mobile wallpaper 1mobile wallpaper 2mobile wallpaper 3mobile wallpaper 4mobile wallpaper 5mobile wallpaper 6
Profile Image of the Author
黎明
公告
欢迎来到黎明的小站。本站用于堆叠平时的技术痕迹，记录一些值得留存的想法。
标签
3393 字
9 分钟
随机变量的数字特征
2026-06-22 11:26:44
概率论
概率论
/
数字特征
/
数学期望
/
方差
/
协方差
/
相关系数

本文主要梳理随机变量的数字特征。这一章的核心思想可以总结为：

用几个关键的数值来概括随机变量分布的主要特征\boxed{\text{用几个关键的数值来概括随机变量分布的主要特征}}

前面的分布律、概率密度函数和累积分布函数能够完整地描述随机变量的概率分布。然而，在实际问题中，人们往往更需要从分布中提取出最具有代表性的指标，例如：

  • 衡量平均水平：数学期望；
  • 衡量波动程度：方差与标准差；
  • 衡量两个随机变量的相关关系：协方差与相关系数；
  • 更高阶的特征描述：矩。

1. 数学期望#

数学期望也常称为均值，它描述的是随机变量取值的平均水平，记作：

E(X)E(X)

需要明确的是，数学期望并不代表随机变量 XX 一定会取到这个数值，而是代表在大量重复试验后，随机变量取值的长期平均水平。

1.1 离散型随机变量的数学期望#

若离散型随机变量 XX 的分布律为：

P(X=xi)=pi,i=1,2,…P(X = x_i) = p_i, \quad i = 1, 2, \dots

则 XX 的数学期望定义为：

E(X)=∑ixipi\boxed{E(X) = \sum_i x_i p_i}

这里要求级数必须是绝对收敛的，即 ∑i∣xi∣pi\sum_i |x_i| p_i 存在。

简要理解：

期望=取值×对应概率，然后进行求和\boxed{\text{期望} = \text{取值} \times \text{对应概率}，\text{然后进行求和}}

计算示例#

掷一个均匀的骰子，令随机变量 XX 表示掷出的点数。

易知 XX 的分布律为：

P(X=1)=P(X=2)=⋯=P(X=6)=16P(X = 1) = P(X = 2) = \dots = P(X = 6) = \frac{1}{6}

则其数学期望为：

E(X)=1⋅16+2⋅16+⋯+6⋅16E(X) = 1 \cdot \frac{1}{6} + 2 \cdot \frac{1}{6} + \dots + 6 \cdot \frac{1}{6}E(X)=1+2+3+4+5+66=216=3.5E(X) = \frac{1 + 2 + 3 + 4 + 5 + 6}{6} = \frac{21}{6} = 3.5

骰子的点数只可能是整数，绝不可能掷出 3.5 这个值，但 3.5 代表了长期掷骰子得到的点数平均值。

1.2 连续型随机变量的数学期望#

若连续型随机变量 XX 的概率密度函数为 f(x)f(x)，则其数学期望定义为：

E(X)=∫−∞+∞xf(x) dx\boxed{E(X) = \int_{-\infty}^{+\infty} x f(x)\,dx}

要求该积分绝对收敛。

简要理解：

连续型期望：将离散型的求和符号替换为积分运算\boxed{\text{连续型期望：将离散型的求和符号替换为积分运算}}

计算示例#

设随机变量 XX 在区间 [0,1][0, 1] 上服从均匀分布，即：

X∼U(0,1)X \sim U(0, 1)

其概率密度函数为：

f(x)={1,0<x<10,其他f(x) = \begin{cases} 1, & 0 < x < 1 \\ 0, & \text{其他} \end{cases}

根据公式计算其数学期望：

E(X)=∫01x⋅1 dx=[12x2]01=12E(X) = \int_0^1 x \cdot 1\,dx = \left[ \frac{1}{2}x^2 \right]_0^1 = \frac{1}{2}

