Files
MathNotesVersion1/公式笔记/概率论/Ch04_随机变量的数字特征/题型1_数学期望的计算.md
T
2026-10-04 11:44:56 +08:00

143 lines
4.4 KiB
Markdown
Raw Blame History

This file contains ambiguous Unicode characters
This file contains Unicode characters that might be confused with other characters. If you think that this is intentional, you can safely ignore this warning. Use the Escape button to reveal them.
# 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 $\mu$"