3.3 数学期望的定理

数学期望的计算及应用数学与应用数学111 第四小组引言：我们知道，随机变量的概率分布是随机变量的一种最完整的数学描述，而数学期望又是显现概率分布特性的最重要的特征数字之一。

因此，掌握数学期望的计算并应用他来分析和解决实际问题显得尤为重要。

在学习了概率论以后，我们计算数学期望一般有三种方法：1.从定义入手，即E(X)x k p k；2.应用随机变量函数的期望公式k 1E(q(x))q( x k ) p k 3. 利用期望的有关性质。

但是还是会碰到许多麻烦，这里我们将k 1介绍一些解决这些难题的简单方法。

在现实生活中，许多地方都需要用到数学期望。

如果我们可以在学会怎么解决数学期望的计算之后，将数学期望应用到现实生活中。

就可以解决许多问题，例如农业上，经济上等多个方面难以解决的难题。

下面就让我们来看看，除了最常用的三种计算方法之外还有哪些可以计算较为棘手的数学期望的方法。

1.变量分解法[1]如果可以把不易求得的随机变量 X 分解成若干个随机变量之和,应用E( X 1E2... E n ) E( X 1 ) E ( X 2 )...E ( X n ) 再进行求解得值，这种方法就叫做变量分解法。

这种方法化解了直接用定义求数学期望时的难点问题，因为每一种结果比较好计算，分开来计算便可以比较简单的获得结果。

例题 1 ：从甲地到乙地的旅游车上载有达一个车站没有旅客下车，就不停车，以20 位旅客，自甲地开出，沿途有10 个车站，如到X 表示停车次数，求E(X).( 设每位旅客在各个车站下车是等可能的)分析：汽车沿途10 站的停车次数X 所以可能取值为0，1，.，10，如果先求出X 的分布列，再由定义计算E(X) ，则需要分别计算{X=0} ，{X=1}，，{X=10} 等事件的概率，计算相当麻烦。

注意到经过每一站时是否停车，只有两种可能，把这两种结果分别与0，1 对应起来，映入随机变量X i每一种结果的概率较易求得。

第29讲数学期望的性质2数学期望的性质:可推广到任意有限个随机变量线性组合的情况：0011()().n ni i i i i i E c c X c c E X ==+=+∑∑1. 设c 是常数, 则有();E c c =2. 设X 是一个随机变量, c 是常数, 则有()();E cX cE X =3. 设X, Y 是两个随机变量, 则有()()();E X Y E X E Y +=+()()();E aX bY c aE X bE Y c ++=++将上面三点合起来，则有3可推广到任意有限个相互独立的随机变量之积的情况：11()(),,1,2,,, n ni i i i i E X E X X i n ==∏=∏= 其中 相互独立.4. 设X , Y 是相互独立的两个随机变量, 则有()()();E XY E X E Y =4()().E X E Y =+1.()1,()()1.c P X c E c E X c c ====⨯=是常数，2. ()()()().X X E cX cx f x dx c xf x dx cE X +∞+∞-∞-∞===⎰⎰ 3. ()()(,) (,)(,)E X Y x y f x y dxdy xf x y dxdy yf x y dxdy+∞+∞-∞-∞+∞+∞+∞+∞-∞-∞-∞-∞+=+=+⎰⎰⎰⎰⎰⎰证明：((),(,)(,))X X f x X Y f x y ~~下面仅对连续型随机变量给予证明 设（利用随机变量函数的数学期望的两个定理来证）54. ()(,) ()() ()() ()().X Y X Y E XY xyf x y dxdyxyf x f y dxdyxf x dx yf y dyE X E Y +∞+∞-∞-∞+∞+∞-∞-∞+∞+∞-∞-∞====⎰⎰⎰⎰⎰⎰数学期望的性质:1. 设c是常数, 则有();E c c=2. 设X是一个随机变量, c是常数, 则有()();E cX cE X=3. 设X, Y是两个随机变量, 则有()()();+=+E X Y E X E Y 将上面三点合起来，则有()()();++=++E aX bY c aE X bE Y c4. 设X, Y是相互独立的两个随机变量, 则有=E XY E X E Y()()().672~(,)().X N E X μσμ= 设 ，证明: 例1:, , (0.)X Z Z E Z μσ-==令 则服从标准正态分布且证明:()()()()()0.E X E Z E E Z E Z μσμσμσμσμ=+=+=+=+= 故 2(,) .N μσμ服从 的随机变量的期望为即,X Z μσ=+此时8~(,),01,1,().X B n p p n E X <<≥ 设 求 例2:,, (). X n A P A p =由题意知随机变量可看成是重贝努里试验中事件发生的次 解: 数此时 引入随机变量1,;1,2,,.0,,k A k X k n A k ⎧==⎨⎩ 在第次试验发生在第次试验不发生()()12 ,,,,01,(),, n k X X X p E X p k -=∀ 于是相互独立服从同一分布参数为 121.nn k k X X X X X ==+++=∑ 且 11()()(),n n k k k k E X E X E X np =====∑∑故 ,.() B n p np 服从 的随机变量的期望为即注: 以n , p 为参数的二项分布的随机变量,可分解为n 个相互独立且都服从以p 为参数的(0-1)分布的随机变量之和.9(),1,2,,,,1,2,,.,,,,().n n n X n E X 配对问题一个小班有个同学 编号为号 中秋节前每人准备一件礼物 相应编号为将所有礼物集中放在一起 然后每个同学随机取一件 若取到自己的礼物 就认为配对成功.以表示个同学配对成功的个数求 例3: 1, ;1,2,,.0,,i i X i n i ⎧==⎨⎩ 第号同学配对成功引入随机变量 第号同学未配对成功解:121,01,. n i X X X X X n=+++- 易知： 且服从分布参数为1111()()() 1.n n n i i i i i E X E X E X n=======∑∑∑故 X 注: 不服从二项分布！10,,.X 本题是将分解成数个随机变量之和 然后利用随机变量和的数学期望等于随机变量数学期望之和来求数学期望 这种处理方法具有一定的普遍意义1110010010011()()() 4.5.i i i i E Y E X E X ===∏=∏=从而 0~9,100,,1,2,,100.100,,,().i X i i Y E Y = 计算机程序随机产生中的数字 独立进行次记为第次产生的数字将这个数进行乘积运算得到一数记为求 例4:12100,,,,,,{}1/10,0,1,,9.i X X X P X k k === 由题意知独立同分布其分布律均为 解：901() 4.5,10i k E X k ==⋅=∑故 100121001,i i Y X X X X ===∏ 又。