2. 随机变量函数的期望#

在很多实际计算中，我们并不是直接求解 E(X)E(X)，而是需要求解由 XX 通过某种函数关系 g(X)g(X) 得到的新随机变量的期望：

E[g(X)]E[g(X)]

例如常见的：E(X2)E(X^2)、E(2X+1)E(2X + 1)、E(eX)E(e^X)。

求此类期望时，无需先推导新随机变量 Y=g(X)Y = g(X) 的概率分布，直接利用下述公式进行计算即可。

2.1 离散型情况#

若 XX 的分布律为 P(X=xi)=piP(X = x_i) = p_i，则其函数的期望为：

E[g(X)]=∑ig(xi)pi\boxed{E[g(X)] = \sum_i g(x_i)p_i}

2.2 连续型情况#

若 XX 的密度函数为 f(x)f(x)，则其函数的期望为：

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

这两个期望求法极其重要，特别是在计算方差时，通常需要优先套用此公式求出 E(X2)E(X^2)。

3. 数学期望的性质#

性质一：常数的期望#

常数不具备随机性，其期望即为常数本身。

E(c)=c\boxed{E(c) = c}

性质二：线性性质#

数学期望是一个线性算子，满足如下拆分规则：

E(aX+b)=aE(X)+b\boxed{E(aX + b) = aE(X) + b}

对于两个随机变量的和：

E(aX+bY)=aE(X)+bE(Y)\boxed{E(aX + bY) = aE(X) + bE(Y)}

需要特别提醒的是：此线性性质对任意随机变量 X,YX, Y 均成立，不需要它们相互独立。

性质三：独立变量乘积的期望#

如果随机变量 XX 与 YY 相互独立，则它们乘积的期望等于各自期望的乘积：

E(XY)=E(X)E(Y)\boxed{E(XY) = E(X)E(Y)}

注意其反面结论：当满足 E(XY)=E(X)E(Y)E(XY) = E(X)E(Y) 时，并不能反向推导得出 X,YX, Y 相互独立。

4. 方差#

均值描述的是随机变量的平均水平，但无法反映随机变量取值在其均值周围波动的剧烈程度。

例如两个学生的成绩数据：

  • 学生甲：80,80,8080, 80, 80
  • 学生乙：60,80,10060, 80, 100

他们的平均分都是 80 分，但显然学生乙的成绩波动性、不确定性大得多。

为了刻画这种偏差程度，引入方差。

方差记作：

D(X)或Var⁡(X)D(X) \quad \text{或} \quad \operatorname{Var}(X)

其定义为：

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

它代表随机变量取值与其期望值之间偏差平方的平均水平。

方差的常用计算公式#

在实际计算中，利用定义直接求方差往往比较繁琐，通常采用以下推导出的化简公式：

D(X)=E(X2)−[E(X)]2\boxed{D(X) = E(X^2) - [E(X)]^2}

这是求解方差最常用的黄金公式。

做题步骤通常分为三步：

  1. 算出 E(X)E(X)；
  2. 算出 E(X2)E(X^2)；
  3. 代入公式 D(X)=E(X2)−[E(X)]2D(X) = E(X^2) - [E(X)]^2 得到最终结果。

计算示例#

我们来求解掷骰子点数 XX 的方差。

已知期望 E(X)=3.5=72E(X) = 3.5 = \frac{7}{2}。

首先计算 E(X2)E(X^2)：

E(X2)=12⋅16+22⋅16+⋯+62⋅16E(X^2) = 1^2 \cdot \frac{1}{6} + 2^2 \cdot \frac{1}{6} + \dots + 6^2 \cdot \frac{1}{6}E(X2)=1+4+9+16+25+366=916E(X^2) = \frac{1 + 4 + 9 + 16 + 25 + 36}{6} = \frac{91}{6}

然后代入常用公式计算方差：

D(X)=E(X2)−[E(X)]2=916−(72)2D(X) = E(X^2) - [E(X)]^2 = \frac{91}{6} - \left(\frac{7}{2}\right)^2D(X)=916−494=182−14712=3512D(X) = \frac{91}{6} - \frac{49}{4} = \frac{182 - 147}{12} = \frac{35}{12}

