随机变量的数学期望

随机变量的数学期望
一、背景知识与引入方法
我们知道由于随机变量按一定的概率
规律取值，所以利用随机变量的概率分布
可以完整地描述随机变量，然而有时仅利
用与随机变量概率分布有关的一个或几个
数字特征来描述随机变量就可以了，这些
数字从另一个侧面描述了该随机变量的分
布特征，这些能用数字表示的随机变量的
特征统称为随机变量的数字特征 .
 随机变量的数学期望的定义来自于加权
平 均 的 概 念 . 我们先看一个引例，设有甲
、乙两射手，其射击技术可用下表表示：
甲射手
击中环数 10 9 8
概率 0.7 0.25 0.05

乙射手
击中环数 10 9 8

概率 0.75 0.1 0.15

试问哪个射手水平较高 ?
 假设两射手各射 N 枪，则各人击中靶
子的环数大约是：
甲： 10  0.7 N  9  0.25 N  8  0.05 N  9.65 N ,
乙： 10  0.75 N  9  0.1N  8  0.15 N  9.6 N
平 均 起 来 ， 甲 射 手 每枪 射 中 9.65 环 ,
因此 , 甲射手的水平高一些 .
 数学期望这一名词是源于赌博，听起
来似乎不太通俗易懂，但是它在概率论中
已源远流长、并获得大家公认 . 数学期望
也常称为 “均值 ”，是指以概率为权的加权
平 均 .这里我们分别给出离散型随机变量、
连续型随机变量以及随机变量函数的数学
期望的定义，并进一步研究数学期望的性
质.
二、该知识点的讲解方法
2.1 离散型 随机变 量及 离散型 随机 变量函 数
的数学 期望
定义 1( 离散型随机变量的数学期望 )
设离散型随机变量
X P  X  xi   pi i  1, 2,L
的分布律为
， 

如果级数 i 1
i i x p
绝对收敛，则称其为离散型随机变量 X 的
数学期望或期望，记作
EX ，即

EX   xi pi . （1）
i 1
 

如果 x p 发散，则称随机变量
i 1
i X i 的
数学期望不存在 . 由此可知，若
X 只取有
限个值 , EX
则其数学期望 一定存在 .
为了进一步理解离散型随机变量
数学期望的定义，下面我们列举几个应熟
练掌握的离散型随机变量数学期望 .
X ~ B  1, p 
1) 两点分 布的数 学期望 设随机变量
即
P  X  1  p, P  X  0  q, 且 0  p  1, p  q  1

由（ 1 ）式 ，有
EX  0 (1  p )  1 p  p.
 2) 二项 分布的 数学 期望 X ~ b  k ; n, p 
设随机变量
P  X  k   C kn p k q n  k , k  0,1, 2,L , n, 0  p  1, q  1  p,
即
则  
n!
EX   kC p q k k nk
 k p k q nk
k ! n  k  !
n
k 1 k 1

 np  C kn 11 p k 1q n  k  np  p  q  n 1  np.
k 1

3) P oiss on 分布的 数学 期望 设随机

P 
X ~变量 ,即
 
k

P  X  k  e , k  1, 2,L ,   0,
k!
则

 k  
 k 1
EX   k e  e    e   e  .
k 1 k ! k 1  k  1 !
 4) 几何 分布的 数学 期望 设随机变
X
量 服从 p  0  p  1 X
于参数为P  X  k   q k 1 p, k  1, 2,L , 0  p  1, 的几何分
布 ，即 的分布律为  ,
EX   则 kpq k 1
 p  1  2 q  3q 2
L 
k 1
 q 
 
 p q  q  q L  p
2 3
 

 1 q 
1
 pg
 1 q
2

1
 .
p
 如何求离散型随机变量 X Y  g X 
的函数
Y  g X 
的数学期望呢 ? 可以不必求 的
分布律 , 而只需利用原随机变量
X 的分布
就可以了 . 为此 , 需要如下定理 .
定理 1( 离散型 随机变 量的 函数的 数学
X )
期望 若 是离散型随机变量 P, X其分布  xi   pi , i  1, 2,L
g  x
律为 x 又 是

