概率论知识回顾(十五)
重点:变量函数的期望,期望的性质
知识回顾用于巩固知识和查漏补缺。知识回顾步骤:
- 查看知识回顾中的问题,尝试自己解答
- 自己解答不出来的可以查看下面的知识解答巩固知识。
- 对知识解答有疑问的,说明有关这一点的知识或者公式没有理解透彻或者没有记住,要重新翻看书籍。
知识回顾
- 离散型随机变量的函数的数学期望怎么表示?
- 连续型随机变量的函数的数学期望怎么表示?
- 证明 E(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dyE(Y) = \int_{0}^{+\infty}P\begin{Bmatrix} Y > y \end{Bmatrix}dy - \int_0^{+\infty}P\begin{Bmatrix} Y < -y \end{Bmatrix}dyE(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dy
- 二维离散型随机变量的函数的数学期望怎么表示?
- 二维连续型随机变量的函数的数学期望怎么表示?
- 随机变量期望的性质有哪些?
知识解答
-
离散型随机变量的函数的数学期望怎么表示?
- 设随机变量 XXX 的分布律为P{X=xk}=pk,k=0,1,2,...P\begin{Bmatrix} X = x_k \end{Bmatrix} = p_k, k = 0, 1, 2,...P{X=xk}=pk,k=0,1,2,...。对于 g(X)g(X)g(X) 来说:如果 g(x)g(x)g(x) 是实值单值函数并且 ∑k∣g(xk)∣pk<+∞\sum_k|g(x_k)|p_k < +\infty∑k∣g(xk)∣pk<+∞ 则 g(X)g(X)g(X) 的期望存在,并且 Eg(X)=∑kg(xk)pkEg(X) = \sum_kg(x_k)p_kEg(X)=∑kg(xk)pk
-
连续型随机变量的函数的数学期望怎么表示?
- 设随机变量 XXX 的密度函数为 f(x)f(x)f(x), 对于 g(X)g(X)g(X) 来说:如果 g(x) 是实值单值函数并且 ∫−∞+∞∣g(x)∣f(x)dx<+∞\int_{-\infty}^{+\infty}|g(x)|f(x)dx < + \infty∫−∞+∞∣g(x)∣f(x)dx<+∞, 则 g(X)g(X)g(X) 的期望存在,并且 Eg(X)=∫−∞+∞g(x)f(x)dxEg(X) = \int_{-\infty}^{+\infty}g(x)f(x)dxEg(X)=∫−∞+∞g(x)f(x)dx
-
证明 E(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dyE(Y) = \int_{0}^{+\infty}P\begin{Bmatrix} Y > y \end{Bmatrix}dy - \int_0^{+\infty}P\begin{Bmatrix} Y < -y \end{Bmatrix}dyE(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dy。
-
首先推导前半部分
∫0+∞P{Y>y}dy=∫0+∞∫y+∞fY(x)dxdy=∫0+∞∫0xdyfY(x)dx=∫0+∞xfY(x)dx\int_{0}^{+\infty}P\begin{Bmatrix} Y > y \end{Bmatrix}dy \\ = \int_{0}^{+\infty} \int_{y}^{+\infty}f_Y(x)dxdy \\ = \int_{0}^{+\infty} \int_{0}^{x}dyf_Y(x)dx \\ = \int_{0}^{+\infty} xf_Y(x)dx∫0+∞P{Y>y}dy=∫0+∞∫y+∞fY(x)dxdy=∫0+∞∫0xdyfY(x)dx=∫0+∞xfY(x)dx
-
同理后半部分
