文章目录
1. 数据期望定义2. 随机变量函数的数学期望3. 二维随机变量函数的期望4. 数学期望性质5. 常见随机变量分布的期望5.1 (0−1)(0-1)(0−1)分布5.2 二项分布5.3 泊松分布5.4 几何分布5.5 超几何分布5.6 均匀分布5.7 指数分布5.8 正态分布5.9 总结1. 数据期望定义
设离散型随机变量XXX的分布律为P{X=xk}=pk,k=0,1,2,⋯.P\{X=x_k\}=p_k,\quad k=0,1,2,\cdots.P{X=xk}=pk,k=0,1,2,⋯. 若级数∑k=1∞xkpk\sum\limits_{k=1}^{\infty}x_kp_kk=1∑∞xkpk 绝对收敛,则称级数∑k=1∞xkpk\sum\limits_{k=1}^{\infty}x_kp_kk=1∑∞xkpk 的和为随机变量XXX的数学期望,记为E(X)E(X)E(X). 即 E(X)=∑k=1∞xkpk.E(X) = \sum\limits_{k=1}^{\infty}x_kp_k.E(X)=k=1∑∞xkpk.
设连续型随机变量XXX的概率密度为f(x)f(x)f(x) ,若积分∫−∞+∞xf(x)dx\int_{-\infty}^{+\infty}xf(x)dx∫−∞+∞xf(x)dx 绝对收敛,则称积分∫−∞+∞xf(x)dx\int_{-\infty}^{+\infty}xf(x)dx∫−∞+∞xf(x)dx的值为随机变量XXX的数学期望,记为E(X)E(X)E(X). 即 E(X)=∫−∞+∞xf(x)dx.E(X)=\int_{-\infty}^{+\infty}xf(x)dx.E(X)=∫−∞+∞xf(x)dx.
数学期望简称期望,又称均值
可以用加权平均值来理解期望。
2. 随机变量函数的数学期望
设YYY是随机变量XXX的函数:Y=g(X)Y=g(X)Y=g(X) (ggg是连续函数). 如果XXX是离散型随机变量,它的分布律为P{X=xk}=pk,k=0,1,2,⋯,P\{X=x_k\}=p_k,\quad k=0,1,2,\cdots,P{X=xk}=pk,k=0,1,2,⋯, 若∑k=1∞g(xk)pk\sum\limits_{k=1}^{\infty}g(x_k)p_kk=1∑∞g(xk)pk 绝对收敛,则有E(Y)=E[g(X)]=∑k=1∞g(xk)pk.E(Y)=E[g(X)]=\sum\limits_{k=1}^{\infty}g(x_k)p_k.E(Y)=E[g(X)]=k=1∑∞g(xk)pk.如果XXX是连续型随机变量,它的概率密度为f(x)f(x)f(x),若积分∫−∞+∞g(x)f(x)dx\int_{-\infty}^{+\infty}g(x)f(x)dx∫−∞+∞g(x)f(x)dx 绝对收敛,则有E(Y)=E[g(X)]=∫−∞+∞g(x)f(x)dx.E(Y)=E[g(X)]=\int_{-\infty}^{+\infty}g(x)f(x)dx.E(Y)=E[g(X)]=∫−∞+∞g(x)f(x)dx.3. 二维随机变量函数的期望
设ZZZ是随机变量XXX,YYY的函数:Z=g(X,Y)Z=g(X,Y)Z=g(X,Y) (ggg是连续函数),那么,ZZZ 是一个一维随机变量 若(X,Y)(X,Y)(X,Y)为离散型随机变量,其分布律为P{X=xi,Y=yj}=pij,i,j=1,2,⋯,P\{X=x_i,Y=y_j\}=p_{ij},\quad i,j=1,2,\cdots,P{X=xi,Y=yj}=pij,i,j=1,2,⋯, 则有E(Z)=E[g(X,Y)]=∑j=1∞∑i=1∞g(xi,yj)pijE(Z)=E[g(X,Y)] = \sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}g(x_i,y_j)p_{ij}E(Z)=E[g(X,Y)]=j=1∑∞i=1∑∞g(xi,yj)pij,这里假设上式右边的级数绝对收敛。若(X,Y)(X,Y)(X,Y)为连续型随机变量,其概率密度为f(x,y)f(x,y)f(x,y),则有E(Z)=E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy\begin{aligned} E(Z)=E[g(X,Y)] = \int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}g(x,y)f(x,y)dxdy\end{aligned}E(Z)=E[g(X,Y)]=∫−∞+∞∫−∞+∞g(x,y)f(x,y)dxdy4. 数学期望性质
设CCC是常数,则有E(C)=C.E(C)=C.E(C)=C.