5. 标准差#

由于方差公式中含有平方项，导致方差的量纲（单位）是原随机变量单位的平方。例如当随机变量表示身高（单位为厘米）时，其方差的单位变成了平方厘米，在直观上不便于比较。

因此引入标准差，记作 σ(X)\sigma(X)：

σ(X)=D(X)\boxed{\sigma(X) = \sqrt{D(X)}}

标准差的单位与随机变量本身的单位完全一致，能更直观地反映随机变量偏离均值的实际波动幅度。

6. 方差的性质#

性质一：常数的方差为 0#

常数没有波动性，其方差必然为 0。

D(c)=0\boxed{D(c) = 0}

性质二：平移不改变方差#

将随机变量整体加上一个常数，只是整体平移，并不改变其取值的离散程度（波动幅度）：

D(X+b)=D(X)\boxed{D(X + b) = D(X)}

性质三：倍数呈平方系数影响方差#

自变量放大 aa 倍，其对应的波动偏差的平方则会放大 a2a^2 倍：

D(aX)=a2D(X)\boxed{D(aX) = a^2 D(X)}

结合性质二，可以得到常用的复合线性公式：

D(aX+b)=a2D(X)\boxed{D(aX + b) = a^2 D(X)}

性质四：两个随机变量和与差的方差#

在一般情况下，和的方差公式中必须包含它们之间的协方差项：

D(X+Y)=D(X)+D(Y)+2Cov⁡(X,Y)\boxed{D(X + Y) = D(X) + D(Y) + 2\operatorname{Cov}(X, Y)}

如果随机变量 XX 与 YY 相互独立，则协方差项为 0，公式化简为：

D(X+Y)=D(X)+D(Y)\boxed{D(X + Y) = D(X) + D(Y)}

同理，当随机变量相互独立时，差的方差公式也为加号：

D(X−Y)=D(X)+D(Y)\boxed{D(X - Y) = D(X) + D(Y)}

注意：无论独立时是相加还是相减，方差均是直接求和，没有减法。

7. 常见分布的期望和方差#

熟练记忆常见分布的期望与方差，在做选择题、填空题时可以极大地提高解题速度。

分布类型记号数学期望 E(X)E(X)方差 D(X)D(X)
两点分布X∼B(1,p)X \sim B(1, p)ppp(1−p)p(1 - p)
二项分布X∼B(n,p)X \sim B(n, p)npnpnp(1−p)np(1 - p)
泊松分布X∼P(λ)X \sim P(\lambda)λ\lambdaλ\lambda
均匀分布X∼U(a,b)X \sim U(a, b)a+b2\dfrac{a + b}{2}(b−a)212\dfrac{(b - a)^2}{12}
指数分布X∼E(λ)X \sim E(\lambda)1λ\dfrac{1}{\lambda}1λ2\dfrac{1}{\lambda^2}
正态分布X∼N(μ,σ2)X \sim N(\mu, \sigma^2)μ\muσ2\sigma^2

8. 协方差#

方差用来研究一个随机变量自身的波动程度。当我们需要同时考察两个随机变量，研究它们之间共同变化的关联关系时，就需要使用协方差。

协方差记作 Cov⁡(X,Y)\operatorname{Cov}(X, Y)，其定义为：

Cov⁡(X,Y)=E[(X−E(X))(Y−E(Y))]\boxed{\operatorname{Cov}(X, Y) = E\left[(X - E(X))(Y - E(Y))\right]}