实变量 的单值函数 g  x  ,p 如果
  ,
i i
i 1

则随机变量X Y  g X 
的函数 的数
学期望 
EY  Eg  X    g  xi  pi . （ 2）
i 1
 定理 2( 二维离散 型随 机变量 的函 数的
数学期 望 ) X , Y 设  是二维离散型随机变
P  X  xi , Y  yi   pij , i, j  1, 2,L
量 , 其联合分布律为 g  x, y 
，又 x, y  是实变量 的单值实函数
n n
，如果
 g  x , y  p  ,
i j ij
i 1 j 1

则二维离散型随机变量的函数 Z  g  x, y  的数
学期望
n n
EZ  Eg  X , Y    g  xi , y j  pij . （3
i 1 j 1
）
 定理 2 可推广到 n 维离散型随机变量
的场合 . 根据定理 1 及定理 2 ，如果需要求
离散型随机变量的函数的数学期望，可直
接利用原来随机变量的分布律，而不必先
求随机变量函数的分布律 .
2.2 连续型 随机 变量及 连续 型随机 变量 函数
的数学 期望

设连续型随机变量X f  x
的概率密度
 a, b 只在 上取非零值，并且是  a, b 
上的连续函数，取分点
a  a0  a1  a2  L  an  b,
这里我们分别给出离散型随机变量、
连续型随机变量以及随机变量函数的数学
期望的定义，并进一步研究数学期望的性
质 . （似乎多余 ）
 ba
定义 ai  ai 1  ai  n
，则随机变量 X
落 i   ai , ai 1 
a在 中 的 a概 率 为
P  X  ai    f  x  dx.
i 1

ai

如果我们把X   ai , ai 1  X  ai 近似
看成 ，则按离散型随机变量 X
的定义知 取值的平均大小应近似为
n 1 n 1

 ai  f  x  dx   ai f  bi   ai 1  ai  , bi   ai , ai 1  .
a i 1

a
i
i 0 i 0
n 越大，上式的近似程度就越好 . 当 n 时
，上式和式的极限即为 
 xf  x  dx.


因此，我们给 如下的连续 型随 机变 量的数学 期

望定义 .
 定义 2 （连续型 随机 变量的 数学 期望）
若连续型随机变量 X 的概率密度 f  x    x， ,
满足条件 
 x f  x  dx  , （4）
则称积

分  xf  x  dx （5）


为连续型随机变量X 的数学期望，简称为期
望，记作
EX . 否则称连续型随机变量
X 的
数学期望不存在 .
 为了进一步理解连续型随机变量数学
期望的定义，下面我们列举几个应熟练掌
握的连续型随机变量数学期望 .

5) 均匀 分布的 数学 期望 X ~ U  a, b 
设随机变量
则
  1 ab
EX   xf  x  dx   x dx  .
  ba 2
6) 均匀 分布的 数学 期望 设随机变量 X 服
数为 
从参 的指数分布，
  1
则 EX   xf  x  dx   x e dx  .
 x
 0 
 此结 果的意义 是：若随 机变 量X 表示产 品
的寿命，服从参数为 的指数分布，则产品
1
的平均寿命为

.
7) 正态分 布的数 学期 望 X ~ N   , 2 
设随机变量
则 EX   . 事实上，显然有 x   2
  1 

 x   x  dx   xe 2 2
dx  .
 
2π
因而 EX 存在，且  x 
2
  x 
EX   x  x  dx   e 2 2
dx ,
x
 
2π
令 u 
，有
 u2
1  
EX     u    e du
2
2π 
2 2
   u2 1   u2
 
2π 
ue du   g 
2π 
e du

 .
若已知连续型随机变量 X 的概率密度
f X  x  如何求随机变量Y  g ( X )
为 的数学期望
呢？自然可以先求 Y 的概率密度 fY  y  ，再
由数学期望的定义求出 EY fY  y .
 但是求
有时并非易事 . 与定理 1 类似的定理 Y 3 说明
可以免去求 fY  y  的概率密度
EY 而求 的方
法.
定理 3 （连续 型随机 变量 的函数 的数 学期望
）X 若 是连续型随机变量，其概率 f  x
g  x     x ，又
密度为    是连续函
数，如果  g  x  f ( x)dx  ,
 (6
)
则连续型随机变量 X 的函数 Y  g( X ) 的数学
期望 
EY  Eg ( X )   g  x  f ( x)dx. (7

)
证明这里略去
.
 定理 4( 二维连续 型随 机变量 的函 数的
数学期 望 ) X , Y 设
 是具有联合分布密度 f  x, y 
为 的二维连续型随机变量， g    
x , y , x , y  R 2

Z  g  X ,Y 
是二元连续函数， ，如果
 
  g  x, y  f  x, y  dxdy  , （8
 
）
则

EZ  Eg  X , Y   
（9 g  x, y  f  x, y  dxdy.

