4.1 数学期望

离散型场合

1、定义

• $\xi$:离散型随机变量
• 取值$x_i$对应概率为$p_i$
• 若级数$\sum _{i=1}^{\infty }{x}_i{p}_i$绝对收敛，称级数为$\xi$的数学期望，简称期望或均值（mean），记$E\xi$
• 当$\sum _{i=1}^{\infty }|x_i|p_i$发散时，$\xi$的期望不存在
• 期望由概率分布唯一确定

2、重要离散分布的期望

伯努利分布

• $A$发生的概率为$p$，期望也为$p$

二项分布

• $$p_k=\left(\begin{array}{c}n\\ k\end{array}\right)p^k{q}^{n-k},k=0,1,...,n$$
• $$期望=\sum _{k=1}^{n}k{p}_k=\sum _{k=1}^{n}k\left(\begin{array}{c}n\\ k\end{array}\right)p^k{q}^{n-k}$$ $$=np\sum _{k=1}^{n}k\left(\begin{array}{c}n-1\\ k-1\end{array}\right)p^{k-1}{q}^{n-k}$$ $$=np(p+q{)}^{n-1}=np$$

泊松

• $$p_k=\frac{{\lambda }^k}{k!}{e}^{-\lambda },k=0,1,2,...$$
• $$\sum _{k=0}^{\infty }k{p}_k=\sum _{k=1}^{\infty }k\cdot \frac{{\lambda }^k}{k!}{e}^{-\lambda }$$ $$=\lambda e^{-\lambda }\sum _{k=1}^{\infty }\frac{{\lambda }^{k-1}}{(k-1)!}=\lambda$$

几何分布

• $$p_k=q^{k-1}p,k=1,2,...$$
• $$\sum _{k=1}^{\infty }k{p}_k=\sum _{k=1}^{\infty }k{q}^{k-1}p$$ $$=p(1+2q+3q^2+...)$$ $$=p(q+q^2+q^3+...{)}^{\prime }=p(\frac{q}{1-q}{)}^{\prime }$$ $$=p\frac{1}{(1-q{)}^2}=\frac{1}{p}$$

3、例子

保险

• 保险业收取保险费的原则：所有被保险人交的保险费=他们能得到的赔偿金的期望
• 设：
  • 出事概率：$p$
  • 投保人数：$N$
  • 纯保险费：$a$
  • 出事赔偿金：$b$
• 求$a,b$
• 推导：根据原则有$$Na=\sum _{k=0}^N\left(\begin{array}{c}N\\ k\end{array}\right)p^k(1-p{)}^{N-k}\cdot kb$$ $$=Npb\sum _{k=1}^N\left(\begin{array}{c}N-1\\ k-1\end{array}\right)p^{k-1}(1-p{)}^{N-k}$$ $$=Npb$$于是得到$a=pb$

验血

• 背景：N个人验血，有两种方式化验
  • （1）每个人都验，N次
  • （2）把$k$个人的血混合起来
    • 结果阴，1次
    • 阳，k+1次
  • 阳性概率：$p$；阴性概率：$q=1-p$
• 解：设每个人需要化验的次数为$\xi =\frac{1}{k}或1+\frac{1}{k}$
  • $k$个人的混血为阳的概率：$1-q^k$
  • 分布列为：$$P(\xi =\frac{1}{k})=q^k$$ $$P(\xi =1+\frac{1}{k})=1-q^k$$
  • 得$$E\xi =1-q^k+\frac{1}{k}$$
• 分析：主要看$\frac{1}{k}-q^k与0$的关系决定采取哪一种方法

连续型场合

• 离散型期望表示$\sum x_i{p}_i$，推广至连续型
• 设随机变量的密度函数为$p(x)$，由微积分思想，取很密的分点$$x_0<x_1<...<x_n$$
• $\xi$落在$[x_i,x_{i+1})$中的概率近似可表示为：$$p(x_i)(x_{i+1}-x_i)$$相当于离散型每个点对应的概率加起来
• 所以期望可以写成$$\sum _i{x}_{i}p(x_i)(x_{i+1}-x_i)={\int }_{-\infty }^{\infty }xp(x)dx$$

