期望
定义:
离散型
数学期望其实就是加权平均数。
m X = E [ X ] = ∑ x ∈ E X x p X ( x ) = ∑ k x k p X ( x k ) m_X = E[X] = \sum_{x \in E_X}xp_X(x) = \sum_k x_k p_X(x_k) mX=E[X]=x∈EX∑xpX(x)=k∑xkpX(xk)
只有上述级数绝对收敛时,期望才存在。
可以通过思考无数次实验的平均值来证明期望的公式。
连续型
假 设 X 的 p d f 是 f ( x ) , 如 果 ∫ − ∞ + ∞ x f ( x ) 绝 对 收 敛 , 则 E ( X ) = ∫ − ∞ + ∞ x f ( x ) 。 假设X的pdf是f(x),如果\int_{-\infty}^{+\infty}xf(x)绝对收敛,则E(X) = \int_{-\infty}^{+\infty}xf(x)。 假设X的pdf是f(x),如果∫−∞+∞xf(x)绝对收敛,则E(X)=∫−∞+∞xf(x)。
函数的期望
一维变量
令 Y = g ( X ) , E ( X ) = ∑ k = 1 n g ( x k ) P ( X k ) 令Y = g(X),E(X) =\sum_{k=1}^{n}g(x_k)P(X_k) 令Y=g(X),E(X)=k=1∑ng(xk)P(Xk)
可以直接用X的pmf来求。
二维变量
求 Z = g ( X , Y ) Z = g(X,Y) Z=g(X,Y)的期望:
E ( Z ) = ∑ i ∑ j g ( x i , y j ) P i j E(Z) = \sum_i \sum_j g(x_i,y_j)P_{ij} E(Z)=i∑j∑g(x