关于无意识统计学家定律的困惑：正态变量期望推导疑问

首先可以明确告诉你：你写出的等式完全成立，不存在理解误区——只是可能因为积分变量的符号复用或者对LOTUS的应用逻辑不够清晰，才产生了“看似反常”的错觉，我们一步步拆解来看：

1. 等式每一部分的本质 #

• 左边的积分：这是正态随机变量 (X \sim N(\mu, \sigma^2)) 期望的定义式，即 (E[X] = \int_{-\infty}^{\infty} x f_X(x) dx)，其中 (f_X(x)) 是X的概率密度函数（PDF）。
• 中间的 (E[\mu+\sigma Z])：因为 (X = \mu + \sigma Z)，根据期望的线性性（这是期望最基础的性质，和分布类型无关），直接可以展开为 (E[\mu] + \sigma E[Z])。由于(\mu)是常数，(E[\mu]=\mu)；而标准正态变量Z的期望 (E[Z]=0)，所以结果就是(\mu)。
• 右边的积分：这是**无意识统计学家定律（LOTUS）**的直接应用。LOTUS的核心逻辑是：如果随机变量Y是另一个随机变量X的函数（即(Y = g(X))），那么Y的期望可以直接通过X的PDF计算，无需先求Y的PDF，公式为 (E[Y] = \int_{-\infty}^{\infty} g(x) f_X(x) dx)。

在这里，X是Z的函数 (X = g(Z) = \mu + \sigma Z)，所以代入LOTUS公式，就得到 (E[X] = \int_{-\infty}^{\infty} g(z) f_Z(z) dz)——你只是把积分变量写成了x（符号替换不影响积分结果），所以右边的积分完全正确。

2. 验证三者结果一致 #

我们通过变量替换把左边积分转化为右边的形式，就能看清它们的等价性：
令 (t = \frac{x - \mu}{\sigma})，则 (x = \mu + \sigma t)，(dx = \sigma dt)，代入左边积分：
[
\begin{align*}
\int_{-\infty}^{\infty} x \cdot \frac{1}{\sigma\sqrt{2\pi}}e^{{-\frac{(x-\mu)}2}{2\sigma^2}} dx &= \int_{-\infty}^{\infty} (\mu + \sigma t) \cdot \frac{1}{\sigma\sqrt{2\pi}}e^{-\frac{t2}{2}} \cdot \sigma dt \
&= \int_{-\infty}^{\infty} (\mu + \sigma t) \cdot \frac{1}{\sqrt{2\pi}}e^{-\frac{t2}{2}} dt
\end{align*}
]
这和你右边的积分完全一致（只是把t换成了x）。接下来计算这个积分：

• 第一项：(\mu \int_{-\infty}^{\infty} \frac{1}{\sqrt{2\pi}}e^{-\frac{t2}{2}} dt = \mu \cdot 1 = \mu)（标准正态PDF的积分等于1）
• 第二项：(\sigma \int_{-\infty}^{\infty} t \cdot \frac{1}{\sqrt{2\pi}}e^{-\frac{t2}{2}} dt = \sigma \cdot 0 = 0)（标准正态的奇函数积分，对称区间上结果为0）
  最终结果就是(\mu)，和期望线性性得到的结论完全统一。

3. 为什么会觉得“反常”？ #

你可能的困惑点在于：右边积分里的积分变量（你写的x）和左边的X的取值变量同名，容易混淆。但积分变量只是一个“占位符”，把右边的x换成z或者t，就会发现它本质是对标准正态变量Z的取值做积分，和左边对X的取值积分只是变量替换后的不同形式，核心都是计算X的期望，结果自然一致。

内容的提问来源于stack exchange，提问作者G H Hardy