目前我们主要研究离散型随机变量和连续性随机变量,因此,我们从两个方面证明期望性质的正确性
证明:
对于离散型,有
E(X)=∑k=1∞xkpk=C∑k=1∞xk=CE(X) = \sum\limits_{k=1}^{\infty}x_kp_k = C\sum\limits_{k=1}^{\infty}x_k = CE(X)=k=1∑∞xkpk=Ck=1∑∞xk=C
对于连续型,有
E(X)=∫−∞+∞xf(x)dx.=C∫−∞+∞f(x)dx=CE(X)=\int_{-\infty}^{+\infty}xf(x)dx. = C\int_{-\infty}^{+\infty}f(x)dx = CE(X)=∫−∞+∞xf(x)dx.=C∫−∞+∞f(x)dx=C
设XXX 是一个随机变量,CCC是常数,则有E(CX)=CE(X).E(CX)=CE(X).E(CX)=CE(X).
证明:
对于离散型,有
E(CX)=∑k=1∞Cxkpk=C∑k=1∞xkpk=CE(X)E(CX) = \sum\limits_{k=1}^{\infty}Cx_kp_k = C\sum\limits_{k=1}^{\infty}x_kp_k = CE(X)E(CX)=k=1∑∞Cxkpk=Ck=1∑∞xkpk=CE(X)
对于连续型,有
E(X)=∫−∞+∞Cxf(x)dx.=C∫−∞+∞xf(x)dx=CE(X)E(X)=\int_{-\infty}^{+\infty}Cxf(x)dx. = C\int_{-\infty}^{+\infty}xf(x)dx = CE(X)E(X)=∫−∞+∞Cxf(x)dx.=C∫−∞+∞xf(x)dx=CE(X)
设XXX,YYY 是两个随机变量,则有E(X+Y)=E(X)+E(Y).E(X+Y)=E(X)+E(Y).E(X+Y)=E(X)+E(Y).
证明
对于离散型,有
E(X+Y)=∑j=1∞∑i=1∞(xi+yj)pij=∑j=1∞∑i=1∞xipij+∑j=1∞∑i=1∞yjpij=E(X)+E(Y)E(X+Y) = \sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}(x_i+y_j)p_{ij} = \sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}x_ip_{ij}+\sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}y_jp_{ij} = E(X)+E(Y)E(X+Y)=j=1∑∞i=1∑∞(xi+yj)pij=j=1∑∞i=1∑∞xipij+j=1∑∞i=1∑∞yjpij=E(X)+E(Y)
对于连续型,有
E(X+Y)=∫−∞+∞∫−∞+∞(x+y)f(x,y)dxdy=∫−∞+∞∫−∞+∞xf(x,y)dxdy+∫−∞+∞∫−∞+∞yf(x,y)dxdy=∫−∞+∞xdx[∫−∞+∞f(x,y)dy]+∫−∞+∞ydy[∫−∞+∞f(x,y)dy]=∫−∞+∞xfX(x)dx+∫−∞+∞yfY(y)dy=E(X)+E(Y)\begin{aligned} E(X+Y)&=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}(x+y)f(x,y)dxdy\\&=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xf(x,y)dxdy+\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}yf(x,y)dxdy\\&=\int_{-\infty}^{+\infty}xdx[\int_{-\infty}^{+\infty}f(x,y)dy]+\int_{-\infty}^{+\infty}ydy[\int_{-\infty}^{+\infty}f(x,y)dy]\\&=\int_{-\infty}^{+\infty}xf_X(x)dx + \int_{-\infty}^{+\infty}yf_Y(y)dy\\&=E(X)+E(Y)\end{aligned}E(X+Y)=∫−∞+∞∫−∞+∞(x+y)f(x,y)dxdy=∫−∞+∞∫−∞+∞xf(x,y)dxdy+∫−∞+∞∫−∞+∞yf(x,y)dxdy=∫−∞+∞xdx[∫−∞+∞f(x,y)dy]+∫−∞+∞ydy[∫−∞+∞f(x,y)dy]=∫−∞+∞xfX(x)dx+∫−∞+∞yfY(y)dy=E(X)+E(Y)
该性质可推广到任意有限个随机变量之和的情况
设XXX,YYY 是两个相互独立的随机变量,则有E(XY)=E(X)E(Y).E(XY)=E(X)E(Y).E(XY)=E(X)E(Y).