）
n 维随机变量的场合 .
定理 4 可推广至
由于上述两个定理，在求连续型随机变量函
数的数学期望时，可直接引用原来随机变量
的概率密度而不必先求随机变量的函数的概
率密度 .
2.2 数学期 望的 性质
数学期 望具有 如下 性质：
(1) 若随机变量 X  C C ， 为常数EX ,则 C
(2) . 若随机变量 X 的数学期望存在， C 为
常 CX 的数学期望存在 , 且
数，则
E  CX   CEX . (10)
(3) 若X , Y 是定义在同一个概率空间   , F, P
上的两个随机变量，且 EX , EY  X Y 
E存在，
则 存在，且
E  X  Y   EX  EY . (11)
 (4) 若随机变量 X Y与 相互独立，且
EX , EY
E  XY 
存在，则 存在，且
E  XY   EX gEY . (12)

一般地，若X 1 , X 2 ,L , X n 是
  , F, P
定义在同一概率空间 EX i , i  1, 2,L , 上的随
n
n
 
a1 , a2 ,L an
机变量， E a X 
i i 存
i 1 
在， 为任意实数，则
 n
 n
存在，且 E   ai X i    ai EX i . (11)'
 i 1  i 1
 一般地，若X 1 , X 2 ,L , X n 相
i , i  1, 2,L , n
互独立，且
EX E  X 1 X 2 L X存在，则
n
n
存在，且
1 2 n 
E X X L X  
i 1
i EX . (12)'

证明 性质（ 1 ） 由条件，随机变量 X 服
从于单点分布 P X  C 1 ，由离散型随机
变量的数学期望的定义，EX  C gP  X  C  C
.
性质（ 2 ） C 若 0 ，则结论显然成立
. 以下设C0 ，分离散型与连续型两种场合
X
给予证明 . 若 是离散型随机变量，其分布
律为 P  X i  xi   pi , i  1, 2,L .
  

由EX 存在可知 Cxi pi  C x i pi   ，从

i 1 i 1
而

E CX 
  
E  存在 . 又
CX    Cxi由
 pi定
理Cx1i p知
i  C  xi pi  CEX .
i 1 i 1 i 1

若 X 是连续型随机变量，具有概率密度 f  x ,

由
EX  x f  x  dx  
存在知 . 再由定理 3
及 E  CX   

Cx f  x  dx  C 

x f  x  dx  ,
 

知 E  CX  存在，且
 
E  CX    Cxf  x  dx  C  xf  x  dx  CEX .
 
 性质（ 3 ） 就连续型随机变量场合
给予证明，离散场合请读者自行完成之 .
 X ,Y 
设二维连续型随机变量 f  x, y 
的联合概率密
度为 ，则由定理 4知
 
E Z  E X Y    x  y f  x, y  dxdy
 




x 



f  x, y  dy dx  



y 



f  x , y  dx dy
 
 x f X  x  dx   y fY  x  dx
 

 E X  E Y  ,

故存在，且
 
E X Y      x  y  f  x, y  dxdy
 
 


x 



f  x, y  dy dx  



y 



f  x, y  dx dy

 EX  EY .

性质（ 4 ） 同样就连续型场合加以
证明，设二维连续型随机变量  X ,Y  的概率
f  x, y 
密度为 ，由定理 4 并注意到
X Y 与 相
互独立，有  
E Z  E XY    xy f  x, y  dxdy
 
 
  xy f X  x  fY  y  dxdy
 
 
 x f X  x  dx  y f Y  y  dy
 

 E X E Y  ,
故 E  XY  存在，且用相同的方法可得
 
E  XY     xyf  x, y  dxdy
 
 
 xf X  x  dx  yfY  y  dy
 

 EXEY .
 事实上，数学期望还具有如下性质
（留做习题 ）：
(5) 设j , k 为均为正整数且jk E X k 
，如
果 E X j
存在，则 也存在 .