数学期望1、定义：在概率论和统计学中，数学期望(mean)（或均值，亦简称期望）是试验中每次可能结果的概率乘以其结果的总和，是最基本的数学特征之一。

它反映随机变量平均取值的大小。

需要注意的是，期望值并不一定等同于常识中的“期望”——“期望值”也许与每一个结果都不相等。

期望值是该变量输出值的平均数。

期望值并不一定包含于变量的输出值集合里。

大数定律规定，随着重复次数接近无穷大，数值的算术平均值几乎肯定地收敛于期望值。

2、离散型数学期望：如果随机变量只取得有限个值或无穷能按一定次序一一列出，其值域为一个或若干个有限或无限区间，这样的随机变量称为离散型随机变量。

离散型随机变量的一切可能的取值与对应的概率乘积之和称为该离散型随机变量的数学期望[2] (若该求和绝对收敛），记为。

它是简单算术平均的一种推广，类似加权平均。

公式离散型随机变量X的取为，为X对应取值的概率，可理解为数据出现的频率，则：例子某城市有10万个家庭，没有孩子的家庭有1000个，有一个孩子的家庭有9万个，有两个孩子的家庭有6000个，有3个孩子的家庭有3000个。

则此城市中任一个家庭中孩子的数目是一个随机变量，记为X。

它可取值0，1，2，3。

其中，X取0的概率为0.01，取1的概率为0.9，取2的概率为0.06，取3的概率为0.03。

则，它的数学期望，即此城市一个家庭平均有小孩1.11个。

定理：设Y是随机变量X的函数：（是连续函数）它的分布律为若绝对收敛，则有:3、连续性数学期望设连续性随机变量X的概率密度函数为f(x)，若积分绝对收敛，则称积分的值为随机变量的数学期望，记为E(X)。

[2]若随机变量X的分布函数F(x)可表示成一个非负可积函数f(x)的积分，则称X为连续性随机变量，f(x)称为X的概率密度函数（分布密度函数）。

数学期望完全由随机变量X的概率分布所确定。

若X服从某一分布，也称是这一分布的数学期望。

定理若随机变量Y符合函数，且绝对收敛，则有：[2]该定理的意义在于：我们求时不需要算出Y的分布律或者概率密度，只要利用X的分布律或概率密度即可。

§ 2.4 数学期望的定义及性质我们已经知道离散型随机变量的分布全面地描述了这个随机变量的统计规律,但在许多实际总是中,这样的全面描述有时并不使人感到方便.举例来说,已知在一个同一品种的母鸡群中,一只母鸡的年产蛋量是一个随机变量,如果要比较两个品种母鸡的年产蛋量通只要比较这两个品种的母的年产蛋量的平均值就可以了。

