如何计算随机变量的指数形式期望？E[α^X]求解咨询

嘿，这个问题其实戳中了概率论里生成函数的一个经典应用场景，我来给你掰扯清楚怎么计算$E[\alpha^X]$：

首先要明确，$E[\alpha^X]$本质上就是：

• 如果X是离散型随机变量，它就是X的**概率生成函数（PGF）**在$t=\alpha$处的取值；
• 如果X是连续型随机变量，它等价于X的**矩生成函数（MGF）**在$s=\ln\alpha$处的取值（因为$\alpha^X = e^{X \cdot \ln\alpha}$，所以$E[\alpha^X] = E[e^{X \cdot \ln\alpha}] = M_X(\ln\alpha)$）。

下面分两种主流情况具体说：

一、X是离散型随机变量时 #

假设X的概率质量函数（PMF）是$P(X=k)=p_k$，k取遍X所有可能的取值（比如非负整数、整数等），根据期望的定义直接计算：

E[\alpha^X] = \sum_{k \in \text{X的取值集合}} \alpha^k \cdot p_k

举几个常见分布的例子，帮你快速理解：

• 若X服从二项分布$B(n,p)$，它的PGF是$(1-p + pt)^{n$，代入$t=\alpha$，直接得到$E[\alpha}X] = (1-p + p\alpha)^n$；
• 若X服从泊松分布$\text{Poisson}(\lambda)$，PGF是$e^{{\lambda(t-1)}$，代入$t=\alpha$，得到$E[\alpha}X] = e^{\lambda(\alpha-1)}$。

二、X是连续型随机变量时 #

假设X的概率密度函数（PDF）是$f(x)$，同样根据期望定义计算：

E[\alpha^X] = \int_{-\infty}^{+\infty} \alpha^x \cdot f(x) dx

因为$\alpha^x = e^{{x\ln\alpha}$，所以也可以转化为矩生成函数的求值问题——查X的MGF$M_X(s)=E[e}{sX}]$，然后代入$s=\ln\alpha$即可。

举几个常见分布的例子：

• 若X服从正态分布$N(\mu,\sigma^{2)$，MGF是$e}{\mu s + \frac{\sigma^2 s^{2}{2}}$，代入$s=\ln\alpha$，得到$E[\alpha}X] = e^{\mu \ln\alpha + \frac{\sigma^2 (\ln\alpha)^2}{2}} = \alpha^\mu \cdot e^{{\frac{\sigma}2 (\ln\alpha)^2}{2}}$；
• 若X服从指数分布$\text{Exp}(\lambda)$，MGF是$\frac{\lambda}{\lambda - s}$（要求$s < \lambda$），代入$s=\ln\alpha$（需要满足$\ln\alpha < \lambda$，也就是$\alpha < e^{\lambda$），得到$E[\alpha}X] = \frac{\lambda}{\lambda - \ln\alpha}$。

三、实用小技巧 #

如果你知道X的具体分布类型，直接查它的PGF（离散）或MGF（连续），然后代入对应参数求值，比从头计算求和/积分高效太多。

另外要注意两个前提：

• 不管是离散的求和还是连续的积分，必须是收敛的，否则$E[\alpha^{X]$不存在。比如柯西分布的MGF不存在，所以它的$E[\alpha}X]$也不存在（除了$\alpha=1$的特殊情况，这时候$E[1^X]=E[1]=1$）；
• 当$\alpha=1$时，结果直接是1，不用复杂计算。

内容的提问来源于stack exchange，提问作者ginge