--- tags: [数学一, 在学练习, 概率论, 数字特征, 数学期望] 专题: 概率论 第4讲 · 点1 数学期望 日期: 2026-11-07 状态: 知识点带题(1.1 定义与性质、1.2 函数期望、1.3 常见分布,共 4 题) 关联笔记: ["[[README]]", "[[01-知识点盘点]]"] --- # 点 1 数学期望 > 真题锚点:2017·14(填空)、2023·8(单选,绝对偏差)|重要度 ★★★ > 依赖:第 2、3 讲的分布律与密度。盘点对应:§1 全节。 **组织原则**:先立定义与性质(1.1),再攻本讲最有价值的技术——**函数期望不需求分布**(1.2),最后收表(1.3)。四道题里两道都在练 1.2,因为这是考场上唯一能"省一步"的地方。难度标准:★☆☆ 一题、★★☆ 三题。 ## 知识点 1.1 定义与四条性质(出处:[知识章 digital-features.tex §1.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex)|[练习章 §1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/exercise/3-digital-features/digital-features.tex)) $$EX=\sum_i x_ip_i\ (\text{离散});\qquad EX=\int_{-\infty}^{+\infty}xf(x)\,\mathrm dx\ (\text{连续}).$$ 四条性质(**都不要求独立**): 1. $E(aX+bY+c)=aEX+bEY+c$ (线性); 2. $X\le Y\Rightarrow EX\le EY$ (保序); 3. $\lvert EX\rvert\le E\lvert X\rvert$ ; 4. $EC=C$ (常数视为退化随机变量)。 > **$E(XY)=EX\,EY$ 不在性质里**。它是"独立(或不相关)"的**额外结论**,套用前必须确认前提。 ## 知识点 1.2 随机变量函数的期望(出处:[知识章 §1.1、§2.1](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex)) $$E\,g(X)=\sum_i g(x_i)p_i\quad\text{或}\quad E\,g(X)=\int_{-\infty}^{+\infty}g(x)f(x)\,\mathrm dx .$$ 二维版本:$E\,g(X,Y)=\iint g(x,y)f(x,y)\,\mathrm d\sigma$ 。 **三条要点**: 1. **不需求 $g(X)$ 的分布**——这是它最大的价值; 2. $g$ 一般**不能提出去**:$E(1/X)\ne1/EX$ 、$E(X^2)\ne(EX)^2$ 、$E\lvert X\rvert\ne\lvert EX\rvert$ ; 3. 分段函数(如 $\min$ 、$\max$ 、绝对值)要**按段拆积分**,分段点就是 $g$ 的换型点。 ## 知识点 1.3 常见分布的期望(出处:[知识章 §1.4](../../../../参考仓库/Math/probability-theory-and-mathematical-statistics/knowledge/3-digital-features/digital-features.tex)) | 分布 | $EX$ | 备注 | |---|---|---| | $B(n,p)$ | $np$ | 用"$n$ 个 $0$ -$1$ 之和"推 | | $P(\lambda)$ | $\lambda$ | 参数即均值 | | $G(p)$ | $\dfrac1p$ | 平均等 $\frac1p$ 次 | | $U(a,b)$ | $\dfrac{a+b}{2}$ | 中点 | | $E(\lambda)$ | $\dfrac1\lambda$ | 参数是速率 | | $N(\mu,\sigma^2)$ | $\mu$ | 参数即均值 | | $\chi^2(n)$ | $n$ | 自由度即均值 | > **用法**:考场上遇到这些分布,**期望直接写**,把时间留给后面的积分。只有在"要写过程"的解答题里才用定义推一遍。 --- ## 题目(按知识点顺序对应) ### 题 1 · 1.1:由分布律算期望与函数期望(★☆☆) > 设 $X$ 的分布律为 > > | $X$ | $-1$ | $0$ | $1$ | $2$ | > |---|---|---|---|---| > | $p$ | $0.2$ | $0.3$ | $0.3$ | $0.2$ | > > 求 $EX$ 、$E X^2$ 、$DX$ 、$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 。 **怎么想**:$EX$ 与 $E X^2$ 都是"加权平均",只是权前的数换了。$E\lvert X\rvert$ 与 $E\min\{X,1\}$ 属于函数期望——**逐项代 $g$ 即可**,不必求新分布。 **解**: $$EX=(-1)(0.2)+0(0.3)+1(0.3)+2(0.2)=-0.2+0.3+0.4=0.5 .$$ $$E X^2=(1)(0.2)+0(0.3)+(1)(0.3)+(4)(0.2)=0.2+0.3+0.8=1.3 .$$ $$DX=EX^2-(EX)^2=1.3-0.25=1.05=\frac{21}{20} .$$ $$E\lvert X\rvert=(1)(0.2)+0+(1)(0.3)+(2)(0.2)=0.2+0.3+0.4=0.9 .$$ $E\min\{X,1\}$ :把每个 $x_i$ 换成 $\min\{x_i,1\}$ ,即 $-1,0,1,1$ : $$E\min\{X,1\}=(-1)(0.2)+0(0.3)+(1)(0.3)+(1)(0.2)=-0.2+0.3+0.2=0.3 .$$ **验算**:$DX>0$ ✓;$E\min\{X,1\}\lvert EX\rvert=0.5$ ✓。 **带走结论**:**算 $EX^2$ 要用平方值加权,不能拿 $(EX)^2$ 顶替**,两者差 $DX$ 。本题 $(EX)^2=0.25$ 、$EX^2=1.3$ ,差得极远——这就是"方差大"的含义。 > **关联** · 盘点 [§1.1 定义与四条性质](01-知识点盘点.md#user-content-11-定义与四条性质) | 上游 — | 下游 — | 速查 [一 三条定义式](07-速查卡.md#user-content-一-三条定义式) --- ### 题 2 · 1.2:连续型上的函数期望(★★☆) > 设 $X$ 的概率密度为 $f(x)=2x$ ($0 > (Ⅰ)求 $EX$ 与 $DX$ ; > (Ⅱ)求 $E\!\left(\dfrac1X\right)$ ,并与 $\dfrac{1}{EX}$ 比较; > (Ⅲ)求 $E\min\left\{X,\dfrac12\right\}$ 。 **怎么想**:(Ⅰ)直接积。(Ⅱ)把 $\frac1x$ 塞进积分,**注意它在 $x=0$ 处发散**——但乘上 $f(x)=2x$ 之后变成常数 $2$ ,所以收敛,这是本题的巧处。(Ⅲ)$\min$ 在 $x=\frac12$ 换段,必须拆两个积分。 **解**: **(Ⅰ)** $$EX=\int_0^1x\cdot2x\,\mathrm dx=\frac23,\qquad E X^2=\int_0^1x^2\cdot2x\,\mathrm dx=\frac12,$$ $$DX=\frac12-\frac49=\frac{1}{18} .$$ **(Ⅱ)** $$E\!\left(\frac1X\right)=\int_0^1\frac1x\cdot2x\,\mathrm dx=\int_0^12\,\mathrm dx=2 .$$ 而 $\dfrac{1}{EX}=\dfrac{3}{2}=1.5$ 。两者**不相等**:$E\!\left(\frac1X\right)>1/EX$ 。 **原因**:$g(x)=\frac1x$ 是**凸函数**,由琴生不等式 $E g(X)\ge g(EX)$ ,等号只在 $X$ 为常数时成立。 **(Ⅲ)** 在 $x=\frac12$ 处分段: $$E\min\left\{X,\frac12\right\}=\int_0^{1/2}x\cdot2x\,\mathrm dx+\int_{1/2}^{1}\frac12\cdot2x\,\mathrm dx=\left[\frac{2x^3}{3}\right]_0^{1/2}+\left[\frac{x^2}{2}\right]_{1/2}^{1}$$ $$=\frac{1}{12}+\left(\frac12-\frac18\right)=\frac{1}{12}+\frac38=\frac{11}{24}\approx0.458 .$$ **验算**:$\frac{11}{24}<\frac23=EX$ ✓(因为 $\min\{x,\frac12\}\le x$ );且 $\frac{11}{24}<\frac12$ ✓(截断后期望不超过截断值)。 **带走结论**:一般 **$E g(X)\ne g(EX)$ 才是常态**,方向由凹凸性决定:$g$ 凸则 $E g(X)\ge g(EX)$ ,$g$ 凹则相反。$\frac1x$ 、$x^2$ 、$\lvert x\rvert$ 都是凸的,所以"倒数的期望 $>$ 期望的倒数"是常态。 > **关联** · 盘点 [§1.2 随机变量函数的期望(不需求分布)](01-知识点盘点.md#user-content-12-随机变量函数的期望不需求分布) | 上游 — | 下游 [点 1 题 3](02-点1-数学期望.md#user-content-题-3--12绝对偏差与平方偏差) | 速查 [三 不需求分布就能算函数期望](07-速查卡.md#user-content-三-不需求分布就能算函数期望) --- ### 题 3 · 1.2:绝对偏差与平方偏差(★★☆) > 设 $X\sim U(0,1)$ 。 > > (Ⅰ)求 $E\left\lvert X-\dfrac13\right\rvert$ ; > (Ⅱ)求 $E\left(X-\dfrac13\right)^2$ ; > (Ⅲ)若要让 $E\lvert X-c\rvert$ 最小,$c$ 应取多少?若要让 $E(X-c)^2$ 最小呢? **怎么想**:绝对值必须**在 $x=\frac13$ 处分段**,两段方向相反。平方不用分段——展开即可。第三问是"最小化平均偏差",两个目标给出两个不同的答案,这正是本题的教学点。 **解**: **(Ⅰ)** $f(x)=1$ ($0\frac19\approx0.111$ ✓(同一量纲下"绝对偏差"必不小于"平方偏差",因为约束在 $[0,1]$ 内偏差绝对值小于 $1$ ,平方后更小)。 **带走结论**:**绝对值分段、平方展开**。另外记住这对"最优 $c$ ":**平方偏差 $\to$ 均值,绝对偏差 $\to$ 中位数**——这是 2023·8 型选择题的常见考法。 > **关联** · 盘点 [§1.2 随机变量函数的期望(不需求分布)](01-知识点盘点.md#user-content-12-随机变量函数的期望不需求分布) | 上游 [点 1 题 2](02-点1-数学期望.md#user-content-题-2--12连续型上的函数期望) | 下游 — | 速查 [三 不需求分布就能算函数期望](07-速查卡.md#user-content-三-不需求分布就能算函数期望) --- ### 题 4 · 1.3:用性质速算,不积分(★★☆) > 设 $X\sim B(10,0.3)$ 、$Y\sim P(2)$ 、$Z\sim E\!\left(\dfrac12\right)$ ,且三者**相互独立**。求 > > (Ⅰ)$E(3X-2Y+1)$ ; > (Ⅱ)$E(X^2)$ 与 $E(XY)$ ; > (Ⅲ)$E\left(\dfrac{1}{Z}\right)$ 。 **怎么想**:三问都在考"**用已知的 $E$ 与 $D$ 反推**"。(Ⅰ)只用线性;(Ⅱ)$EX^2=DX+(EX)^2$ ,$E(XY)$ 靠独立;(Ⅲ)指数分布的倒数期望要单独积一次——它是"$1/Z$ 不是常数"的又一次提醒。 **解**: **(Ⅰ)** $EX=10\times0.3=3$ ,$EY=2$ ,故 $$E(3X-2Y+1)=3\cdot3-2\cdot2+1=9-4+1=6 .$$ **(Ⅱ)** $DX=10\times0.3\times0.7=2.1$ ,故 $$E X^2=DX+(EX)^2=2.1+9=11.1 .$$ 由独立性 $E(XY)=EX\cdot EY=3\times2=6$ 。 **(Ⅲ)** $Z$ 的密度是 $\frac12\mathrm e^{-z/2}$ ($z>0$ ),故 $$E\!\left(\frac1Z\right)=\int_0^{+\infty}\frac1z\cdot\frac12\mathrm e^{-z/2}\,\mathrm dz .$$ 这个积分**发散**($\frac1z$ 在 $0$ 附近使被积函数 $\sim\frac{1}{2z}$ )。所以本题的正确结论是:**$E\left(\frac1Z\right)$ 不存在**。 $\dfrac{1}{EZ}=\dfrac{1}{2}=0.5$ 只是"倒数的期望"的**错误替代品**,两者不能互换。 **验算**:$\int_{\varepsilon}^{1}\frac{1}{2z}\mathrm dz=\frac12\ln\frac1\varepsilon\to+\infty$ ✓(对数发散)。 **带走结论**:**只有独立才能拆 $E(XY)$ 这一步**;**$E X^2=DX+(EX)^2$ 是最常用的反推式**;而"期望存在"要先检查积分收敛——指数分布的倒数期望就是典型的发散例。 > **关联** · 盘点 [§1.3 常见分布的期望](01-知识点盘点.md#user-content-13-常见分布的期望) | 上游 — | 下游 — | 速查 [二 七大分布的期望与方差](07-速查卡.md#user-content-二-七大分布的期望与方差) ---