σ_Y)，分母是标准差不是方差！正确做法：先算 Var(X) 和 Var(Y)，然后分别开根号得到 σ_X 和 σ_Y，再乘起来。
4. 相关系数范围检查——算出的 ρ 如果不在 [−1, 1] 之间，一定算错了。

子类型一：离散型联合分布律

例题：已知二维随机变量 (X,Y) 的联合分布律为：

求：Cov(X,Y) 和相关系数 ρ。

第1步：求边缘分布和 E(X), E(Y)

先求 X 的边缘分布（把每行概率加起来）：
P(X=0) = 0.1 + 0.3 = 0.4
P(X=1) = 0.2 + 0.4 = 0.6

E(X) = 0×0.4 + 1×0.6 = 0.6
E(X²) = 0²×0.4 + 1²×0.6 = 0.6
Var(X) = E(X²) − [E(X)]² = 0.6 − 0.36 = 0.24

再求 Y 的边缘分布（把每列概率加起来）：
P(Y=0) = 0.1 + 0.2 = 0.3
P(Y=1) = 0.3 + 0.4 = 0.7

E(Y) = 0×0.3 + 1×0.7 = 0.7
E(Y²) = 0²×0.3 + 1²×0.7 = 0.7
Var(Y) = E(Y²) − [E(Y)]² = 0.7 − 0.49 = 0.21

第2步：求 E(XY)——用联合分布律
E(XY) = (0×0)×0.1 + (0×1)×0.3 + (1×0)×0.2 + (1×1)×0.4
      = 0 + 0 + 0 + 0.4
      = 0.4

第3步：算协方差
Cov(X,Y) = E(XY) − E(X)E(Y)
         = 0.4 − 0.6×0.7
         = 0.4 − 0.42
         = −0.02

第4步：算相关系数
ρ = Cov(X,Y) / √[Var(X)·Var(Y)]
  = −0.02 / √(0.24 × 0.21)
  = −0.02 / √(0.0504)
  = −0.02 / 0.2245...
  ≈ −0.0891

答案：Cov(X,Y) = −0.02, ρ ≈ −0.09（很弱的负相关）

🛑 途中停顿

停下来，口头回答就行：算 E(XY) 时能用 X 或 Y 单独的边缘分布吗？必须用什么？

题型六：利用常见分布的期望方差公式（⭐⭐⭐）

先抛一道题：题目"报菜名"报了个分布，你能不能秒答？

题目文字中直接出现："设 X 服从二项分布 B(n,p)""X ~ P(λ)""X 服从均匀分布 U(a,b)""X ~ N(μ,σ²)"等等。看到这种"报菜名"式的分布描述，要什么？

看到这题，先别慌。难在哪？

🧠 难在哪？ 这种题一点计算都不难——难的是"认得出"和"记得住"。如果你看到 B(10, 0.3) 还要从头用分布律去算期望方差，考场上就输在时间上了。这一题考的是 4.6 节那张"乘法口诀表"背得熟不熟。

试探的路子其实短到只有两步：

🧠 试探1：识别分布类型和参数——从题目中读出是什么分布，参数分别是什么。

🧠 试探2：直接套公式得出 E(X) 和 Var(X)——不要从头算！（如需函数的期望，回到题型三的方法。）

🔍 回头看看我们做了什么：这类题就是"报菜名 → 对照 4.6 节的表 → 出数字"。关键不是计算，是别把参数看错——下面这几个坑，全是历届考生用真金白银换来的教训。

翻车现场：

1. 正态分布 N(μ, σ²) 第二个参数是方差 σ²，不是标准差 σ——N(3, 4) 意味着 Var(X)=4, σ=2。
2. 二项分布 B(n, p) 参数顺序不能反——B(10, 0.3) 和 B(0.3, 10) 完全不同。
3. 泊松分布 P(λ) 的 λ 既是期望又是方差——如果算出来期望不等于方差，要么算错了，要么不是泊松分布。
4. 指数分布的参数和期望的关系——E(X) = 1/λ，期望和参数成反比。λ 越大，平均等待时间越短。

例题：二项分布套公式 + 反推 E(X²)

题目：设 X ~ B(10, 0.3)，求 E(X), Var(X), E(X²)。

第1步：识别分布
X ~ B(10, 0.3) → 二项分布，n = 10, p = 0.3

第2步：套公式
E(X) = np = 10 × 0.3 = 3
Var(X) = np(1−p) = 10 × 0.3 × 0.7 = 2.1

第3步：反推 E(X²)
E(X²) = Var(X) + [E(X)]² = 2.1 + 9 = 11.1

答案：E(X) = 3, Var(X) = 2.1, E(X²) = 11.1

🛑 途中停顿

停下来，试着默写（不翻前面）。

二项分布 B(n,p) 的期望和方差各是多少？泊松分布 P(λ) 呢？正态分布 N(μ,σ²) 呢？

题型七：独立与不相关的判断（⭐⭐⭐）

先抛一道题：一张联合分布表，问"独立吗？相关吗？"

题目通常会问"X 和 Y 是否独立？是否相关？"或者选择题中比较"独立"和"不相关"这两个概念。

看到这题，先别慌。难在哪？

🧠 难在哪？ 这一题同时考两个定义——独立（4.3节/第3章）和不相关（4.7节），而且两个判断方法完全不同：独立要逐一检查每一对概率，相关只要算一个数 Cov。更坑的是，这两个结论能拼出四种情况，你得先想清楚这四种分别长什么样，才不会跳进"把不相关当独立"的坑。

