关于Casella和Berger《统计推断》中期望不等式E(g(X)(X−μ))≥0的证明问询

嘿，我完全懂你看原版证明一头雾水的感觉——教材里的推导有时候会跳步或者用偏抽象的表述，咱们换个更直观的思路来搞定这个不等式，核心就是抓牢g(x)是非递减函数这个关键条件。

先把已知条件再明确一遍：

• X是均值为μ的随机变量（E[X]=μ，且μ有限）
• g(x)是定义在X取值域上的非递减函数（也就是只要a≤b，就有g(a)≤g(b)）

核心关键：非递减函数的符号一致性 #

咱们先看一个对所有实数x都成立的小结论：乘积$(g(x)-g(μ))(x-μ)$永远是非负的。为啥？

• 当$x≥μ$时，因为g是非递减的，所以$g(x)≥g(μ)$，两个因子都是非负的，乘积自然≥0；
• 当$x<μ$时，g(x)≤g(μ)，两个因子都是非正的，相乘之后还是≥0。

简单说就是：只要g是非递减函数，$(g(x)-g(μ))(x-μ)≥0$对所有x都成立。

对两边取期望推导目标不等式 #

既然这个乘积对所有x都非负，那它的期望也必然非负（这是期望的单调性：如果随机变量Y几乎处处≥0，那么E[Y]≥0）：
$$E\left[(g(X)-g(μ))(X-μ)\right] ≥ 0$$

接下来把左边的乘积展开，用期望的线性性质拆分：
$$E\left[g(X)(X-μ) - g(μ)(X-μ)\right] = E\left[g(X)(X-μ)\right] - g(μ)E\left[(X-μ)\right]$$

注意到$E[X-μ] = E[X] - μ = μ - μ = 0$，所以第二项直接就消失了，剩下的就是咱们要证的结论：
$$E\left[g(X)(X-μ)\right] ≥ 0$$

是不是比教材里的方法直白多了？

补充：离散/连续场景的具象验证 #

如果你想更具象地理解，也可以分情况拆解：

• 离散随机变量：设X的取值为$x_i$，对应概率$p_i$，期望就是$\sum p_i g(x_i)(x_i - μ)$。把每一项拆成$(g(x_i)-g(μ))(x_i - μ) + g(μ)(x_i - μ)$，求和后第二项$\sum p_i g(μ)(x_i - μ)=g(μ)(\sum p_i x_i - μ)=0$，第一项每个部分都非负，求和后自然非负，整体就≥0。
• 连续随机变量：类似地，积分$\int g(x)(x-μ)f(x)dx$拆成$\int (g(x)-g(μ))(x-μ)f(x)dx + g(μ)\int (x-μ)f(x)dx$，第二项积分结果为0，第一项被积函数非负，积分结果也非负，所以整体≥0。

备注：内容来源于stack exchange，提问作者Jackie