证明
对于离散型,有
E(XY)=∑j=1∞∑i=1∞(xiyj)pij=∑j=1∞∑i=1∞xiyjpi⋅p⋅j=∑i=1∞xipi⋅⋅∑j=1∞yjp⋅j=E(X)⋅E(Y)E(XY) = \sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}(x_iy_j)p_{ij} = \sum\limits_{j=1}^{\infty}\sum\limits_{i=1}^{\infty}x_iy_jp_{i\cdot}p_{\cdot j} = \sum\limits_{i=1}^{\infty}x_ip_{i\cdot}\cdot\sum\limits_{j=1}^{\infty}y_jp_{\cdot j} = E(X)\cdot E(Y)E(XY)=j=1∑∞i=1∑∞(xiyj)pij=j=1∑∞i=1∑∞xiyjpi⋅p⋅j=i=1∑∞xipi⋅⋅j=1∑∞yjp⋅j=E(X)⋅E(Y)
对于连续型,有
E(XY)=∫−∞+∞∫−∞+∞xyf(x,y)dxdy=∫−∞+∞∫−∞+∞xfX(x)yfY(y)dxdy=[∫−∞+∞xfX(x)dx]⋅[∫−∞+∞yfY(y)dy]=E(X)E(Y)\begin{aligned} E(XY)&=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xyf(x,y)dxdy\\&=\int_{-\infty}^{+\infty}\int_{-\infty}^{+\infty}xf_X(x)yf_Y(y)dxdy\\&=[\int_{-\infty}^{+\infty}xf_X(x)dx]\cdot[\int_{-\infty}^{+\infty}yf_Y(y)dy]\\&=E(X)E(Y)\end{aligned}E(XY)=∫−∞+∞∫−∞+∞xyf(x,y)dxdy=∫−∞+∞∫−∞+∞xfX(x)yfY(y)dxdy=[∫−∞+∞xfX(x)dx]⋅[∫−∞+∞yfY(y)dy]=E(X)E(Y)
该性质可推广到任意有限个相互独立的随机变量之积的情况
5. 常见随机变量分布的期望
5.1 (0−1)(0-1)(0−1)分布
随机变量XXX服从(0−1)(0-1)(0−1)分布,则其分布律为 P{X=k}=pk(1−p)1−k,k=0,1P\{X=k\} = p^k(1-p)^{1-k}, \quad k=0,1P{X=k}=pk(1−p)1−k,k=0,1
此时有E(X)=pE(X)=pE(X)=p .
证明:
E(X)=∑k=01xkpk=0⋅p0(1−p)1−0+1⋅p1(1−p)1−1=pE(X)=\sum\limits_{k=0}^{1}x_kp_k = 0\cdot p^0(1-p)^{1-0}+1\cdot p^1(1-p)^{1-1} = pE(X)=k=0∑1xkpk=0⋅p0(1−p)1−0+1⋅p1(1−p)1−1=p
5.2 二项分布
X∼b(n,p)X\sim b(n,p)X∼b(n,p) ,则其分布律为P{X=k}=(kn)pkqn−kk=0,1,2⋯,nP\{X=k\} = \left(_k^n\right)p^kq^{n-k} \quad k=0,1,2\cdots, nP{X=k}=(kn)pkqn−kk=0,1,2⋯,n ,此时有E(X)=np.E(X)=np.E(X)=np.
证明:
E(X)=∑k=0nk(kn)pkqn−k=∑k=0nkn!k!(n−k)!pkqn−k=∑k=1nnp(n−1)!(k−1)!(n−k)!pk−1qn−k(k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(−1)!)=np⋅(p+q)n−1(上式中只有k是未知数,因此np在累加时可提出,累加项刚好为(p+q)n−1的二项展开项)=np\begin{aligned}E(X) &= \sum\limits_{k=0}^{n}k(_k^n)p^kq^{n-k} \\&=\sum\limits_{k=0}^{n}k\frac{n!}{k!(n-k)!}p^kq^{n-k} \\&= \sum\limits_{k=1}^{n}np\frac{(n-1)!}{(k-1)!(n-k)!}p^{k-1}q^{n-k} \quad (k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(-1)!) \\&= np\cdot (p+q)^{n-1} \quad (上式中只有k是未知数,因此np在累加时可提出,累加项刚好为(p+q)^{n-1}的二项展开项) \\&=np \end{aligned}E(X)=k=0∑nk(kn)pkqn−k=k=0∑nkk!(n−k)!n!pkqn−k=k=1∑nnp(k−1)!(n−k)!(n−1)!pk−1qn−k(k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(−1)!)=np⋅(p+q)n−1(上式中只有k是未知数,因此np在累加时可提出,累加项刚好为(p+q)n−1的二项展开项)=np
5.3 泊松分布
X∼π(λ)X\sim \pi(\lambda)X∼π(λ) ,则其分布律为P{X=k}=λkk!e−λk=0,1,2,⋯P\{X=k\} = \frac{\lambda^k}{k!}e^{-\lambda} \quad k=0,1,2,\cdotsP{X=k}=k!λke−λk=0,1,2,⋯ ,此时有E(X)=λ.E(X)=\lambda.E(X)=λ.
