数学期望与 LOTUS

🏠 第19章概念导航

核心问题

一个随机变量”平均而言”是多少？

第17、18章都在求分布——完整地回答”取每个值的可能性有多大”。但分布是一个函数，难以比较、难以传达。数字特征的目的是把一整个分布压缩成几个数：期望说它在哪里，方差说它有多散。

期望是这个压缩的第一步，也是最重要的一步。

核心定义 / 定理 / 结论

一、定义

存在性要求绝对收敛： 或 。

这不是形式主义——柯西分布 的期望确实不存在，因为 发散。它在第18章作为两个独立标准正态之商出现过。

二、LOTUS：不求分布，直接求期望

二维版本：

“Law of the Unconscious Statistician”（无意识统计学家定律）——名字来自”人们不假思索地这么用，居然是对的”。

它的意义：第17章花整章求 的密度，那套功夫在求期望时可以完全跳过。只有题目明确要 的分布时才去求分布。

三、期望的性质（按”要不要条件”分成两类）

无条件成立的：

不需要独立，不需要同分布，不需要任何东西。 这是概率论里最”便宜”的定理，也是指示变量法的全部基础。

需要独立的：

注意这是单向的： 只说明”不相关”，推不出独立。见 不相关与独立。

四、Jensen 不等式（用来自检）

""是本章第一号错误，Jensen 给出了偏差的方向。

常用实例：

第一条就是 。

五、非负随机变量的尾积分公式

离散版：（ 取非负整数）。

它在两种场合远比定义式好用：

• 截断变量（、）：尾概率简单，密度带原子；
• 次序统计量（尤其 ）： 是连乘。

推导一行：交换积分次序 。

典型题型

1. LOTUS 直算：给密度求 ——见 LOTUS 与级数/积分技巧
2. 离散级数求和：泊松的 、几何的
3. 指示变量拆和：求”个数""次数”的期望——见 指示变量法
4. 两段式随机：先取 再取 ——见 条件期望与全期望公式
5. 先求期望再求概率： 型

图示 / 直觉

期望是密度曲线下方那块图形的”重心横坐标”。

把 想成一根质量不均匀的细杆的线密度， 就是让这根杆在支点上平衡的位置。于是：

• 对称分布的期望在对称中心（若存在）—— 的 、 的 、拉普拉斯分布的 ；
• 右偏（长尾在右）的分布，期望被尾巴拉到中位数右边——指数分布的中位数是 ，小于期望 ；
• 尾巴太重就没有重心——柯西分布两边的尾都是 ， 对数发散。

LOTUS 的直觉：求 时，你要问的是” 的取值 相应的概率”，而**“相应的概率”由 的分布提供就够了**——不需要把这些概率重新整理成 的分布。

常见误用

1.

最常见的错法： 算成 、 算成 、 算成 。 只有线性函数才能穿进去。 用 Jensen 检查偏差方向。

2. 需要独立（或至少不相关）

而 什么都不需要。这条界线要刻在脑子里。

3. 忘记检查期望是否存在

柯西分布、（Lomax）、 都是期望不存在的例子。 但有界随机变量的期望永远存在——所以 对柯西也有意义。

4. 级数求和时漏掉首项

（不是 ），。换元之后一定重新确认求和起点。

与旧知识的连接

• 高数的重心与形心： 在 时就是重心公式，与 定积分的物理应用 · 微元法与局部贡献 里的形心完全同型。
• 高数的广义积分收敛判别：期望存在性就是 的收敛性，用的是同一套比较判别法。
• 级数：离散型期望是级数求和，三个模板级数（、、）全部来自幂级数展开。
• 第16章全概率公式：全期望公式是它的期望版本，见 条件期望与全期望公式。

题型训练

• 一维期望的计算：LOTUS 与级数/积分技巧（7 题）
• 指示变量法：把和拆开求期望（6 题）
• 截断与混合型的期望（4 题）
• 次序统计量的数字特征（8 题）

链接

• 方差、标准差与矩
• 常见分布数字特征表
• 条件期望与全期望公式
• 指示变量法
• 随机变量函数的分布（本章刻意绕开的那条路）