实际计算中，常使用以下计算公式：

Cov⁡(X,Y)=E(XY)−E(X)E(Y)\boxed{\operatorname{Cov}(X, Y) = E(XY) - E(X)E(Y)}

协方差的物理意义#

  • Cov⁡(X,Y)>0\operatorname{Cov}(X, Y) > 0：表示 XX 与 YY 呈同向变化趋势（正相关），即 XX 变大时 YY 往往也偏大。
  • Cov⁡(X,Y)<0\operatorname{Cov}(X, Y) < 0：表示 XX 与 YY 呈反向变化趋势（负相关），即 XX 变大时 YY 往往偏小。
  • Cov⁡(X,Y)=0\operatorname{Cov}(X, Y) = 0：表示 XX 与 YY 不存在线性相关关系。

关于独立与相关的核心区别，必须牢记：

X,Y 相互独立  ⟹  Cov⁡(X,Y)=0(即不线性相关)\boxed{X, Y \text{ 相互独立} \implies \operatorname{Cov}(X, Y) = 0 \quad (\text{即不线性相关})}Cov⁡(X,Y)=0无法推导得出 X,Y 相互独立\boxed{\operatorname{Cov}(X, Y) = 0 \quad \text{无法推导得出 } X, Y \text{ 相互独立}}

也就是说，独立是强条件，不相关是弱条件。独立一定不相关，不相关不一定独立。

9. 相关系数#

协方差包含了两随机变量本身的量纲单位，其绝对值的大小易受到变量本身取值尺度的影响，不利于横向对比相关程度。

因此对协方差进行无量纲标准化处理，引入相关系数 ρXY\rho_{XY}：

ρXY=Cov⁡(X,Y)D(X)D(Y)\boxed{\rho_{XY} = \frac{\operatorname{Cov}(X, Y)}{\sqrt{D(X)}\sqrt{D(Y)}}}

相关系数的数值范围被限定在：

−1≤ρXY≤1-1 \le \rho_{XY} \le 1

相关系数的取值含义#

相关系数值含义说明
ρXY>0\rho_{XY} > 0XX 与 YY 之间存在正线性相关关系
ρXY<0\rho_{XY} < 0XX 与 YY 之间存在负线性相关关系
ρXY=0\rho_{XY} = 0XX 与 YY 之间不存在线性相关关系，即不相关
ρXY=1\rho_{XY} = 1XX 与 YY 之间存在完全正线性相关关系（即存在 Y=aX+b,a>0Y = aX + b, a > 0 的确定关系）
ρXY=−1\rho_{XY} = -1XX 与 YY 之间存在完全负线性相关关系（即存在 Y=aX+b,a<0Y = aX + b, a < 0 的确定关系）

注意：相关系数只衡量两个随机变量之间的线性关系，若两个随机变量之间存在非线性的确定关系（例如抛物线关系 Y=X2Y = X^2），它们的相关系数仍可能为 0。

10. 矩#

矩是比期望、方差更为一般化的数字特征。

10.1 原点矩#

随机变量 XX 的 kk 阶原点矩定义为：

αk=E(Xk)(k=1,2,… )\boxed{\alpha_k = E(X^k) \quad (k = 1, 2, \dots)}
  • 一阶原点矩即为数学期望：E(X)E(X)；
  • 二阶原点矩为平方的期望：E(X2)E(X^2)。

10.2 中心矩#

随机变量 XX 的 kk 阶中心矩定义为：

μk=E[(X−E(X))k](k=1,2,… )\boxed{\mu_k = E\left[(X - E(X))^k\right] \quad (k = 1, 2, \dots)}
  • 一阶中心矩恒等于 0：E[X−E(X)]=0E\left[X - E(X)\right] = 0；
  • 二阶中心矩即为方差：D(X)=E[(X−E(X))2]D(X) = E\left[(X - E(X))^2\right]；
  • 三阶、四阶中心矩分别在统计学中与分布的偏度及峰度密切相关。

11. 二维随机变量中的数字特征#

若题目中给出的是二维随机变量 (X,Y)(X, Y)，考生通常需要求解以下六个核心数字特征：

E(X),E(Y),D(X),D(Y),Cov⁡(X,Y),ρXYE(X), \quad E(Y), \quad D(X), \quad D(Y), \quad \operatorname{Cov}(X, Y), \quad \rho_{XY}

