随机变量的数学期望

离散型随机变量的数学期望

定义：
设离散型随机变量$X$的分布律为： P { X = x k } = p k ， k = 1 , 2 , . . . P\{X=x_k\}=p_k，k=1,2,... P{X=xk​}=pk​，k=1,2,...若级数${\sum }_{k=1}^{\infty }{x}_k{p}_k$绝对收敛，则称级数${\sum }_{k=1}^{\infty }{x}_k{p}_k$为$X$的数学期望(简称期望或均值)。记为$E(X)$。即：$$E(X)=\sum _{k=1}^{\infty }{x}_k{p}_k$$

连续型随机变量的数学期望

设连续型随机变量$X$的密度函数为$f(x)$，若积分${\int }_{-\infty }^{+\infty }xf(x)$绝对收敛，称该积分值为随机变量$X$的数学期望，记为$E(X)$。即：$$E(X)={\int }_{-\infty }^{+\infty }xf(x)dx$$

随机变量函数的数学期望

设$X$是随机变量，$g(x)$为实值函数，则$Y=g(X)$也是随机变量。
有：
$x$为离散型、连续型随机变量：
$$E[g(x)]=\sum _{i=1}^{\infty }g(x_i)p_i$$$$E[g(x)]={\int }_{-\infty }^{+\infty }g(x)f(x)dx$$$x$为二维离散型、连续型随机变量：$$E[g(x,y)]=\sum _{i=1}^{\infty }\sum _{j=1}^{\infty }g(x_i,y_i)p_{ij}$$$$E[g(x,y)]={\int }_{-\infty }^{+\infty }{\int }_{-\infty }^{+\infty }g(x,y)f(x,y)dxdy$$

数学期望的性质

1. $E(c)=c$，其中$c$为常数
2. $E(cX)=cE(X)$
3. $E(X+Y)=E(X)+E(Y)$
4. 若$X$与$Y$相互独立，则有$E(XY)=E(X)E(Y)$

常用分布的数学期望

分布函数	分布律或概率密度函数	数学期望
两点分布$X\sim B(1,p)$	P { X = x } = p x ( 1 − p ) 1 − x P\{X=x\}=p^x(1-p)^{1-x} P{X=x}=px(1−p)1−x$$(x=0,1)$$	$p$
二项分布$X\sim B(n,p)$	P { X = k } = C n k p k q n − k P\{X=k\}=C_{n}^{k}p^kq^{n-k} P{X=k}=Cnk​pkqn−k$$(k=0,1,2,...,n；q=1-p)$$	$np$
泊松分布$X\sim P(\lambda )/\pi (\lambda )$	P { X = k } = λ k k ! e − λ P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda} P{X=k}=k!λk​e−λ$$(k=0,1,2,...；\lambda >0)$$	$\lambda$
均匀分布$X\sim U[a,b]$	$$f(n)=\{\begin{array}{l}\frac{1}{b-a}，x⩾0\\ 0，otherwise\end{array}$$	$\frac{a+b}{2}$
指数分布$X\sim E(\lambda )$	$$f(n)=\{\begin{array}{l}\lambda e^{-\lambda x}，x⩾0\\ 0，otherwise\end{array}$$$$(\lambda >0)$$	${\lambda }^{-1}$
正态分布$X\sim N(\mu ,)$	$$f(x)=\frac{1}{\sqrt{2\pi }\sigma }{e}^{-\frac{(x-\mu {)}^2}{2{\sigma }^2}}$$$$(-\infty <x<+\infty )$$	$\mu$