1、定义

• $\xi$是连续型随机变量，密度函数为$p(x)$
• 当积分${\int }_{-\infty }^{\infty }xp(x)dx$绝对收敛时
• 称其为$\xi$的期望，记为$$E\xi ={\int }_{-\infty }^{\infty }xp(x)dx$$

2、重要连续型分布的期望

正态分布$N(\mu ,{\sigma }^2)$

• $${\int }_{-\infty }^{\infty }xp(x)dx={\int }_{-\infty }^{\infty }x\frac{1}{\sqrt{2\pi }\sigma }{e}^{\frac{-(x-\mu {)}^2}{2{\sigma }^2}}dx$$
• 作变量代换$z=\frac{x-\mu }{\sigma }:$ $$=\frac{1}{2\pi }{\int }_{-\infty }^{\infty }(\sigma z+\mu )e^{-\frac{z^2}{2}}dz$$ $$=\frac{\mu }{2\pi }{\int }_{-\infty }^{\infty }{e}^{-\frac{z^2}{2}}dz=\mu$$
• 注意:$${\int }_{-\infty }^{\infty }{e}^{-x^2}dx=\sqrt{\pi }$$

指数分布

• $$p(x)=\lambda e^{-\lambda x},x\ge 0$$
• $${\int }_0^{\infty }x\lambda e^{-\lambda x}dx=\frac{1}{\lambda }$$

柯西分布

• $p(x)=\frac{1}{\pi }\cdot \frac{1}{1+x^2}$
• $${\int }_{-\infty }^{\infty }|x|\frac{1}{\pi (1+x^2)}dx=\infty$$故其期望不存在

一般场合

这里的“一般场合”指的是已知随机变量的分布函数$F(x)$

• 与连续型场合类似，先做分割：$$x_0<x_1<...<x_n$$
• 则$\xi$落在$[x_i,x_{i+1})$中的概率为$F(x_{i+1})-F(x_i)\approx p(x_i)$，故期望为$$\sum _i{x}_i[F(x_{i+1})-F(x_i)]={\int }_{-\infty }^{\infty }xdF(x)$$

1、定义

• $\xi$的分布函数为$F(x)$
• 若$$E\xi ={\int }_{-\infty }^{\infty }xdF(x)$$绝对收敛，才记为$\xi$的期望

2、斯蒂尔切斯积分

• $$I={\int }_{-\infty }^{\infty }g(x)dF(x)$$
• 性质：
  • ①离散型时，$F(x)$为跳跃函数，在$x_i$具有跃度$p_i$时，$$I=\sum _{i}g(x_i)p_i$$
  • ②当有$F^{\prime }(x)=p(x)$时，有$$I={\int }_{-\infty }^{\infty }g(x)p(x)dx$$
  • ③线性性质：无论是$g(x)$还是$F(x)$的线性组合都满足该性质
  • ④可加性
  • ⑤若$g(x)\ge 0,F(x)$单调不减，$b>a$，则$I\ge 0$

随机变量函数的期望

• 已知：随机变量$\xi$
  • $\xi$的函数$$\eta =g(\xi )(g(x)是一元博雷尔)$$
  • $\xi$的分布函数是$F_{\xi }(x)$
• 则$g(\xi )$的期望有：
  • 离散型：$$\sum _{i}g(x_i)[F_{\xi }(x_{i+1})-F_{\xi }(x_i)]$$
  • 连续型：$$Eg(\xi )={\int }_{-\infty }^{\infty }g(x)d{F}_{\xi }(x)$$同时也有$$E\eta ={\int }_{-\infty }^{\infty }yd{F}_{\eta }(y)$$以上俩积分相等，必须要两个积分同时存在且相等才能说$\eta$的期望存在