先动手把"独立"和"不相关"的关系摸清：

核心关系图：

独立 ──→ 不相关（Cov=0）     ← 独立一定不相关
不相关 ──×→ 独立            ← 不相关不一定独立！
                                 （只是没有"直线关系"，但可能有其他关系）

唯一例外：二维正态分布中，独立 ⇔ 不相关（两者等价）

为什么独立一定不相关？

生活比喻（大白话版）：

• 独立就像两个陌生人——你做什么完全不影响我做什么，彼此的信息量为零。
• **不相关（Cov=0）**就像两个人虽然认识，但没有"你高我也高、你矮我也矮"这种同步趋势——没有直线型的联动。
• 既然独立已经是"完全没关系"，那肯定也没有"直线联动关系"。所以独立一定意味着 Cov=0。
• 但反过来不行——两个人可能没有直线联动（Cov=0），但可能私下认识（有非线性关系，比如 Y=X²）。

🧠 试探1：判断是否独立——离散型：检查每一对 (x_i, y_j)，P(X=x_i, Y=y_j) = P(X=x_i) × P(Y=y_j) 是否成立；连续型：检查 f(x,y) = f_X(x)·f_Y(y) 是否成立。

🧠 试探2：判断是否相关——计算 Cov(X,Y) 是否为 0。

🧠 试探3：对照四种可能——① 独立 + Cov=0 → "独立且不相关"；② 独立 + Cov≠0 → 不可能！独立必 Cov=0；③ 不独立 + Cov=0 → "不相关但不独立"（经典例子：Y=X²）；④ 不独立 + Cov≠0 → "既相关又不独立"。

🔍 回头看看我们做了什么：判断的套路就是**"先用定义查独立，再用 Cov 查相关，最后对表"**。下面三个例题分别演示"独立""不独立且相关""不独立但不相关"三种真实情况——尤其例题3（Y=X²）就是 4.9 节的核心反例。

翻车现场：

1. 把"不相关"当成"独立"——这是最大的坑。不相关只是 Cov=0，没有直线关系，但可能有曲线关系。
2. 逻辑方向搞反——独立 ⇒ 不相关（正确），但不相关 ⇒ 独立（错误，除非是正态分布）。
3. 独立判断漏检查某一对——离散型要检查所有 (x_i, y_j) 组合。
4. 忘记正态分布的特殊性——只有二维正态分布中独立和不相关才等价。

例题1：判断离散型联合分布的独立性和相关性

题目：已知 (X,Y) 的联合分布律为：

判断 X 和 Y 是否独立？是否相关？

第1步：求边缘分布
P(X=−1) = 1/4 + 1/4 = 1/2
P(X=1)  = 1/4 + 1/4 = 1/2

P(Y=−1) = 1/4 + 1/4 = 1/2
P(Y=1)  = 1/4 + 1/4 = 1/2

第2步：判断独立
检查 P(X=−1, Y=−1) = 1/4 = P(X=−1)×P(Y=−1) = 1/2×1/2 = 1/4 ✓
全部成立 → X 和 Y 独立

第3步：既然是独立的，必定不相关
答案：X 和 Y 独立，也不相关。

例题2：不独立且相关（Y=X，完全线性关系）

题目：已知 (X,Y) 的联合分布律为：

判断 X 和 Y 是否独立？是否相关？

第1步：求边缘分布
P(X=0) = 1/3, P(X=1) = 2/3
P(Y=0) = 1/3, P(Y=1) = 2/3

第2步：判断独立
检查 P(X=0, Y=1) = 0
但 P(X=0)×P(Y=1) = 1/3×2/3 = 2/9 ≠ 0 ✗
→ 不独立！（Y 完全由 X 决定，实际 Y = X）

第3步：判断相关性
E(X) = 0×1/3 + 1×2/3 = 2/3
E(Y) = 0×1/3 + 1×2/3 = 2/3
E(XY) = 1×1×2/3 = 2/3
Cov(X,Y) = 2/3 − 2/3×2/3 = 2/9 ≠ 0

→ 相关！

答案：X 和 Y 不独立，且相关。（因为 Y=X，完全线性相关！）

例题3：不独立但不相关（这才是真正的"不相关≠独立"案例）

题目：设随机变量 X 的分布律为 P(X=−1)=1/3, P(X=0)=1/3, P(X=1)=1/3。令 Y = X²。判断 X 和 Y 是否独立？是否相关？

第1步：写出联合分布律
X 取 −1, 0, 1（各 1/3），Y = X² 取 0 或 1。
当 X=−1 时 Y=1；当 X=0 时 Y=0；当 X=1 时 Y=1。

联合分布律：
| X\Y | 0     | 1     |
|-----|-------|-------|
| −1  | 0     | 1/3   |
| 0   | 1/3   | 0     |
| 1   | 0     | 1/3   |

第2步：判断独立
边缘分布：P(X=−1)=1/3, P(X=0)=1/3, P(X=1)=1/3
           P(Y=0)=1/3, P(Y=1)=2/3

检查 P(X=−1, Y=1) = 1/3 ≠ P(X=−1)·P(Y=1) = 1/3×2/3 = 2/9 ✗
→ 不独立！（Y 由 X 完全决定）

第3步：判断相关性
E(X) = (−1+0+1)/3 = 0
E(Y) = 0×1/3 + 1×2/3 = 2/3
E(XY) = (−1)·1·(1/3) + 0·0·(1/3) + 1·1·(1/3) = 0

Cov(X,Y) = E(XY) − E(X)E(Y) = 0 − 0×(2/3) = 0

→ 相关系数为 0，不相关！

答案：X 和 Y 不独立，但不相关。（Y = X² 是抛物线关系，非线性！）

💡 对比例题2和例题3：
例题2（Y=X）：不独立 + 相关（有直线联动）
例题3（Y=X²）：不独立 + 不相关（有抛物线联动但没有直线联动）
这就把"独立→不相关→独立"四种可能中的两种关键情况都覆盖了。