证明:
E(X)=∑k=0∞kλkk!e−λ=λe−λ∑k=1∞λk−1(k−1)!(k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(−1)的阶乘.λe−λ为常数,可以从累加式中提出)=λe−λeλ(泰勒公式可知eλ=∑n=0N1n!xn,如果看不出来,令(k−1)=n,则∑k=1∞λk−1(k−1)!=∑n=0∞λnn!)=λ\begin{aligned}E(X) &= \sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda} \\&=\lambda e^{-\lambda}\sum\limits_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!} \quad (k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(-1)的阶乘.\lambda e^{-\lambda}为常数,可以从累加式中提出 )\\&= \lambda e^{-\lambda}e^{\lambda} \quad (泰勒公式可知e^{\lambda}=\sum\limits_{n=0}^{N}\frac{1}{n!}x^n,如果看不出来,令(k-1)=n,则 \sum\limits_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}=\sum\limits_{n=0}^{\infty}\frac{\lambda^{n}}{n!} ) \\&= \lambda \quad \end{aligned}E(X)=k=0∑∞kk!λke−λ=λe−λk=1∑∞(k−1)!λk−1(k变成从1到n,原因计算期望时k=0的一项为0,不影响结果,且这一步能避免出现(−1)的阶乘.λe−λ为常数,可以从累加式中提出)=λe−λeλ(泰勒公式可知eλ=n=0∑Nn!1xn,如果看不出来,令(k−1)=n,则k=1∑∞(k−1)!λk−1=n=0∑∞n!λn)=λ
关于泰勒公式之前文章 离散型随机变量及其常见分布律 有相关描述.
证明方法二:
E(X)=∑k=0∞kλkk!e−λ=λ∑k=1∞λk−1(k−1)!e−λ令k−1=n,则E(X)=λ∑n=0∞λnn!e−λ=λ⋅1(∑n=0∞λnn!e−λ刚好是泊松分布,所有可能取值的概率和,即为1)=λ\begin{aligned}E(X) &= \sum\limits_{k=0}^{\infty}k\frac{\lambda^k}{k!}e^{-\lambda} =\lambda \sum\limits_{k=1}^{\infty}\frac{\lambda^{k-1}}{(k-1)!}e^{-\lambda} \quad \\&令k-1=n, 则\\E(X)&= \lambda \sum\limits_{n=0}^{\infty}\frac{\lambda^{n}}{n!}e^{-\lambda}\\ &=\lambda \cdot1 \quad (\sum\limits_{n=0}^{\infty}\frac{\lambda^{n}}{n!}e^{-\lambda} 刚好是泊松分布,所有可能取值的概率和,即为 1) \\&= \lambda \quad \end{aligned}E(X)E(X)=k=0∑∞kk!λke−λ=λk=1∑∞(k−1)!λk−1e−λ令k−1=n,则=λn=0∑∞n!λne−λ=λ⋅1(n=0∑∞n!λne−λ刚好是泊松分布,所有可能取值的概率和,即为1)=λ
关于泊松分布所有可能取值的概率和为1的证明, 感兴趣的同学可以看看之前的文章 离散型随机变量及其常见分布律 有相关证明.
5.4 几何分布
X∼G(p)X\sim G(p)X∼G(p) ,则其分布律为P{X=k}=(1−p)k−1pk=1,2,3,⋯P\{X=k\} = (1-p)^{k-1}p \quad k = 1,2,3,\cdotsP{X=k}=(1−p)k−1pk=1,2,3,⋯ ,此时有E(X)=1p.E(X)=\frac{1}{p}.E(X)=p1.