∫0+∞P{Y<−y}dy=∫0+∞∫−∞−yfY(x)dxdy=∫−∞0∫0−xdyfY(x)dx=−∫−∞0xfY(x)dx\int_{0}^{+\infty}P\begin{Bmatrix} Y < -y \end{Bmatrix}dy \\ = \int_{0}^{+\infty} \int_{-\infty}^{-y}f_Y(x)dxdy \\ = \int_{-\infty}^{0} \int_{0}^{-x}dyf_Y(x)dx \\ = -\int_{-\infty}^{0} xf_Y(x)dx∫0+∞P{Y<−y}dy=∫0+∞∫−∞−yfY(x)dxdy=∫−∞0∫0−xdyfY(x)dx=−∫−∞0xfY(x)dx
-
因此有:
E(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dy=∫0+∞xfY(x)dx−(−∫−∞0xfY(x)dx)=∫−∞+∞xfY(x)dx=E(Y)\begin{aligned}E(Y) &= \int_{0}^{+\infty}P\begin{Bmatrix} Y > y \end{Bmatrix}dy - \int_0^{+\infty}P\begin{Bmatrix} Y < -y \end{Bmatrix}dy \\&= \int_{0}^{+\infty} xf_Y(x)dx - ( -\int_{-\infty}^{0} xf_Y(x)dx) \\&= \int_{-\infty}^{+\infty}xf_Y(x)dx = E(Y)\end{aligned}E(Y)=∫0+∞P{Y>y}dy−∫0+∞P{Y<−y}dy=∫0+∞xfY(x)dx−(−∫−∞0xfY(x)dx)=∫−∞+∞xfY(x)dx=E(Y)
-
根据这个定理可证明连续随机变量的数学期望公式。
-
-
二维离散型随机变量的函数的数学期望怎么表示?
- 设二维随机变量 (X,Y)(X, Y)(X,Y) 的分布律为 P{X=xi,Y=yj}=pij,i,j=0,1,2,...P\begin{Bmatrix} X = x_i, Y = y_j \end{Bmatrix} = p_{ij}, i,j = 0, 1, 2,...P{X=xi,Y=yj}=pij,i,j=0,1,2,... 对于 g(X,Y)g(X, Y)g(X,Y) 来说,如果 g(x,y)g(x, y)g(x,y) 是关于x, y实值单值函数,并且有 ∑i∑j∣g(xi,yj)∣pij<+∞\sum_{i}\sum_{j}|g(x_i, y_j)|p_{ij} < + \infty∑i∑j∣g(xi,yj)∣pij<+∞ ,则其数学期望存在,并且 Eg(X,Y)=∑i∑jg(xi,yj)pijEg(X, Y) = \sum_{i}\sum_{j}g(x_i, y_j)p_{ij}Eg(X,Y)=∑i∑jg(xi,yj)pij
-
二维连续型随机变量的函数的数学期望怎么表示?
- 设二维随机变量 (X,Y)(X, Y)(X,Y) 的密度函数为 f(x,y)f(x, y)f(x,y) 对于 g(X,Y)g(X, Y)g(X,Y) 来说,如果 g(x,y)g(x, y)g(x,y) 是关于x, y实值单值函数,并且有 ∫−∞+∞∣g(x,y)∣f(x,y)dxdy<+∞\int_{-\infty}^{+\infty}|g(x, y)|f(x, y)dxdy < +\infty∫−∞+∞∣g(x,y)∣f(x,y)dxdy<+∞ ,则其数学期望存在,并且 Eg(X,Y)=∫−∞+∞g(x,y)f(x,y)dxdyEg(X, Y) = \int_{-\infty}^{+\infty}g(x, y)f(x, y)dxdyEg(X,Y)=∫−∞+∞g(x,y)f(x,y)dxdy
-
随机变量期望的性质有哪些?
-
对于常数,E(C)=CE(C) = CE(C)=C
-
E[∑i=1naiXi+b]=∑i=1naiE(Xi)+bE[\sum_{i=1}^na_iX_i + b] = \sum_{i=1}^{n}a_iE(X_i) + bE[∑i=1naiXi+b]=∑i=1naiE(Xi)+b
-
如果 X1,X2,...,XnX_1, X_2, ..., X_nX1,X2,...,Xn 相互独立,那么
E(X1X2⋯Xn)=E(X1)E(X2)⋯E(Xn)E(X_1X_2\cdots X_n) = E(X_1)E(X_2)\cdots E(X_n)E(X1X2⋯Xn)=E(X1)E(X2)⋯E(Xn)
-