例题4（速例·连续型）：联合密度判断独立和相关

第1步：求边缘密度（对另一个变量积分）
f_X(x) = ∫_x^1 2 dy = 2(1−x)，0 < x < 1
f_Y(y) = ∫_0^y 2 dx = 2y，0 < y < 1

第2步：判断独立
f_X(x)·f_Y(y) = 2(1−x)·2y = 4y(1−x)
但 f(x,y) = 2，两者不相等。
或者看定义域：x 的范围 (0, y) 依赖 y，不是矩形！
→ 不独立

第3步：判断相关性
E(X) = ∫₀¹ x·2(1−x) dx = 1/3
E(Y) = ∫₀¹ y·2y dy = 2/3
E(XY) = ∫₀¹∫_x^1 xy·2 dy dx = 1/4

Cov(X,Y) = 1/4 − (1/3)×(2/3) = 1/4 − 2/9 = 1/36 ≠ 0

→ Cov ≠ 0，相关！

答案：不独立，且相关。（和例题2一样的情况，只是换成了连续型）

💡 连续型判断独立的两条路：
① 公式法：f_X(x)·f_Y(y) = f(x,y) 是否恒成立？
② 定义域法：如果定义域不是矩形（如"x < y"），一定不独立！

🛑 途中停顿

停下来判断对错："不相关就是独立。"

🧠 概念辨析自检（10道判断题）

覆盖全章核心概念（期望、方差、协方差、相关系数、独立与不相关）。先判断对错，再看答案。每题建议停留10秒想清楚"为什么"再往下翻。

判断1：$E(X+Y) = E(X) + E(Y)$ 永远成立，不需要任何条件。

判断2：$Var(X+Y) = Var(X) + Var(Y)$ 永远成立。

判断3：期望 E(X) 一定是随机变量 X 能取到的值。

判断4：$Cov(X,Y) = 0$ 意味着 X 和 Y 没有任何关系。

判断5：如果 X 和 Y 独立，则 $Cov(X,Y) = 0$ 一定成立。

判断6：相关系数 $\rho_{XY} = 0$ 等价于 X 和 Y 独立。

判断7：对于二维正态分布，$\rho = 0$ 是 X 和 Y 独立的充分必要条件。

判断8：$Var(aX + b) = a \cdot Var(X)$（即系数 a 不用平方）。

判断9：$Cov(X, X) = Var(X)$。

判断10：$E(XY) = E(X) \cdot E(Y)$ 永远成立。

🧪 学完自测（4选择 + 2判断 + 4简答）

混搭全章知识点，检验你是否真的理解而不是死记。先自己答，再看答案。这些是学生最容易踩的坑。

选择题

选择1：关于"独立"和"不相关"的关系，下列说法正确的是：

A. 独立和不相关是等价的，可以互相推出
B. 不相关一定推出独立，但独立不一定推出不相关
C. 独立一定推出不相关，但不相关不一定推出独立
D. 独立和不相关没有任何关系

选择2：关于 $Var(X+Y)$，下列说法正确的是：

A. $Var(X+Y) = Var(X) + Var(Y)$ 永远成立
B. $Var(X+Y) = Var(X) + Var(Y)$ 只在 X 和 Y 独立时成立
C. $Var(X+Y) = Var(X) + Var(Y) + Cov(X,Y)$
D. $Var(X+Y)$ 和 $E(X+Y)$ 一样，永远可以直接拆开

选择3：相关系数 $\rho = 0$ 意味着：

A. X 和 Y 没有任何关系
B. X 和 Y 一定独立
C. X 和 Y 之间不存在直线关系，但可能存在曲线关系
D. X 和 Y 的协方差一定大于 0

选择4：关于 $E(X^2)$ 和 $[E(X)]^2$ 的关系，下列说法正确的是：

A. $E(X^2) = [E(X)]^2$ 永远成立
B. $E(X^2) \leq [E(X)]^2$ 永远成立
C. $E(X^2) \geq [E(X)]^2$，等号仅在 $Var(X)=0$ 时成立
D. 两者没有固定的大小关系

判断题

判断1：方差为 0 的随机变量一定是常数（以概率 1 等于某个常数）。

判断2：$E(XY) = E(X)E(Y)$ 是 X 和 Y 独立的充分必要条件。

简答题

简答1：为什么 $E(X+Y) = E(X) + E(Y)$ 永远成立，但 $Var(X+Y) = Var(X) + Var(Y)$ 需要条件？用大白话解释。

简答2：写出 $Var(X) = E(X^2) - [E(X)]^2$ 的推导过程（从定义出发），并说明为什么这个公式比定义好用。

简答3：举一个"不相关但不独立"的具体例子，并说明为什么这个例子成立。

简答4：在什么特殊情况下，"不相关"和"独立"是等价的？这个特殊点在考试中为什么重要？

③ 综合混搭练习

打乱题型，逼你自己判断用哪个方法。这四道题混合了本章的多个题型。

混搭1 🎲

设随机变量 X 的分布律为：

(1) 求 E(X) 和 Var(X)。

(2) 设 Y = 2X + 1，求 E(Y) 和 Var(Y)。

(3) 设 Z = X²，求 E(Z)。

📌 对应模板：题型一（离散型期望方差）+ 题型三（函数期望）+ 题型四（方差性质）

(1) 算期望和方差
E(X) = 1×0.3 + 2×0.5 + 3×0.2 = 0.3 + 1.0 + 0.6 = 1.9

E(X²) = 1²×0.3 + 2²×0.5 + 3²×0.2 = 0.3 + 2.0 + 1.8 = 4.1

Var(X) = E(X²) − [E(X)]² = 4.1 − 1.9² = 4.1 − 3.61 = 0.49

(2) Y = 2X + 1
E(Y) = 2E(X) + 1 = 2×1.9 + 1 = 4.8
Var(Y) = 2²·Var(X) = 4 × 0.49 = 1.96