证明:
E(X)=∑k=1∞k(1−p)k−1p=p∑k=1∞k(1−p)k−1令S=∑k=1∞k(1−p)k−1=1⋅(1−p)0+2⋅(1−p)1+3⋅(1−p)2+⋯+(k−1)⋅(1−p)k−2+k⋅(1−p)k−1(1)(1−p)S=1⋅(1−p)1+2⋅(1−p)2+3⋅(1−p)3+⋯+(k−1)⋅(1−p)k−1+k⋅(1−p)k(2)由(1)−(2)可得,pS=(1−p)0+(1−p)1+(1−p)2+⋯+(1−p)k−2+(1−p)k−1−k⋅(1−p)k∴pS=1p−(1p+k)(1−p)k∵0≤(1−p)≤1且k→∞∴limk→∞(1−p)k=0∴pS=1p∴S=∑k=1∞k(1−p)k−1=1p2∴E(X)=p∑k=1∞k(1−p)k−1=pS=1p\begin{aligned} &E(X) = \sum\limits_{k=1}^{\infty}k(1-p)^{k-1}p = p\sum\limits_{k=1}^{\infty}k(1-p)^{k-1}\\ &令 S = \sum\limits_{k=1}^{\infty}k(1-p)^{k-1} = 1\cdot(1-p)^0+2\cdot(1-p)^1+3\cdot(1-p)^2+\cdots+(k-1)\cdot(1-p)^{k-2}+k\cdot(1-p)^{k-1} \quad (1)\\&(1-p)S=1\cdot(1-p)^1+2\cdot(1-p)^2+3\cdot(1-p)^3+\cdots+(k-1)\cdot(1-p)^{k-1}+k\cdot(1-p)^{k} \quad (2)\\&由 (1)-(2) 可得, pS = (1-p)^0+(1-p)^1+(1-p)^2+\cdots+(1-p)^{k-2}+(1-p)^{k-1}-k\cdot(1-p)^{k} \\&\therefore pS = \frac{1}{p}-(\frac{1}{p}+k)(1-p)^k\quad \because 0 \leq (1-p) \leq 1 且 k \to \infty \quad \therefore \lim\limits_{k\to \infty}(1-p)^k=0 \quad \therefore pS=\frac{1}{p}\\&\therefore S=\sum\limits_{k=1}^{\infty}k(1-p)^{k-1} = \frac{1}{p^2} \\&\therefore E(X) = p\sum\limits_{k=1}^{\infty}k(1-p)^{k-1}=pS = \frac{1}{p} \end{aligned}E(X)=k=1∑∞k(1−p)k−1p=pk=1∑∞k(1−p)k−1令S=k=1∑∞k(1−p)k−1=1⋅(1−p)0+2⋅(1−p)1+3⋅(1−p)2+⋯+(k−1)⋅(1−p)k−2+k⋅(1−p)k−1(1)(1−p)S=1⋅(1−p)1+2⋅(1−p)2+3⋅(1−p)3+⋯+(k−1)⋅(1−p)k−1+k⋅(1−p)k(2)由(1)−(2)可得,pS=(1−p)0+(1−p)1+(1−p)2+⋯+(1−p)k−2+(1−p)k−1−k⋅(1−p)k∴pS=p1−(p1+k)(1−p)k∵0≤(1−p)≤1且k→∞∴k→∞lim(1−p)k=0∴pS=p1∴S=k=1∑∞k(1−p)k−1=p21∴E(X)=pk=1∑∞k(1−p)k−1=pS=p1
证明方法二:
E(X)=∑k=1∞k(1−p)k−1p=p∑k=1∞k(1−p)k−1\begin{aligned} &E(X) = \sum\limits_{k=1}^{\infty}k(1-p)^{k-1}p = p\sum\limits_{k=1}^{\infty}k(1-p)^{k-1} \end{aligned}E(X)=k=1∑∞k(1−p)k−1p=pk=1∑∞k(1−p)k−1
我们注意到,求和级数的形式为 kxk−1kx^{k-1}kxk−1 , 求和不便,但是我们知道 (xk)′=kxk−1(x^k)' = kx^{k-1}(xk)′=kxk−1
∴∑k=1∞kxk−1=(∑k=1∞xk)′=(x(1−xk)1−x)′当0<x<1且k→∞时,limk→∞xk=0∴∑k=1∞kxk−1=(x1−x)′=1(1−x)2\begin{aligned} &\therefore \sum\limits_{k=1}^{\infty}kx^{k-1} =(\sum\limits_{k=1}^{\infty}x^k)' =(\frac{x(1-x^k)}{1-x})' \\&当0 <x<1 且 k\to \infty 时,\lim\limits_{k\to \infty} x^k=0 \\&\therefore \sum\limits_{k=1}^{\infty}kx^{k-1} = (\frac{x}{1-x})' = \frac{1}{(1-x)^2}\end{aligned}∴k=1∑∞kxk−1=(k=1∑∞xk)′=(1−xx(1−xk))′当0<x<1且k→∞时,k→∞limxk=0∴k=1∑∞kxk−1=(1−xx)′=(1−x)21
∴E(X)=p∑k=1∞k(1−p)k−1=p1(1−(1−p))2(0<1−p<1且k→∞)=p1p2=1p\begin{aligned} \therefore E(X) &= p\sum\limits_{k=1}^{\infty}k(1-p)^{k-1} \\& =p\frac{1}{(1-(1-p))^2} \quad (0 <1-p<1 且 k\to \infty)\\&=p\frac{1}{p^2}\\&=\frac{1}{p}\end{aligned}∴E(X)=pk=1∑∞k(1−p)k−1=p(1−(1−p))21(0<1−p<1且k→∞)=pp21=p1
5.5 超几何分布
X∼H(n,M,N)X\sim H(n,M,N)X∼H(n,M,N) ,则其分布律为P{X=k}=(kM)(n−kN−M)(nN)k=0,1,⋯,min{n,M}.P\{X=k\} = \frac{(_k^M)(_{n-k}^{N-M})}{(_n^N)} \quad k= 0,1,\cdots,min\{n,M\}.P{X=k}=(nN)(kM)(n−kN−M)k=0,1,⋯,min{n,M}. ,此时有E(X)=nMN.E(X)=n\frac{M}{N}.E(X)=nNM.