平均值大就意味着这个品种的母鸡产蛋量高，当然是较好的品种，这时如果不去比较它们的平均值，而只看它们的分布列，虽然全面，去合人不得要领，既难以掌握，又难以迅速地作出判断.这样的例子可以举出很多:例如要比较不同班级的学习成绩,通常就比较考试中的平均成绩;要比较不同地区的粮食收成,一般也只要比较平均亩产量等.既然平均值这么有用,那是值得花力气来研究一番的.例 2.13 (略) 见P 79例 2.14 若随机变量ξ服从二项分布),;(p n k b ,试求它的数学期望ξE 解 这时n k q p k n k P P kn k k ≤≤⎥⎦⎤⎢⎣⎡===-0,)(ξ所以k n k nk nk k q p k n k P k E -==⎥⎦⎤⎢⎣⎡⋅=⋅=∑∑00ξ)1()1(1011----=∑⎥⎦⎤⎢⎣⎡--=k n k nk q p k n nP np q p nP n =+=-1)( (2.22)例 2.15 (略)P 80定义 2.5 若离散型随机变量ξ可能取值为),,2,1(Λ=i a i 其分布列为),,2,1(Λ=i P i 则当∞<∑∞=1||i i ip a(2.24)时,称ξ存在数学期望,并且数学期望为∑∞==1i i i p a E ξ (2.25)如果∞=∑=i i ip a||1则称ξ的数学期望不存在.对于这个定义,读者也许会问,既然数学期望∑==1i ii pa E ξ,那么只要∑∞=1i ii pa 收剑就可以了,为什么还要求∞<∑∞=1||i i ip a是不是有点多余?我们已经知道,离散型随机变量的取值是可依某种次序一一列举的,对同一个随机变量,它的取值的列举次序可以有所不同,当改变列举次序时它的数学期望是不应该改变的,这就意味着无穷级数∑∞=1i ii pa 的求和次序可以改变而其和要保持不变,由无穷级数的理论知道,必须有∑∞=1i ii pa 绝对收剑即∞<∑∞=1||i i ip a,才能保证它的和不受求和次序变动的影响.定理 2.2 若ξ是一个离散型随机变量,其分布列为又g(x)是实变量x 的单值函数,如果∞<∑∞=1||i i ip a,则有∑∞==0)()(i i i p a g Eg ξ (2.26)证明 令),(ξηg =则η仍是一个离散型随机变量,设其可能取的值为)2,1(Λ=j b j ,于是由(2.20)式有∑====ji b a g ij a P b P )()()(ξη由数学期望定义有∑∞====1)()(j i j b p b E Eg ηηξ∑∑=∞===ji b a g ij ja pb )(1)(ξ∑∑=∞===ji b a g iij a p a g )(1)()(ξ∑∞==⋅=1)()(i i i a p a g ξ即为所证类似还可以证下述定理.定理 2.3 若(ξ,η)是一个二维离散型随机变量,其联合分布列为Λ2,1,,),(====j i p b a p ij j i ηξ又),(y x g 是实变量x,y 的单值函数,如果∞<∑∑∞=∞=11|),(|i j ijjipb a g则有∑∑∞=∞==11),(),(i j ij j i p b a g Eg ηξ (2.27)对一般的n 维随变量的函数,也有相应的定理成立,这里就不再叙述了.由于这些定理,在求离散型随机变量函数的数学期望时,就可以直接利用原来随机变量的分布,而不必先求随机变量函数的分布列.现在进一步讨论数学期望的性质.随机变量的数学期望具有下述基本性质:(1) 若b a ≤≤ξ,则ξE 存在,且有b E a ≤≤ξ.特别,若C 是一个常数,则EC=C. (2) 对于一二维离散型随机变量(ξ,η),若ξE ,ηE 存在,则对任意的实数),(,,2121ηξk k E k k 存在且ξξηξE k E k k k E 2121)(+=+ (2.28)(3) 又若ξ,η是相互独立的,则ξηE 存在且ηξξηE E E ⋅=)( (2.29)性质(1)的证明是显然的,下面证明性质(2)和(3). 设(ξ,η)的联合分布列和边际分布列为:Λ,,,),(j i p b a P ij j i ===ηξΛ2,1,)(===⋅i P a P i i ξ Λ2,1,)(===⋅j P b P j j η由定理2.32有∑∑∞=∞=+=+112121)()(i j ij j i P b k a k k k E ηξ∑∑∑∑∞=∞=∞=∞=+=112111i j ij j i j ij i p b k p a k∑∑∞=⋅∞=⋅+=1211j j j i i i p b k p a kηξE k E k 21+=这里级数∑∑∞=∞=+1121)(i j ij j ip b k ak 绝对收剑是明显的,所以)(21ηξk k E +存在且(2.28)式成立,性质(2)证得.仍得用定理2.3并由独立性有ηξξηE E p b p a p b a E j j j i i i i j ij j i •=•==∑∑∑∑∞=⋅∞=⋅∞=∞=1111)(这里级数∑∑∞=∞=11i j ij jip ba 的绝对收剑也是显然的,所以ξηE 存在且(2.28)式成立,性质(3)得证.性质(2)和(3)都可以推广到任意n 维随机变量的场合,当然,就性质(3)来说,要求这n 维随机变量是相互独立的.一个随机变量η,如果它的分布列是0---1分布:⎥⎦⎤⎢⎣⎡-p p 110 则显然有ηE =⋅P例 2.14 (略)见P 87。