这其中，最关键的中间计算量是乘积的期望 E(XY)E(XY)，通过它代入公式求得协方差：

Cov⁡(X,Y)=E(XY)−E(X)E(Y)\boxed{\operatorname{Cov}(X, Y) = E(XY) - E(X)E(Y)}

12. 离散型二维随机变量求数字特征#

若已知离散型随机变量 (X,Y)(X, Y) 的联合分布律为 P(X=xi,Y=yj)=pijP(X = x_i, Y = y_j) = p_{ij}，则各数字特征通过双重求和公式进行计算：

  • 均值求法：
E(X)=∑i∑jxipij\boxed{E(X) = \sum_i \sum_j x_i p_{ij}}E(Y)=∑i∑jyjpij\boxed{E(Y) = \sum_i \sum_j y_j p_{ij}}
  • 乘积期望求法：
E(XY)=∑i∑jxiyjpij\boxed{E(XY) = \sum_i \sum_j x_i y_j p_{ij}}

进而求出各自的方差与协方差：

D(X)=E(X2)−[E(X)]2=∑i∑jxi2pij−[E(X)]2D(X) = E(X^2) - [E(X)]^2 = \sum_i \sum_j x_i^2 p_{ij} - [E(X)]^2D(Y)=E(Y2)−[E(Y)]2=∑i∑jyj2pij−[E(Y)]2D(Y) = E(Y^2) - [E(Y)]^2 = \sum_i \sum_j y_j^2 p_{ij} - [E(Y)]^2Cov⁡(X,Y)=E(XY)−E(X)E(Y)\operatorname{Cov}(X, Y) = E(XY) - E(X)E(Y)

13. 连续型二维随机变量求数字特征#

若已知连续型随机变量 (X,Y)(X, Y) 的联合概率密度函数为 f(x,y)f(x, y)，则数字特征通过二重积分公式进行计算：

  • 均值求法：
E(X)=∫−∞+∞∫−∞+∞xf(x,y) dx dy\boxed{E(X) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} x f(x, y)\,dx\,dy}E(Y)=∫−∞+∞∫−∞+∞yf(x,y) dx dy\boxed{E(Y) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} y f(x, y)\,dx\,dy}
  • 乘积期望求法：
E(XY)=∫−∞+∞∫−∞+∞xyf(x,y) dx dy\boxed{E(XY) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} xy f(x, y)\,dx\,dy}

同理求出 E(X2)E(X^2) 和 E(Y2)E(Y^2)：

E(X2)=∫−∞+∞∫−∞+∞x2f(x,y) dx dyE(X^2) = \int_{-\infty}^{+\infty} \int_{-\infty}^{+\infty} x^2 f(x, y)\,dx\,dy

然后代入常用公式计算方差与协方差。

14. 典型例题解析#

设离散型随机变量 XX 的分布律表格如下：

X012P0.20.50.3\begin{array}{c|ccc} X & 0 & 1 & 2 \\ \hline P & 0.2 & 0.5 & 0.3 \end{array}

我们要求出其期望 E(X)E(X) 与方差 D(X)D(X)。

第一步：计算数学期望 E(X)E(X)#

根据期望公式：

E(X)=0⋅0.2+1⋅0.5+2⋅0.3E(X) = 0 \cdot 0.2 + 1 \cdot 0.5 + 2 \cdot 0.3E(X)=0+0.5+0.6=1.1E(X) = 0 + 0.5 + 0.6 = 1.1

第二步：计算二阶原点矩 E(X2)E(X^2)#

利用函数期望公式：

E(X2)=02⋅0.2+12⋅0.5+22⋅0.3E(X^2) = 0^2 \cdot 0.2 + 1^2 \cdot 0.5 + 2^2 \cdot 0.3E(X2)=0+0.5+1.2=1.7E(X^2) = 0 + 0.5 + 1.2 = 1.7