(3) Z = X²
E(Z) = E(X²) = 4.1（直接来自第(1)步的计算）

答案：(1) E(X)=1.9, Var(X)=0.49; (2) E(Y)=4.8, Var(Y)=1.96; (3) E(Z)=4.1

混搭2 📊

设随机变量 X 的密度函数为：

$$f(x) = \begin{cases} \frac{3}{2}x^2, & -1 < x < 1 \ 0, & \text{其他} \end{cases}$$

(1) 验证这个 f(x) 确实是一个概率密度函数。

(2) 求 E(X) 和 Var(X)。

(3) 求 E(1/X)，并说明这个期望是否存在。

📌 对应模板：题型二（连续型期望）+ 题型三（函数期望）+ 密度验证

(1) 验证为概率密度函数：
∫_{-1}^{1} (3/2)x² dx = (3/2)·[x³/3]_{-1}^{1} = (3/2)·(1/3 − (−1/3)) = (3/2)·(2/3) = 1 ✓

(2) 算期望和方差
E(X) = ∫_{-1}^{1} x·(3/2)x² dx = (3/2)∫_{-1}^{1} x³ dx
x³ 在 [−1, 1] 上是奇函数，对称区间积分为 0
E(X) = 0

E(X²) = ∫_{-1}^{1} x²·(3/2)x² dx = (3/2)∫_{-1}^{1} x⁴ dx
      = (3/2)·[x⁵/5]_{-1}^{1} = (3/2)·(1/5 − (−1/5)) = (3/2)·(2/5) = 3/5

Var(X) = E(X²) − [E(X)]² = 3/5 − 0 = 0.6

(3) 求 E(1/X)：
E(1/X) = ∫_{-1}^{1} (1/x)·(3/2)x² dx = (3/2)∫_{-1}^{1} x dx
        = (3/2)·[x²/2]_{-1}^{1} = (3/2)·(1/2 − 1/2) = 0

但注意：积分区间包含 x=0 点，1/x 在 x=0 处无定义。
需要检查这个反常积分是否收敛。实际上被积函数 x 在 [−1, 1] 上
的积分是收敛的（原函数 x²/2 在 0 处连续），所以 E(1/X) = 0。

答案：(1) 验证通过；(2) E(X)=0, Var(X)=0.6；(3) E(1/X)=0

混搭3 🔗

已知随机变量 X 和 Y 的联合分布律为：

(1) 求 E(X), E(Y), Var(X), Var(Y)。

(2) 求 Cov(X,Y) 和相关系数 ρ。

(3) X 和 Y 是否独立？是否相关？请说明理由。

📌 对应模板：题型五（协方差相关系数）+ 题型七（独立与不相关判断）

(1) 边缘分布

P(X=0) = 0.2 + 0.3 = 0.5,  P(X=1) = 0.1 + 0.4 = 0.5
P(Y=0) = 0.2 + 0.1 = 0.3,  P(Y=2) = 0.3 + 0.4 = 0.7

E(X) = 0×0.5 + 1×0.5 = 0.5
E(X²) = 0²×0.5 + 1²×0.5 = 0.5
Var(X) = 0.5 − 0.5² = 0.25

E(Y) = 0×0.3 + 2×0.7 = 1.4
E(Y²) = 0²×0.3 + 2²×0.7 = 0 + 2.8 = 2.8
Var(Y) = 2.8 − 1.4² = 2.8 − 1.96 = 0.84

(2) 协方差和相关系数
E(XY) = 0×0×0.2 + 0×2×0.3 + 1×0×0.1 + 1×2×0.4
      = 0 + 0 + 0 + 0.8 = 0.8

Cov(X,Y) = E(XY) − E(X)E(Y) = 0.8 − 0.5×1.4 = 0.8 − 0.7 = 0.1

ρ = 0.1 / √(0.25×0.84) = 0.1 / √0.21 = 0.1/0.4583 ≈ 0.218

(3) 独立性判断
检查 P(X=0, Y=0)=0.2，P(X=0)×P(Y=0)=0.5×0.3=0.15
0.2 ≠ 0.15 → 不独立

因为 Cov=0.1≠0，所以 X 和 Y 相关。

答案：(1) E(X)=0.5, Var(X)=0.25, E(Y)=1.4, Var(Y)=0.84
(2) Cov=0.1, ρ≈0.218
(3) 不独立且相关（Cov≠0说明有线性关系）

混搭4 🧮

某公司有两个部门。A部门员工人数占比60%，平均工资8000元，标准差500元。B部门员工人数占比40%，平均工资10000元，标准差800元。

(1) 求全公司的平均工资。

(2a) Cov(A部门工资, B部门工资) 你猜是正还是负？为什么？（常识判断即可）

(2b) 若已知全公司工资的方差为 1,500,000（注意：方差单位是"元的平方"），能否利用方差分解公式反推出 Cov 的具体值？试试看。

💡 这里用到一个还没正式教的新公式——方差分解公式：$Var(X) = E[Var(X|Y)] + Var(E[X|Y])$。大白话就是一句话：总方差 = 组内方差的平均 + 组间方差。想象把全公司员工按部门分成两组：先看每个部门内部工资有多散（组内方差，按人数占比加权平均），再看两个部门的平均工资之间有多散（组间方差，即各部门均值与全公司均值 8800 的差距）。两部分加起来，就是全公司工资的总波动。这是本节前面"条件期望（补充）"讲过的结论，第7章回归会用到，这里先记住这句话就行。

