4.9 KiB
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 = 1/3E(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 $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"