【数学期望怎么求】数学期望是概率论与数理统计中的一个重要概念，广泛应用于金融、工程、数据分析等多个领域。它表示在大量重复试验中，随机变量的平均值或长期趋势。本文将系统总结数学期望的定义、计算方法及常见类型，并通过表格形式清晰展示。
一、数学期望的定义
数学期望（Expected Value），简称期望，是随机变量在所有可能取值上的加权平均，权重为对应取值的概率。简单来说，它是对随机事件“平均结果”的衡量。
数学期望通常用 $ E(X) $ 或 $ \mathbb{E}[X] $ 表示。
二、数学期望的计算方法
1. 离散型随机变量
对于离散型随机变量 $ X $，其可能取值为 $ x_1, x_2, ..., x_n $，对应的概率为 $ p_1, p_2, ..., p_n $，则数学期望为：
$$
E(X) = \sum_{i=1}^{n} x_i \cdot p_i
$$
2. 连续型随机变量
对于连续型随机变量 $ X $，其概率密度函数为 $ f(x) $，则数学期望为：
$$
E(X) = \int_{-\infty}^{\infty} x \cdot f(x) \, dx
$$
三、常见分布的数学期望
以下是一些常见概率分布的数学期望公式，便于快速查阅和应用。
| 分布名称 | 概率质量函数 / 密度函数 | 数学期望 $ E(X) $ |
| 伯努利分布 | $ P(X=1) = p, P(X=0) = 1-p $ | $ p $ |
| 二项分布 | $ P(X=k) = C_n^k p^k (1-p)^{n-k} $ | $ np $ |
| 泊松分布 | $ P(X=k) = \frac{\lambda^k e^{-\lambda}}{k!} $ | $ \lambda $ |
| 均匀分布 | $ f(x) = \frac{1}{b-a}, a \leq x \leq b $ | $ \frac{a+b}{2} $ |
| 正态分布 | $ f(x) = \frac{1}{\sqrt{2\pi\sigma^2}} e^{-\frac{(x-\mu)^2}{2\sigma^2}} $ | $ \mu $ |
| 指数分布 | $ f(x) = \lambda e^{-\lambda x}, x \geq 0 $ | $ \frac{1}{\lambda} $ |
四、数学期望的性质
1. 线性性：对于任意常数 $ a $ 和 $ b $，有
$$
E(aX + b) = aE(X) + b
$$
2. 可加性：对于任意两个随机变量 $ X $ 和 $ Y $，有
$$
E(X + Y) = E(X) + E(Y)
$$
3. 独立性：若 $ X $ 与 $ Y $ 独立，则
$$
E(XY) = E(X) \cdot E(Y)
$$
五、实际应用举例
例如，某彩票中奖概率为 0.01，中奖金额为 1000 元，不中奖时无收益。则该彩票的期望收益为：
$$
E(X) = 1000 \times 0.01 + 0 \times 0.99 = 10
$$
即每张彩票的期望收益为 10 元。
六、总结
数学期望是理解随机现象长期趋势的重要工具，掌握其计算方法和性质有助于我们在实际问题中做出更合理的决策。无论是理论研究还是实践应用，都是不可或缺的基础知识。
附：数学期望计算步骤总结表
| 步骤 | 内容说明 |
| 1 | 确定随机变量的类型（离散或连续） |
| 2 | 找出所有可能取值及其对应的概率 |
| 3 | 根据分布类型选择合适的公式进行计算 |
| 4 | 应用数学期望的性质简化计算过程 |
| 5 | 结合实际背景解释结果的意义 |
如需进一步了解条件期望、协方差等进阶内容，可继续深入学习相关章节。