数字特征：数学期望（均值）

 

随机变量的数学期望

【引入】

 一射手进行打靶练习，规定射入区域 $e_2$ 得2分，射入区域 $e_1$ 得1分，脱靶，即射入区域 $e_0$ ，得0分。

射手一次射击得分数 $X$ 是一随机变量。设 $X$ 的分布律为 $P\{ X=k\} =p_k,k=1,2,…$

现在射击 $N$ 次，其中得0分的有 $a_0$ 次，得1分的有 $a_1$ 次，得2分的有 $a_2$ 次，$a_0+a_1+a_2=N$ 。

他射击 $N$ 次得分的总和为 $a_0\times 0+a_1\times 1+a_2\times 2$ 。

于是平均一次射击的得分数为

$$\frac{总分}{总次数}=\frac{a_0\times 0+a_1\times 1+a_2\times 2}{N}=0\frac{a_0}{N}+1\frac{a_1}{N}+2\frac{a_2}{N}=\sum_{k=0}^{2}k\frac{a_k}{N}$$

这里，$a_k/N$是事件 ${X=k}$ 的频率。

在第五章将会讲到，当 $N$ 很大时，$a_k/N$ 在一定意义下接近于事件$\{ X=k\}$的概率 $p_k$ 。

就是说，在试验次数很大时，随机变量 $X$ 的观察值的算术平均 $\sum\limits_{k=0}^{2}k\frac{a_k}{N}$ 在一定意义下接近于 $\sum\limits_{k=0}^{2}kp_k$ ，

我们称 $\sum\limits_{k=0}^{2}kp_k$ 为随机变量 $X$ 的数学期望或均值，一般有以下的定义。

 

【定义】

设离散性随机变量 $X$ 的分布律为 $P\{ X=x_k\} =p_k,k=1,2,…$ 若级数 $\sum\limits_{k=1}^{\infty}x_kp_k$ 绝对收敛，则称级数 $\sum\limits_{k=1}^{\infty}x_kp_k$ 的和为随机变量 $X$ 的数学期望，记为 $E(X)$ 。

即：

$$E(X)=\sum_{k=1}^{\infty}x_kp_k\tag{1.1}$$

设连续型随机变量 $X$ 的概率密度为 $f(x)$ ，若积分 $\int_{-\infty}^{\infty}xf(x)dx$ 绝对收敛，则称积分 $\int_{-\infty}^{\infty}xf(x)dx$ 的值为随机变量 $X$ 的数学期望，记为 $E(X)$ 。

即：

$$E(X)= \int_{-\infty}^{\infty}xf(x)dx\tag{1.2}$$

数学期望简称期望，又称为均值。

数学期望 $E(X)$ 完全由随机变量 $X$ 的概率分布所确定。

若 $X$ 服从某一分布，也称 $E(X)$ 是这一分布的数学期望。

【例1】

【例2】

【例3】

【例4】

【例5】

【例6】泊松分布

设$X\sim \pi (\lambda)$ ，求 $E(X)$ 。

解：$X$ 的分布律为

$$P\{ X=k\} =\frac{\lambda ^ke^{-\lambda}}{k!},k=0,1,2,…,\lambda >0$$

$X$ 的数学期望为

$$E(X)=\sum_{k=0}^{\infty}k\frac{\lambda ^ke^{-\lambda}}{k!}=\lambda e^{-\lambda}\sum_{k=1}^{\infty}\frac{\lambda ^{k-1}}{(k-1)!}=\lambda e^{-\lambda}·e^\lambda=\lambda$$

即 $E(X)=\lambda$

【例7】均匀分布

设 $X\sim U(a,b)$ ，求 $E(X)$ 。

解：$X$ 的概率密度为

$$f(x)=\begin{cases}\frac{1}{b-a},& \textrm{a<x<b}\\ 0,& \textrm{其他}\end{cases}$$

$X$ 的数学期望为：

$$E(X)=\int_{-\infty}^{\infty}xf(x)dx=\int_{a}^{b}\frac{x}{b-a}dx=\frac{a+b}{2}$$

即：数学期望位于区间 $(a,b)$ 的中点。

 

---

 

一个随机变量的函数的数学期望

例如：飞机机翼受到压力 $W=kV^2$ ( $V$ 是风速，$k>0$ 是常数)的作用，需要求 $W$ 的数学期望，这里 $W$ 是随机变量 $V$ 的函数。

这时，可以通过下面的定理来求 $W$ 的数学期望。

【定理】设 $Y$ 是随机变量 $X$ 的函数：$Y=g(X)$ （ $g$ 是连续函数）

$(i)$ 如果 $X$ 是离散型随机变量，它的分布律为 $P\{ X=x_k\} =p_k,k=1,2,…$，若 $\sum\limits_{k=1}^{\infty}g(x_k)p_k$ 绝对收敛，则有

$$E(Y)=E[g(X)]=\sum_{k=1}^{\infty}g(x_k)p_k\tag{1.3}$$

$(ii)$ 如果 $X$ 是连续型随机变量，它的概率密度为 $f(x)$ ，若 $\int_{-\infty}^{\infty}g(x)f(x)dx$ 绝对收敛，则有

$$E(Y)=E[g(X)]=\int_{-\infty}^{\infty}g(x)f(x)dx\tag{1.4}$$

定理的重要意义在于当我们求 $E(Y)$ 时，不必算出 $Y$ 的分布律或概率密度，而只需要利用 $X$ 的分布律或概率密度就可以了。

定理的证明超出了本书的范围，我们只对下述特殊情况加以证明。

证：（省略，日后再补）

 

---

 

 

两个或两个以上随机变量的函数的数学期望

例如，设 $Z$ 是随机变量 $X,Y$ 的函数 $Z=g(X,Y)$ （ $g$ 是连续函数），那么，$Z$ 是一个一维随机变量。

若二维随机变量 $(X,Y)$ 的概率密度为 $f(x,y)$ ，则有

$$E(Z)=E[g(X,Y)]=\int_{-\infty}^{\infty}g(x,y)f(x,y)dxdy\tag{1.5}$$

这里设上式右边的积分绝对收敛。

又若 $(X,Y)$ 为离散型随机变量，其分布律为 $P\{ X=x_i,Y=y_i\} =p_{ij},i,j=1,2,…$，则有

$$E(Z)=E[g(X,Y)]=\sum_{j=1}^{\infty}\sum_{i=1}^{\infty}g(x_i,y_j)p_{ij}\tag{1.6}$$

这里设上式右边的级数绝对收敛。

【例8】

【例9】

【例10】

【例11】

 

---

 

 数学期望的重要性质

1.设 $C$ 是常数，则有 $E(C)=C$ 。

证：

2.设 $X$ 是一随机变量，$C$ 是常数，则有 $E(CX)=CE(X)$

证：

3.设 $X,Y$ 是两个随机变量，则有 $E(X+Y)=E(X)+E(Y)$

这一性质可以推广到任意有限个随机变量之和的情况。

证：

4.设 $X,Y$ 是相互独立的随机变量，则有 $E(XY)=E(X)E(Y)$

这一性质可以推广到任意有限个相互独立的随机变量之积的情况。

证：

【例12】

【例13】

 

转载于:https://www.cnblogs.com/ForTech/p/8602744.html