离散型随机变量的数学期望
定义:
设离散型随机变量
X
X
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
∑
k
=
1
∞
x
k
p
k
\sum_{k=1}^{\infty}x_kp_k
∑k=1∞xkpk绝对收敛,则称级数
∑
k
=
1
∞
x
k
p
k
\sum_{k=1}^{\infty}x_kp_k
∑k=1∞xkpk为
X
X
X的数学期望(简称期望或均值)。记为
E
(
X
)
E(X)
E(X)。即:
E
(
X
)
=
∑
k
=
1
∞
x
k
p
k
E(X)=\sum_{k=1}^{\infty}x_kp_k
E(X)=k=1∑∞xkpk
连续型随机变量的数学期望
设连续型随机变量 X X X的密度函数为 f ( x ) f(x) f(x),若积分 ∫ − ∞ + ∞ x f ( x ) \int_{-\infty}^{+\infty}xf(x) ∫−∞+∞xf(x)绝对收敛,称该积分值为随机变量 X X X的数学期望,记为 E ( X ) E(X) E(X)。即: E ( X ) = ∫ − ∞ + ∞ x f ( x ) d x E(X)=\int_{-\infty}^{+\infty}xf(x)dx E(X)=∫−∞+∞xf(x)dx
随机变量函数的数学期望
设
X
X
X是随机变量,
g
(
x
)
g(x)
g(x)为实值函数,则
Y
=
g
(
X
)
Y=g(X)
Y=g(X)也是随机变量。
有:
x
x
x为离散型、连续型随机变量:
E
[
g
(
x
)
]
=
∑
i
=
1
∞
g
(
x
i
)
p
i
E[g(x)]=\sum_{i=1}^{\infty}g(x_i)p_i
E[g(x)]=i=1∑∞g(xi)pi
E
[
g
(
x
)
]
=
∫
−
∞
+
∞
g
(
x
)
f
(
x
)
d
x
E[g(x)]=\int_{-\infty}^{+\infty}g(x)f(x)dx
E[g(x)]=∫−∞+∞g(x)f(x)dx
x
x
x为二维离散型、连续型随机变量:
E
[
g
(
x
,
y
)
]
=
∑
i
=
1
∞
∑
j
=
1
∞
g
(
x
i
,
y
i
)
p
i
j
E[g(x,y)]=\sum_{i=1}^{\infty}\sum_{j=1}^{\infty}g(x_i,y_i)p_{ij}
E[g(x,y)]=i=1∑∞j=1∑∞g(xi,yi)pij
E
[
g
(
x
,
y
)
]
=
∫
−
∞
+
∞
∫
−
∞
+
∞
g
(
x
,
y
)
f
(
x
,
y
)
d
x
d
y
E[g(x,y)]=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy
E[g(x,y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy
数学期望的性质
- E ( c ) = c E(c)=c E(c)=c,其中 c c c为常数
- E ( c X ) = c E ( X ) E(cX)=cE(X) E(cX)=cE(X)
- E ( X + Y ) = E ( X ) + E ( Y ) E(X+Y)=E(X)+E(Y) E(X+Y)=E(X)+E(Y)
- 若 X X X与 Y Y Y相互独立,则有 E ( X Y ) = E ( X ) E ( Y ) E(XY)=E(X)E(Y) 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 ∼ B ( 1 , p ) X\sim B(1,p) X∼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 ) (x=0,1) (x=0,1) | p p p |
二项分布 X ∼ B ( n , p ) X\sim B(n,p) X∼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}=Cnkpkqn−k ( k = 0 , 1 , 2 , . . . , n ; q = 1 − p ) (k=0,1,2,...,n;q=1-p) (k=0,1,2,...,n;q=1−p) | n p np np |
泊松分布 X ∼ P ( λ ) / π ( λ ) X\sim P(\lambda)/\pi(\lambda) X∼P(λ)/π(λ) | P { X = k } = λ k k ! e − λ P\{X=k\}=\frac{\lambda^k}{k!}e^{-\lambda} P{X=k}=k!λke−λ ( k = 0 , 1 , 2 , . . . ; λ > 0 ) (k=0,1,2,...;\lambda > 0) (k=0,1,2,...;λ>0) | λ \lambda λ |
均匀分布 X ∼ U [ a , b ] X\sim U[a,b] X∼U[a,b] | f ( n ) = { 1 b − a , x ⩾ 0 0 , o t h e r w i s e f(n) =\begin{cases}\frac{1}{b-a}, x\geqslant 0 \\0,otherwise\end{cases} f(n)={b−a1,x⩾00,otherwise | a + b 2 \frac{a+b}{2} 2a+b |
指数分布 X ∼ E ( λ ) X\sim E(\lambda) X∼E(λ) | f ( n ) = { λ e − λ x , x ⩾ 0 0 , o t h e r w i s e f(n) =\begin{cases}\lambda e^{-\lambda x}, x\geqslant 0 \\0,otherwise\end{cases} f(n)={λe−λx,x⩾00,otherwise ( λ > 0 ) (\lambda > 0) (λ>0) | λ − 1 \lambda^{-1} λ−1 |
正态分布 X ∼ N ( μ , ) X\sim N(\mu, ) X∼N(μ,) | f ( x ) = 1 2 π σ e − ( x − μ ) 2 2 σ 2 f(x)=\frac{1}{\sqrt{2\pi} \sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} f(x)=2πσ1e−2σ2(x−μ)2 ( − ∞ < x < + ∞ ) (-\infty < x < +\infty) (−∞<x<+∞) | μ \mu μ |