Files
MathNotesVersion1/公式笔记/概率论/Ch04_随机变量的数字特征/题型2_随机变量函数的期望.md
T
2026-10-04 11:44:56 +08:00

4.9 KiB
Raw Blame History

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

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 $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"