证明:
E(X)=∑k=0min{n,M}k(kM)(n−kN−M)(nN)=∑k=0min{n,M}kM!k!(M−k)!(N−M)!(n−k)!(N−M−n+k)!n!(N−n)!N!=∑k=1min{n,M}M(M−1)!(k−1)!(M−k)!(N−M)!(n−k)!(N−M−n+k)!n(n−1)!(N−n)!N(N−1)!=nMN1(n−1N−1)∑k=1min{n,M}(k−1M−1)(n−kN−M)=nMN1(n−1N−1)(n−1N−1)(范德蒙恒等式Cm+nk=∑i=0kCmiCnk−i)=nMN\begin{aligned} E(X) &= \sum\limits_{k=0}^{min\{n,M\}}k\frac{(_k^M)(_{n-k}^{N-M})}{(_n^N)} \\&=\sum\limits_{k=0}^{min\{n,M\}}k\frac{M!}{k!(M-k)!}\frac{(N-M)!}{(n-k)!(N-M-n+k)!}\frac{n!(N-n)!}{N!} \\&=\sum\limits_{k=1}^{min\{n,M\}}\frac{M(M-1)!}{(k-1)!(M-k)!}\frac{(N-M)!}{(n-k)!(N-M-n+k)!}\frac{n(n-1)!(N-n)!}{N(N-1)!}\\ &= n\frac{M}{N}\frac{1}{(^{N-1}_{n-1})}\sum\limits_{k=1}^{min\{n,M\}}(_{k-1}^{M-1})(_{n-k}^{N-M}) \\&=n\frac{M}{N}\frac{1}{(^{N-1}_{n-1})}(^{N-1}_{n-1}) \quad (范德蒙恒等式C_{m+n}^k = \sum\limits_{i=0}^{k}C_{m}^iC_{n}^{k-i}) \\&=n\frac{M}{N} \end{aligned}E(X)=k=0∑min{n,M}k(nN)(kM)(n−kN−M)=k=0∑min{n,M}kk!(M−k)!M!(n−k)!(N−M−n+k)!(N−M)!N!n!(N−n)!=k=1∑min{n,M}(k−1)!(M−k)!M(M−1)!(n−k)!(N−M−n+k)!(N−M)!N(N−1)!n(n−1)!(N−n)!=nNM(n−1N−1)1k=1∑min{n,M}(k−1M−1)(n−kN−M)=nNM(n−1N−1)1(n−1N−1)(范德蒙恒等式Cm+nk=i=0∑kCmiCnk−i)=nNM
5.6 均匀分布
X∼U(a,b)X\sim U(a,b)X∼U(a,b) ,则其概率密度为f(x)={1b−a,a<x<b,0,else.f(x)=\begin{cases} \frac{1}{b-a},\quad a<x<b, \\ 0,\quad else \end{cases}.f(x)={b−a1,a<x<b,0,else. ,此时有E(X)=a+b2.E(X)=\frac{a+b}{2}.E(X)=2a+b.
