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

177 lines
4.9 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** $E(g(X)h(Y)) = E(g(X)) E(h(Y))$"