# 题型一:数学期望的计算 ## 识别特征 - 题干给出随机变量的**分布律**(离散)或**密度函数**(连续) - 要求计算 $E(X)$ - 可能涉及**分段函数**的期望(如 $X \sim U(0,2)$ 求 $E(|X-1|)$) ## 解题流程 ```mermaid flowchart TD A[识别:求 E X] --> B{什么类型?} B -->|离散型| C[列出分布律: P X = x_i = p_i] B -->|连续型| D[写出密度 f x] C --> E["E X = Σ x_i p_i"] D --> F["E X = ∫ x f x dx"] E --> G[检查级数/积分收敛] F --> G G --> H{绝对收敛?} H -->|否| I[E X 不存在] H -->|是| J[得出 E X] ``` ## 通法步骤 ### 一、离散型期望 $$ E(X) = \sum_{i} x_i p_i, \quad \text{前提: } \sum_i |x_i| p_i < \infty $$ ### 二、连续型期望 $$ E(X) = \int_{-\infty}^{+\infty} x f(x) dx, \quad \text{前提: } \int_{-\infty}^{+\infty} |x| f(x) dx < \infty $$ ### 三、特殊情形的处理 | 情形 | 处理方式 | |------|---------| | **分段定义** | 拆分区间,分别积分再求和 | | **绝对值** | $E(\|X-a\|) = \int \|x-a\| f(x) dx$ | | **指示变量** | $E(I_A) = P(A)$,可用此性质简化计算 | | **$\max$/$\min$** | $E(\max(X,Y)) = \int (x+y-\|x-y\|)/2 \cdot f(x,y) dxdy$ | ### 四、计算公式与速查 | 分布 | $E(X)$ | |------|--------| | 0-1 分布 $B(1,p)$ | $p$ | | 二项 $B(n,p)$ | $np$ | | 泊松 $P(\lambda)$ | $\lambda$ | | 几何 $G(p)$ | $1/p$ | | 均匀 $U(a,b)$ | $(a+b)/2$ | | 指数 $E(\lambda)$ | $1/\lambda$ | | 正态 $N(\mu, \sigma^2)$ | $\mu$ | ## 常见陷阱 - **绝对收敛遗忘**:级数 $\sum x_i p_i$ 必须**绝对收敛**才能求期望,否则 $E(X)$ 不存在(如 Cauchy 分布的均值不存在) - **积分上下限错误**:连续型必须写 $-\infty$ 到 $+\infty$,或对应密度的非零区间 - **符号错误**:$x$ 是积分变量,不能用 $y$ 替换(最终结果应是常数) - **分段函数遗漏**:分段定义的密度,每段都要积分 ## 经典母题 > **题目 1**(离散):设 $X$ 的分布律为 $P(X=k) = \dfrac{1}{2^k}, k = 1, 2, \ldots$。求 $E(X)$。 **解析**: 这是几何分布($p = 1/2$): $$ E(X) = \sum_{k=1}^{\infty} k \cdot \frac{1}{2^k} $$ 利用**级数技巧**:令 $S = \sum_{k=1}^\infty x^k = \dfrac{x}{1-x}$($|x|<1$),对 $x$ 求导: $$ \sum_{k=1}^\infty k x^{k-1} = \frac{1}{(1-x)^2} $$ 代入 $x = 1/2$: $$ E(X) = \sum_{k=1}^\infty k \left(\frac{1}{2}\right)^k = \frac{1/2}{(1-1/2)^2} = \frac{1/2}{1/4} = 2 $$ **复盘**:几何分布期望公式 $E(G(p)) = 1/p$,代入 $p=1/2$ 得 $E(X)=2$ ✓ --- > **题目 2**(连续):设 $X$ 的密度为 $f(x) = \dfrac{1}{2} e^{-|x|}$(**双指数分布 / Laplace 分布**)。求 $E(X)$。 **解析**: $$ E(X) = \int_{-\infty}^{+\infty} x \cdot \frac{1}{2} e^{-|x|} dx $$ 由于 $x \cdot e^{-|x|}$ 是**奇函数**,在 $(-\infty, +\infty)$ 上积分为 $0$: $$ E(X) = 0 $$ **复盘**:双指数分布关于 $0$ 对称,故均值为 $0$。 --- > **题目 3**(分段函数):设 $X \sim U(0, 2)$,求 $E(|X - 1|)$。 **解析**: $|X-1|$ 是关于 $X=1$ 对称的分段函数: - 当 $0 \le x \le 1$ 时,$|x-1| = 1-x$ - 当 $1 < x \le 2$ 时,$|x-1| = x-1$ $$ E(|X-1|) = \int_0^1 (1-x) \cdot \frac{1}{2} dx + \int_1^2 (x-1) \cdot \frac{1}{2} dx $$ 分别计算: $$ = \frac{1}{2} \left[ x - \frac{x^2}{2} \right]_0^1 + \frac{1}{2} \left[ \frac{x^2}{2} - x \right]_1^2 = \frac{1}{2} \cdot \frac{1}{2} + \frac{1}{2} \cdot \frac{1}{2} = \frac{1}{2} $$ **复盘**:分段绝对值 → 分段积分。对称情形可简化(如本例左右相等,故 $1/2$)。 --- > **变式 1**:$X \sim P(\lambda)$(泊松),求 $E(X)$。 > > **解**:$E(X) = \sum_{k=0}^\infty k \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \lambda \sum_{k=1}^\infty \frac{\lambda^{k-1}}{(k-1)!} = e^{-\lambda} \lambda \cdot e^{\lambda} = \lambda$。 > **变式 2**:设 $X$ 的密度 $f(x) = \dfrac{1}{\pi} \cdot \dfrac{1}{1+x^2}$(Cauchy 分布)。证明 $E(X)$ 不存在。 > > **解**:$\int_{-\infty}^{+\infty} |x| \cdot \frac{1}{\pi(1+x^2)} dx = \frac{2}{\pi} \int_0^{+\infty} \frac{x}{1+x^2} dx = \frac{1}{\pi} \ln(1+x^2) \Big|_0^{+\infty} = \infty$(不绝对收敛)。 --- > **口诀速记**: > - "**离散**:$\sum x_i p_i$;**连续**:$\int x f(x) dx$" > - "**必须绝对收敛**" > - "**常见分布**:二项 $np$,泊松 $\lambda$,均匀中点,指数 $1/\lambda$,正态 $\mu$"