概率论
第4章 随机变量的数字特征
4.1 随机变量的数学期望
随机变量的数学期望,也称为随机变量的平均值。数学期望刻画了随机变量取值的平均性质。
随机变量的方差刻画了随机变量取值的波动特性。
4.1.1 离散型随机变量的数学期望
定义 4.1 设 X X X 为离散型随机变量,其分布列为
P ( X = x i ) = p i , i = 1 , 2 , ⋯ , P(X=x_{i})=p_{i},\qquad i=1,2,\cdots, P(X=xi)=pi,i=1,2,⋯,
若级数 ∑ i = 1 ∞ x i p i \sum_{i=1}^{\infty}x_{i}p_{i} ∑i=1∞xipi 绝对收敛,则称其和为随机变量 X X X (或其分布)的数学期望,简称为期望或均值,记为 E X EX EX ,即
E X = ∑ i = 1 ∞ x i p i . EX=\sum_{i=1}^{\infty}x_{i}p_{i}. EX=i=1∑∞xipi.
当级数 ∑ i = 1 ∞ x i p i \sum_{i=1}^{\infty}x_{i}p_{i} ∑i=1∞xipi 非绝对收敛时,称随机变量 X X X (或其分布)的数学期望不存在。
4.1.2 连续型随机变量的数学期望
定义 4.2 设随机变量 X X X 的密度函数为 f ( x ) f(x) f(x) ,若积分 ∫ − ∞ + ∞ x f ( x ) d x \int_{-\infty}^{+\infty}xf(x)dx ∫−∞+∞xf(x)dx 绝对收敛,则称其值为 X X X (或其分布)的数学期望,简称为期望或均值,记为 E X EX EX ,即
E X = ∫ − ∞ + ∞ x f ( x ) d x . EX=\int_{-\infty}^{+\infty}xf(x)dx. EX=∫−∞+∞xf(x)dx.
(随机变量 乘 密度函数 求积分)
4.1.3 随机变量函数的数学期望
定理 4.1 设 Y = g ( X ) Y=g(X) Y=g(X),其中 X X X 为随机变量, g ( x ) g(x) g(x) 为连续函数.
(1) 设离散型随机变量 X X X 的分布列为 P ( X = x i ) = p i , i = 1 , 2 , ⋯ P(X=x_{i})=p_{i},\qquad i=1,2,\cdots P(X=xi)=pi,i=1,2,⋯ . 若级数 ∑ i = 1 ∞ g ( x i p i ) \sum_{i=1}^{\infty}g(x_{i}p_{i}) ∑i=1∞g(xipi) 绝对收敛,则 Y = g ( X ) Y=g(X) Y=g(X) 的数学期望为
E Y = E [ g ( X ) ] = ∑ i = 1 ∞ g ( x i ) p i EY=E[g(X)]=\sum_{i=1}^{\infty}g(x_i)p_{i} EY=E[g(X)]=i=1∑∞g(xi)pi
(2) 若连续型随机变量 X X X 的密度函数为 f ( x ) f(x) f(x),且积分 ∫ − ∞ + ∞ g ( x ) f ( x ) d x \int_{-\infty}^{+\infty}g(x)f(x)dx ∫−∞+∞g(x)f(x)dx 绝对收敛,则 Y = g ( X ) Y=g(X) Y=g(X) 的数学期望为
E Y = E [ g ( X ) ] = ∑ i = 1 ∞ ∫ − ∞ + ∞ g ( x ) f ( x ) d x EY=E[g(X)]=\sum_{i=1}^{\infty}\int_{-\infty}^{+\infty}g(x)f(x)dx