# 题型二:随机变量函数的期望 ## 识别特征 - 题干给出 $Y = g(X)$ 或 $Z = g(X,Y)$,**直接求 $E(Y)$ 或 $E(Z)$** - **不必先求 $Y$(或 $Z$)的分布** - 关键公式:$E[g(X)] = \int g(x) f(x) dx$(连续);$E[g(X,Y)] = \iint g(x,y) f(x,y) dxdy$(二维) ## 解题流程 ```mermaid flowchart TD A[识别:求 E g X 或 E g X,Y] --> B{几维?} B -->|一维| C[写出 X 的密度 f x] B -->|二维| D[写出联合密度 f x,y] C --> E["E g X = ∫ g x f x dx"] D --> F["E g X,Y = ∬ g x,y f x,y dxdy"] E --> G[计算积分] F --> G G --> H{已知联合?} H -->|是| I[直接计算] H -->|否| J[先用全概率/边缘求密度] ``` ## 通法步骤 ### 一、一维随机变量函数期望 **离散**: $$ E[g(X)] = \sum_i g(x_i) p_i $$ **连续**: $$ E[g(X)] = \int_{-\infty}^{+\infty} g(x) f(x) dx $$ > **核心**:积分变量仍是 $x$,**不是** $y=g(x)$——不必求出 $Y=g(X)$ 的密度! ### 二、二维随机变量函数期望 ⭐⭐⭐ **离散**: $$ E[g(X,Y)] = \sum_i \sum_j g(x_i, y_j) p_{ij} $$ **连续**: $$ E[g(X,Y)] = \iint_{\mathbb{R}^2} g(x,y) f(x,y) dxdy $$ > ⚠️ **必须用联合密度**!不能用 $\int g(x) f_X(x) dx$ 或 $\int g(y) f_Y(y) dy$! ### 三、常用技巧 | 技巧 | 适用情形 | |------|---------| | **$E(I_A) = P(A)$** | 涉及事件指示变量 | | **$E(\|X\|) = 2\int_0^\infty x f(x) dx$** | 非负或对称分布 | | **$E[\max(X,Y)] = E(X) + E(Y) - E[\min(X,Y)]$** | 最大/最小值 | | **对称性** | 奇函数 $\Rightarrow$ 积分为 $0$ | ### 四、特殊情形的简便公式 - $E(aX+b) = aE(X) + b$ - $E(X+Y) = E(X) + E(Y)$(**无需独立**) - $E(XY) = E(X) E(Y)$(**必须独立**) ## 常见陷阱 - **二维情形错用边缘密度**:$E[g(X,Y)] = \int g(x,y) f_X(x) f_Y(y) dxdy$ 仅在**独立时**成立;非独立必须用联合密度 - **积分变量错位**:把 $y=g(x)$ 当成新变量代入,反而要求 $g$ 的反函数(**错误路径**!) - **绝对值/分段函数遗忘**:分段定义必须分段积分 - **独立性假设**:当用 $E(XY) = E(X) E(Y)$ 时必须验证独立 ## 经典母题 > **题目 1**:设 $X \sim U(0, 1)$,$Y = e^X$,求 $E(Y)$。 **解析**: 不必求 $Y$ 的密度,直接用函数期望公式: $$ E(Y) = E(e^X) = \int_0^1 e^x \cdot 1 \, dx = e^x \Big|_0^1 = e - 1 $$ **复盘**:函数期望的核心优势——**不必先求 $Y$ 的分布**! --- > **题目 2**:设 $(X,Y)$ 联合密度为 $f(x,y) = \dfrac{1}{8}(x+y), 0 \le x, y \le 2$。求 $E(XY)$ 和 $E(X+Y)$。 **解析**: **求 $E(XY)$**(用联合密度): $$ E(XY) = \int_0^2 \int_0^2 xy \cdot \frac{1}{8}(x+y) \, dy \, dx $$ 先对 $y$ 积分: $$ \int_0^2 xy \cdot \frac{1}{8}(x+y) dy = \frac{1}{8} \int_0^2 (x^2 y + xy^2) dy = \frac{1}{8} \left( 2x^2 + \frac{8x}{3} \right) = \frac{x^2}{4} + \frac{x}{3} $$ 再对 $x$ 积分: $$ E(XY) = \int_0^2 \left( \frac{x^2}{4} + \frac{x}{3} \right) dx = \frac{1}{4} \cdot \frac{8}{3} + \frac{1}{3} \cdot 2 = \frac{2}{3} + \frac{2}{3} = \frac{4}{3} $$ **求 $E(X+Y)$**(两种方法): 方法 1:函数期望公式 $$ E(X+Y) = \iint (x+y) \cdot \frac{1}{8}(x+y) dxdy = \int_0^2 \int_0^2 \frac{1}{8}(x+y)^2 dxdy $$ 方法 2:**线性可加** $$ E(X+Y) = E(X) + E(Y) = \frac{7}{6} + \frac{7}{6} = \frac{7}{3} $$ **复盘**: - **求 $E(XY)$**:必须用联合密度(不独立!) - **求 $E(X+Y)$**:直接用线性可加,无需独立 --- > **题目 3**:设 $X_1, X_2, \ldots, X_n$ **独立同分布**于 $U(0,1)$,$Y = \max(X_1, \ldots, X_n)$。求 $E(Y)$。 **解析**: $Y$ 的分布函数:$F_Y(y) = y^n$($0 \le y \le 1$),密度 $f_Y(y) = ny^{n-1}$。 方法 1(函数期望公式): $$ E(Y) = \int_0^1 y \cdot ny^{n-1} dy = \frac{n}{n+1} $$ **复盘**:连续型函数期望公式的标准应用——求出 $Y$ 的密度后直接积分。 --- > **题目 4**:设 $X, Y$ 独立,$X \sim U(0,1), Y \sim E(1)$(指数)。求 $E(X^2 Y)$。 **解析**: 独立时函数可分离: $$ E(X^2 Y) = E(X^2) \cdot E(Y) $$ 其中: - $E(X^2) = \int_0^1 x^2 dx = 1/3$ - $E(Y) = 1/\lambda = 1$ 故 $E(X^2 Y) = 1/3$。 **复盘**:**独立时**,$E(g(X) h(Y)) = E(g(X)) \cdot E(h(Y))$——这是 Ch05 大数定律的重要工具。 --- > **变式 1**:$X \sim P(\lambda)$,求 $E(e^{2X})$。 > > **解**:$E(e^{2X}) = \sum_{k=0}^\infty e^{2k} \cdot \frac{\lambda^k}{k!} e^{-\lambda} = e^{-\lambda} \sum_{k=0}^\infty \frac{(\lambda e^2)^k}{k!} = e^{-\lambda} \cdot e^{\lambda e^2} = e^{\lambda(e^2-1)}$(**矩母函数**) > **变式 2**:$X \sim N(\mu, \sigma^2)$,求 $E(e^X)$。 > > **解**:$E(e^X) = e^{\mu + \sigma^2/2}$(**矩母函数**,常用于期权定价) --- > **口诀速记**: > - "**不必先求 $Y$ 的分布**" > - "**积分变量仍是原变量**(不是 $y=g(x)$)" > - "**二维必须用联合密度**" > - "**独立时可分离** $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"