(3) 如果从全公司随机抽取一名员工，工资为 X。已知 E(X) 和 Var(X) 已经算出，用切比雪夫不等式估计 P(|X − E(X)| ≥ 1000) 的上界。

📌 对应模板：题型四（期望方差性质）+ 题型五（协方差含义）+ 切比雪夫不等式

(1) E(X) = 0.6×8000 + 0.4×10000 = 4800 + 4000 = 8800
全公司平均工资为 8800 元。

(2a) 常识判断：如果两个部门的工资一起浮动（经济景气时一起涨，不景气时一起跌），
协方差为正；如果一个涨另一个跌，协方差为负。
通常两个部门的工资会受相同经济环境影响，大概率同涨同跌，
所以 Cov 大概率为正。

(2b) 利用方差分解公式：
Var(X) = E[Var(X|部门)] + Var[E(X|部门)]
        = [0.6×500² + 0.4×800²] + [0.6×(8000-8800)² + 0.4×(10000-8800)²]
        = [0.6×250000 + 0.4×640000] + [0.6×640000 + 0.4×1440000]
        = [150000 + 256000] + [384000 + 576000]
        = 406000 + 960000 = 1,366,000

方差分解公式算出的方差（1,366,000）和题目给的总方差（1,500,000）之差
来自于部门间的协方差项——这也印证了(2a)中 Cov 为正的判断。

(3) 切比雪夫不等式：
P(|X − 8800| ≥ 1000) ≤ Var(X) / 1000² = 1,500,000 / 1,000,000 = 1.5

但这个上界大于1，没有实际意义。切比雪夫不等式给出的上界通常很宽松，
实际概率可能远小于这个数。

答案：(1) 8800元；(2) 大概率正相关；(3) 上界 1.5（无效，说明需要更精确的分布信息）

条件期望（补充）——已知 X 的值，Y 的平均是多少？

这一小节补上第3章条件分布之后没来得及讲的一步：条件期望。第3章只教了"已知 X 时，Y 的条件分布 f(y|x)"（分布的形状），这一节再往前迈一步——算出这个条件的分布的"平均值"。后面的回马枪5和混搭题里都会用到，先花几分钟把它补上。

🎯 先抛问题：已知 X 的值，Y 的平均值是多少？

🧮 定义（其实就是对条件分布做一次普通期望式的加权平均）：

离散型：$E(Y|X=x) = \sum_i y_i \cdot P(Y=y_i|X=x)$ —— 把每个取值乘上"已知 X=x 时的条件概率"，再求和。

连续型：$E(Y|X=x) = \int_{-\infty}^{+\infty} y \cdot f_{Y|X}(y|x)\, dy$ —— 把 y 乘上条件密度，再积分。

🏠 生活比喻：已知一个人的身高 X，你对他体重的平均 Y 心里大概有数——高个子的人体重均值偏大，矮个子的人体重均值偏小。条件期望 $E(Y|X=x)$ 就是"把身高锁定在 x 这一档的人，体重的平均值"。它和普通期望 $E(Y)$（所有人的平均体重）不同：$E(Y)$ 是一个固定的数，而 $E(Y|X=x)$ 随 x 变化——x 不同，答案不同。

✍️ 具体数字例子（用第3章已学的条件分布来算）：设 (X, Y) 的联合分布律为：P(X=0, Y=0)=0.2，P(X=0, Y=2)=0.3，P(X=1, Y=0)=0.1，P(X=1, Y=2)=0.4（就是本章前面题型练习里出现过的那张表）。第3章已学过：P(X=0) = 0.2+0.3 = 0.5，于是条件分布 P(Y=0|X=0) = 0.2/0.5 = 0.4，P(Y=2|X=0) = 0.3/0.5 = 0.6。按定义算：

$E(Y|X=0) = 0 \times 0.4 + 2 \times 0.6 = 1.2$ —— 即"X=0 的这一组，Y 平均为 1.2"。若 X 和 Y 独立，条件期望就等于普通期望 $E(Y)$（知道 X 不改变任何信息）。

💡 一句话总结：条件期望是条件分布的延伸——第3章学的是条件分布的形状，这里只是加一步"求平均"。考研数三偶有涉及，也是本章混搭4中方差分解公式（$Var(X) = E[Var(X|Y)] + Var(E[X|Y])$）和第7章回归分析的预备知识。

🔄 回马枪1（第1章 × 第4章）全概率/贝叶斯 + 期望

某工厂有三条生产线：A线产量占50%，B线占30%，C线占20%。三条线的次品率分别为1%、3%、5%。

(1) 从全厂产品中随机抽一件，求它是次品的概率。

(2) 已知抽到的是次品，它来自C线的概率是多少？

(3) 设抽到次品记为1、正品记为0——即随机变量 X = 1（次品）或 0（正品）。利用(1)的结果，求 E(X) 和 Var(X)。

📌 回马枪指向：第1章全概率公式/贝叶斯公式 + 第4章0-1分布的期望方差

(1) 全概率公式：
P(次品) = 0.50×0.01 + 0.30×0.03 + 0.20×0.05
        = 0.005 + 0.009 + 0.010 = 0.024

(2) 贝叶斯公式：
P(C线 | 次品) = [P(次品|C线) × P(C线)] / P(次品)
             = (0.05 × 0.20) / 0.024
             = 0.010 / 0.024 ≈ 0.4167

