【概率论】随机变量的数字特征

数学期望

一、定义

1. 一维离散型随机变量

设离散型随机变量$X$的分布律为 P { X = x i } = p i . i = 1 , 2 , ⋯ P\{X=x_{i}\}=p_{i}.i=1,2,\cdots P{ X=xi​}=pi​.i=1,2,⋯，则随机变量$X$的数学期望为$\sum _{i=1}^{\infty }{x}_i{p}_i$，记为$EX$，即$EX=\sum _{i=1}^{\infty }{x}_i{p}_i$

推广：若离散型随机变量$X$的分布律为 P { X = x i } = p i , i = 1 , 2 , ⋯ P\{X=x_{i}\}=p_{i},i=1,2,\cdots P{ X=xi​}=pi​,i=1,2,⋯，$Y$是随机变量$X$的函数：$Y=g(X)$，其中$g$为连续函数，则$EY=E[g(X)]=\sum _{i=1}^{\infty }g(x_i)p_i$

2. 一维连续型随机变量

设连续型随机变量$X$的概率密度$f(x)$，则随机变量的数学期望${\int }_{-\infty }^{+\infty }xf(x)dx$，记为$EX$，即$EX={\int }_{-\infty }^{+\infty }xf(x)dx$

推广：若连续型随机变量$X$的概率密度为$f(x)$，$Y$是随机变量$X$的函数：$Y=g(X)$，其中$g$为连续函数，则$EY={\int }_{-\infty }^{+\infty }g(x)f(x)dx$

例1：设$X\sim P(\lambda )$，求$EX$
P { x = k } = λ k k ! e − λ , k = 0 , 1 , 2 , ⋯   , λ > 0 P\{x=k\}=\frac{\lambda^{k}}{k!}e^{-\lambda},k=0,1,2,\cdots,\lambda>0 P{ x=k}=k!λk​e−λ,k=0,1,2,⋯,λ>0
则
$\begin{array}{rl}EX& =\sum _{k=0}^{\infty }k\cdot \frac{{\lambda }^k}{k!}{e}^{-\lambda }\\ & =\lambda e^{-\lambda }\sum _{k=1}^{\infty }\frac{{\lambda }^{k-1}}{(k-1)!}k=0\text{时，}(k-1)!\text{无意义}\\ & =\lambda e^{-\lambda }\sum _{n=0}^{\infty }\frac{{\lambda }^n}{n!}\\ & \text{此处使用无穷数级}{e}^x=\sum _{n=0}^{\infty }\frac{x^n}{n}\\ & =\lambda e^{-\lambda }{e}^{\lambda }\\ & =\lambda \end{array}$
则$EX=\lambda$

例2：设$X\sim U(a,b)$，求$EX$
$f(x)=\{\begin{array}{l}\frac{1}{b-a},a<x<b\\ 0,\text{其他}\end{array}$
则
E X = ∫ − ∞ + ∞ x f ( x ) d x = ∫ a b x b − a d x = 1 2 1 b − a x 2 ∣ a b = a + b 2 \begin{aligned}EX&=\int^{+\infty}_{-\infty}xf(x)dx\\&=\int^{b}_{a}\frac{x}{b-a}dx\\&=\frac{1}{2}\frac{1}{b-a}x^{2}\Big|^{b}_{a}\\&=\frac{a+b}{2}\end{aligned} EX​=∫−∞+∞​xf(x)dx=∫ab​<