证明:
E(X)=∫−∞+∞xf(x)dx=∫−∞ax⋅0dx+∫abx1b−adx+∫b+∞x⋅0dx=0+(121b−ax2)∣ab+0=a+b2\begin{aligned} E(X) &= \int_{-\infty}^{+\infty}xf(x)dx = \int_{-\infty}^{a}x\cdot0dx+\int_{a}^{b}x\frac{1}{b-a}dx+\int_{b}^{+\infty}x\cdot0dx\\&=0+(\frac{1}{2}\frac{1}{b-a}x^2)\bigg|_a^b+0 \\&=\frac{a+b}{2}\end{aligned}E(X)=∫−∞+∞xf(x)dx=∫−∞ax⋅0dx+∫abxb−a1dx+∫b+∞x⋅0dx=0+(21b−a1x2)∣∣∣∣ab+0=2a+b
5.7 指数分布
X∼E(θ)X\sim E(\theta)X∼E(θ) ,则其概率密度为f(x)={1θe−x/θ,0<x,0,else(θ>0).f(x)=\begin{cases} \frac{1}{\theta}e^{-x/\theta},\quad 0<x, \\ 0,\quad else \end{cases} \quad (\theta>0).f(x)={θ1e−x/θ,0<x,0,else(θ>0). ,此时有E(X)=θ.E(X)=\theta.E(X)=θ.
证明:
E(X)=∫−∞+∞xf(x)dx=∫−∞0x⋅0dx+∫0+∞x1θe−x/θdx=0+(−xe−x/θ)∣0+∞−∫0+∞−e−x/θdx(分部积分法)=0−(θe−x/θ)∣0+∞=−(0−θ)=θ\begin{aligned} E(X) &= \int_{-\infty}^{+\infty}xf(x)dx = \int_{-\infty}^{0}x\cdot0dx+\int_{0}^{+\infty}x\frac{1}{\theta}e^{-x/\theta}dx\\&=0+(-xe^{-x/\theta})\bigg|_0^{+\infty} -\int_{0}^{+\infty}-e^{-x/\theta}dx \quad (分部积分法)\\&=0-(\theta e^{-x/\theta})\bigg|_0^{+\infty}\\&= -(0-\theta) \\&= \theta\end{aligned}E(X)=∫−∞+∞xf(x)dx=∫−∞0x⋅0dx+∫0+∞xθ1e−x/θdx=0+(−xe−x/θ)∣∣∣∣0+∞−∫0+∞−e−x/θdx(分部积分法)=0−(θe−x/θ)∣∣∣∣0+∞=−(0−θ)=θ
证明方法二:
E(X)=∫−∞+∞xf(x)dx=∫−∞0x⋅0dx+∫0+∞x1θe−x/θdx=0+(−xe−x/θ)∣0+∞−∫0+∞−e−x/θdx(分部积分法)=θ∫0+∞1θe−x/θdx(构造θ和1θ,不影响其结果,好处是积分项∫0+∞1θe−x/θdx=F(+∞)−F(0)=1)=θ⋅1=θ\begin{aligned} E(X) &= \int_{-\infty}^{+\infty}xf(x)dx = \int_{-\infty}^{0}x\cdot0dx+\int_{0}^{+\infty}x\frac{1}{\theta}e^{-x/\theta}dx\\&=0+(-xe^{-x/\theta})\bigg|_0^{+\infty} -\int_{0}^{+\infty}-e^{-x/\theta}dx \quad (分部积分法)\\&=\theta\int_{0}^{+\infty}\frac{1}{\theta}e^{-x/\theta}dx \quad (构造\theta和\frac{1}{\theta},不影响其结果,好处是积分项\int_{0}^{+\infty}\frac{1}{\theta}e^{-x/\theta}dx=F(+\infty)-F(0)=1 )\\&= \theta \cdot 1 \\&= \theta\end{aligned}E(X)=∫−∞+∞xf(x)dx=∫−∞0x⋅0dx+∫0+∞xθ1e−x/θdx=0+(−xe−x/θ)∣∣∣∣0+∞−∫0+∞−e−x/θdx(分部积分法)=θ∫0+∞θ1e−x/θdx(构造θ和θ1,不影响其结果,好处是积分项∫0+∞θ1e−x/θdx=F(+∞)−F(0)=1)=θ⋅1=θ
5.8 正态分布
X∼N(μ,σ2)X\sim N(\mu,\sigma^2)X∼N(μ,σ2) ,则其概率密度为f(x)=12πσe−(x−μ)22σ2,−∞<x<+∞.f(x)=\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}} , \quad -\infty<x<+\infty.f(x)=2πσ1e−2σ2(x−μ)2,−∞<x<+∞. ,此时有E(X)=μ.E(X)=\mu.E(X)=μ.
