二维平面随机图：链路数量X的分布、期望、方差及矩母函数求解

嘿，这个问题结合了随机图和混合分布的知识，我来一步步帮你拆解每个统计量的计算思路和结果：

首先先明确几个核心设定，避免后续混淆：

• n个节点，总共有 ( m = \binom{n}{2} = \frac{n(n-1)}{2} ) 个节点对（每对节点对应一次独立的抛硬币实验）
• 每个节点对的链路存在概率 ( p_i ) 是独立同分布的，服从均匀分布U[0.4, 0.8]
• X是图中的链路总数，我们可以把X拆成m个独立指示变量的和：( X = \sum_{i=1}^m X_i )，其中 ( X_i=1 ) 表示第i个节点对有链路，( X_i=0 ) 表示没有。

1. 概率质量函数 ( f(x) = P(X=x) ) #

要计算恰好有x条链路的概率，我们需要考虑：从m个节点对中选x个存在链路，剩下m-x个不存在，然后对所有可能的p_i分布积分。

由于所有p_i是独立同分布的，这个积分可以拆分成单个变量积分的乘积，再乘以选x个节点对的组合数：
[
f(x) = \binom{m}{x} \left( \int_{0.4}^{0.8} p , dp \right)^x \left( \int_{0.4}^{0.8} (1-p) , dp \right)^{m-x}
]

先计算两个关键积分：

• ( \int_{0.4}^{0.8} p , dp = \frac{0.8^2 - 0.4^2}{2} = 0.24 )
• ( \int_{0.4}^{0.8} (1-p) , dp = 0.4 - 0.24 = 0.16 )

代入后得到最终的概率质量函数：
[
f(x) = \binom{\frac{n(n-1)}{2}}{x} (0.24)^x (0.16)^{\frac{n(n-1)}{2}-x} \quad \text{，其中 } x=0,1,..., \frac{n(n-1)}{2}
]

注：这里的核心是利用了独立同分布变量的积分可分离性，不用考虑不同节点对p_i的差异，直接对单个p的情况积分后组合即可。

2. 期望 ( E[X] ) #

期望的计算最省心的就是用期望的线性性——不管变量是否独立，线性性都成立。我们直接对每个指示变量的期望求和：
[
E[X] = E\left[ \sum_{i=1}^m X_i \right] = \sum_{i=1}^m E[X_i]
]

对于每个 ( X_i )，它的期望等于链路存在的概率的期望（因为p_i是随机变量）。而均匀分布U[a,b]的期望是 ( \frac{a+b}{2} )，所以 ( E[p_i] = \frac{0.4+0.8}{2} = 0.6 )。

代入m的表达式后：
[
E[X] = \frac{n(n-1)}{2} \times 0.6 = 0.3n(n-1)
]

3. 方差 ( V[X] ) #

因为所有 ( X_i ) 是独立的，所以总方差等于每个 ( X_i ) 的方差之和：
[
V[X] = \sum_{i=1}^m V[X_i]
]

这里需要用全期望公式计算单个 ( X_i ) 的方差（因为p_i是随机变量，不是固定值）：
[
V[X_i] = E[V[X_i | p_i]] + V[E[X_i | p_i]]
]

• 给定p_i时，X_i是伯努利变量，条件方差 ( V[X_i | p_i] = p_i(1-p_i) )
• 条件期望 ( E[X_i | p_i] = p_i )，所以 ( V[E[X_i | p_i]] = V[p_i] )（p_i的方差）

先计算p_i的方差：均匀分布U[a,b]的方差是 ( \frac{(b-a)^2}{12} )，所以 ( V[p_i] = \frac{(0.8-0.4)^2}{12} = \frac{0.16}{12} = \frac{1}{75} \approx 0.0133 )

再计算 ( E[p_i(1-p_i)] = E[p_i] - E[p_i^2] = 0.6 - (V[p_i] + (E[p_i])^2) = 0.6 - (\frac{1}{75} + 0.36) = \frac{17}{75} \approx 0.2267 )

把这两部分加起来得到单个 ( X_i ) 的方差：
[
V[X_i] = \frac{17}{75} + \frac{1}{75} = \frac{18}{75} = 0.24
]

最后总方差：
[
V[X] = \frac{n(n-1)}{2} \times 0.24 = 0.12n(n-1)
]

4. 矩生成函数 ( M_X(t) = E[e^{tX}] ) #

独立变量和的矩生成函数等于各变量矩生成函数的乘积，所以：
[
M_X(t) = \prod_{i=1}^m M_{X_i}(t)
]

先算单个 ( X_i ) 的矩生成函数，还是用全期望公式：
[
M_{X_i}(t) = E[E[e^{tX_i} | p_i]]
]

给定p_i时，X_i是伯努利变量，所以 ( E[e^{tX_i} | p_i] = (1-p_i) + p_i e^t = 1 + p_i(e^t - 1) )

对p_i求期望：
[
M_{X_i}(t) = E[1 + p_i(e^t - 1)] = 1 + (e^t - 1)E[p_i] = 1 + 0.6(e^t - 1) = 0.4 + 0.6e^t
]

最后总矩生成函数就是m个这个表达式相乘：
[
M_X(t) = \left(0.4 + 0.6e^t\right){\frac{n(n-1)}{2}}
]

内容的提问来源于stack exchange，提问作者user515991