(3) X 是 0-1 分布，p = P(X=1) = 0.024：
E(X) = p = 0.024
Var(X) = p(1-p) = 0.024 × 0.976 = 0.023424

答案：(1) 0.024; (2) ≈0.417; (3) E(X)=0.024, Var(X)≈0.0234

🔄 回马枪2（第2章 × 第4章）正态分布 + 期望方差

设成年男性身高 X ~ N(170, 36)（单位：cm）。注意：N(170, 36) 中第二个参数 36 是方差 σ²，不是标准差。

(1) 求 E(X)、Var(X)、标准差 σ。

(2) 将身高标准化，求 Z = (X − 170)/6 的期望和方差。

(3) 若从该人群中随机抽 25 人，他们的平均身高记为 $\bar{X}$。已知 $\bar{X} \sim N(170, 36/25)$，求 $E(\bar{X})$ 和 $Var(\bar{X})$。

📌 回马枪指向：第2章正态分布参数含义 + 第4章标准化变换 + 期望方差性质

(1) X ~ N(170, 36)：
E(X) = μ = 170 cm
Var(X) = σ² = 36
σ = √36 = 6 cm

(2) Z = (X − 170)/6：
这是标准化变换，Z ~ N(0, 1)
E(Z) = E[(X − 170)/6] = [E(X) − 170]/6 = 0
Var(Z) = Var[(X − 170)/6] = Var(X)/6² = 36/36 = 1

(3) 样本均值：
E(X̄) = E(X) = 170（期望的线性性质）
Var(X̄) = Var(X)/25 = 36/25 = 1.44

答案：(1) E=170, Var=36, σ=6;
(2) E(Z)=0, Var(Z)=1（标准正态）;
(3) E(X̄)=170, Var(X̄)=1.44

🔄 回马枪3（第2章 × 第4章）泊松分布 + 期望方差推导

某银行柜台平均每小时来 4 位客户，设每小时到访人数 X ~ P(4)。

(1) 求 E(X) 和 Var(X)。（可直接用泊松公式，不要求从定义推导。）

(2) 设 Y = 2X + 3（某种计分方式），求 E(Y) 和 Var(Y)。

(3) 求 P(X = 0) 的值（精确到小数点后 4 位）。（提示：e⁻⁴ ≈ 0.0183）

📌 回马枪指向：第2章泊松分布公式 + 第4章方差性质 Var(aX+b)=a²Var(X)

(1) 泊松分布 X ~ P(4)：
E(X) = λ = 4
Var(X) = λ = 4
（泊松分布是唯一期望=方差的常见分布！）

(2) Y = 2X + 3：
E(Y) = 2E(X) + 3 = 2×4 + 3 = 11
Var(Y) = 2² × Var(X) = 4 × 4 = 16
（注意：+3 对方差无影响——平移不改变波动）

(3) 泊松概率公式 P(X=k) = λᵏe⁻λ / k!：
P(X=0) = 4⁰ × e⁻⁴ / 0! = 1 × 0.0183 / 1 = 0.0183

答案：(1) E(X)=4, Var(X)=4;
(2) E(Y)=11, Var(Y)=16;
(3) P(X=0)=0.0183

🔄 回马枪4（第3章 × 第4章）联合分布 + 协方差 + 相关系数

已知 X 和 Y 的联合分布律：

(1) 求 X 和 Y 各自的边缘分布，并分别求 E(X)、E(Y)、Var(X)、Var(Y)。

(2) 求 Cov(X, Y) 和相关系数 ρ。

(3) X 和 Y 是否独立？请用联合概率与边缘概率乘积比较来判断。

📌 回马枪指向：第3章联合分布与边缘分布 + 第4章协方差与相关系数 + 独立性判断

(1) 边缘分布：
P(X = −1) = 0.2 + 0.3 = 0.5
P(X = 1)  = 0.3 + 0.2 = 0.5
P(Y = −1) = 0.2 + 0.3 = 0.5
P(Y = 1)  = 0.3 + 0.2 = 0.5

E(X) = (−1)×0.5 + 1×0.5 = 0
E(Y) = (−1)×0.5 + 1×0.5 = 0

E(X²) = (−1)²×0.5 + 1²×0.5 = 1
Var(X) = 1 − 0² = 1
同理 Var(Y) = 1

(2) E(XY)：
四个格子：XY = (−1)(−1)=1 (p=0.2), (−1)(1)=−1 (p=0.3),
          (1)(−1)=−1 (p=0.3), (1)(1)=1 (p=0.2)
E(XY) = 1×0.2 + (−1)×0.3 + (−1)×0.3 + 1×0.2
      = 0.2 − 0.3 − 0.3 + 0.2 = −0.2

Cov(X,Y) = E(XY) − E(X)E(Y) = −0.2 − 0×0 = −0.2
ρ = Cov/(σₓσᵧ) = −0.2 / (1×1) = −0.2

(3) 独立性判断：
检查 P(X=−1, Y=−1)=0.2 是否等于 P(X=−1)×P(Y=−1)=0.5×0.5=0.25
0.2 ≠ 0.25 → 不独立

