4.4 KiB
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
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 $\mu$"