期望、方差的线性关系证明

尝试模仿gbl的笔法（bushi
注：若事件有无穷种结果，这种方法可能不严谨。

假设有两个相互独立事件：
事件1：$P(A=a_i)=x_i(i=1,2,...,n)$，$A$的期望为$E(A)$，方差为$D(A)$。
事件2：$P(B=b_i)=y_i(j=1,2,...,m)$，$B$的期望为$E(B)$，方差为$D(B)$。
令$C=A+B$。
则$E(C)=E(A)+E(B),D(C)=D(A)+D(B)$。

分析：随机事件的性质说明$\sum _{i=1}^n{x}_i=1$，$\sum _{i=1}^m{y}_i=1$。
由期望的定义，$E(A)=\sum _{i=1}^n{x}_i{a}_i$，$E(B)=\sum _{i=1}^m{y}_i{b}_i$。
因为两事件独立，所以当$A,B$确定时（设$A=a_i$，$B=b_j$），$C$在这种情况下的取值的概率是可以求出的，为$x_i{y}_j$。
于是可以枚举$i,j$，并计算此时情况下对总期望的贡献。化简可以提取公因式，再用上面四个等式简化表达式。
值得注意的是，若两组数$(i,j),(i^{\prime },j^{\prime })$不同，且$a_i+b_j=a_{i^{\prime }}+b_{j^{\prime }}$，同样可以分别计算贡献。
因为期望的定义式说明可以把$a_i+b_j$提取公因式，再把概率相加。而“把概率相加”就等价于把$C$的每一个确定取值列出来，再把每一个取值的概率算出来，最后算期望。
所以分别计算贡献，和把所有的$C$的可能取值列出来再求期望，结果是相同的。

（我把过程写数学书上了，但忘把数学书带回来了，又要重推一遍）

解：$E(C)=\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j(a_i+b_j)$
$=\sum _{i=1}^n\sum _{j=1}^m{x}_i{a}_i{y}_j+\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j{b}_j$
$=\sum _{i=1}^n{x}_i{a}_i\sum _{j=1}^m{y}_j+\sum _{i=1}^n{x}_i\sum _{j=1}^m{y}_j{b}_j$
$=\sum _{i=1}^n{x}_i{a}_i+\sum _{i=1}^n{x}_{i}E(B)$
$=E(A)+E(B)$。

期望还是很友好的，毒瘤的是方差……

分析：同样的思路，只是多了两个定义式：
$D(A)=\sum _{i=1}^n{x}_i(a_i-E(A){)}^2,D(B)=\sum _{i=1}^m{y}_i(b_i-E(B){)}^2$。
这里依然可以枚举$i,j$并计算对总方差的贡献。当两组不同的$(i,j)$的$a_i+b_j$相同时，由于$E(C)$是确定的，所以同样可以提取公因式然后将概率相加。
但方差中有平方，所以计算过程会很毒瘤——

解：上面已证$E(C)=E(A)+E(B)$。于是
$D(C)=\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j(a_i+b_j-E(A)-E(B){)}^2$
$=\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[(a_i-E(A))+(b_j-E(B)){]}^2$
$=\sum _{i=1}^n\sum _{j=1}^n{x}_i{y}_j[a_i-E(A){]}^2+\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[b_j-E(B){]}^2+2\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[a_i-E(A)][b_j-E(B)]$
$=\sum _{i=1}^n{x}_i[a_i-E(A){]}^2\sum _{j=1}^m{y}_j+\sum _{i=1}^n{x}_i\sum _{j=1}^m{y}_j[b_j-E(B){]}^2+2\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[a_i-E(A)][b_j-E(B)]$
$=\sum _{i=1}^n{x}_i[a_i-E(A){]}^2+\sum _{i=1}^n{x}_{i}D(B)+2\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[a_i-E(A)][b_j-E(B)]$
$=D(A)+D(B)+2\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[a_i-E(A)][b_j-E(B)]$。

而$\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j[a_i-E(A)][b_j-E(B)]$
$=\sum _{i=1}^n\sum _{j=1}^m{x}_i{a}_i{y}_j{b}_j-\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j{a}_{i}E(B)-\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_j{b}_{j}E(A)+\sum _{i=1}^n\sum _{j=1}^m{x}_i{y}_{j}E(A)E(B)$
$=\sum _{i=1}^n{x}_i{a}_i\sum _{j=1}^m{y}_j{b}_j-E(B)\sum _{i=1}^n{x}_i{a}_i\sum _{j=1}^m{y}_j-E(A)\sum _{i=1}^n{x}_i\sum _{j=1}^m{y}_j{b}_j+E(A)E(B)\sum _{i=1}^n{x}_i\sum _{j=1}^m{y}_j$。
$=\sum _{i=1}^n{x}_i{a}_{i}E(B)-E(B)\sum _{i=1}^n{x}_i{a}_i-E(A)\sum _{i=1}^n{x}_{i}E(B)+E(A)E(B)\sum _{i=1}^n{x}_i$
$=E(A)E(B)-E(A)E(B)-E(A)E(B)+E(A)E(B)$
$=0$。

故$D(C)=D(A)+D(B)+0=D(A)+D(B)$。

后记：
这种做法太暴力了……应该会有更妙的证法吧？
推之前我只知道期望有线性性，没想到方差也有
课本上只给了二项分布的期望和方差，而方差没有证明，期望是通过组合数的特殊性质证明的。
感觉课本上那样的证法也不是很好，那个只适合二项分布，而且证明也不需要用组合数性质。
但因为笔者能力有限，想不出更巧妙的做法，所以期待各位巨佬的指点。
另附二项分布期望和方差公式：
$E(X)=np$
$D(X)=np(1-p)$

后后记（？）：
巨佬mhy给了一个jcl讲的奇妙公式：$D(X)=E(X^2)-E(X{)}^2$
证明：$D(X)=\sum _{i=1}^n{p}_i(x_i-E(X){)}^2$
$=\sum _{i=1}^n{p}_i{x}_i^2-\sum _{i=1}^{n}2p_i{x}_{i}E(X)+\sum _{i=1}^n{p}_{i}E(X{)}^2$
$=E(X^2)-2E(X)\sum _{i=1}^n{p}_i{x}_i+E(X{)}^2\sum _{i=1}^n{p}_i$
$=E(X^2)-2E(X{)}^2+E(X{)}^2$
$=E(X^2)-E(X{)}^2$。
于是再次证明$D(A+B)=D(A)+D(B)$：
$D(A+B)=E((A+B{)}^2)-E(A+B{)}^2$
$=E(A^2+B^2+2AB)-[E(A)+E(B){]}^2$
$=E(A^2)+E(B^2)+2E(AB)-E(A{)}^2-E(B{)}^2-2E(AB)$
$=[E(A^2)-E(A)]+[E(B^2)-E(B)]$
$=D(A)+D(B)$。