证明:
E(X)=∫−∞+∞xf(x)dx=∫−∞+∞x12πσe−(x−μ)22σ2dx令x−μσ=t,则x=tσ+μ=12πσ∫−∞+∞(tσ+μ)e−t22σdt=12π(∫−∞+∞tσe−t22dt+∫−∞+∞μe−t22dt)=12π(−e−t22)∣−∞+∞+12πμ2π(在介绍连续型随机变量概率密度时,有证明∫−∞+∞e−t22dt=2π)=0+μ=μ\begin{aligned} E(X) &= \int_{-\infty}^{+\infty}xf(x)dx = \int_{-\infty}^{+\infty}x\frac{1}{\sqrt{2\pi}\sigma}e^{-\frac{(x-\mu)^2}{2\sigma^2}}dx\\& 令 \frac{x-\mu}{\sigma}=t,则 x= t\sigma+\mu\\&=\frac{1}{\sqrt{2\pi}\sigma}\int_{-\infty}^{+\infty}(t\sigma+\mu)e^{-\frac{t^2}{2}}\sigma dt\\&= \frac{1}{\sqrt{2\pi}}(\int_{-\infty}^{+\infty}t\sigma e^{-\frac{t^2}{2}}dt+\int_{-\infty}^{+\infty}\mu e^{-\frac{t^2}{2}} dt) \\&= \frac{1}{\sqrt{2\pi}}(-e^{-\frac{t^2}{2}})\bigg|_{-\infty}^{+\infty}+\frac{1}{\sqrt{2\pi}}\mu\sqrt{2\pi} \quad(在介绍连续型随机变量概率密度时,有证明 \int_{-\infty}^{+\infty}e^{-\frac{t^2}{2}} dt=\sqrt{2\pi}) \\&=0+\mu \quad \\&= \mu \end{aligned}E(X)=∫−∞+∞xf(x)dx=∫−∞+∞x2πσ1e−2σ2(x−μ)2dx令σx−μ=t,则x=tσ+μ=2πσ1∫−∞+∞(tσ+μ)e−2t2σdt=2π1(∫−∞+∞tσe−2t2dt+∫−∞+∞μe−2t2dt)=2π1(−e−2t2)∣∣∣∣−∞+∞+2π1μ2π(在介绍连续型随机变量概率密度时,有证明∫−∞+∞e−2t2dt=2π)=0+μ=μ
关于∫−∞+∞e−t22dt=2π\int_{-\infty}^{+\infty}e^{-\frac{t^2}{2}} dt=\sqrt{2\pi}∫−∞+∞e−2t2dt=2π的详细证明可看之前文章 连续型随机变量及其常见分布函数和概率密度 中,正态分布必要性证明部分.
证明方法二:
我们知道,一般正态分布可以通过Z=X−μσZ=\frac{X-\mu}{\sigma}Z=σX−μ 转为标准正态分布,标准正态分布的期望是很好计算的,设为E(X0)E(X_0)E(X0),之后再利用期望的性质E(X−μσ)=E(X)σ−μσ=E(X0).E(\frac{X-\mu}{\sigma}) = \frac{E(X)}{\sigma}-\frac{\mu}{\sigma} = E(X_0).E(σX−μ)=σE(X)−σμ=E(X0). 反解出E(X)E(X)E(X)即可. 下面给出具体的证明步骤:
标准正态分布的概率密度为f(x)=∫−∞+∞12πe−x22dxf(x) = \int_{-\infty}^{+\infty}\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dxf(x)=∫−∞+∞2π1e−2x2dx 则
E(X0)=∫−∞+∞xf(x)dx=∫−∞+∞x12πe−x22dx=12π(−e−x22)∣−∞+∞=0\begin{aligned} E(X_0) &= \int_{-\infty}^{+\infty}xf(x)dx = \int_{-\infty}^{+\infty}x\frac{1}{\sqrt{2\pi}}e^{-\frac{x^2}{2}}dx\\&= \frac{1}{\sqrt{2\pi}}(-e^{-\frac{x^2}{2}})\bigg|_{-\infty}^{+\infty} \\&=0\end{aligned}E(X0)=∫−∞+∞xf(x)dx=∫−∞+∞x2π1e−2x2dx=2π1(−e−2x2)∣∣∣∣−∞+∞=0
∴E(X−μσ)=E(X)σ−μσ=0∴E(X)=μ\begin{aligned} \therefore E(\frac{X-\mu}{\sigma}) = \frac{E(X)}{\sigma}-\frac{\mu}{\sigma} = 0 \quad \therefore E(X) = \mu \end{aligned}∴E(σX−μ)=σE(X)−σμ=0∴E(X)=μ