本篇笔记内容来源
数理统计学导论(原书第7版) 机械工业出版社
定义期望
设 X X X 是随机变量
如果 X X X 是连续随机变量,具有 p d f f ( x ) pdf\ f(x) pdf f(x) ,并且
∫ − ∞ ∞ ∣ x ∣ f ( x ) d x < ∞ \int^{\infty}_{-\infty}|x|f(x)\mathrm{d}x<\infty ∫−∞∞∣x∣f(x)dx<∞
那么 X X X 的期望是
E ( X ) = ∫ − ∞ ∞ x f ( x ) d x E(X)=\int^{\infty}_{-\infty}xf(x)\mathrm{d}x E(X)=∫−∞∞xf(x)dx
如果 X 是连续随机变量,具有 p m f p ( x ) pmf\ p(x) pmf p(x) ,并且
∑ x ∣ x ∣ p ( x ) < ∞ \sum_x|x|p(x)<\infty x∑∣x∣p(x)<∞
那么 X X X 的期望是
E ( X ) = ∑ x x p ( x ) E(X)=\sum_xxp(x) E(X)=x∑xp(x)
函数的期望
跟上面类似,设 Y = g ( X ) Y=g(X) Y=g(X)
连续情况
如果
∫ − ∞ ∞ ∣ g ( x ) ∣ f X ( x ) d x < ∞ \int^{\infty}_{-\infty}|g(x)|f_X(x)\mathrm{d}x<\infty ∫−∞∞∣g(x)∣fX(x)dx<∞
那么 Y Y Y 的期望为
E ( X ) = ∫ − ∞ ∞ g ( x ) f X ( x ) d x E(X)=\int^{\infty}_{-\infty}g(x)f_X(x)\mathrm{d}x E(X)=∫−∞∞g(x)fX(x)dx
离散情况
如果
∑ x ∣ g ( x ) ∣ p X ( x ) < ∞ \sum_x|g(x)|p_X(x)<\infty x∑∣g(x)∣pX(x)<∞
那么 Y Y Y 的期望为
E ( X ) = ∑ x g ( x ) p X ( x ) E(X)=\sum_xg(x)p_X(x) E(X)=x∑g(x)pX(x)
期望算子是线性算子
设 g 1 ( X ) g_1(X) g1(X) 和 g 2 ( X ) g_2(X) g2(X) 是随机变量 X X X 的函数. 假定 g 1 ( X ) g_1(X) g1(X) 与 g 2 ( X ) g_2(X) g2(X) 的期望均存在. 于是,对于任何常数 k 1 k_1 k1 与 k 2 k_2 k2 , k 1 g 1 ( X ) + k 2 g 2 ( X ) k_1g_1(X)+k_2g_2(X) k1g1(X)+k2g2(X) 的期望存在,且
E [ k 1 g 1 ( X ) + k 2 g 2 ( X ) ] = k 1 E [ g 1 ( X ) ] + k 2 E [ g 2 ( X ) ] E[k_1g_1(X)+k_2g_2(X)]=k_1E[g_1(X)]+k_2E[g_2(X)] E[k1g1(X)+k2g2(X)]=k1E[g1(X)]+k2E[g2(X)]