（其实肉眼也看得出：表格不对称——同号概率 0.4，异号概率 0.6，
  X 和 Y 倾向于取相反符号——这恰好对应 ρ=−0.2 的负相关。）

答案：(1) E(X)=E(Y)=0, Var(X)=Var(Y)=1;
(2) Cov=−0.2, ρ=−0.2;
(3) 不独立（联合概率≠边缘乘积）

🔄 回马枪5（第3章 × 第4章）边缘分布 + 条件期望

设 (X, Y) 的联合密度为：

$$f(x,y) = \begin{cases} 2, & 0 < x < y < 1 \ 0, & \text{其他} \end{cases}$$

(1) 求 X 的边缘密度 f_X(x)。（提示：对 y 积分时，y 的范围是从 x 到 1。）

(2) 利用(1)的结果，求 E(X)。

(3) 给定 X = 0.5 时，Y 的条件密度为 $f_{Y|X}(y|0.5) = \frac{1}{0.5} = 2 \quad (0.5 < y < 1)$。求条件期望 $E(Y | X = 0.5)$。

📌 回马枪指向：第3章边缘密度 + 条件密度 + 条件期望 + 第4章连续型期望计算

(1) X 的边缘密度：f_X(x) = ∫ f(x,y) dy
y 的范围：从 x 到 1（因为 0 < x < y < 1）
f_X(x) = ∫ₓ¹ 2 dy = 2(1 − x),  0 < x < 1

(2) E(X) = ∫₀¹ x × f_X(x) dx = ∫₀¹ x × 2(1 − x) dx
         = 2 ∫₀¹ (x − x²) dx
         = 2 [x²/2 − x³/3]₀¹ = 2 (1/2 − 1/3) = 2 × 1/6 = 1/3

(3) 条件期望：E(Y | X = 0.5) = ∫_{0.5}¹ y × f_{Y|X}(y|0.5) dy
                              = ∫_{0.5}¹ y × 2 dy
                              = 2 × [y²/2]_{0.5}¹
                              = 2 × (1/2 − 0.25/2)
                              = 1 − 0.25 = 0.75
直觉验证：给定 X=0.5，Y 均匀落在 (0.5, 1) 上，期望正好在中间 (0.5+1)/2=0.75。

答案：(1) f_X(x)=2(1−x), 0<x<1;
(2) E(X)=1/3;
(3) E(Y|X=0.5)=0.75

🎯 考试导航

题型考频速查

常见分布公式速查

常用关系换算表

独立与不相关关系图示

        独立 ⟹ 不相关（Cov=0）
        不相关 ⟸̸ 独立      （反例：Y=X²，Cov=0但不独立）
        相关 ⟹ 不独立       （Cov≠0 说明有线性关系，不可能独立）
        
        正态分布例外：独立 ⟺ 不相关 ⟺ ρ=0

练习题-模板对照

题目已按"方法讲完立刻练"就近挪到各知识节里。下面的"现在位置"告诉你每题去哪找。

📋 自检清单

学完这章，你应该能回答下面这些问题。如果哪个答不上来，回到对应小节重新看。

• 期望是什么？用加权平均怎样理解它？
• 离散型期望公式和连续型期望公式分别是什么？
• 掷骰子的期望为什么是 3.5？能自己从头算一遍吗？
• 求 $E(X^2)$ 需要先求 $X^2$ 的分布吗？为什么不需要？
• 期望的线性性质 $E(aX + bY) = aE(X) + bE(Y)$ 需要 X 和 Y 独立吗？
• $E(XY) = E(X)E(Y)$ 什么时候成立？反过来成立吗？
• 方差的定义是什么？计算公式 $Var(X) = E(X^2) - [E(X)]^2$ 是怎么推导出来的？
• 方差 $Var(X)$ 和标准差 $\sigma_X$ 是什么关系？为什么需要标准差？
• 全班身高每人加 5cm，方差变不变？全班身高每人翻倍，方差怎么变？
• $Var(X+Y) = Var(X) + Var(Y)$ 什么时候成立？不成立时多了哪一项？
• 0-1分布、二项分布、泊松分布、均匀分布、指数分布、正态分布的期望和方差各是多少？能不看表默写出来吗？
• 协方差的定义和计算公式分别是什么？
• 协方差 > 0、< 0、= 0 分别代表什么含义？
• 相关系数的公式是什么？协方差为什么不能替代它？
• 相关系数的取值范围是多少？$|\rho|=1$ 意味着什么？
• "独立"和"不相关"到底什么关系？谁推出谁？反过来为什么不行？反例是什么？
• 二维正态分布下，独立和不相关的关系有什么特别的？
• 什么是 k 阶原点矩？什么是 k 阶中心矩？方差是几阶中心矩？

🔗 学完回顾：本章推导链

下面是本章所有核心概念之间的推导关系图。箭头方向是"从谁推出谁"，箭头上标注的是推导用的关键工具。顺着箭头从左上往右下读，整章的骨架一目了然。

┌─────────────────────────────────────────────────────────────────────────────┐
│                          第4章 数字特征 推导链                                │
└─────────────────────────────────────────────────────────────────────────────┘