(6) 设 a  b, a, b P  a  X  b  1
为常数，如果
a  EX  b ，则
.
(7) 若X 是取非负整数值 0,1, 2,L 的离
散型随机变量，则 
EX   P  x  n .
n 1
三、例题

例1 （ 分布 的数学 期望 ） X ~   t,  
若随机变
量 
xf  x  dx  
  t t  x 1 
则 EX   0   x 
t
x e dx  e   x dx ,
 0  t  t
令 x  u ，则
1    t  1
EX 
  t   0
u t e  u du 
  t 
,

再由   t  1  t  t 
函数的性质：
，知 t
EX  .

例2 设随机变量的分布密度为
1
f  x  ,   X  .
π1 x 
2

由于
 1 2  x

x
π1 x 
2
dx  
π 0
1 x 
2
dx  ,

所以 EX 不存在 .
例 3 一辆飞机场的交通车，送 25 位乘客到 9
个站，假设每一位乘客都等可能地在任一站
下车，并且他们是否下车是相互独立的 . 又
知交通车只有在有人下车时才能停车 . 求该
交通车停车次数的数学期望 .
解 由题设，每一位乘客在第 i 站下车的概率
k   第位乘客在第站下车 
1
为 .i  1, 2,L ,9 . A令 k i
9
，则
P  Ak   , P  Ak   , k  1, 2,L , 25.
1 8
9 9
又 因 A1 , A2 ,L , A25 相 互 独 立 ， 所 以
i 第 站 没有
人下车（因此不停车）的概率为 25
 
   8
25 25
P I Ak  
 P Ak    , i  1, 2,L ,9.
 k 1  k 1  9
设
 1, 在第i站有人下车,
Xi   i  1, 2,L ,9,
 0, 在第i站无人下车,
则
25 25
 8  8
P  X i  0    , P  i 
X  1  1    , i  1, 2,L ,9.
 9  9
  8
25

1,1   
即 X i ~ B   . 于是，交
  9
 
通车停车的总次数 9
X   Xi,
i 1
9 9
所以 EX   EX i    1 P  X i  1  0  P  X i  0 
i 1 i 1
9 
 8
25

   1 P  X i  1   9  1     .
i 1   9 
例 4 （超几 何分 布的数 学期 望） 设随机变量 X
服从参数 N , M为,n 的超几何分
X
布，即 的分布律为
C mM C nNmM
P  X  m  n
,0  n  N , 0  m  M , M  N .
CN
若把从N 件产品中取出 n 件产品、其中
恰好有
m 件废品的试验看成不放回抽样试验
.令  1, 在第i次抽得废品,
Xi  
 0, 在第i次抽得正品,
M M M
则 P  X i  1  N , P  X i  0  1  N , i  1, 2,L , n EX.i 
因N
此 X  X 1  X而2  L  X n n 表示 次抽样 的
废品数，它服从超几何分布 .
利用数学期望性质（ 3 ）得到

 n
 n
nM
EX  E   X i    EX i  .
 i 1  i 1 N

例 5 （二项 分布 的数学 期望 ） 这里给出计

算二项分布的数学期望的另一种方法，令
 1, 在第i次试验中事件A出现， i  1, 2,L , n
Xi  
 0, 在第i次试验中事件A不出现，
显然 X i  1  i  n  是服从两点分布的随机变量，
n

因此EX i  p, i  1, 2,L , n X .而

X
i n 表示 重
i 1

Bernoulli 试验中事件 A 出现的次数，于是

由数学期望性质（ 3 ）即得
n
EX   EX i  np.
i 1
四、常见错误分析
初学者在计算离散型随机变量的数学期
望时，不熟悉级数求和运算，在计算连续型
随机变量的数学期望时，不熟悉积分运算 .
初学者在计算离散型随机变量函数的数学期
望时，不熟悉利用定理 1 和定理 2 的结论，
在计算连续型随机变量函数的数学期望时，
不熟悉利用定理 3 和定理 4 结论 的积 分运 算
. 初学者不能熟练掌握数学期望的性质
来计算随机变量的数学期望 . 例如计算超几
何分布的数学期望时，不知利用数学期望的
性质来计算超几何分布和二项分布的数学期
望.
五、与其他知识的关联
随机变量的数学期望是随机数学中的基
石性概念，它是随机变量的数字特征之一，
同时也与随机变量的其他数字特征概念密切
相关，如方差、矩、协方差和相关系数等概
念密切 相关 .
同时，随机变量数学期望的概念也为
随机过程的描述打下铺垫 .