定义 利用期望与方差的线性性质，求解随机变量线性组合的期望与方差。
从哪来 建立在 3.2 组合数（用于计算离散型随机变量分布列）和 5.1 独立事件的定义（用于判定方差公式中协方差项是否为零）之上。
为什么 期望具有线性性质 $E(aX+b)=aE(X)+b$，无论 $X,Y$ 是否独立均成立，这是因为期望本质是加权平均，权重相加后系数可提取。
方差具有 $D(aX+b)=a^2D(X)$，这是因为方差衡量的是数据偏离均值的程度，平移（$+b$）不改变离散程度，缩放（$a$）使离散程度变为原来的 $a^2$ 倍。
对于 $D(X+Y)$，只有当 $X,Y$ 相互独立时，$D(X+Y)=D(X)+D(Y)$。若相关，则需加上 $2Cov(X,Y)$。独立性保证了两个变量的波动互不干扰，总波动即为各自波动之和。
适合：直觉型、喜欢物理类比的学生**
**类比法
把期望看作“重心”，方差看作“转动惯量”或“抖动幅度”。
1.
期望：两个物体 $X$ 和 $Y$ 的重心位置，叠加后重心就是各自重心的加权平均。不管它们怎么动，重心叠加是线性的。
2.
方差：想象两个人在走路。
- 如果两人步调完全一致（完全正相关），总抖动是两人抖动之和的平方（$D(X+Y) = (D(X)+D(Y)+2\sqrt{D(X)D(Y)})$，极端情况）。
- 如果两人步调完全相反（完全负相关），抖动会抵消。
-
关键点：只有当两人走路完全互不干扰（独立）时，总的“混乱程度”（方差）才等于各自混乱程度相加。
- 公式记忆：$D(X+Y) = D(X) + D(Y) + 2Cov(X,Y)$。独立时 $Cov=0$，公式简化。
适合：逻辑型、喜欢推导过程的学生**
**代数推导法
从定义出发，严格推导 $D(X+Y)$。
1. $D(X+Y) = E[(X+Y - E(X+Y))^2]$
2. $= E[(X-E(X) + Y-E(Y))^2]$
3. 展开平方项：$E[(X-E(X))^2 + (Y-E(Y))^2 + 2(X-E(X))(Y-E(Y))]$
4. 利用期望线性性质：$D(X) + D(Y) + 2E[(X-E(X))(Y-E(Y))]$
5. 最后一项 $2E[(X-E(X))(Y-E(Y))]$ 就是 $2Cov(X,Y)$。
6.
结论：只有当 $X,Y$ 独立时，$E[(X-E(X))(Y-E(Y))] = E[X-E(X)]E[Y-E(Y)] = 0 \cdot 0 = 0$。
所以独立时，$D(X+Y) = D(X) + D(Y)$。
*强调：不独立时，不能直接相加。*
适合：应试型、追求解题速度的学生**
**口诀与陷阱法
1.
期望口诀：“期望是线性的，系数提出来，常数消掉。”
- $E(aX+b) = aE(X)$
- $E(X+Y) = E(X)+E(Y)$ （
永远成立，无需独立）
2.
方差口诀：“方差平方提，常数消掉；相加看独立，独立才相加。”
- $D(aX+b) = a^2D(X)$ （注意 $a$ 要平方，$b$ 消失）
- $D(X+Y)$：
- 若 $X,Y$
独立 $\rightarrow D(X)+D(Y)$
- 若 $X,Y$
不独立 $\rightarrow$ 不能直接算，需回到定义或求协方差（高中通常只考独立情况或 $D(X-Y)$ 且独立）。
- 特例：$D(X-Y)$，若独立，则 $D(X)+D(Y)$ （因为 $D(-Y)=D(Y)$，且 $X$ 与 $-Y$ 也独立）。
3.
做题步骤：
- 第一步：看是不是独立？（题目说了吗？或者能否通过分布列/事件独立性判断？）
- 第二步：若是独立，直接用 $D(X)+D(Y)$。
- 第三步：若求 $E(X+Y)$，直接 $E(X)+E(Y)$，不用管独立不独立。