第三步：套用常用公式求方差#

代入公式 D(X)=E(X2)−[E(X)]2D(X) = E(X^2) - [E(X)]^2：

D(X)=1.7−(1.1)2=1.7−1.21=0.49D(X) = 1.7 - (1.1)^2 = 1.7 - 1.21 = 0.49

所以，最终答案为：

E(X)=1.1,D(X)=0.49\boxed{E(X) = 1.1, \quad D(X) = 0.49}

15. 常考题型总结#

题型一：已知单变量分布，求期望与方差#

求解步骤：

  1. 离散型利用 E(X)=∑xipiE(X) = \sum x_i p_i，连续型利用 E(X)=∫xf(x) dxE(X) = \int x f(x)\,dx 计算出均值；
  2. 利用函数期望求出 E(X2)E(X^2)；
  3. 代入 D(X)=E(X2)−[E(X)]2D(X) = E(X^2) - [E(X)]^2。

题型二：求随机变量函数的期望 E[g(X)]E[g(X)]#

求解方法：千万不要先去费力推导新变量 Y=g(X)Y = g(X) 的分布，直接将函数关系 g(x)g(x) 带入到原分布的积分或求和式中计算，即 ∑g(xi)pi\sum g(x_i) p_i 或 ∫g(x)f(x) dx\int g(x) f(x)\,dx。

题型三：求解二维联合分布的协方差与相关系数#

求解步骤：

  1. 分别求出 E(X)E(X) 和 E(Y)E(Y)；
  2. 根据联合分布律或联合概率密度函数，计算二重积分或双重求和得到 E(XY)E(XY)；
  3. 利用 Cov⁡(X,Y)=E(XY)−E(X)E(Y)\operatorname{Cov}(X, Y) = E(XY) - E(X)E(Y) 计算协方差；
  4. 若要求相关系数，需额外求出 D(X)D(X) 与 D(Y)D(Y) 后代入分式求解。

题型四：判断随机变量的相关性#

求解方法：计算协方差 Cov⁡(X,Y)\operatorname{Cov}(X, Y)，若等于 0 则二者不相关；若不等于 0 则二者相关。

16. 易错点总结#

易错点一：误认为数学期望就是最可能取的值#

数学期望反映的是均值，但在很多离散分布中，随机变量根本无法取到期望值（如抛硬币正面次数的期望为 0.5，掷骰子点数均值为 3.5）。

易错点二：混淆方差公式的减数与被减数#

计算方差时，常用公式为 E(X2)−[E(X)]2E(X^2) - [E(X)]^2，考生容易将其记反，或者误认为方差直接等于二阶原点矩 E(X2)E(X^2)。

易错点三：计算独立随机变量差的方差时写成减法#

若 X,YX, Y 相互独立，则有：

D(X−Y)=D(X)+D(Y)D(X - Y) = D(X) + D(Y)

许多考生会由于减号而习惯性地写成 D(X)−D(Y)D(X) - D(Y)，导致计算错误。

易错点四：将不相关等同于相互独立#

必须注意：协方差为 0 仅代表它们不存在线性相关性，不代表它们没有其他函数关系，因此无法推导得出独立。只有当随机变量服从二维正态分布时，不相关才与相互独立完全等价。