  ┌─────────────────────┐
  │ 期望定义 E(X)        │  离散：Σ xᵢ pᵢ      连续：∫ x f(x) dx
  │ （加权平均 = 重心）   │
  └────────┬────────────┘
           │
     ┌─────┴──────────────────────────────────────────┐
     │ 线性性质（期望的"好脾气"——永远可拆，无需独立）     │
     ▼                                                 ▼
  ┌──────────────────┐                      ┌──────────────────────┐
  │ E(aX+b)=aE(X)+b  │                      │ E(X+Y)=E(X)+E(Y)    │
  │ 系数可提，常数直加 │                      │ 和的期望=期望的和     │
  └────────┬─────────┘                      └──────────┬───────────┘
           │                                           │
           │  独立时才有：E(XY)=E(X)E(Y)                 │
           │  （乘法挑独立，加法不挑）                     │
           │                                           │
  ┌────────┴───────────────────────────────────────────┘
  │
  ▼
  ┌──────────────────────────────────────────────────────┐
  │ 方差定义 Var(X) = E[(X−μ)²]                           │
  │ （偏离平均的距离，平方后求期望——衡量"波动大小"）         │
  └────────┬─────────────────────────────────────────────┘
           │
           │  展开 (X−μ)² → 逐项求期望 → E(X)当常数提出
           ▼
  ┌──────────────────────────────────────────────────────┐
  │ 计算公式 Var(X) = E(X²) − [E(X)]²                     │
  │ "方差 = 平方的平均 − 平均的平方"                        │
  └────────┬─────────────────────────────────────────────┘
           │
           │  (aX+b): X→aX (距离变a倍→平方变a²倍)
           │         +b (平移→距离不变→方差不变)
           ▼
  ┌──────────────────────────────────────────────────────┐
  │ 方差性质                                              │
  │ Var(aX+b) = a²Var(X)    缩放平方变，平移完全不变       │
  └────────┬─────────────────────────────────────────────┘
           │
           │  展开 (X+Y) 的方差: (a+b)² = a²+b²+2ab
           │  → 交叉项 E[(X−μₓ)(Y−μᵧ)] 诞生！
           ▼
  ┌──────────────────────────────────────────────────────┐
  │ Var(X±Y) = Var(X)+Var(Y) ± 2Cov(X,Y)   （通用式）     │
  │ 独立时 Cov=0 → Var(X±Y)=Var(X)+Var(Y) （减法也是加！）  │
  └────────┬─────────────────────────────────────────────┘
           │
           │  协方差定义: Cov(X,Y)=E[(X−μₓ)(Y−μᵧ)]
           │  展开 → 计算公式
           ▼
  ┌──────────────────────────────────────────────────────┐
  │ 协方差 Cov(X,Y) = E(XY) − E(X)E(Y)                    │
  │ 推导套路 = 方差的"亲兄弟"：展开→求期望→提常数→合并       │
  │ Cov(X,X) = Var(X)  ← 方差是协方差的特例                │
  └────────┬─────────────────────────────────────────────┘
           │
           │  协方差性质：对称、系数可提、加法可拆、常数归零
           │
     ┌─────┴──────────────────────────────┐
     │                                    │
     ▼                                    ▼
  ┌──────────────────────┐    ┌──────────────────────────────────┐
  │ 相关系数              │    │ 协方差矩阵（n维推广）              │
  │ ρ = Cov(X,Y)/(σₓσᵧ)  │    │ Σ = [Cov(Xᵢ,Xⱼ)]  n×n 对称矩阵   │
  │ 消除单位 → [−1, 1]    │    │ 对角线=方差，非对角线=协方差        │
  └────────┬─────────────┘    └──────────────┬───────────────────┘
           │                                 │
           │  −1 ≤ ρ ≤ 1                     │  矩：统一框架
           │  |ρ|=1 ⇔ Y=aX+b                │
           │  ρ=0 ⇔ 不相关（非独立！）        │  一阶原点矩 m₁=E(X)  = 期望
           ▼                                 │  二阶中心矩 μ₂=Var(X)= 方差
  ┌──────────────────────────────────────┐   │  三阶中心矩 → 偏度
  │ 独立 ⇒ 不相关 (ρ=0)                  │   │  四阶中心矩 → 峰度
  │ 不相关 ⇏ 独立（反例：Y=X², X~N(0,1)） │   │
  │ 唯二正态分布：独立⇔不相关              │   ◄────────────────────┘
  └──────────────────────────────────────┘

  ┌─────────────────────────────────────────────────────────────────────────┐
  │  独立分支：常见分布的数字特征（"乘法口诀"，全书计算加速器）                  │
  │                                                                         │
  │  二项 B(n,p):  E=np, Var=np(1−p)  ← 拆成n个独立0-1之和，期望加/方差加     │
  │  泊松 P(λ):    E=λ, Var=λ        ← 唯一期望=方差的分布                   │
  │  均匀 U(a,b):  E=(a+b)/2          ← 中心在正中间                          │
  │               Var=(b−a)²/12      ← 分母12                                │
  │  指数 Exp(λ):  E=1/λ, Var=1/λ²   ← 分部积分推导                           │
  │  正态 N(μ,σ²): E=μ, Var=σ²       ← 参数直接就是期望方差！                  │
  │                                                                         │
  │  记忆口诀：二项=0-1的n倍 | 泊松两值相等 | 均匀中分除12 | 指数积分两次       │
  └─────────────────────────────────────────────────────────────────────────┘

顺着箭头读一遍就记住全章骨架：从期望定义出发 → 利用线性性质推导方差公式 → 方差展开时"多出来的交叉项"引出协方差 → 协方差除以标准差得到相关系数 → 独立/不相关的辨析是本章最深的坑。另一条支线：协方差推广到多个变量就是协方差矩阵，矩则把期望和方差统一到一个更大的框架里。

🔗 章末过渡

本章讲完了。你现在手里有了两把"尺子"：期望（量平均水平）和方差（量波动大小），还有一对"关系探测器"：协方差和相关系数。这些工具就是概率论后续全部计算的基石。

下一章（第5章）要讲大数定律与中心极限定理。你会发现本章背的公式在那里反复出现——切比雪夫不等式用期望和方差估计概率上界，辛钦大数定律用期望说明样本均值趋向总体均值，中心极限定理用期望和方差把一切标准化成正态分布。简单说：第4章是"造工具"，第5章是"用工具回答更深刻的问题"——当我们重复做无数次实验，结果会趋向什么？

趁本章公式还热乎，翻到章首把"必背六种分布"的期望和方差再默写一遍。这六组数字在第5章会像乘法口诀一样反复用到。