17. 本章核心公式表#

数字特征离散型公式写法连续型公式写法
数学期望 E(X)E(X)∑ixipi\sum_i x_i p_i∫−∞+∞xf(x) dx\int_{-\infty}^{+\infty} x f(x)\,dx
函数期望 E[g(X)]E[g(X)]∑ig(xi)pi\sum_i g(x_i) p_i∫−∞+∞g(x)f(x) dx\int_{-\infty}^{+\infty} g(x) f(x)\,dx
方差定义式E[(X−E(X))2]E\left[(X - E(X))^2\right]E[(X−E(X))2]E\left[(X - E(X))^2\right]
方差计算常用公式E(X2)−[E(X)]2E(X^2) - [E(X)]^2E(X2)−[E(X)]2E(X^2) - [E(X)]^2
标准差 σ(X)\sigma(X)D(X)\sqrt{D(X)}D(X)\sqrt{D(X)}
协方差常用公式E(XY)−E(X)E(Y)E(XY) - E(X)E(Y)E(XY)−E(X)E(Y)E(XY) - E(X)E(Y)
相关系数 ρXY\rho_{XY}Cov⁡(X,Y)D(X)D(Y)\dfrac{\operatorname{Cov}(X, Y)}{\sqrt{D(X)}\sqrt{D(Y)}}Cov⁡(X,Y)D(X)D(Y)\dfrac{\operatorname{Cov}(X, Y)}{\sqrt{D(X)}\sqrt{D(Y)}}
和的方差公式\multicolumn{2}{c}{D(X+Y)=D(X)+D(Y)+2Cov⁡(X,Y)D(X + Y) = D(X) + D(Y) + 2\operatorname{Cov}(X, Y)}
乘积的期望（独立时）\multicolumn{2}{c}{E(XY)=E(X)E(Y)E(XY) = E(X)E(Y)}

18. 一句话掌握本章#

随机变量的数字特征这一章的主线可以归纳为：

数学期望刻画平均水平→方差度量波动离散→协方差度量变量关联\boxed{\text{数学期望刻画平均水平} \rightarrow \text{方差度量波动离散} \rightarrow \text{协方差度量变量关联}}

解答具体题目时的标准计算逻辑为：

  1. 先求一阶原点矩 E(X)E(X) 与 E(Y)E(Y)，代表各变量的中心位置；
  2. 再求二阶原点矩 E(X2)E(X^2) 与 E(Y2)E(Y^2)，为计算波动程度打下基础；
  3. 代入常用化简公式求出方差 D(X)D(X) 和 D(Y)D(Y)；
  4. 若为二维题，进一步求出乘积期望 E(XY)E(XY)；
  5. 最后利用差值公式算出协方差，进而判断二者相关性并求解相关系数。

19. 框框老师#

Image Image Image Image Image Image

分享

如果这篇文章对你有帮助，欢迎分享给更多人！

随机变量的数字特征
https://www.bilibili.com/video/BV168411Z7pf?p=7
作者
黎明
发布于
2026-06-22 11:26:44
许可协议
MIT

部分信息可能已经过时

数理统计基本概念
二维随机变量及其分布
相关文章 智能推荐
1
一维随机变量及其分布
概率论 系统梳理一维随机变量的定义、分布函数、离散型与连续型随机变量、常见概率分布以及随机变量函数的分布，并提供常考题型解析与易错点总结。
2
二维随机变量及其分布
概率论 系统梳理二维随机变量的定义、联合分布函数、二维离散型与连续型随机变量、边缘分布、条件分布、独立性以及随机变量函数的分布，并提供常考题型解析与易错点总结。
3
随机事件及其概率
概率论 系统梳理随机事件、样本空间、概率公式与常见题型，帮助建立概率论的基础概念框架。
4
参数估计
概率论 系统梳理数理统计中的参数估计，包括矩估计法与最大似然估计法两大点估计方法、估计量的无偏性与有效性评价标准，以及正态总体均值与方差的区间估计理论。
5
常见概率分布
概率论 系统整理概率论与数理统计中的各类常见概率分布，包括两点分布、二项分布、几何分布、超几何分布与泊松分布五大离散型分布，均匀分布、指数分布与正态分布三大连续型分布，以及卡方、t、F三大抽样分布。
随机文章 随机推荐
1
数据结构：最小栈
Algorithm 2026-05-13
2
第二大元素问题
Algorithm 2026-06-10
3
数据结构：栈和队列的互相转化
Algorithm 2026-05-13
4
随机事件及其概率
概率论 2026-06-18
5
最短等待时间（加工顺序问题）
Algorithm 2026-06-15
豫ICP备2026007336号 萌ICP备20266900号
© 2026 黎明. All Rights Reserved. / RSS / Atom / Sitemap
Powered by Astro & Mizuki  Version 9.0

目录